基于稀疏表示的图像压缩和去噪理论与应用

第1章 绪论
1．1 人眼视觉特性
1．1．1 视觉系统
1．1．2 视觉信息处理机制和感知模型
1．1．3 视觉特性与启示
1．2 图像模型与表示
1．2．1 图像模型
1．2．2 图像表示方法
1．3 图像稀疏表示与处理
1．3．1 信号的稀疏表示
1．3．2 图像稀疏表示模型
1．3．3 基于稀疏表示的图像处理
1．4 图像质量的评价
1．4．1 主观评价
1．4．2 客观评价
1．5 本章小结
第2章 稀疏表示的原理及方法
2．1 信号的稀疏表示
2．1．1 信号的表示
2．1．2 稀疏的度量
2．1．3 冗余稀疏表示
2．2 原子库构建
2．2．1 原子库的发展与分类
2．2．2 基于解析的原子库
2．2．3 原子库学习方法
2．3 稀疏分解
2．4 本章小结
第3章 图像压缩编码概述
3．1 压缩编码流程
3．2 经典编码技术
3．3 第二代图像编码
3．4 小波图像编码
3．5 可伸缩编码技术
3．6 基于冗余表示的图像编码
3．6．1 冗余表示编码框架
3．6．2 矢量量化
3．6．3 分形编码
3．6．4 匹配追踪编码
3．6．5 讨论
3．7 本章小结
第4章 分形图像压缩编码
4．1 分形编码数学基础
4．1．1 迭代函数系统理论
4．1．2 不动点定理
4．1．3 拼贴定理
4．2 分形图像编码原理与实现
4．2．1 编码原理
4．2．2 编码方法
4．2．3 实验结果
4．3 分形图像解码的灵活性
4．3．1 可控质量渐进解码
4．3．2 分辨率无关解码
4．4 本章小结
第5章 匹配追踪图像压缩编码
5．1 原子库的构建
5．2 MP图像分解
5．2．1 FSMP算法
5．2．2 MP原子特性
5．3 多尺度MP分解
5．3．1 图像多尺度表示
5．3．2 多尺度追踪
5．3．3 实验结果
5．4 MP图像编码
5．4．1 MP编码研究现状
5．4．2 基于块划分的MP编码
5．4．3 码流的可伸缩性
5．4．4 实验结果
5．5 本章小结
第6章 图像去噪概述
6．1 噪声及其度量
6．1．1 图像噪声
6．1．2 噪声的度量
6．2 空域去噪技术
6．3 变换域去噪技术
6．4 非局部去噪技术
6．5 冗余稀疏去噪技术
6．6 讨论
6．7 本章小结
第7章 基于全局原子库的冗余稀疏去噪
7．1 概述
7．2 原子库学习
7．2．1 基于相关系数准则的稀疏编码
7．2．2 基于噪声检测的原子库裁剪
7．2．3 原子库学习算法
7．3 稀疏分解去噪
7．3．1 多级分解去噪
7．3．2 稀疏编码策略
7．3．3 人为噪声抑制
7．4．实验结果
7．4．1 参数设置
7．4．2 原子库学习的评估
7．4．3 多级去噪性能评估
7．4．4 客观性能比较
7．4．5 主观性能比较
7．5 本章小结
第8章 基于空间自适应原子库的冗余稀疏去噪
8．1 概述
8．2 算法思路
8．3 全局空间分析
8．4 原子库训练
8．5 基原子选择
8．6 算法描述
8．7 讨论
8．8 实验结果
8．8．1 主特点评估
8．8．2 客观性能比较
8．8．3 主观性能比较
8．9 本章小结
参考文献