《稀疏图像与信号处理：小波，曲波，形态多样性》涵盖稀疏图像、多尺度分析和信号处理的领域，包括线性多尺度变换，如小波、脊波、曲波变换以及非线性多尺度变换。
　　《稀疏图像与信号处理：小波，曲波，形态多样性》描述了稀疏度和形态分量分析方面的新研究进展，应用这些研究内容，能够处理多种问题，如去噪、稀疏信号分解、盲源分离和压缩感知等，而且给出了稀疏图像与信号处理广泛应用的数值计算方法。
　　《稀疏图像与信号处理：小波，曲波，形态多样性》清晰地说明了高维信号稀疏表示技术的学术思想、发展脉络、算法设计和应用方法，同时提供了从小波、脊波、曲波变换以及非线性多尺度变换，形态分量分析的软件包和数值实验指南。
　　《稀疏图像与信号处理：小波，曲波，形态多样性》通过天文、生物、物理、数字媒体和法医鉴定等诸多应用实例，有机地将理论原理与工程实践结合在一起，深入浅出。
　　《稀疏图像与信号处理：小波，曲波，形态多样性》可作为高校电子工程、信号与信息处理、应用数学等专业的高年级本科生或研究生的教材，也可作为从事稀疏表示和图像处理方面研究人员的参考书。

　　《稀疏图像与信号处理：小波，曲波，形态多样性》：
　　1.3.4稀疏表示的应用 
　　我们简要概述后续几章中所讨论的各种应用的动机。 
　　人类视觉解译系统在同时考虑场景和尺度现象时做得很好。小波或者其他多尺度变换也许可能直观地帮助我们对图像或者其他数据的尺度现象进行理解。不同分辨率尺度的分解也许会为我们揭示所考察的微弱现象。 
　　在捕获一幅图像多层视角的同时，我们也得到了不同水平的噪声。因此，为了确定哪些是图像中的噪声，可以发现在一系列分辨率等级中考察噪声是非常有效的。这种策略在实际中被证明是相当成功的。 
　　噪声，当然对选取有效操作或分析方法至关重要。在图像去模糊或去卷积或者恢复问题中，没有噪声时要简单得多。同样在图像压缩中，如果没有噪声也变得相对容易，而噪声在定义上是不可压缩的。 
　　在所有这些应用中，效率和有效性（或处理结果的质量）是两个重要的方面。我们能立即想起的应用包括天文、遥感、医学、工业视觉等。 
　　总而言之，《稀疏图像与信号处理：小波，曲波，形态多样性》所论述的稀疏表示方法适应于很多不同的应用领域。基于《稀疏图像与信号处理：小波，曲波，形态多样性》所论述的应用基础，我们的目标是指导读者处理其他类似的应用问题。显然，我们的目标也包括处理一些具有挑战性和新的应用。
　　……

缩写词中英文对照
数学符号表
前言

第1章 稀疏世界导论
1.1 稀疏表示
1.1.1 引言
1.1.2 什么是稀疏性？
1.1.3 稀疏性术语
1.1.4 最佳字典
1.2 从傅里叶到小波
1.3 从小波到过完备表示
1.3.1 过完备表示的好处
1.3.2 走向形态多样性
1.3.3 压缩感知：稀疏性与采样的联系
1.3.4 稀疏表示的应用
1.4 小波与曲波的新应用
1.4.1 地球观测图像的边缘检测
1.4.2 一幅彗星图像的小波显示
1.4.3 超声心动图仪图像的增强
1.4.4 图像分级和检索的曲波矩方法
1.5 总结

第2章 小波变换
2.1 引言
2.2 连续小波变换
2.2.1 定义
2.2.2 性质
2.2.3 反变换
2.3 小波函数的实例
2.3.1 Morlef小波
2.3.2 墨西哥帽小波
2.3.3 Haar小波
2.4 连续小波变换算法
2.5 离散小波变换
2.5.1 多分辨率分析
2.5.2 快速金字塔算法
2.5.3 二维抽取小波变换
2.6 非二进分辨率因子
2.7 提升格式
2.7.1 利用提升的小波变换例子
2.8 小波包
2.8.1 一维小波包
2.8.2 小波包二叉树
2.8.3 快速小波包变换
2.8.4 最优小波包基
2.8.5 二维小波包
2.9 数值实验指南
2.9.1 软件
2.9.2 一维分段光滑信号的连续小波变换
2.9.3 离散小波变换的非线性逼近
2.9.4 小波包的非线性逼近
2.1 0总结

第3章 冗余小波变换
3.1 引言
3.2 非抽取小波变换
3.2.1 一维非抽取小波变换
3.3 部分抽取小波变换
3.4 对偶树复值小波变换
……

第4章 非线性多尺度变换
第5章 脊波和曲波变换
第6章 稀疏性和噪声去除
第7章 线性反问题
第8章 形态多样性
第9章 稀疏盲源分离
第10章 球面上的多尺度几何分析
第11章 压缩感知

算法列表
参考文献