第一章连续的小波变换1．1连续小波变换的定义1．2与短时傅里叶变换的比较1．3连续小波变换的一些性质1．4小波变换的反演及对基本小波的要求1．5连续小波变换的计算机实现与快速算法1．6几种常用的基本小波1．7应用举例第二章尺度及位移均离散化的小波变换2．1离散α，γ栅格下的小波变换2．2标架(frame)概念2．3小波标架2．4应用举例第三章多分辨率分析与离散序列的小波变换3．1概述3．2多分辨率信号分解与重建的基本概念3．3尺度函数和小波函数的一些重要性质3．4由多分辨率分析引出多采样率滤波器组3．5Mallat算法实现中的一些问题3．6离散序列的小波变换3．7金字塔结构的数据编码第四章多采样率滤波器组与小波变换4．1概述4．2多采样率信号处理的一些基本关系4．3双通道多采样率滤波器的理想重建条件4．4多采样率滤波器组的两种一般表示法4．5正交镜像滤波器组与共轭正交滤波器组4．6正交滤波器组的设计4．7二项式小波滤波器组4．8对滤波器组参数与连续时间小渡变换关系的进一步讨论4．9Daubechies小波4．10IIR型的正交滤波器组和小波4．1l双正交滤波器组与双正交小波4．12滤波器组理想重建条件的时域表示式及其设计第五章二维小波变换及其用于图像处理5．1概述5．2二维图像的多分辨率分析：可分离情况5．3五株排列(quincunx)的多分辨率分析5．4应用举例5．5二维连续小波变换第六章小波变换用于表征信号的突变(瞬态)特征6．1概述6．2基本原理6．3几种检测局部性能常用的小波6．4用小波变换极大值在多尺度上的变化来表征信号奇异点的性质6．5用二维小波变换作图像上物体边沿的检测6．6应用举例6．7用小波变换的过零点来表征信号6．8由小波变换的奇异点重建信号6．9仿真计算第七章小波包与时一频平面的铺砌7．1概述7．2小波包的定义与主要性质7．3最优小波包基的选择7．4自适应小波包分解7．5最优小波包作自适应切换时瞬态的抑制——时变滤波器组方法7．6关于时间一频率平面的自适应铺砌7．7基本小波的优化设计7．8小波变换在不同基函数间的换算第八章小波变换与分形信号的分析8．1概述8．2关于分形的简述8．3过程的小波分析8．4确定性的自相似过程8．5过程的信号处理8．6分数布朗运动与分数高斯噪声8．7小波变换用于其他分形问题简介

提出了一种新的变分图像模型，结合了Curvelet收缩方法和总变分（TV）功能，可用于图像恢复。
为了抑制阶梯效应和类似Curvelet的伪影，我们使用多尺度Curvelet收缩来计算初始估计图像，然后提出一个新的梯度保真度项，该项旨在迫使所需图像的梯度接近Curvelet逼近梯度。
然后，我们介绍了Euler-Lagrange方程，并对数学性质进行了研究。
为了提高保留边缘和纹理细节的能力，在梯度下降流算法的迭代过程中自适应估计空间变化参数。
数值实验表明，我们提出的方法在减轻阶梯效应和曲​​线样伪像的同时，保留了精细的细节方面具有良好的性能。

非下采样Contourlet变换（NonsubsampledContourletTransform,NSCT）是一种多分辨率分析方法，它结合了小波变换的多尺度特性与Contourlet变换的方向敏感性。
NSCT在图像处理和计算机视觉领域有广泛的应用，如图像压缩、图像增强、噪声去除和图像分割等。
这个“NSCT变换的工具箱”提供了实现NSCT算法的软件工具，对于研究和应用NSCT的人来说，是一个非常实用的资源。
非下采样Contourlet变换的核心在于其能够提供多方向、多尺度的图像表示。
与传统的Contourlet变换相比，NSCT不进行下采样操作，这避免了信息损失，保持了图像的原始分辨率。
这种特性使得NSCT在处理高分辨率图像时具有优势，特别是在保留细节信息方面。
NSCT工具箱通常包含以下功能：1.**NSCT变换**：对输入图像执行非下采样Contourlet变换，将图像分解为多个方向和尺度的系数。
2.**逆NSCT变换**：将NSCT系数重构回原始图像，恢复图像的完整信息。
3.**图像压缩**：利用NSCT的系数对图像进行编码，实现高效的图像压缩。
由于NSCT在高频部分有更好的表示能力，因此在压缩过程中可以有效减少冗余信息，提高压缩比。
4.**图像增强**：通过调整NSCT系数，可以对图像进行有针对性的增强，比如增强边缘或抑制噪声。
5.**噪声去除**：利用NSCT的多尺度和方向特性，可以有效地分离噪声和信号，实现图像去噪。
6.**图像分割**：在NSCT域中，图像的特征更加明显，有助于进行图像区域划分和目标检测。
该工具箱可能还包括一些辅助函数，如可视化NSCT系数、性能评估、参数设置等功能，方便用户进行各种实验和分析。
使用这个工具箱，研究人员和工程师可以快速地实现NSCT相关的算法，并在实际项目中进行测试和优化。
在使用NSCT工具箱时，需要注意以下几点：-输入图像的尺寸需要是2的幂，因为大多数NSCT实现依赖于离散小波变换，而DWT通常要求输入尺寸为二进制幂。
-工具箱可能需要用户自行配置或安装依赖库，例如MATLAB的WaveletToolbox或其他支持小波运算的库。
-NSCT变换的计算复杂度相对较高，特别是在处理大尺寸图像时，可能需要较长的计算时间。
-在处理不同类型的图像时，可能需要调整NSCT的参数，如方向滤波器的数量、分解层数等，以获得最佳性能。
"NSCT变换的工具箱"是一个强大的资源，对于那些希望探索非下采样Contourlet变换在图像处理中的潜力的人来说，这是一个必不可少的工具。
通过深入理解和熟练使用这个工具箱，可以进一步发掘NSCT在各种应用中的价值。

python的pywt库，主要用于小波变换包含单层（逆）变换、多尺度变换和阈值函数等

该ppt是研究DSST两周后的成果，dsst算法确实和论文提到的一样，大部分算法只要是多尺度问题，都可以通过dsst中的尺度部分来解决，ps：好多地方都不太懂，请多包涵

多尺度retinex算法实现，用的是matlab，测试通过，里面的三个参数可以自己设置

利用多尺度高斯函数去除场景的光照分量；
然后构造了一种二维伽马函数，利用光照分量的分布特性调整二维伽马函数的参数，降低光照过强区域的亮度值，提高光照过暗区域的亮度值，最终实现对光照不均匀图像的自适应校正处理。

基于红外图像低分辨率、低对比度、视觉特性差的特性，以及传统的利用直方图均衡化进行红外图像增强的方法会丢失图像的细节信息、增强红外图像的噪声的特性，将小波变换的多尺度、多分辨率的特点和直方图均衡化的方法相结合，提出一种更好的实现红外图像增强的算法。

用opencv实现retinex算法，包括单尺度和多尺度Retinex

MatlabGUI做的图像边缘检测程序，分别用经典时域算子和小波多尺度分析检测图像边缘

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。