图像奇异性表征机理分析比较
奇异性分析在物理学中的应用
奇异性分析在物理学中的应用奇异性分析是一种物理学上的数学工具，用于研究物理系统中的奇异性行为。
它的应用涉及到各种领域，包括流体力学、材料科学和量子力学等。
本文将探讨奇异性分析在物理学中的应用，以及它的重要性。
流体力学中的应用流体力学是研究流体运动和变形的学科。
奇异性分析在流体力学中有着广泛的应用，特别是在气体动力学和燃烧学中。
它可以用来研究流体中发生的奇异性行为，比如强震波引起的压力波。
除此之外，奇异性分析还可以揭示流体运动中的混沌行为。
混沌现象是非线性系统中的一种特殊行为，它的出现导致系统表现出极其复杂和不可预测的行为。
通过奇异性分析，可以研究流体运动中的混沌现象，深入了解流体模型的行为。
材料科学中的应用材料科学是研究材料结构和性质的学科。
奇异性分析在材料科学中也有着重要的应用。
例如，在金属和合金中，奇异性分析可以揭示金属在不同温度下的相变行为。
相变是物体从一种形态转变成另一种形态的过程，它通常会伴随着奇异性行为。
此外，奇异性分析还可以用来研究材料的力学性质。
例如，奇异性分析可以帮助研究材料的断裂行为和塑性形变行为。
量子力学中的应用量子力学是研究微观领域的学科，研究的是原子、分子和基本粒子这类微观领域的物理现象。
奇异性分析在量子力学中也有着广泛的应用。
例如，它可以用来研究量子系统中的奇异态，比如量子震荡态。
奇异性分析还可以用于研究量子隧穿效应。
量子隧穿效应是量子力学中的一个重要现象，它涉及到微观粒子在经典力学意义下无法透过障碍物运动的问题。
通过奇异性分析，可以深入了解量子隧穿现象的性质和机制。
奇异性分析的重要性奇异性分析在物理学中的应用非常广泛，它是研究奇异性行为的有力工具。
通过奇异性分析，物理学家可以更深入地了解物理世界的行为，深入探索混沌现象、相变行为和量子现象的性质和机制，从而推动物理学的发展。
同时，奇异性分析还有着广泛的应用价值。
例如，在工程设计、材料制造和环境监测等领域，奇异性分析可以帮助探究系统的动态特性，从而更好地预测和控制系统的行为。
图像分析基本原理及分析过程
图像分析基本原理及分析过程概述在生物及医学研究中，对图像的判读与分析特别是对显微镜下微观图像的观察研究从来都是重要的研究手段。
随着技术的进步，分析图像的方法也从眼观尺量进入到了使用计算机软件进行定量分析的阶段。
计算机软件的发展速度呈加速前进，采集图像的设备也不断更新，这使得我们能有更多的手段来分析测量复杂的生物图像。
现在我们可以使用CCD数码相机来采集图像。
使用功能比较强大的图像分析软件来进行图像分析测量。
相比之下，在不太久远的十来年前使用的图像分析仪及单色的图像采集摄像机已经过时了。
而图像分析的手段也比以前丰富。
简单地引用以前的分析方法未必就是最佳的方法，在许多情况下，需要我们依据软件及相机的情况设计与研究目标相适应的分析方法。
分析测量图像绝不仅仅是一个软件使用的问题，而是从实验设计开始，就要综合考虑研究目标、样品制作方法、拍摄方式、选择视野等各方面因素，最后才是通过软件实现最有效的图像分析测量。
一个完整的图像分析过程应该包括：1.明确需要测量分析的对象。
2.使用适当的方法拍摄下这个对象，包括进行适当的染色及取样，采集到突出显示的测量对象的照片。
3.分析照片上的图像元素,确定能反映测量对象的图像图形4.测量照片上的图形的测量参数,进而得到测量对象的测量数据5.对测量对象进行统计分析。
图像分析的最佳效果，是利用图像分析软件可以自动地判断测量目标，准确分析测量出目标对象的数值。
由于生物图像的复杂性，软件往往作不到这一点。
此时只能退而求其次，采取抽样统计，手工选择等方法进行近似的测量。
测量方法本身有时候也能成为一个研究课题。
一、把研究目标转换到图像分析问题上。
在丁香园混了好几年了，虽然很喜欢与大家讨论图像分析的问题，但是却经常对一些求助视而不见，例如：请问用IPP怎么分析双染的结果？谢谢！最近正要测肾小球面积以及球内PAS染色阳性面积（粉紫色），不会操作，希望各位老师及同仁多多指教，非常感谢！传张片子上来，请指导一下哦！免疫荧光定量分析选什么软件好？是IPP吗？这个软件可以做杂交结果的分析吗？具体如下：杂交后获得阳性结果和阴性对照的结果，如何分析结果呢？下面是阳性和阴性的图。
基于DWT和奇异值分解的图像增强算法
基于DWT和奇异值分解的图像增强算法郑良仁;代文征;靳宗信;杨勇【摘要】An image quality enhancement method based on discrete wavelet transform(DWT)and singular value decompo-sition is proposed to enhance the resolution and contrast simultaneously. The input image is decomposed into four sub-bands by means of DWT to estimate the singular value matrix of the low-frequency sub-band image. And then the image is enhanced by means of inverse DWT reconstruction. The algorithm is applied to the gray level image,color image and satellite image,and compared with other image enhancement algorithms. The experimental results show that,in comparison with other traditional technology,the method has better performance.%提出一种基于离散小波变换(DWT)和奇异值分解技术的图像质量增强方法,能够同时增强分辨率和对比度.首先,该算法通过DWT将输入图像分解为4个子带,对低频子带图像的奇异值矩阵进行估计,然后通过逆DWT重构增强图像.将提出算法应用于灰度图像、彩色图像以及卫星图像,并与其他图像增强方法进行比较分析.实验结果表明,相较于其他传统技术,提出的方法性能更好.【期刊名称】《现代电子技术》【年(卷),期】2017(040)015【总页数】4页(P21-24)【关键词】图像增强;对比度;分辨率;离散小波变换;奇异值分解【作者】郑良仁;代文征;靳宗信;杨勇【作者单位】黄河科技学院信息工程学院,河南郑州 450063;黄河科技学院信息工程学院,河南郑州 450063;黄河科技学院信息工程学院,河南郑州 450063;黄河科技学院信息工程学院,河南郑州 450063【正文语种】中文【中图分类】TN911.73-34;TP391图像增强是数字图像处理中最简单、最具吸引力的技术，是为了显示出模糊图像的细节[1-2]，以及突出强调图像的某些特性。
动力学问题中的奇异性分析
动力学问题中的奇异性分析动力学问题在实际生活中广泛应用，涉及的领域包括机械、物理、化学、生物等。
而动力学问题中的奇异性分析是解决一些特殊情况的方法，这些情况通常表现为某些参数变化时系统的行为发生非常明显的变化。
本文将从介绍动力学问题的一般情况开始，进而探讨奇异性分析的具体方法和应用。
动力学问题的一般情况动力学问题描述了物体运动的规律，通常使用微分方程或方程组来表示动力学模型。
例如，在机械系统中，牛顿第二定律告诉我们物体受到的力等于其质量乘以加速度。
因此，可以得到以下的微分方程：$$m\frac{d^2x}{dt^2} = F(x, \frac{dx}{dt}, t)$$其中，$m$ 表示物体的质量，$x$ 表示物体的位移，$F$ 表示作用在物体上的力，$\frac{dx}{dt}$ 表示物体的速度，$t$ 表示时间。
这个微分方程可以看做是一个一阶微分方程组的高阶形式。
在一般情况下，动力学问题的解可以通过常规的数值或符号计算方法得到。
但是，当某些参数变化时，系统的行为可能会出现奇异性。
奇异性分析的具体方法奇异性分析是一种针对特殊情况的数学分析方法。
在动力学问题中，奇异性通常表现为某些特定参数值下，解析解不存在或数值解出现明显的不连续性。
这时，奇异性分析可以帮助我们更好地理解系统的行为，并通过构造新的方程或使用新的数值方法来解决问题。
奇异性分析的具体方法有很多，下面将介绍其中两种典型的方法。
1. 多重参数分析多重参数分析是一种针对多参数模型的奇异性分析方法。
在这种方法中，假设系统有 $m$ 个参数，通过在某些参数上的微小变化来观察系统的行为变化。
具体而言，我们可以建立包含 $m$ 个参数以及物体位置和速度的微分方程，然后使用数值方法对其进行求解，观察解析解和数值解的行为变化。
例如，对于一个有耗散的弹簧系统，我们可以建立如下微分方程：$$m\frac{d^2x}{dt^2} = -kx - q\frac{dx}{dt}$$其中，$m$ 表示质量，$k$ 表示弹性系数，$q$ 表示阻尼系数。
物理教材图像表征的比较研究——以中美教材中“光学”部分为例
作为学校教育教学的基本依据，教材在我国教育 体系中一直占有重要位置。自 2016 年以来，随着中央 对教材建设事业做出了重大决策部署，国家先后成立 了国家教材委员会和课程教材研究所，并在规划中对 加强关于教材的基础研究提出明确要求。［1］对教材的 分析、比较与反思对于课程教学具有巨大的推动作 用，是学科课程与教学论的重要研究领域。例如在 21 世纪伊始美国“2061 计划”对科学教材的系统评估，对 近 20 年来的课程建设和课堂教学都产生了巨大影响， 成为了推动 21 世纪教育改革的标志性事件。［2］作为教 材中最为重要的表征方式之一，图像表征不仅能给学 生提供必要的感性认识，而且在一定程度上与文本表 征搭配形成对教材内容的双重编码，能帮助学生更好 地理解和掌握学习内容，对于促进学生核心素养的发 展具有十分重要的作用。
2019 年 7 月 第 20 卷第 3 期
天津师范大学学报 (基础教育版) Journal of Tianjin Normal University (Elementary Education EditNo.3
物理教材图像表征的比较研究
——以中美教材中“光学”部分为例
国外一些学者曾对教材中的图像表征做了比较系 统且深入的研究。如梅耶（Mayer）等研究发现教材中
近一半的页面空间被专门用于设置图像表征，甚至在 一些教材中占比高达 85%，但许多图像却没有明确阐 述相关知识内容，其教育功能的实现情况令人疑虑。［3］ 博泽（Pozzer）等指出教材中图像表征的使用对于学习 者的学习总体而言是有利的，特别是真实照片的使用 能增强学习者对相关知识的关注。［4］在已有研究的基础 上，维克托·李（Victor R. Lee）将科学教材中图像表征 的功能分为演示功能（demonstrative function）、阐明功 能（illustrative function）和解释功能（explanatory func⁃ tion），并对美国近 30 年科学教材中图像表征的适应性 和延续性做了研究，发现随着时间的递增，美国科学教 材中图像表征的总数量没有明显变化。但其中单独具 有演示功能的图像表征数量有所增加，同时具有解释 和阐明两种功能的图像表征数量增加明显。［5］国内学者 从认知视角对教材中图像表征的研究始于 21 世纪，眼 动研究发现阅读材料中插图能提升学生的阅读效果。［6］ 对历史上各版本科学教材的梳理发现，我国理科教材
《小波奇异性检测》课件
奇异性检测的方法
01
02
03
小波变换法
利用小波变换的多尺度分 析特性，对信号进行多尺 度细化，从而检测出奇异 点。
波形识别法
通过比较信号波形与已知 的典型波形，识别出奇异 点。
统计方法
利用统计学原理，通过分 析信号的统计特性，判断 是否存在奇异点。
奇异性检测的应用
故障诊断
01
在机械、电力、航空等领域的设备运行过程中，通过奇异性检
《小波奇异性检测》 PPT课件
目录
• 小波变换基础 • 奇异性检测原理 • 小波在奇异性检测中的应用 • 小波奇异性检测的未来发展
01
小波变换基础
小波变换的定义
小波变换是一种数学工具，用 于分析信号和图像中的局部信 息。
它通过将信号或图像分解成不 同频率和时间尺度的成分，揭 示了信号的内在结构和特征。
阈值处理
利用小波变换后的系数设置阈值，通过阈值判断信号的奇异性。
小波在奇异性检测中的实例分析
一维信号
以一维信号为例，展示小波变换在奇异性检测中的应用，如检测信 号中的突变点或边缘。
二维图像
将小波变换应用于二维图像处理，检测图像中的边缘、角点等奇异 性特征。
实际应用案例
介绍小波变换在信号处理、图像处理等领域中的实际应用案例，展示 其在实际问题中的效果和优势。
丰富的信号特征。
03
非线性信号处理
探索非线性信号处理在小波变换中的应用，以更好地处理非线性信号。
THANKS FOR WATCHING
感谢您的观看
测可以及时发现设备故障。
语音识别
02
在语音信号处理中，奇异性检测用于识别语音中的音节、单词
等边界。
奇异值分解在图像处理中的实际案例分析(Ⅰ)
奇异值分解在图像处理中的实际案例分析奇异值分解（Singular Value Decomposition，SVD）是一种十分重要的矩阵分解方法，在图像处理中有着广泛的应用。
它可以将一个矩阵分解成三个矩阵的乘积，可以用于降维、去噪、压缩等操作。
本文将通过具体的实际案例分析，来探讨奇异值分解在图像处理中的应用。
案例一：图像压缩在图像处理中，经常需要对图像进行压缩以减少存储空间和加快传输速度。
奇异值分解可以帮助我们实现图像的压缩。
具体来说，对于一幅图像，我们可以将其表示为一个矩阵，然后对这个矩阵进行奇异值分解。
通过保留较大的奇异值和对应的奇异向量，可以近似地重建原始图像，实现图像的压缩。
通过调整保留的奇异值数量，可以灵活地控制图像的压缩比例。
案例二：图像去噪在图像处理中，常常会遇到图像受到噪声干扰的情况。
奇异值分解可以帮助我们去除图像中的噪声。
具体来说，我们可以将受到噪声干扰的图像表示为一个矩阵，然后对这个矩阵进行奇异值分解。
通过保留较大的奇异值和对应的奇异向量，可以恢复出原始图像，同时抑制噪声的影响，实现图像的去噪效果。
案例三：图像特征提取在图像处理中，常常需要从图像中提取出有用的特征信息。
奇异值分解可以帮助我们实现图像的特征提取。
具体来说，对于一幅图像，我们可以将其表示为一个矩阵，然后对这个矩阵进行奇异值分解。
通过分析奇异值和对应的奇异向量，可以提取出图像中的主要特征信息，如边缘、纹理等，从而实现图像的特征提取。
通过以上三个实际案例的分析，我们可以看到奇异值分解在图像处理中的重要作用。
它不仅可以帮助我们实现图像的压缩、去噪、特征提取等操作，还可以为图像处理提供更多的可能性。
当然，奇异值分解也有一些局限性，如计算复杂度较高、对大规模数据的处理效率不高等问题，但随着计算机技术的发展，这些问题也在不断得到解决。
总之，奇异值分解在图像处理中有着广泛的应用前景，它为图像处理提供了一种全新的思路和方法。
相信随着技术的不断进步，奇异值分解在图像处理领域的作用会变得越来越重要，为图像处理带来更多的创新和发展。
图的零度和奇异性的进一步研究的开题报告
图的零度和奇异性的进一步研究的开题报告一、选题背景图是计算机科学中的重要概念，它可以用于表示各种关系和网络结构。
在图中，节点和边构成了一个复杂的网络，研究图的性质和特征可以为计算机科学的相关领域提供重要的理论和实践基础。
其中，图的零度和奇异性是图论中一项重要的研究内容。
零度是指节点的度数为0，奇异性则是指网络中存在奇环的能力。
这两个概念在许多研究领域中都有着广泛的应用，比如社交网络分析、蛋白质相互作用网络分析等。
近年来，随着图论研究的不断深入，对图的零度和奇异性的研究也越来越受到关注。
不仅在理论上，许多实际应用也需要对这些指标进行更深入地研究。
二、研究目的和意义本研究旨在通过对图的零度和奇异性的研究，探究其在实际问题中的应用以及具体的性质和特征，为相关领域的研究提供理论支持和实践基础。
研究目的和意义如下：1.掌握图的零度和奇异性的基本概念和特征。
2.通过分析实际网络中的零度和奇异性，研究它们在实际应用中的意义。
3.研究零度和奇异性在社会网络、蛋白质相互作用网络等领域的应用。
4.探究零度和奇异性对网络的演化和动态性质的影响。
三、研究内容和方法本研究将分为以下几个部分：1.理论研究：对图的零度和奇异性的基本概念和性质进行深入了解和分析。
其中，将会探究零度和奇异性的定义、性质、特征等基本知识。
2.实际应用：选择多个社交网络和蛋白质相互作用网络进行研究，分析其网络结构和零度和奇异性的相关特征，探究它们在实际应用中的意义。
3.影响因素：通过研究零度和奇异性在网络演化和动态性质中的影响，深入分析其相关影响因素。
4.数学模型：建立数学模型，对零度和奇异性进行分析和计算，探究更深入的理论问题。
在研究方法上，本研究将采取理论分析和实证研究相结合的方法，通过对具体网络的应用和对数学模型的探索，深入理解零度和奇异性在网络中的特征和作用。
四、计划进度和预期成果本研究计划时间为一年，在此期间将完成以下计划进度：1.前期准备：收集和整理与图的零度和奇异性相关的文献资料，建立研究框架，明确研究目标和问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像奇异性表征机理分析比较郑玮【摘要】Singularity in images carry massive essential information,which is crucial to further analysis.We need to adopt different methods accordingto the elements in image singularity. Wavelet transform and curvelet transform are two important methods for sparse representation and are widely used in numerous fields.In this paper, wavelet transform and curvelet transform are used to analyze the effects of different singularity in images.The experimental results and theoretical analysis both demonstrate that wavelet is good at noises in images but cannot represent the edges effectively.On the contrary,curvelet is very suitable for the curve edge.%图像奇异性包含的许多重要信息对于图像的进一步分析具有重要作用。
对于图像中的不同奇异性通常需要采用不同的方法表示。
小波变换和曲波变换作为稀疏表示中的重要方法，具有广泛的应用。
分析了小波变换和曲波变换对于图像奇异性表证的不同效果。
实验结果和理论分析均表明小波变换对于图像中的点奇异性具有很好效果，但对于线奇异性表示则不够稀疏，曲波则可以高效地表示图像边缘的曲线奇异性。
【期刊名称】《金陵科技学院学报》【年(卷),期】2016(032)002【总页数】5页(P34-38)【关键词】稀疏表示;图像分类;稀疏编码;特征编码;小波;曲波【作者】郑玮【作者单位】金陵科技学院计算机工程学院，江苏南京 211169【正文语种】中文【中图分类】TP391图像奇异性表征机理分析主要是指对图像噪声点、图像边缘信息的分析。
通常这些信息对于图像的进一步的分析，如目标识别、图像分割、图像分形等都具有重要作用[1-3]。
因此对于图像奇异性表征机理的研究具有重要意义。
本文主要比较了小波变换和曲波变换对于图像奇异性分析的不同效用。
小波依赖于尺度和位置各项同性的元素所组成的字典，对于点奇异性具有较好效果，而对于诸如线状或者曲线状的高度各项异性成分则不能高效地表示。
为了克服小波变换没有利用图像边缘曲线正则性的缺点，脊波变换与曲波变换先后被提出。
与小波变换不同，脊波变换需要计算所有方向和位置的线积分，因此脊波变换对于直线奇异性具有很好效果。
对于图像边缘是曲线状而非直线的情况，脊波就很难高效地表示。
第一代曲波变换按照局部方式应用脊波原理，这样在细尺度情形下，曲线边缘可以近似为直线。
然而第一代曲波存在索引结构复杂、冗余度较高的缺点，为此有的学者提出了第二代曲波。
第二代曲波的索引结构仅包含尺度、方向(角度)和位置3个参数，此外第二代曲波没有采用局部脊波变换，因此可以设计快速算法。
连续小波变换可以通过使用一个单变量函数及其伸缩、平移函数系作为分析函数。
对于一个一维(1-D)实值函数∈L2(R)，其中L2(R)是平方可积函数空间，Morlet-Grossmann定义的连续小波变换(CWT)为其中；为小波系数；为母小波，是其复共轭；为尺度参数；b∈R为位置参数。
在傅立叶域小波可以表示为离散小波变换在原始域和傅立叶域都具有良好的局部性，适合于多分辨率分析[4]。
通过多分辨率分析构造出低通滤波器h和高通滤波器g，对于双正交小波可以引入h和g的对偶滤波器和构造一个完全重构滤波器组[5]。
对于高维离散小波可以通过尺度函数φ和小波函数ψ分离张量积推广到任意维。
对于二维小波通过分离变量依次产生水平、垂直和对角方向，尺度函数定义为。
细节系数图像分别通过垂直方向小波、水平方向小波和对角方向小波得到。
对于每一个分辨率上都产生3幅小波子带。
其中j表示小波的层数。
对于抽取式二维小波每一层由上一层下采样得到。
对于非轴取式小波变换过程可由图1表示。
第一代曲波可以看作对局部区域应用脊波变换，其主要思想是首先将图像分解为系列小波子带，然后将每个子带经窗口光滑地划分为尺度合适的方块，约为2-j，最后对每个方块进行脊波分析。
第一代曲波的流程[6-9]如图2所示。
由于第一代曲波存在一些缺点，如构造的索引过于复杂、假设的抛物形尺度律不一定成立、冗余度较高等。
第二代曲波变换仅使用3个参数(尺度、方向和位置)，并且实现了紧框架展开，因此冗余度更低。
与第一代曲波相比，第二代曲波没有采取脊波变换，而是设计了一个快速算法。
对于连续情况，第二代曲波为母函数φj平移、旋转所得。
尺度为2-j、方向为θl、位置为的曲波定义为其中Rθl为弧度θl的旋转运算；变量θl为等间隔旋转角度序列θl=2π2-⎣j/2l，l 是整数使得0≤θl≤2π；∈Z2为平移参数序列。
波形φj通过傅立叶变换定义，在极坐标下傅立叶域定义为其中，j的支撑是由径向窗口和角度窗口的支撑定义的抛物楔形，所应用的径向和角度窗口在每个方向上都是尺度依赖的，如图3所示。
在连续频率v下，二维函数f(t)的第二代曲波系数定义为内积：实验分别比较了小波变换和第一代曲波变换对图像奇异性分析的作用。
实验数据分别采用matlab小波工具箱中的tartan、bust、chess、facets图像。
原始图像如图4所示。
小波变换采用了matlab中的wavelet工具箱。
图5至图8分别是小波变换与曲波在4幅图像上的实验结果。
(1)～(3)分别为垂直方向、水平方向和对角方向的小波变换，(4)为曲波变换。
图像理解，如目标检测、目标识别、语义分割、图像分形等，都需要对图像奇异性表征机理进行分析。
对于图像不同奇异性通常需要利用适合的分析方法。
本文比较了小波变换和曲波变换对于图像奇异性表征机理的效果。
小波变换对于图像的点奇异部分效果较好，而无法高效地表示图像中诸如线状或者曲线状的高度各项异性成分。
而曲波变换可以很好地刻画图像中曲线奇异性成分。
【相关文献】[1] Grandi G F, Lee J S, Schuler D, et al. Singularity Analysis With Wavelets in Polarimetric SAR Imagery for Vegetation Mapping Applications[C]//IEEE: Geoscience and Remote Sensing Symposium. NewYork: IGARSS Proceedings, 1999[2] Donoho D, Buckheit J, Chen S, et al, About Waveleb[M]. NewYork: NA Slingker, 1995[3] Starck J L, Murtagh F, Fadili J M. Sparse Image and Signal Processing: Wavelets, Curvelets, Morphological Diversity[M]. Cambridge University Press, 2010[4] Mallat S G. A Theory for Multiresolution Signal Decomposition: the Wavelet Representation[J]. Pattern Analysis and Machine Intelligence, 2009, 11(7): 674-693[5] Daubechies I. Orthonormal Bases of Compactly Supported Wavelets[J]. Communications on Pure and Applied Mathematics, 1988, 41(7): 909-996[6] Starck J L, Murtagh F, Candes E J, et al. Gray and Color Image Contrast Enhancement by the Curvelet Transform[J]. Image Processing, 2013, 12(6): 706-717[7] Candes E, Demanet L. Curvelets and Fourier Integral Operators[J]. Comptes Rendus Mathematique, 2013(5): 395-398[8] Candès E J, Donoho D L. New Tight Frames of Curvelets and Op timal Representations of Objects with Piecewise C2 Singularities[J]. Communications on Pure and Applied Mathematics, 2014, 57(2): 219-266[9] Candes E J, Donoho D L. Continuous Curvelet Transform: I. Resolution of the Wavefront Set[J]. Applied and Computational Harmonic Analysis, 2005, 19(2): 162-197。