《盲分离算法研究及其在图像处理中的应用》由会员分享，可在线阅读，更多相关《盲分离算法研究及其在图像处理中的应用（124页珍藏版）》请在金锄头文库上搜索。
1、上海交通大学 博士学位论文 盲分离算法研究及其在图像处理中的应用 姓名：胡英 申请学位级别：博士 专业：模式识别与智能系统 指导教师：杨杰 20030901 博 士 学 位 论 文 i 盲分离算法研究及其在图像处理中的应用 摘 要 盲分离技术是信号与信息处理领域中一个崭新的研究方向从 80 年代起的仅针对多源分离 问题到如今在图像语音生物信号模式识别的各个方面的应用盲分离技术吸引了众多领域 专家的关注目前该研究大致可以分为两类盲分离的基本理论和算法研究二盲分离的 应用研究本文在盲分离算法及其在图像处理中的应用做了很多积极地探索和研究归结起来 主要工作和创新有 第一 在归纳和总结了线性盲分离的基
2、本原理和相互之间联系的基础上 重点研究了常用的 三种盲分离算法的抗噪性能文章详细分析了三种常用算法在不同源信号分布不同噪声不 同噪声强度下的抗噪性能 得出了七条结论 这些结论弥补了现存文献上对高噪声背景下算法性 能分析的缺失另外这些结论还给在不同的实际场合中应选用何种盲分离算法提供了依据 第二为解决现存的盲分离算法抗噪能力弱的问题本文提出了利用几种成熟的去噪算法 如低通滤波中值滤波小波去噪等与盲分离算法相结合的方法文章分别考察了先对观测信 号进行预去噪处理 然后再进行盲分离 和先使用盲分离再应用去噪处理分离后的信号两种情况 试验证明 后一种策略能取得更好的效果 加入后去噪处理可使盲分离的最终结
3、果具有更高的信 噪比后一种方法被成功地应用于解决相同背景噪声下的盲分离问题 第三 提出了两种新的盲解卷积算法第一种是利用混合概率密度模型来估计源信号的边缘 概率密度与标准 ME 等算法相比新方法具有更广泛的应用范围更好的分离性能和更低的时 间复杂度另一种是根据非参数密度估计的思想利用窗函数进行密度估计其优点在于随机信 号的分布形式未知或分布不易写成显式函数的情况下 能利用观测信号值来估计概率分布 这两 种算法能广泛应用于任何分布的盲解卷积克服了现存许多算法不能分离不规则分布的问题 第四 提出了一类改进的非线性盲分离及盲卷积算法 本文首先在已有的一种非线性瞬时盲 分离混合模型和分离模型的基础上
4、提出利用概率统计中的窗函数估计法 自适应地估计源信号 的概率分布此改进的算法对各种分布的非线性混合信号都取得了较好的分离效果其次本文 还将非线性盲分离问题推广到非线性盲卷积问题相应地提出了两种有效的非线性盲解卷积算 法标准 ME 非线性解卷积算法和基于窗函数的非线性解卷积算法PWNDA其中 PWNDA 摘 要 ii 算法的分离效果较好它可以将实验信号提高约 10dB左右 第五 从特征提取的角度重新认识了盲分离技术 并分析了盲分离技术与主元分析的相互关 系盲分离提取独立成分的能力使得它也常被称为独立成分分析ICAICA 在特征提取方面 与主元分析PCA有着密切的联系本文较为全面地分析和整理了三种
5、 PCA 算法的解释并 在此基础上详细研究了 ICA 的特征提取原理以及与 PCA 的相互联系 第六探索了 ICA 特征提取方法在人脸图像中的应用一方面将 ICA 应用在校正线性变 形的人脸图像上取得了良好的效果另一方面将 ICA 应用在人脸识别上也是一种全新的方 法虽然 ICA 特征在识别率上不能优于 PCA但对于 ICA 在特征提取方面的特性仍可以得到了 一些有意义的结论人脸图像在 ICA 特征空间中分布较 PCA 更集中而且 ICA 特征使同一个人 脸类内分布更紧密这表明应用 ICA 提取特征在一定程度上很有效 第七提出了一种新的基于 FastICA 变换的图像压缩方法此方法同时还解决了
6、 ICA 所提 取的独立成分没有主次之分的问题该方法利用 FastICA 算法中的白化过程根据尽可能多地保 留原始数据信息的原则自行选择独立成分避免对独立成分排序拓展了 ICA 应用在特征提取 及数据降维等方面的理论基础仅从利用主元成分和利用独立成分的角度来看 在同样地压缩比 的条件下用 ICA 特征表征图像更有效 第八提出一种基于 ICA 变换的图像去噪方法该方法利用 ICA 变换可增强信号的非高斯 性的特点将信号在 ICA 域内进行阈值处理从而达到提高去噪能力的目的在理论上ICA 变换的基是利用数据自身的高阶统计特性求得的 它可以随着处理的对象不同而变化 较小波基 更适合表达数据试验表明本
7、文提出的方法能有效去除噪声其结果好于或相似于小波去噪的 结果 关键词盲信号处理特征提取独立成份分析主成分分析概率密度估计窗函数估计 人脸识别数据压缩图像处理 博 士 学 位 论 文 iii Research on Blind Source Separation and Its Application in Image Processing Abstract Blind source separation (BSS) is a new powerful signal and information processing method. In early 1980s, BSS technology
8、 was explored to separate the mixtures of source signals. However, nowadays, it has been extended in diverse fields such as communication, array processing, speech enhancement and image processing and biomedical science. In general, researches on BSS may be roughly divided into two directions. One i
9、s the basic theory and algorithm. The other is its application in information processing. This paper has addressed both of these two topics. The innovations and main works of the paper are listed as follow: 1. Studies on the different performances of three popular BSS approaches with noise by analyz
10、ing their basic theory and co-relations. Several conclusions have been drawn after comparing their de-noising performances on the noise of different distribution, type and intensity. These conclusions are helpful for choosing the BSS method while dealing with practical problems. 2. Proposes a strate
11、gy to improve the robustness of BSS where the mature de-noising methods, such as low -filter, med-filter, wavelet de-noising etc., are combined into the BSS methods. Two different situations have been discussed in this paper. In one case, we implemented BSS algorithms after pre-processing the noise.
12、 In another, we implemented the BSS algorithm at first and then de-noising. Test results show that the latter strategy is more preferable and obtains higher SNR, which shows good performance when solving the BSS problem with the same background noise as well. 3. Proposes two novel blind de-convoluti
13、on algorithms. The first one uses mixture probability density instead of nonlinear function to model the PDF of the sources. Compared with ME and other algorithm, the proposed algorithm has better performance, faster speed and wider applications. The second one uses Parzen window method to estimate
14、the PDF. Its advantage is that it can estimate the PDF by signal itself without knowing the distribution of the signal. Simulation results show that the two new algorithms can successfully separate sources from the convoluted mixtures of signals 摘 要 iv regardless of the distribution. 4. Proposes a n
15、ew adaptive nonlinear BSS algorithm for recent presented nonlinear instantaneous BSS model. The new algorithm can effectively separate the nonlinear mixtures using the Parzen window function method. By extending this idea, two new methods are presented to tackle the nonlinear blind de-convolution ca
16、se. They are ME nonlinear de-convolution and Parzen window function nonlinear de-convolution (PWNDA) respectively. The PWNDA method should be highlighted for its obtaining 10dB improvement on test signals 5. Reconsiders the BSS from the perspective of feature extraction and analyzes its relationship to Principle Component Analysis (PCA). BSS is also called independent component analysis (ICA) since it can extract independent components of observed data, which is superficially related to PCA.
