面向图像处理的独立分量分析方法

论文摘要

独立分量分析(Independent Component Analysis, ICA)是一种新近发展起来的信号处理技术,在许多领域有着广泛应用。论文围绕ICA算法及其在图像处理中的应用进行了深入系统的研究。在论述ICA基本方法的基础上,论文深入分析了广为应用的快速ICA算法(FastICA),提出一种改进算法。通过在下降方向增加一维搜索,减少了迭代次数,改善了算法的收敛性能。在ICA用于纹理图像分类的研究中,提出了一种基于独立子空间分析(Independent Subspace Analysis, ISA)和独立谱表述(Independent Spectral Representation, ISR)的纹理特征提取方法。所提供的特征滤波器与传统的滤波器相比,可以有效挑选出数量更少、分类性能更优的纹理特征。在ICA用于图像去噪的研究中,从变换和分离两个不同的技术建立了去噪算法。一、从变换的角度出发,提出了一种改进的ICA变换去噪算法,通过建立收缩补偿的概念和一种新的收缩函数,可以有效地避免软阈值收缩函数在去噪过程中造成的图像边缘特征损失。二、从分离的角度出发,将噪声图像作为源图像和噪声混合叠加而成的混合信号,尝试了全新的处理模式。据此,我们分别提出用重构相空间(RPS)和增加虚拟观测两个方法进行图像去噪,初步的实验结果是令人满意的。在ICA用于图像分离的研究中,结合脊波变换和复杂性寻踪,建立了两个混合图像分离算法。一、从脊波变换出发,提出了基于脊波变换的ICA混合图像盲分离算法。该算法保留了小波ICA的特点,同时由于脊波可以有效表述直线的特性,提高了具有明显线特征的混合图像的分离精度。该方法适用于源图像相互统计独立的混合图像分离。二、从复杂性寻踪出发,将图像分离过程表述为复杂性寻踪过程,提出一种基于复杂性寻踪的不动点迭代算法,成功分离了传统盲分离算法不能分离的非独立源混合图像。在ICA用于运动目标检测的研究中,在提出一种结合Infomax和FastICA的改进梯度学习算法基础上,形成了一个改进的运动目标检测算法。它可以精确检测出序列图像中的运动目标,具有较强的抗噪声性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.2 BSS 与ICA
• 1.3 课题研究现状
• 1.4 论文主要工作及成果
• 1.5 论文内容安排
• 第二章 独立分量分析方法
• 2.1 ICA 的起源和发展
• 2.2 ICA 的基本概念
• 2.2.1 数学模型
• 2.2.2 求解过程
• 2.2.3 求解结果的限制
• 2.2.4 信息源相互关系的信息度量
• 2.3 ICA 的一般求解过程
• 2.3.1 白化预处理
• 2.3.2 目标函数选择
• 2.3.3 学习算法选择
• 2.4 ICA 的典型算法
• 2.4.1 H-J 算法
• 2.4.2 最大熵算法
• 2.4.3 最小互信息算法和最大似然算法
• 2.4.4 FastICA 算法
• 2.4.5 非线性PCA 算法
• 2.5 FastICA 改进算法
• 2.5.1 基于负熵目标函数的FastICA 算法
• 2.5.2 改进的FastICA 学习算法
• 2.5.3 仿真实验
• 2.6 ICA 与传统统计方法的关系
• 2.7 本章小结
• 第三章 基于独立分量分析的纹理图像分类
• 3.1 引言
• 3.2 纹理图像分类概述
• 3.2.1 纹理的内涵
• 3.2.2 纹理分类方法回顾
• 3.3 用ICA 提取图像特征
• 3.3.1 图像的线性表示
• 3.3.2 用ICA 提取图像特征
• 3.4 基于ICA 的纹理分类方法
• 3.4.1 图像数据的独立子空间分析
• 3.4.2 纹理图像的独立谱表述
• 3.4.3 用于纹理分类的ISA 滤波器
• 3.4.4 实验结果及其评价
• 3.5 本章小结
• 第四章 基于独立分量分析的图像去噪
• 4.1 引言
• 4.2 图像去噪方法概述
• 4.2.1 噪声的分类和表示
• 4.2.2 现有图像去噪方法回顾
• 4.2.3 图像质量评价
• 4.3 基于ICA 变换的图像去噪
• 4.3.1 面向去噪的非高斯变量的最大似然估计
• 4.3.2 基于ICA 的去噪方法
• 4.3.3 改进的ICA 去噪算法
• 4.4 分离去噪方法
• 4.4.1 盲分离的基本概念
• 4.4.2 基于RPS 的图像盲分离去噪
• 4.4.3 基于虚拟观测的图像盲分离去噪
• 4.4.4 实验结果与讨论
• 4.5 本章小结
• 第五章 基于独立分量分析的图像盲分离
• 5.1 图像盲分离概述
• 5.1.1 图像混合方式
• 5.1.2 现有盲分离方法回顾
• 5.2 独立源混合图像分离方法
• 5.2.1 小波ICA
• 5.2.2 脊波ICA
• 5.2.3 实验结果及讨论
• 5.3 非独立源混合图像分离方法
• 5.3.1 研究思路的产生
• 5.3.2 复杂性寻踪
• 5.3.3 基于复杂性寻踪的不动点算法
• 5.3.4 算法的收敛性分析
• 5.3.5 非独立源混合图像分离实验
• 5.3.6 讨论
• 5.4 本章小结
• 第六章 基于独立分量分析的运动目标检测
• 6.1 运动目标检测概述
• 6.2 一种改进的ICA 学习算法及其在运动目标检测中的应用
• 6.2.1 ICA 的似然目标函数
• 6.2.2 典型ICA 学习算法
• 6.2.3 改进的ICA 梯度学习算法
• 6.2.4 运动目标检测实验
• 6.3 本章小结
• 结束语
• 致谢
• 参考文献
• 攻读博士期间取得的学术成果
• 攻读博士期间参与的科研项目