基于ICA的扫描图像去噪方法研究

论文摘要

独立分量分析(Independent Compont Analysis,简称ICA)是近二十年来针对盲信号分离问题发展起来的一种信号处理理论。它是一种统计方法,其目的是从由传感器收集到的混合信号中分离出相互独立的源信号,使得这些分离出来的信号之间尽可能独立。该方法在语音识别、通信和医学信号处理等信号处理方面有着广泛的应用,目前已经成为人工神经网络等研究领域中的一个研究热点。本文将ICA理论用来解决扫描图像的去噪问题。在扫描文档时,由于纸张质量的原因,导致正面的文字含有背面文字的信息,从而影响正常的阅读。在扫描图像的去噪问题中,背面文字的信息就是要处理的噪声。本文分别将含有噪声的正面和背面扫描的图像作为两个混合信号来进行处理,将不同的ICA算法—Infomax、FastICA和基于广义特征值的三种算法分别对两个混合信号进行分离,从而得到不含有噪声的扫描图像。对不同的ICA算法,初始权值和非线性函数等参数对实验结果都有不同的影响,本文通过对同一种算法分别改变初始权值、非线性函数等不同参数进行实验,并从分离效果、处理时间以及算法稳定性等方面对实验结果进行了比较和分析,从而得出针对本文的实际问题,各个算法的优缺点。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 盲信号分离技术国内外研究现状
• 1.3 盲源分离理论的应用现状
• 1.4 扫描图像去噪问题描述
• 1.5 本文的主要研究工作
• 2 常规去噪方法在扫描图像去噪问题中的应用
• 2.1 灰度最小方差的均值滤波器
• 2.1.1 灰度最小方差均值滤波原理
• 2.1.2 实验仿真
• 2.2 对称近邻均值滤波器
• 2.2.1 对称近邻均值滤波原理
• 2.2.2 实验仿真
• 2.3 本章小结
• 3 独立分量分析
• 3.1 统计分析理论
• 3.1.1 随机变量的一、二阶统计特性分析
• 3.1.2 随机变量的高阶统计特性分析
• 3.2 信息熵理论
• 3.2.1 熵
• 3.2.2 Kullback-Leibler散度
• 3.2.3 互信息
• 3.2.4 负熵
• 3.3 ICA的基本理论
• 3.3.1 ICA数学模型
• 3.3.2 ICA的限定条件
• 3.3.3 独立性测度
• 3.3.4 数据预处理
• 3.4 本章小结
• 4 Infomax算法在扫描图像去噪问题中的应用
• 4.1 自然梯度
• 4.1.1 标准梯度
• 4.1.2 自然梯度的性质
• 4.2 Infomax算法
• 4.2.1 Infomax算法原理
• 4.2.2 亚高斯概率分布的学习规则
• 4.3 实验仿真
• 4.3.1 Infomax算法仿真
• 4.3.2 扫描图像去噪实验及分析
• 4.4 本章小结
• 5 FastICA算法在扫描图像去噪问题中的应用
• 5.1 牛顿迭代法
• 5.2 FastICA算法
• 5.2.1 FastICA算法原理
• 5.2.2 目标函数的选择
• 5.2.3 单个信号的FastICA算法
• 5.2.4 多个信号的FastICA算法
• 5.3 实验仿真
• 5.3.1 FastICA算法仿真
• 5.3.2 扫描图像去噪实验及分析
• 5.4 本章小结
• 6 基于广义特征值的ICA算法在扫描图像去噪问题中的应用
• 6.1 广义特征值问题
• 6.2 基于广义特征值的ICA算法
• 6.2.1 提出目标函数
• 6.2.2 求解目标函数的最优解
• 6.3 实验仿真
• 6.3.1 算法仿真
• 6.3.2 扫描图像去噪实验及分析
• 6.4 本章小结
• 7 总结与展望
• 致谢
• 参考文献