專利名稱：一種基于頻域稀疏成分分析的盲圖像分離法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于盲源分離技術(shù)領(lǐng)域，具體涉及一種基于頻域稀疏成分分析的盲圖像分罔法。
背景技術(shù)：
盲源分離技術(shù)是信號(hào)處理領(lǐng)域的一個(gè)活躍分支。它是指在既不知道源信號(hào)的分 布，又不知道源信號(hào)的混合模型的情況下，僅利用一組已獲取的混合信號(hào)(由源信號(hào)混合 而成)，來(lái)恢復(fù)或提取源信號(hào)。盲源分離已被應(yīng)用在很多領(lǐng)域，如生物醫(yī)學(xué)圖像信號(hào)處理、語(yǔ) 音信號(hào)處理、圖像恢復(fù)和理解等(參考對(duì)比文件1)。圖像盲分離是盲源分離的一種，只不過(guò)參與盲分離的信號(hào)是圖像信號(hào)而已。一般 的盲源分離法都可用于圖像盲分離。目前已提出的盲源分離算法，如信息最大化(Informax)算法、互信息最小(MMI) 算法、最大似然(ML)算法等，都是建立在優(yōu)化目標(biāo)函數(shù)極值的基礎(chǔ)上，在優(yōu)化過(guò)程中需要 進(jìn)行大量的迭代，計(jì)算復(fù)雜度比較高(參考對(duì)比文件2)。應(yīng)用較為廣泛的獨(dú)立成分分析法 (Independent Component Analysis, ICA)進(jìn)行盲源分離的前提是源信號(hào)是非高斯分布且 相互獨(dú)立的，對(duì)于圖像信號(hào)這類亞高斯信號(hào)，分離得不是很徹底。因而，迫切需要一種新的 方法來(lái)解決圖像信號(hào)盲源分離問(wèn)題(參考對(duì)比文件3)。稀疏成分分析是近年來(lái)發(fā)展起來(lái)的一種新興的盲源分離技術(shù)，它利用信號(hào)的稀疏 特性提取源信號(hào)，取得了很好的分離效果(參考對(duì)比文件4)。實(shí)際應(yīng)用中，很多信號(hào)也都滿 足稀疏的特性，如語(yǔ)音信號(hào)、腦電信號(hào)等。然而，對(duì)于不滿足稀疏度條件的圖像信號(hào)，無(wú)法運(yùn) 用稀疏成分分析模型來(lái)分離(參考對(duì)比文件5)。本發(fā)明提出了頻域稀疏成分分析法，將圖像從空域轉(zhuǎn)化到頻域，結(jié)合頻域中高頻 部分稀疏的特性，提出線性聚類稀疏成分分析混合矩陣估計(jì)法用于估計(jì)混合矩陣，混合矩 陣估計(jì)出來(lái)后，再返回空域，利用線性聚類稀疏成分分析源信號(hào)估計(jì)法提取源信號(hào)。在忽略 源信號(hào)縮放的情況下，分離精度達(dá)到100%。對(duì)比文件1 徐先峰，馮大政.一種充分利用變量結(jié)構(gòu)的解卷積混合盲源分離新方 法·電子學(xué)報(bào).2009，(1) 112-131對(duì)比文件2 柴娟芳，司錫才，張?chǎng)┑?基于偽信噪比最大化的盲源分離算 法.系統(tǒng)工程與電子技術(shù).2008,30(12) =2385-2388對(duì)比文件3:姚伏天，金連甫，戴光.基于核獨(dú)立成分分析的盲源信號(hào)分離.計(jì) 算機(jī)工程與應(yīng)用· 2004，(6) :44-46 對(duì)比文件 4 :Υ· Li，S. Amari，A. Cichocki at el.. Underdetermined Blind Source Separation Based on SparseRepresentation. IEEE Transactions On Signal Processing. 2006,54(2) 423-437對(duì)比文 # 5 :P. G. Georgiev, F. J. Theis, A. Cichocki. Blind source separation and sparse component analysis ofovercomplete mixtures, in Proceedings of International Conference on Acoustics, Speech, and SignalProcessing(ICASSP2004). Montreal, Canada, 2004 :493_496

發(fā)明內(nèi)容
本發(fā)明針對(duì)目前已提出的盲源分離法分離結(jié)果不徹底，分離精度不高的缺陷，提 出了一種頻域稀疏成分分析的盲圖像分離法。結(jié)合圖像高頻部分稀疏的特性，對(duì)傳統(tǒng)稀疏 成分分析模型加以改進(jìn)，提出線性聚類的稀疏成分分析，并分兩步在不同的空間分別實(shí)現(xiàn) 對(duì)混合矩陣的估計(jì)和源信號(hào)矩陣的估計(jì)。首先在頻域中，利用線性聚類稀疏成分分析混合 矩陣估計(jì)法估計(jì)混合矩陣，再返回空域，利用線性聚類稀疏成分分析源信號(hào)估計(jì)法提取源 圖像。其中線性聚類的稀疏成分分析的特征在于對(duì)于稀疏度為m-1的完備集，混合信 號(hào)列向量沿著混合矩陣列向量方向線性聚類，聚類類別數(shù)即為混合矩陣列向量的個(gè)數(shù)。假
設(shè)j時(shí)刻源信號(hào)矩陣S中只有第i個(gè)源信號(hào)不為0，S卩Ift ”丨，.^jx(:，j) =S(i，
j)XA(，j)，X(:，j)與A(:，j)共線?？芍?，所有滿足S(i，j)興0的列與混合矩陣列 向量A(:，j)共線?；旌闲盘?hào)線性聚類中心的方向決定混合矩陣A列向量方向，混合矩陣 A的列數(shù)即為混合向量沿線性方向聚類的類別數(shù)。其中線性聚類的稀疏成分分析混合矩陣估計(jì)法的特征在于根據(jù)混合信號(hào)各列 向量間的夾角的余弦值是否為1的準(zhǔn)則將混合信號(hào)各列向量進(jìn)行聚類，所得聚類中心為 即為列混合矩陣。對(duì)于混合信號(hào)的任意兩個(gè)列向量x(:，i)禾PX(:，j)，設(shè)Λ=ΑΧν_)、 B = X(:,j) JiJ X ( ，i) e θ (k),X( , j) e θ (k)當(dāng)且僅當(dāng) X(:，i)和 X(:，j)共線，即
-- AB
eGS(A，5) = 一δ" =1。通過(guò)這種方法，將X矩陣的所有列向量聚類，如果某類別的聚類點(diǎn) AxB
個(gè)數(shù)小于閾值α (α表示每一類別列向量的最少個(gè)數(shù))，將該類別剔除。對(duì)每一類θ (k)k
χ +χ +... + χ
=1，2…m，假設(shè)其包括Ck個(gè)元素^^ χ，其聚類中心向量Mi=^-^。
C1 'C2Ck 1^fc
通過(guò)這種方法計(jì)算出的聚類中心向量的方向就是混合矩陣的列向量方向，在允許源信號(hào)縮 放的情況下有混混合矩陣A = M0其中線性聚類的稀疏成分分析源信號(hào)估計(jì)法的特征是根據(jù)混合信號(hào)列向量與 混合矩陣各列的共線與否來(lái)選擇參與計(jì)算的混合矩陣列數(shù)。對(duì)于混合信號(hào)矩陣的每一列 Χ(，j) (j = 1，2…Τ)，遍歷混合矩陣的每一列A(:，i) (i = 1,2,…，11)，如果父(，j)
與 A(:，i)共線，即 X(:，j) = λΑ(:，i)，則,,.，如果找不到與
Χ(，j)共線的 A(:，i)(i = 1,2,…，n)，則S(:，j) =A_1XX(:，j)。其中在頻域中利用線性聚類的稀疏成分分析混合矩陣估計(jì)法估計(jì)混合矩陣的特 征在于混合矩陣A的計(jì)算不是在混合圖像所在的空域，而是先將混合圖像經(jīng)過(guò)一定的變 換后，得到它們的頻譜函數(shù)統(tǒng)計(jì)特征。在該頻率空間中利用線性聚類的稀疏成分分析混合 矩陣估計(jì)法估計(jì)混合矩陣。
其中返回空域，利用線性聚類的稀疏成分分析源信號(hào)估計(jì)法提取源圖像的特征 是源圖像的提取不是在變換后的頻域空間，而是在原始的空域。即利用線性聚類的稀疏成 分分析源信號(hào)估計(jì)法提取源圖像時(shí)用到的混合圖像信號(hào)是原始的空域中的圖像信號(hào)。


圖1是從網(wǎng)上下載的圖像處理中常用到的經(jīng)典圖像=Iena圖像和cameraman圖像。圖2是線性混合后的混合圖像。圖3是混合圖像從空域轉(zhuǎn)化到頻域后的圖像。圖4是頻域稀疏成分分析(本發(fā)明提出的方法)分離結(jié)果。圖5是FAST-ICA(經(jīng)典的盲源分離法)分離結(jié)果。圖6是本發(fā)明提出的方法和FAST-ICA法分離結(jié)果相關(guān)系數(shù)分析結(jié)果對(duì)比。圖7是本發(fā)明的整體流程圖。
具體實(shí)施例方式本發(fā)明提出的一種基于頻域稀疏成分分析的盲圖像分離法，具體步驟如下為了 能用稀疏成分分析模型進(jìn)行盲圖像分離，首先對(duì)各混合圖像進(jìn)行頻域變換，在頻域中利用 線性聚類的稀疏成分分析混合矩陣估計(jì)法估計(jì)混合矩陣，混合矩陣求解出來(lái)后，再返回空 域，利用線性聚類稀疏成分分析源信號(hào)估計(jì)法提取源圖像。上述方法中，所述“對(duì)各混合圖像進(jìn)行頻域變換”如下—般的圖像信號(hào)，都不具備稀疏性。為了能運(yùn)用稀疏成分分析模型進(jìn)行分離，首要 步驟就是進(jìn)行稀疏化，將混合圖像從空域空間，變換到頻域空間。上文中，稀疏化方法可以用小波變換法來(lái)求解。上述方法中，所述“在頻域中利用線性聚類的稀疏成分分析混合矩陣估計(jì)法估計(jì) 混合矩陣”如下混合圖像由空域變換到頻域后，高頻部分就滿足稀疏成分分析模型所要求的稀疏 度條件。結(jié)合在稀疏度為m-1的完備集中，混合信號(hào)列向量沿著混合矩陣列向量方向線性 聚類的特點(diǎn)。利用線性聚類的稀疏成分分析混合矩陣估計(jì)法在頻域空間中估計(jì)出混合矩陣 A0上文中，利用線性聚類稀疏成分分析混合矩陣估計(jì)法估計(jì)混合矩陣可以用以下流 程來(lái)求解1)方向統(tǒng)一化對(duì)于頻域混合信號(hào)矩陣的每一列X( ，j) (j = 1，2"4)，如果父(1，j) < 0，則χ ( :，j) = -χ ( :，j)，并記錄該列的下標(biāo)j。2)去零列對(duì)于混合信號(hào)矩陣的每一列X(:，j) (j = 1，2…T)，依次剔除所有I |Χ(:，j) 111 =0的列，得到新的混合矩陣X'，保存各零列的下標(biāo)號(hào)j。3)線性聚類對(duì)于混合信號(hào)的任意兩個(gè)列向量X' (，i)和X' (，j)，設(shè)Α=ζ_(:,ο、如果
則向量X' (:，i)和向量X' (:，j)共線，將
X' (:，i)、x' (:，j)歸為一類。X' ( , i) e θ (k), X' (:，j) e θ (k)當(dāng)且僅當(dāng) X' ( ，i)和X' (，j)共線。通過(guò)這種方法，將X'矩陣的所有列向量聚類。如果某類 別的聚類點(diǎn)個(gè)數(shù)小于閾值α (α表示每一類別列向量的最少個(gè)數(shù))，則直接將該類別剔除。4)計(jì)算聚類中心對(duì)每一類θ (k)k = 1，2···πι，假設(shè)其包括Ck個(gè)元素叉'C2,···, j’Ci，其聚類中心
向量 5)估計(jì)混合矩陣A 通過(guò)上述方法計(jì)算出的聚類的類別數(shù)即為混合矩陣的列數(shù)，各類聚類中心所在的 方向即為混合矩陣列向量所在的方向。在允許源信號(hào)縮放的情況下有混合矩陣A = M ；上述方法中，所述“再返回空域，利用線性聚類稀疏成分分析源信號(hào)估計(jì)法提取源 圖像”如下在頻域中將混合矩陣A估計(jì)出來(lái)后，再返回到原來(lái)的混合圖像所在的空域空間， 利用已知空域混合圖像信號(hào)X，通過(guò)線性聚類稀疏成分分析源信號(hào)估計(jì)法提取源圖像。上文中，利用線性聚類稀疏成分分析源信號(hào)估計(jì)法提取源圖像可以用以下流程來(lái) 完成1)對(duì)于空域混合信號(hào)矩陣的每一列Χ( ，j) (j = 1，2…Τ)，遍歷混合矩陣的每一 列 Α( ，i) (i = 1,2,…，n)，如果 X( ，j)與 A(:，i)共線，即 X( ，j) = λΑ(:，i)，則 「S(i，j) = 1
c〃 .、μ ,.，如果找不到與Χ(:，j)共線的Α(:，i)(i = 1，2，…，η)，則S( , j) = Α_1ΧΧ( , j)2)插入零列通過(guò)上文中混合矩陣估計(jì)法中去零列步驟保存的各零列的下標(biāo)號(hào)， 在源矩陣S相應(yīng)位置插入零向量；3)還原方向通過(guò)上文中混合矩陣估計(jì)法中方向統(tǒng)一化步驟記錄的進(jìn)行了翻轉(zhuǎn) 操作的列下標(biāo)號(hào)，將源矩陣S相應(yīng)的列向量進(jìn)行翻轉(zhuǎn)操作，將方向還原。本發(fā)明具體步驟如下1)利用小波變換等稀疏化方法對(duì)混合圖像進(jìn)行頻域變換。2)用本發(fā)明中提到的新的盲圖像分離法一種基于頻域稀疏成分分析的盲圖像 分離法進(jìn)行分解，分解過(guò)程如下a)在頻域中，按本發(fā)明所述的線性聚類稀疏成分分析混合矩陣估計(jì)法估計(jì)混合矩 陣；b)在空域中，利用已知的混合圖像信號(hào)和已在頻域中估計(jì)出的混合矩陣，按本發(fā) 明所述的線性聚類稀疏成分分析源信號(hào)估計(jì)法提取源圖像。仿真結(jié)果采用從網(wǎng)上下載的數(shù)字圖像處理中經(jīng)典圖像Iena圖像和cameraman圖像做分離試驗(yàn)。實(shí)驗(yàn)中，兩幅混合圖像的大小均為512*512 (如圖2)。利用小波變換稀疏化方法將混合圖像進(jìn)行頻域變換，變換后的混合圖像如圖3所 示意。對(duì)從左往右、從上往下共8個(gè)小圖進(jìn)行編號(hào)分別為I到VIII，I為混合圖像1的低頻 分量，II為混合圖像1的水平分量，III為混合圖像2的低頻分量，IV為混合圖像2的水平 分量，V為混合圖像1的垂直分量，VI為混合圖像1的對(duì)角分量，VII為混合圖像2的垂直 分量，VIII為混合圖像2的對(duì)角分量。利用頻域稀疏成分分析法(本發(fā)明提出的方法)進(jìn)行分離，分離結(jié)果如圖4所示。 經(jīng)典FAST-ICA法分離結(jié)果如圖5所示。原始圖像如圖1所示。由圖1、圖4、圖5可以看出， 本發(fā)明中提出的方法可以準(zhǔn)確地將原始圖像分離出來(lái)，而經(jīng)典FAST-ICA法分離出的結(jié)果2 與原圖有較大偏差。利用相關(guān)系數(shù)來(lái)衡量分離精度 相關(guān)系數(shù)是變量之間相關(guān)程度的指標(biāo)，ι r I越大表示相關(guān)程度越高。r > 0表示正 相關(guān)，r < 0表示負(fù)相關(guān)，r = 1表示兩變量完全線性相關(guān)，r = -l表示完全負(fù)相關(guān)。利用相關(guān)稀疏分別對(duì)頻域稀疏成分分析法分離結(jié)果與原圖、經(jīng)典FAST-ICA法分 離結(jié)果與原圖像進(jìn)行相關(guān)系數(shù)分析，分析結(jié)果見(jiàn)圖6。從圖6中可以看出本發(fā)明提出的方法(頻域稀疏成分分析法)分離出的結(jié)果1 對(duì)應(yīng)著原始圖像2 (cameraman圖像)，分離出的結(jié)果2對(duì)應(yīng)著原始圖像1 (Iena圖像)，本 發(fā)明提出的方法可以準(zhǔn)確無(wú)誤地將原圖像提取出來(lái)，這點(diǎn)從圖4中也可以觀察出來(lái)；對(duì)于 FAST-ICA法，其分離結(jié)果2與原始圖像1的相關(guān)系數(shù)為0. 9754，表明其基本將原圖像1提 取出來(lái)了，但是仍然存在部分誤差，F(xiàn)AST-ICA結(jié)果1與原始圖像2的相關(guān)系數(shù)為-0. 9992， 表明這兩者存在較強(qiáng)的負(fù)相關(guān)，說(shuō)明FAST-ICA結(jié)果1是原圖像的反相圖像，這點(diǎn)從圖5中 也可以觀察出來(lái)。目視及定量分析結(jié)果都表明本發(fā)明提出的方法分離效果更好，分離精度更高。本發(fā)明提出的方法不限于具體實(shí)施方式
中所述的實(shí)施例，本領(lǐng)域技術(shù)人員根據(jù)本 發(fā)明的技術(shù)方案得出其他的實(shí)施例，只要是通過(guò)頻域稀疏成分分析法來(lái)實(shí)現(xiàn)盲圖像分離 的，包括實(shí)現(xiàn)相應(yīng)功能的裝置，也應(yīng)當(dāng)同樣屬于本發(fā)明的創(chuàng)新范圍。
權(quán)利要求
一種基于頻域稀疏成分分析的盲圖像分離法，其特征在于在頻域中利用線性聚類的稀疏成分分析混合矩陣估計(jì)法估計(jì)混合矩陣，混合矩陣估計(jì)出來(lái)后，再返回空域，利用線性聚類的稀疏成分分析源信號(hào)估計(jì)法提取源圖像。
2.如權(quán)利要求1所述的一種基于頻域稀疏成分分析的盲圖像分離法，其中線性聚類的 稀疏成分分析的特征在于對(duì)于稀疏度為m-1的完備集，混合信號(hào)列向量沿著混合矩陣列 向量方向線性聚類，聚類類別數(shù)即為混合矩陣列向量的個(gè)數(shù)。假設(shè)j時(shí)刻源信號(hào)矩陣S中只有第 i 個(gè)源信號(hào)不為0 與A(:，j)共線?？芍?，所有滿足S(i，j)興0的列與混合矩陣列向量A(:，j)共線?；?合信號(hào)線性聚類中心的方向決定混合矩陣A列向量方向，混合矩陣A的列數(shù)即為混合向量 沿線性方向聚類的類別數(shù)。
3.如權(quán)利要求1所述的一種基于頻域稀疏成分分析的盲圖像分離法，其中線性聚類的 稀疏成分分析混合矩陣估計(jì)法的特征在于根據(jù)混合信號(hào)各列向量間的夾角的余弦值是否 為1的準(zhǔn)則將混合信號(hào)各列向量進(jìn)行線性聚類，所得聚類中心為即為列混合矩陣。對(duì)于混 合信號(hào)的任意兩個(gè)列向量X ( ，i)和X (，j)，設(shè)A=Z(:, 0 ^B = X(:, y),則X (，i) e θ (k)，X( , j) e θ (k)當(dāng)且僅當(dāng) X(:，i)和 X(:，j)共線，即 通過(guò)這種方法，將X矩陣的所有列向量聚類，如果某類別的聚類點(diǎn)個(gè)數(shù)小于閾值α (α表示每一類 別列向量的最少個(gè)數(shù))，將該類別剔除。對(duì)每一類θ (k)k= 1，2…m，假設(shè)其包括Ck個(gè)元素y γ y其聚類中心向量 通過(guò)這種方法計(jì)算出的聚類中心 向量的方向就是混合矩陣的列向量方向，在允許源信號(hào)縮放的情況下有混合矩陣A = M。
4.如權(quán)利要求1所述的一種基于頻域稀疏成分分析的盲圖像分離法，其中線性聚類的 稀疏成分分析源信號(hào)估計(jì)法的特征是根據(jù)混合信號(hào)列向量與混合矩陣各列的共線與否來(lái) 選擇參與計(jì)算的混合矩陣列數(shù)。對(duì)于混合信號(hào)矩陣的每一列X( ，j) (j = 1，2…T)，遍歷 混合矩陣的每一列Α(:，i)(i = l，2，…，n)，如果X(:，j)與A(:，i)共線，即X(:，j)=λΑ(:，i)，則 如果找不到與 X(:，j)共線的 A(:，i)(i = [S(k,j) = O k = 1,2···η,κ Φ ι 則S( , j) = A1*X( ，j)。
5.如權(quán)利要求1所述的一種基于頻域稀疏成分分析的盲圖像分離法，其中在頻域中利 用線性聚類的稀疏成分分析混合矩陣估計(jì)法估計(jì)混合矩陣的特征在于混合矩陣A的計(jì)算 不是在混合圖像所在的空域，而是先將混合圖像經(jīng)過(guò)一定的變換后，得到它們的頻譜函數(shù) 統(tǒng)計(jì)特征。在該頻率空間中利用線性聚類的稀疏成分分析混合矩陣估計(jì)法估計(jì)混合矩陣。
6.如權(quán)利要求1所述的一種基于頻域稀疏成分分析的盲圖像分離法，其中返回空域， 利用線性聚類的稀疏成分分析源信號(hào)估計(jì)法提取源圖像的特征是源圖像的提取不是在變 換后的頻域空間，而是在原始的空域。即利用線性聚類的稀疏成分分析源信號(hào)估計(jì)法提取 源圖像時(shí)用到的混合圖像信號(hào)是原始的空域中的圖像信號(hào)。
全文摘要
本發(fā)明為一種基于頻域稀疏成分分析的盲圖像分離法。目前已提出的盲源分離算法中分離效果較好的獨(dú)立成分分析法進(jìn)行盲源分離的前提是源信號(hào)是非高斯分布且相互獨(dú)立的，對(duì)于圖像信號(hào)這類亞高斯信號(hào)，分離得不是很徹底。稀疏成分分析是近年來(lái)發(fā)展起來(lái)的一種新興的盲源分離技術(shù)，它利用信號(hào)的稀疏特性提取源信號(hào)，取得了很好的分離效果。對(duì)于不滿足稀疏度條件的圖像信號(hào)，無(wú)法運(yùn)用傳統(tǒng)稀疏成分分析模型來(lái)分離。本發(fā)明結(jié)合圖像在頻域空間稀疏的特性，利用小波變換等稀疏化算法將圖像從空域轉(zhuǎn)化到頻域，在頻域引入稀疏成分分析模型，提出基于線性聚類稀疏成分分析的混合矩陣估計(jì)法和源信號(hào)估計(jì)法，進(jìn)而提取源圖像。試驗(yàn)證明本發(fā)明方法分離精度可達(dá)100％，優(yōu)于其它分離方法。
文檔編號(hào)G06K9/62GK101908148SQ20091014398
公開(kāi)日2010年12月8日 申請(qǐng)日期2009年6月5日 優(yōu)先權(quán)日2009年6月5日
發(fā)明者余先川, 曹婷婷, 胡丹 申請(qǐng)人:北京師范大學(xué)