一种基于解析稀疏表示的图像盲分离方法技术

一种基于解析稀疏表示的图像盲分离方法，首先利用图像信号的解析稀疏先验，采用子集追踪算法，通过学习得到源图像的解析字典；然后利用Bregman距离作为目标函数，采用分裂Bregman算法进行恢复源信号；再利用最小二乘法来估计混合系统，循环进行以上三个步骤得到最终源图像。本发明专利技术为学习字典提供了比较快速有效的方法；将分裂Bregman算法应用于源信号的恢复中，加快了算法的迭代速度；通过对解析字典、源信号和混合矩阵的迭代估计过程，得到最优的分离结果，这个迭代过程提高了分离的有效性。在无线电通信、雷达与声纳信号处理、医学图像分析、图像信号处理以及语音识别等领域均有广泛的应用。

【技术实现步骤摘要】

本专利技术属于图像处理
涉及一种图像盲分离方法。
技术介绍
在实际生活，我们得到的信号往往是多个信号的混合物，为了有效的提取信号中 的信息，对这些混合物进行分离是很有必要的。盲分离是指在源信号及其混合方式未知的 情况下，仅仅利用观测信号来恢复出源信号的过程。盲分离问题可以用以下模型来描述： Y = AX+V (1) 上式的含义是η维源信号X= e RnXN通过mXn维混合矩阵A 混合，再叠加噪声VeRmXN得到m维混合信号γ= [yi，y2，...，yJ eRmXN。近年来信号 盲分离已经取得了很多的研究成果，提出了很多算法来解决源信号的恢复问题，如独立 分量分析（Independent Component Analysis, ICA)，稀疏分量分析（Sparse Component Analysis, SCA)和非负矩阵分解（Nonnegative Matrix Factorization, NMF)等方法。 稀疏分量分析方法的先验知识通常是源信号的稀疏性。而现实生活中的信号大多 不是稀疏，因此对信号的稀疏表示是很有必要的。信号的稀疏表示大多采用综合稀疏模型 (Synthesis Sparse Model)，即在满足一定的近似条件下，用少量过完备字典中的原子的 线性组合来表示信号。在综合稀疏模型中，信号由少数原子构成的子空间来表示，使得信号 稀疏表示受个别原子影响较大。解析稀疏模型（Analysis Sparse Model)克服了综合稀疏 模型稀疏表示性能较差的缺点。假设输入信号X e Rk，解析字典为Ω e RpXk，也称之为解 析算子（Analysis Operator)，与综合字典不同，其行向量ω/为解析字典的原子（（·）1'表 示转置运算）。Ω -般也是过完备字典，但与综合字典不同，它的行数大于列数，即p > k。 信号X的解析稀疏模型定义为 1: = p_ | | Ω X | |。 (2) 上式中Ωχ为X的解析稀疏表示系数，1为共稀疏度，它是向量Ωχ中零的个数， 也就是Ω中与X正交的原子的个数，其数值越大，解析稀疏表示系数就越稀疏。在解析稀 疏模型中信号用所有与之正交的原子构成的子集来表示，所以信号稀疏表示受个别原子影 响小，具有较好的稀疏表示性能，能很好地应用于源信号的恢复问题。然而目前大多数方法 采用计算量很大的贪婪类追踪算法来估计源信号，很显然这些方法并不是最优的。
技术实现思路
本专利技术的目的在于针对现有盲分离方法存在的不足，提出了一种基于解析稀疏表 示的图像盲分离方法，该方法分别利用子集追踪、分裂Bregman算法和最小二乘法学习解 析字典、恢复源信号和估计混合系统，实现混合图像的盲分离。 为了达到上述目的，本专利技术采用下述技术方案。 -种基于解析稀疏表示的图像盲分离方法，其特征在于首先利用图像信号的解析 稀疏先验，采用子集追踪算法，通过学习得到源图像的解析字典，然后利用Bregman距离作 为目标函数，采用分裂Bregman算法进行恢复源信号，再利用最小二乘法来估计混合系统， 循环进行以上三个步骤得到最终源图像。 上述图像分离方法的具体步骤如下： ①根据已知的混合图像Y= 中重叠抽取出K 个#xW大小的图像块，将这些图像块按列排列得到训练数据矩阵尸L.，》。 ②对\利用子集追踪算法训练得到解析字典Ω ]ε RpXd。 ③先定义第j个源信号的第i个图像块&的剩余量，其中， 为混合图像的图像块形式： 为源图像的 图像块形式。 采用分裂Bregman算法恢复源图像，该算法的优化函数为： 其中心为源图像的估计，2]1为&的解析稀疏表示，λ和μ为可调节的系数。 ④将第③步得到的所有％按列顺序存储可得到?;?，然后将& 中每列排列 为乂7X 大小的图像块，则恢复图像X]由这些图像块拼接而成。 ⑤利用这个拼接得到的源图像X]，用最小二乘法求解混合矩阵的第j列a、首 先定义第j个源图像\的剩余量Μ古计混合矩阵的目标函数是 本专利技术方法与现有技术相比较，具有如下显著的特点和优点： 本专利技术提供的基于解析稀疏的图像盲分离方法是首先利用图像信号的解析稀疏 先验，采用子集追踪算法，通过学习得到源图像的解析字典，然后利用Bregman距离作为目 标函数，采用分裂Bregman算法恢复源信号，再利用最小二乘法来估计混合系统，实现混合 图像的盲分离。具体特点和优点为： (1)针对现有的基于稀疏表示的图像盲分离算法大多采用综合稀疏表示这一情 况，提出了基于解析稀疏表示的混合图像盲分离算法。 (2)对于学习字典存在的不足，将子集追踪应用到解析字典学习中，为学习字典提 供了比较快速有效的方法。 (3)对现有解析稀疏方法中采用的计算量大的贪婪类追踪算法的不足，将分裂 Bregman算法应用于源信号的恢复中，加快了算法的迭代速度。 (4)通过对解析字典、源信号和混合矩阵的迭代估计过程，得到最优的分离结果， 这个迭代过程提高了分离的有效性。 本专利技术提供的基于解析稀疏表示的图像盲分离方法能提高分离信号的质量。在无 线电通信、雷达与声纳信号处理、医学图像分析、图像信号处理以及语音识别等领域均有广 泛的应用。【附图说明】 图1为在适定情况下本专利技术和FastICA方法以及基于综合稀疏表示的图像 盲分离方法的分离结果的比较。其中，（a)为本专利技术（Analysis-based)的恢复源信 号，（b)为FastICA方法的恢复源信号，（c)为基于综合稀疏表示的图像盲分离方法 (Synthesis-based)的恢复源信号。 图2为过定情况下分别利用本专利技术和基于综合稀疏表示的图像盲分离方法得到 的恢复源信号。其中，左起第一和第二幅图为本专利技术的恢复源信号，第三和第四幅图为基于 综合稀疏表示的图像盲分离的恢复源信号。σ表示的是添加噪声的标准差，其中（a)为〇=〇，（b)为 〇 = 5，（c)为 0 = 10，（d)为 0 = 15。【具体实施方式】 本专利技术将通过以下实施例作进一步说明。 本专利技术方法首先利用图像信号的解析稀疏先验，采用子集追踪算法，通过学习得 到源图像的解析字典，然后利用Bregman距离作为目标函数，采用分裂Bregman算法恢复源 信号，再利用最小二乘法来估计混合系统，通过对以上三个步骤的迭代求解过程，得到最终 的分离源图像，达到盲分离的目的。 具体步骤为： ①从由混合图像估计得到的源图像中重叠抽取出K个忍x#大小的图像块，将 各图像块按列排列得到训练数据矩阵 ②对&利用子集追踪算法训练得到解析字典Ω , e R pXd。 ③采用分裂Bregman算法估计源图像，该算法的优化函数为： 其中是第j个源图像的第i个图像块％的剩余量，％为源图 像的估计，2]1为的解析稀疏表示，λ为可调节的系数。 ④将第③步得到的所有1^按列顺序存储可得到\ 。 ⑤将$中每列排列为vQv W大小的图像块，估计源图像由这些图像块拼接而 成，重叠的区域由平均得到。 ⑥利用这个拼接得到的源图像X]，用最小二乘法求解混合矩阵的第j列a、首 先定义第j个源图像\的剩余量°估计混合矩阵的目标函数 为： ⑦对以上的②③④⑤⑥步骤循环迭代，得到最优的分离源图像。 为评价盲分离方法的性能，采用本文档来自技高网...

【技术保护点】
一种基于解析稀疏表示的图像盲分离方法，其特征是首先利用图像信号的解析稀疏先验，采用子集追踪算法，通过学习得到源图像的解析字典；然后利用Bregman距离作为目标函数，采用分裂Bregman算法进行恢复源信号；再利用最小二乘法来估计混合系统，循环进行以上三个步骤得到最终源图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：张烨，方婉婷，徐标，张文全，
申请(专利权)人：南昌大学，
类型：发明
国别省市：江西;36