基于独立成分分析的自适应混合图像分离方法技术

本发明专利技术涉及一种基于独立成分分析的自适应混合图像分离方法；首先对m幅混合图像按行方向拉伸为m个行向量，并去除均值，然后将这m个行向量组成一个矩阵，记为xm×n，使用非参数方法估计出混合图片矩阵中每个行向量所代表的随机变量的概率密度函数及其一、二阶导数；建立梯度型矩阵方程，并使用Newton方法从梯度型矩阵方程中求解出分离矩阵；当分离矩阵求得之后通过设定阈值作为判定准则，循环运算直至分离矩阵收敛为止；当分离矩阵B最终求得之后，可以直接获得最终的分离图像矩阵y=Bx；对该矩阵y的每个行向量重新组织成目标图像大小的矩阵即得到最终的分离图像。本发明专利技术方法不仅加快算法运行速度，而且能避免算法陷入局部最优。

【技术实现步骤摘要】

本专利技术涉及一种，属于图像分离

技术介绍
图像分离技术是指从多幅混合图像中分离出感兴趣的一幅或多幅图像，具有广泛的应用领域。目前，混合图像的分离均基于独立成分分析方法，采用最大化或最小化代价函数并使用数据的高阶统计量来估计分离矩阵，进而从混合图像中提取出有用的图像。然而，图像数据的统计特征十分丰富，高阶统计量无法完全描述，其次，通过最大化或最小化代价函数的方法会造成算法陷入局部最优而降低分离结果。经过对现有技术的文献检索发现，已有相关技术来提高分离精度，如中国专利申 请号为200610116700，名称为“图像独立分量分析的初始化方法”。但该方法使用小波方法对分离矩阵进行初始化，将其作为负熵判据的快速ICA方法(FastICA)的初始值，存在以下几个问题1.由于需要预先使用小波分解算法来得到初始分离矩阵，因而该方法计算量较大；2.由于FastICA算法在分离过程中不具有自适应特性，无法动态的对分离结果进行调整，因而算法易陷入局部最优。
技术实现思路
本专利技术公开了一种，直接对混合图像的概率密度函数进行自适应建模，从而提高模型精度，克服了传统的基于参数估计方法无法自适应修正参数模型的缺点；通过求解梯度方程来得到分离矩阵，避免了传统的基于最大化或最小化目标函数方法易于陷入局部最优；梯度方程的求解采用Newton迭代算法，具有二阶收敛性，因而分离矩阵能快速解出。本专利技术技术方案是这样实现的，其特点是直接对混合图像的概率密度函数进行自适应建模；通过求解梯度方程来得到分离矩阵，进而得到最终的分离图像；所述梯度方程的求解采用Newton迭代算法；具体分离步骤如下一、预处理部分对m幅混合图像按行方向拉伸为m个行向量，并去除均值，然后将这m个行向量组成一个mXn的矩阵,记为xmXn, η为每幅混合图像的像素个数；二、概率密度函数自适应建模使用非参数方法估计出混合图片矩阵中每个行向量所代表的随机变量的概率密度函数及其一、二阶导数，具体过程如下(I)概率密度函数估计方法对某个行向量所代表的随机变量X而言，使用非参数方法估计出其概率密度函数P(X)，为了保证其一、二阶导数的连续性，选用高斯核作为非参数估计子，将随机变量X的取值范围等分成L等分，得到X的值落在这L个区间中的直方图系数ki(i=l，...，L)，则最终X的概率密度函数估计如下权利要求1.，其特征在于直接对混合图像的概率密度函数进行自适应建模；通过求解梯度方程来得到分离矩阵，进而得到最终的分离图像；所述梯度方程的求解采用Newton迭代算法；具体分离步骤如下 一、预处理部分 对m幅混合图像按行方向拉伸为m个行向量，并去除均值，然后将这m个行向量组成一个mXn的矩阵,记为xmXn, η为每幅混合图像的像素个数； 二、概率密度函数自适应建模 使用非参数方法估计出混合图片矩阵中每个行向量所代表的随机变量的概率密度函数及其一、二阶导数，具体过程如下 (I )概率密度函数估计方法 对某个行向量所代表的随机变量X而言，可使用非参数方法估计出其概率密度函数P(X)，为了保证其一、二阶导数的连续性，选用高斯核作为非参数估计子，将随机变量X的取值范围等分成L等分，得到X的值落在这L个区间中的直方图系数ki(i=l，...，L)，则最终X的概率密度函数可以估计如下2.根据权利要求I所述的，其特征在于三(III)中所述的分离矩阵收敛，是通过手动设定一阈值作为判定准则，即当前后两次求得的分离矩阵之间的距离小于所设定的阈值即认为算法终止。全文摘要本专利技术涉及一种；首先对m幅混合图像按行方向拉伸为m个行向量，并去除均值，然后将这m个行向量组成一个矩阵，记为xm×n，使用非参数方法估计出混合图片矩阵中每个行向量所代表的随机变量的概率密度函数及其一、二阶导数；建立梯度型矩阵方程，并使用Newton方法从梯度型矩阵方程中求解出分离矩阵；当分离矩阵求得之后通过设定阈值作为判定准则，循环运算直至分离矩阵收敛为止；当分离矩阵B最终求得之后，可以直接获得最终的分离图像矩阵y=Bx；对该矩阵y的每个行向量重新组织成目标图像大小的矩阵即得到最终的分离图像。本专利技术方法不仅加快算法运行速度，而且能避免算法陷入局部最优。文档编号G06K9/62GK102867189SQ201210303489公开日2013年1月9日 申请日期2012年8月23日 优先权日2012年8月23日专利技术者薛云峰 申请人:上海第二工业大学本文档来自技高网...

【技术保护点】
基于独立成分分析的自适应混合图像分离方法，其特征在于：直接对混合图像的概率密度函数进行自适应建模；通过求解梯度方程来得到分离矩阵，进而得到最终的分离图像；所述梯度方程的求解采用Newton迭代算法；具体分离步骤如下：一、预处理部分对m幅混合图像按行方向拉伸为m个行向量，并去除均值，然后将这m个行向量组成一个m×n的矩阵，记为xm×n，n为每幅混合图像的像素个数；二、概率密度函数自适应建模使用非参数方法估计出混合图片矩阵中每个行向量所代表的随机变量的概率密度函数及其一、二阶导数，具体过程如下：（Ⅰ）概率密度函数估计方法对某个行向量所代表的随机变量x而言，可使用非参数方法估计出其概率密度函数p(x)，为了保证其一、二阶导数的连续性，选用高斯核作为非参数估计子，将随机变量x的取值范围[xmin，xmax]等分成L等分，得到x的值落在这L个区间中的直方图系数ki(i=1，...，L)，则最终x的概率密度函数可以估计如下：p(x)=Σi=1Lkiφ(x;μi,h)---(1)其中φ(x;μi，h)为下式定义的高斯核函数：φ(x;μi,h)=12πhexp(-(x-μi)22h2)---(2)其中μi为x的第i个等分区间的中点，h为高斯核函数的标准差，一般可以设置为1.06σN？1/5，式中N为随机变量x的采样点数，为x的标准差，式中μ=1NΣi=1Nxi,为x的均值。（Ⅱ）概率密度函数及其一、二阶导数估计方法由公式（1）可得到x的一阶与二阶导数的估计如下：dp(x)dx=-Σi=1Lkix-μih2φ(x;μi,h)d2p(x)dx2=Σi=1Lki(x-μi)2h4φ(x;μi,h)-Σi=1Lki1h2φ(x;μi,h)---(3)三、求解分离矩阵使用Newton方法从梯度型矩阵方程中求解出分离矩阵：（Ⅰ）梯度型矩阵方程的获取梯度型矩阵方程定义如下：F(B)=E{g(B)xT}BT+I=0？？？？？？？？？？？？(4)其中B为需要求解的分离矩阵，阶数为m×m，E为取期望运算，T表示对矩阵进行转置运算，I为单位矩阵，x为混合图像向量矩阵，即x=(x1，...，xm)，m为混合图像个数，g(B)定义如下：g(B)=(gx1(x1),...,gxm(xm))T---(5)其中gxi(xi)=ddxpxi(xi)pxi(xi)---(6)（Ⅱ）梯度型矩阵方程的求解梯度型矩阵方程的求解可以通过求解一个摄动矩阵δB，然后更新原始的分离矩阵B←B+δB，可通过如下的矩阵方程求解：Dg′XS+UXTV=G其中X=δB，Dg′是个m×m对角阵，其对角元素的具体形式为其中由公式（6）确定，S=CxBT，Cx为x的协方差矩阵，U=E{g(B)xT}，V=I，G=－F(B)；得到摄动矩阵δB之后就可更新分离矩阵B；（III）当分离矩阵求得之后返回步骤二继续进行计算，直至分离矩阵收敛为止；四、分离图像最终获取部分当分离矩阵B最终求得之后，可以直接获得最终的分离图像矩阵y=Bx；对该矩阵y的每 个行向量重新组织成目标图像大小的矩阵即得到最终的分离图像。FDA00002050471500013.jpg,FDA00002050471500025.jpg,FDA00002050471500026.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：薛云峰，
申请(专利权)人：上海第二工业大学，
类型：发明
国别省市：