论文部分内容阅读
独立成分分析(ICA)是信号处理技术的新发展,它以非高斯源信号为研究对象,在统计独立的假设下,对多路观测混合信号进行盲信号分离,作为盲信号分离的一种有效的方法受到广泛的关注,并在无线通讯、语音信号处理、生物医学信号提取、图像处理等方面获得了成功的应用。
本文首先回顾了独立成分分析问题的发展历史、研究现状和实际应用,并对独立成分分析的理论基础进行了简单描述,包括独立成分分析的定义和模型、基本假设、相关的数学理论基础等;介绍和推导了独立成分分析算法的几种典型代价函数和学习算法,并对信息理论框架下的几种代价函数作了统一。然后探讨了ICA在混合图像分离中的应用,总结了ICA算法运用在混合图像分离中的基本步骤,并通过仿真实验验证图像分离的效果良好;针对不同的ICA算法,使用基于Matlab的经典ICALAB软件包分别在相同混合矩阵,不同混合矩阵条件下对比了各算法在混合图像分离中的性能指标和迭代时间;对噪声情况下的独立成分分析进行了初步研究,对比了各算法在混有噪声的混合图像的分离中的性能。最终,通过仿真实验对比得出了SANG和FPICA算法是适用于混合图像分离的优秀算法。