论文部分内容阅读
独立分量分析是信号处理技术的新发展，它作为盲信号分离的一种有效方法而受到广泛的关注。独立分量分析算法通过计算数据的高阶统计信息，可以从观测信号中估计出相互统计独立的、原始的、被未知因素混合的信号的估计信号。由于算法能够反映图像数据的高阶统计特征，在图像处理中得到成功的应用。本文对独立分量分析快速算法及其在图像处理方面的应用进行了深入研究，主要有以下几方面的工作： 研究了独立分量分析算法，特别是独立分量分析算法中的快速算法FastICA。在分析FastICA算法的核心迭代过程的基础上，提出了改进算法M-FastICA，改善了算法的收敛性能，减少算法的迭代次数。针对M-FastICA算法的收敛依赖于初始权值的问题，在算法过程中加入松弛因子，提出LM-FastICA算法，改善了算法对初始权值的依赖性。 对卫星多光谱遥感图像的成像机理进行分析，认为多波段遥感图像是独立地物的谱段信息的随机混合结果。应用独立分量分析算法对其进行分离，使每个独立分量尽量集中某些地物的信息，比主成分分析算法具有更好的可分离性，并得到了更好的分类结果。 应用M-FastICA算法提取Yale人脸库图像和CENPARMI手写体阿拉伯数字库的四个常用特征的独立分量特征用于识别，获得较主成分分析方法更好的效果，并且在保持与FastICA相同的识别率的前提下，具有更快的计算速度。 认为图像中的噪音和图像数据的信息是相互统计独立的，应用独立分量分析算法从无噪音的图像上获得统计信息，并将统计信息应用到包含噪音的图像上，将独立的噪声数据去除。相对于常规的噪音处理方法，独立分量分析算法对保留原图像的信息是较佳的。