专利名称：图像独立分量分析的初始化方法
技术领域：
本发明涉及一种图像降噪方法，特别是一种图像独立分量分析的初始化方法。在军事领域或非军事领域的图像信号处理中均有着重要的应用潜力。
背景技术：
通常，图像在其获取或传输过程中都会受到其他信号的污染，为了后续的进一步处理，很有必要进行分离处理。图像分离的目的就是尽可能地提取接收信号中的各个独立信号分量，以提高图像的质量。目前，图像降噪方法主要分为传统的滤波方法和盲源分离方法，其中以盲源分离方法最具代表性。
盲源分离方法是在信源S和信号传输特征均未知的情况下，仅仅通过接收到的混合信号X来进行这些相互独立的源信号的分离。现今，主要的盲源分离方法主要有基于高阶统计量的独立分量分析方法(ICA)、基于随机梯度下降的最大熵方法(Infomax)、自然梯度学习方法(NGA)和采用负熵判据的快速ICA方法(FastICA)，即定点方法(Fixed-point)。
在ICA算法中随机的选取变量(例如FastICA算法中的混合矩阵)的初值可能导致算法在收敛时候陷入局部最小和迭代次数增大，从而导致整个算法的分离精度降低、降低算法的收敛速度，影响算法的实时性。以最具有代表性的FastICA算法，也不可避免地受到初始化问题的制约。算法中混合矩阵的初始化将在很大程度上决定算法的性能。
发明内容
本发明的目的在于针对现有独立分量分析方法的初值问题，提出了一种图像独立分量分析的初始化方法，通过估计的混合矩阵来初始化FastICA算法，提高独立分量分析方法的收敛速度和分离精度。
为了达到上述目的，本发明采用下述技术方案一种图像独立分量分析的初始化方法，其特征在于首先对接收到的混合信号进行小波稀疏分解，然后选取稀疏性最好的分解系数组，并在其星图中通过聚类方法寻求聚轴来估计混合矩阵；最后，采用这一混合矩阵的估计值对FastICA算法进行初始化，从而能避免独立分量分析方法收敛时陷入局部最小，加快算法收敛，同时使独立分量分析方法的分离精度提高，取得理想的图像分离效果。
上述独立分量分析的初始化方法的具体步骤如下①初始化最大分解层数NL；②采用小波变换，对接收到的信号X(t)＝[x1(t)，x2(t)，L，xM(t)]T进行稀疏分解，得到xiTL(i＝1，...，M)和xiTH(k，d)(i＝1，...，M，k＝1，...，NL，d＝1，L，3)，M为接收信号个数；③在分解后的所有高频系数组xiTH(k，d)(i＝1，...，M，k＝1，...，NL，d＝1，L，3)，中，采用混合矩阵估计方法估计混合矩阵Ainit；④利用估计出来的混合矩阵Ainit，初始化FastICA算法。
上述混合矩阵Ainit采用混合矩阵估计方法估计的估计步骤为(a)令k＝0，d＝0；(b)k＝k+1；(c)d＝d+1；(d)令高频系数组Zk,d=[x1TH(k,d),x2TH(k,d),L,xMTH(k,d)]T;]]>(e)去除信号中较小的系数分量，以消除噪声的影响；(f)将所有的数据点投影到单位球面上，即Zk，l＝Zk，d/‖Zk，d‖；(g)将所有的信号点移到正半球面如果数据点的第一个坐标zk,d1<0,Zk,d=-Zk,d;]]>否则，Zk，d＝Zk，d；(h)通过聚类算法来确定聚轴和聚轴中心，聚轴中心坐标以列方式组成的矩阵记为Ak，d；(i)计算所有数据点到离自身最近聚轴的距离和Dk，d，并以此来衡量稀疏性，Dk，d越小，越稀疏，其星图中的聚轴就越清晰；(j)如果d≠3时，转到步骤(c)；否则，将d置0后，继续下一步；(k)如果K≠NL时，转到步骤(b)；否则，继续下一步；(l)寻求Dk，d的最小值，令(ksel,dsel)=argmink,d(Dk,d);]]>(m)因此，求得混合矩阵的估计值Ainit＝AKsel。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点本发明提供的独立分量分析的初始化方法是首先对接收到的混合信号进行小波稀疏分解，然后选取稀疏性最好的分解系数组，并在其星图中通过聚类方法寻求聚轴来估计混合矩阵；最后，采用这一混合矩阵的估计值对FastICA算法进行初始化，提高独立分量分析方法的收敛速度和分离精度。
具体特点和优点为(1)针对现有独立分量分析方法的初值问题，提出了一种初始化方法。
(2)将接收到的信号利用小波变换进行稀疏分解，在稀疏的条件下寻求混合矩阵的估计值Ainit，以提高图像盲源的分离精度，提高分离图像的效果。
(4)根据子图像组的星图分布和聚类方法来进行稀疏性判断，选取稀疏性最好的子图像组，获取准确的混合矩阵的估计值Ainit。
本发明提供的一种图像独立分量分析的初始化方法能避免独立分量分析方法收敛时陷入局部最小，加快算法收敛，同时使独立分量分析方法的分离精度提高，取得理想的图像分离效果。在军事领域或非军事领域的无线电通信系统、声纳与雷达系统、音频与声学和医学信号处理中均有着重要的应用潜力。
图1为本发明一个实施例的初始化方法框图。
图2是图1示例采用本发明方法的独立分量分析方法的分离结果照片图。图中(a)和(b)为混合图像，(c)和(d)为FastICA算法的分离结果，(e)和(f)为初始化的FastICA算法的分离结果。
具体实施例方式
本发明的一个优选实施例结合附图祥述如下本独立分量分析的初始化方法，如图1所示。首先对接收到的混合信号进行小波稀疏分解，然后选取稀疏性最好的分解系数组，并在其星图中通过聚类方法寻求聚轴来估计混合矩阵。最后，采用这一混合矩阵的估计值对FastICA算法进行初始化，避免独立分量分析方法收敛时陷入局部最小，加快算法收敛，同时使独立分量分析方法的分离精度提高，取得理想的图像分离效果。
具体步骤为①初始化最大分解层数NL；
②采用小波变换，对接收到的信号X(t)＝[x1(t)，x2(t)，L，xM(t)]T进行稀疏分解，得到xiTL(i＝1，...，M)和xiTH(k，d)(i＝1，...，M，k＝1，...，NL，d＝1，L，3)，M为接收信号个数；③在分解后的所有高频系数组xiTH(k，d)(i＝1，...，M，k＝1，...，NL，d＝1，L，3)，中，采用混合矩阵估计方法估计混合矩阵Ainit。具体步骤为A.令k＝0，d＝0；B.k＝k+1；C.d＝d+1；D.令高频系数组Zk,d=[x1TH(k,d),x2TH(k,d),L,xMTH(k,d)]T;]]>E.去除信号中较小的系数分量，以消除噪声的影响；F.将所有的数据点投影到单位球面上，即Zk，l＝Zk，d/‖Zk，d‖；G.将所有的信号点移到正半球面如果数据点的第一个坐标zk,d1<0,]]>Zk，d＝-Zk，d；否则，Zk，d＝Zk，d；H.通过聚类算法来确定聚轴和聚轴中心，聚轴中心坐标以列方式组成的矩阵记为Ak，d；I.计算所有数据点到离自身最近聚轴的距离和Dk，d，并以此来衡量稀疏性，Dk，d越小，越稀疏，其星图中的聚轴就越清晰；J.如果d≠3时，转到步骤(c)；否则，将d置0后，继续下一步；K.如果K≠NL时，转到步骤(b)；否则，继续下一步；L.寻求Dk，d的最小值，令(ksel,dsel)=argmink,d(Dk,d);]]>M.因此，求得混合矩阵的估计值Ainit＝AKsel；④利用第③步中估计出来的混合矩阵Ainit，初始化独立分量分析方法，进行分离后得到分离图像。
从图2可以看出，就图中分离结果的主观评价而言，初始化的FastICA算法的分离效果明显优于未经初始化的FastICA算法，具有更好的分离效果。
同样地，从表1给出的分离指标中也能得出以上结论。表1给出了用峰值信噪比(PSNR)刻画的两种算法的分离效果。就PSNR指标，初始化的FastICA算法的分离效果较未经初始化的FastICA算法提高了22～26dB。
另外，未经初始化的FastICA算法则需要9次和2次迭代，而初始化的FastICA算法在分离两个分量时分别需要5次和2次迭代，提高了36％。因此表明，本文初始化方法能在很大程度上加快算法的收敛速度，提高算法的实时性。
总之，无论是从人眼视觉效果，还是从客观评价指标，均表明本发明的初始化方法的有效性，能避免独立分量分析方法收敛时陷入局部最小，加快算法收敛，同时使独立分量分析方法的分离精度提高，取得理想的图像分离效果。
表1 图像分离结果的客观评价指标(单位dB)
权利要求
1.一种图像独立分量分析的初始化方法，其特征在于首先对接收到的混合信号进行小波稀疏分解，然后选取稀疏性最好的分解系数组，并在其星图中通过聚类方法寻求聚轴来估计混合矩阵；最后，采用这一混合矩阵的估计值对FastICA算法进行初始化，从而能避免独立分量分析方法收敛时陷入局部最小，加快算法收敛，同时使独立分量分析方法的分离精度提高，取得理想的图像分离效果。
2.根据权利要求1所述的独立分量分析的初始化方法，其特征在于①初始化最大分解层数NL；②采用小波变换，对接收到的信号X(t)＝[x1(t)，x2(t)，L，xM(t)]T进行稀疏分解，得到xiTL(i＝1，...，M)和xiTH(k，d)(i＝1，..，M，k＝1，...，NL，d＝1，L，3)，M为接收信号个数；③在分解后的所有高频系数组xiTH(k，d)(i＝1，...，M，k＝1，...，NL，d＝1，L，3)中，采用混合矩阵估计方法估计混合矩阵Ainit；④利用估计出来的混合矩阵Ainit，初始化FastICA算法。
3.根据权利要求2所述的一种独立分量分析的初始化方法，其特征在于所述的步骤③中混合矩阵Ainit采用混合矩阵估计方法估计的步骤为(a)令k＝0，d＝0；(b)k＝k+1；(c)d＝d+1；(d)令高频系数组Zk,d=[x1TH(k,d),x2TH(k,d),L,xMTH(k,d)]T;]]>(e)去除信号中较小的系数分量，以消除噪声的影响；(f)将所有的数据点投影到单位球面上，即Zk，l＝Zk，d/‖Zk，d‖；(g)将所有的信号点移到正半球面如果数据点的第一个坐标zk,d1<0,]]>zk，d＝-zk，d；否则，Zk，d＝Zk，d；(h)通过聚类算法来确定聚轴和聚轴中心，聚轴中心坐标以列方式组成的矩阵记为Ak，d；(i)计算所有数据点到离自身最近聚轴的距离和Dk，d并以此来衡量稀疏性，Dk，d越小，越稀疏，其星图中的聚轴就越清晰；(j)如果d≠3时，转到步骤(c)；否则，将d置0后，继续下一步；(k)如果K≠NL时，转到步骤(b)；否则，继续下一步；(l)寻求Dk，d的最小值，令(ksel,dsel)=argmink,d(Dk,d);]]>(m)因此，求得混合矩阵的估计值Ainit＝Aksel。
全文摘要
本发明涉及一种图像独立分量分析的初始化方法。本方法首先对接收到的混合信号进行小波稀疏分解，然后选取稀疏性最好的分解系数组，并在其星图中通过聚类方法寻求聚轴来估计混合矩阵；最后，采用这一混合矩阵的估计值对FastICA算法进行初始化，从而能避免独立分量分析方法收敛时陷入局部最小，加快算法收敛，同时使独立分量分析方法的分离精度提高，取得理想的图像分离效果。适用于军事领域或非军事领域的无线电通信系统、声纳与雷达系统、音频与声学和医学信号处理中。
文档编号G06K9/40GK1932849SQ200610116700
公开日2007年3月21日 申请日期2006年9月28日 优先权日2006年9月28日
发明者刘盛鹏, 方勇 申请人:上海大学