基于复杂性寻踪的非独立图像盲分离

复杂性寻踪是近期发展起来的一种结合非高斯性和时间相关的投影寻踪方法,目的是在多元数据中找到一个投影方向,使得数据在该方向上的投影具有最令人感兴趣的结构。它是投影寻踪方法在时间序列应用上的扩展,相似于依赖时间的信号源盲分离和独立分离分析。由相互独立的图像混合而成的混合图像的盲分离技术已经相当成熟,但对非独立混合的图像的盲分离仍然是个难题。从时间序列的复杂性寻踪出发,推导出一个复杂性寻踪的定点算法。该算法是经典的快速独立分量分析算法（FastICA）的扩展,继承了FastICA的优点,简单易行,不需要用户选择学习率,并且算法具有快速稳定收敛的性质。该算法应用到非独立图像的混合图像的盲分离时,取得了较好的分离结果。     

基于独立分量分析的图像去噪研究

独立分量分析(independent component analysis,ICA)是基于信号高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量。在分析独立分量分析的基本模型及方法的基础上,讨论了有噪声信号的独立分量分析,使用最大似然估计对有噪声的ICA模型进行去噪处理,并研究了基于ICA的软门限图像去噪方法。在仿真实验中与其他的图像去噪方法进行了比较,突出了该方法在噪声方差较小时对非高斯信号的去噪优势。