新息模型的独立分量分析方法

为提高独立分量分析(ICA)算法的收敛速度与收敛精度,引入ICA方法的新息模型。通过新息的计算减少观测数据间的冗余进而增加了潜在分量的非高斯性。实验中利用具有弱相关性的图像信号进行仿真,通过与传统算法的比较证明了新方法能有效提高收敛速度和收敛精度。     

基于改进的人工蜂群的独立分量分析方法

针对快速固定点独立分量分析方法容易陷入局部最优解的问题,提出了一种基于改进的蜂群优化的独立分量分析方法。该方法以信号的峭度作为代价函数,利用人工蜂群方法对其进行优化。在优化的过程中,一方面为了避免随机搜索造成的开采能力弱的问题,在跟随蜂搜索阶段采用当前迭代最优解引导的方式产生新的候选解,另一方面,为了避免产生更差的解,在侦查蜂阶段,利用当前迭代中的最优解与最差解的距离产生新的解,代替最差解,提高人工蜂群优化方法的寻优效果,进而提高独立分量分析的精度。实验仿真验证了算法的性能。     

基于NSCT变换的医学图像融合研究

为了提高医学图像的质量,为医学诊断提供可靠的信息依据,将更为先进的多分辨率、多方向分解的NSCT变换引入到CT和MRI医学图像融合中进行研究,并针对医学图像的特点,提出一种改进的中心区域能量加权平均融合规则。进行基于NSCT变换的不同融合规则的医学图像融合仿真实验,并与Contourlet变换进行比较分析。实验结果表明,基于NSCT变换的改进融合规则算法使医学融合图像具有更丰富的信息量和更高的对比度,相关评价指标表明了该算法的有效性。     

基于NSCT和支持向量机的SAR图像识别

针对传统的合成孔径雷达图像（SAR）识别算法识别精度低,用时长等问题,提出一种基于非下采样轮廓波变换（NSCT）和支持向量机（SVM）的SAR图像识别算法。首先通过非下采样轮廓波变换将目标图像分解成不同的尺度,然后得到目标图像的低频分量和高频分量;接着在高频分量中提取方向梯度直方图特征（HOG）,在低频分量中利用局部二值化算法（Local Binary Pattern,LBP）提取纹理特征;然后将提取的梯度方向直方图特征和局部二值化特征空间连结,并使用支持向量机（SVM）作为分类器;最后对算法进行了测试。实验结果表明,该方法不仅能够有效地提高了SAR图像目标分类的精度,在MSTAR数据库上的准确率达到90.7%,而且对相干斑的影响具有较高的鲁棒性。     

基于独立分量分析和遗传算法的图象分离方法研究与实现

在深入分析独立分量分析技术的基础上，针对常规数值求解方法容易陷入局部最优解的问题，提出了一种基于遗传算法和独立分量分析相结合的盲源分离新算法．通过对图象信号分离仿真试验表明，采用最佳保留机制和移民方式的动态补充子代个体操作，在一定的群体规模和遗传代数的情况下，该方法能实现信号的盲分离，并可获得全局最优解．对超高斯信号和亚高斯信号的混合信号，与扩展信息最大化方法相比，该方法可获得更好的分离效果。     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis,ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立,对像素间高阶统计特性敏感,并且不易受光照变化的影响。实验结果表明,基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多,难收敛,并且需要人工设定步长来调整学习速度的不足,本文采用FastICA作为ICA的快速算法,并将其关键迭代步骤加以改进,减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与,收敛速度快,迭代次数少的优点。在特征选择方面,本文将遗传算法（Genetie Algorithm,GA）应用到独立分量的选择与优化中,从而在保证较高识别性能的前提下,获得最优的人脸特征子集。     

基于NSCT 域感受野模型的图像融合方法

针对多传感器图像融合问题,提出了一种基于非下采样轮廓波变换域感受野模型的图像融合方法.首先,采用非下采样轮廓波变换对源图像进行多尺度、多方向稀疏分解;然后,对低频子图像采用改进型感受野模型进行融合,高频子图像则采用自适应Unit-Fast-Linking脉冲耦合神经网络模型进行融合;最后,将各子图像进行非下采样轮廓波逆变换,得到最终融合图像.仿真实验表明了所提出方法的有效性.     

基于NSCT域邻域收缩的SAR图像去噪

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像受到相干斑噪声的干扰,严重影响了SAR图像的后续处理的问题,提出一种在非下采样轮廓变换（Nonsubsampled Contourlet Transform,NSCT）域将中值滤波和邻域收缩法相结合的SAR图像去噪算法。该算法对原始SAR图像进行NSCT分解,得到低频子带和高频子带图像,对低频子带使用中值滤波处理以去除低频子带中的低频噪声,利用NSCT分解系数之间的相关性,使用邻域收缩法对子带图的系数进行收缩,以消除高频子带中的高频噪声。实验证明,该算法与小波域邻域收缩去噪算法和NSCT硬阈值去噪算法相比,在去噪性能和视觉效果方面均有所提高,在消除噪声同时可以较好地保护纹理细节信息。     

利用NSCT实现夜视图像的彩色化增强

针对夜视融合图像通常存在细节不够丰富、目标对比度低的问题,为了获得更为理想的图像增强效果,提出一种新颖的基于非下采样轮廓波变换(NSCT)的夜视图像彩色融合方法.构建了基于S函数与子图局部方差信息的可变加权融合策略,在NSCT域内实现可见光及红外源图像的自适应融合;将得到的融合图像与源图像进行组合并映射至YUV颜色空间,生成伪彩色融合图像;再运用颜色传递技术获得重染色的彩色融合图像.实验结果表明,该方法既能丰富彩色融合图像的细节,又能提高其亮度对比度和目标的可探测性,增强了观察者对场景的理解.     

独立分量分析的理论框架

分析了信号独立的统计学来源，从高阶统计量分析、信息论和参数估计理论推导信号独立的数学描述，以这些数学描述构造相应的独立分解目标函数：高阶统计量最小、互信息最小和最大似然估计目标函数，以函数的最优化问题统一这些目标函数。围绕统一的目标函数，采用求导法和等价的三角极值函数法，分别推导出独立分量分析（ICA）的三类分解算法：梯度法、固定点迭代法和Jacobi旋转法。以这些理论推导构造了ICA的理论框架。     

Independent component analysis based on symmetrised scatter matrices

A new method for separating the mixtures of independent sources has been proposed recently in [Oja et al. (2006). Scatter matrices and independent component analysis. Austrian J. Statist., to appear]. This method is based on two scatter matrices with the so-called independence property. The corresponding method is now further examined. Simple simulation studies are used to compare the performance of so-called symmetrised scatter matrices in solving the independence component analysis problem. The results are also compared with the classical FastICA method. Finally, the theory is illustrated by some examples.     

基于独立分量分析的工频干扰消除技术*

简要介绍了ICA的基本原理和快速算法,在分析地震信号和工频干扰特点的基础上,利用ICA技术来消除地震记录中的工频干扰,并与常规方法进行比较。研究结果表明ICA在有效消除工频干扰的同时,能够保护有效信号,并且在提高资料的信噪比方面更有优势,具有良好的应用前景。     

基于NSCT循环抽样的声纳图像去噪方法

针对声纳图像对比度差、不易判别边缘及细节的特点,提出一种有效的声纳图像去噪方法。对含噪声纳图像循环抽样后得到多幅声纳图像,分别执行NSCT变换,选取适当的阈值对变换的系数进行取值,筛选后的系数进行NSCT逆变换;将得到的多幅去噪后的图像空域平均后输出去噪后的图像。通过实验数据比较,此改进算法好于其他经典方法,提高了处理结果的信噪比及边缘保持效果。由于充分利用了NSCT变换的平移不变性,使去噪后的细节保护能力增强。     

Novel infrared and visible image fusion method based on independent component analysis

The goal of infrared (IR) and visible image fusion is for the fused image to contain IR object features from the IR image and retain the visual details provided by the visible image. The disadvantage of traditional fusion method based on independent component analysis (ICA) is that the primary feature information that describes the IR objects and the secondary feature information in the IR image are fused into the fused image. Secondary feature information can depress the visual effect of the fused image. A novel ICA-based IR and visible image fusion scheme is proposed in this paper. ICA is employed to extract features from the infrared image, and then the primary and secondary features are distinguished by the kurtosis information of the ICA base coefficients. The secondary features of the IR image are discarded during fusion. The fused image is obtained by fusing primary features into the visible image. Experimental results show that the proposed method can provide better perception effect.     

Novel infrared and visible image fusion method based on independent component analysis

The goal of infrared （IR） and visible image fu- sion is for the fused image to contain IR object features from the IR image and retain the visual details provided by the visible image. The disadvantage of traditional fusion method based on independent component analysis （ICA） is that the primary feature information that describes the IR objects and the secondary feature information in the IR image are fused into the fused image. Secondary feature information can de- press the visual effect of the fused image. A novel ICA-based IR and visible image fusion scheme is proposed in this paper. ICA is employed to extract features from the infrared image, and then the primary and secondary features are distinguished by the kurtosis information of the ICA base coefficients. The secondary features of the IR image are discarded during fu- sion. The fused image is obtained by fusing primary features into the visible image. Experimental results show that the pro- posed method can provide better perception effect.     

Subspace independent component analysis using vector kurtosis

This discussion presents a new perspective of subspace independent component analysis (ICA). The notion of a function of cumulants (kurtosis) is generalized to vector kurtosis. This vector kurtosis is utilized in the subspace ICA algorithm to estimate subspace independent components. One of the main advantages of the presented approach is its computational simplicity. The experiments have shown promising results in estimating subspace independent components.     

FastICA和RobustICA算法在盲源分离中的性能分析

首先简单介绍了FastICA和RobustICA这两种目前最为常用的盲源分离两种算法, 并对这算法的目标函数以及优化算法进行了分析研究, 进一步对这两种算法的稳健性及算法复杂度等方面的性能进行分析比较。总的来看, RobustICA算法的综合性能要优于FastICA算法。     

基于峭度的一种RobustICA算法

介绍了由V.Zarzoso and P.Comon提出的一种新的基于峭度的独立成分分析算法RobustICA (Robust Independent Component Analysis),并比较了和FastICA在收敛性和信号质量方面的不同.该算法的主要优点在于可以选取最佳步长,可以选取任何不为零的独立成分,并且解决盲分离信号排序问题,同时提升当信号存在坏点和伪局部极值点时的鲁棒性.仿真实验结果表明了该算法相对于FastICA算法减少了迭代次数和加快了收敛速度,同时在小样本空间下均方误差SMSE也明显优于FastICA算法.