基于独立分量分析的人脸自动识别方法研究

提出了一种独立分量分析（ICA）和遗传算法（GA）相结合的人脸自动识别方法,人脸图像的独立的基的获取是采用基于四阶统计信息的ICA算法;为了减少计算复杂度,对原因像进行滤波降维,并用遗传算法对ICA求得的独立基集合进行搜索得到了一个最优的独立基子集,最后,选择合适的分类器根据待识别图像在独立基上投影系数进行分类判决,对人脸图像库的实验表明本方法识别率比基于主元分析 特征脸方法高,且计算量小于传统的基于ICA人脸识别方法。     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

基于Contourlet域ICA和SVM的图像融合

提出了一种基于Contourlet域独立分量分析(ICA)和支持向量机(SVM)的图像融合方法。首先对源图像进行Contourlet变换,再提取其高频系数的独立分量特征,并通过粒子群优化的SVM实现分类,最后进行图像重构得到融合结果。给出了实验结果,采用均方差(MSE)、信噪比(SNR)、信息熵(H)、空间频率(SF)、清晰度(CL)和相关系数(CR)等评价指标对融合效果进行了定量评价,并与加权平均法、基于Contourlet变换或基于ICA的图像融合方法进行了比较。结果表明,所提出的方法能取得更优越的融合效果。     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

基于独立分量分析的极化SAR图像非监督分类方法

提出了一种针对极化合成孔径雷达(SAR)图像的新的分类方法--基于独立分量分析(ICA)的非监督分类方法.该方法将ICA和基于模糊集理论的非监督分类方法结合起来.用ICA方法对原始极化SAR图像进行特征提取,并用模糊C均值(FCM)算法对提取出的独立分量图像进行分类.该算法可对极化SAR图像进行自动分类,并减少由相干斑噪声所引起的分类错误,且其收敛速度快、稳定性高.采用SIR-C/X-SAR数据的试验证明了该算法的有效性.     

基于ICA的人机交互手势的识别

通过对独立分量分析(ICA)理论的研究以及对人机交互手势特征的分析，提出了一种基于ICA的静态手势特征提取与识别的方法。用ICA方法分别提取各类静态手势图像的独立分量特征(ICF)，构成手势图像的独立基函数空间，对手势图像采用独立分量的最小二乘意义下的表示，结合系统的判别阈值实现对手势的分类识别。系统采用4类手势，共计80幅图像，对方法的有效性进行了检测。实验结果表明，这一方法不仅可行，而且能够获得满意的识别结果。     

一种新的基于ICA的SAR图像干扰分离方法

干扰后的合成孔径雷达(SAR)图像可以看作是目标信号和干扰信号的混合信号源,信号空间和干扰信号空间认为是统计独立的,因此图像域上的干扰抑制问题可以转化为一种信号分离问题.借助于独立分量分析(ICA)方法,提出高阶统计量-峭度值作为基图像分类标准,实现了干扰信号的有效抑制.理论分析和对高斯白噪声干扰的仿真实验验证了方法的有效性.     

基于统计区分度的SAR图像干扰评估方法

针对干扰信号和目标回波信号在图像上的统计特性差异,该文提出了基于统计区分度的SAR干扰评估方法。借助于独立分量分析(ICA),把SAR图像域上的干扰抑制问题转化为一种盲源分离问题。分别对高斯噪声干扰和类杂波干扰SAR图像进行ICA处理,并采用峭度准则进行干扰基图像分离。由于类杂波干扰信号具有和SAR回波信号类似的统计特征,相对于高斯噪声干扰的干扰抑制效果降低。理论分析和仿真验证了基于目标回波信号特征的类杂波干扰方法的有效性。     

一种基于独立成分分析和最小最大概率机的人脸识别系统

提出了一种基于独立成分分析和最小最大概率机的人脸识别系统。该系统首先从摄像头中捕捉包含人脸的实时图像，利用haar特征人脸检测算法定位人脸区域，并将其从原始图像中分割出来。为了更好地提取有效特征，采用了ICA的特征提取方式，结合改进误差估计的最小最大概率机的分类方法对输入的测试图像进行识别。实验证明，该系统能够快速有效地处理实时状态下的人脸识别任务，准确率达到了96．8％，并且对多姿态的人脸具有一定的鲁棒性。     

基于二维小波变换和独立分量分析的SAR图像去噪方法

该文给出了一种基于离散小波变换和独立分量分析的SAR图像斑点噪声抑制方法。首先利用小波变换对图像进行分解,然后将分解出的各部分子图像分别进行独立分量分析,提取出相应的独立源,去除噪声分量,最后依次进行ICA重构和小波重构。该文还同时比较了采用不同小波基函数时斑点噪声的抑制效果,研究了它们对斑点抑制的影响。对MSTAR实测SAR图像的实验结果表明该方法能够有效地抑制图像中的斑点噪声,且在性能上优于ICA和Lee滤波方法。     

ICA去除EEG中眼动伪差和工频干扰方法研究

眼动伪差和工频干扰是临床脑电图(EEG)中常见噪声,严重影响其有用信息提取.本文尝试采用独立分量分析(Independent Component Analysis,ICA)方法分离EEG中此类噪声.通过对早老性痴呆症(Alzheimer disease,AD)患者临床EEG信号(含眼动伪差和混入工频干扰,信噪比仅0dB)作ICA分析,比较了最大熵(Infomax)和扩展最大熵(Extended Infomax)ICA算法的分离效果,证实虽然最大熵算法可以分离出眼动慢波,但难以消除工频干扰,为此需采用扩展的最大熵算法;并知ICA方法在极低信噪比时也有较好的抗干扰性,且在处理非平稳信号时有好的鲁棒性;文中还结合近似熵(approximate entropy,ApEn)分析说明利用ICA去除干扰后有助于恢复和保持原始EEG信号的非线性特征.研究结果表明ICA方法在生物医学信号处理中具有潜在的重要应用价值,值得深入研究和推广.     

基于遗传算法的基因分类

独立分量分析(ICA)是应用于基因分类的一种统计方法.但独立分量分析中的估计分离矩阵算法主要采用了随机梯度算法、自然梯度算法,这些基于梯度下降的寻优算法很容易陷入局部极值,所得结果不精确.本文提出了一种基于遗传算法的基因分类算法,其基本思想是利用遗传算法代替独立分量分析中的传统的估计分离矩阵算法,对基因表达式数据进行分类,从而克服了结果不精确的问题.分析和实验结果表明,该分类方法获得了更好的分类效果.     

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析(ICA)能够实现图像的去 相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律 的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA(VBICA) 的遥感 图像分析方法,并利用遥感图像进行验证,结果表明：VBICA方法提取的独立分量具有均方 根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了9155% ,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很 好的应用前景。     

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析( ICA)能够实现图像的去相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA( VBICA)的遥感图像分析方法,并利用遥感图像进行验证,结果表明：VBICA方法提取的独立分量具有均方根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了91.55%,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很好的应用前景。     

基于独立分量分析的高光谱图像目标检测算法

提出一种基于独立分量分析(ICA)的高光谱图像目标检测算法.首先利用无监督正交子空间投影进行端元提取,并将端元矢量构成矩阵作为快速定点独立分量分析的初始化混合矩阵,解决了独立分量在排序上的随机性;同时采用基于噪声调整的主分量分析(NAPCA)对原始图像数据降维,继而采用初始化后的快速独立分量分析从保留的主分量中依次提取出目标.利用AVIRIS高光谱数据进行实验研究,结果表明提出的算法能够有效地提取图像中的目标信息,其性能优于改进的CEM检测算法.     

基于独立成份分析和支持向量机的人眼注视研究

采用独立成份分析(ICA)方法对单眼宽约为40 pixel的低分辨率人眼图像进行预处理,并把得到的一组组合系数输入支持向量机(SVM)判断图像中人眼的注视与否.对于单用户的注视探测,一维组合系数输入实现了100%的正确识别率;对于多用户的注视探测,二维组合系数输入实现了100%的正确率识别率.     

波束空时分组码系统中一种基于ICA的正交检测方案

结合波束形成和空时分组编码的混合系统与传统的单波束发射以及单空时编码发射分集方案相比可以大大提高链路性能;传统的译码方案通常以接收端能够获取精确的信道状态信息为前提;但是对于某些特定的通信环境,这种前提条件通常很难满足.独立分量分析(ICA)技术可以在不进行信道估计的情况下对发射信号实现有效检测.本文针对接收端的信号结构提出了一种基于ICA的正交检测方案;并通过仿真将新方案与传统方案进行了性能比较,仿真结果表明,新方案具有较好的系统适应性和误码率特性.     

基于Gabor滤波器和ICA技术的SAR目标识别算法

提出了一种基于Gabor滤波器和独立分量分析(ICA)技术对合成孔径雷达(SAR)目标识别的算法.该方法提取预处理后SAR图像的低频子带图像,利用Gabor滤波器组对该低频子带图像在不同方向和尺度上滤波,再用主成分分析(PCA)+ICA方法对Gabor滤波后图像提取有效特征向量作为目标识别特征,最后用支持向量机(SVM)对该特征进行分类完成目标识别.使用MSTAR数据库中3类SAR目标数据对该方法进行目标识别的仿真实验,平均识别率最高可达96.56%.通过与其他识别方法对比实验,验证了文中方法的有效性.     

基于快速核独立分量分析的图像反光分离研究

透过玻璃对场景成像,图像由场景实像和反光虚像线性叠加而成,直接影响到图像分析处理和计算机视觉应用等,可采用盲源分离方法进行反光分离。图像成像过程中的非线性因素,会使线性独立分量分析(ICA)用于反光分离结果不够精确。采用基于Hilbert-Schmidt独立性判断准则的快速核独立分量分析(FastKICA)进行图像反光分离。实验表明,快速核独立分量分析用于图像反光分离,在分离精度和速度上优于线性独立分量分析和常规核独立分量分析(KICA)。     

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。