学位论文 > 优秀研究生学位论文题录展示

独立分量分析及其在图像特征提取和消噪中的应用

作　者: 范羚
导　师: 吴小培
学　校: 安徽大学
专　业: 电路与系统
关键词: 独立分量分析稀疏编码特征提取基图像信息论盲源分离
分类号: TN911.7
类　型: 硕士论文
年　份: 2003年
下　载: 735次
引　用: 5次
阅　读: 论文下载

内容摘要

近年来，伴随盲源分离问题产生的独立分量分析(Independent Component Analysis，简称为ICA)理论已逐渐成为统计信号处理中的一个研究热点，并正迅速成为多维数据分析的一个有力工具。独立分量分析算法根本原理是通过分析多维观测数据间的高阶统计相关性，找出相互独立的隐含信息成份，完成分量间高阶冗余的去除及独立信源的提取。与其他方法相比较，独立分量分析的突出特点是：它以分量间相互独立为分离准则，在源信号和混合方式均未知的前提下，尽可能无失真的从观测信号中分离出隐含的独立信源。这一特点使得独立分量分析方法在图像特征提取，压缩，和模式识别等领域中有着广泛的应用前景。本文主要的工作围绕独立分量分析理论，算法及其在图像特征提取与消噪中的应用而展开。具体内容如下： (1) 详细概述了独立分量分析理论的研究和发展现状及存在的问题。 (2) 介绍了与独立分量分析研究密切相关的统计和信息论基本知识。 (3) 描述了多维统计分析的基本思想，并对两种典型的多维数据描述方法：主分量分析和独立分量分析进行了详细比较，指出它们之间的联系和差别。 (4) 对独立分量分析优化算法进行了研究，重点讨论了基于非高斯性极大原理和信息极大原理的两类有代表性ICA算法，完成了相关算法的实现工作。 (5) 对独立分量分析理论算法在图像特征提取，消噪和识别中的应用进行了研究。首先对自然景物图像进行特征提取，设计了一个非线性阈值函数对提取的特征进行阈值处理，并引入了结合子窗口与非线性阈值函数用于图像消噪的新思路，获得了较好的图像特征提取和消噪效果，该方法思路对图像编码的优化和改进具有一定的指导意义。在对基于独立分量分析的人脸识别研究中，先利用主分量分析方法降维预处理，以达到减少独立分量个数和简化计算量的目的，在此基础上对所提取的IC特征进行分类识别。所有实验结果均表明，独立分量分析方法能充分利用图像数据中的高阶统计信息，获得好的分析处理效果。实验中，还进行了不同特征提取和消噪等方法的比较研究，将独立分量分析方法与其他一些常用方法进行了比较，如主分量分析方法和维纳滤波方法等，实验结果表明，基于独立分量分析的图像特征提取和消噪方法具有独特的优势。

全文目录

第一章绪论  7-11
  1.1 前言  7-8
  1.2 图像描述与特征提取  8-9
  1.3 独立分量分析  9
  1.4 本文的研究内容  9-11
第二章独立分量分析的基础知识  11-34
  2.1 引言  11
  2.2 统计特性基础知识  11-16
    2.2.1 微分熵  12
    2.2.2 联合熵  12-13
    2.2.3 互信息  13
    2.2.4 KL散度和负熵  13-14
    2.2.5 最大熵定理  14-15
    2.2.6 高阶统计特性分析  15-16
  2.3 多维数据的线性描述方法  16-18
  2.4 主分量分析(PCA)  18-21
    2.4.1 PCA基本概念  18-20
    2.4.2 特征值分解算法  20-21
    2.4.3 PCA方法的缺点  21
  2.5 独立分量分析(ICA)  21-29
    2.5.1 统计独立的基本概念  22-23
    2.5.2 ICA定义及其线性模型  23-28
    2.5.3 ICA的若干限制条件  28-29
  2.6 自组织神经网络  29-34
    2.6.1 神经网络模型简介  30-31
    2.6.2 基于Hebb学习的自组织神经网络  31-34
第三章 ICA的算法研究  34-48
  3.1 引言  34
  3.2 ICA的预处理  34-37
  3.3 非高斯与统计独立  37-38
  3.4 ICA的目标函数  38-42
    3.4.1 基于峭度的目标函数  38-39
    3.4.2 基于负熵及近似负熵的目标函数  39-41
    3.4.3 基于互信息的目标函数  41-42
  3.5 ICA的优化算法  42-48
    3.5.1 FastICA算法  42-44
    3.5.2 Infomax算法  44-48
第四章 ICA在图像特征提取中的应用  48-63
  4.1 引言  48-49
  4.2 ICA在混合图像分离中的应用  49-51
  4.3 图像特征提取及消噪  51-58
    4.3.1 滑动子窗口  52
    4.3.2 ICA提取图像特征的空间描述  52-53
    4.3.3 图像特征提取  53-55
    4.3.4 图像消噪  55-58
  4.4 ICA在人脸特征提取中的应用  58-63
    4.4.1 人脸图像的独立分量描述  59-60
    4.4.2 实验结果  60-63
第五章总结与展望  63-64
参考文献  64-68
作者完成的论文  68-69
致谢  69

独立分量分析及其在图像特征提取和消噪中的应用

内容摘要

全文目录

相似论文