基于FastICA算法的混合图像分离方法.docVIP

第 25 卷第 2 期 2 0 1 0 年 2 月 宿 州 学 院 学 报 Journa l of Suzhou Un iver s ity Vo l. 25, No. 2 Feb. 2010 do i: 10. 3969?j. issn. 1673- 2006. 2010. 02. 017 基于 F a st ICA 算法的混合图像分离方法 唐珊珊1 , 孙路路2 (1. 宿州学院 图书馆, 安徽 宿州 234000; 2. 南京邮电大学 传媒与艺术学院, 江苏 南京 210003) 摘要: 简述了独立成分分析 ( ICA ) 的基本模型和原理, 介绍了目前较为流行的基于负熵最大化定点迭代的 ICA 快 速算法——F a st ICA 算法, 根据算法的原理在M a t lab 中编写了仿真程序, 通过仿真实验验证了该算法在混合信号 分离中的有效性。在此基础上, 结合混合图像数据的特点, 使之符合 ICA 基本模型, 将 F a st ICA 算法应用到混合图 像盲分离中, 通过仿真实验获得了良好的分离效果. 结果表明, 该算法是一种行之有效的混合图像分离方法。 关键词: 独立成分分析; ICA ; 混合图像; 盲分离 中图分类号: T P 391 文献标识码: A 文???编号: 1673- 2006 (2010) 02- 0052- 04 独立成分分析 ( ICA ) 是20世纪90年代发展起来 的一种新的信号处理技术, 它的基本思想是以随机 变量的非高斯性和相互独立为分析目标, 在源信号 和线性变换均不可知的情况下, 对多通道观测数据 进行估计, 使其分解成统计独立的分量, 以此分离出 相互独立的信源1 。ICA 最简单的形式: 给定 m 个 合, 则观测信号比源信号更接近于高斯分布, 或者说 源信号的非高斯性比观测信号的非高斯性要更强。 粗略地讲就是“非高斯意味着独立”, 根据这一思想, 可以对分离结果的非高斯性进行度量, 当其非高斯 性达到最大时, 可认为实现了最佳分离, 这也成为 ICA 众多算法中的基础。 可观察变量 x 1 , x 2 , , x m , 假设它们为 n 个未知的独 Fa st ICA 算法 1 立成分 s1 , s2 , , sn 的线性组合, 该独立成分相互统 计独立且具有零均值。观察到的变量用向量的形式 F a st ICA 算法3 , 又称固定点 (F ixed2Po in t) 算 可表示为 X = , x m ) T , 独立成分可表示为 (x 1 , x 2 , 法, 是芬兰赫尔辛基工业大学计算机及信息科学实 , sm ) T , 则S 与X 之间的关系可用 X = ¨ S = (s1 , s2 , 验室H yv a rinen 等人提出并发展起来的。F a st ICA 算 A S 表示, 其中, A 是未知的m × n 满秩矩阵, 称为混 合矩阵。上式称为独立成分分析 ( ICA ) 的基本模 型2 。 独立成分分析的任务是在只知道观测信号 X , 且在源信号S 和混合矩阵A 未知的条件下估计出混 合矩阵A 和源信号 S 。ICA 的目标是找到一个对 X 做线性变换的矩阵W , 使得 X 经过变换后得到的新 法 基于非高斯性最大化原理, 它以负熵的近似4 作 为目标函数, 使用固定点 (F ixed2po in t) 迭代法寻找 W T X 的非高斯性最大值, 该算法采用牛顿迭代算法 对观测变量 X 的大量采样点进行批处理, 每次从观 测信号中分离出一个独立分量, 是独立成分分析的 一种快速算法。该算法采用了定点迭代的优化算法, 使得收敛更加快速、稳健, 因而成为广泛使用的一种 矢量 Y ( t) = y 1 ( t) , , yM ( t) ]T 的各分量之间尽可 算法。此算法步骤可以总结如下: (1) 输入混合信号 X ; (2) 对观测数据 X 进行中心化, 使其均值为 0; (3) 对数据进行白化, 得到单位方差的信号 Z ; 能的独立, 从而得到独立分量 s 的估计 y = w x 。 由上述 ICA 基本模型, 分离出来的信号尽可能 独立, 则认为其就是源信号的一个估计, 但是我们对 源信号和混合矩阵知之甚少, 无法衡量其独立性。概 率论中的中心极限定理指出: 在一定的条件下, 相互 统计独立的随机变量的和的分布趋向于正态 (高斯) 分布。因此, 如果观测信号是多个独立源的线性组 (4) 选择需要估计的分量的个数 m , 设迭代次 数 p ←1; (5) 选择一个初始权向量 (随机的)W p ; (6) 更 新 W p ,W p = E {Z g (W T Z )