非负矩阵分解在图像融合中的应用研究分析1.ppt

医学图像融合 医学图像融合 医学图像融合 实验结果表明采用像素灰度值选大融合方法显示图像信息熵值明显高于其它融合方法，其均值、标准差等性能也较好，同时试验数据也显示采用比率塔形分解融合方法、拉普拉斯塔形分解融合方法其综合性能指标与像素灰度值选大融合方法的性能较为接近，但对比度塔形分解、比率塔形分解融合算法有明显抖动现象，图像变得模糊，效果较差。因此，对医学图像采用像素灰度值选大以及拉普拉斯塔形分解等融合方法效果较好。 红外与可见光图像融合 红外与可见光图像融合 红外与可见光图像融合 红外与可见光图像融合 实验结果表明采用比率塔形分解融合方法、小波变换融合方法显示图像信息熵、均值、标准差和平均梯度等性能都比较好。另外，实验数据也显示采用灰度值选大融合方法均值明显高于其它融合方法，但其它三个指标却低于比率塔形与小波变换分解融合方法。因此，对红外和可见光图像融合采用比率塔形分解融合方法、小波变换融合方法综合性能指标高，图像融合效果较好。 第四章 基于非负矩阵分解的图像融合算法简介 4.1 非负矩阵分解的理论基础 非负矩阵分解(Non-negative Matrix Factorization)是目前国际上提出的一种新的矩阵分解方法。它是在矩阵中所有的元素均为非负数约束条件之下的矩阵分解方法。该方法在各个科学研究领域中都得到非常重视，这是因为：一方面，科学研究中的很多大规模数据分析方法需要通过矩阵形式进行有效处理，而NMF思想则为人类处理大规模数据提供了一种新的途径；另一方面，NMF算法相较于传统的一些算法而言，具有实现上的简便性，分解形式和分解结果上的可解释性，以及占用存储空间少等诸多优点。 在科学文献中，讨论利用矩阵分解来解决实际问题的分析方法很多，如PCA(主成分分析)、ICA(独立成分分析)、SVD(奇异值分解)、VQ(矢量量化)等。在所有这些方法中，原始的大矩阵V被近似分解为低秩的V=WH形式。这些方法的共同特点是，因子和日中的元素可为正或负，即使输入的初始矩阵元素是全正的，传统的秩削减算法也不能保证原始数据的非负性。在数学上，从计算的观点看，分解结果中存在负值是正确的，但负值元素在实际问题中往往是没有意义的。例如图像数据中不可能有负值的像素点；在文档统计中，负值也是无法解释的。正是如此，NMF方法在解决实际问题时受到特别的关注。 负责人：李帆、陈浩宇 NMF是一个很有效的算法，它力图在大规模的矩阵数据中发现具有解释功能的关系，相比当前的其它算法来说，使用NMF算法是非常精确和快速的。在众多应用中，NMF能被用于发现数据库中的图像特征，便于快速自动识别应用，下面是一些具体描述： 文本聚类 语音处理 机器人控制 生物医学工程和化学工程 图像分析 此外，NMF算法在环境数据处理、信号分析与复杂对象的识别方面都有着很好的应用。 4.2.1 非负矩阵分解理论描述 己知非负矩阵V，寻找非负矩阵因子W和H，使得： 即给定n维数据向量的集合 ，其中m为集合中数据样本的个数，这个矩阵可以分解为矩阵 ，和矩阵 的乘积。一般情况下r的选择要满足(n+m)rnm，从而W和H将会小于原始矩阵V,这样就得到原始数据矩阵的一个压缩模型。如果假设 和 是矩阵V和H所对应的列向量，则上式还可以写成列向量的形式： 。也就是说，每一个样本 可近似地看作非负矩阵W的列向量的非负线性组合，组合系数是 的分量。所以矩阵形可以看作对数据矩阵V进行线性逼近的一组基，而H则是样本集V在基W上的非负投影系数。通常可以用少量的基向量组来表征大量的数据向量，如果我们寻找合适的基向量组，使其能够代表数据之间潜在的结构关系，则会获得很好的逼近与表示效果。 4.2.2目标函数 对于NMF问题的求解常用的两种目标函数分别为： 式可解释为在 上加上泊松噪声／高斯噪声从而产生了 ，即NMF迭代算法可表示成： ( (其中 代表了噪声)，选取离散possion噪声作为占的具体表达形式，得出迭代算法为： 其中式4一(4)(b)是对W的列的归一化，以避免矩阵分解中的Scaling问题。算法使得 经过迭代趋于零，从而得到了 。在每步迭代过程中采用交替梯度投影方法，即，首先固定H，对目标函数W针对缈采用梯度下降法进行迭代；然后变换W和H的角色，固定W,对目标函数针对H采用梯度下降法进行迭代，同时在算法中引入惩罚函数，以保持W的每一列的元素和为l。该算法的收敛性在已有文献中已经得到证明。由于这种算法是收敛的，且较易设计开发，实际应用效果很好。在算法的每