基于ICA域的泊松噪声消除算法以及在CT成像中的应用-计算机应用技术专业论文.docxVIP

中高称t.付钱式嗲 学位论文原创性声明 11111111111111111111111111111111111111111111111111 Y1848170 本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究 所取得的研究成果。除了文中特别加以标投引用的内容外，本论文不包 含任何其他个人或集体巳经发表或撰写的成果作品，也不包含为获得中 南林业科技大学或其他教育机构的学位或证书所使用过的材料。对本文 的研究作出重要贡献的个人和集体，均已在文中以明确方式表明。本人 nm盹 nm盹 认 牛庄，问 翻 作 船、 船 、护 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，问意 学校保留并向国家有关部门或机构送交论文的复印件或电子版，允许 论文被查阅或借阅。本人授权中南林业科技大学可以将本学位论文的 全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫 描等复制手段保存和汇编本学位论文。 本学位论文属于: 1、 保密口川在年解密后适用本授权书。 2、 不保密团。 (请您在以上相应方框打 J 勺 作者签名:在企 b咿 Y 年 9 月!共日 导师签名:各61叫 切J?-年 b 月 IY 日 基于 ICA 域的泊怡嗖声消除算怯以及在 CT 成像中的服用 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意要研究方向，并 正在迅速成为多维数据分析的一个有力工具。 ICA 是一种信号处理方法，它是在 既不知道源信号的分布，又不知道源倍号的混合模型的情况下，仅利用一组巳知 的源倍号的混合倍号来恢复或提取独立的源倍号，其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，完成分最间高阶冗 余的去除及独立信源的提取。它在特征提取、语音识别和医学信号处理等方面有 着广泛的应用，目前已成为盲信号处理、人工神经网络等研究领域中的一个研究 热点。 本文主要的工作是围绕独立分最分析理论、算法及其在图像特征提取与 CT 阁像消噪中的应用而展开。具体内容如下: 1)概述独立分量分析理论的研究和发展现状及存在的问题。 2) 介绍与独立分最分析研究密切相关的统计和信息论的基本知识。 3) 对常用的独立分最分析算法进行了研究。 4) 分析了 CT 成像原理并使用 EGSnrc 蒙特卡洛模拟系统模拟 CT 成像。 5) 对独立分最分析理论算法在图像特征提取、消噪中的应用进行了研究。首 先对自然景物图像进行特征提取，设计了非线性阙值函数对提取的特征进 行阙值处理，并将其应用于图像中泊松噪声的去除，获得了较好的图像特 征提取和消噪效果。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，获得较好的分析处理效果。在 CT 图像消噪过 程中，我们第一次使用 EGSnrc 蒙特卡洛模拟系统来模拟 CT 成像，并利用 模拟数据重建源阁像。实验中，还进行了不同消嗨方法的比较研究，将独 立分量分析方法与其他一些常用方法进行了比较，如维纳滤波方法。实验 结果表明，基于独立分量分析的图像特征提取和结合模拟数据的消噪方法 是非常有效的。 关键词 z 独立分量分析，窗源分离，特征提取，基函数 基于 ICA 域的泊松噪卢消除算法以及;在 C1 成像中的应用 ABSTRACT Independent Component Analysis (ICA) which produced with Blind Source Separation is a novel signal processing method developed recently ，it analyzes the data from a statistical point of view and becomes a powerful tool on analysis of multi-dimensional data. ICA aims at recovering the latent variables only from the observed mixtures. It is well known th础， in the field of image analysis and pattem recognition ，much of the impo阳nt information of the image may be contained in the higher. order relationships among the image pixels.