專利名稱：一種基于稀疏變換的圖像盲源分離方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像降噪方法，特別是一種基于稀疏變換的圖像盲源分離方法。在軍事領(lǐng)域或非軍事領(lǐng)域的圖像處理中均有著重要的應(yīng)用潛力。
背景技術(shù)：
通常，圖像在其獲取或傳輸過程中都會受到其他信號的污染，為了后續(xù)的進(jìn)一步處理，很有必要進(jìn)行分離處理。圖像分離的目的就是盡可能地提取接收信號中的各個獨立信號分量，以提高圖像的質(zhì)量。目前，圖像降噪方法主要分為傳統(tǒng)的濾波方法和盲源分離方法，其中以盲源分離方法最具代表性。
盲源分離方法是在信源S和信號傳輸特征均未知的情況下，僅僅通過接收到的混合信號X來進(jìn)行這些相互獨立的源信號的分離?，F(xiàn)今，主要的盲源分離方法主要有基于高階統(tǒng)計量的獨立分量分析方法(ICA)、基于隨機(jī)梯度下降的最大熵方法(Infomax)、自然梯度學(xué)習(xí)方法(NGA)和采用負(fù)熵判據(jù)的快速ICA方法(FastICA)，即定點方法(Fixed-point)。雖然這些方法在盲源分離方面取得了較好的效果，但是，它們還不是最佳的。
研究表明，輸入信號的稀疏性在很大程度上影響盲源分離方法的性能。當(dāng)輸入信號的越稀疏，圖像盲源分離效果越好。于是，基于小波變換的圖像盲源分離方法應(yīng)運而生，在很大程度上提高了分離效果。但是，由一維小波通過張量積形成的二維可分離小波變換只能有效地表示一維奇異信息即點奇異信息，而不能有效地描述圖像中的二維或高維奇異信息，如線、輪廓等重要信息，從而制約了基于小波變換的圖像盲源分離方法的性能。Contourlet變換作為一種新的信號分析工具，解決了小波變換不能有效表示二維或更高維奇異性的缺點，能準(zhǔn)確地將圖像中的邊緣捕獲到不同尺度、不同頻率、不同方向的子帶中。它不僅具有小波變換的多尺度特性，還具有小波變換不具有的方向性和各向異性，因此能很好地應(yīng)用于圖像處理中。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對現(xiàn)有圖像盲源分離方法方法存在的不足，提出了一種基于稀疏變換的圖像盲源分離方法，該方法在Contourlet變換中獲取分離矩陣，利用這個分離矩陣來對接收到的混合圖像信號進(jìn)行分離，提取混合圖像中的各個獨立分量，達(dá)到圖像盲源分離的目的。
為了達(dá)到上述目的，本發(fā)明采用下述技術(shù)方案一種基于稀疏變換的圖像盲源分離方法。其特征在于首先利用Contourlet變換對接收到的混合圖像信號進(jìn)行多尺度、多方向的稀疏分解，并在Contourlet變換域利用稀疏性判別標(biāo)準(zhǔn)來選取稀疏性最好的子圖像組；然后利用傳統(tǒng)的快速定點獨立分量分析方法對選取的子圖像組進(jìn)行盲分離，獲取分離矩陣；最后，利用這個分離矩陣來對接收到的混合圖像信號進(jìn)行分離，提取混合圖像中的各個獨立分量，達(dá)到圖像盲源分離的目的。
上述圖像盲源分離方法的具體步驟如下①初始化設(shè)置。設(shè)定Contourlet變換的中LP分解層數(shù)K和每層中的方向分解數(shù)Lk；②對接收到的混合圖像X1和X2分別進(jìn)行多尺度、多方向的Contourlet稀疏分解，即[X1lf,X1hf(1,1),L,X1hf(1,Ll),X1hf(2,1),L,X1hf(K,Lk)]=T(X1),---(1)]]>[X2lf,X2hf(1,1),L,X2hf(1,L1),X2hf(2,1),L,X2hf(K,LK)]=T(X2),---(2)]]>其中T(·)為Contourlet變換，從而得到一幅低頻子圖像Xilf和一系列具有不同分辨率的高頻子圖像Xihf(k，l)，其中k∈(1，K)和l∈(1，Lk)標(biāo)明子圖像位于第k層拉普拉斯塔式分解(LP)的第l方向，i代表1或者2；③根據(jù)稀疏性判斷標(biāo)準(zhǔn)，選取Contourlet變換后的高頻子圖像組X1hf(k，l)和X2hf(k，l)中最稀疏的子圖像組，記為X1hf(ksel，lsel)和X2hf(ksel,lsel)。本方法根據(jù)子圖像組的星圖分布和聚類方法來進(jìn)行稀疏性判斷；④對第③步中得到的高頻子圖像組X1hf(ksel，lsel)和X2hf(ksel，lsel)，采用傳統(tǒng)的NGA方法來進(jìn)行盲源分離，獲取分離矩陣W，即W=NGA(X1hf(ksel,lsel),X2hf(ksel,lsel)),---(3)]]>其中，NGA(·)代表NGA方法；⑤利用第④步中得到的W來分離接收到的混合信號，得到獨立分量Y1和Y2有Y1Y2=WX1X2.---(4)]]>得到的分離結(jié)果Y1和Y2即為分離出來的原信號的估計；上述稀疏性判據(jù)是基于選取得的子圖像組的星圖分布和聚類方法來進(jìn)行。具體估計步驟為(a)令Zk,l=[X1hf(k,l),X2hf(k,l)]T,]]>其中k∈(1，K)和l∈(1，Lk)；(b)去除信號中較小的系數(shù)分量，以消除噪聲的影響；(c)將所有的數(shù)據(jù)點投影到單位球面上，即Zk，l＝Zk，l/‖Zk，l‖；(d)將所有的信號點移到正半球面如果數(shù)據(jù)點的第一個坐標(biāo)Zk,l1<0,]]>Zk，l＝-Zk，l；否則，Zk，l＝Zk，l；(e)通過聚類算法來確定聚軸和聚軸中心；(f)計算所有數(shù)據(jù)點到離自身最近聚軸的距離和Dk，l，并以此來衡量稀疏性，Dk，l越小，越稀疏，其星圖中的聚軸就越清晰；(g)對所有的Zk，(for k＝1，...，NL)計算Dk，l，尋求其最小值，令(ksel,lsel)=argmink,l(Dk,l);]]>(h)因此，最稀疏的子圖像組為X1hf(ksel，lsel)和X2hf(ksel，lsel)。
本發(fā)明方法與現(xiàn)有技術(shù)相比較，具有如下顯而易見的突出實質(zhì)性特點和顯著優(yōu)點本發(fā)明提供的基于稀疏變換的圖像盲源分離方法是首先利用Contourlet變換對接收到的混合圖像信號進(jìn)行多尺度、多方向的稀疏分解，并在Contourlet變換域利用稀疏性判別標(biāo)準(zhǔn)來選取稀疏性最好的子圖像組；然后利用傳統(tǒng)的快速定點獨立分量分析方法對選取的子圖像組進(jìn)行盲分離，獲取分離矩陣；最后，利用這個分離矩陣來對接收到的混合圖像信號進(jìn)行分離，提取混合圖像中的各個獨立分量，達(dá)到圖像盲源分離的目的。
具體特點和優(yōu)點為(1)針對現(xiàn)有最具有代表性的小波域閾值降噪方法中小波變換的缺點一不能有效地表示圖像中的二位或高維奇異性，將Contourlet變換應(yīng)用到圖像降噪中，進(jìn)行多尺度、多方向分解，為后續(xù)降噪過程提供稀疏的圖像描述系數(shù)。
(2)針對現(xiàn)有圖像盲源分離方法方法存在的不足，提出了基于稀疏變換的圖像盲源分離方法，。
(3)將接收到的信號利用Contourlet變換進(jìn)行稀疏分解，在稀疏的條件下進(jìn)行盲源分離，提高圖像盲源的分離精度，提高分離圖像的效果。
(4)根據(jù)子圖像組的星圖分布和聚類方法來進(jìn)行稀疏性判斷，選取稀疏性最好的子圖像組，獲取準(zhǔn)確的分離矩陣W。
本發(fā)明提供的基于稀疏變換的圖像盲源分離方法能提高圖像盲源的分離精度，達(dá)到理想的圖像分離效果。在軍事領(lǐng)域或非軍事領(lǐng)域的無線電通信系統(tǒng)、聲納與雷達(dá)系統(tǒng)、音頻與聲學(xué)和醫(yī)學(xué)信號處理中均有著重要的應(yīng)用潛力。


圖1為本發(fā)明一個實施例的基于稀疏變換的圖像盲源分離方法框圖。
圖2是圖1示例盲源分離結(jié)果照片圖。圖中，(a)和(b)為接收到的兩幅混合圖像，(c)和(d)為基于小波變換的圖像盲源分離方法的分離結(jié)果，(e)和(f)為采用本發(fā)明方法的分離結(jié)果。
具體實施例方式
本發(fā)明的一個優(yōu)選實施例結(jié)合附圖祥述如下本基于稀疏變換的圖像盲源分離方法，如圖1所示。首先利用Contourlet變換對接收到的混合圖像信號進(jìn)行多尺度、多方向的稀疏分解，并在Contourlet變換域利用稀疏性判別標(biāo)準(zhǔn)來選取稀疏性最好的子圖像組；然后利用傳統(tǒng)的快速定點獨立分量分析方法對選取的子圖像組進(jìn)行盲分離，獲取分離矩陣；最后，利用這個分離矩陣來對接收到的混合圖像信號進(jìn)行分離，提取混合圖像中的各個獨立分量，達(dá)到圖像盲源分離的目的。
具體步驟為①初始化設(shè)置。設(shè)定Contourlet變換的中LP分解層數(shù)K和每層中的方向分解數(shù)Lk；②對接收到的混合圖像X1和X2分別進(jìn)行多尺度、多方向的Contourlet稀疏分解，即[X1lf,X1hf(1,1),L,X1hf(1,L1),X1hf(2,1),L,X1hf(K,Lk)]=T(X1),]]>[X2lf,X2hf(1,1),L,X2hf(1,L1),X2hf(2,1),L,X2hf(K,Lk)]=T(X2),]]>其中T(·)為Contourlet變換，從而得到一幅低頻子圖像Xilf和一系列具有不同分辨率的高頻子圖像Xihf(k，l)，其中k∈(1，K)和l∈(1，Lk)標(biāo)明子圖像位于第k層拉普拉斯塔式分解(LP)的第l方向，i代表1或者2；③根據(jù)稀疏性判斷標(biāo)準(zhǔn)，選取Contourlet變換后的高頻子圖像組X1hf(k，l)和X2hf(k，l)中最稀疏的子圖像組，記為X1hf(ksel，lsel)和X2hf(ksel，lsel)。本方法根據(jù)子圖像組的星圖分布和聚類方法來進(jìn)行稀疏性判斷，具體方法如下A.令Zk,l=[X1hf(k,l),X2hf(k.l)]T,]]>其中k∈(1，K)和l∈(1，Lk)；B.去除信號中較小的系數(shù)分量，以消除噪聲的影響；C.將所有的數(shù)據(jù)點投影到單位球面上，即Zk，l＝Zk，l/‖Zk，l‖；D.將所有的信號點移到正半球面如果數(shù)據(jù)點的第一個坐標(biāo)Zk,l1<0,]]>Zk，l＝-Zk，l；否則，Zk，l＝Zk，l；E.通過聚類算法來確定聚軸和聚軸中心；F.計算所有數(shù)據(jù)點到離自身最近聚軸的距離和Dk，l，并以此來衡量稀疏性，Dk，l越小，越稀疏，其星圖中的聚軸就越清晰；G.對所有的Zk，(for k＝1，...，NL)計算Dk，l，尋求其最小值，令(ksel,lsel)=argmink,l(Dk,l);]]>H.因此，最稀疏的子圖像組為X1hf(ksel，lsel)和X2hf(ksel，lsel)。
④對第③步中得到的高頻子圖像組X1hf(ksel，lsel)和X2hf(ksel，lsel)，采用傳統(tǒng)的NGA方法來進(jìn)行盲源分離，獲取分離矩陣W，即W=NGA(X1hf(ksel,lsel),X2hf(ksel,lsel)),]]>其中，NGa(·)代表NGA方法；⑤利用第④步中得到的W來分離接收到的混合信號，得到獨立分量Y1和Y2有Y1Y2=WX1X2.]]>得到的分離結(jié)果Y1和Y2即為分離出來的原信號的估計；從圖2可以看出，相比目前最好的基于小波變換的圖像盲源分離方法，本圖像盲源分離方法能更好地分離接收信號中的獨立圖像分量，進(jìn)一步提高圖像盲源的分離精度，提高分離圖像的效果。
表1給出了本發(fā)明圖像盲源分離結(jié)果的客觀評價指標(biāo)。
表中采用了峰值信噪比(PSNR)來衡量降噪圖像的質(zhì)量，進(jìn)而評價本發(fā)明圖像盲源分離方法的優(yōu)劣。
從表中液可以得出同樣的結(jié)論，本圖像盲源分離方法能更好地分離接收信號中的獨立圖像分量，進(jìn)一步提高圖像盲源的分離精度，提高分離圖像的效果。
總之，無論是從人眼視覺效果，還是從客觀評價指標(biāo)，均表明本發(fā)明方法具有更高的分離精度，更好的分離效果。
表1分離效果的客觀評價指標(biāo)

權(quán)利要求
1.一種基于稀疏變換的圖像盲源分離方法，其特征在于首先利用Contourlet變換對接收到的混合圖像信號進(jìn)行多尺度、多方向的稀疏分解，并在Contourlet變換域利用稀疏性判別標(biāo)準(zhǔn)來選取稀疏性最好的子圖像組；然后利用傳統(tǒng)的快速定點獨立分量分析方法對選取的子圖像組進(jìn)行盲分離，獲取分離矩陣；最后，利用這個分離矩陣來對接收到的混合圖像信號進(jìn)行分離，提取混合圖像中的各個獨立分量，達(dá)到圖像盲源分離的目的。
2.根據(jù)權(quán)利要求1所述的基于稀疏變換的圖像盲源分離方法，其特征在于具體操作步驟為①.初始化設(shè)置，設(shè)定Contourlet變換的中LP分解層數(shù)K和每層中的方向分解數(shù)Lk；②.對接收到的混合圖像X1和X2分別進(jìn)行多尺度、多方向的Contourlet稀疏分解，即[X1lf,X1hf(1,l),L,X1hf(1,Ll),X1hf(2,l),L,X1hf(K,Lk)]=T(X1),]]>[X2lf,X2hf(1,l),L,X2hf(1,Ll),X2hf(2,l),L,X2hf(K,Lk)]=T(X2),]]>其中T(·)為Contourlet變換，從而得到一幅低頻子圖像Xilf和一系列具有不同分辨率的高頻子圖像Xihf(k，l)，其中k∈(1，K)和l∈(1，Lk)標(biāo)明子圖像位于第k層拉普拉斯塔式分解(LP)的第l方向，i代表1或者2；③.根據(jù)稀疏性判斷標(biāo)準(zhǔn)，選取Contourlet變換后的高頻子圖像組X1hf(k，l)和X2hf(k，l)中最稀疏的子圖像組，記為X1hf(ksel，lsel)和X2hf(ksel，lsel)，本方法根據(jù)子圖像組的星圖分布和聚類方法來進(jìn)行稀疏性判斷；④.對第③步中得到的高頻子圖像組X1hf(ksel，lsel)和X2hf(ksel，lsel)，采用傳統(tǒng)的NGA方法來進(jìn)行盲源分離，獲取分離矩陣W，即W=NGA(X1hf(ksel,lsel),X2hf(ksel,lsel)),]]>其中，NGA(·)代表NGA方法；⑤.利用第④步中得到的W來分離接收到的混合信號，得到獨立分量Y1和Y2有Y1Y2=WX1X2,]]>得到的分離結(jié)果Y1和Y2即為分離出來的原信號的估計。
3.根據(jù)權(quán)利要求2所述的基于稀疏變換的圖像盲源分離方法，其特征在于所述的步驟③中根據(jù)子圖像組的星圖分布和聚類方法進(jìn)行稀疏性判斷的步驟為(a)令Zk,l=[X1hf(k,l),X2hf(k,l)]T,]]>其中k∈(1，K)和l∈(1，Lk)；(b)去除信號中較小的系數(shù)分量，以消除噪聲的影響；(c)將所有的數(shù)據(jù)點投影到單位球面上，即Zk，l＝Zk，l/‖Zk，l‖；(d)將所有的信號點移到正半球面如果數(shù)據(jù)點的第一個坐標(biāo)Zk.l1<0,]]>Zk，l＝-Zk，l；否則，Zk，l＝Zk，l；(e)通過聚類算法來確定聚軸和聚軸中心；(f)計算所有數(shù)據(jù)點到離自身最近聚軸的距離和Dk，l，并以此來衡量稀疏性，Dk，l，越小，越稀疏，其星圖中的聚軸就越清晰；(g)對所有的Zk，(for k＝l，…，NL)計算Dk，l尋求其最小值，令(ksel,lsel)=aegmink,l(Dk,l);]]>(h)因此，最稀疏的子圖像組為x1hf(ksel，lsel)和x2hf(ksel，lsel)。
全文摘要
本發(fā)明涉及一種基于稀疏變換的圖像盲源分離方法。本方法首先利用Contourlet變換對接收到的混合圖像信號進(jìn)行多尺度、多方向的稀疏分解，并在Contourlet變換域利用稀疏性判別標(biāo)準(zhǔn)來選取稀疏性最好的子圖像組；然后利用傳統(tǒng)的快速定點獨立分量分析方法對選取的子圖像組進(jìn)行盲分離，獲取分離矩陣；最后，利用這個分離矩陣來對接收到的混合圖像信號進(jìn)行分離，提取混合圖像中的各個獨立分量，達(dá)到圖像盲源分離的目的。本發(fā)明提供的圖像盲分離方法能提高盲源分離的精度，達(dá)到較理想的分離效果，適用于軍事領(lǐng)域或非軍事領(lǐng)域的無線電通信系統(tǒng)、聲納與雷達(dá)系統(tǒng)、音頻與聲學(xué)和醫(yī)學(xué)信號處理中。
文檔編號G06K9/40GK1936926SQ200610116698
公開日2007年3月28日 申請日期2006年9月28日 優(yōu)先權(quán)日2006年9月28日
發(fā)明者劉盛鵬, 方勇 申請人:上海大學(xué)