欢迎来到天天文库
浏览记录
ID:36504344
大小:119.00 KB
页数:4页
时间:2019-05-11
《基于独立分量分析的图像特征提取及去噪》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、基于独立分量分析的图像特征提取及去噪范羚1吴小培1,2龙飞1张道信1郭晓静1(1安徽大学计算智能与信号处理教育部重点实验室,合肥230039)(2中国科技大学电子科学与技术系,合肥230026)E-mail:yeahling@yeah.net摘要探讨了一种新的多元统计分析方法——独立分量分析在图像特征提取及噪声去除中的应用。利用基于信息传输最大原则的infomax算法对自然图像的基向量进行迭代学习。实验表明,提取的基向量在空间频率上具有方向性和局部性,描述了输入自然景物图像的边缘特征。结合软门限算子,实现了图像中高斯噪声的
2、去除。关键词独立分量分析特征提取软门限算子稀疏编码文章编号1002-8331-(2003)08-0107-03文献标识码A中图分类号TN911.73ImageFeatureExtractionandImageDenoisingBasedonIndependentComponentAnalysisFanLing1WuXiaopei1,2LongFei1ZhangDaoxin1GuoXiaojing1(1TheKeyLaboratoryofIntelligentComputingandSignalProcessingofMin
3、istryofEducationofChina,Hefei230039)(2DepartmentofElectronicScienceandTechnology,USTC,Hefei230026)Abstract:Anewmultidimensionalsignalprocessingmethod—IndependentComponentAnalysis(ICA)isappliedtoim-agefeatureextractionandimagedenoising.Usingtheinfomax(informationma
4、ximization)algorithmofICAimplementedbyaforwardneuralnetwork,itgetsthebasisvectorsofthenaturalimages.Theexperimentsshowthatthebasisvectorsarelocalizedandoriented,andsensitivetolinesandedgesofvaryingthicknessoftheimages.ThentheGaussiannoiseisreducedbyapplyingasoft-t
5、hresholdingoperatorontheseparatedindependentcomponents.Theperformanceofthismethodisappealing.Keywords:IndependentComponentAnalysi(sICA),FeatureExtraction,Soft-thresholdingoperator,Sparsecoding1引言述的是图像幅度谱,并不涉及相位信息,而高阶统计特性则往在数字图像处理和模式识别中,一个重要的问题是如何为往包含了更重要的图像结构和相位特征
6、。因此,基于高阶统计图像寻找一种合适的描述方法。通常,这样的描述是基于对输特性分析的ICA方法在图像处理中具有独特的优势。入数据的线性变换得到的。该文所采用的独立分量分析方法作为PCA的一种延伸,ICA着眼于数据间的高阶统计特(IndependentComponentAnalysis,简称ICA)是近年来发展起性,使得变换后的各分量之间不仅互不相关,而且还尽可能的来的一种新的多维数字信号处理技术[1,2],将其应用在数字图像统计独立。因此ICA能更加全面揭示数据间的本质结构。将其处理中,对输入图像数据进行ICA分析,从数据
7、间的高阶统计应用于图像特征提取,可实现图像的稀疏编码(SparseCod-相关性角度出发,提取图像内部特征,更有效利用了输入数据ing)。稀疏编码是一种多维数据描述方法,编码后仅有少数分在统计关系上的本质特征[3,4]。量同时处于明显激活状态,这大致等价于编码后的分量呈现超众所周知,图像特征提取对于模式识别、图像压缩以及图高斯分布。而从投影追踪(projectionpursue)角度来讲,ICA是像消噪十分重要。主分量分析(PrincipleComponentAnalysis,把非高斯性(包括超高斯和亚高斯)最强的方向作为
8、投影方向。简称PCA)方法是传统的线性变换技术,在图像特征提取中应由此可见,ICA与稀疏编码间联系密切。此外神经生理研究表用广泛。该方法是一种最小均方意义上的最优变换,其优势在明,人类对认知、感知信息的前期处理具有“去冗余”的特点。1989年,Barlow[5]等人解释到,由于去冗余处理过程的作用,人于
此文档下载收益归作者所有