一种置换混叠图像盲分离方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109034070A(43)申请公布日2018.12.18(21)申请号201810848315.X(22)申请日2018.07.27(71)申请人河南师范大学地址453007河南省新乡市建设东路46号(72)发明人段新涛李飞飞刘艺航(74)专利代理机构郑州睿信知识产权代理有限公司41119代理人吴敏(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图14页(54)发明名称一种置换混叠图像盲分离方法及装置(57)摘要本发明涉及一种置换混叠图像盲分离方法及装置，该方法包括：根据至少两个已知置换区域位置的含噪声的置换混叠图像，获取训练数据集；构建卷积神经网络，将获取的训练数据集输入到卷积神经网络进行训练，获得训练好的卷积神经网络；将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。本发明采用卷积神经网络对置换混叠图像自动提取特征，提取的特征稳定，不受人为因素的影响，提高了图像分离的准确性；并且，通过将分离问题转为分类问题进行解决，简化了分离过程，提高了分离速度。CN109034070ACN109034070A权利要求书1/1页1.一种置换混叠图像盲分离方法，其特征在于，步骤如下：将至少两个已知置换区域位置的含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。2.根据权利要求1所述的置换混叠图像盲分离方法，其特征在于，将图像特征图的矩阵中像素为0的像素值及其附近的像素值修改为1，其他像素值修改为0，得到优化后的图像特征图。3.根据权利要求1或2所述的置换混叠图像盲分离方法，其特征在于，所述卷积神经网络包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层和输出层。4.一种置换混叠图像盲分离装置，其特征在于，包括处理器和存储器，所述处理器用于处理存储在存储器中的指令以实现如下方法：将至少两个已知置换区域位置的含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。5.根据权利要求4所述的置换混叠图像盲分离装置，其特征在于，将图像特征图的矩阵中像素为0的像素值及其附近的像素值修改为1，其他像素值修改为0，得到优化后的图像特征图。6.根据权利要求4或5所述的置换混叠图像盲分离装置，其特征在于，所述卷积神经网络包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层和输出层。2CN109034070A说明书1/5页一种置换混叠图像盲分离方法及装置技术领域[0001]本发明涉及一种置换混叠图像盲分离方法及装置，属于信号处理技术领域。背景技术[0002]盲源分离(BlindSourceSeparation,BSS)，又称为盲信号分离(BlindSignalSeparation,BSS)，是在不需要太多的源信号和信道先验信息的情况下，仅根据观测到的混合输出信号，分离出各输入源信号的过程，是信号处理领域的一个研究热点，被广泛应用于图像处理、数据传输、语音信号处理、移动通信、生物医学信号处理等领域。置换混叠图像盲分离是在置换区域的位置、大小、个数未知的情况下，将置换区域与被置换区域进行分离。之后，国内学者对此类置换混叠图像展开进一步研究，并获得了一些成果。[0003]2009年方勇等人根据盲源分离的定义，首次概括出置换混叠信号的数学模型，并利用特征域可分的原理对其进行研究，提出特征域可分性的置换混叠区域的分离方法。20