一种基于解析稀疏表示的图像盲分离方法.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CN105354807A(43)申请公布日2016.02.24(21)申请号201510815145.1(22)申请日2015.11.23(71)申请人南昌大学地址330031江西省南昌市红谷滩新区学府大道999号(72)发明人张烨方婉婷徐标张文全(74)专利代理机构南昌新天下专利商标代理有限公司36115代理人施秀瑾(51)Int.Cl.G06T5/00(2006.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于解析稀疏表示的图像盲分离方法(57)摘要一种基于解析稀疏表示的图像盲分离方法，首先利用图像信号的解析稀疏先验，采用子集追踪算法，通过学习得到源图像的解析字典；然后利用Bregman距离作为目标函数，采用分裂Bregman算法进行恢复源信号；再利用最小二乘法来估计混合系统，循环进行以上三个步骤得到最终源图像。本发明为学习字典提供了比较快速有效的方法；将分裂Bregman算法应用于源信号的恢复中，加快了算法的迭代速度；通过对解析字典、源信号和混合矩阵的迭代估计过程，得到最优的分离结果，这个迭代过程提高了分离的有效性。在无线电通信、雷达与声纳信号处理、医学图像分析、图像信号处理以及语音识别等领域均有广泛的应用。CN105354807ACN105354807A权利要求书1/1页1.一种基于解析稀疏表示的图像盲分离方法，其特征是首先利用图像信号的解析稀疏先验，采用子集追踪算法，通过学习得到源图像的解析字典；然后利用Bregman距离作为目标函数，采用分裂Bregman算法进行恢复源信号；再利用最小二乘法来估计混合系统，循环进行以上三个步骤得到最终源图像。2.根据权利要求1所述的基于解析稀疏表示的图像盲分离方法，其特征是按如下步骤：m×Nm×n①根据已知的混合图像Y＝[y1,y2,...,ym]∈R和假设已知的混合矩阵A∈R得n×N到初始的源图像X＝[x1,x2,...,xn]∈R，从初始源图像xj中重叠抽取出K个大小的图像块，将这些图像块按列排列得到训练数据矩阵p×d②对利用子集追踪算法训练得到解析字典Ωj∈R；③先定义第j个源信号的第i个图像块的剩余量其中，为混合图像的图像块形式，为源图像的图像块形式；采用分裂Bregman算法恢复源图像，其优化函数为：其中为源图像的估计，zji为的解析稀疏表示，λ和μ为可调节的系数；④将第③步得到的所有按列顺序存储可得到然后将中每列排列为大小的图像块，则恢复图像xj由这些图像块拼接而成；⑤利用这个拼接得到的源图像xj，用最小二乘法求解混合矩阵的第j列a:,j；首先定义第j个源图像xj的剩余量估计混合矩阵的目标函数是：2CN105354807A说明书1/4页一种基于解析稀疏表示的图像盲分离方法技术领域[0001]本发明属于图像处理技术领域。涉及一种图像盲分离方法。背景技术[0002]在实际生活，我们得到的信号往往是多个信号的混合物，为了有效的提取信号中的信息，对这些混合物进行分离是很有必要的。盲分离是指在源信号及其混合方式未知的情况下，仅仅利用观测信号来恢复出源信号的过程。盲分离问题可以用以下模型来描述：[0003]Y＝AX+V(1)n×N[0004]上式的含义是n维源信号X＝[x1,x2,...,xn]∈R通过m×n维混合矩阵Am×Nm×N混合，再叠加噪声V∈R得到m维混合信号Y＝[y1,y2,...,ym]∈R。近年来信号盲分离已经取得了很多的研究成果，提出了很多算法来解决源信号的恢复问题，如独立分量分析(IndependentComponentAnalysis,ICA)，稀疏分量分析(SparseComponentAnalysis,SCA)和非负矩阵分解(NonnegativeMatrixFactorization,NMF)等方法。[0005]稀疏分量分析方法的先验知识通常是源信号的稀疏性。而现实生活中的信号大多不是稀疏，因此对信号的稀疏表示是很有必要的。信号的稀疏表示大多采用综合稀疏模型(SynthesisSparseModel)，即在满足一定的近似条件下，用少量过完备字典中的原子的线性组合来表示信号。在综合稀疏模型中，信号由少数原子构成的子空间来表示，使得信号稀疏表示受个别原子影响较大。解析稀疏模型(AnalysisSparseModel)克服了综合稀疏模型稀疏表示性能较差的缺点。假设输入信号x∈Rk，解析字典为Ω∈Rp×k，也称之为解TT析算子(AnalysisOperator)，与综合字典不同，其行向量ωi为解析字典的原子((·)表示转置运算)。Ω一般也是过完备字典，但与综合字典不同，它的行数大于列数，即p＞k。信号x的解析稀疏模型定义为[0006]l:＝p-||Ωx||0(2)[0007]