基于ICA的混合圖像盲分離算法

1、基于ICA的混合圖像盲分離算法摘要：實現(xiàn)了一種全集成可變帶寬中頻寬帶低通濾波器，討論分析了跨導(dǎo)放大器-電容(OTAC)連續(xù)時間型濾波器的結(jié)構(gòu)、設(shè)計和具體實現(xiàn)，使用外部可編程電路對所設(shè)計濾波器帶寬進(jìn)行控制，并利用ADS軟件進(jìn)行電路設(shè)計和仿真驗證。仿真結(jié)果表明，該濾波器帶寬的可調(diào)范圍為126 MHz，阻帶抑制率大于35 dB，帶內(nèi)波紋小于05 dB，采用18 V電源，TSMC 018m CMOS工藝庫仿真，功耗小于21 mW，頻響曲線接近理想狀態(tài)。關(guān)鍵詞：ButteO 引言盲信號處理(BSP)是目前信號處理中最熱門的學(xué)科之一，它具有可靠的理論基礎(chǔ)和許多方面的應(yīng)用潛力。事實上，BSP已成為重要的研究

2、課題，并在許多領(lǐng)域得到發(fā)展。多源混合信號的盲分離技術(shù)在通訊、語音信號處理、生物醫(yī)學(xué)信號處理、陣列信號處理以及通用信號分析等方面有著非常重要的應(yīng)用價值。獨立分量分析(Independent Component-Analysis，簡稱ICA)是近年來由盲信源分解技術(shù)發(fā)展而來的多道信號處理辦法。通過假定傳感器陣列所采集到的信號是多個具有統(tǒng)計獨立性的內(nèi)在信源信號的線性疊加，再采用某種特定的優(yōu)化準(zhǔn)則將所謂的獨立分量一一分解出來。該方法的基本思路是以非高斯信號為研究對象，在獨立性假設(shè)的前提下，對多路觀測信號進(jìn)行盲源分離。在滿足一定的條件下，能夠從多路觀測信號中，較好地分離出隱含的獨立源信號。盲信號分離可以

3、用于對二維數(shù)據(jù)，如圖像的處理。在圖像恢復(fù)和重構(gòu)問題中，主要任務(wù)就是從被污染的圖像中恢復(fù)出原本的面目。有各種可能造成圖像的污染，如相機(jī)抖動、鏡頭變換、傳輸噪聲疊加等，這些因素都是未知的。本研究在仿真試驗中，用ICA成功分離出原始圖像。1 ICA基本原理 獨立分量分析旨在對獨立信源產(chǎn)生且經(jīng)過未知混合的觀測信號進(jìn)行盲分離，從而重現(xiàn)原獨立信源，其應(yīng)用主要集中在盲源分離和特征提取兩方面。ICA問題可簡單描述為： 設(shè)有N個未知的源信號Si(t)，i=1，N構(gòu)成一個列向量S(t)=S1(t)，SN(t)T，其中，t是離散時刻，取值為0，1，2，。設(shè)A是一個MN維矩陣，一般稱為混合矩陣(mixing matr

4、ix)。設(shè)X(t)=Xl(t)，XM(t)T是由M個可觀察信號Xi(t)，i=1，M，構(gòu)成的列向量，且滿足下列方程： X(t)=AS(t)，MN (1) BSS的問題是，對任意t，根據(jù)已知的X(t)在A未知的條件下求未知的S(t)。這構(gòu)成一個無噪聲的盲分離問題。設(shè)N(t)=Nl(t)，NM(t)T是由M個白色、高斯、統(tǒng)計獨立噪聲信號Ni(t)構(gòu)成的列向量，且X(t)滿足下列方程：X(t)=AS(t)+N(t)，MN (2)則由已知的X(t)在A未知時求S(t)的問題是一個有噪聲盲分離問題。 ICA的目的是對任何t，根據(jù)已知的X(t)在A未知的情況下求未知的S(t)，ICA的思路是設(shè)置一個NN維

5、反混合陣W=(wij)，X(t)經(jīng)過W變換后得到N維輸出列向量Y(t)=Yl(t)，YN(t)T，即有 Y(t)=WX(t)=WAS(t) (3) 整個過程可以表示成如圖l： 如果通過學(xué)習(xí)得以實現(xiàn)WA=I(I是NN維單位陣)，則Y(t)=S(t)，從而達(dá)到了源信號分離目標(biāo)。2 FastICA算法 FastICA算法本質(zhì)上是一種最小化估計分量互信息的神經(jīng)網(wǎng)絡(luò)方法，利用最大熵原理來近似負(fù)熵，并通過一個合適的非線性函數(shù)g使其達(dá)到最優(yōu)。其算法具有很多神經(jīng)算法里的優(yōu)點：并行的、分布的、計算簡單、要求內(nèi)存小。如果要估計多個分量，我們可以按如下步驟計算： 1)對觀測數(shù)據(jù)進(jìn)行中心化，使它的均值為0； 2)對數(shù)

6、據(jù)進(jìn)行白化，XZ。 3)選擇需要估計的分量的個數(shù)m，設(shè)迭代次數(shù)p1。 4)選擇一個初始權(quán)矢量(隨機(jī)的)Wp。 5)令Wp=EZg(WTpZ)一Eg(WTpZ)W，非線性函數(shù)g的選取見前文。 8)假如Wp不收斂的話，返回第5步。 9)令p=p十l，如果pm，返回第4步。3 試驗仿真結(jié)果及主要Matlab代碼盲源分離已經(jīng)在圖像處理領(lǐng)域得以應(yīng)用，在仿真數(shù)據(jù)下驗證FastICA算法對圖像盲分離的效果如圖2所示。原始圖像為3幅彩色圖像，產(chǎn)生隨機(jī)混合矩陣，將原始圖像混合后得到混合圖像，可見原始圖像已經(jīng)看不出來。用FastICA對上面的混合圖像進(jìn)行盲分離，即假定在未知源圖像和混合矩陣下對混合圖像進(jìn)行分離，得到分離后的結(jié)果，由于ICA問題本身具有一些不確定因素，包括：1)分離后結(jié)果的排序與源信號會不一致；2)分離后的信號可能會與源信號相差一個負(fù)號。由于仿真實驗在源圖像未知情況下進(jìn)行，因此我們在分離后的圖形中可能會發(fā)現(xiàn)圖像的排序發(fā)生變化，不過這些不會影響該算法對實際問題的處理。熱門詞條繼電器981-1A-3DSF1206系列 國巨貼片電阻 5% 1%xtr105pa貼片電感LFQ322520-