[发明专利]基于单步实时在线处理数字图像的独立分量分析方法

说明书

技术领域：

本发明涉及信号处理技术领域，尤其涉及一种数字图像信号处理。

背景技术

通常，图像在其获取或传输过程中都会受其他信号的污染，为了后续的进一步处理，有必要进行信号分离处理。信号分离的目的就是尽可能地提取接收的信号中各个不同且相互独立的分量，以提高原始图像的质量，这类分离方法中以独立分量分析方法最具代表性。独立分量分析方法就是在信源s和信号传输特征未知的情况下，仅仅通过接收到的混合信号x来对这些相互独立的源信号进行分离。目前的独立分量分析方法多从概率论或信息论的角度出发，根据源信号的特点确定优化判据条件，以得到目标函数，然后通过批处理方式或实时在线处理方式对目标函数进行优化获得最终的分离矩阵。结合独立分量分析方法和神经网络模型而提出的实时在线处理方式，在近几年得到广大研究人员的重视，然而传统实时在线处理方式还存在缺点，即需要在盲源分离之前对观察数据进行预白化，虽然预白化后的数据更有利于最终数据收敛到稳定点，但在实现时却需要将其单独做成一个模块，从而影响到算法的实时性能。而且数字图像并不是一个无限长的信号，在固定大小的数字图像分离过程中，现有的实时在线分离方法可能会造成图像未成功分离而数据信号已经用完的情况。文献1(Cichocki A，Amari S.Adaptive Blind Signaland image processing[M].John Wiley & Sons，New York，2002.)及文献2(Hyvarinen A.，Hoyer P.O.Independent Component Analysis[M].JohnWiley & Sons，New York，2001)公开了一种使用传统方法对图像信号的独立分量分析处理的方法。

如图1所示为独立分量分析处理传统算法的系统框架示意图。假设由信源发出的n个长为L，相互独立的信号向量表示为：s(t)＝[s₁(t)，s₂(t)L，s_i(t)]^T  (i＝1:n，t＝1:L)。观察信号为x(t)＝[x₁(t)，x₂(t)，L，x_i(t)]^T(i＝1:n，t＝1:L)。考虑如下线性瞬时混合状态，则s(t)和x(t)之间的关系可用以下的线性混合系统模型来表示：

x(t)＝As(t)                                  (1)

其中A为n×n维的混合矩阵。

在未知混合矩阵A和源信号s(t)的情况下，仅通过源信号之间的相互独立性假设(或者其他一些已知的统计先验信息)，估计恢复出源信号s(t)，获得观察信号x(t)。传统实时在线盲源分离算法利用源信号独立性的假设，先根据观察信号x(t)的二阶统计量信息获得白化矩阵B(x，t)，然后将白化后的信号向量u(t)作为下一步处理对象。接下来，利用一组关于W(t)的分离矩阵模型对观察信号进行分离，构造出关于分离矩阵W(u，t)的代价函数，再将源信号的恢复问题转化为关于分离矩阵W(u，t)的代价函数优化问题。这种盲源分离系统的数学模型可以表述为：

y(t)＝W(u，t)u(t)＝W(u，t)B(x，t)x(t)       (2)

其中y(t)为经过分离矩阵以后的输出信号，即是对源信号s(t)的估计，W(u，t)为n×n维的分离参数矩阵，括号中的前一个参数说明该矩阵所调节的对象信号，后一个参数说明该矩阵调节时刻。B(x，t)表示白化矩阵，是关于观察信号x的参数矩阵。在确保观察信号矩阵x(t)经过白化矩阵B(x，t)以后，可以获得一组互不相关的信号u(t)，该信号仅仅是互不相关，并未达到独立性要求，白化后的信号主要是有利于分离矩阵更为有效地趋向于稳定点。