专利名称：一种基于稀疏变换的图像盲源分离方法
技术领域：
本发明涉及一种图像降噪方法，特别是一种基于稀疏变换的图像盲源分离方法。在军事领域或非军事领域的图像处理中均有着重要的应用潜力。
背景技术：
通常，图像在其获取或传输过程中都会受到其他信号的污染，为了后续的进一步处理，很有必要进行分离处理。图像分离的目的就是尽可能地提取接收信号中的各个独立信号分量，以提高图像的质量。目前，图像降噪方法主要分为传统的滤波方法和盲源分离方法，其中以盲源分离方法最具代表性。
盲源分离方法是在信源S和信号传输特征均未知的情况下，仅仅通过接收到的混合信号X来进行这些相互独立的源信号的分离。现今，主要的盲源分离方法主要有基于高阶统计量的独立分量分析方法(ICA)、基于随机梯度下降的最大熵方法(Infomax)、自然梯度学习方法(NGA)和采用负熵判据的快速ICA方法(FastICA)，即定点方法(Fixed-point)。虽然这些方法在盲源分离方面取得了较好的效果，但是，它们还不是最佳的。
研究表明，输入信号的稀疏性在很大程度上影响盲源分离方法的性能。当输入信号的越稀疏，图像盲源分离效果越好。于是，基于小波变换的图像盲源分离方法应运而生，在很大程度上提高了分离效果。但是，由一维小波通过张量积形成的二维可分离小波变换只能有效地表示一维奇异信息即点奇异信息，而不能有效地描述图像中的二维或高维奇异信息，如线、轮廓等重要信息，从而制约了基于小波变换的图像盲源分离方法的性能。Contourlet变换作为一种新的信号分析工具，解决了小波变换不能有效表示二维或更高维奇异性的缺点，能准确地将图像中的边缘捕获到不同尺度、不同频率、不同方向的子带中。它不仅具有小波变换的多尺度特性，还具有小波变换不具有的方向性和各向异性，因此能很好地应用于图像处理中。
发明内容
本发明的目的在于针对现有图像盲源分离方法方法存在的不足，提出了一种基于稀疏变换的图像盲源分离方法，该方法在Contourlet变换中获取分离矩阵，利用这个分离矩阵来对接收到的混合图像信号进行分离，提取混合图像中的各个独立分量，达到图像盲源分离的目的。
为了达到上述目的，本发明采用下述技术方案一种基于稀疏变换的图像盲源分离方法。其特征在于首先利用Contourlet变换对接收到的混合图像信号进行多尺度、多方向的稀疏分解，并在Contourlet变换域利用稀疏性判别标准来选取稀疏性最好的子图像组；然后利用传统的快速定点独立分量分析方法对选取的子图像组进行盲分离，获取分离矩阵；最后，利用这个分离矩阵来对接收到的混合图像信号进行分离，提取混合图像中的各个独立分量，达到图像盲源分离的目的。
上述图像盲源分离方法的具体步骤如下①初始化设置。设定Contourlet变换的中LP分解层数K和每层中的方向分解数Lk；②对接收到的混合图像X1和X2分别进行多尺度、多方向的Contourlet稀疏分解，即[X1lf,X1hf(1,1),L,X1hf(1,Ll),X1hf(2,1),L,X1hf(K,Lk)]=T(X1),---(1)]]>[X2lf,X2hf(1,1),L,X2hf(1,L1),X2hf(2,1),L,X2hf(K,LK)]=T(X2),---(2)]]>其中T(·)为Contourlet变换，从而得到一幅低频子图像Xilf和一系列具有不同分辨率的高频子图像Xihf(k，l)，其中k∈(1，K)和l∈(1，Lk)标明子图像位于第k层拉普拉斯塔式分解(LP)的第l方向，i代表1或者2；③根据稀疏性判断标准，选取Contourlet变换后的高频子图像组X1hf(k，l)和X2hf(k，l)中最稀疏的子图像组，记为X1hf(ksel，lsel)和X2hf(ksel,lsel)。本方法根据子图像组的星图分布和聚类方法来进行稀疏性判断；④对第③步中得到的高频子图像组X1hf(ksel，lsel)和X2hf(ksel，lsel)，采用传统的NGA方法来进行盲源分离，获取分离矩阵W，即W=NGA(X1hf(ksel,lsel),X2hf(ksel,lsel)),---(3)]]>其中，NGA(·)代表NGA方法；⑤利用第④步中得到的W来分离接收到的混合信号，得到独立分量Y1和Y2有Y1Y2=WX1X2.---(4)]]>得到的分离结果Y1和Y2即为分离出来的原信号的估计；上述稀疏性判据是基于选取得的子图像组的星图分布和聚类方法来进行。具体估计步骤为(a)令Zk,l=[X1hf(k,l),X2hf(k,l)]T,]]>其中k∈(1，K)和l∈(1，Lk)；(b)去除信号中较小的系数分量，以消除噪声的影响；(c)将所有的数据点投影到单位球面上，即Zk，l＝Zk，l/‖Zk，l‖；(d)将所有的信号点移到正半球面如果数据点的第一个坐标Zk,l1<0,]]>Zk，l＝-Zk，l；否则，Zk，l＝Zk，l；(e)通过聚类算法来确定聚轴和聚轴中心；(f)计算所有数据点到离自身最近聚轴的距离和Dk，l，并以此来衡量稀疏性，Dk，l越小，越稀疏，其星图中的聚轴就越清晰；(g)对所有的Zk，(for k＝1，...，NL)计算Dk，l，寻求其最小值，令(ksel,lsel)=argmink,l(Dk,l);]]>(h)因此，最稀疏的子图像组为X1hf(ksel，lsel)和X2hf(ksel，lsel)。
本发明方法与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点本发明提供的基于稀疏变换的图像盲源分离方法是首先利用Contourlet变换对接收到的混合图像信号进行多尺度、多方向的稀疏分解，并在Contourlet变换域利用稀疏性判别标准来选取稀疏性最好的子图像组；然后利用传统的快速定点独立分量分析方法对选取的子图像组进行盲分离，获取分离矩阵；最后，利用这个分离矩阵来对接收到的混合图像信号进行分离，提取混合图像中的各个独立分量，达到图像盲源分离的目的。
具体特点和优点为(1)针对现有最具有代表性的小波域阈值降噪方法中小波变换的缺点一不能有效地表示图像中的二位或高维奇异性，将Contourlet变换应用到图像降噪中，进行多尺度、多方向分解，为后续降噪过程提供稀疏的图像描述系数。
(2)针对现有图像盲源分离方法方法存在的不足，提出了基于稀疏变换的图像盲源分离方法，。
(3)将接收到的信号利用Contourlet变换进行稀疏分解，在稀疏的条件下进行盲源分离，提高图像盲源的分离精度，提高分离图像的效果。
(4)根据子图像组的星图分布和聚类方法来进行稀疏性判断，选取稀疏性最好的子图像组，获取准确的分离矩阵W。
本发明提供的基于稀疏变换的图像盲源分离方法能提高图像盲源的分离精度，达到理想的图像分离效果。在军事领域或非军事领域的无线电通信系统、声纳与雷达系统、音频与声学和医学信号处理中均有着重要的应用潜力。
图1为本发明一个实施例的基于稀疏变换的图像盲源分离方法框图。
图2是图1示例盲源分离结果照片图。图中，(a)和(b)为接收到的两幅混合图像，(c)和(d)为基于小波变换的图像盲源分离方法的分离结果，(e)和(f)为采用本发明方法的分离结果。
具体实施例方式
本发明的一个优选实施例结合附图祥述如下本基于稀疏变换的图像盲源分离方法，如图1所示。首先利用Contourlet变换对接收到的混合图像信号进行多尺度、多方向的稀疏分解，并在Contourlet变换域利用稀疏性判别标准来选取稀疏性最好的子图像组；然后利用传统的快速定点独立分量分析方法对选取的子图像组进行盲分离，获取分离矩阵；最后，利用这个分离矩阵来对接收到的混合图像信号进行分离，提取混合图像中的各个独立分量，达到图像盲源分离的目的。
具体步骤为①初始化设置。设定Contourlet变换的中LP分解层数K和每层中的方向分解数Lk；②对接收到的混合图像X1和X2分别进行多尺度、多方向的Contourlet稀疏分解，即[X1lf,X1hf(1,1),L,X1hf(1,L1),X1hf(2,1),L,X1hf(K,Lk)]=T(X1),]]>[X2lf,X2hf(1,1),L,X2hf(1,L1),X2hf(2,1),L,X2hf(K,Lk)]=T(X2),]]>其中T(·)为Contourlet变换，从而得到一幅低频子图像Xilf和一系列具有不同分辨率的高频子图像Xihf(k，l)，其中k∈(1，K)和l∈(1，Lk)标明子图像位于第k层拉普拉斯塔式分解(LP)的第l方向，i代表1或者2；③根据稀疏性判断标准，选取Contourlet变换后的高频子图像组X1hf(k，l)和X2hf(k，l)中最稀疏的子图像组，记为X1hf(ksel，lsel)和X2hf(ksel，lsel)。本方法根据子图像组的星图分布和聚类方法来进行稀疏性判断，具体方法如下A.令Zk,l=[X1hf(k,l),X2hf(k.l)]T,]]>其中k∈(1，K)和l∈(1，Lk)；B.去除信号中较小的系数分量，以消除噪声的影响；C.将所有的数据点投影到单位球面上，即Zk，l＝Zk，l/‖Zk，l‖；D.将所有的信号点移到正半球面如果数据点的第一个坐标Zk,l1<0,]]>Zk，l＝-Zk，l；否则，Zk，l＝Zk，l；E.通过聚类算法来确定聚轴和聚轴中心；F.计算所有数据点到离自身最近聚轴的距离和Dk，l，并以此来衡量稀疏性，Dk，l越小，越稀疏，其星图中的聚轴就越清晰；G.对所有的Zk，(for k＝1，...，NL)计算Dk，l，寻求其最小值，令(ksel,lsel)=argmink,l(Dk,l);]]>H.因此，最稀疏的子图像组为X1hf(ksel，lsel)和X2hf(ksel，lsel)。
④对第③步中得到的高频子图像组X1hf(ksel，lsel)和X2hf(ksel，lsel)，采用传统的NGA方法来进行盲源分离，获取分离矩阵W，即W=NGA(X1hf(ksel,lsel),X2hf(ksel,lsel)),]]>其中，NGa(·)代表NGA方法；⑤利用第④步中得到的W来分离接收到的混合信号，得到独立分量Y1和Y2有Y1Y2=WX1X2.]]>得到的分离结果Y1和Y2即为分离出来的原信号的估计；从图2可以看出，相比目前最好的基于小波变换的图像盲源分离方法，本图像盲源分离方法能更好地分离接收信号中的独立图像分量，进一步提高图像盲源的分离精度，提高分离图像的效果。
表1给出了本发明图像盲源分离结果的客观评价指标。
表中采用了峰值信噪比(PSNR)来衡量降噪图像的质量，进而评价本发明图像盲源分离方法的优劣。
从表中液可以得出同样的结论，本图像盲源分离方法能更好地分离接收信号中的独立图像分量，进一步提高图像盲源的分离精度，提高分离图像的效果。
总之，无论是从人眼视觉效果，还是从客观评价指标，均表明本发明方法具有更高的分离精度，更好的分离效果。
表1分离效果的客观评价指标
权利要求
1.一种基于稀疏变换的图像盲源分离方法，其特征在于首先利用Contourlet变换对接收到的混合图像信号进行多尺度、多方向的稀疏分解，并在Contourlet变换域利用稀疏性判别标准来选取稀疏性最好的子图像组；然后利用传统的快速定点独立分量分析方法对选取的子图像组进行盲分离，获取分离矩阵；最后，利用这个分离矩阵来对接收到的混合图像信号进行分离，提取混合图像中的各个独立分量，达到图像盲源分离的目的。
2.根据权利要求1所述的基于稀疏变换的图像盲源分离方法，其特征在于具体操作步骤为①.初始化设置，设定Contourlet变换的中LP分解层数K和每层中的方向分解数Lk；②.对接收到的混合图像X1和X2分别进行多尺度、多方向的Contourlet稀疏分解，即[X1lf,X1hf(1,l),L,X1hf(1,Ll),X1hf(2,l),L,X1hf(K,Lk)]=T(X1),]]>[X2lf,X2hf(1,l),L,X2hf(1,Ll),X2hf(2,l),L,X2hf(K,Lk)]=T(X2),]]>其中T(·)为Contourlet变换，从而得到一幅低频子图像Xilf和一系列具有不同分辨率的高频子图像Xihf(k，l)，其中k∈(1，K)和l∈(1，Lk)标明子图像位于第k层拉普拉斯塔式分解(LP)的第l方向，i代表1或者2；③.根据稀疏性判断标准，选取Contourlet变换后的高频子图像组X1hf(k，l)和X2hf(k，l)中最稀疏的子图像组，记为X1hf(ksel，lsel)和X2hf(ksel，lsel)，本方法根据子图像组的星图分布和聚类方法来进行稀疏性判断；④.对第③步中得到的高频子图像组X1hf(ksel，lsel)和X2hf(ksel，lsel)，采用传统的NGA方法来进行盲源分离，获取分离矩阵W，即W=NGA(X1hf(ksel,lsel),X2hf(ksel,lsel)),]]>其中，NGA(·)代表NGA方法；⑤.利用第④步中得到的W来分离接收到的混合信号，得到独立分量Y1和Y2有Y1Y2=WX1X2,]]>得到的分离结果Y1和Y2即为分离出来的原信号的估计。
3.根据权利要求2所述的基于稀疏变换的图像盲源分离方法，其特征在于所述的步骤③中根据子图像组的星图分布和聚类方法进行稀疏性判断的步骤为(a)令Zk,l=[X1hf(k,l),X2hf(k,l)]T,]]>其中k∈(1，K)和l∈(1，Lk)；(b)去除信号中较小的系数分量，以消除噪声的影响；(c)将所有的数据点投影到单位球面上，即Zk，l＝Zk，l/‖Zk，l‖；(d)将所有的信号点移到正半球面如果数据点的第一个坐标Zk.l1<0,]]>Zk，l＝-Zk，l；否则，Zk，l＝Zk，l；(e)通过聚类算法来确定聚轴和聚轴中心；(f)计算所有数据点到离自身最近聚轴的距离和Dk，l，并以此来衡量稀疏性，Dk，l，越小，越稀疏，其星图中的聚轴就越清晰；(g)对所有的Zk，(for k＝l，…，NL)计算Dk，l寻求其最小值，令(ksel,lsel)=aegmink,l(Dk,l);]]>(h)因此，最稀疏的子图像组为x1hf(ksel，lsel)和x2hf(ksel，lsel)。
全文摘要
本发明涉及一种基于稀疏变换的图像盲源分离方法。本方法首先利用Contourlet变换对接收到的混合图像信号进行多尺度、多方向的稀疏分解，并在Contourlet变换域利用稀疏性判别标准来选取稀疏性最好的子图像组；然后利用传统的快速定点独立分量分析方法对选取的子图像组进行盲分离，获取分离矩阵；最后，利用这个分离矩阵来对接收到的混合图像信号进行分离，提取混合图像中的各个独立分量，达到图像盲源分离的目的。本发明提供的图像盲分离方法能提高盲源分离的精度，达到较理想的分离效果，适用于军事领域或非军事领域的无线电通信系统、声纳与雷达系统、音频与声学和医学信号处理中。
文档编号G06K9/40GK1936926SQ200610116698
公开日2007年3月28日 申请日期2006年9月28日 优先权日2006年9月28日
发明者刘盛鹏, 方勇 申请人:上海大学