学位论文 > 优秀研究生学位论文题录展示
ICA及其在数字图像处理中的应用
作 者: 刘小双
导 师: 王展青
学 校: 武汉理工大学
专 业: 应用数学
关键词: 独立分量分析 主分量分析 盲信号处理 人脸识别
分类号: TP391.41
类 型: 硕士论文
年 份: 2007年
下 载: 561次
引 用: 1次
阅 读: 论文下载
内容摘要
独立分量分析(ICA)是近期发展起来的一种非常有效的盲信号处理技术,在许多应用领域正发挥着越来越重要的作用。ICA具有重要的理论和应用价值,在无线通信、声纳、语音处理、图像处理和生物医学等领域具有广泛而诱人的应用前景,在过去的十几年时间里,有关的理论和算法研究都得到了较快的发展,并涌现出了许多有效的算法。目前,ICA已经成为国际上信号处理和人工神经网络等学科领域的一个研究热点。本论文的主要工作在于引入了一种新的特征提取方法——独立分量分析。独立分量分析的根本原理是通过分析多维观测数据间的高阶统计相关性,找出相互独立的隐含信息成分,完成分量间高阶冗余信息的去除及独立信源的提取。独立分量分析是信号处理技术的新发展,它作为盲信号分离的一种有效方法而受到广泛的关注。独立分量分析算法通过计算数据的高阶统计信息,可以从观测信号中估计出相互统计独立的、原始的、被未知因素混合的信号的估计信号。能够反映图像数据的高阶统计特征,在图像处理中得到成功的应用。本文对独立分量分析及其在图像处理方面的应用进行了研究,主要有以下几个方面的工作:(1)整理ICA的基本原理、发展历史以及介绍与ICA密切相关的概率、统计、信息论基础知识;(2)争对独立性度量问题,介绍了ICA独立性度量的几种方法;详细介绍ICA基于信息论的几种算法;(3)我们用FastICA算法对自然图像提取独立基,并利用Hyv(?)rinen等提出的算法对有噪图像进行去噪;(4)在本论文中,我们分别用PCA、ICA方法对测试人脸集图像提取PCA、ICA人脸基图像,加权混合测试人脸集在PCA人脸基和ICA人脸基的系数特征,然后用最近邻和余弦分类器进行识别,结果表明该方法要优于只有其中单一的方法的识别结果;并把ICA和核方法结合起来对人脸进行识别。
|
全文目录
中文摘要 4-5 Abstract 5-8 第1章 引言 8-14 1.1 本论文的研究内容 8 1.2 ICA介绍 8-9 1.2.1 ICA简介 8-9 1.2.2 ICA和PCA 9 1.3 ICA在图像处理中的概述 9-12 1.3.1 图像特征提取 10 1.3.2 图像去噪 10 1.3.3 人脸检测与识别 10-11 1.3.4 图像分离 11 1.3.5 医学图像处理 11 1.3.6 其他图像处理应用 11-12 1.4 ICA算法的新进展 12-13 1.5 论文的组织 13-14 第2章 ICA原理 14-28 2.1 引言 14 2.2 ICA的定义 14-16 2.2.1 ICA的线性模型 14-16 2.2.2 噪声ICA 16 2.2.3 非线性ICA 16 2.3 ICA的发展简史 16-17 2.4 ICA的相关数学知识 17-25 2.4.1 概率论知识 17-18 2.4.2 统计知识 18-21 2.4.3 信息论知识 21-25 2.5 ICA独立性的度量 25-27 2.5.1 非高斯性极大 25 2.5.2 互信息最小 25-26 2.5.3 非线性不相关 26-27 2.6 本章小结 27-28 第3章 基于信息论的ICA算法 28-37 3.1 引言 28 3.2 数据的预处理 28-29 3.3 基于信息论的ICA算法 29-35 3.3.1 FastICA算法 29-32 3.3.2 Infomax算法 32-35 3.3.3 互信息最小算法 35 3.3.4 最大似然算法 35 3.4 ICA算法的选择 35-36 3.5 本章小结 36-37 第4章 ICA在图像去噪中的应用研究 37-47 4.1 引言 37 4.2 去噪方法简述 37-39 4.2.1 维纳去噪 38-39 4.2.2 中值去噪 39 4.2.3 均值去噪 39 4.3 稀疏编码收缩法 39-44 4.3.1 特征提取 39-41 4.3.2 图像数据的ICA模型 41 4.3.3 极大似然去噪和稀疏收缩 41-44 4.5 实验结果与分析 44-46 4.6 讨论 46-47 第5章 ICA在人脸识别中的应用研究 47-63 5.1 人脸识别概述 47-48 5.2 基于PCA和ICA的人脸识别方法 48-57 5.2.1 基于PCA的人脸识别方法 48-50 5.2.2 基于ICA的人脸识别方法 50-53 5.2.3 PCA和ICA混合的人脸识别 53-54 5.2.4 实验结果与分析 54-57 5.3 基于KICA的人脸识别方法 57-62 5.3.1 核方法 57-58 5.3.2 核主成分分析 58-60 5.3.3 核独立分量分析 60-61 5.3.4 实验结果与分析 61-62 5.4 本章小结 62-63 第6章 总结与展望 63-65 6.1 ICA的优点 63 6.2 ICA中存在的问题 63-64 6.3 下一步的工作 64-65 参考文献 65-69 致谢 69-70 硕士期间发表的论文 70
|
相似论文
- 2D人脸模板保护算法研究,TP391.41
- 基于加权投票和关键帧提取的视频流人脸识别方法研究,TP391.41
- 基于差分演化的人脸识别方法研究,TP391.41
- 基于神经树的人脸识别方法研究,TP391.41
- 基于AdaBoost算法的人脸识别研究,TP391.41
- 基于MMTD的人脸识别方法研究,TP391.41
- 分子三次、分母二次有理样条权函数神经网络研究及应用,TP183
- 基于人脸识别的图像美化系统设计与实现,TP391.41
- 基于特征融合的人脸识别算法研究,TP391.41
- 面向电力营销服务的客户身份自动识别系统设计,TP391.41
- 基于小波变换和线性子空间的人脸识别技术研究,TP391.41
- 罐底腐蚀声发射信号降噪研究,TH878
- 基于局部二元模式和韦伯局部描述符的人脸识别,TP391.41
- 基于稀疏表达的人脸识别算法研究,TP391.41
- 彩色人脸检测与识别研究,TP391.41
- 可变光照和遮挡条件下的人脸识别技术研究及其应用,TP391.41
- 用于金属磨粒检测系统的噪声消除算法研究,TP391.41
- 基于稀疏表示的人脸图像识别方法研究,TP391.41
- 基于气味分析的设备异常检测方法研究,TB17
- 基于综合智能计算的模拟电路故障诊断方法,TN710
- 基于电话信道的声纹识别算法研究,TN912.34
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|