基于非線性主分量分析從圖像序列中分離圖像信息的方法與流程

技術(shù)特征：

1.一種基于非線性主分量分析從圖像序列中分離圖像信息的方法，其特征在于，從一個(gè)相對(duì)靜止的場景圖像中取m幀組成圖像序列，將該圖像序列看作是圖像噪聲和圖像信息的n種組合，利用盲源分離得到n個(gè)分量，這n個(gè)分量中標(biāo)準(zhǔn)方差值最大者為圖像信息分量，其它n-1個(gè)分量即為圖像噪聲分量，從而分離出1個(gè)圖像信息分量和n-1個(gè)圖像噪聲分量。

2.根據(jù)權(quán)利要求1所述的一種基于非線性主分量分析從圖像序列中分離圖像信息的方法，其特征在于，當(dāng)n≤m時(shí)，利用盲源分離方法中的非線性主分量分析進(jìn)行分離得到分量，具體如下：

對(duì)相對(duì)靜止的場景拍攝一個(gè)圖像序列，該圖像序列是含有噪聲的，序列中任一幀中的圖像信息是穩(wěn)定的，圖像噪聲是隨機(jī)的，將不同的幀圖像視為1個(gè)圖像信息分量和n-1個(gè)圖像噪聲分量的不同組合，如式(1)所示：

X＝AS (1)

其中，X＝[x₁,x₂,…,x_m]^T是由x_i組成的觀察圖像序列，x_i表示第i幀含噪圖像；S＝[s₁,s₂,…,s_n]^T是由分量s_j組成的矩陣，下標(biāo)j表示分量序號(hào)；A表示將S線性組合成X的系數(shù)矩陣；m，n為自然數(shù)，且1≤i≤m且1≤j≤n；上標(biāo)T表示矩陣的轉(zhuǎn)置；

通過非線性主分量分析方法得到變換矩陣W，從而得到無限逼近源分量s_j的分量y_j，其關(guān)系由公式(2)所示：

Y＝WX＝WAS (2)

其中，Y＝[y₁,y₂,…,y_n]^T表示由y_j組成的分量矩陣，y_j表示經(jīng)非線性主分量分析方法分離得到的第j個(gè)分量；W是w_ij構(gòu)成的矩陣，w_ij是將x_i線性組合成y_j的系數(shù)；y₁,y₂,…,y_n這n個(gè)分量中，標(biāo)準(zhǔn)方差值最大者為圖像信息分量，其它n-1個(gè)分量即為圖像噪聲分量。

3.根據(jù)權(quán)利要求2所述的一種基于非線性主分量分析從圖像序列中分離圖像信息的方法，其特征在于，尋找變換矩陣W依賴遞歸最小二乘平方均值誤差指標(biāo)如公式(3)所示：

$J(w_1,w_2,w_3,...w_n)=\min E\left\{\right||X-{\mathrm{\Σ}}_{i=1}^n{g}_i\left(w_i^{T}X\right)w_i|{|}^2\}---\left(3\right)$

式(3)表示關(guān)于向量的極小化指標(biāo)；J(w₁,w₂,w₃,…w_n)表示對(duì)矩陣W的基向量w₁,w₂,w₃,…w_n進(jìn)行的指標(biāo)公式；第i個(gè)基向量w_i是由系數(shù)w_i1,w_i2,w_i3,…w_im構(gòu)成；g_i(*)表示非線性變換函數(shù)。

4.根據(jù)權(quán)利要求1所述的一種基于非線性主分量分析從圖像序列中分離圖像信息的方法，其特征在于，當(dāng)m＜n時(shí)，經(jīng)過如下信號(hào)處理步驟分離出圖像信息分量，具體如下：

步驟一、獲取含噪圖像序列X₀，它由源信號(hào)S通過系數(shù)矩陣A₀線性組合而成，表示如下：

X₀＝A₀S (4)

步驟二、由X₀求X_m以組成X，即通過回歸變換使過完備盲源分離BSS模型轉(zhuǎn)化為標(biāo)準(zhǔn)盲源分離BSS模型；

$X=AS=\left[\begin{array}{c}{X}_0\\ X_m\end{array}\right]=\left[\begin{array}{c}{A}_0\\ A_m\end{array}\right]S---\left(5\right)$

式(5)中，X₀含有m個(gè)變量，X_m是由n-m個(gè)變量組成的矩陣；A_m表示對(duì)應(yīng)X_m的系數(shù)矩陣；X_m由如下條件期望求得，表示X_m的估計(jì)：

${\hat{X}}_m=E\left\{X_m\right|X_0\}=E\{A_{m}S\left|X_0\right\}=A_m\·\underset{X_0=A_{0}S}{\∫}S\·p\left(S\right)\·dS---\left(6\right)$

式(6)中，p(S)是S的概率密度函數(shù)，假設(shè)函數(shù)f(·)為式(6)的積分結(jié)果，得：

${\hat{X}}_m=A_m\·f\left(A_0^T{X}_0\right)\≈A_m\·f\left(S\right)---\left(7\right)$

式(7)中，通過歐幾里德Euclidean距離平方的范數(shù)表達(dá)求得X_m的估計(jì)是進(jìn)而得到X_m；

步驟三、從而求得X，將X使用標(biāo)準(zhǔn)盲源分離BSS模型，運(yùn)用非線性主分量分析NLPCA得到包含1個(gè)圖像信息分量和n-1個(gè)圖像噪聲分量的n個(gè)分量y₁,y₂,...,y_n，y₁,y₂,…,y_n這n個(gè)分量中標(biāo)準(zhǔn)方差值最大者為圖像信息分量。

5.根據(jù)權(quán)利要求1所述的一種基于非線性主分量分析從圖像序列中分離圖像信息的方法，其特征在于，所述n個(gè)分量是n-1個(gè)圖像噪聲分量和1個(gè)圖像信息分量的組合。