文档介绍：分类号： TP751 学校代号：10150
UDC： 密级： 学 号：20092195
硕士学位论文
基于独立分量分析图像处理的研究
Research On Image Processing Base on
Independent Component Analysis
学生姓名： 王海瑞
导师及职称： 张旭秀 副教授
学科门类： 工学
专业名称： 控制理论与控制工程
研究方向： 信号处理
申请学位级别： 硕士
论文答辩日期： 2012 年 6 月 3 日
学位授予单位： 大连交通大学
摘 要
独立分量分析（Independent Component Analysis,简称 ICA）是最近这几年内发展起
来的信号处理领域里的一门新的理论。已经在如图像处理，通信系统和信号，语音识别
等方面广泛的应用。它利用了源信号统计独立等容易满足的先验条件，来解决盲源分离
问题。独立分量分析算法是通过计算数据的高阶统计量信息，从被观测的信号中较好的
估算出隐含的独立源信号。由于算法能够反映图像数据的高阶统计特征，因此在图像处
理方面的应用也相当广泛。
本文主要围绕独立分量分析在数字图像处理的应用方面展开研究的。传统的图像去
噪方法已经相当的成熟，但是在噪声满足一定的条件下，它会对一系列脉冲函数敏感，
导致分离去噪的图像不理想或者可能使算法不收敛。因此本文采用独立分量分析方法会
比传统的高斯方法能得到更好的效果。因此，本文做了如下工作：
（1）介绍了独立分量分析的基本概念，原理和与其密切相关的一些概率论和数理
统计方面的基础知识，同时还介绍了独立分量分析的独立性度量和目标函数的选取等。
（2）介绍了传统图像去噪方法，通过在 MATLAB 平台下仿真实验以及峰值信噪比
来比较传统图像去噪方法各自的优势与不足，这也为我们接下来研究独立分量分析去噪
算法提供了参考前提。
（3）研究了基于独立分量分析的图像去噪方法，并重点介绍了 Infomax 算法和 Fast
ICA 算法。
（4）在原有独立分量分析算法的基础上，引入 Kernel-ICA 算法，分析出 Kernel-ICA
算法步骤。接着利用牛顿迭代法对目标函数优化，极小化目标函数，从而做出了对 KICA
算法的适当改进。最后通过仿真实验来说明 KICA 算法和改进的 KICA 算法的优越性与
可行性。
关键词：独立分量分析；去噪；图像分离；核独立分量分析
I
Abstract
Independent Component Analysis is a new theory developed with the field of signal
processing in the last few years. The already wide range of applications such as image
processin