基于無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)的置換混疊圖像盲分離.pdf

1、盲源分離又稱為盲分離，是在不需要太多的源信號(hào)和信道先驗(yàn)信息的情況下，僅根據(jù)觀測(cè)到的混合輸出信號(hào)，分離出各輸入源信號(hào)的過(guò)程，是信號(hào)處理領(lǐng)域的一個(gè)前沿問(wèn)題，廣泛應(yīng)用于圖像處理、醫(yī)學(xué)信號(hào)處理、語(yǔ)音辨識(shí)與分離等領(lǐng)域。置換混疊圖像的盲分離屬于盲源分離的一種特殊情況，圖像混疊以置換的方式，而非傳統(tǒng)疊加的方式，故針對(duì)傳統(tǒng)疊加方式混疊的圖像盲分離算法不再適用于此類置換方式混疊的圖像。因此，研究這種置換圖像的盲分離需要新的理論和方法。因?yàn)橹脫Q混疊圖像是在

2、置換區(qū)域位置、大小、個(gè)數(shù)、類型等先驗(yàn)知識(shí)未知的情況下，僅根據(jù)置換混疊圖像的本身信息分離出置換區(qū)域的圖像，是一個(gè)具有挑戰(zhàn)性的問(wèn)題。而無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)是在先驗(yàn)知識(shí)未知的情況下，只通過(guò)輸入數(shù)據(jù)自動(dòng)發(fā)現(xiàn)輸入數(shù)據(jù)內(nèi)部特征，進(jìn)而找到數(shù)據(jù)的特征差異。所以本文采用無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)模型來(lái)分離置換混疊圖像，利用無(wú)監(jiān)督的稀疏自動(dòng)編碼器模型分離含噪聲的置換混疊圖像，其次，利用無(wú)監(jiān)督的受限玻爾茲曼機(jī)模型分離含模糊的置換混疊圖像。
　　本文主要研究?jī)?nèi)容概括如下:

3、
　　(1)對(duì)于含噪聲的置換混疊圖像，因?yàn)橹脫Q區(qū)域和被置換區(qū)域存在噪聲差異，并且噪聲不能稀疏表示，所以我們選用稀疏自動(dòng)編碼器算法來(lái)分離含噪聲的置換混疊圖像。首先，將含噪聲的置換混疊圖像分成小塊，再將各個(gè)小塊轉(zhuǎn)化成可操作的數(shù)據(jù)集。其次，利用前向傳播構(gòu)建稀疏自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)，利用輸入數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，獲得解碼后的圖像。最后，將解碼后的圖像與輸入圖像作差得到差圖像，根據(jù)差圖像利用最大類間方差法選取合適的閩值，對(duì)其進(jìn)行閾值化操作，獲得含噪

4、聲的置換圖像。實(shí)驗(yàn)結(jié)果表明，該算法在噪聲類型和方差大小不同時(shí)，能有效地分離置換區(qū)域位置、大小、個(gè)數(shù)不同的置換混疊圖像。
　　(2)對(duì)于含模糊的置換混疊圖像，提出基于受限玻爾茲曼機(jī)的置換混疊圖像盲分離算法。首先，將含模糊的置換混疊圖像轉(zhuǎn)化成可操作的數(shù)據(jù)集。其次，構(gòu)建受限玻爾茲曼機(jī)網(wǎng)絡(luò)模型并訓(xùn)練，獲得概率矩陣。最后，利用訓(xùn)練好的網(wǎng)絡(luò)重構(gòu)輸入數(shù)據(jù)集，根據(jù)重構(gòu)數(shù)據(jù)集與輸入數(shù)據(jù)集的特征差異，分離出含模糊的置換區(qū)域圖像。實(shí)驗(yàn)結(jié)果表明，該算法在