独立分量分析及其在图像特征提取和消噪中的应用
| 第一章 绪论 | 第1-11页 |
| ·前言 | 第7-8页 |
| ·图像描述与特征提取 | 第8-9页 |
| ·独立分量分析 | 第9页 |
| ·本文的研究内容 | 第9-11页 |
| 第二章 独立分量分析的基础知识 | 第11-34页 |
| ·引言 | 第11页 |
| ·统计特性基础知识 | 第11-16页 |
| ·微分熵 | 第12页 |
| ·联合熵 | 第12-13页 |
| ·互信息 | 第13页 |
| ·KL散度和负熵 | 第13-14页 |
| ·最大熵定理 | 第14-15页 |
| ·高阶统计特性分析 | 第15-16页 |
| ·多维数据的线性描述方法 | 第16-18页 |
| ·主分量分析(PCA) | 第18-21页 |
| ·PCA基本概念 | 第18-20页 |
| ·特征值分解算法 | 第20-21页 |
| ·PCA方法的缺点 | 第21页 |
| ·独立分量分析(ICA) | 第21-29页 |
| ·统计独立的基本概念 | 第22-23页 |
| ·ICA定义及其线性模型 | 第23-28页 |
| ·ICA的若干限制条件 | 第28-29页 |
| ·自组织神经网络 | 第29-34页 |
| ·神经网络模型简介 | 第30-31页 |
| ·基于Hebb学习的自组织神经网络 | 第31-34页 |
| 第三章 ICA的算法研究 | 第34-48页 |
| ·引言 | 第34页 |
| ·ICA的预处理 | 第34-37页 |
| ·非高斯与统计独立 | 第37-38页 |
| ·ICA的目标函数 | 第38-42页 |
| ·基于峭度的目标函数 | 第38-39页 |
| ·基于负熵及近似负熵的目标函数 | 第39-41页 |
| ·基于互信息的目标函数 | 第41-42页 |
| ·ICA的优化算法 | 第42-48页 |
| ·FastICA算法 | 第42-44页 |
| ·Infomax算法 | 第44-48页 |
| 第四章 ICA在图像特征提取中的应用 | 第48-63页 |
| ·引言 | 第48-49页 |
| ·ICA在混合图像分离中的应用 | 第49-51页 |
| ·图像特征提取及消噪 | 第51-58页 |
| ·滑动子窗口 | 第52页 |
| ·ICA提取图像特征的空间描述 | 第52-53页 |
| ·图像特征提取 | 第53-55页 |
| ·图像消噪 | 第55-58页 |
| ·ICA在人脸特征提取中的应用 | 第58-63页 |
| ·人脸图像的独立分量描述 | 第59-60页 |
| ·实验结果 | 第60-63页 |
| 第五章 总结与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者完成的论文 | 第68-69页 |
| 致谢 | 第69页 |
