快速独立分量分析方法及其在图像分析中的若干应用研究
摘要 | 第1-4页 |
Abstract | 第4-5页 |
目录 | 第5-7页 |
1 绪论 | 第7-19页 |
·问题的提出 | 第7-12页 |
·盲信号分离问题 | 第7-9页 |
·盲反卷积问题 | 第9-10页 |
·盲均衡问题 | 第10-12页 |
·独立分量分析算法 | 第12页 |
·独立分量分析算法在图像处理中的应用概述 | 第12-15页 |
·图像特征提取 | 第13页 |
·图像去噪 | 第13页 |
·人脸检测与识别 | 第13-14页 |
·图像分离 | 第14页 |
·医学图像处理 | 第14-15页 |
·其他图像处理应用 | 第15页 |
·独立分量分析算法的新进展 | 第15-16页 |
·本文研究工作和内容安排 | 第16-17页 |
·本文工作的创新点 | 第17-19页 |
2 独立分量分析算法概述 | 第19-31页 |
·独立分量分析起源 | 第19-20页 |
·独立分量分析算法定义 | 第20-21页 |
·独立性定义 | 第21-22页 |
·独立分量分析的目标函数 | 第22-25页 |
·非高斯性最大化 | 第22-24页 |
·峰度(Kurtosis) | 第23页 |
·负熵(Negentropy) | 第23-24页 |
·交互信息最小化 | 第24-25页 |
·最大似然估计法 | 第25页 |
·独立分量分析学习算法 | 第25-28页 |
·Jutten-Herault算法 | 第26页 |
·非线性去相关法 | 第26页 |
·(随机)梯度下降法 | 第26-27页 |
·非线性PCA算法 | 第27页 |
·one-unit学习规则 | 第27页 |
·FastICA算法 | 第27-28页 |
·独立分量分析与传统统计方法的关系 | 第28-30页 |
·本章小结 | 第30-31页 |
3 改进快速独立分量分析算法 | 第31-46页 |
·FastICA算法 | 第31-33页 |
·FastICA预处理 | 第31-32页 |
·FastICA算法原理 | 第32-33页 |
·FastICA实现步骤 | 第33页 |
·改进FastICA算法 | 第33-35页 |
·松弛改进FastICA算法 | 第35-36页 |
·实验 | 第36-45页 |
·模拟信号分离实验 | 第36-38页 |
·语音分离实验 | 第38-40页 |
·图像分离实验 | 第40-43页 |
·实验结果分析 | 第43-45页 |
·本章小结 | 第45-46页 |
4 ICA在遥感图像分类的应用研究 | 第46-61页 |
·引言 | 第46页 |
·遥感图像分类技术简介 | 第46-48页 |
·独立分量分析在遥感图像分类中的应用 | 第48-49页 |
·基于ICA和自适应最小距离分类法的遥感图像分类 | 第49-55页 |
·自适应最小距离分类法 | 第49-52页 |
·实验 | 第52-55页 |
·基于ICA和BP神经网络的遥感图像分类 | 第55-59页 |
·BP神经网络 | 第55-57页 |
·实验 | 第57-59页 |
·本章小结 | 第59-61页 |
5 ICA在图像特征提取的应用研究 | 第61-79页 |
·引言 | 第61页 |
·ICA在人脸识别方面的应用研究 | 第61-73页 |
·人脸识别概述 | 第61-64页 |
·基于主成分分析的人脸识别 | 第64-66页 |
·基于独立分量分析的人脸识别 | 第66-68页 |
·M-FastICA人脸识别实验 | 第68-73页 |
·实验小结 | 第73页 |
·基于独立分量分析的手写体数字识别 | 第73-77页 |
·本章小结 | 第77-79页 |
6 ICA在图像去噪的应用研究 | 第79-90页 |
·引言 | 第79页 |
·去噪方法简述 | 第79-83页 |
·维纳去噪 | 第80-81页 |
·小波阈值去噪 | 第81-82页 |
·基于高阶统计量的图像去噪 | 第82-83页 |
·稀疏编码收缩法 | 第83-85页 |
·ICA图像去噪实验 | 第85-89页 |
·本章小结 | 第89-90页 |
7 结束语 | 第90-92页 |
致谢 | 第92-93页 |
参考文献 | 第93-103页 |
附录A 博士期间参与的科研项目 | 第103-104页 |
附录B 博士期间发表的论文 | 第104-105页 |