基于独立成分分析的图像特征提取研究
基于盲源分离算法的图像处理技术研究
基于盲源分离算法的图像处理技术研究随着数字图像处理技术的不断发展和完善，越来越多的领域开始运用图像处理技术。
其中，盲源分离算法是一种基于独立成分分析的新兴的信号处理技术，被广泛用于图像处理领域。
盲源分离算法的运用盲源分离算法主要是通过对混合信号进行解混合分析，将信号分解成相对独立的成分，从而实现无监督学习。
在图像处理中，盲源分离算法可以用于分离多光谱图像、处理医学图像、提取图像纹理等等。
在实际应用中，盲源分离算法的应用效果往往取决于算法的特征提取方法和聚类分析方法的选取。
特征提取在图像处理中，特征提取是一个非常重要的环节。
特征提取是指将图像中包含的信息提取出来，以便对图像进行分析和处理。
盲源分离算法的特征提取方法常用的有主成分分析、独立成分分析、小波变换等等。
主成分分析是一种在多维数据分析中广泛使用的线性变换方法。
通过主成分分析，图像中的信息可以在新的坐标系下表现出来。
独立成分分析则是一种基于统计学原理的非线性变换方法。
独立成分分析的主要思想是将信号分离成相互独立的成分，以便用简单的方法来处理复杂的信号。
小波变换则是一种基于频域的分析方法，适用于处理非平稳信号。
聚类分析在图像处理中，聚类分析是将相似的对象分组到一起的一种分析方法。
盲源分离算法的聚类分析方法主要有k-means聚类、高斯混合模型聚类等。
k-means聚类是一种基于距离度量的分组聚类方法。
k-means聚类首先随机选取k个初始样本作为聚类中心，然后将剩余样本依据质心的距离归到离它最近的聚类中心所对应的组中。
最后以这些样本的平均值作为新的聚类中心，然后迭代进行。
高斯混合模型聚类是一种比较复杂的聚类方法。
该方法假设每一组是由多个高斯分布的线性组合得到的，每个分量的均值与方差都是未知的参数，并从样本中训练估算得到。
在分类时，每个样本被当做一个未知随机变量，它由不同的高斯分布组合而成，因此可以通过高斯混合模型来进行分类。
结语随着盲源分离算法的不断发展和完善，基于盲源分离算法的图像处理技术也在不断的发展。
独立成分分析在图像处理中的应用-Ⅲ
独立成分分析在图像处理中的应用-Ⅲ在当今信息爆炸的时代，图像处理技术已经成为了不可或缺的一部分。
从社交媒体上的滤镜效果到医学影像的分析，图像处理技术的应用范围非常广泛。
而在图像处理技术中，独立成分分析（Independent Component Analysis，简称ICA）作为一种重要的技术手段，已经被广泛应用，并取得了许多重要的成果。
本文将从图像处理的角度，探讨独立成分分析在图像处理中的应用。
首先，我们来谈谈独立成分分析的基本原理。
独立成分分析是一种基于统计学原理的信号处理技术，其主要思想是通过对观测到的信号进行分解，找出信号中相互独立的成分。
在图像处理中，独立成分分析可以将混合在一起的图像信号分解为相互独立的成分，从而实现对图像的特征提取和分析。
在图像处理领域，独立成分分析被广泛应用于图像压缩和去噪等方面。
在图像压缩方面，独立成分分析可以将图像信号进行分解，找出其中相互独立的成分，从而实现对图像信号的高效压缩。
与传统的离散余弦变换（Discrete Cosine Transform，简称DCT）等压缩方法相比，独立成分分析能够更好地保留图像的细节信息，同时降低了图像的码率，提高了压缩效率。
另外，在图像去噪方面，独立成分分析也发挥了重要作用。
图像在传感器采集或传输过程中往往会受到噪声的影响，导致图像质量下降。
而独立成分分析可以通过找出图像中相互独立的成分，从而实现对噪声的抑制和图像的去噪。
在医学影像的处理中，独立成分分析被广泛应用于对X光片、磁共振影像等医学图像的去噪，提高了医学图像的质量，为医生的诊断提供了更加清晰的图像信息。
除了图像压缩和去噪之外，独立成分分析在图像分割和特征提取等方面也有着重要的应用。
在图像分割方面，独立成分分析可以通过对图像信号的分解，实现对图像中不同成分的分割，从而实现对图像的分割和识别。
在图像特征提取方面，独立成分分析可以通过对图像信号的分解，找出图像中的关键特征，从而实现对图像的特征提取和识别。
基于独立成分分析和回归分析的人脸识别方法研究
∽ 一 ２ １ Ｍ 】 ， ，
（） ５
ｊ ４ －
Ｈ
Ａ 中 Ｎ 为样 本 维 数 其
。
苒 利用 最 小 二 乘 法或 矩 阵 法ｍ 求 出 ，
。 于是 ：
Ｊ２ ． ． ． 表 性 的人 脸 图 像来 验 证 本 方 法 的识 别 效 果 ．同 时 在该 库 上 与用 各 回归 系 数 ： ，， ， 的估 计 Ｐ Ａ结 合 Ｋ 最 近 邻 分 类 器 ） 识别 方 法 的 结 果 进 行 了 实 验 Ｃ 一 的 对 比 ． 果表 明该 方 法 的识 别效 果 明 显优 于 Ｐ 的 识别 效 果 。 结 Ｋ ２独 立分 量 分 析 ．
（） ４ ￡， （ ， ） 立 分 量 分 析 （ｎｅｅ ｄｎ ｏ ｐｎ ｎ Ａ ａ ｓ Ｉ Ａ 方 法 来 降 低 Ｉｄｐｎ ｅ ｔ ｍ ｏｅ ｔ ｎｌ ｉ Ｃ ） Ｃ ｙ ｓ． 所提 取 的 人脸 特 征 的 维 数 其 中 ｓ Ｊ ，， 相 互 独 立 ， ＝ ， ． 为 回 归 系 数 ， 为 方 ＝ ， ． ２． ． Ｊ ．． ２． ，
１＝ Ｂ ＋ｏ Ｙ２ ， Ｂ ￡ 一． ＋ ．， 知 ．来 自同一 总体 的各 样本 之 间一 定 存 在 较 差 ， 若 ６ １ ．． 不 全 为 零 ， 称 Ｙ与 匈 （ Ｊ２． 之 间 具 有 ＝ ， ． ２． ， 则 ｆ… ． ＝ ， 强 的 线 性 关 系 。 进 而 可 以 利 用 回 归 分 析 的 方 法 （ ｅ ｒｓｉ 线 性 相 关 性 ． 中 Ｊ 为 类 别 总数 。记 ： Ｒ ｇｅ ｓ ｎ ｏ 其 Ｉ ｆ Ⅳ ｒ Ａ ａ ｓ Ｒ ， 解 出 待识 别 样 本 与 训 练样 本 之 间 的 回 归方 程 ， ｎ ｌ ｉ Ａ） 求 ｙ ｓ， 经 由 Ｆ统 计 量 和残 差 分 析 来 建 立 分类 器 ．进 而 确定 待 识 别 样 本 的类别。 从 Ｏ Ｌ人脸 数 据 库 、 Ａ Ｅ人 脸 数 据库 和 Ｆ Ｒ Ｔ人 脸 数 据 Ｒ Ｙ Ｌ ＥＥ 库 这 三个 人 脸 数据 库 中共 抽 取 １ Ｏ人 ．每 人 １ Ｏ幅 共 ４ ０幅有 代 ０
基于独立成分分析的表面缺陷特征提取与识别方法
ｄ ｆ ｃ ｓ Ｆｉｓ ｌ ｈ ａ ｉ ｕ ｃ ｉ ｎ ｎ ｉ ｅ ｓ ｗｈ ｃ ｄ ｐ ｏ ｔ ｅ ｃ ａ ａ ｔ ｒｓ ｉｓ ｏ ｅ ｅ ｔ ｉ ｇ ｓ ａ ｅ ｅ ｅ ｔ ． ｒ ｔｙ ｔ ｅ ｂ ｓｓ ｆ ｎ ｔｏ ｓ ａ ｄ ｆ ｔ ｒ ｉｈ ａ ａ ｔ ｔ ｈ ｈ ｒ ｃ ｅ ｉｔｃ ｆ ｄ ｆ ｃ ｍａ ｅ ｒ ｌ
ｍ ｅ ｈｏ ｓ ｄ ｎ ｎｄ ｐｅ ｔ ｄ ｂａ ｅ ｏ ｉ ｅ ｎｄｅ ｃ ｍｐｏ ｎｔ ｎａ ｙ ｉ （Ｉ ｎｔ ｏ ｎｅ ａ ｌ ｓ ｓ ＣＡ ） ａ ｔ ｐｏ ａ ｎｄ ｏ ｇｒ ｐｈｉ ｉ ｄｅ ｎｄｅ ｃ ｍ ｐ ｅ ｃ ｎ ｐｅ ｎｔ ｏ ｏｎ ｎｔ ａ ｌ ｓｓ （ ＣＡ ） ｉ ｐｒ ｐｏ ｅ ｎｄ ａ ｌｅ ｔ ａ ｏｍａ ｉ ｒ ｃ ｎｉｉ ｎ ｆ ｏｌ ｒ ｌ ｄ ｔ ｅ ｓ ｒｐ ｕｒａ ｅ ｎａ ｙ ｉ ＴＩ ｓ ｏ ｓ ｄ ａ ｐｐ ｉ ｄ ｏ ｕｔ ｔｃ ｅ ｏｇ ｔｏ ｏ ｃ ｄ ｏｌｅ ｓ ｅ ｌ ｔ ｉ ｓ ｆ ｃ
Ｚｈｏ ｉ ｎ ｕ Ｘ ｎｘｉ ｇ” 。 Ｗ ａ ｇ Ｄ ｉｎｈｏ ” 。ａ ｎ ａ ｎｇ ｎｄ Ｓｕｎ Ｌｉ ｎ’
（ ａ ｕｔ ｅｈ ｎ ｃ ｌ ｎ ｅ ｔ ｎ ｃＩ ｆ ｒ ｔ ｎ， ｈ ｎ ｎ ｖ ｒｉ ｆ Ｇｅ ｓｉｎ ｅ Ｗｕ ａ ） Ｗｕ ａ ４ ０ ７ ） Ｆ ｃ ｌ ｏ Ｍ ｃ ａ ｉ ｄ Ｅｌ ｒ ｉ ｎ ｏ ｍａ ｉ ｙｆ ａａ ｃｏ ｏ Ｃ ｉａ Ｕ ｉｅ ｓｔ ｏ ｏｃｅ ｃ ｓ（ ｈ ｎ ， ｈ ｎ ｙ ３ ０ ４
率 都 非 常 高 ， 体 识 别 率 可 达 ９． ２ ． 总 ５ ５
关 键 词 ：独 立 成 分 分 析 ； 扑 独 立 成 分 分 析 ； 面 检 测 ； 拓 表 特征 提 取 ； 函数 ； 波 器 基 滤
独立成分分析在人脸识别中的应用(十)
独立成分分析在人脸识别中的应用(十)人脸识别技术一直是计算机视觉领域的热点研究方向之一，而独立成分分析（Independent Component Analysis, ICA）作为一种常用的信号处理方法，在人脸识别中也得到了广泛的应用。
本文将探讨独立成分分析在人脸识别中的原理、方法和应用。
一、独立成分分析的原理独立成分分析是一种数据驱动的盲源分离技术，其基本原理是将多个混合信号分离成相互独立的成分。
在人脸识别中，独立成分分析可以帮助提取人脸图像中的关键特征，从而实现人脸识别和身份验证。
独立成分分析的核心思想是假设观测数据是由多个相互独立的成分线性组合而成，通过对混合信号进行分解，可以得到这些独立成分。
在人脸识别中，独立成分分析可以将人脸图像中的光照、姿态、表情等因素进行分离，从而提取出人脸的独立特征，为后续的识别和验证提供重要信息。
二、独立成分分析的方法在人脸识别中，独立成分分析通常与主成分分析（Principal Component Analysis, PCA）相结合使用。
主成分分析可以帮助减少数据维度，提取出最主要的特征，而独立成分分析则可以进一步分离混合信号，提取出相互独立的成分。
独立成分分析的方法包括基于信息论的最大独立成分分析（Infomax ICA）、基于估计高阶统计量的快速独立成分分析（FastICA）等。
这些方法通过对观测数据的统计特性进行分析，利用盲源分离的原理，从而实现对混合信号的分解和成分提取。
三、独立成分分析在人脸识别中的应用独立成分分析在人脸识别中的应用主要体现在特征提取和人脸识别两个方面。
通过对人脸图像进行独立成分分析，可以提取出光照、姿态、表情等独立的成分，从而得到人脸的关键特征。
在特征提取方面，独立成分分析可以帮助减少数据的冗余信息，提取出人脸的独立特征，包括边缘、纹理、色彩等方面的信息。
这些特征可以有效地描述人脸的外貌特征，为后续的识别和验证提供重要的信息。
在人脸识别方面，独立成分分析可以帮助提高识别的准确率和鲁棒性。
高光谱遥感图像的特征提取和分类算法探究
高光谱遥感图像的特征提取和分类算法探究遥感技术已经成为了现代地球科学中不可或缺的一部分，这种技术通过对地球表面的各种信息进行多波段、多角度、多时相的采集和处理，可以形成一系列高分辨率遥感图像。
其中，高光谱遥感图像是一种获取地表物质高光谱信息的遥感技术，这种技术可以获取大量的物质光谱信息，为我们研究地球科学和环境变化提供了重要的数据来源。
在高光谱遥感图像中，物质对不同波长的电磁辐射的反射和吸收的不同程度是其与众不同的特性。
由于不同的物质对不同波段的辐射产生的反应不同，固有光谱和在远距离上的高光谱遥感图像可以很好地区分不同物质。
在高光谱遥感图像研究中，特征提取和分类算法是研究的两个重要方面。
因此，本篇文章将探讨高光谱遥感图像的特征提取和分类算法的研究进展和应用现状。
一、特征提取在高光谱遥感图像中，特征提取是一项至关重要的技术。
特征提取的主要任务是将高光谱遥感图像中每个像元的光谱信息转化成低维空间的特征，以减少信息冗余和处理量，同时保留物体空间分布和分类信息。
常用的特征提取方法包括如下几种。
1. 主成分分析（PCA）PCA是一种线性变换的方法，可以将高维空间中的数据降维到低维度的特征空间。
在高光谱遥感图像中，PCA方法可以对数据矩阵进行特征值分解，得到协方差矩阵的主特征向量。
这些主成分可以描述遥感图像的大部分空间信息，对于多波段数据的降维处理非常有效。
2. 独立成分分析（ICA）ICA是一种非线性变换的方法，可以将遥感图像中的光谱信息进行分离和隔离，从而得到更加明确的光谱信息。
在高光谱遥感图像中，ICA可以对数据矩阵进行特征值分解，找到可以独立分离的成分。
这些成分可以帮助我们更好地理解高光谱遥感图像中的光谱结构，并提高物体检测和分类的准确率。
3. 小波变换（WT）WT是一种非平稳信号的频域分析方法，可以用于多尺度分析和特征提取。
在高光谱遥感图像中，WT可以将数据矩阵分解为一组小波系数，这些系数可以反映不同尺度下的物体信息。
高光谱图像处理算法的使用教程与特征提取
高光谱图像处理算法的使用教程与特征提取近年来，随着高光谱技术的快速发展，高光谱图像处理算法在各个领域得到了广泛应用，尤其在地球观测、农业、遥感和医学影像等领域发挥着重要作用。
本文旨在介绍高光谱图像处理算法的使用教程，并重点讨论其中的特征提取方法。
高光谱图像是一种具有连续的光谱信息的多光谱图像，它在不同的波段中可以提供更加详细的信息，因此可以更准确地描述和识别目标。
在进行高光谱图像处理之前，首先需要了解图像处理的基本概念和技术。
一、高光谱图像处理基础知识1. 高光谱图像的表示与获取高光谱图像可以通过散射光谱仪或成像光谱仪获取。
它通常由一系列的波段组成，每个波段对应着特定的频率范围。
具体表示方法可以是一个三维数据集，其中两个维度代表图像的行和列，第三个维度表示不同的波段。
2. 高光谱图像的预处理在进行特征提取之前，通常需要对高光谱图像进行预处理，以消除噪声、纠正伪迹和增强图像的对比度等。
预处理的具体方法包括平滑滤波、去噪、边缘增强等。
3. 高光谱图像的分割与分类图像分割是指将图像分为具有相似特征的不同区域，而图像分类是指将像素或区域分别分配给不同的类别。
分割和分类是高光谱图像处理中常用的方法，它们可以帮助我们理解图像中的对象和区域。
二、高光谱图像处理算法的使用教程1. 特征提取特征提取是高光谱图像处理的核心任务之一，它旨在从高光谱数据中提取出能够最好地描述目标的特征。
特征可以是单波段的或多波段的，常用的特征包括光谱特征、空间特征和统计特征等。
光谱特征是指从每个像素的波段值中提取的特征，包括平均值、最大值、最小值、方差等。
空间特征是指在空间维度上从图像中提取的特征，常用的方法包括纹理特征、边缘特征等。
统计特征是指从整个图像或图像区域中提取的统计信息，如均值、标准差、直方图等。
2. 高光谱图像处理工具与库为了方便进行高光谱图像处理，有许多开源的工具和库可供使用。
其中，常用的包括ENVI、IDL、MATLAB等。
基于主成分分析的图像分类技术研究
基于主成分分析的图像分类技术研究近年来，随着计算机视觉技术的发展和普及，图像分类技术得到了广泛的应用。
在图像分类中，主成分分析是一项重要的技术，其可以在实时性方面得到更好的保障。
主成分分析是一种数据降维技术，通过从高维空间中提取出最具代表性的成分来代表原始数据，从而达到对原始数据进行降维的目的。
在图像分类中，主成分分析可以对图像进行特征提取和降维，大幅减小了图像数据的维数，同时保留了图像的原始特征，提高了图像分类的准确性和速度。
一、基于主成分分析的图像特征提取在图像分类中，常常需要从图片中提取出一些代表性的特征，供后续的分类算法使用。
主成分分析可以通过对特征进行降维，去掉与分类任务无关的信息，同时保留图像的主要特征，从而提高了分类的准确性。
传统的图像特征提取方法，例如颜色直方图、方向梯度直方图等，虽然能够较好地表达图像的一些特征，但是这些特征通常都是独立的，不能很好地反映图像的整体特征。
而使用主成分分析技术可以将图像特征转化为具有相关性的一组特征，以此更好地表述图像的整体特征。
例如，在红外图像分类任务中，使用主成分分析技术对图像的特征进行提取，可以提取出基于红外属性的特征进行分类，从而提高了分类的准确度。
对于红外图像来说，一幅图像有很多像素，每一个像素都可以看成是一个特征点，而其属性通常包括梯度、局部方向、灰度等。
利用主成分分析对特征进行降维之后，可以提取出代表性的属性，能够更好地捕捉到红外图像的特征，从而提高图像分类的精确度和速度。
二、基于主成分分析的图像分类方法在得到提取的图像特征之后，需要对特征进行分类。
主成分分析可以用来降低特征维数，从而大幅提高分类的效率。
对于图像分类任务来说，由于图像的特征向量通常具有高维度，计算量大，所以降维技术的作用非常重要。
采用 PCA 技术的图像分类方法通常具有如下几个步骤：1、图像预处理：对原始图像进行预处理，例如灰度化、归一化等操作。
2、特征提取：使用主成分分析等算法提取出图像的代表性特征。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
赤 峰 学 院 学 报（ 自 然 科 学 版 ） Journal of Chifeng University（Natural Science Edition）
ห้องสมุดไป่ตู้
Vol. 28 No. 4 Apr. 2012
基于独立成分分析的图像特征提取研究
解 萍， 王 伟
（淮南师范学院 计算机与信息工程系，安徽 淮南 232001）
摘 要：本文主要专注于独立成分分析（Independent Component Analysis 简称 ICA）图像识别方面的 算法研究，提出了混合信号的维数可以小于分离的独立成分的维数的过饱和算法，而且保证了相当的精 度.在实际应用中意味着使用少量的信号采集设备就可以得到目标对象的本质特征，这在很大程度上降低 了信号处理的成本，扩展了 ICA 的应用领域.
独立成分分析旨在对独立信源产生且经过未 知混合的观测信号进行盲分离，从而重现原独立信 源，其应用主要集中在盲源分离和特征提取两方 面.ICA 的目的是对任何 t，根据已知的 X(t)在 A 未 知的情况下求未知的 S(t).其线性模型表示如下：
1.1 独立成分分析的数学模型 独立成分分析(1CA)是近几年来发展起来的一
- 16 -
1.2 ICA 模型估计算法 本文采用互信息最大化的算法，令 x 是 n 维随
机变量，W 是 n×n 可逆矩阵，U=Wx,且 Y=f(U)是一 个 n 维随机向量，代表 n 个神经元的输出.f=(f1,f2,… fn),f 中的每一个元素都是一个可逆的压缩函数，从 而把实属映射到[0,1]之间，此处用的变换函数是：
[x1,x2…xM,]T 是由 M 个可观察信号 s,i=1～M 构成 的列向量，且满足下列方程：
X＝AS
在 A 未知时，通过上式由已知的观测信号 X
来求未知的信号源 S 的问题就构成了 ICA 模型.由
于信号源 S 与混合矩阵 A 之积是关系变量 X，由上
式的展开可得到：
N
N
Σ Σ Xi= αijSj= （ηj-1αi）j （ηiSj)
Σ （7）进行正交化 WP=WP- （WP.WT)WP； P=1
（8）标准化 WP，即 WP=WP/|WP|； （9）假如 WP 不收敛的话，返回第 6 步； （10）令 p=p+1，如果 P≤m，返回第 5 步. 2 基于 ICA 的图像特征提取 图像特征提取领域所一直以来关注的问题就 是如何能够从纷繁复杂的表象中提取出事物的本 质特征.长期以来，如何用较少的数据精炼地表示 事物之间的区别是特征提取问题的焦点所在，这 样，从某种程度上来说，特征提取问题就归结为如 何降低特征的维数问题. 2.1 基于 ICA 的图像特征提取基本思想 本文在基于内容的图像特征提取中运用了独
种盲源分离方法.ICA 的基本思想是：把一系列随 机变量用某些基函数表示出来，在此之前，假设这 些随机变量各成分之间是统计独立的或者尽可能
独立.
根据 ICA 算法思想，现在设有 N 个未知的源
信号 s,i=1～N，构成一个列向量 S=[sl,s2…sN].设 A 是一个 M×N 维矩阵，一般称为混合矩阵，设 X=
j=1
j=1
i=1～M
其中 αij 是 A 的第 i 行、j 列元素. 若 Sj 乘以任
何非零系数 ηi，而 A 的第 j 列各元素皆乘以 ηj-1，则
不管各 ηj-1 取何值，Xi 不变. 因此由 X 试图获得各
信号源 S 时存在尺度不确定性，在 ICA 中约定各信
号的均方差值为 1，即 E[Si2]=1,∨i，这时 S 的相关矩 阵是一个单位阵，即
（1）输入混合信号 X （2）对观测数据 X 进行中心化，使其均值为 0； （3）对数据进行白化，得到单位方差的信号 Z； （4）选择需要估计的分量的个数 m,设迭代次 数 P←1； （5）选择一个初始权向量（随机的）WP （6）更新 WP.WT=E{Zg(WTZ)}- E{g’(WTZ)}W,；
N
立成分分析的方法，并针对图像检索中维数过高的
问题展开研究工作.提取图像底层特征当中的独立
特征并且去除特征当中的相关联特征，这个是 ICA
F1(u)=1/(1+e- u) 变量 U1…Un 是输入的线性变换，为了实现互 信息最大化，采用了梯度上升法，其梯度为 H(Y)关 于权重矩阵 W 的导数，权系数按下式进行学习：
△W∞塄wH(Y)wTw=(I+Y'UT)w 1.3 FastICA 算法
FastICA 算法利用负嫡来估计 ICA.本质上是一 种最小化估计分量互信息的神经网络方法，它利用 最大熵原理来近似负熵，并通过一个合适的非线性 函数使其达到最优.首先，对观测信号去均值，通过 判断成分之间是否独立来求取个成分之间的非高 斯性的最大值. 对去均值后的观测信号白化处理， 每次从观测信号中分离出一个独立分量，该算法采 用了定点迭代的优化算法，使得收敛更加快速、稳 健.此算法步骤可总结如下:
关键词：独立成分分析；图像特征提取；FastICA 中图分类号：TP391 文献标识码：A 文章编号：1673- 260X（2012）04- 0016- 03
独立成分分析是近年来盲源分离技术发展来 的一种新的多维信号处理方法，在数据挖掘、特征 提取、神经网络等许多领域有广泛的应用.它为非 高斯数据找到一种线性变换，使得成分与成分之间 是统计独立的或者尽可能的独立.数字图像经过 ICA 处理，能够提取到能直接反映被研究对象本质 属性的独立成分特征量，作为分类器的输入向量， 不但能减少处理时间，而且非常有利于分类器达到 最优的性能，减少匹配的时间和错误率. 1 独立成分分析的基本理论
E[SST]=I
实际上 ICA 的目的是设置一个 N×N 维饭混
合矩阵 W=(wg)，X 经过 W 变换后得到 N 维输出向量 Y=[Y1,Y2,…,YM]T，即有
Y=WX=WAS
基金项目：安徽省高校优秀青年人才基金项目(2012SQR L177)；2012 年度安徽高校省级科学研究项目(KJ2012Z371)；淮南师范 学院自然科学研究项目(2011IK88)