论文部分内容阅读
独立成分分析(Independent Component Analysis，ICA)算法是盲源分离的一种有效手段，是以独立性为约束条件从多维数据中挖掘出其本质结构的一种方法。目前，针对大数据量的ICA处理，存在如下问题:由于内存的限制，需要对大数据量的信号进行分块运算，分块计算后的拼接是个问题;由于对源信号及其混合方式的先验知识有限，ICA的分离结果具有能量不确定性和次序不确定性，这些不确定性会对拼接的结果造成严重影响;另外，算法本身还存在分离效果受噪声影响以及迭代寻优耗时的问题。因此，本论文针对以上问题进行了深入的研究，提出了有效的解决方法。 本论文的主要研究工作和创新如下: 1.针对不确定性问题提出了一种基于稳定有序的独立成分分析算法。稳定是指处理前后信号不会取反，有序是指每次处理完之后信号的输出顺序是确定的。基于稳定有序的独立成分分析算法可以有效地解决经典独立成分分析算法分离信号的不确定性问题。 2.利用Mean shift图像增强算法提高分离精度。ICA算法分离出来的第一个信号往往效果最好，而其它信号会明显掺杂噪声。基于Mean shift的图像增强算法可以有效地降低图像中其它信号的干扰，经过增强后的图像与原始图像的相关系数达到了0.99以上。 3.针对计算耗时的问题，对基于负熵的ICA算法并行化，加快算法的执行速度。传统的CPU端并行对于独立成分分析算法的速度提升意义不大，而GPU的硬件特性却非常适合这种计算密集型的数值计算。借助于CUDA开发架构将独立成分分析算法并行化，有效地解决了独立成分分析算法的速度问题。 4.对于大数据量的信号，提出分块分离的方法。分块处理后如何拼接存在着三个方面问题:符号不确定性、能量不确定性以及块与块之间的对应关系，而利用基于稳定有序的独立成分分析算法和提出的拼接算法可以有效地解决上面三个问题。以Spot5多光谱影像（4个波段）为例，采用本文的方法可以对大小为15000×15000 pixel的数据进行处理，而ENVI4.6.1无法对数据大于5000×5000 pixel做ICA处理。