一种置换混叠图像盲分离方法及装置制造方法及图纸

本发明专利技术涉及一种置换混叠图像盲分离方法及装置，该方法包括：根据至少两个已知置换区域位置的含噪声的置换混叠图像，获取训练数据集；构建卷积神经网络，将获取的训练数据集输入到卷积神经网络进行训练，获得训练好的卷积神经网络；将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。本发明专利技术采用卷积神经网络对置换混叠图像自动提取特征，提取的特征稳定，不受人为因素的影响，提高了图像分离的准确性；并且，通过将分离问题转为分类问题进行解决，简化了分离过程，提高了分离速度。

【技术实现步骤摘要】
一种置换混叠图像盲分离方法及装置
本专利技术涉及一种置换混叠图像盲分离方法及装置，属于信号处理

技术介绍
盲源分离(BlindSourceSeparation,BSS)，又称为盲信号分离(BlindSignalSeparation,BSS)，是在不需要太多的源信号和信道先验信息的情况下，仅根据观测到的混合输出信号，分离出各输入源信号的过程，是信号处理领域的一个研究热点，被广泛应用于图像处理、数据传输、语音信号处理、移动通信、生物医学信号处理等领域。置换混叠图像盲分离是在置换区域的位置、大小、个数未知的情况下，将置换区域与被置换区域进行分离。之后，国内学者对此类置换混叠图像展开进一步研究，并获得了一些成果。2009年方勇等人根据盲源分离的定义，首次概括出置换混叠信号的数学模型，并利用特征域可分的原理对其进行研究，提出特征域可分性的置换混叠区域的分离方法。2011年段新涛等人利用非零元个数约束的K-SVD算法对含噪声的置换混叠图像进行训练，得到稀疏表示的字典，利用学习得到的字典对置换混叠图像去噪。根据去噪后的图像与原图像的差图像，通过对差图像进行阈值化操作分离出置换图像，提出一种基于噪声检测的置换混叠图像盲分离算法。由于置换混叠的方式与传统的叠加混合方式不同，所以目前已成熟的盲分离算法不再适用于这类新型的置换混叠图像，需要新的理论和方法来解决此类问题。现有的盲分离算法，采用人为选取的特征进行分离，由于人为选取特征易受人的主观原因或者外界环境因素影响，且特征选取的好坏直接影响分离的效果，所以利用人为选取的特征进行分离，不能达到很好的分离效果，因此需要新的算法对置换混叠图像进行分离。
技术实现思路
本专利技术的目的是提供一种置换混叠图像盲分离方法及装置，用于解决采用人为选取的特征进行分离会导致分离准确性较差的问题。为解决上述技术问题，本专利技术提供了一种置换混叠图像盲分离方法，步骤如下：将至少两个已知置换区域位置的含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。本专利技术的有益效果是：采用卷积神经网络对置换混叠图像自动提取特征，提取的特征稳定，不受人为因素的影响，提高了图像分离的准确性；并且，通过将分离问题转为分类问题进行解决，简化了分离过程，提高了分离速度。进一步的，为了提高图像特征图的优化效果，将图像特征图的矩阵中像素为0的像素值及其附近的像素值修改为1，其他像素值修改为0，得到优化后的图像特征图。进一步的，为了更准确地提取置换混叠图像的特征，所述卷积神经网络包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层和输出层。本专利技术还提供了一种置换混叠图像盲分离装置，包括处理器和存储器，所述处理器用于处理存储在存储器中的指令以实现如下方法：将至少两个已知置换区域位置的含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。进一步的，将图像特征图的矩阵中像素为0的像素值及其附近的像素值修改为1，其他像素值修改为0，得到优化后的图像特征图。进一步的，所述卷积神经网络包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层和输出层。附图说明图1是本专利技术置换混叠图像盲分离方法的流程图；图2是本专利技术卷积神经网络的结构示意图；图3是同一图像间置换的置换混叠图像；图4是本专利技术对图3进行分离的实验效果图；图5是不同图像间置换的置换混叠图像；图6是本专利技术对图5进行分离的实验效果图；图7是含高斯噪声的置换混叠图像，其中噪声方差为0.005；图8是含高斯噪声的置换混叠图像，其中噪声方差为0.05；图9是含高斯噪声的置换混叠图像，其中噪声方差为0.2；图10是本专利技术对图7进行分离的实验效果图；图11是本专利技术对图8进行分离的实验效果图；图12是本专利技术对图9进行分离的实验效果图；图13是含椒盐噪声的置换混叠图像，其中噪声方差为0.005；图14是含椒盐噪声的置换混叠图像，其中噪声方差为0.05；图15是含椒盐噪声的置换混叠图像，其中噪声方差为0.2；图16是本专利技术对图13进行分离的实验效果图；图17是本专利技术对图14进行分离的实验效果图；图18是本专利技术对图15进行分离的实验效果图；图19是含乘性噪声的置换混叠图像，其中噪声方差为0.3；图20是含乘性噪声的置换混叠图像，其中噪声方差为0.34；图21是含乘性噪声的置换混叠图像，其中噪声方差为0.4；图22是本专利技术对图19进行分离的实验效果图；图23是本专利技术对图20进行分离的实验效果图；图24是本专利技术对图21进行分离的实验效果图；图25是只含有一个置换区域的置换混叠图像；图26是本专利技术对图25进行分离的实验效果图；图27是含有两个置换区域的置换混叠图像；图28是本专利技术对图27进行分离的实验效果图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例对本专利技术进行进一步详细说明。卷积神经网络是一种深度的监督学习下的机器学习模型，具有极强的适应性，善于挖掘数据局部特征，提取全局训练特征和分类，它的权值共享结构网络使之更类似于生物神经网络，在模式识别各个领域都取得了很好的成果。针对置换区域和被置换区域存在噪声差异的置换混叠图像进行分析，利用卷积神经网络，本专利技术提供了一种置换混叠图像盲分离装置，该装置包括处理器和存储器，该处理器用于处理存储在存储器中的指令，以实现一种置换混叠图像盲分离方法。该置换混叠图像盲分离方法的流程图如图1所示，包括离线训练和在线检测两部分，其中离线训练是利用卷积神经网络对多个已知置换区域位置、大小、个数的含噪声的置换混叠图像进行训练，获得训练好参数的卷积神经网络；在线检测是根据训练好的卷积神经网络对置换区域未知的含噪声置换混叠图像进行检测，获得置换混叠区域。具体的，离线训练的步骤如下：(1)根据至少两个已知置换区域位置的含噪声的置换混叠图像，获取训练数据集。假设图像Z(i,j)大小为N×N，是由自然图像L(i,j)中的一部分被图像S(i,j)中的一部分置换混叠而成。其中自然图像L(i,j)不含噪声，而置换图像S(i,j)含噪声，所以图像Z(i,j)的数学模型可表示为：Z(i,j)＝L(i,j)+So(i,j)+Sn(i,j)其中，L(i,本文档来自技高网...

【技术保护点】
1.一种置换混叠图像盲分离方法，其特征在于，步骤如下：将至少两个已知置换区域位置的含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。

【技术特征摘要】
1.一种置换混叠图像盲分离方法，其特征在于，步骤如下：将至少两个已知置换区域位置的含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。2.根据权利要求1所述的置换混叠图像盲分离方法，其特征在于，将图像特征图的矩阵中像素为0的像素值及其附近的像素值修改为1，其他像素值修改为0，得到优化后的图像特征图。3.根据权利要求1或2所述的置换混叠图像盲分离方法，其特征在于，所述卷积神经网络包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层和输出层。4.一种置换混叠图像盲分离装置，...

【专利技术属性】
技术研发人员：段新涛，李飞飞，刘艺航，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：河南,41