图像矩阵上的广义最大噪声分离算法

• 作者: 刘华勇 张大明 张学勇 李璐
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 关键词: 主成分分析 广义主成分分析 信噪比 最大化噪声分离
• 年，卷（期）: 2018,（5）
• 所属期刊栏目: 图形与图像
• 页码范围: 849-855
• 页数: 7页
• 分类号: TP391.4
• 字数: 4650字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2018.05.013

摘要

主成分分析(PCA)是模式识别中一种重要的变换工具,在图像处理的特征提取和降维方面有广泛的应用.然而,由于二维图像数据需要进行向量化处理,导致高维向量的产生和像素空间位置丢失.广义主成分分析(GPCA)则是基于图像矩阵的主成分分析推广算法,它不改变像素间的空间位置关系,而且计算量也显著降低.但主成分分析和广义主成分分析都没有考虑到实际图像中存在的噪声干扰.最大噪声分离(MNF)则是一种面向噪声干扰的变换方法,与主成分分析基于方差的最大化不同,最大噪声分离是基于信噪比的最大化.与GPCA的推广类似,在图像二维矩阵上推广最大噪声分离方法,提出一种广义最大噪声分离(GMNF)算法.该变换方法在保证重构时信噪比最大的同时,也具有不改变像素空间位置、计算量小的优点.在人脸和红外图像上的仿真实验结果验证了所提算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李璐	安徽建筑大学数理学院	38	91	6.0	7.0
2	张大明	安徽建筑大学数理学院	28	72	5.0	6.0
3	刘华勇	安徽建筑大学数理学院	48	94	6.0	7.0
4	张学勇	安徽建筑大学数理学院	25	148	5.0	12.0