掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
盲圖像分離理論與應用 版權信息
- ISBN：9787030642929
- 條形碼：9787030642929 ; 978-7-03-064292-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
盲圖像分離理論與應用 內容簡介
本書是對盲源分離技術的*新研究成果進行的調研和總結, 共9章, 內容包括緒論、基本理論、基于變換域SCA的盲圖像分離、抗加性高斯白噪聲的盲圖像分離、抗混合噪聲的盲圖像源分離、高效的盲圖像分離、基于稀疏盲圖像分離的遙感影像融合、基于形態成分分析的盲圖像分離與應用、基于深度學習的盲源分離。
盲圖像分離理論與應用 目錄
目錄
第1章 緒論 1
1.1 引言 1
1.2 盲源分離系統分類 1
1.2.1 多通道源分離 1
1.2.2 單通道源分離 3
1.2.3 混響源分離 4
1.3 盲源分離的研究歷史、現狀與應用 5
1.3.1 經典盲源分離的研究歷史與現狀 5
1.3.2 稀疏表達的研究歷史與現狀 7
1.3.3 基于SCA 盲源分離的研究歷史與現狀 9
1.3.4 盲源分離的應用 11
1.4 本書主要內容 14
參考文獻 15
第2章 基本理論 25
2.1 引言 25
2.2 獨立成分分析 26
2.3 非負矩陣分解 28
2.3.1 學習過程 29
2.3.2 學習目標 31
2.3.3 稀疏規則 34
2.4 非負性張量因子分解 34
2.4.1 Tucker 分解 36
2.4.2 CP 分解 37
2.5 稀疏成分分析SCA 38
2.5.1 從ICA 到SCA 38
2.5.2 稀疏成分分析矩陣稀疏度定義 38
2.5.3 SCA 算法可以完全重構源信號的兩個條件 39
2.6 基于SCA 的盲源分離基礎算法 39
2.6.1 基于幾何稀疏特征的盲源分離算法 40
2.6.2 基于迭代SCA 的盲源分離算法 42
2.7 本章小結 44
參考文獻 44
第3章 基于變換域SCA 的盲圖像分離 48
3.1 引言 48
3.2 稀疏化變換 48
3.2.1 小波變換 48
3.2.2 曲波變換 49
3.2.3 非下采樣輪廓波變換 50
3.3 稀疏度與聚類法估計混合矩陣 51
3.3.1 稀疏度 51
3.3.2 線性聚類法估計混合矩陣 52
3.3.3 面聚類法估計混合矩陣 52
3.4 小波變換的線性不變性 53
3.5 基于變換域SCA 的盲圖像分離算法 55
3.6 實驗結果和分析 55
3.7 本章小結 59
參考文獻 60
第4章 抗加性高斯白噪聲的盲圖像分離 61
4.1 引言 61
4.2 含加性噪聲的盲源分離模型 61
4.3 基于SCA 的盲圖像分離算法的抗加性噪聲性能 62
4.4 抗加性高斯白噪聲的盲圖像分離算法 63
4.4.1 基于稀疏表達的圖像降噪算法 64
4.4.2 盲圖像分離算法的實施 65
4.5 實驗結果與分析 67
4.5.1 降噪算法性能測試與分析 67
4.5.2 抗加性高斯白噪聲的盲圖像分離測試與分析 68
4.6 本章小結 70
參考文獻 70
第5章 抗混合噪聲的盲圖像源分離 72
5.1 引言 72
5.2 盲源分離模型分析 72
5.3 基于SCA 的盲源分離算法分析 73
5.3.1 小波域的SCA 盲源分離算法 73
5.3.2 噪聲參與混合的盲圖像源分離測試 73
5.4 基于反饋機制的盲圖像源分離算法 75
5.4.1 基本思想 75
5.4.2 算法流程 76
5.5 實驗結果和分析 77
5.5.1 抗混合高斯白噪聲的性能測試 77
5.5.2 復雜混合圖像分離實驗 79
5.5.3 抗斑點噪聲的性能測試 80
5.5.4 遙感影像的分離實驗 81
5.6 本章小結 83
參考文獻 83
第6章 高效的盲圖像分離 85
6.1 引言 85
6.2 基本原理 85
6.2.1 線性瞬時混合模型 85
6.2.2 單源點的相關問題 86
6.3 基于Haar 小波域SSPs 篩選的混合矩陣估計算法 87
6.3.1 Haar 小波域SSPs 篩選分析 87
6.3.2 SSPs 篩選算法 89
6.3.3 混合矩陣的估計 89
6.4 實驗結果和分析 89
6.4.1 不同圖像組合測試 89
6.4.2 不同小波分量單源點篩選 91
6.4.3 遙感圖像測試 92
6.4.4 潛變量個數估計 93
6.5 本章小結 94
參考文獻 94
附錄 95
第7章 基于稀疏盲圖像分離的遙感影像融合 97
7.1 引言 97
7.2 遙感影像融合研究現狀 97
7.3 基于抗混合噪聲盲圖像分離算法的遙感影像融合 99
7.3.1 遙感成像與盲源分離相關分析 99
7.3.2 融合規則 99
7.3.3 融合方法 100
7.4 實驗結果和分析 101
7.4.1 采用的融合評價指標 102
7.4.2 多光譜影像與全色影像融合 103
7.4.3 多光譜影像與SAR 影像融合 104
7.4.4 不同極化方式的SAR 影像融合 106
7.5 本章小結 107
參考文獻 107
第8章 基于形態成分分析的盲圖像分離與應用 108
8.1 引言 108
8.2 圖像中形態成分分析理論 108
8.2.1 MCA 理論與實現 108
8.2.2 基于MCA 的圖像分解實例 111
8.3 基于GMCA 的盲圖像分離 112
8.3.1 GMCA 理論 113
8.3.2 GMCA 實驗結果與分析 115
8.4 基于多尺度形態成分分析的遙感圖像融合 122
8.4.1 圖像的多尺度稀疏分解 123
8.4.2 基于多尺度稀疏分解的遙感圖像融合 125
8.4.3 融合實驗結果與分析 127
8.5 本章小結 133
參考文獻 134
第9章 基于深度學習的盲源分離 137
9.1 引言 137
9.2 深度學習基礎介紹 137
9.2.1 深層神經網絡 137
9.2.2 遞歸神經網絡 142
9.3 基于深度學習的單聲道盲源分離 147
9.3.1 監督回歸分離 147
9.3.2 監督回歸中的掩模與訓練準則 150
9.3.3 標簽排列問題 151
9.3.4 深度聚類 151
9.3.5 深度吸引網絡 152
9.3.6 置換不變性的訓練方法 155
9.4 多說話人語音識別 157
9.5 多講者說話人識別 159
9.5.1 基于深度學習技術的SID 159
9.5.2 基于生成對抗性模型的盲圖像分離方法 162
9.6 本章小結 165
參考文獻 165
第1章 緒論 1
1.1 引言 1
1.2 盲源分離系統分類 1
1.2.1 多通道源分離 1
1.2.2 單通道源分離 3
1.2.3 混響源分離 4
1.3 盲源分離的研究歷史、現狀與應用 5
1.3.1 經典盲源分離的研究歷史與現狀 5
1.3.2 稀疏表達的研究歷史與現狀 7
1.3.3 基于SCA 盲源分離的研究歷史與現狀 9
1.3.4 盲源分離的應用 11
1.4 本書主要內容 14
參考文獻 15
第2章 基本理論 25
2.1 引言 25
2.2 獨立成分分析 26
2.3 非負矩陣分解 28
2.3.1 學習過程 29
2.3.2 學習目標 31
2.3.3 稀疏規則 34
2.4 非負性張量因子分解 34
2.4.1 Tucker 分解 36
2.4.2 CP 分解 37
2.5 稀疏成分分析SCA 38
2.5.1 從ICA 到SCA 38
2.5.2 稀疏成分分析矩陣稀疏度定義 38
2.5.3 SCA 算法可以完全重構源信號的兩個條件 39
2.6 基于SCA 的盲源分離基礎算法 39
2.6.1 基于幾何稀疏特征的盲源分離算法 40
2.6.2 基于迭代SCA 的盲源分離算法 42
2.7 本章小結 44
參考文獻 44
第3章 基于變換域SCA 的盲圖像分離 48
3.1 引言 48
3.2 稀疏化變換 48
3.2.1 小波變換 48
3.2.2 曲波變換 49
3.2.3 非下采樣輪廓波變換 50
3.3 稀疏度與聚類法估計混合矩陣 51
3.3.1 稀疏度 51
3.3.2 線性聚類法估計混合矩陣 52
3.3.3 面聚類法估計混合矩陣 52
3.4 小波變換的線性不變性 53
3.5 基于變換域SCA 的盲圖像分離算法 55
3.6 實驗結果和分析 55
3.7 本章小結 59
參考文獻 60
第4章 抗加性高斯白噪聲的盲圖像分離 61
4.1 引言 61
4.2 含加性噪聲的盲源分離模型 61
4.3 基于SCA 的盲圖像分離算法的抗加性噪聲性能 62
4.4 抗加性高斯白噪聲的盲圖像分離算法 63
4.4.1 基于稀疏表達的圖像降噪算法 64
4.4.2 盲圖像分離算法的實施 65
4.5 實驗結果與分析 67
4.5.1 降噪算法性能測試與分析 67
4.5.2 抗加性高斯白噪聲的盲圖像分離測試與分析 68
4.6 本章小結 70
參考文獻 70
第5章 抗混合噪聲的盲圖像源分離 72
5.1 引言 72
5.2 盲源分離模型分析 72
5.3 基于SCA 的盲源分離算法分析 73
5.3.1 小波域的SCA 盲源分離算法 73
5.3.2 噪聲參與混合的盲圖像源分離測試 73
5.4 基于反饋機制的盲圖像源分離算法 75
5.4.1 基本思想 75
5.4.2 算法流程 76
5.5 實驗結果和分析 77
5.5.1 抗混合高斯白噪聲的性能測試 77
5.5.2 復雜混合圖像分離實驗 79
5.5.3 抗斑點噪聲的性能測試 80
5.5.4 遙感影像的分離實驗 81
5.6 本章小結 83
參考文獻 83
第6章 高效的盲圖像分離 85
6.1 引言 85
6.2 基本原理 85
6.2.1 線性瞬時混合模型 85
6.2.2 單源點的相關問題 86
6.3 基于Haar 小波域SSPs 篩選的混合矩陣估計算法 87
6.3.1 Haar 小波域SSPs 篩選分析 87
6.3.2 SSPs 篩選算法 89
6.3.3 混合矩陣的估計 89
6.4 實驗結果和分析 89
6.4.1 不同圖像組合測試 89
6.4.2 不同小波分量單源點篩選 91
6.4.3 遙感圖像測試 92
6.4.4 潛變量個數估計 93
6.5 本章小結 94
參考文獻 94
附錄 95
第7章 基于稀疏盲圖像分離的遙感影像融合 97
7.1 引言 97
7.2 遙感影像融合研究現狀 97
7.3 基于抗混合噪聲盲圖像分離算法的遙感影像融合 99
7.3.1 遙感成像與盲源分離相關分析 99
7.3.2 融合規則 99
7.3.3 融合方法 100
7.4 實驗結果和分析 101
7.4.1 采用的融合評價指標 102
7.4.2 多光譜影像與全色影像融合 103
7.4.3 多光譜影像與SAR 影像融合 104
7.4.4 不同極化方式的SAR 影像融合 106
7.5 本章小結 107
參考文獻 107
第8章 基于形態成分分析的盲圖像分離與應用 108
8.1 引言 108
8.2 圖像中形態成分分析理論 108
8.2.1 MCA 理論與實現 108
8.2.2 基于MCA 的圖像分解實例 111
8.3 基于GMCA 的盲圖像分離 112
8.3.1 GMCA 理論 113
8.3.2 GMCA 實驗結果與分析 115
8.4 基于多尺度形態成分分析的遙感圖像融合 122
8.4.1 圖像的多尺度稀疏分解 123
8.4.2 基于多尺度稀疏分解的遙感圖像融合 125
8.4.3 融合實驗結果與分析 127
8.5 本章小結 133
參考文獻 134
第9章 基于深度學習的盲源分離 137
9.1 引言 137
9.2 深度學習基礎介紹 137
9.2.1 深層神經網絡 137
9.2.2 遞歸神經網絡 142
9.3 基于深度學習的單聲道盲源分離 147
9.3.1 監督回歸分離 147
9.3.2 監督回歸中的掩模與訓練準則 150
9.3.3 標簽排列問題 151
9.3.4 深度聚類 151
9.3.5 深度吸引網絡 152
9.3.6 置換不變性的訓練方法 155
9.4 多說話人語音識別 157
9.5 多講者說話人識別 159
9.5.1 基于深度學習技術的SID 159
9.5.2 基于生成對抗性模型的盲圖像分離方法 162
9.6 本章小結 165
參考文獻 165
展開全部
書友推薦
- >
中國歷史的瞬間
- >
羅庸西南聯大授課錄
- >
【精裝繪本】畫給孩子的中國神話
- >
經典常談
- >
名家帶你讀魯迅:故事新編
- >
名家帶你讀魯迅:朝花夕拾
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
自卑與超越
本類暢銷
