最小噪声分离(MNF)变换应用于模糊印章提取的研究

为了提高印章的可辨识度,尝试解决印章与画意重合的问题,应用高光谱图像系统,采集了上海博物馆馆藏“清明上河图”作品的高光谱图像信息,对其中三枚可辨识度不高,与画意重合严重的印章进行了提取。通过最小噪声分离(Minimum Noise Fraction,缩写为MNF)解决了其中一枚印章可识别度不高的问题;对与画意高度重合的两枚印章,通过波段裁剪结合最小噪声分离处理,有效地将印章与画意分离开,取得了令人满意的效果。结果表明,最小噪声分离可以有效地提高模糊印章的可辨识度,结合相应的波段裁剪处理,也可以有效地将印章与画意分离开。

基于最小噪声分离的籽棉异性纤维高光谱图像识别(英文)

针对籽棉表层多类难检异性纤维,包括纸屑、白发、丙纶丝、化纤和地膜等5种白色物质,采用高光谱技术和最小噪声分离(minimum noise fraction,MNF)分析方法对含有异性纤维的籽棉图像进行研究。该文在400～1 000 nm的光谱范围内采集高光谱图像,根据光谱曲线选取子区域,应用最小噪声分离分析方法降维、去噪。取MNF变换后的前4幅分量图像,通过视觉评价,选定最佳成分图像并融合中值滤波、灰度变化等图像处理的方法确定最佳分割图像,提取异性纤维。试验结果表明,对于以上5种异性纤维,该方法的识别率达到91.0%。该研究可为棉花异性纤维检测系统的开发提供参考。

最小噪声分离在航空电磁数据噪声压制中的应用

时间域航空电磁数据经预处理后,仍存在残余噪声,影响电磁探测对地下异常的识别能力。笔者提出一种基于最小噪声分离的去噪方法,将一组含噪电磁数据通过旋转矩阵线性变换为按照信噪比大小排列的最小噪声分离成分,利用信噪比较大的最小噪声分离成分重构电磁数据,以达到分离噪声的目的。仿真数据去噪结果表明:最小噪声分离不仅能够有效压制晚期道剖面噪声,还能准确分辨异常信息;晚期道信噪比较测线滤波提高了11.28 d B,实测数据的噪声水平也由±50 n T/s降低到±10 n T/s。

基于核最小噪声分离变换的高光谱遥感影像多类SVM分类

高光谱遥感影像具有高维非线性、数据冗余多、训练样本难以获得等特点。在线性最小噪声分离变换MNF(Minimum Noise Fraction)的基础上,引入核方法,提出核最小噪声分离变换KMNF(Kernel Minimum Noise Fraction)高光谱遥感影像非线性特征提取方法。在KMNF特征提取后的影像上利用多类SVM进行高光谱影像分类,分析数据维数、样本个数对分类结果的影响,并与传统的最小距离分类方法进行对比。发现最小距离分类法存在维数灾难现象,当达到一定的特征维数之后,多类SVM分类方法受维数影响较小,具有一定的抗噪声能力,在一定程度上避免了维数灾难现象;利用多类SVM进行分类时,随着样本数目的减少,合理设置有关参数,高光谱图像的分类能够维持在较高精度;而传统的最小距离分类法当样本数量较小时,效果很差,这说明了SVM小样本分类的优势。

基于改进最小噪声分离变换的特征提取与分类

在最小噪声分离变换的基础上，引入核方法，采用小波核函数代替传统核函数对最小噪声分离变换予以改进。小波核函数的多分辨率分析特性可进一步提高算法的非线性映射能力。相关向量机高光谱图像分类是一种较新的高光谱图像分类方法，将新型核最小噪声分离变换方法与相关向量机相结合，对高光谱影像数据进行分类实验。仿真实验结果表明，基于小波核最小噪声分离变换的方法体现了高光谱影像的非线性特征，将所提出的方法应用于HYDICE系统在Washington DC Mall上空拍摄的数据，与对照算法相比，分类精度可提高3％～89／6，并可有效地提高小样本区域的分类精度。

基于最小噪声分离变换的高光谱异常检测方法研究

RX算法和核RX算法能很好地分离目标和背景,是较为广泛使用的异常检测算法,但是高光谱图像数据量大且存在冗余信息和噪声,直接进行RX及核RX异常探测运算量大且容易受噪声影响。针对此问题,提出一种基于最小噪声分离变换的高光谱图像异常检测方法,首先采用残差分析法估计噪声协方差矩阵以改进最小噪声分离变换,然后利用改进后的最小噪声分离变换来有效地降低高光谱图像数据的维数并分离出噪声,最后对低维降噪后的数据进行RX及核RX异常检测,避免了随机噪声对RX及核RX异常检测结果的影响并提高了异常检测率。对真实的AVIRIS数据测试表明,该算法优于传统的相应的RX、核RX异常检测算法。

基于最小噪声分离变换的遥感影像融合方法

针对主成分分析(PCA)融合算法的不足和最小噪声分离(MNF)变换的优势,以IKONOS新型高分辨率观测卫星提供的全色和多光谱数据为实验数据,提出了基于最小噪声分离变换的遥感影像融合方法,并与其它融合方法进行定量和视觉比较,结果表明该方法能得到更好的融合效果。

基于改进最小噪声分离变换的异常检测算法

为了降低噪声对高光谱异常检测结果的影响以及提高异常检测率,提出了一种基于改进最小噪声分离(MNF)变换的新型高光谱异常检测算法。首先对传统的MNF变换进行改进,采用加权邻域均值法对噪声矩阵进行估计,对邻域内每一个像元给予一个特定的权值,提高背景像元在邻域矩阵中的比例,进而抑制噪声像元的比例,通过差值计算提取噪声信息,然后应用改进的MNF变换对高光谱图像进行降维去噪处理,最后,将获取的低维去噪图像利用异常检测算法进行检测,并用真实的AVIRIS数据进行了测试。结果表明,该算法有更好的降维去噪效果,提高了异常检测率。

最小噪声分离变换与Haar小波变换结合的壁画线状特征增强方法

在壁画的保护与修复中,线状特征具有重要的意义。然而由于自然环境等因素的影响,壁画经常出现褪色残缺等病害,导致其线状特征难以辨认。因此,利用高光谱成像与Haar小波变换结合,提出了一种壁画线状特征增强方法。首先,对高光谱影像进行最小噪声分离(MNF)变换,选取前10波段进行MNF逆变换进行重构,实现高光谱影像的降噪处理。其次,对重构后的影像选择真彩色波段变换为灰度图像,对灰度图像进行Haar小波分解。然后,对最小噪声分离变换后的影像,利用最大平均梯度法进行最优波段选择,将最优波段利用Haar小波进行变换,利用其分解后的低频信号与灰度图像分解后的低频信号相融合,高频信号使用MNF逆变换重构后的灰度图像。最后,对优化组合的低频和高频信号进行Haar小波逆变换得到结果图像,达到增强线状特征的目的。经过与原始灰度影像、主成分分析线状特征增强方法对比,验证了线状特征增强方法的有效性。研究结果可为壁画的保护修复提供更丰富、更直观的参考信息。

基于最小噪声分离的沙特吉赞省城市建成区信息提取

基于MNF最小噪声分离光谱增强技术以及面向对象分类技术开展了沙特吉赞省城市建成区信息提取。研究成果显示,2008、2014、2018年三年度,吉赞省城市建成区面积分别为262.34、354.43和409.17km^2。2008至2014年,吉赞省新增城市建成区92.09km^2,增幅35.1%,年增长面积15.34km^2,面积年增长率5.85%。2014至2018年新增城市建成区面积主要集中在吉赞经济城,且新增城市建成区主要为规划开发的独立新城,原城镇居民点面积增幅较小,空间上主要分布于该省中南部平原地区。

舱段模型频率耦合噪声源的分离量化

由于潜艇振动噪声源存在频率相互耦合现象,常规方法难以有效地解决耦合噪声源分离与贡献量化问题。采用一种新型多元统计分析方法-偏最小二乘回归分析方法来实现频率耦合噪声源的分离量化,该方法可同时提取反映输入/输出中最大信息且相关性最大的主成分,并能够在变量间存在多重相关性的条件下进行回归建模。仿真与舱段模型试验表明:当多激励源之间存在频率耦合时,能对噪声源进行分离和贡献量化,从而实现了噪声源对耐压壳体观测点贡献以及噪声源对辐射声场观测点贡献的排序,验证了偏最小二乘回归用于频率耦合源分离量化的可行性,为主要噪声源的控制提供了依据。

一种改进的最大熵方法在船舶辐射噪声盲分离中的应用

对于船舶辐射噪声信号的盲信号分离(BSS)问题,由于常用的最小互信息(MMI)方法需要估计输出信号的高阶累积量,这对于非高斯、非平稳的船舶辐射噪声来说信号估计的精度将会降低.为此,本文验证了最大熵(ME)方法在处理此类复杂信号时能作为最佳对比函数的条件,并在此基础上用高斯混合模型来估计信号的概率分布,提高了信号概率密度估计的精度;同时在算法的迭代过程中使用自然梯度下降法代替随机梯度下降法,提高了算法的收敛速度.通过对船舶辐射噪声信号的盲分离实验,证明了此分离算法是有效的.

基于泄漏残余误差分离器的窄带主动噪声控制系统

传统窄带主动噪声控制系统中,各窄带噪声分量由各控制器并行处理,而相应的控制系数却仍由系统的整体残余误差进行更新。这导致各控制器之间相互影响,从而降低了系统的收敛速度。为保证各控制器单独利用自身的残余误差来更新控制系数,实现残余误差信号的频率分量分离,该文提出一种基于泄漏残余误差分离器的窄带主动噪声控制系统,并对新系统进行初步统计分析。理论分析、仿真及实验表明,这种引入泄漏因子的残余误差分离器,在不牺牲稳态性能情况下,提升了系统的鲁棒性和收敛性。

大气噪声背景下的超低频MSK通信盲源分离法

由于超低频通信具有传播距离远、信号稳定和对海水穿透能力强的优点,常被用于远距离水下通信。而大气噪声作为超低频通信的主要干扰源,从统计数据看,由背景高斯噪声和脉冲噪声叠加而成,一直是困扰远距离水下通信的难题。首先利用Alpha稳定分布模型根据设定好的参数来产生一组随机大气噪声,然后由计算机产生一组随机信息进行MSK调制,并将大气噪声叠加到调制好的超低频信号上。最后采用盲源分离算法将大气噪声和MSK信号分离后再进行解调,仿真结果表明:受大气噪声污染的MSK信号直接解调误码率较高,而采用盲源分离算法后的误码率接近无大气噪声时的水平,明显改善了系统的通信可靠性。

具有参考噪声源的多路传感器信号盲分离方法

在多路传感器信号处理系统中常常存在着信号间的相互串扰,这影响了高质量的传感器信号输出.针对这个问题,基于具有自适应噪声去除(ANC)的盲分离方法(BSS)应用到多传感器信号的分离中去.这种方法的使用可以提高分离系统固有的稳定性和快速收敛性.在多路传感器信号的盲分离算法中,采用基于自然梯度下降算法(NG)来调整前馈网络的权参数,同时分别使用经典的最小均方法(LMS)和梯度下降法来进行自适应的卷积噪声的消除.计算机模拟实验收敛后的结果表明经过4000次迭代,3路输入信号的多传感器系统在大约-20dB成功分离,与传统的LMS方法相比,采用梯度下降法进行自适应消除有更快的收敛速度和更好的分离效果.

基于HY-1C CZI影像光谱指数重构数据MNF变换的红树林提取

本文基于广西山口国家红树林生态自然保护区的HY-1C卫星的海岸带成像仪(Coastal Zone Imager,CZI)影像,分析了红树林与一般陆地植被的光谱特征及其光谱指数的相关性,采用归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)、归一化差异水分指数(Normalized Difference Water Index,NDWI)、大气阻抗植被指数(Atmospheric Impedance Vegetation Index,ARVI)及利用CZI波段构建的光谱斜率比(CZI Visible Spectrum Slope Ratio,CVSSR)4个指数替代CZI原始波段形成重构数据,基于重构数据的最小噪声分离变换(Minimum Noise Fraction Rotation,MNF)结果分量,建立决策树并实现了红树林信息的自动提取。研究结果表明:结合本文所选光谱指数重构数据及MNF变换方法,能够有效增强CZI影像上红树林与一般陆地植被的光谱差异,基于MNF变换分量建立的决策树可有效提取红树林信息,经与专家解译结果比对,本文方法面积准确率达90%以上;经随机样本点验证,总体检测精度为88%。

基于MNF和SVM的高光谱遥感影像分类研究

通过分析高光谱遥感影像分类的现状及遇到的困难,以OMIS1高光谱数据为实验数据,提出了基于最小噪声分离(Minimum Noise Fraction-MNF)变换和支持向量机(Support Vector Machine-SVM)的高光谱遥感影像分类方法。分类实验结果表明:与传统的最大似然分类法(Maxi mum Likelihood Classification-MLC)比较,该方法克服了Hughes现象,分类速度得以提高,总体分类精度达到94.85%,从而表明了该方法用于高光谱遥感影像分类的实用性和优越性。

基于小波变换和MNF变换的遥感影像融合

随着高分辨率遥感卫星的产生,传统的融合技术难以达到较好的融合效果,如主成分分析(Principal Com-ponents Analysis,PCA)变换融合对噪声比较敏感,受到融合区域的限制,而最小噪声分离(Minimum Noise Frac-tion,MNF)变换考虑了噪声和融合区域,是一种完备的成分分解方法,小波变换(Wavelet Transformation,WT)融合也存在一定程度的光谱失真。由此,本文在分析MNF变换和WT的基础上,以IKONOS新型高分辨率观测卫星提供的全色和多光谱数据为实验数据,提出了一种将两者相结合的遥感影像融合方法,通过与其它融合方法的定量和视觉比较,发现该方法能得到更好的融合效果。

MNF和SVM在遥感影像计算机分类中的应用

由于黄土高原地形复杂,单纯采用监督分离变换MNF(Minimum Noise Fraction)变换得到的4个去除噪声波段、归一化植督分类方法很难获得理想的精度,以延安市区为实验区,以TM遥感图像的最小噪声被指数NDVI和该地域的DEM作为数据源,采用支持向量机SVM(Support Vector Machine)的方法对研究区土地利用与覆盖状况进行分类,获得了较理想的分类结果。

基于KMNF和BP神经网络的高光谱遥感影像分类

为了对高维非线性的高光谱影像进行降维及信息提取,提出了高光谱影像核最小噪声分离变换(kernel minimumnoise fraction,KMNF)特征提取后利用BP神经网络分类的方法。以高光谱影像KMNF特征提取后的前几个特征分量作为BP神经网络的输入,进行BP神经网络分类,并与单独的高光谱影像BP神经网络分类进行比较。美国内华达州CU-PRITE矿区AVIRIS数据的实验结果表明,基于KMNF和BP神经网络的高光谱影像分类较单独BP神经网络分类总体精度及时间性能均得到提高。