Blind-restoration-based blind separation method for permuted motion blurred images

A novel single-channel blind separation algorithm for permuted motion blurred images is proposed by using blind restoration in this paper. Both the motion direction and the length of the point spread function （PSF） are estimated by Radon transformation and extrema a detection. Using the estimated blur parameters, the permuted image is restored by performing the L-R blind restoration method. The permutation mixing matrices can be accurately estimated by classifying the ringing effect in the restored image, thereby the source images can be separated. Simulation results show a better separation efficiency for the permuted motion blurred image with various permutation operations. The proposed algorithm indicates a better performance on the robustness against Gaussian noise and lossy JPEG compression.

基于参数估计和Kalman滤波的单通道盲源分离算法

针对存在频谱混叠通信信号的单通道盲源分离(single channel blind source separation,SCBSS)问题,提出一种基于参数估计和Kalman滤波的SCBSS算法。首先,针对根多重信号分类(root multiple signal classification,Root-MUSIC)算法在相近载频估计方面的局限性,提出一种自适应的Root-MUSIC算法,对接收到的盲混合信号的源信号数目和载频进行估计;其次,将Kalman滤波的思想引入到SCBSS算法中,根据估计得到的源信号参数构造信号模型,将其作为Kalman滤波系统的观测向量,执行“时间更新”和“测量更新”两个过程,得到源信号的最佳估计,实现单通道盲源分离。仿真结果表明,所提算法能够有效地从存在频谱混叠的单路接收信号中准确地分离出多路源信号,比传统的算法分离精度高,运算速度快。

基于EEMD-SCBSS的岩石声发射信号去噪方法

针对岩石声发射(AE)信号的低信噪比、随机性强、非平稳性等特点,提出了一种基于总体经验模态(EEMD)及单通道盲源分离(SCBSS)的AE信号滤波方法。将含有背景噪声的AE信号进行EEMD分解,得到一系列按频率从高到低排列的本征模函数(IMF);提取高频背景噪声信号与观测信号构建虚拟多通道观测信号;利用快速不动点优化算法(FastICA)对构建的虚拟多通道观测信号进行盲源分离(BSS),进而得到滤波后的AE信号。通过构造含噪声AE信号进行数值仿真实验及实测数据分析,将基于EEMD及SCBSS滤波方法与小波阈值滤波方法进行比较。实验结果表明:小波阈值滤波方法会导致滤波后的AE信号频域信息失真,影响滤波后的AE信号上升时间,能量等参数识别;该方法可以对含噪声AE信号进行有效地滤波处理,能够较好地滤除AE信号中的非平稳随机噪声,并且能够保护滤波后的AE信号频域信息。

面向能量差异混合信号的单通道盲源分离算法

针对不同源信号存在能量差异时的单通道盲源分离(single-channel blind source separation,SCBSS)问题,提出一种面向能量差异混合信号的单通道盲源分离算法。首先,针对能量差异信号的分解问题,提出一种改进的变分模态分解算法,设置谱相关系数和中心频率的双重门限,明确该模态分量的来源,对来自同一源信号的模态分量进行合并得到源信号对应的分量;然后,将得到的信号分量与混合信号共同构成多通道信号;最后利用多通道盲分离算法对源信号进行分离。仿真结果表明,当信噪比满足一定条件时,该算法能够有效地从频谱混叠的混合信号中分离出存在能量差异的多路源信号。

基于经验模态分解的单通道盲源分离算法

为了提高单通道盲源分离性能,首先由单路信号利用经验模态分解得到一系列本征模函数分量组合成多路信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号,并利用独立分量分析消除模态混叠的有效方法;然后利用互相关性消除上述步骤所得到的多路信号中的虚假分量,并将剩余的分量信号与观测信号构成新的多路信号;最后利用Fast-ICA(fast-independent component analysis)算法分离得到源信号。仿真实验表明该算法能够有效分离源信号,分离性能优于目前已有的基于经验模态分解的单通道盲源分离算法。

基于小波包分解的单通道盲源分离算法

为了提高单通道盲源分离性能,从产生包含所有源信号的足够多信息的虚拟多通道信号角度出发,利用单路观测信号的小波包分解,得到一系列代表源信号特征的高频系数和低频系数,并选择节点系数能量比大的节点系数重构信号,然后将重构信号与观测信号构成多路信号。最后利用Fast ICA算法分离信号。仿真实验表明,所提算法能够有效分离单通道观测信号,且分离性能优于基于小波分解的单通道盲源分离算法。

基于双树复小波变换的单通道盲源分离算法

单通道盲源分离(SCBSS)技术是在未知任何先验信息的条件下,仅由一路接收信号估计出多路源信号的信号处理方法,目前的SCBSS算法仍没办法完全精确地分离出所有源信号.为了提高部分源信号的分离精度,提出一种基于双树复小波变换(DTCWT)的单通道盲源分离算法.算法先用DTCWT对混合信号进行分解,再由PCA从分解信号中筛选出数目比源信号数目少一个的信号分量,这些分量与混合信号一起构成虚拟的多通道信号,最后用Fast-ICA估计出各个源信号.上述方法极大程度地减少了传统小波分解中的频率混叠问题.实验证明,和基于传统小波分解的单通道盲源分离算法相比,上述算法的分离性能得到了明显的改善.