Abstract
The blind source separation (BSS) algorithms, especially the independent component analysis (ICA) algorithms, have been proven to be effective for the image data processing. The noise signal introduced into the image data can be perfectly eliminated using ICA only under the linear mixture condition. However, the images are always mixed nonlinearly with noise perturbations. The traditional linear ICA algorithm is not capable enough to suppress the noise in this situation. Hence, the nonlinear ICA is proposed to deal with the nonlinear mixtures in this paper. The radial basis function (RBF) neural network based post-nonlinear ICA algorithm has been adopted to remove noise from the original image data. To enhance the RBF-ICA operation, the Chaos-Particle Swarm Optimization (PSO) algorithm has been employed to optimize the RBF neural network to obtain satisfactory nonlinear solution of the nonlinear BBS procedure. A series of experiments have been implemented in this work to validate the efficiency of the proposed method. The Chaos-PSO optimized RBF-ICA model has been compared with other ICA models in the image de-noising processing. The comparative results show that the proposed approach is superior to the non-optimized ICA methods with respect to the image de-noising performance
چکیده
موثر بودن الگوریتم های جداسازی کور منابع (BSS) و به ویژه الگوریتم های تجزیه و تحلیل اجزای مستقل (ICA) برای پردازش داده های تصویری آزمایش و به اثبات رسیده است. سیگنال های نویز که در داخل داده های تصویری مشاهده می گردند می توانند با استفاده از الگوریتم های ICA تحت شرایط ترکیب خطی به صورت کامل حذف گردند. البته تصاویر همیشه به صورت ترکیبی از شرایط غیرخطی با آشفتگی های نویزی می باشند. الگوریتم ICA خطی سنتی به اندازه کافی قادر به سرکوب کردن نویز در این شرایط نمی باشد. از اینرو ICA غیرخطی برای مقابله با ترکیب های غیرخطی، در این مقاله ارائه شده است. شبکه عصبی RBF (تابع پایه شعاعی) مبتنی بر الگوریتم غیرخطی-پسین برای حذف نویز از داده تصویری اصلی به خدمت گرفته شده است. برای بهبود عملیاتRBF-ICA الگوریتم بهینه سازی ازدحام ذرات (PSO) مورد استفاده قرار گرفته است تا شبکه عصبی RBF را به منظور دستیابی به راه حل رضایت بخش از روش BBS غیر خطی، بهبود ببخشد. یک مجموعه از آزمایشات برای اعتبار سنجی و کارآیی روش ارائه شده در این مقاله انجام گردیده است. الگوریتم Chaos-PSO مدل RBF-ICA را در مقایسه با دیگر مدل های ICA برای حذف نویز از تصاویر، بهینه ساخته است. مقایسه نتایج نشان می دهد که روش پیشنهاد شده با توجه به عملکرد حذف نویز از تصاویر، برتر از روش های ICAغیر بهینه سازی شده می باشد.
1-مقدمه
رفع نویز برای تشخیص چهره در داده های تصویری بسیار مهم می باشد. آلودگی به نویز سنگین می تواند باعث شکست (خطا) در شناسایی چهره گردد. در نتیجه رفع نویز برای شناسایی تصاویر چهره ضروری می باشد. تحولات بسیاری برای رسیدگی به تصاویر چهره به روش هوشمندانه وجود دارند. این روش های پیشرفته شامل الگوریتم تکامل، شبکه عصبی مصنوعی (ANN)، تجزیه و تحلیل اجزای اصلی (PCA) و تجزیه و تحلیل اجزای مستقل (ICA) می باشد...