周晓宁　郝建敏　闵芳

摘要：图像分割是图像处理的一项基础技术，也是目标物识别与分类的关键步骤。针对卫星图像目标物识别与分类的应用，本文将独立成分分析方法（ICA）应用于目标物-云的提取，验证了该算法在卫星图像分割中的有效性。结果表明，基于高阶统计的独立成分分析方法可以充分利用遥感图像的通道信息，有效消除各分量之间的相关性，提高了信息提取的准确性。

关键词：独立成分分析方法；图像处理；图像分割

中图分类号：TP37 文献标识码：A 文章编号：1007-9416（2017）04-0138-01

1 引言

独立成分分析（Independent Component Analysis， ICA）是近十几年来得到快速发展的一种新的数据处理分析方法[1]。独立成分分析通过执行一些线性变换，将观察到的多通道数据分解成几个统计独立的分量，这些独立分量是源信号的近似估计。虽然ICA从出现到现在时间不长，但在理论和应用两个方面，它是受到人们越来越多的关注。該方法在盲源信号分离、图像处理、特征提取、人脸识别、图像分类与变化检测、语音信号处理、生物医学信号处理、金融时间序列分析和数据挖掘等方面已有广泛应用，成为国内外研究的一个热点[2]。

图像分割是计算机视觉和图像处理的基础技术，也是目标识别与分类的关键步骤。目前，卫星图像的目标检测与识别已经成为一个非常重要的应用方向，因此对卫星图像分割算法的研究具有较高的理论和实际应用价值[]。独立成分分析方法（ICA）常用于信号分离，图像处理和特征提取等，但目前关于卫星图像分割大多采用比较传统的统计分类方法，将该方法用于卫星图像分割的相对较少。本文研究了基于快速独立成分分析（FastICA）的卫星图像目标分割算法，首先采用主成分分析方法对原始图像数据进行降维处理；然后采用快速独立成分分析进行数据降维，对降维处理后的图像进行变换，得到一组独立的成分图像；随后将独立分量组合成一张新的图像，这消除了各个分量之间相关性的影响，组合图像更好的利用原始图像的光谱信息。

2 算法模型

ICA是近几年来从盲信号分离领域发展起来的一种新的数据处理方法，从观测到的原始多通道信号里通过优化算法将统计独立信号分离开来，从而实现信号的增强，便于后续分析处理。它与主成分分析（Principle Component Analysis， PCA）均是属于线性变换的范畴，但两者又有一定的区别。

独立分量分析（ICA）是信号处理的统计方法，是主成分分析（PCA）的特殊情况。但是主成分分析利用的是图像的二阶统计量，而独立成分分析采用的是图像的高阶统计量，它是统计最大相关方向，不要求所确定的轴方向是正交的。在目标的分割和识别中，很多重要的信息都包括在高阶统计量中。因此，将独立成分分析的方法用于数据处理和分析，有其独特优势。可以有助于减少数据分解过程中的损失，提高数据分解的质量。ICA被认为是主成分分析和因子分析的延伸。

ICA的基本思想是：假设观测信号，是由n个相互统计独立的源信号线性组合而成，这种线性关系表示为：。其中为的实系数矩阵，其各列代表特征，称为特征矩阵。信号代表在观测数据中第个特征的幅度，如果独立成分都具有单位方差，即，即唯一的独立成分可以通过独立分量的符号确定[3]。Hyvarinen等人提出了基于固定点的快速ICA算法（FastICA），其目标函数是基于非高斯性度量的负熵[4]。本文采用FastICA提取独立分量，算法的具体步骤如下：

第1步：选取要估计的IC个数p，令i=1；

第2步：对观测数据进行中心化，使它的均值为0；

第3步：对数据进行白化处理，得到矩阵Z；

第4步：选择需要顾及的分量的个数m，设迭代次数p<-1；

第5步：选择一个初始权矢量（随机）Wp，使其具有单位范数；

第6步：更新；

第7步：假如尚未收敛的话，返回第6步；

第8步：令p=p+1，如果p<=m，返回第6步。

3 实验结果与分析

本文实例数据来源于MODIS卫星遥感数据作为数据源。利用美国MODIS的红外通道数据，因为其红外通道信息丰富，而且其数据可全天候使用。其相关参数取值如下：变化阈值（Change Threshold）取10-4；最大迭代次数（Maximum Iterations）取100。独立成分分析共产生16个相互独立的独立分量，将独立成分组合可产生一幅新的图像，对比原始图像与经过独立成分分析后各独立成分混合后的图像（图略）。可以发现经过独立成分分析后的图像质量较原始图像明显增强，不但消除了原始各红外通道数据之间的相关性，还减少了同物异谱、异物同谱的影响。尤其是对目标物-云而言，由于云的温度差异比较少，特征相对比较接近，利用独立成分分析的方法，可以很好的消除这种相关性的影响，更好的利用图像的各个通道的光谱信息，提高了信息提取的准确性。

4 结语

在原始卫星图像的多个波段之间总是存在较强的关联性。基于高阶统计的独立成分分析，不仅消除了原始波段之间的相关性，而且还使获得的各分量彼此独立的可能性最大。能够用不同的分量图像反应不同的对象和背景信息。本论文将其独立成分分析的方法应用于云特征提取，验证了算法在卫星图像分析中的有效性。结果表明，基于高阶统计的独立成分分析可以充分利用遥感图像的多通道信息，有效消除通道之间的相关性，ICA处理后的数据不仅大大降低了数据的维数，提高了计算效率。此外，提高了信息提取的准确性。作为盲源分离的新的处理方法，独立分量分析（ICA）将在图像处理中将会有越来越多的应用。

参考文献

[1]郑茂，粘永健，郑林华.基于独立分量分析的高光谱图像目标检测算法[J].信号处理，2009， 25（12）：1912-1916.

[2]张则飞.基于独立成分分析的植被信息提取方法研究[D].吉林大学，2007.

[3]粘永健，张志，王力宝，等.基于FastICA的高光谱图像目标分割[J].光子学报，2010，39（6）：1003-1009.

[4]Hyvarinen A， Karhunen J， Oja E. Independent component analysis. John Wiley， New York. 2001.

[5]Roberts S J， Everson， R. Independent component analysis： principles and practice. Cambridge University Press. 2001.

[6]骆媛，王岭雪，金伟其.独立成分分析及其在图像处理中的应用[J].光学技术，2012（5）：520-527.

[7]寻丽娜，方勇华.独立分量分析在高光谱图像舰船检测中的应用[J].计算机仿真，2008，25（9）：196-197.