Journal of KIISE:Information Networking (한국정보과학회논문지:정보통신)

Korean Institute of Information Scientists and Engineers (한국정보과학회)
권호 표지

An Image Separation Scheme using Independent Component Analysis and Expectation-Maximization

독립성분 분석과 E-M을 이용한 혼합영상의 분리 기법

  • 오범진 (국립한밭대학교 전자공학과) ;
  • 김성수 (충북대학교 전기공학과) ;
  • 유정웅 (충북대학교 전기공학과)
  • Published : 2003.02.01
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, a new method for the mixed image separation is presented using the independent component analysis, the innovation process, and the expectation-maximization. In general, the independent component analysis (ICA) is one of the widely used statistical signal processing schemes, which represents the information from observations as a set of random variables in the from of linear combinations of another statistically independent component variables. In various useful applications, ICA provides a more meaningful representation of the data than the principal component analysis through the transformation of the data to be quasi-orthogonal to each other. which can be utilized in linear projection.. However, it has been known that ICA does not establish good performance in source separation by itself. Thus, in order to overcome this limitation, there have been many techniques that are designed to reinforce the good properties of ICA, which improves the mixed image separation. Unfortunately, the innovation process still needs to be studied since it yields inconsistent innovation process that is attached to the ICA, the expectation and maximization process is added. The results presented in this paper show that the proposed improves the image separation as presented in experiments.

이 논문에서는, 독립성분해석기법과 EM기법을 이용한 새로운 혼합영상분리 방법을 제안한다. 독립성분해석기법은 통계적으로 독립된 랜덤변수들의 선형조합으로 측정대상 랜덤신호를 표기하는 여러 통계신호처리 기법 중의 하나로, 정보의 분리, 특징 추출 통의 응용분야에 적용되고 있다. 기술적으로는, 독립성분기법은 주성분 분리기법의 확장이라 볼 수 있고, 근래에 혼합정보의 분리에 관련하여 많이 연구되고 있다. 현재까지의 연구 결과로는 혼합영상의 분리에 있어 독립성분해석기법만으로는 혼합영상분리의 해를 얻지 못하고 있다. 이러한 독립성분해석기법의 약점을 보완하는 방범으로, 최근에 이노베이션 프로세서를 전처리로 하는 독립성분해석기법을 혼합한 시스템을 이용한 혼합영상 분리가 시도되었다. 이노베이션 프로세서를 전처리로 첨가한 혼합영상분리의 과정도 독립성분해석기법만을 사용한 경우보다는 향상된 혼합영상분리를 하지만, 분류된 영상들이 원래의 혼합 전의 영상과 많이 다른 결과를 내고 있다. 기존의 방법들인 독립성분해석기법이나 이노베이션이 전처리로 적용된 경우에도 혼합이전의 영상간의 상관관계가 클 경우, 혼합영상의 분류가 잔 이루어지지 않는다. 본 논문에서는 이 약점을 보완하기 위하여. EM이론을 기존의 시스템에 전처리로 첨가하여 혼합 영상의 분리를 향상시키고자 하였다. 실험 결과에서는 최근에 연구된 이노베이션의 방법보다 EM을 적용시킨 경우가 향상된 혼합영상의 분리의 결과를 보여 주고 있다.

Keywords

References

  1. J.-F. Cardoso and B. Hvam Laheld, 'Equivariant adaptive source separation,' IEEE Trans. on Signal Processing, vol.44, no.12, pp.3017-3030, 1996 https://doi.org/10.1109/78.553476
  2. P. Comon, 'Independent component analysis-a new concept?,' Signal Processing, 36, pp.2910-2943, 1996 https://doi.org/10.1016/0165-1684(94)90029-9
  3. N. Delfosse and P. Loubaton, 'Adaptive blind separation of convolutive mixtures,' In Proc. ICASSP'96, pp.2940-2943, 1996 https://doi.org/10.1109/ICASSP.1996.550170
  4. S. Haykin, Adaptive Filter Theory, Prentice Hall International, 3rd edition, 1996
  5. A. Hyvarinen, Independent component analysis by minimization of mutual information, Technical Report A46, Helsinki University of Technology, Laboratory of Computer and Information Science, 1997
  6. A. Hyvarinen and E. Oja, 'A fast fixed point algorithm for independent component analysis,' Neural Computation, vol.9, no.7, pp.1483-1492, 1997 https://doi.org/10.1162/neco.1997.9.7.1483
  7. C. Jutten and J. Herault, 'Blind separation of sources, part I : An adaptive algorithm based on neuromimetic architecture,' Signal Processing, vol.24, pp.1-10, 1991 https://doi.org/10.1016/0165-1684(91)90079-X
  8. P. Pajunen, 'Blind source separation using algorithmic information theory,' Neurocomputing, 1998 https://doi.org/10.1016/S0925-2312(98)00048-4
  9. H.-L. Nguyen Thi and C. Jutten, 'Blind source separation for convolutive mixtures,' Signal Processing, vol.45, pp.209-229, 1995 https://doi.org/10.1016/0165-1684(95)00052-F
  10. A. Hyvarinen, 'Independent Component Analysis for Time-dependent Stochastic Processes,' ICANN '98, pp. 541-546, 1998
  11. R.O. Duda and P.E. Hart, Pattern Classification and Scene Analysis, Wiley, 1973
  12. P.J. Bickel and K.A. Doksum, Mathematical Statistics, Holden-Day, 1977
  13. L. Rabiner, 'A tutorial on hidden Markov models and selected applications in speech recognition,' P. IEEE, vol. 77, no. 2, pp. 257-286, 1989 https://doi.org/10.1109/5.18626
  14. Todd K. Moon, 'The Expectation Maximization Algorithm,' IEEE Signal Processing Magazine, pp. 47-60, Nov. 1996 https://doi.org/10.1109/79.543975