korištenje wavelet paketa za rješenje problema slijepe separacije 1-d signala i slika
DESCRIPTION
Korištenje wavelet paketa za rješenje problema slijepe separacije 1-D signala i slika. Ivan Ivek. Uvod u problematiku. BSS – problem: -poznati skup linearnih kombinacija izvora -nepoznati izvori i koeficijenti linearne kombinacije Geometrijski pristup PCA/ICA. Formulacija problema. - PowerPoint PPT PresentationTRANSCRIPT
Korištenje wavelet paketa za rješenje problema slijepe
separacije 1-D signala i slika
Ivan Ivek
Uvod u problematiku
• BSS – problem:
-poznati skup linearnih kombinacija izvora
-nepoznati izvori i koeficijenti linearne kombinacije
• Geometrijski pristup
• PCA/ICA
Formulacija problema
x(t) = A s(t)
xi(t) = ai,1 s1(t)+...+ ai,k sk(t)+...+ ai,n sn(t)
n nepoznatih nezavisnih izvora s1(t), ..., sn(t)
m poznatih mješavina x1(t), ..., xm(t)
Formulacija problema
x(t) = A s(t)
Za n=m A je kvadratna
saproks = A-1 x(t)
Sparseness - motivacija
• većina vrijednosti uzoraka izvora jednaka je nuli
• prirodni signali nisu sparse
• moguće istaknuti sparseness u domeni transformacije - WP
Sparseness - motivacija
• nema koincidencije impulsa duz t–osi
• orijentacije u prostoru stanja (scatter plot)
• reprezentacija izvora u WP - domeni
Sparseness - motivacija
PCA
•za minimizaciju statističke ovisnosti drugog reda signala, dijagonalizacijom kovarijacijske matrice.
ICA
•Zahtjevi:–Statistička nezavisnost izvora–Najviše jedan izvor smije imati Gassovu distribuciju–Matrica miješanja A je nesingularna, različita od jedinične matrice
Audio signali2 izvora, 2 senzora
Prostor mješavina, vremenska domena
Prostor mješavina, potpuno WP drvo
Geometrijski postupak
• Tražimo orijentacije grupa koeficijenata– Projekcija na jediničnu hipersferu– c-means clustering
centroids = 0.4502 0.8930 0.9513 0.3084AArec = 0.4502 0.9513 0.8930 0.3084
Izvori Estimacije izvora
Slike2 izvora, 2 senzora
Mješavine
Prostor mješavina, potpuno WP drvo:
Hoćemo sparse prikaz! Uvodimo:
Mjera za sparseness• ukupna srednja vrijednost euklidske
udaljenosti svake točke (projekcije) iz clustera do pripadajućeg centroida
Prostor mješavina, koeficijenti iz 3 najrjeđa čvora:
AArec_geom = 0.2575 0.7150 0.9663 0.6991
Estimacije, geometrijska metoda Estimacije, JADE
Slike2 izvora, 3 senzora
Mješavine
Pseudoinverz matrice
• Matrica miješanja je 3x2– nema inverz
• Računamo pseudoinverz– nije jedinstven– U MATLAB-u Moore-Penrose pseudoinverz
pinv()
Estimacije, geometrijska metoda Estimacije, JADE
Slike3 izvora, 2 senzora
Jade je nemoćan
Do not ask more sources than sensors here!!!
Pokušaj rekonstrukcije izvora iz WP koeficijenata
• Dobivanje orijentacija iz koeficijenata nekoliko čvorova koji daju najmanju sparseness-mjeru
• Za koeficijente svakog terminalnog čvora odabrati one koji najbolje odgovaraju jednoj orijentaciji; njih zadržati, ostale u 0
• Rekonstrukcijom WP drva dobiva se estimacija izvora koji odgovara toj orijentaciji
Izvori, mješavine i aproksimacije
Literatura:
• Alexander M. Bronstein et al.: Sparse ICA for Blind Separation of Transmitted and Reflected Images
• Damir Seršić: Napredne metode digitalne obradbe signala, predavanja
• Hilit Unger, Yehoshua Y. Zeevi: Blind Separation of Spatio-temporal Synfire Sources and Visualization of Neural Cliques