CN108647635A - 基于均分循环补足接收模型的单通道图像盲提取方法 - Google Patents

Abstract

基于均分循环补足接收模型的单通道图像盲提取方法,解决了在发送非平稳非线性信号或接收信号稀疏性较小时，现有基于单通道的欠定盲源分离系统的图像提取方法无法进行盲源分离的问题，属于通信领域。在发送端，用N个发送传感器发送用混沌信号遮掩的目标图像信息的图像信号；在接收端，采用一个接收传感器接收；将接收的一路信号作为正定盲源分离模型的第一路接收信号；对所述一路信号进行集合经验模态分解得到本征模函数，该函数的第1分量作为正定盲源分离模型的第二路接收信号；将第1分量进行均分循环移位，获得后N‑2路虚拟信号，补足正定盲源分离模型的后N‑2路信号；对正定盲源分离模型的N路接收信号进行盲源分离处理，提取目标图像信息。

Description

基于均分循环补足接收模型的单通道图像盲提取方法

技术领域

本发明涉及一种图像提取方法，特别涉及一种基于均分循环补足接收模型的单通道图像盲提取方法，属于通信领域。

背景技术

混沌遮掩，是最早提出的一种混沌保密通信方式。基本思想是：在发送端利用混沌信号作为一种载体来隐藏信号或遮掩所要传送的信息，在接受端则利用同步后的混沌信号进行去掩盖，从而恢复出有用信息。在混沌掩盖技术中的掩盖方式主要有相乘、相加或加乘结合这几种方式，这种通信方式的实现程度完全依赖于混沌系统同步的实现程度。

现有混沌遮掩系统中图像提取方法是基于正定盲源分离模型的提取方法，正定盲源分离模型是指在发送端，用N个发送传感器发送用混沌信号遮掩的目标图像信息的图像信号，在接收端，用N个接收传感器接收被混沌信号遮掩的目标图像信息的图像信号。

基于正定盲源分离模型的混沌信号遮掩目标图像信息提取方法，其在发送端发送传感器量的数目与接收端的接收传感器量的数目相同，正是由于这种发送端传感器数量与接收端传感器数量相同造成接收端接收传感器数量上的浪费，接收传感器在架设排列上也会造成空间资源浪费。所以接收端采用单通道传感器采集的欠定盲源分离系统也被常用，单通道接收是欠定盲源分离系统的极限情况，也就是无论其信道输入端源信号的数量为多少，都仅有一个接收传感器进行接收。现有基于单通道的欠定盲源分离系统的图像提取方法，在发送非平稳非线性信号或接收信号稀疏性较小时，无法进行盲源分离。

发明内容

本发明的目的是为了解决在发送非平稳非线性信号或接收信号稀疏性较小时，现有基于单通道的欠定盲源分离系统的图像提取方法无法进行盲源分离的问题，本发明提供一种基于均分循环补足接收模型的单通道图像盲提取方法。

本发明的基于均分循环补足接收模型的单通道图像盲提取方法，在发送端，用N个发送传感器发送用混沌信号遮掩的目标图像信息的图像信号；在接收端，所述图像提取方法包括如下步骤：

步骤一：采用一个接收传感器接收图像信号，N≥1，获取一路接收信号；

步骤二：根据所述一路接收信号构建正定盲源分离模型的N路接收信号：

将所述一路接收信号作为正定盲源分离模型的第一路接收信号；

对所述一路接收信号进行集合经验模态分解得到本征模函数，将本征模函数的第1分量作为正定盲源分离模型的第二路接收信号，同时存储本征模函数的第1分量；

将存储的本征模函数的第1分量进行均分循环移位，获得后N-2路虚拟信号，补足正定盲源分离模型的后N-2路信号；

步骤三：对步骤二构建的N路接收信号进行盲源分离处理，提取目标图像信息。

优选的是，所述步骤二中，将存储的本征模函数的第1分量进行均分循环移位，获得后N-2路虚拟信号的方法为：

将存储的本征模函数的第1分量等量均分为M块，M＝N-1，得到M块数据，对M块数据进行同一方向循环移位重组，每移动1块，得到一路虚拟信号，以此类推，最终得到N-2路虚拟信号。

优选的是，所述方法还包括：

步骤四：通过视觉系统观测提取的目标图像信息，若提取的图像信息能够通过人眼辨认且提取前后的图像信息的结构相似性的值达到0.8以上，则确定提取成功，否则，提取失败。

优选的是，所述步骤三为，采用FastICA算法对步骤二构建的N路接收信号进行盲源分离处理，提取目标图像信息。

优选的是，所述步骤三，包括：

采用第j个提取处理单元从输入的接收信号中提取源信号；

第j个消减处理单元从输入的接收信号中消除已提取的源信号，并将剩下的接收信号输出给第j+1个提取处理单元；

j＝1,2…N，直至第N个提取处理单元从输入的接收信号中提取源信号；

N个提取处理单元提取的源信号为目标图像信息。

上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。

本发明的有益效果在于，利用集合经验模态分解，对接收信号进行分解和均分循环补足法，将单通道的盲源分离问题转化为多通道，即直接将欠定问题转化为正定问题，不考虑接收信号的稀疏性问题，进而实现对源信号的分离和提取。利用这种直接的虚拟信号补足法，可以避免当发送非平稳非线性信号或接收信号稀疏性较小时，无法进行分离。另外，集合检验模态分解在经验模态分解的基础上混合了白噪声，能减弱模态混叠的缺陷。

附图说明

图1为单通道的欠定盲源分离系统的数学模型；

图2为单通道欠定接收的传感器模型；

图3为均分循环补足法的原理示意图；

图4为源信号提取的原理结构示意图；

图5为采用提取单元和消减单元提取目标图像信息的原理结构示意图；

图6为发送端的第一路源信号的图像信息；

图7为发送端的第二路源信号的图像信息；

图8为发送端的第三路源信号的图像信息；

图9为发送端的第四路源信号的图像信息；

图10为接收端的观测信号图像信息；

图11为提取后的图像信息；

图6至图11中的横纵坐标均表示像素。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本实施方式是基于单通道的欠定盲源分离系统实现，如图1所示，对于单通道的欠定盲源分离系统的数学模型，也就是其信道输出端观测信号的数量为1,，信道输入端源信号的数量N大于1。

给定源信号向量S＝[s₁(t),s₂(t),…,s_N(t)]^T，表示N个未知的源信号向量，为了实现信号隐藏保密传输的目的，选择其中某一个向量作为混沌信号，然后将图像信息有效地隐藏在混沌信号中，使其达到保密传输的作用。混合矩阵A＝(a₁₁ a₁₂…a_1n)为1×N(1<N)阶的未知信道混合矩阵。Z＝[n₁(t),n₂(t),…,n_N(t)]^T表示信道中的加性高斯白噪声。由此可以得到该欠定混合盲源分离模型观测信号的矢量表达式为：

Y＝A×S+Z；

向量Y＝[y₁(t)]^T为接收端1个接收传感器接收到的观测信号向量。

由于1<N使得混合矩阵A不可逆，导致源信号没有唯一解，很难通过观测信号Y提取源信号S。

但是，相对于正定混合盲源分离模型而言，欠定混合盲源分离模型更加具有适用性，也更加符合实际的通信系统环境，因此本实施方式将欠定混合盲源分离模型作为图像信号提取的解决方法。本实施方式是在欠定混合盲源分离模型中补充虚拟信号转化为正定盲源分离模型。

本实施方式所述的基于均分循环补足接收模型的单通道图像盲提取方法，在发送端，用N个发送传感器发送用混沌信号遮掩的目标图像信息的图像信号；在接收端，所述图像提取方法包括如下步骤：

步骤一：采用一个接收传感器接收图像信号，N≥1，，如图2所示，获取一路接收信号，设其位数为nbit；

步骤二：根据所述一路接收信号构建正定盲源分离模型的N路接收信号：

将所述一路接收信号作为正定盲源分离模型的第一路接收信号；

对所述一路接收信号进行集合经验模态分解(EEMD，Ensemble Empirical ModeDecomposition)得到本征模函数(IMF，Intrinsic Mode Function)，将本征模函数的第1分量作为正定盲源分离模型的第二路接收信号，同时存储本征模函数的第1分量，用于后续均分循环操作；

将存储的本征模函数的第1分量进行均分循环移位，获得后N-2路虚拟信号，补足正定盲源分离模型的后N-2路信号；

步骤三：对步骤二构建的N路接收信号进行盲源分离处理，提取目标图像信息。

优选实施例中，本实施方式步骤二中，将存储的本征模函数的第1分量进行均分循环移位，获得后N-2路虚拟信号的方法为：

如图3所示，将存储的本征模函数的第1分量等量均分为M块，M＝N-1，则每块位数为n/Mbit，得到M块数据，对M块数据进行循环向左移位重组，每移动1块，得到一路虚拟信号，以此类推，最终得到N-2路虚拟信号。

利用集合经验模态分解，对接收信号进行分解和均分循环补足法，很好地解决了欠定系统无法直接进行盲源分离的问题。

优选实施例中，所述方法还包括：

步骤四：通过视觉系统观测提取的目标图像信息，若提取的图像信息能够通过人眼辨认且提取前后的图像信息的结构相似性的值达到0.8以上，则确定提取成功，否则，提取失败。

本步骤用于判断提取的图像信息的精度。

优选实施例中，所述步骤三为，采用FastICA算法对步骤二构建的N路接收信号进行盲源分离处理，提取目标图像信息。

快速独立成分分析(Fast Independent Component Analysis，ICA)用于从混合数据中提取出原始的独立信号。

因为一次只能提取一幅图像，当发送端发送多幅图像时，还需要式采用FastICA算法的序贯提取方法对接收端的一路接收信号进行盲源分离处理，提取剩余的几幅目标图像信息。FastICA算法的序贯提取方法采用级联神经网络的方式提取目标图像信息，采用两种不同类型的处理单元：线性特征提取LAE和最小绝对偏差LAD，它们以级联的方式相互交替连接，LAE是用来进行盲提取，LAD用来进行消减。

对N路接收信号进行盲源分离处理，提取目标图像信息具体包括：

采用第j个提取处理单元从输入的接收信号中提取源信号；

第j个消减处理单元从输入的接收信号中消除已提取的源信号，并将剩下的接收信号输出给第j+1个提取处理单元；

j＝1,2…N，直至第N个提取处理单元从输入的接收信号中提取源信号；

N个提取处理单元提取的源信号为目标图像信息。

成功提取第一个源信号y1(k)≈si(k)(i∈1,n)后，用消减处理从混合信号中消除前面提取的信号。这种处理可以递归使用直到依次将所有源信号提取出来。由此，可以有如下的实时线性变换：

其中，如图图4和5所示，w_j表示解混矩阵，表示w_j的估计值的系数矩阵，能够通过最小化能量函数而进行最优估计：

其中E{ρ(xj₊₁)}是目标函数，并且这样一个目标函数可以看做是能量函数，当源的混合信号中消减了被提取的源信号y_j时，这一能量函数应该达到最小值。

具体实施例：

在本实施例中，只考虑提取期望图像，并允许排列顺序和信号幅度的不确定性。图像信息盲提取算法的性能可以从定性和定量两方面来进行区别评价。定性评价主要是比较分离前后图像信息信号图，定量评价则是通过结构相似性(SSIM)等。本实施例的基于均分循环补足接收模型的单通道图像盲提取方法，具体包括：

步骤1：选取四幅256×256的数字图像，如图6、图7、图8、图9所示，将其二维图像信息数据转化为一维数组数据，二进制后作为四路源信号。选用Qi混沌系统的第一维分量作为载体，对图像信息的数据进行遮掩。因此，源信号是由四路图像信息数据及一路混沌信号组成的。随机产生如下的1×5阶矩阵：

A＝[0.0741 0.0403 0.6251 0.2385 0.2093]

源信号通过随机矩阵A后，得到了一路观测信号，如图10所示，可以看出，此时对源信号已经无法辨认，说明图像得到隐藏。

Qi混沌系统为破译难度较大的超混沌，即Qi混沌作为载体，利用Qi混沌对待传输的图像信息进行信息隐藏。这里给出Qi混沌系统的映射关系：

式中，x₁,x₂,x₃,x₄是系统的状态变量，a,b,c,d,r为系统的参数，它们的取值决定当前Qi混沌系统的状态。

当参数a＝50,b＝4,c＝-13,d＝4,r＝-20，且初值x₁＝1.01,x₂＝1.01,x₃＝1.01,x₄＝1时，Qi混沌系统处于混沌状态。

步骤2:：对加入干扰噪声信号进行信号封装，通过信道发送；

步骤3：接收端采用一个接收传感器接收图像信号；

步骤4：根据接收图像信号构建正定盲源分离模型的5路接收信号：

将接收的图像信号作为正定盲源分离模型的第1路接收信号；

对接收的图像信号进行集合经验模态分解得到本征模函数，将本征模函数的第1分量作为正定盲源分离模型的第2路接收信号，同时存储本征模函数的第1分量；

将存储的本征模函数的第1分量等量均分为4块，得到4块数据，对4块数据进行同一方向循环移位重组，每移动1块，得到一路虚拟信号，以此类推，最终得到3路虚拟信号，作为正定盲源分离模型的后3路接收信号；

然后使用FastICA对构建的4路接收信号进行盲源分离处理，提取目标图像信息，最终得到的图像如图11所示。

步骤5：视觉判断提取的图像视觉效果是否良好，即：能够通过人眼辨认，转入步骤6；

步骤6：提取的图像与原始图像的结构相似性SSIM为0.85，大于0.8，效果很好，实现图像信号的提取。

由此可见，均分循环补足法可以准确在单通道接收情况下提取出一幅图像。

再执行提取-削减-再提取的过程，，通过序贯提取的方法将剩余的三个源信号的图像信息提取出来。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (5)

1.一种基于均分循环补足接收模型的单通道图像盲提取方法，其特征在于，在发送端，用N个发送传感器发送用混沌信号遮掩的目标图像信息的图像信号；在接收端，所述图像提取方法包括如下步骤：

步骤一：采用一个接收传感器接收图像信号，N≥1，获取一路接收信号；

步骤二：根据所述一路接收信号构建正定盲源分离模型的N路接收信号：

将所述一路接收信号作为正定盲源分离模型的第一路接收信号；

对所述一路接收信号进行集合经验模态分解得到本征模函数，将本征模函数的第1分量作为正定盲源分离模型的第二路接收信号，同时存储本征模函数的第1分量；

将存储的本征模函数的第1分量进行均分循环移位，获得后N-2路虚拟信号，补足正定盲源分离模型的后N-2路接收信号；

步骤三：对步骤二构建的N路接收信号进行盲源分离处理，提取目标图像信息。

2.根据权利要求1所述的基于均分循环补足接收模型的单通道图像盲提取方法，其特征在于，所述步骤二中，将存储的本征模函数的第1分量进行均分循环移位，获得后N-2路虚拟信号的方法为：

将存储的本征模函数的第1分量等量均分为M块，M＝N-1，得到M块数据，对M块数据进行同一方向循环移位重组，每移动1块，得到一路虚拟信号，以此类推，最终得到N-2路虚拟信号。

3.根据权利要求2所述的基于均分循环补足接收模型的单通道图像盲提取方法，其特征在于，所述方法还包括：

步骤四：通过视觉系统观测提取的目标图像信息，若提取的图像信息能够通过人眼辨认且提取前后的图像信息的结构相似性的值达到0.8以上，则确定提取成功，否则，提取失败。

4.根据权利要求3所述的基于均分循环补足接收模型的单通道图像盲提取方法，其特征在于，所述步骤三为，采用FastICA算法对步骤二构建的N路接收信号进行盲源分离处理，提取目标图像信息。

5.根据权利要求4所述的基于均分循环补足接收模型的单通道图像盲提取方法，其特征在于，所述步骤三，包括：

采用第j个提取处理单元从输入的接收信号中提取源信号；

第j个消减处理单元从输入的接收信号中消除已提取的源信号，并将剩下的接收信号输出给第j+1个提取处理单元；

j＝1,2…N，直至第N个提取处理单元从输入的接收信号中提取源信号；

N个提取处理单元提取的源信号为目标图像信息。