盲信号处理(Blind Source Processing) 作为一种新兴的信号处理方法，.逐步发展并得到了越来越多的关注。盲信号处理与现代信号处理朝向非平稳、非高斯、非线性的发展方向相吻合，有利于复杂信号的分析以及处理，其研究对象主要为非高斯信号。它在传统信号处理方法的基础上结合了信息论、统计学和人工神经网络的相关思想。所谓的“盲分离”是指在没有关于源信号本身以及传输信道的知识，对数据及系统参数没有太多先验知识的假设的情况下，如何从混迭信号(观测信号)中分离出各源信号的过程。它能适用于更广泛的环境，为许多受限于传统信号处理方法的实际问题提供了崭新的思路。

人们从20世纪70年代开始对图像去噪的问题展开研究，到现在，图像去噪技术的发展已经十分系统化。最初学者们为了解决图像去噪问题，分别将均值滤波、中值滤波、维纳滤波等手段应用到图像去噪中，取得了不错的效果。但由于图像品质要求的不断提升，图像去噪的技术和理论也就随之而发展以适应新时期的要求。

理论的产生往往伴随着实际问题的应用，将盲源分离理论应用在图像处理中也有了很多很好的效果。目前，盲源分离理论已经成功的应用到了生物医学图像分析、人脸图像特征提取、独立基图像压缩、图像检索、遥感影像分类、图像的恢复与理解当中。

生物医学中,学者将ICA技术应用到功能核磁共振( functional magnetic resonanceimaging )成像中，ICA技术提供了分析大脑各部分之间的关联关系，并无需实验假设，可以处理成像的海量数据压缩。1996年Olshausen和Field将ICA技术应用到对自然图像的分析结果与人类视觉结构的联系中,使得ICA技术的应用领域拓展到图像处理和识别空间，基于ICA技术的特征提取，可以利用图像的高阶统计特性，组成特征滤波器,获得图像的局域性、方向性和带宽性等特性。也正是这样的特性，使得ICA技术应用于图像的数据压缩领域。独立分量分析的可提取多维数据特征，使得其压缩体积结构巨大的数据能力凸显出来，但其技术也有一定的缺陷待于开发，比如比特分配问题和ICA的算法中是否选择PCA算法来实现的问题。图像复原中，可以只依靠损坏的图像与图像系统的部分先验知识用盲处理技术进行分析处理。其中Kundur和Hatzinakos利用先估计点拓展函数的方法进行盲反卷积。近年来，他们利用非负和有限支撑约束，提出一-种递归滤波进行盲图像复原算法。此外，Hyvarinen 等人分用稀疏编码( Sparse Coding )的方法对含噪图像去噪，Haritopoulos等人利用了基于非线性ICA的自组织神经网络对含噪图像进行去噪，Han 等人也采用了稀疏编码的方法，对Poisson噪声进行处理研究。

关于盲源分离的理解，可以参照鸡尾酒会问题，接收语音的传感器往往数量少于说话的人数，这种情况经常发生，即传感器接收到的观测信号数目会小于源信号的个数，这一类问题被称之为欠定盲源分离( Underdetermined B ind Source Separation-UBSS )问题，由于这类问题更符合具体的实际情况,因此使它也更有研究价值。为解决这类问题，Lewicki和Sejnowski提出了超完备ICA表示，但是这种方法实现起来较为繁复。而且，对于如何解决好源密度和时间结构的先验知识问题也是解决欠定问题的重点部分凹。为解决欠定盲源分离这类问题，Li 和Cichocki也提出了数据矩阵稀疏的表示方法,效果很好。

在我国对盲源问题的关注几乎是与国外同步的，不得不佩服上个世纪的学者们在那时便认识到盲源分离技术的重要性。但是我国盲源分离技术的发展一直是滞后于外国的。在本世纪初的十年间几乎没有得到任何发展。关注的人也十分的。好在2012左右盲源分离技术得到了迅速的提升。

盲源分离技术在学术获得关注的原因是如下三点:1、电信技术的发展要求。语音信号和数字图像信号在存储及传输过程中不可避免的会混入噪声，对它们进行噪声处理是十分有必要的。而随着传输信道的复杂化，传输数据的高速化，巨大化，用户对数据质量的高要求。无一不推动着学者研究新的去噪技术2、随着我国工业化的提高，工厂中机器的使用比例日益增加。机器在使用过程中不可避免的出现损坏。现代机器的修理越来越依靠电子仪器来读取机器的内部信号。而机器运转时必然伴随着大量的噪声，想在这种情况下获得有用信号，必须要进行去噪处理。3、隐身飞机和隐身潜艇及对应反隐技术的需求。

通过对知网文献的统计调查，可以发现我国目前研究60%左右在电信领域。因此本课题将研究盲分离算法及其在图像处理中的应用，重点分析常用的几种盲分离算法在不同源信号分布、不同噪声、不同噪声强度下的抗噪性能，并与其他去噪算法，如低通滤波，中值滤波，小波去噪等与盲分离算法相结合的方法进行比较分析，最后给出分析结果。

2. 研究的基本内容与方案

基本内容

本课题旨在研究基于独立变量分析的盲源分离理论及其在图像噪声处理中的应用。重点研究基于时域实值瞬时混合模型。噪声与信号保持统计独立。它们经过信道的随机混合矩阵混合得到混合信号。在不清楚噪声，信号，信道的统计特征的情况下。利用经典法和盲源分离的方法对信号进行处理，尽可能的分离出优质的信号。