1. 引言
单通道盲源分离(Single-Channel Blind Source Separation, SCBSS)是指仅凭借单个传感
器就能将所采集到的单路混合信号分离为多路源信号,按照混合方式主要分为线性瞬时混
合模型和卷积混合模型
[1]
。研究最早的用于单通道盲源分离的方法主要是针对线性瞬时混
合模型,如设计最优滤波器,但单一滤波器并不能满足实际要求。以总体经验模态分解
(Ensemble Empirical Mode Decomposition, EEMD)为基础的非负矩阵分解(Non-negative
Matrix Factorization, NMF)
[2,3]
和独立成分分析(Independent Component correlation Analysis,
ICA)
[4]
等方法,它们假定源信号可以用一组线性组合表示,主要解决线性混合的单通道盲
源分离问题,效果较好。但在实际情况下,传播环境很复杂,并且观察到的许多信号是信
道衰落和延迟的结果,信号大多数是以卷积的方式进行混合的,这些方法在针对卷积的混
合信号分离问题上效果并不理想,不能用来解决更实际的卷积信号的分离问题。
单通道盲去卷积是针对卷积混合模型的单通道盲源分离问题,因其更适用于从一路卷
积混合信号中分离和解卷积出源信号,在生物医药工程
[5]
、语音信号处理
[6]
、图像复原
[7]
、
地震勘测及自动控制等
[8]
领域中都有广泛的应用。但由于缺乏混合信息,源信号和混合矩
阵都是未知的,因此,这是一个极具挑战但又不得不面对的问题。
较早的盲去卷积算法主要有:Sato
[9]
和 Godard
[10]
算法,用来解决源信号的恢复问题。
Yellin 等人
[11]
提出基于高阶谱的盲去卷积算法,但需要计算高阶谱,运算量太大,效果欠
佳。近年来,神经网络变得越来越流行,许多研究者应用卷积神经网络(Convolutional
Neural Networks, CNN)
[12]
和全连接神经网络
[13]
来解决源信号的分离和去卷积问题,使用递
归神经网络(Recurrent Neural Networks, RNN)
[14]
从混合的杂音中产生清晰的声音,利用自动
编码器(Auto-Encoders, AE)
[15]
来分离监督的源信号。随后,Subakan 等人
[16]
提出利用生成对
抗网络(Generative Adversarial Networks, GAN)解决单通道盲去卷积的问题,将生成对抗网
络应用于语音分离,目的是产生清晰的人声。然而,这些方法中混合矩阵是已知的,而且
需要混合矩阵和与源信号满足相同的分布以便于进行训练。针对这个问题,Kong 等人
[17]
提
出一种基于深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,
DCGAN)的合成分解(Synthesizing-Decomposition, S-D)方法,在源信号和混合矩阵未知的情
况下,结合生成对抗网络来解决单通道混合信号的分离和去卷积的问题,但仅针对 2 路源
信号的解混问题, 并不适用于分离多路源信号。
在汉字验证码的认证、数字水印、汉字图标中,经常出现汉字被遮挡或无法识别的现
象,容易造成干扰。针对以上问题,本文提出了一种单通道盲去卷积的算法,以解决多路
源信号的分离和去卷积问题。实验中将汉字和遮挡图像作为源信号,随机选择 4 路源信号
进行卷积混合并分离出汉字图像和遮挡图像以证明该方法的有效性。本文的贡献主要有: