BEMD分解和W变换相结合的红外与可见光图像融合

目的 针对传统的基于多尺度变换的图像融合算法的不足,提出了一种基于W变换和2维经验模态分解（BEMD）的红外与可见光图像融合算法。方法 首先,为了更有效地提取图像的高频信息,抑制BEMD中存在的模态混叠现象,提出了一种基于W变换和BEMD的新的多尺度分解算法（简称W-BEMD）;然后,利用W-BEMD对源图像进行塔式分解,获得图像的高频分量WIMFs和残差分量WR;接着,对源图像对应的WIMFs分量和WR分量分别采用基于局部区域方差选择与加权和基于局部区域能量选择与加权的融合规则进行融合,得到融合图像的W-BEMD分解;最后,通过W-BEMD逆变换得到最终融合图像。W-BEMD分解算法的主要思想是通过W变换递归地将BEMD分解过程中每层所得低频分量中滞留的高频成分提取出来并叠加到相应的高频分量中,实现更有效的图像多尺度分解。结果 对比实验结果表明,本文方法得到的融合图像视觉效果更佳,既有突出的红外目标,又有清晰的可见光背景细节,而且在平均梯度（AG）、空间频率（SF）、互信息（MI）3个客观评价指标上也有显著优势。结论 本文提出了一种新的红外与可见光图像融合算法,实验结果表明,该算法具有较好的融合效果,在保留可见光图像中的细节信息和突出红外图像中的目标信息方面更加有效。     

基于二维经验模式分解的医学图像融合方法

基于多尺度多分辨率的图像融合是医学图像融合的重要方法,二维经验模式分解（BEMD）方法是一种新的多尺度多分辨率图像分解方法. 本文提出了一种基于BEMD的医学图像融合方法. 首先将待融合的两幅图像进行BEMD分解,获得多个BIMF分量和一个剩余分量;然后针对BIMF分量和剩余分量采用不同的融合规则进行图像融合;最后对融合后的各分量进行BEMD逆变换,得到最终的融合结果. 实验结果表明,本文方法可得到较好的融合效果,融合图像清晰,含有的更多信息.     

基于改进的BEMD的红外与可见光图像融合方法

将红外图像与可见光图像融合在一起,可增强视觉效果,使人产生更完整的场景感知。基于二维经验模态分解(Bidimensional Empirical Mode Decomposition,BEMD)的图像融合方法运行时间较长,因此,文中提出了一种基于改进的二维经验模态分解的红外与可见光图像快速自适应融合方法,采用顺序统计滤波器和高斯滤波器直接生成均值包络曲面,从而加速图像的分解过程。首先,将可见光图像转化到HIS(Hue-Intensity-Saturation)颜色空间;然后,用改进的BEMD对强度分量I和红外图像进行分解,生成高频分量和低频分量,高频分量和低频分量分别采用自适应局部加权融合规则和算术平均融合规则;最后,将强度分量I与红外图像的融合结果图经过逆HIS变换到RGB颜色空间,从而得到融合图像。仿真实验表明,该融合算法不仅运行速度快,而且融合效果最佳,最大程度地保留了红外图像的边缘细节特征和可见光图像的光谱信息。     

基于BEEMD分解的红外与可见光图像融合

针对二维经验模态分解（BEMD）算法在图像分解过程中存在模态混叠,提出了一种基于二维集合经验模态分解（Bi-dimensional Ensemble Empirical Mode Decomposition,BEEMD）算法的红外与可见光图像融合方法。为了抑制分解过程中存在的模态混叠现象,获得准确的特征分量和残差分量,使用BEEMD算法对图像进行分解。对获得的特征分量采用局部区域能量选择与加权的融合策略进行融合,而残差分量采用模糊逻辑进行融合。将融合后的特征分量和残差分量叠加得到最后的融合图像。实验结果表明,该方法能够很大程度上保留可见光图像的背景信息,同时突出红外图像的目标,具有较好的可视性,而且在平均梯度（AG）、标准差（SD）、信息熵（IE）等客观评价指标方面,也有明显的优势。     

改进的BEMD在纹理图像检索中的应用

二维经验模式分解（BEMD）方法把图像分解成一组称为固有模式函数（IMF）和残差,广泛应用在纹理图像的检索中。对BEMD检索纹理图像进行改进,使用快速自适应二维经验模式分解（FABEMD）对纹理图像进行分解,创新性地利用广义伽马分布密度函数来对FABEMD分解出来的IMF系数进行建模,并利用Kullback-Leibler距离来计算两张纹理图像的相似性。实验结果表明,算法快速有效。     

基于基图像提取的二维经验模式分解方法

在图像处理中,传统经验模式分解（ BEMD）方法存在图像边缘处的跳跃特性而造成的原图像细节丢失,以及分解图像中存在的严重“灰度斑”现象和原图像边缘信息无法保留在分量中等问题。提出一种先利用加权最小二乘估计提取基图像后进行BEMD分解的方法用来克服上述问题。实验证明,这种方法可以很好地保留细节和边缘信息,并极大减弱了“灰度斑”现象。     

基于偏微分方程的快速二维经验模态分解方法及其应用

针对现有的二维经验模态分解(BEMD)方法存在边界效应、分解速度慢等缺点,提出一种基于偏微分方程(PDE)的快速二维经验模态分解方法——PDE-BEMD.首先构造极值点所在二维包络曲面所满足的四阶偏微分方程,通过差分迭代方法快速求解偏微分方程,得到图像的上下包络曲面;然后对图像进行筛分,得到固有模态函数图像(IMFs),实现图像的模态分解.将分解得到的图像应用于边缘检测和人脸识别预处理算法中的实验结果表明,PDE-BEMD方法不仅可有效地降低时间和空间的复杂度、提高运算速度,而且避免了BEMD的边界效应,分解出具有清晰边缘信息的IMFs,且剩余图像不会被模糊,具有良好的边缘提取与去噪效果.     

基于二维经验模式分解的图像去噪

通过二维经验模式分解(BEMD),可将被噪声污染的图像分解为一系列细节信息和趋势信息.由图像的趋势信息重建图像,可达到去除图像噪声的目的.实验结果表明该方法对去除高斯白噪声、乘性噪声具有较好的效果,峰值信噪比(PSNR)得到明显提高.     

一种基于局部特征分析的多聚焦图像融合方法

提出了一种基于局部特征分析的多聚焦图像融合方法。首先采用二维经验模式分解(BEMD)对不同聚焦图像进行分解,得到多个内蕴模函数(IMF)分量,然后提取出第一个IMF分量的统计信息作为图像融合的依据,对多张不同聚焦的图像进行融合,得到最终的融合图像。实验结果表明,本文提出的均值IMF方案与其他方案相比,具有较高的融合质量和较低的计算复杂度。     

基于BEMD和PCA的数字图像压缩

二维经验模式分解（BEMD）方法是一种不依懒于基函数的数据驱动的自适应方法,主成分分析（PCA）算法具有去相关性好、压缩比高等特点。因此尝试运用BEMD算法对图像进行分解,利用PCA算法对分解后的子图像进行压缩。通过Matlab仿真,证明了该方法的有效性和优越性,且基本实现了高压缩比下达到高信噪比的目的。     

利用EMD的自适应图像去噪

为了在去噪的同时保证图像细节尽可能不被破坏,提出了利用经验模式分解（Empirical Mode Decomposition,EMD）的自适应图像去噪方法。对噪声图像按照列、行、左对角和右对角方向一维展开,分别进行EMD处理,采用提出的基于噪声标准差的自适应阈值对各个基本模式函数（Intrinsic Mode Function,IMF）进行局部硬阈值去噪,将去噪后的IMF进行反变换分别获得按照四个方向展开对应的去噪后图像,将它们加和平均得到去噪后图像。实验结果表明,提出的方法能够有效地去除图像的噪声并保留足够的图像细节。     

基于人眼视觉特性的云雾图像增强方法

针对云雾图像对比度低、照度低、色彩失真、边缘模糊的问题,提出一种基于人眼视觉特性的云雾图像增强方法。采用二维经验模式分解方法,得到多个不同尺度的内蕴模式函数图像和一个趋势图像,根据视觉适应模型对分解所得的内蕴模式函数图像和趋势图像进行调整,将人眼视觉特性融入其中。实验结果表明,增强后的图像照度、对比度适中,更适合人眼观察。     

基于ICA和EMD的生理信号提取

提出一种新的获取人体生理参数的方法,用摄像头采集人脸的彩色视频,对人脸区域进行颜色通道分离和独立成分分析（ICA）,获取有用信号。使用经验模态分解（EMD）的方法,把信号分解成可以反映出生命信息的固有模态函数（IMF）,再根据所设计的提取准则,分别提取出较为准确的心跳和呼吸信号。用Bland-Altman法进行对比实验分析,结果表明,此方法具有一定的准确性和实用性。     

基于二维经验模式分解的图像水印嵌入算法

提出一种基于二维经验模式分解(BEMD)的图像水印嵌入算法,完成水印的嵌入和提取。对水印进行置乱并对原图像进行分块处理,再对置乱后的水印和分块后的原图像分别做BEMD分解,获得其相应若干固有模态函数(IMF),将水印的IMF分别嵌入分块后的原图像中,完成水印的嵌入。实验证明,该方法较以往的方法在水印的嵌入量上有了提高且鲁棒性较好,同时具有不可见性和较高的安全性。     

公共空间模式算法结合经验模式分解的EEG特征提取

常规的公共空间模式分解方法需要大量的输入通道、缺乏频域信息,发展受到限制。为了克服以上缺点,将经验模式分解（Empirical Mode Decomposition,EMD）和公共空间模式算法结合,改变CSP滤波器成分选择方式,提出EMD-CSP算法来获取特征向量。该算法对预处理后的信号进行经验模式（EMD）分解,得到固有模态函数（Intrinsic Mode Functions,IMFs）,观察并计算每个IMF分量的能量谱,筛选有效的IMF频段（5~28 Hz）,使用改进的CSP滤波器进行滤波获取特征,最后使用支持向量机（Support Vector Machine,SVM）进行分类。分类结果得到9位受试的想象运动平均分类正确率为92%,证实了该算法的可行性与有效性。     

自适应块分割的快速BEMD算法研究

基于径向基函数的分块二维经验模态分解算法在拼接处的不连续失真较严重。为此,提出一种改进的分块二维经验模态分解算 法。通过计算相邻图像块的最小对称相似性,确定相邻图像块间的重叠尺寸,利用自适应无缝拼接算法,对图像分解结果进行融合。实验结果表明,该算法能较好地改善拼接失真现象。     

思维作业脑电的IMF能量熵特征提取与分类研究

提出了一种基于固有模态函数（Intrinsic Mode Function,IMF）能量熵的特征提取方法。对三类脑电思维信号分别进行了经验模态分解（Empirical Mode Decomposition,EMD）,并得到与其相对应的IMF。试验发现对于不同类别的信号,同阶的IMF能量的判别熵有明显的不同。而采用K-近邻分类器对三类脑电信号进行了分类,发现基于最佳特征向量选择的分类试验的平均正确识别率达75%以上。     

EMD和CSP融合最优波长空间滤波脑电特征提取方法

基于经验模式分解和共空间模式,结合最优波长空间滤波,提出了三者相结合的特征提取方法。该方法首先利用经验模式分解进行分解,得到固有模态函数,选择合适的固有模态函数进行信号的重构,然后将重构的信号进行最优波长空间滤波变换,得到最优的波长选择信号,再经共空间模式投影映射,提取相应的特征向量,最后利用支持向量机进行分类。运用该方法对9位受试者进行分类结果分析,平均分类准确率在95%以上,实验表明,提出的算法具有较好的分类识别性。