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.     

基于快速二维经验模态分解的纹理分割

经验模态分解是一种数据驱动的信号分解方法,具有局部性和瞬时性等特性,非常适合非稳态非线性信号分析.提出了一种新的快速二维经验模态分解方法,在新方法中,采用了新的边界抑制算法,改进了经验模态分解算法的筛选条件.将该方法应用于纹理分割,取得了满意的实验效果.     

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BEMD图像特征点的图像压缩方法

BEMD作为一种较新的多尺度分析方法,在自适应的提取图像符合视觉感知的成分上有其独特的优势。本文探索研究了BEMD在图像压缩领域的应用推广。提出了基于BEMD提取图像分量的特征点的图像压缩理念。对各IMF分量和残余提取他们的极值点和过零点,将极值点和过零点视为特征点,对特征点系数做量化编码,接收端解码,再对特征点插值分别重建各IMF和残余分量,进而重建原图像。通过实验证明了其可行性。     

基于经验模态分解的图像拼接

对待拼接图像分别进行经验模态分解,对分解得到的第一个固有模态函数与第二个固有模态函数的叠加进行特征点提取、特征点匹配与变换矩阵的估计以实现图像的拼接,文中提出的方法有效提高了特征点匹配的正确率,具有很强的鲁棒性.在图像融合方面文中提出一种新的基于余弦关系变换的加权融合技术,在实现图像无缝拼接的同时,可有效去除拼接图像重...     

二维经验模态分解边界效应抑制研究

二维经验模态分解中边界效应抑制是一个关键问题,现有方法主要讨论一维信号端点效应抑制,基本思想是信号延拓,不适合对二维信号进行边界效应抑制。提出一种二维图像边界效应抑制方法,该方法根据对称性、局部性原理和牛顿插值理论,对边界点进行插值,获取部分边界极值,采用这些极值对边界进行线性插值获取图像每个边界像素点的极大值和极小值。把这种边界效应抑制方法应用到二维经验模态分解中收到了较好的实验效果。     

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,...     

基于经验模态分解的灰度水印算法

为提高数字图像面对攻击时的鲁棒性,本文提出了一种基于二维经验模态分解(BEMD)的灰度水印鲁棒算法.首先在水印嵌入前对其进行Arnold变换,在没有密钥时无法获取正确的信息,提高了水印的安全性.其次在水印嵌入过程中,由于BEMD分解有效将宿主图像划分为不同频次的内蕴模态函数,通过不可见实验测试我们选择将水印信息嵌入到人...     

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.     

一种改进的二维经验模态分解图像消噪方法

在含噪图像的二维经验模态分解(BEMD)的基础上,从图像BEMD分解系数的统计特性出发,构造图像BEMD系数的概率密度函数模型,提出了一种基于相邻尺度间BEMD系数相关性的图像消噪方法,消噪的过程中同时考虑本层BEMD系数特性以及其父层BEMD系数的值.从而能更好地消除噪声,同时更有效地保留图像边缘、纹理等细节信息.实验结果表明,与经典的小波阈值消噪和BEMD阈值消噪算法相比,经本文方法消噪后图像质量有较好的提高,具有更低的均方误差和更高的峰值信噪比.     

基于经验模式分解的汉字字体识别方法

提出了一种基于经验模式分解(empirical mode decomposition,简称EMD)的汉字字体识别方法.通过对大量汉字字体的研究比较,选取了能反映汉字字体基本特征的8种基本笔画.以这8种汉字笔画为模板,在汉字文档图像块中随机地抽取笔画信息,形成笔画特征序列.通过对笔画特征序列作EMD分解,提取每个笔画特征序列的高频能量,并结合汉字文档图像块的平均灰度,形成字体识别的一个9维特征.     

一种快速的二维经验模式分解算法

作为分析非线性、非平稳信号的有效方法,经验模式分解将原始信号解析成不同时间尺度下的平稳的数据分量及趋势项集合.将其应用到图像处理领域,图像可以被分解成一系列的图像细节信息及趋势信息.这种层次式的图像表示形式,使得图像在融合、边缘检测、滤波及纹理分析等方面产生更优的结果.提出一种邻域限制顺序统计滤波器的快速自适应二维经验模式分解算法.算法在时域内对每次分解的最大邻域进行了限制,首先在最大邻域内计算出局部极大值点集和局部极小值点集,然后对局部极值点集采用基于顺序统计滤波器的包络估计算法来计算信号的上下包络.实验结果证明,本文算法具有较快的分解速度,有效的防止了灰度斑在分解结果中出现,同时具有较强的信号细节保持能力.     

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。     

基于BEMD的Canny算子边缘检测算法

提出一种基于二维经验模态分解（BEMD）的Canny算子边缘检测算法,通过BEMD将图像分解成多层本征模函数,利用Canny算子对各分量进行边缘检测,并有选择地逐层重构出图像边缘,在灰度图像集中进行测试。实验结果表明,与传统算法相比,该算法能够获得较好的检测性能。     

一种BEMD第一余量图像压缩的方法

提出一种针对二维经验模态分解第一余量图像的压缩方法。解释了第一模态、第一余量和第一均值等概念,将可以利用网格特征点表示的各个均值曲面分别进行压缩。根据第一余量曲面和其各个均值曲面的加和关系,将各个均值曲面分别重建后再相加得到第一余量曲面(图像)高质量的还原结果。实验结果表明,该方法在图像低频信息压缩方面与传统的压缩方法相比具有明显优势。     

经验模态分解方法的小波消失现象

在分析经验模态分解（EMD）算法的基础上,通过提取叠加在正弦信号中的瞬态微小波形成分发现EMD分析方法的小波消失现象。以正弦信号中的微小信号的提取为分析对象,根据EMD算法的特点,推出正弦信号中的微小波形提取时的小波消失条件。通过改变微小波形的时间中心相对于正弦信号的位置提取正弦信号中叠加的微小波形,验证了小波消失条件的正确性。EMD分解方法的小波消失现象的分析丰富了EMD分解方法的适用性研究。     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

Texture analysis based on local analysis of the Bidimensional Empirical Mode Decomposition

The main contribution of our approach is to apply the Hilbert-Huang Transform (which consists of two parts: (a) Empirical Mode Decomposition (EMD), and (b) the Hilbert spectral analysis) to texture analysis. The EMD is locally adaptive and suitable for analysis of non-linear or non-stationary processes. This one-dimensional decomposition technique extracts a finite number of oscillatory components or well-behaved AM-FM functions, called Intrinsic Mode Function (IMF), directly from the data. Firstly, we extend the EMD to 2D-data (i.e. images), the so called bidimensional EMD (BEMD), the process being called 2D-sifting process. The 2D-sifting process is performed in two steps: extrema detection by neighboring window or morphological operators and surface interpolation by radial basis functions or multigrid B-splines. Secondly, we analyse each 2D-IMF obtained by BEMD by studying local properties (amplitude, phase, isotropy and orientation) extracted from the monogenic signal of each one of them. The monogenic signal is a 2D-generalization of the analytic signal, where the Riesz Transform replaces the Hilbert Transform. The performance of this texture analysis method, using the BEMD and Riesz Transform, is demonstrated with both synthetic and natural images.Received: 6 November 2002, Accepted: 15 November 2004, Published online: 25 February 2005