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EMD和小波分析的多尺度边缘检测

提出了一种基于EMD(Empirical Mode Decomposition)与小波分析相结合的多尺度边缘检测方法。首先将图像信号进行EMD分解,将其分解成n个IMF(Intrinsic Mode Function)函数,再对每个IMF函数进行小波变换。将该方法应用于图像的边缘提取,较好地得到了图像的边缘信息。     

基于有限邻域EMD和小波分析的图像边缘检测

提出了一种基于有限邻域EMD(Neighborhood Limited Empirical Mode Decomposition)与小波分析相结合的图像边缘检测方法。首先将图像信号进行有限邻域EMD分解,将其分解成n个IMF(Intrinsic Mode Function)函数,再对每个IMF函数进行小波变换。将该方法应用于图像的边缘提取,较好地得到了图像的边缘信息。     

多通道图像EMD及应用

针对现有的经验模态分解方法（Empirical Mode Decomposition,EMD）对多通道图像（如彩色图像）进行分解时通常忽略各通道图像之间相关性的问题,提出了一种多通道图像EMD方法。该方法采用双拉普拉斯算子插值得到图像上下包络,并建立一个整体筛分停止准则进行筛分来考虑各通道图像相关性,能够将多通道图像自适应分解为数目不多的内蕴模态函数（Intrinsic Mode Function,IMF）分量和一个余量,其中内蕴模态函数分量体现了原始图像不同尺度的特征信息,余量体现了图像的整体变化趋势。该方法可以应用在图像锐化、夜景图像增强等图像分析和处理领域。实验结果显示该方法能够取得较好的效果。     

EMD结合多相正交矩阵及f检验的光谱信号去噪方法研究

由于受环境、仪器、人为因素的影响，光谱信号测量中往往存在噪声，会直接影响信号的分析结果。为了获得有效的光谱信号，文章提出一种经验模态分解（Empirical Mode Decomposition,EMD）结合多相正交矩阵及f检验的光谱信号去噪方法。该方法首先对加噪信号进行EMD分解，得到各固有模态函数（Intrinsic Mode Functions,IMF）后和多相正交矩阵相乘以降低信号的非周期自相关值，再通过f检验找到最佳分割点去除IMF分量的高频成分，乘逆矩阵去除噪声。仿真结果表明，原始信号经过EMD和多相正交矩阵结合处理后变成了复信号，成功实现了信号和噪声的有效分离，为后续光谱信号的处理研究奠定了基础。     

应用二维EMD和独立成分分析的掌纹识别

提出一种基于二维经验模式分解（Two-dimensional Empirical Mode Decomposition,2-D EMD）和独立成分分析（Independent Comment Analysis,ICA）相结合的掌纹识别新方法。利用2-D EMD自适应的时频局域化多尺度和ICA II表征数据的高阶统计特性来提取掌纹特征。首先,对预处理过的掌纹图像进行2-D EMD分解得到多层本征模函数（Intrinsic Mode Function,IMF）;其次,利用基于PCA（Principal Component Analysis）降维处理的FastICA II算法提取IMF子图像集的掌纹特征基向量;最后,设计实验测试（2-D EMD+ICA II）的识别性能。实验结果表明,该方法能更有效地提取掌纹特征,与传统的ICA II相比,具有重构图像信噪比好、识别率高等优点。     

基于LabVIEW的EMD降噪软件设计与实现

在复杂环境数据采集过程中,原始数据常常混有若干外界噪声,为提高信号特征提取的准确性,基于虚拟仪器技术设计并实现了经验模态分解(Empirical Mode Decomposition,EMD)算法,根据相关分析法筛选有效基本模式分量(Intrinsic Mode Function,IMF)完成测量信号的降噪处理,并设计仿真信号对软件降噪效果进行验证。验证结果表明,所设计软件可有效去除原始信号噪声,可靠性较好。     

基于经验模态分解和小波阈值的冲击信号去噪

冲击信号是非线性的并且容易受到噪声污染;为研究冲击信号去噪的问题,针对经验模态分解(Empirical Mode Decomposition,EMD)去噪和小波阈值去噪方法存在的不足,提出了基于EMD的小波阈值去噪方法;单纯的EMD去噪方法会在去除高频噪声的同时压制高频的有效信息;EMD与小波阈值去噪相结合,利用连续均方误差准则确定含噪较多的高频固有模态函数(Intrinsic Mode Function, IMF),对高频IMF分量进行小波阈值去噪,以分离并保留这些分量中的有效信息,同时保持低频IMF分量不变;对模拟数据和实际冲击信号进行去噪处理,结果表明,基于EMD的小波阈值去噪方法的去噪效果优于单纯的EMD去噪方法和小波阈值去噪方法。     

基于ICA算法的集合经验模态分解去噪方法

针对非线性非平稳信号的去噪问题,提出了一种基于独立分量分析(Decomposition Components Analysis,简称ICA)算法的集合经验模态分解去噪方法。首先利用白噪声辅助数据分析方法——集合经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)有效的抑制了经验模态分解(Empirical Mode Decomposition,简称EMD)中存在的端点效应和模态混叠现象,然后利用ICA算法对含噪信号经过EEMD分解后的有限个固有模态函数(Intrinsic Mode Function,简称IMF)进行去噪处理,有效的分离出若干个有效的语音信号分量,并对其进行语音重构,最后与小波阈值去噪方法进行比较,通过仿真可以看出,该方法对于信号去噪较为理想。     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

基于奇异谱分析的经验模态分解去噪方法

提出了一种基于奇异谱分析(SSA)的经验模态分解(EMD)去噪方法。该方法先对带噪信号进行EMD分解,得到若干个本征模态函数(IMF)。再通过SSA对每个IMF分量进行去噪处理:把第一个IMF分量作为高频噪声,并根据它计算出剩余IMF中所含的噪声能量,从而得到剩下的每个IMF中信号所占的能量比值。然后选择合适的窗口长度,对每个IMF进行SSA变换,根据IMF中信号所占的能量比值选择合适的奇异值分解(SVD)分量重构,得到去噪后的IMF。再将所有重构得到的IMF分量以及余项相加,得到最终去噪后的信号。经过实验,对比研究了该方法与小波软阈值、EMD软阈值和EMD滤波方法的去噪效果,结果表明该方法整体优于其它方法,是一种有效的信号去噪方法。     

基于经验模态分解的小波阈值降噪方法研究

针对小波阈值降噪方法中小波基和阈值缺乏选取依据的缺陷,提出了一种基于经验模态分解(EMD)的小波阈值降噪方法。首先将带噪信号进行EMD分解得到一系列本征模态分量(IMF),仅对带噪的高频IMF分量进行小波阈值降噪处理,将处理结果与不含噪声的低频IMF分量进行信号还原得到降噪后信号。方法有效避免了直接小波阈值降噪高频分量损失的问题,同时还可直接去除信号中可能存在的趋势项,比直接小波阈值降噪具有更好的效果。仿真数据处理证明了方法的有效性。     

基于BEMD的染噪混沌时间序列预测方法

基于经验模态分解(EMD)方法对染噪混沌时间序列进行预测时,模态混叠会降低预测精度和最大可预测时间.针对这一问题,将复数据经验模态分解(BEMD)引入到染噪混沌时间序列的预测,在BEMD过程中以高斯白噪声分解的内禀模态函数(IMF)为基函数来驱动染噪混沌信号的分解,从而减小模态混叠对混沌预测的影响.Lorenz混沌时间序列和Henon混沌时间序列的预测实例表明,本方法相对于EMD方法在预测精度和最大可预测时间上都有一定程度的提高.     

一种边缘保持的医学图像去噪方法

医学图像去噪在图像处理中占有重要地位,对获取的医学图像进行去噪是进一步分析和计算的基础.将一维经验模式分解方法扩展到二维,提出了基于二维经验模式分解的医学图像边缘保持去噪方法.该方法先将图像进行经验模式分解,得到内蕴模式分量IMF和剩余分量,图像的噪声及边缘信息主要集中在IMF中;然后再将IMF进行经验模式分解,得到IMF的高频分量和剩余分量;最后将两次分解的剩余分量叠加,得到边缘保持的去噪图像.实验结果表明,处理后的图像较传统的医学图像去噪方法有明显的改善,在有效去噪的同时增强了边缘保护的能力.     

一种改进型经验模态分解及其在信号消噪中的应用

针对非线性非平稳信号的消噪问题, 基于经验模态分解提出一种模态单元滤波新方法. 该方法将经验模态分解的内模函数中两个相邻过零点之间的信号定义为模态单元, 并以之作为基本分析对象, 通过对模态单元振幅的阈值处理来判断模态单元的类型, 进而建立模态单元滤波模型. 分析了经验模态分解法在分解不同Hurst指数分形高斯噪声时模态振幅的演化规律, 并建立了一种用于高斯消噪的阈值选取规则. 为验证本文方法的有效性, 进行了数字仿真与实例应用实验. 仿真和实验结果均表明, 所提方法的消噪效果整体上优于最优小波阈值消噪方法, 同时模态单元滤波消噪算法具有自适应性, 是一种有效的信号消噪新方法.     

基于EEMD和二代小波变换的表面肌电信号消噪方法

为了更好地消除混杂在表面肌电信号(sEMG)中的噪声,提出了一种基于总体平均经验模式分解(EEMD)和二代小波变换的sEMG消噪新方法。首先对信号加入白噪声处理后进行经验模态分解(EMD),然后对高频的内蕴模式函数(IMF)分量进行二代小波阈值消噪处理,最后把处理后的高频IMF分量与低频IMF分量进行叠加,重构后的信号即为去噪信号。实验结果表明,该方法融合了二代小波与EEMD的优点,能更好的消除噪声,最大限度的保留有用信号,并具有更高的信噪比。     

Image denoising based on improved bidimensional empirical mode decomposition thresholding technology

In this paper, a novel image denoising methodology based on improved bidimensional empirical mode decomposition and soft interval thresholding technique is proposed. First, a noise compressed image is constructed. Then, the noise compressed image is decomposed by means of bidimensional empirical mode decomposition (BEMD) into a series of intrinsic mode functions (IMFs), which are separated into signal-dominant IMFs and noise-dominant IMFs using a similarity measure based on ?2-norm and a probability density function, and a soft interval thresholding technique is used adaptively to remove the noise inherent in noise-dominant IMFs. Finally, a denoised image is reconstructed by combining the signal-dominant IMFs and the denoised noise-dominant IMFs. The performance of the proposed denoising method is evaluated by using multiple images with different types of noise, and results from the proposed method are compared with those of other conventional methods in various noisy environments. Simulation results demonstrate that the proposed denoising method outperforms other denoising methods in terms of peak signal-to-noise ratio, mean square error and energy of the first IMF.

     

基于夹角余弦和模糊阈值的EEMD去噪方法

针对非线性非平稳信号的去噪问题,结合EEMD分解信号的自适应特性,提出一种基于夹角余弦和模糊阈值的去噪方法。首先用夹角余弦法计算各个本征模态函数（IMF）与观测信号之间的相似度,以相似度曲线的首个极小值的后一个位置为分界点将分解出的IMF分为噪声主导模态和信号主导模态;然后根据VisuShrink阈值易“过扼杀”细节系数和SUREShrink阈值易“过保留”噪声系数的特点,利用模糊阈值对噪声主导的IMF进行处理;最后将所有的IMF重构得到消噪信号。分别采用仿真信号和真实ECG信号进行去噪实验。结果表明,所提方法在整体性能上优于小波半软阈值方法、基于EMD的软阈值（EMD-Soft）和间隔阈值（EMD-IT）方法,是一种有效的去噪方法。     

基于EMD阈值算法的脉冲涡流信号消噪

针对脉冲涡流信号夹杂着较多的高频噪声,提出了一种新的经验模态分解阈值消噪算法。首先将信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）,对信噪比低的高频IMF进行减小噪声能量处理后得到重组信号;再对重组信号进行EMD分解后根据白噪声统计特性对IMF筛选,对噪声含量多的IMF进行小波阈值消噪;最后将处理过的IMF与噪声含量少的IMF重构得到消噪后的信号。实验仿真的结果和数据表明,该方法可以减少失真,获得更高的信噪比,能够较好地消除噪声的干扰恢复出原始的信号。