基于二维经验模态分解的河北省及邻区流动重力场时空动态变化分析

搜集河北省及邻区2010—2019年20期的流动重力观测数据和绝对重力观测数据,利用二维经验模态分解方法获取河北省及邻区范围内(110°E~120°E,36°N~42°N)不同尺度、不同场源深度下的分解结果,并结合该时间段内M≥4.0震例进行回溯性检验。结果表明,当半年时间尺度与一年时间尺度下的1阶、2阶固有模态函数结果出现正-负重力高值差异或四象限异常变化时,在异常变化中心200km范围内存在2年内发生M 4.0以上中强地震的可能。该结论可为河北省及邻区后续震情分析和研判提供参考。

二维经验模态分解在工程表面形貌误差评定中的应用

针对目前表面微观形貌面形误差分离方法中存在边界畸变及自适应差等缺点,提出了将具有自适应时频分辨能力的二维经验模态分解算法(bidimensional empirical mode decomposition,BEMD)应用于三维工程表面面型误差分离中,同时用Riesz变换构造单演信号,计算信号整体的频率特征,完成对二维经验模态分解算法的终止准则的改进,使其能严格按照ISO4287所规定的截止波长分离三维表面各频段形貌误差。仿真结果表明,本文新方法相比于国标ISO中高斯滤波以及常用小波滤波,在分离三维工程粗糙表面各面型误差时,所得分离图形效果远优于传统方法所得,且各频段误差对应的三维评定参数误差均小于5%。最后对光学镀膜元件实例进行分析,结果表明该算法能够很好地分离各形貌误差的的空间信息,所得参数评定基准面相对传统方法不存在边界畸变等问题,因此该方法在实际工程表面评定应用中具有可行性。

基于二维经验模态分解的医学图像融合算法

提出了一种自适应的二维经验模态分解(bidimensional empirical mode decomposition,简称BEMD)医学图像融合算法.待融合的医学图像经过BEMD分解成二维的内蕴模函数(bidimensional intrinsic mode function,简称BIMF)和趋势图像.BIMF图像经过Hilbert-Huang变换提取图像特征,然后,图像分解的各部分数据在区域融合规则下形成综合BEMD表示.最后,综合BEMD表示进行BEMD逆变换得到融合后的医学图像.BEMD分解方法是一种完全自适应的数据分解表达形式,具有比Fourier变化和小波分解更好的特性.该医学图像融合算法不需要预先定义滤波器或小波函数.实验结果表明,该算法与传统融合算法相比性能优越,能够大幅度提高融合图像的质量。

利用二维经验模态分解提取川滇地区流动重力异常特征

首先介绍二维经验模态分解(BEMD)方法的基本原理及其关键技术,然后利用模型试验验证BEMD方法分解得到的各分量的实际地质含义,最后将该方法应用到川滇地区2015-09~2016-09流动重力差分动态变化异常多尺度分解中,并对提取的各尺度异常进行分析解释,各分量异常通过重构实现分场。结果表明,湮没在区域异常中的某频率范围内"弱异常"经过分离异常幅值相对增强,区域性异常变化特征更加明显。

基于二维经验模态分解算法的织物疵点自动检测

为解决织物疵点检测工序中存在的耗时性问题,提出一种基于二维经验模态分解(EMD)的多方向自适应检测方法。通过Delaunay三角分割、径向基函数插值与二维三次样条插值等方法实现二维EMD算法,用该方法将织物灰度图像分解为一系列子图像,选取包含疵点信息的子图像进行融合,最后通过阈值化来识别织物图像中的疵点。借助于工业线阵相机采集包含不同疵点的织物图像,并利用提出的方法进行自动检测。结果表明,子图像融合结果中疵点信息明显,与背景的反差强烈,通过阈值法可以直接判断出图像中是否包含疵点,并完成疵点定位,该方法对织物疵点的检测十分有效。

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.

基于二维经验模态分解的单幅图像超分辨率重建

针对已有的单幅图像超分辨率重建算法大都无法同时兼顾重建质量和运算速度的问题,提出了基于二维经验模态分解的单幅图像超分辨率重建算法.首先用二维经验模态分解法将一幅低分辨率图像分解为不同复杂程度的图层;然后对包含高频细节信息的第一个图层用改进核岭回归法重建,以保证重建质量;对包含较少信息的后几个图层用双三次插值法重建,以提高重建速度;最后用二维经验模态分解逆变换将重建后的各层图像合成一幅完整的高分辨率图像.实验结果表明该算法充分结合了三者的优势,在保证重建图像质量的同时,提高了算法的运算速度.

二维经验模态分解法在漏磁图像处理中的应用

采用图像方法可以更加直观地对管道漏检测中的缺陷进行判断,但在图像数据的采集过程中噪声是不可避免的。采用二维经验模态分解(BEMD)与均值滤波法相结合的方法对漏磁图像进行去噪处理,将图像信号分解为有限个二维固有模态函数(BIMF)和一个残余分量,将残余分量保留,对BIMF分别进行均值滤波,再将处理后的BIMF分量与残差一起重构图像,所得重构图像在保留原图像基本信息的基础上,消除了大量噪声信息。文中还直接采用均值滤波方法对漏磁图像进行去噪处理,通过信噪比的比较,表明BEMD方法用于漏磁图像去噪效果明显。

基于二维经验模态分解的织疵分割算法改进

针对纺织行业织物疵点检测自动化的需求,提出了基于二维经验模态分解(BEMD)的织物疵点分割方法的改进。在BEMD算法中,使用基于Delaunay三角化(DT)的三次样条分段插值替代基于径向基函数(RBF)的全局插值,以提高计算效率和分解有效性。在BEMD的分解结果中,选择第二个和第三个内蕴模式函数(IMF)进行融合后进行分割以提高疵点分割结果的完整性。实验中以多幅典型的疵点织物为样本,对比了不同插值方法和分割对象的检测误差率(DER),结果显示改进后的疵点分割方法具有更好的计算效率和鲁棒性。

基于二维经验模态分解的航摄影像去噪应用研究——以江西省某地区航摄影像为例

将二维经验模态分解引入高分辨率航摄影像去噪领域,通过对二维经验模态分解的原理分析以探索在航摄影像去噪的路径.研究结果显示:通过进行去噪仿真、对照组实验,表明二维经验模态分解在图像去噪上占据比较优势,既能降低图像噪声,又能够在最大程度上保留图像的细节,这样可以提高航摄影像应用过程中对地物的识别,以便于提高确权精度.因此,积极推广这一方法将对于提升土地数据精密度、促进土地确权、不动产登记等工作进展有积极的现实意义.

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。

基于二次二维经验模态分解去噪的湍流退化图像复原算法

为实现大气湍流环境下的高质量成像,将自适应光学波前探测技术与数字图像处理技术相结合,并提出了一种基于二次二维经验模态分解去噪的湍流退化图像复原算法。通过在光学系统中使用哈特曼-夏克波前传感器探测波前信息,进而计算光学系统点扩散函数;然后使用改进的二次二维经验模态分解算法进行图像去噪,最后利用R-L算法实现对湍流退化图像的复原。通过搭建光学实验系统,对实际拍摄的湍流退化图像进行了复原实验。结果表明,该算法能够有效减弱噪声放大现象,得到更加稳定的高质量大气湍流退化图像复原结果。

基于二维经验模态分解的高光谱影像去噪方法

高光谱遥感图像同时具有二维空间信息数据和一维光谱信息数据,具有图谱合一的特点且谱间信息具有强烈的相关性,针对高光谱图像的这些特点,提出一种基于二维经验模态分解的高光谱图像降噪方法。该方法利用二维经验模态分解对各波段的高光谱图像分别进行分解,得到不同尺度的固有模态函数;根据含噪声较大的波段和含噪声较小的波段的谱间对应关系计算权系数值,对含噪声较小波段的高频固有模态函数系数进行加权求和,利用加权后的系数值代替含噪声较大的波段的高频固有模态函数系数;利用去噪后的高频系数进行重构得到去噪后的高光谱图像。实验表明,该方法能够对高光谱影像进行有效去噪,同时亦能较好地保留图像细节信息,与经典的小波去噪方法相比,使用该方法去噪后的图像具有更高的峰值信噪比和更好的视觉效果。

基于快速自适应的二维经验模态分解的图像去噪算法

为了能够对图像进行自适应的分解,并准确刻画分解系数的分布状态,提出了一种新的基于快速自适应二维经验模态分解的图像去噪算法。该算法首先对图像进行快速自适应二维经验模态分解,通过确定分解后以噪声主导的子带的个数,进一步利用正态逆高斯模型对以噪声主导的子带系数分布进行建模;然后使用贝叶斯最大后验概率估计理论从模型导出相应的阈值;最后采用最优线性插值阈值函数算法完成去噪。仿真结果表明,对于添加不同标准差大小高斯白噪声的测试图像,所提算法在峰值信噪比上相比sym4小波去噪、双变量阈值去噪、邻近算子的全变分算法和重叠组稀疏的全变分算法分别平均提高了4.36 dB,0.85 dB,0.78 dB和0.48 dB,结构相似性指数也有不同程度的提高,有效地保留了更多的图像细节。实验结果证明,所提算法在视觉性能和评价指标方面均优于对比算法。

基于二维经验模态分解与小波变换的农作物图像去噪

将小波自适应阈值去噪引入二维经验模态分解(bidimensional empirical mode decomposition,BEMD)中,提出一种自适应图像去噪算法,该算法首先对农作物噪声图像进行二维经验模态分解,获得具有不同尺度特征的固有模态函数(intrinsic mode function,IMF)子图像序列;然后将该序列中前3个子图像分别进行3层小波变换,引入一种新型自适应小波阈值去噪函数模型分别进行噪声抑制,实现小波系数重构;最后,对去噪后的固有模态函数子图像与剩余固有模态函数进行重构,获得去噪后的农作物图像。对实地拍摄的农作物图像进行去噪试验,结果表明,自适应图像去噪算法与均值滤波算法、小波阈值去噪算法相比,性能有较大幅度的提升。

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。

复数二维经验模态分解在SAR目标识别中的应用

提出基于复数二维经验模态分解(C-BEMD)的合成孔径雷达(SAR)图像目标识别。C-BEMD作为传统BEMD的复数域推广,能直接处理原始SAR图像(包含幅度和相位信息)。采用C-BEMD对原始SAR图像进行分解,获得多层次复数内蕴模函数(BIMF),反映目标时频二维特性。各层次BIMF既有独立描述能力,反映目标不同类型的特征;同时也具有内在关联性,即反映同一目标的固有属性。为此,分类算法基于联合稀疏表示设计,可利用内在关联性约束提高各层次BIMF的表征精度。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证,结果反映其在标准操作条件(SOC)和扩展操作条件(EOC)均可保持可靠的识别性能。

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。

遥感影像浅水河道提取二维经验模态分解方法

遥感影像中浅水河道与居民地具有相似的光谱特性,在浅水河道自动提取过程中噪声较多,经验模态分解(EMD)可获取原始信号不同尺度上的细节信息,有效地提高遥感影像浅水河道自动提取的精度。利用环境与减灾小卫星数据,以彰武县柳河为研究区,对该区2012年10个时期NDVI时间序列分别EMD分解,选取每个时相信息量较大的前三个固有模态函数(IMF),结合2012年9月18号影像共34波段作为研究数据,利用极大似然法、BP神经网络传统的分类方法进行分类。结果表明结合EMD的分类方法可有效地去除居民地噪声,Kappa系数最高达到0.9690,总体分类精度最高达到93.35%,从而有效地解决了遥感影像中浅水河道提取正确率低的难题。

快速自适应二维经验模态分解在SAR目标识别中的应用研究

针对合成孔径雷达(SAR)图像目标识别问题,提出基于快速自适应二维经验模态分解(FABEMD)的方法。FABEMD可实现对SAR图像的快速分解,获得描述目标低频至高频信息的多层次固态模函数(BIMF)。基于结构相似性指标剔除多层次BIMF中的噪声成分,保留高鉴别力部分。分类阶段采用联合稀疏表示对保留的BIMF进行表征分类。基于MSTAR数据集对所提方法进行测试,结果验证了其性能优势。