经验模式分解(EMD)及其应用

经验模式分解(Empirical Mode Decomposition,EMD)是一种数据驱动的自适应非线性时变信号分解方法,可以把数据分解成具有物理意义的少数几个模式函数分量.本文总结归纳了一维EMD、二维EMD方面的主要工作,比较了不同方法存在的优点与不足,指出了EMD研究存在的难题和瓶颈,并给出了EMD研究与应用的发展趋势.

多分量到单分量可用EMD分解的条件及判据

基于数据时域局部特征的EMD分解算法可把复杂的数据分解成有限、少量几个内蕴模式函数分量,是一种数据驱动的自适应时频分析方法．文中将Huang的EMD分解定性为从多分量信号到单分量信号的分解算法,并给出了多分量到单分量可用EMD分解的条件,而且通过建立二级极值点结构,给出了从多分量到单分量用EMD分解的极值点判断准则．通过大量实验,验证了可分解条件及判据的合理性．

新型遥感图像增强技术

基于方向辅助信号和所需带宽，提出一种基于各向异性BEMD的遥感图像融合增强算法。首先，给定的方向辅助信号和其对应负信号加到原始信号中去，构建两个待分解信号；然后，应用传统BEMD把两个待分解信号进行分解，获取的分量相加得到对应的IMFs，辅助信引同时在相加的过程中被移除，同时该过程有效地避免了边界效应和模式混叠，该方法不仅速度快，而且具有方向选择功能和带宽控制效果；最后，遥感图像的融合证明了方法的有效性。

基于限邻域EMD的图像增强

提出了基于限邻域经验模式分解(Neighborhood Lim ited EmpiricalMode Decomposition,NLEMD)的图像增强新算法.二维NLEMD是在Huang等人EMD自适应特性基础上通过设定最大邻域(时宽)和采用邻域内局部自适应均值算法代替包络均值算法进行分解,克服以往EMD分解算法出现的灰度斑现象.本文通过NLEMD对图像细节信息的强挖掘能力来获取图像中的高频边缘信息,最后根据剩余量的整体亮度均值和整体亮度对比度自动调整剩余量来调整图像的整体亮度.实验结果证明,与以往传统增强算法相比,本文算法具有更强的细节获取能力和整体亮度可控性,增强效果优于以往传统算法.