论文部分内容阅读
Huang在1996年提出了经验模式分解（Empirical ModeDecomposition, EMD）方法。EMD是一种由数据驱动的自适应信号处理方法，适用于非线性非平稳信号的处理。法国学者J. Nunes将一维EMD的思想进行推广，提出了二维经验模式分解（Bidimensional EmpiricalMode Decomposition,BEMD）方法。本文对EMD和BEMD的分解过程进行了分析，介绍了提取极值点的方法和求包络曲面的插值方法，讨论了筛分停止条件。由于经验模式分解的复杂性，在实际应用中还存在一些问题，比如边界效应、筛分终止条件的选取问题等等。针对这些问题提出了一种改进的二维经验模式分解方法，此方法采用边界数据延拓的方法来抑制边界效应，即在图像数据的边缘加一部分数据，这些数据是边缘数据的向外平移，并通过对提取的IMF分量做后续处理来解决筛分过度的问题。本文将改进的BEMD应用到图像的边缘检测上。首先对图像进行BEMD分解，然后将带有较多边缘信息的第一个IMF分量作为边缘检测的原始图，并对IMF进行二值化处理和形态学细化，从而得到图像的边缘。实验证明改进的BEMD在轮廓简单图像的边缘检测中取得了良好的效果。