改进的bemd方法在图像信号处理中的应用.docVIP

精品文档（可编辑） 值得下载 PAGE1 / NUMPAGES1 改进的BEMD方法在图像信号处理中的应用 二维经验模式分解（BEMD）方法是一种全新的信号处理方法。在实际的生产生活中，能够利用BEMD方法进行信号和图像数据的分析，进而对某一现象或事物有着更加清晰准确的认识。随着图像信号处理要求的不断提升，BEMD方法也相应的得以改进。文章围绕BEMD方法在图像信号处理当中的应用，提出可行性的改进意见，以提升其图像信号处理的性能。 【关键词】BEMD方法 图像信号处理 改进 1 BEMD方法的算法及流程 1.1 BEMD方法的算法 BEMD方法是在EMD方法一维信号处理的基础上发展成为二维信号处理，相比于EMD方法，BEMD方法在图像处理方面更具优势。BEMD是一种多尺度结构方法，尤其在纹理图像分析方面。首先，将极值点间距离作为局部尺度，并将其引入到算法计算当中。然后，确定某一具体条件，进行提取分量时迭代计算，以满足其要求。最后在BEMD框架当中，利用不同的曲面插值技术计算BEMD平均包络。BEMD方法利用其完全数据驱动这一特性，在纹理图像分析和图像降噪方面充分发挥其优势。在图像数据处理当中，BEMD方法能够有效提取全局结构，具有很强的稳定性。而对于不完整的信号处理，BEMD方法显然是最佳的选择办法。 1.2 BEMD方法的流程 BEMD方法通过对二维图像数据进行经验模式分解，获取图像数据信息。在BEMD方法的流程当中，需要按照相应的要点来进行。 （1）通过一阶或多阶求导运算后，二维数据平面至少要出现一个极值点（极大值点或极小值点）。 （2）极值点间距离作为局部尺度，用来定义特征尺度，以应用于BEMD算法当中。 （3）充分了解BEMD的过程，以有序进行图像I的二维筛分。首先进行图像I的极值识别，采用径向基函数插值，实现极值点上下包络，求取局部平均 Em1；其次，通过I ? Em= Ires1进行计算；最后，重复以上步骤n次，可以将Em1n作为本征模函数，引入到图像二维筛分算法当中。以原始图像中减去本征模函数获得图像残留，直到不存在本征模函数。 首先，初始化数据Ir=Iori（原始图像数据）、j=oIres=Ir（残留图像），确定Ires所有极小值点和极大值点，并在极小值点或极大值点之间插值计算，得出相应的包络值Eu和E1。然后按照Em=（Eu+E1）/2计算上下平均包络，并从Ires（重建图像）当中减去平均包络，以判定Ires是否为本征模函数。如果计算结果说明Ires不是本征模函数，则按照以上步骤再次计算。Ires为本征模函数时，则进行下一阶段的计算。最后，计算IMF（j）=Ires，Ir=Ir-Ires，将Ir值与极值点比较，如果不超过极值点，则完成计算。以上为在、整个BEMD方法的基本流程。 2 BEMD方法的改进 对于当前高分辨率图像信号处理来说，由于较多的极值点，必须通过大型线性方程组进行计算。应用BEMD方法处理需要花费更多时间进行计算，图像信号处理效率较低。这就需要在原来BEMD方法的基础之上对其进行有效的改进，提升BEMD方法的性能，以更加高效的分析处理高分辨率图像。在BEMD分解计算的过程中，需要根据极值点的分布，对图像进行合理的划分，避免求解大型的线性方程组，增加图像信号处理的难度。首先，识别图像的极值点，根据其分布将图像划分为多块。然后，在分块之后，采用径向基函数插值到每一块的极值点上。当每一小图像块的上下包络形成之后，有效的予以合成，形成完整图像的上下包络。最后，基本按照原来的方法。求取局部平均 Em1，通过I ? Em= Ires1进行计算；重复以上步骤n次，直到Em1n作为本征模函数。同样沿用图像二维筛分算法，通过原始图像中减去本征模函数获得图像残留，直到不存在本征模函数。经过改进的BEMD方法在当前图像信号处理当中得以广泛的应用，其性能也更加完善。 比如在BEMD方法分解256×256 像素的Lenna图像为例。参照该图像的极值点分布，将该图像以4×4划分成小块 。在进行图像划分时，需要对径向基函数插值加以考虑，而不是简单的在水平和垂直方向进行图像的切割和划分。每一个小图像块边界数据要有效的予以掌握，确保小图像块相互重叠的部分同样分布着一定的极值点能够保证图像合并之后的清晰度，避免边界效应。应用经过改进的BEMD方法，按照以上的步骤进行分析处理，分解速度和精确度更高，在处理高分辨率图像时更具优势。 3 结论 利用BEMD方法进行信号和图像数据的分析，分解速度更快切精确度更高。为了更加高效的处理高分辨率图像信号，在原有BEMD方法的基础上予以改进，有效提升BEMD方法在图像信号处理方面的性能，BEMD方法具