一种改进的快速二维经验模态分解方法，确定将要进行筛分的数据。检测数据ri-1(x,y)的局部极值点。使用均值滤波器从hi(x,y)中获取均值包络mmean(x,y)。在获取均值包络之后，计算新的信号hi'(x,y)。计算生成的新信号是否满足筛分停止准则SD，若SD小于给定的阈值ξ，则有hi'(x,y)是第i层BIMF；令hi(x,y)＝hi'(x,y)；与现有的二维经验模态分解方法相比，本方法应用一个基于快速卷积的均值滤波器来获取均值包络，相较于传统二维经验模态分解方法中基于RBF获取均值包络，极大的减少了时间复杂度，在得到相似实验结果情况下的提高了算法的计算速率，且应用曼哈顿距离来计算均值滤波器的窗口大小，使得整个算法不需要人工干预而自适应完成。
【技术实现步骤摘要】
本专利技术是，属于数字图像处理领域中的新 型时频分析方法。
技术介绍
随着计算机技术的不断发展及其在各个应用领域中的不断扩展，数字图像处理技 术也得到了迅猛的发展。经验模态分解算法（EMD)是一种适用于分析非线性/非平稳信号 的新型时频分析方法，该方法被认为是对以线性和平稳假设为基础的傅里叶分析与小波变 换等传统时频分析方法的重大突破，它是基于自身的时间尺度特征，完全由数据驱动，可自 适应的通过"筛"过程将复杂的信号分解为有限个固态模式函数（IMF)及一个残差趋势项 之和。图像可看做一个二维信号，二维经验模态分解算法（BEMD)是EMD在二维信号处理上 的推广，近些年来成为图像处理领域中的研究热点。 传统的二维经验模态分解算法，在筛分的过程中，首先需要求取局部极值点，然后 通过局部极值求取上/下包络，接着求取均值包络，最后判断均值包络是否满足筛分停止 准则。常见的二维经验模态分解算法，在寻找局部极值后都是通过一组径向基函数（Radial Basis Function，简称RBF)来获取包络，但是这种方法需要使用插值法来近似获取包络，因 此，极大的增加了算法的计算时间。此外，使用该方法获取包络的时间大约占了整个筛分过 程中的75%，不能满足计算需求的实时性。因此，有必要对该算法进行改进，使其能更加高 效的生成二维固态模函数（B頂F)，且具有更好的可用性，能够满足实际应用中的实时性。
技术实现思路
本专利技术目的在于，当二维经验模态分解算法应用与图像处理中时，提高算法计算 效率使其满足实际应用中的实时性；克服现有方法中存在包络生成速度慢、边界污染等缺 点，提出了。 为了实现上述目的，本专利技术采取如下技术方案： -、确定将要进行筛分的数据。进行筛分的数据为标准的试验图像；如Lena图像， cameraman图像，Elaine图像等。设待处理的原始图像为f (m, η)(其中m为图像的行坐标， η图像列坐标），令i = 1，那么将要进行筛分的数据为r。(X，y) = f (m，η)(其中X为图像的 行坐标，y图像列坐标）。 二、检测数据r; i (X，y)的局部极值点。检测数据!Ti i (X，y)中，X和y分别 为待检测数据的行坐标和列坐标；极值点的检测包括对数据中局部极大值点检测与 局部极小值点的检测。对于上述检测数据A 1(Xj)采用2-D模式进行表示，那么，其中am表示r i i中m行η列的像素，采用邻域法来检测极值点（一 般采用3X3的窗口），将检测到的局部极大值点存入2-D数组MXM中，将检测到的局部 极小值点存入2-D数组MINMA中。那么令Γι i中任意一点为a xy (x，y)，与axy相邻的像素为，如果 axy> a uv，则 axye MAXMA ;如果 a xy< a uv， 则axye MINMA ;如果以上条件均不满足，那么该点不属于局部极值点。 三、为了使算法不需要人工干预而自适应完成，因此使用上述得到的MAXMA和 MINMA来确定均值滤波器窗口的大小w。使用I 1范数下的赋范线性空间曼哈顿距离来计算 MAXMA = Q1, q2, q3,…，qn, )τ中各元素之间的距离Distansemaxma，其中qn表示第η个极大值 点，η为正整数；然后使用相同的方法计算MINMA = (Pl，p2, p3,. . .，ρη，）τ，中各元素之间的距 离DiStanseminma，其中ρ η表示第η个极小值点，η为正整数； Distansenaxna (q1; q) = Iq^qjI (I) Distanseminma(PoPj) = |ρ「ρ」(2) 其中 U 11 < i < η}，{j 11 < j < η}，i 乒 j。接着将Distansemaxma以及Distanseminma 存入数组dmax_n和JmmJ中；最后通过计算 (I1 = min {min {d max ll}, min {dmin ll}} (3) d2= max {max {d max-n}，max {dmin-n}} (4) 得到候选的两个滤波器窗口的大小w，且将(I1Cl2分别定义为Type-1和Type-2。 四、将检测完局部极值的2-D数据.，作为即将进行筛分的对 象 h； (x, y) = r； ! (5) 五、使用均值滤波器从Ii1Uy)中获取均值包络m_n(x，y)。均值滤波器实际上是 一个卷积的过程，因此使用基于奇异值分解的快速卷积算法来提高滤波器的计算效率。于 任意矩阵M中使用到的mXn的掩摸Θ，首先使用基于奇异值的分解得到结果(6) 其中U为一个单位矩阵，Σ为一个对角矩阵，Vi为单位矩阵V的共辄矩阵，然后通 过对角矩阵Σ得到掩摸Θ的秩班，最终将得到卷积之后的结果C7) 其中U(i，：）表示矩阵U的第i行，V(:，i)表示矩阵V的第i列，*表示在进行卷 积操作。最终获得均值包络m_ n(x，y) =R。 六、在获取均值包络之后，计算新的信号h/ (x，y)。 h；' (x, y) = h； (x, y) -mmean (x, y) (8) 七、计算生成的新信号是否满足筛分停止准则SD，若SD小于给定的阈值ξ (例如 0. 05)，则有V (X，y)是第i层BIMF ;否贝>1，令Iii (X，y) = V (X，y),跳转到第五步；(9) 八、判断残差余量:^匕y) = !Ti Jx，γ)_ν (x, y)是否为单调函数，如果是，则整个 分解过程结束；如果不是，则令i = i+Ι且跳转到第二步。 与现有的二维经验模态分解方法相比，本专利技术具有如下优点：本方法应用一个基 于快速卷积的均值滤波器来获取均值包络，相较于传统二维经验模态分解方法中基于RBF 获取均值包络，极大的减少了时间复杂度，在得到相似实验结果情况下的提高了算法的计 算速率，且应用曼哈顿距离来计算均值滤波器的窗口大小，使得整个算法不需要人工干预 而自适应完成。【附图说明】 图1本专利技术的快速二维经验模态分解流程图； 图2本专利技术分解实例所用到的256X256 Lena图像； 图3本专利技术分解实例所用到的256X256 Elaina图像； 图4对一维数据检测极值点结果； 图5对二维数据（图2)检测局部极值点结果；其中（a)表示局部极大值点检测结 果，（b)表示局部极小值点检测结果； 图6对图2分别使用快速卷积与传统卷积的效果对比；(a)使用27X27窗口的传 统2-D卷积；(b)使用57 X 57窗口的传统2-D卷积；（c)使用27 X 27窗口的快速2-D卷积； (d)使用57 X 57窗口的快速2-D卷积。 图7对图2分别使用快速卷积与传统卷积的时间对比； 图8对图3进行分解之后的分析结果； 图9对图3进行分解之后的输出结果。【具体实施方式】 下面结合附图和【具体实施方式】对本专利技术的技术方案作进一步详细的说明。 步骤一：首先，确定将要进行筛分的数据。一般进行筛分的数据为标准的试验图 像，如Lena图像，cameraman图像，Elaine图像等等。 步骤二：其次，检测数据Γι Jiy)的局部极值点。极值点的检测包括对数据中局 部极大值点检测与局部极小值点的检测。对于2-D本文档来自技高网...
【技术保护点】
一种改进的快速二维经验模态分解方法，其特征在于：该方法的实施过程如下，1)确定将要进行筛分的数据；进行筛分的数据为标准的试验图像；设待处理的原始图像为f(m,n)，其中m为图像的行坐标，n图像列坐标，令i＝1，那么将要进行筛分的数据为r0(x,y)＝f(m,n)，其中x为图像的行坐标，y图像列坐标；2)检测数据ri‑1(x,y)的局部极值点；检测数据ri‑1(x,y)中，x和y分别为待检测数据的行坐标和列坐标；极值点的检测包括对数据中局部极大值点检测与局部极小值点的检测；对于上述检测数据ri‑1(x,y)采用2‑D模式进行表示，那么其中amn表示ri‑1中m行n列的像素，采用邻域法来检测极值点，将检测到的局部极大值点存入2‑D数组MAXMA中，将检测到的局部极小值点存入2‑D数组MINMA中；那么令ri‑1中任意一点为axy(x,y)，与axy相邻的像素为∀auv={auv|x-1<u<x+1,y-1<v<y+1},]]>如果axy＞auv，则axy∈MAXMA；如果axy＜auv，则axy∈MINMA；如果以上条件均不满足，那么该点不属于局部极值点；3)为了使算法不需要人工干预而自适应完成，因此使用上述得到的MAXMA和MINMA来确定均值滤波器窗口的大小w；使用l1范数下的赋范线性空间曼哈顿距离来计算MAXMA＝(q1,q2,q3,...,qn,)T中各元素之间的距离Distansemaxma，其中qn表示第n个极大值点，n为正整数；然后使用相同的方法计算MINMA＝(p1,p2,p3,...,pn,)T，中各元素之间的距离Distanseminma，其中pn表示第n个极小值点，n为正整数；Distansemaxma(qi,qj)＝|qi‑qj| (1)Distanseminma(pi,pj)＝|pi‑pj| (2)其中{i|1＜i＜n}，{j|1＜j＜n}，i≠j；接着将Distansemaxma以及Distanseminma存入数组和中；最后通过计算d1＝min{min{dmax_l1},min{dmin_l1}} (3)d2＝max{max{dmax_l1},max{dmin_l1}} (4)得到候选的两个滤波器窗口的大小w，且将d1d2分别定义为Type‑1和Type‑2；4)将检测完局部极值的2‑D数据作为即将进行筛分的对象hi(x,y)＝ri‑1 (5)5)使用均值滤波器从hi(x,y)中获取均值包络mmean(x,y)；均值滤波器实际上是一个卷积的过程，因此使用基于奇异值分解的快速卷积算法来提高滤波器的计算效率；于任意矩阵M中使用到的m×n的掩摸θ，首先使用基于奇异值的分解得到结果SVD(θ)＝U×Σ×V* (6)其中U为一个单位矩阵，Σ为一个对角矩阵，V*为单位矩阵V的共轭矩阵，然后通过对角矩阵Σ得到掩摸θ的秩最终将得到卷积之后的结果其中U(i,:)表示矩阵U的第i行，V(:,i)表示矩阵V的第i列，*表示在进行卷积操作；最终获得均值包络mmean(x,y)＝R；6)在获取均值包络之后，计算新的信号h′i(x,y)；h′i(x,y)＝hi(x,y)‑mmean(x,y) (8)7)计算生成的新信号是否满足筛分停止准则SD，若SD小于给定的阈值ξ,则有h′i(x,y)是第i层BIMF；否则，令hi(x,y)＝h′i(x,y)，跳转到步骤5)；SD=ΣXWΣYH|hi′(x,y)-hi(x,y)|2ΣXWΣYH|hi(x,y)|2---(9)]]>8)判断残差余量ri(x,y)＝ri‑1(x,y)‑h′i(x,y)是否为单调函数，如果是，则整个分解过程结束；如果不是，则令i＝i+1且跳转到步骤2)。...
【技术特征摘要】
【专利技术属性】
技术研发人员：袁家政，刘宏哲，邱静，张勇，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。