- 上一篇：LabWindows红外焦平面阵列探测器响应特性研究
- 下一篇：VHDL+FPGA视频图像处理板硬件设计
数字图像处理技术从一产生就得到迅速的发展。从20世纪70年代中期，计算机技术向着更高、更深层次迅速的发展，如何使用计算机系统解释图像成为了人们研究的对象。实现类似人类视觉系统以此了解外面的世界，被称为计算机视觉或图像理解。虽然人类在图像理解理论研究的方法上取得了巨大的进步，但是它本身毕竟是一个困难的研究领域。因为人类本身对图像处理过程还知之甚少，所以是一个美好的计算机愿景，是一个有待进一步开拓的新的领域。
图像是由扫描仪、照相机等输入设备捕捉实际的画面生成的数字图像。图像时由像素点阵构成的位图。图像可以被看作是一个随机的二维信号，因此可以用处理二维信号的方法来处理图像，而二维图像处理方法可以通过一维随机信号的处理方法演变而来。傅立叶频谱分析是我们熟知的经典的信号处理方法，但是这种处理方法有着明显的缺陷：它必须对信号进行全局分析，不能对信号进行局部性分析，所以傅立叶频谱分析法只能用来分析线性和平稳信号。为了满足实际需求，人们开始探索非平稳和非线性信号的处理方法，人们发展的信号的时频分析法可以用来解决这个问题，如短时傅立叶变换、小波变换等方法。近几年，一种新的方法被用来分析非平稳信号：经验模式分解法（EMD），它具有局部性、自适应性等优点。宋平舰、J.C.Nunes等人将经验模式分解扩展到二维经验模式分解，提出二维经验模式分解（BEMD）的模型，并将其迅速应用到图像处理技术。论文网
1.2 国内外研究现状
1.3 论文的研究内容和组织结构
BEMD其应用在图像处理中的应用是本文的主要内容重点。通过探讨和研究BEMD方法的性质和图像融合的基础上，探索二维经验模式分解在图像融合中的应用，找出一种可行的解决方案，为二维经验模式分解在图像融合中的应用提供一些实用的参考。
本文的内容安排如下：
第一章介绍了二维经验模式分解的图像融合技术的应用研究背景和意义，国内外的研究现状等一系列内容。
第二章介绍的经验模式分解方法的基本理论，首先介绍了一维经验模式分解的原理，然后再一维经验模式分解的基础上，提出二位经验模式分解的实现方法。
第三章通过二维经验模式分解（BEMD），模糊C-均值聚类算法在图像分析种的应用研究。提出一个二维经验模式分解在图像融合中的实现方法。
最后，在总结了本文工作的基础上，展望了未来的研究方向。文献综述
2 经验模式分解原理
2.1 经验模式分解方法的产生
1998年，Huang等人提出经验模式分解法（EMD）。它最主要的特点就是对信号进行平稳化处理，在处理的过程中，经验模式分解法按照不同尺度波段和趋势逐渐对信号分进行解，产生一组具有不同特征的数据序列，每个序列被称为本征模式功能（IMF）分量，并且每个IMF分量都保留了原始信号的部分特征。如果分解的标准提高，那么IMF在不同尺度的复杂性也会随之降低了。所以，每个IMF揭示了对应尺度上的信号变化。EMD方法可以有效地提取数据序列的趋势或取出后该数据序列的平均值。同时EMD可以进一步对IMF分量进行Hilbert变换，得到信号瞬态响应特性。
Huang等提出以下假设：任何信号是由几个本征模式函数IMF组成，任何时候，一个信号可以包含许多本征模式函数，本征模式函数相互叠加，就形成了复合信号。做为本征模式函数IMF有两个条件：第一，整个数据序列，极值点的数目和过零点必须等于或至多度一个；第二，在任何时间点上确定的局部极大值和局部极小值包络线的平均值为0。