一种基于多尺度极值的快速自适应二维经验模式分解方法

发布时间：2025-01-10 23:18

　　 现有的二维经验模式分解(Bidimensional empirical mode decomposition,BEMD)算法在极值点查找、内蕴模式筛选和迭代过程中效率低、自适应性有待进一步提高,因此本文提出了一种基于多尺度极值的二维信号经验模式分解方法。首先给出二维多尺度极值二叉树结构的概念和建立方法,进而引出一个新的分解层数和滤波窗口大小的自适应确定原则,由此形成了改进的快速自适应二维经验模式分解方法。对自然图像和合成纹理图像分解的实验结果表明:与现有的快速自适应二维经验模式分解方法相比较,新方法的自适应性和效率都有明显提升。

【文章页数】：11 页

【部分图文】：

图1 信号极值点的二叉树结构

(2）再分别将S〈1,1〉,S〈1,2〉作为新的序列分别找出它们的局部极大值点和极小值点，得到集合S〈2,1〉,S〈2,2〉，S〈2,3〉和S〈2,4〉，从而得到第二级极值点集S2={S〈2,1〉,S〈2,2〉，S〈2,3〉,S〈2,4〉}。(3）依此类推，迭代上述操作，直到某一....

图2 由方向分离的极值点图合成的最终二维极值点图

(4）将对应层级的方向分离的二维极值点子集图S′h〈i,j〉和S″v〈i,j〉分别取交集，生成对应层级的二维极值点子集，即S〈i,j〉=S′h〈i,j〉∩S′v〈i,j〉，由此得到最终二维极值点集Sm={Si}=S〈i,j〉，其中i=1,2,…,n;j=1,2,…,2i。采用此方....

图3 FABEMD算法流程图

FABEMD方法的具体步骤如图3所示。其中BIMFi为第i级二维内蕴模式分量，Ires为余量，Ri为分解过程中间变量。wen的确定方法是：计算极值点最近距离矩阵dadj-max和dadj-min，两者都以降序排列，可以选用不同的准则从dadj-max和dadj-min中选择出滤波....

图4 改进的FABEMD算法流程图

(2）计算各极值点子集S〈i,j〉的极值点数目NSij，由此得到各级极值点的数目NSi为(3）计算各级极值点的平均密度为

本文编号：4025580