较经典的二维经验模式分解

资 源 简 介

较经典的二维经验模式分解

详 情 说 明

二维经验模式分解（Bidimensional Empirical Mode Decomposition，BEMD）是一种针对图像或二维信号的自适应分解方法，其核心思想源自经典的一维经验模式分解（EMD）。与一维EMD类似，BEMD通过迭代筛选过程将复杂的二维信号（如图像）分解为一系列本征模态函数（BIMFs）和一个残差分量，每个BIMFs代表不同尺度的空间频率信息。

在图像处理中，BEMD的典型实现步骤包括：首先通过极值点检测和插值生成二维包络面，随后计算局部均值并迭代筛选直至满足停止准则。这一过程能够有效分离图像中的纹理、边缘和背景等成分，适用于去噪、特征增强和多尺度分析等场景。

相比传统小波变换，BEMD的优势在于完全数据驱动，无需预设基函数，但其计算复杂度较高，且对极值点插值算法的鲁棒性要求严格。常见的优化方向包括基于径向基函数（RBF）的插值改进或结合快速算法降低运算成本。

该技术尤其适用于非平稳图像分析，例如医学影像的病灶提取或遥感图像的地物分类，其分解结果可通过希尔伯特谱进一步用于时频表征。