到的局部极小值点存入2-D数组MINMA中。那么令r。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 MXM ;如果 axy< auv，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。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I1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;然后使用相同的方法计算MINMA = (ρ η p2, p3,. . . , pn,) T中各元素之间的距离Distanse minma;
[0040] Distansenaxna (q1; q) = Iq^qjI (I)
[0041] Distanseminma(PoPj) = |ρ「ρ」(2)
[0042] 其中{i I I < i < n}，{j I I < j < n}，i 乒 j。接着将Distansemaxma以及Distanseminma 存入数组，和dmixu中；最后可通过计算
[0043] (I1 = min {min {d max ll}, min {dmin ll}} (3)
[0044] d2= max {max {d max ll}, max {dmin ll}} (4)
[0045] 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。在 2-D数据
检测完局部极值之后，作为即将进行筛分的对象
[0046] hi(x, y) =Til (5)
[0047] 步骤三：接下来，使用均值滤波器从Ii1 (X，y)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
[0048]
(6)
[0049] 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，然后可 通过对角矩阵Σ得到掩摸Θ的秩Di，最终将得到卷积之后的结果
[0050]
(7)
[0051] 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，在获取均值包络之后，计算新的信号匕'（x，y)。
[0052] V (X，y) = Iii (X，y) Imean (X，y) (8)
[0053] 步骤四：最后，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U例如〇· 〇5)，则有V (X，y)是第i层WMF ;否则，令Ii1 (X，y) = V (X，y)，跳转到步 骤三；
[0054]
(9)
[0055] 判断残差余量ri(x，y) = !Ti -hj (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且跳转到步骤二。
[0056] 如图1-9所示，本发明引述了相应图像进行分析，同时输出相应分析结果；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。
【主权项】
1. 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，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〇(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ril(x，y)的局部极值点；检测数据ril(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 Jiy)采用2-D模式进行表示，那么:：其中am 表示A i中m行η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 axy(x，y)，与 axy相邻的像素为 V?,二 - i <? <x + !..V -i < v<j' + !j，如果 axy> a uv，则 axye MXM ;如果axy< auv，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； 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MXM和MINMA 来确定均值滤波器窗口的大小w ;使用I1范数下的赋范线性空间曼哈顿距离来计算MAXMA =Cq1, q2, q3, ...，qn, )τ中各元素之间的距离Distanse maxma，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ρη表示第η个极小值点，η为正整数；其中 U 11 < i < n}，{j 11 < j < n}，i 乒 j ;接着将 Distansemaxma以及 Distanse minma存入数组中；最后通过计算得到候选的两个滤波器窗口的大小w，且将Cl1Cl2分别定义为Type-I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 (χ, y) = Ti ! (5) 5) 使用均值滤波器从Ii1(Xj)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 SVD( Θ ) = UX Σ XV* (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91:，最终将得到卷积之后的结果 CN 105160674 A _权利要求书_ _2/2 页其中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 ; 6) 在获取均值包络之后，计算新的信号V i (X，y); h' i (x, y) = h； (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 11/々，7)是第：[层8頂卩；否贝11，令11々，7)=11'々，7)，跳转到步骤5) ;8) 判断残差余量ri(x，y) =ITil(Xj)-Ii' 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+Ι且跳转到步骤2)。
【专利摘要】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hiˊ(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hiˊ(x,y)是第i层BIMF；令hi(x,y)＝hiˊ(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。
【IPC分类】G06T7/00
【公开号】CN105160674
【申请号】CN201510543123
【发明人】袁家政, 刘宏哲, 邱静, 张勇
【申请人】北京联合大学
【公开日】2015年12月16日
【申请日】2015年8月28日