[01278831]基于快速自适应经验模式分解的骨科CT图像增强应用研究

本项目利用窗函数思想,配合EMD算法的结构,提出新的经验模式分解---快速自适应模式分解（Fast Adaptive Empirical Mode Decomposition,FAEMD）通过加权方向滤波遍历所有数据元素,得到均值包络。有效地解决了传统经验模式分解算法由于运用插值算法计算上下极值包络求均值得到的均值包络导致高频和低频信息不能分离导致分量图像出现灰斑缺点;新算法结合图像数据自身特点,舍弃了传统经验模式分解算法中繁琐的筛选循环过程,速度也得到提高。本项目利用算法的优点,将其扩展到图像处理领域中。 在图像增强应用中,本项目结合FAEMD算法的优点,将图像分解为几个内蕴模式分量,利用非线性增强规则,增加纹理像素,进一步增强内蕴模式分量的纹理特性,反向重构后。增强的图像纹理信息更加清晰。 在图像融合应用中,本项目结合FAEMD算法的优点,将图像分解为几个内蕴模式分量,结合本项目提出的背景/细节融合规则分别对同级各待融合图像的内蕴模式分量进行融合,同时由于反变换的过程不需要各级内蕴模式分离具有太强的相关性,因此得到融合的图像纹理信息更加清晰。 综上所述,本项目围绕最新信号分析技术及其在图像处理中的关键技术开展了研究和探讨,建立了FAEMD及其在图像处理中应用的原始模型,为图像处理提供了一些新的途径和方法,对图像分析和应用的理论研究具有积极的意义。 项目主要创新点： 第一、针对现有二维经验模式分解算法的缺陷。分析出二维经验模式分解算法缺陷的形成原因。根据原因研究新的经验模式分解算法---快速自适应模式分解。研究滤波函数的类型和构建方法,建立新的经验模式分解算法。 第二、将新经验模式分解算法应用到图像增强和图像融合中,研究适合于新算法的图像处理规则。提高图像处理的效果和质量,达到比小波变换和方向小波变换处理方法更好的结果。 目前,已授权发明专利--基于多向经验模式分解的医学图像融合方法。开发的新算法和基于新算法的图像处理算法与最近两年新发表的相似算法相比,达到更好的效果。 经济效益和社会效益： 数字图像作为人类最重要的常用信息之一,其处理也日益受到广泛关注和重视。而图像处理的前提--图像分析,即图像多尺度分解算法中绝大部分优良的分解算法是由国外同行研究得到,并申请了专利,造成国内运用他们的算法要付高额的专利费用。在这种情况下,本项目组提出的快速自适应经验模式分解及其相关图像处理应用,有利于打破国外垄断,提升我国企业的竞争力,产生良好的社会效益和经济效益。