[发明专利]一种基于二维多元经验模态分解的特征提取方法

说明书

本发明公开了一种基于二维多元经验模态分解(Bidimensional Multivariate Empirical Mode Decomposition，BMEMD)的特征提取方法，BMEMD在BEMD的基础上，增加多个通道实现多通道的图像分解。该方法经过若干方向的实值投影，将输入的二维多元信号转换为多个二维一元信号。本发明将BMEMD应用于彩色图像的处理，将彩色图像分为RGB三个通道进行二维经验模态分解，分解得到的BIMF(Bidimensional Intrinsic Mode Function，二维本征固态函数)再合成，得到彩色BIMF和残余分量，可用于提取彩色图像的颜色信息和纹理特征。

技术领域

本发明属于技术图像处理技术领域，特别涉及一种图像特征提取，具体地讲是一种基于二维多元经验模态分解(Bidimensional Multivariate Empirical ModeDecomposition，BMEMD)的特征提取方法。

背景技术

纹理作为图像的重要特征，计算机视觉和图形学信号处理的重要信息来源，虽然其形式难以定义，但可以由基于统计、变换、模型和结构的模型来描述。因为纹理衡量了一张图像的粗糙度、对比度、结构性、规则性、方向性等方面的特征，所以从图像中提取出有意义的纹理，能够为图像后续处理和分析提供最直接的先验信息。图像特征提取通常从纹理、颜色和边缘等方面进行。

纹理作为图像重要属性之一，是图像中特征值强度的某种局部重复模式的宏观表现。常见的纹理提取的方法有统计方法、几何法、模型法、信号处理法和结构法等等。色彩是一幅图像重要特征之一。彩色图像的处理的思想是将色彩按照三个通道分解，将图像中一个具体像素点所呈现出的值经过分析，得到其颜色特征分量。表示颜色的方法有颜色直方图和颜色矩等。边缘检测是一种特征提取的方法，可用于捕获图像中亮度突变区域的界线。一幅图像中出现亮度不连续的区域通常是下列四种情况导致：①图像梯度(朝向)不连续；②图像强(光照)不连续；③图像深度不连续；④纹理变化。理想情况下，边缘检测可以获取描绘所侦测物体边界的连贯曲线，从而保留重要结构，过滤掉冗余信息。然而实际情况是，检测得到的边界曲线通常是不连续的，这会导致一些对研究无益信息的增加，因此有必要提高边缘检测算法的准确性。

在彩色自然图像中，颜色和纹理是最显著的两种视觉特征，是彩色图像分析中不可忽视的两种重要因素。当前许多特征提取的方法只针对灰度图像，忽略了颜色信息，但现实生活中要处理的大部分图像均为彩色图像，所以颜色也是图像中极具鉴别性的视觉特征。鉴于此，如果在图像的特征提取中引入颜色信息，对其进行有效地提取和利用，则有可能对提高纹理图像识别的精度有促进作用。

发明内容

为了解决现有技术中的问题，本发明提供了一种基于二维多元经验模态分解的特征提取方法，该方法的目的是降低图像冗余的同时，保持图像基本的特征，以供后续图像识别分析使用。

为实现上述目的，本发明采用的技术方案为：

一种基于二维多元经验模态分解的特征提取方法，包括以下步骤：

S1、利用BMEMD对彩色图像进行多尺度多变量分解，获取一系列频率从高到低的二维本征模态函数BIMF，从中筛选出描述彩色图像特征的分量图；

S2、提取分解所得特征图的颜色和纹理特征。

进一步的，所述步骤S1中BMEMD算法的具体步骤为：

S11、将多个二维信号组成为一个二维多元信号，每个二维信号都是这个二维多元信号的一个通道，作为BMEMD的输入信号；

S12、经过若干方向的实值投影，输入二维多元信号转换为多个二维一元信号，被称为该方向的投影信号；

S13、将得到的信号采用BEMD分解，得到一系列BIMF分量和残余分量。