中文摘要：

本课题研究窗口经验模式分解算法(WEMD)及其在二维图像处理中的应用。保持传统经验模式分解算法(EMD)的核心思想以内蕴模式函数（IMF）分解信号；新算法增加了一个性质和尺度随信号变化而自适应调整的窗口函数，以窗口内局部信号分解代替传统经验模式分解算法(EMD)中计算全局极大值包络的循环迭代运算。算法极大地提高了运算速度，提供一种多尺度、多分辨、多方向的空频分析的图像处理快速算法二维加窗经验模式分解算法（2D-WEMD）。算法能够解决EMD算法无法解决的"信息隐藏"问题，消除二维EMD算法的分解图像中的"暗斑"。2D-WEMD算法在图像处理中扩展了应用范围，提高了处理精度。作为例证，研究2D-WEMD算法在图像边缘提取、噪声去除和像质改善等处理领域中的应用等。

结论摘要：

本项目提出一种新的图像经验模式分解算法“窗口经验模式分解”（Window Empirical Mode Decomposition，WEMD）。在提取内蕴函数的运算中，引入适当大小的窗口，设定图像灰度数据的极值数目，对窗口进行自适应调节，在高频信息处，窗口变小；低频信息处，窗口变大。算法对局部的图像块进行操作，不同于经典算法对图像整体进行迭代，因而收敛速度快，运算时间少，能满足工程应用的需要。 该算法实际上是一种多尺度、多方向的自适应图像分解算法。对高频信息具有更强的多方向多尺度多分辨率分解能力，可以对图像高频信息和低频信息进行有效分离。解决了经典算法无法解决的高频信息和低频信息混叠的问题，避免了分量图像中的“灰斑”，使分解的分量图像更清晰。 将窗口经验模式分解算法（WEMD）应用于图像处理的各种领域。由于算法具有运算速度快、分解图像清晰等优点，在图像边缘提取、图像融合、图像去噪、图像增强、图像纹理分割等诸多领域，取得了更好的处理结果。特别是将窗口经验模式分解算法（WEMD）应用于医学图像处理和遥感图像处理等实际工程领域，取得了比基于小波变换算法更好处理结果。 经验模式分解算法（EMD）没有精确的数学表达，停留在经验性的描述阶段。探索经验模式分解算法的数学表达形式，是本课题研究者今后的努力方向。