图像融合是图像处理中的一个重要内容,常用的小波图像融合主要是基于像素级融合,这种方法容易失去局部特征相关性较强的特性,融合后会出现局部斑点现象。该文应用二维 EMD方法在像素级也进行了讨论,并且针对 EMD分解的特殊性,提出了一种用二维 EMD( two-dimensional EMD)进行图像融合的方法,采用对 IMF( intrinsic model function)分量在对应频率段上进行线性加权融合,提出了几种常用计算加权系数的方法。通过实验分析和性能评价表明,基于二维 EMD的图像融合较小波图像
2021-09-19 10:58:18
2.44MB
1
筛选过程采用时变滤波技术完成。局部截止频率是通过充分利用瞬时幅度和频率信息自适应设计的。 然后采用非均匀 B 样条近似作为时变滤波器。 为了解决间歇性问题，还引入了截止频率重排算法。 为了提高低采样率下的性能，提出了固有模式函数（IMF）的带宽准则。 TVF-EMD 是完全自适应的，适用于线性和非平稳信号的分析。 与EMD相比，所提出的方法能够提高频率分离性能，以及低采样率下的稳定性。 此外，所提出的方法对噪声干扰具有鲁棒性。 TVF-EMD 来自http://www.sciencedirect.com/science/article/pii/S0165168417301135 要使用此代码，请引用我们的工作：Li、Heng、Zhi Li 和 Wei Mo。“经验模式分解的时变滤波器方法”。 信号处理 138 (2017): 146-158。
2021-09-16 10:12:52
64KB
1
EMD的matlab代码分享用于点云地球移动距离
(EMD)
的
PyTorch
包装器
依赖
代码已经在
Ubuntu
16.04、PyTorch
1.1.0、CUDA
9.0
上测试过。
用法
首先编译使用
python
setup.py
install
然后，将lib文件复制到主目录，
cp
build/lib.linux-x86_64-3.6/emd_cuda.cpython-36m-x86_64-linux-gnu.so
.
然后，您可以简单地使用它
from
emd
import
earth_mover_distance
d
=
earth_mover_distance(p1,
p2,
transpose=False)
#
p1:
B
x
N1
x
3,
p2:
B
x
N2
x
3
例如检查test_emd_loss.py
。
作者
cuda代码最初由范浩强编写。
PyTorch
包装器是由莫开春编写的。此外，顾家远也提供了帮助。
执照
麻省理工学院
2021-09-08 09:33:51
6KB
1
针对单通道语音信号盲分离的问题，结合盲源分离和经验模式分解的优点，提出了一种基于经验模式分解的单通道语音信号源数估计和盲源分离方法"对语音混合信号进行经验模式分解，利用贝叶斯算法估计语音源数目，根据源信号数目重组多通道语音混合信号，并采用独立分量分析实现语音信号的盲分离"仿真实验表明，使用此法能有效地估计通道语音信号源数和分离盲源.
2021-09-05 15:51:06
264KB
1