经验模式分解(Empirical Mode Decomposition, EMD)算法是一种新的信号处理技术。EMD可有效地将非线性非平稳信号中每一点的时(空)局部振荡模式提取出来,得到一系列内蕴模式函数分量(Intrinsic Mode Function, IMF),经Hilbert变换后,使得瞬时频率有了确切的物理意义。傅立叶变换能够在频域内得到非常高的分辨率,但是在时(空)域内却失去了分辨能力。由于窗口傅立叶变换的窗函数是固定的,它只提供了有限的时(空)频分辨率。小波变换具有多尺度多分辨能力,在不同尺度下的时(空)域和频域内同时具有较好的分辨率,但由于基函数是固定的,对分析的结果产生不利的影响。EMD分解依靠数据自身局部时间尺度特性进行分解。与小波变换相比,EMD不但具有小波变换的多尺度多分辨能力,而且消除了小波变换的缺陷,使得IMF分量可有效地反映出原信号的物理特征。因此,EMD比傅立叶变换和小波变换更有优势。由于EMD算法是靠经验得到的,缺陷不可避免：一、算法的运行速度很慢；二、无法解决两个频率相差很大的信号在一定的条件下叠加后不能够分离的问题,称其为“信号隐藏”。影响EMD算法在图像处理中的应用。本文通过对EMD算法缺陷成因的探讨,提出了一种新的经验模式分解算法---窗口经验模式分解。实验表明,新算法较之已有的算法具有优越性。我们将新算法应用到数字图像处理领域中,结果显示它在数字图像处理领域应用中具有潜力。本文主要工作与创新点有：一.针对二维EMD算法中的缺陷,分析成因,研究解决方法。新算法利用窗函数思想,配合EMD算法的结构,提出一种新的经验模式分解---窗口经验模式分解(Window Empirical Mode Decomposition, WEMD), WEMD算法有两大优点：一,算法的运行速度比传统的算法要快得多,能满足工程应用的需要；二,解决了传统算法无法解决的“信号隐藏”问题。二.传统的二维EMD算法得到的分解图像由于“信号隐藏”问题,使得分解图像中不可避免要产生灰斑,影响了它的应用范围。本文根据WEMD算法的高频信息强获取能力和多尺度多分辨率特性,研究该算法在数字图像中的应用：A.图像边缘提取：根据第一个IMF分量图像具有很好的边缘特性,提出了两种边缘提取算法：1)直接利用阈值提取IMF图像边缘；2)利用二维Hilbert变换和非极大值抑制算法提取图像边缘。B.图像融合：利用WEMD算法的多尺度多分辨率特性和高频细节信息的强获取能力,运用本文提出的背景／细节融合规则对前几层IMF分量进行处理,将融合后的IMF分量重构得到融合图像。C.图像去噪：根据噪声图像经WEMD分解得到IMF分量图像中的噪声呈现斑点噪声的特性,运用Gamma滤波对前几层IMF分量图像进行处理,将处理后的IMF分量重构得到去噪图像。D.图像增强：根据IMF分量图像的直方图服从正态分布的特性,运用直方图匹配算法,使IMF分量图像中的细节得到增强,将增强后的IMF分量重构得到增强图像。以上提出的基于WEMD的图像处理算法,实验证明无论是运用主观分析,还是运用客观分析,其效果都优于已有的算法。三.结合密码学思想和EMD算法的结构,将每一层IMF分量筛选停止条件“SD”值作为密钥,运用不同的SD值得到每一层IMF分量。用同样大小的秘密图像代替其中的一个IMF分量,最后将IMF分量重构得到含有秘密图像的载体图像。载体图像满足人眼视觉系统,外人无法分辨出载体图像中是否含有秘密信息。当需要恢复秘密图像时,秘密图像可被恢复。