● 摘要
医学图像的特征提取是医学图像处理与分析的基础内容之一，是实现计算机辅助诊断的一个关键步骤。医学图像的特征提取是为了获取医学图像中独特的有别于其他图像的特征信息，进而实现医学图像的自动分类、匹配等计算机辅助诊断功能。
由MRI技术生成的核磁共振图像（MR图像）具有低对比度、灰度不均匀、弱边界等特点，现有的各类特征提取算法在提取其有效的特征信息都存在一定的困难。希尔伯特-黄变换是由美国工程院院士、美籍华人黄等人提出并命名的一种全新的自适应的数据分析方法，它使用经验模式分解算法筛选出一系列的固有模态函数，是一种能适用于非平稳非线性数据的时频分析方法，其在一维信号及二维图像的分析和处理等领域的研究已成为一个研究热点。
依据医学图像特征提取及经验模式分解算法的国内外研究现状，本文将对经验模式分解算法在医学MR图像特征提取中的应用展开研究。本文进行的主要工作如下：
(1)认真深入地学习了经验模式分解算法的基础理论，分析了医学图像特征提取领域的研究现状，总结概述了经验模式分解算法的国内外现状；
(2)研究了经验模式分解算法在二维图像领域的拓展与应用，对二维经验模式算法中极值点提取、包络面构造（曲面插值）算法、边界效应等关键问题进行了深入地分析与研究，在二维经验模式分解算法的实现中选择Delaunay三角形法来实现极值点的插值，即符合医学图像的特征又提高了算法的分解速度；
(3)研究了经典的模态混叠去除方法——集合经验模式分解算法，参考一维集合经验模式分解算法噪声辅助的思想，实现了二维集合经验模式分解算法，通过与二维经验模式分解算法实验结果的对比，证明了二维集合经验模式分解在性能上的优势；
(4)研究了Riesz变换，提取了基于二维集合经验模式分解算法与Riesz变换的局部振幅，局部相位等局部特征并进行了分析。提出了一种基于相位一致性和二维集合经验模式分解的边缘特征提取算法，临床数据实验表明了该算法的可行性。