经验模态分解(Empirical Mode Decomposition,EMD)是一种用于处理非线性非平稳信号的方法,被认为是信号处理领域的一个重要革新,已成为信号分析与处理领域的研究热点。该方法能够摆脱Fourier分析、短时Fourier分析以及小波分析等传统时频分析方法本质上对平稳数据处理方法的依赖和模仿,不再依赖具体的基函数,已经在地质数据、气象数据、海洋数据、电力数据等信号分析和处理领域中得到了广泛应用。由于EMD方法在一维信号分析和处理方面的突出表现,学者们纷纷尝试将其推广到二维单通道或者多通道图像信号的分析和处理中。然而,现有的EMD方法在对多个通道图像组成的多通道图像信号(如彩色图像)的分解和处理中,通常针对每个通道图像单独进行处理,忽略了各通道图像之间的相关性,导致不同通道图像通过EMD方法分解所得的IMF个数不统一,不能得到反映图像整体变化趋势的余量。本文针对该问题进行了研究,取得的主要成果如下:(1)提出了一种新颖的多通道图像EMD方法。方法采用双拉普拉斯算子插值计算多通道图像的上下包络,并通过建立考虑各通道图像相关性的整体筛分停止准则进行筛分,使信号能够自适应地分解为数目不多的内蕴模态函数分量和一个余量,其中内蕴模态函数分量体现了原始图像不同尺度的特征信息,余量体现了图像的整体变化趋势。通过本文方法和其他一些EMD方法的多通道图像分解实验比较结果说明了该方法的有效性。(2)提出了一种基于多通道图像EMD方法的图像处理框架,能够进行图像锐化、夜景图像增强、图像融合和图像色彩编辑的应用。该框架利用本文提出的基于双拉普拉斯算子的多通道图像EMD方法,将多通道图像分解为若干个描述图像不同尺度特征的内蕴模态函数图像和一个余量,通过对它们进行不同的处理,能够增强图像不同尺度的特征,提高夜景图像的质量,得到不同聚焦图像的融合图像,也能编辑生成一些新的有意义的彩色图像。通过本文方法和其他一些图像处理方法的实验比较结果说明了该方法的潜力。