近代计算机技术的进步大大推动了图像处理技术的研究与发展,吸引了大量研究学者投身图像处理这一研究领域。由于图像的质量会严重影响到图像处理的结果,因此图像去噪是一个基本且重要的研究课题。图像通常含有丰富的纹理信息,沿着纹理垂直方向的灰度值存在一个突变的过程,这种灰度突变使图像具有了非平稳信号特征,因此可以用非平稳信号分析方法对图像进行处理。经验模式分解方法(Empirical Mode Decomposition,EMD)是近年来在非平稳信号处理领域表现良好的一种自适应处理方法,它能够避免小波变换等传统非平稳信号处理算法存在的弊端。鉴于EMD算法在一维非平稳信号处理领域的优良性能,国内外学者尝试将EMD扩展到图像领域,得到了二维经验模式分解(Bi-dimensional Empirical Mode Decomposition,BEMD)。该二维分解方法在诸如图像融合、特征提取等图像处理领域取得了良好的效果。然而在实际应用中发现EMD算法仍存在有待改进的问题。本文从BEMD算法的理论基础和实际应用两方面对现有算法进行了研究讨论,主要创新工作如下:1.针对BEMD算法存在的边界效应,本文提出一种基于图像自相似性的自适应变长边界延拓方法。该方法延拓时参考了图像本身的结构特征,延拓部分能够更好的反映图像纹理的变化趋势。通过实验证明该方法能够有效地减少边界效应带来的误差。关于边界的外延长度,本文提出一种基于极值点分布的长度确定方法。该方法能够根据图像的极值点分布特征,自适应地确定延拓部分所需外延长度,无需人为设定,保证了延拓部分包含极值点,同时最大程度地减少了由自相似延拓引入的误差。2.关于BEMD算法的外层停止条件,本文基于图像去噪这一应用场景,以固有模态函数中的主要成分为切入点,研究了BEMD的分解停止条件:当固有模态函数由最初的噪声为主导成分变为图像信号占主要成分时,令分解过程停止。关于如何判定固有模态函数中的主要成分是噪声还是有效信息,本文对现有判断方法进行了概括及扩展后,针对其存在的不足,提出了一种适用于BEMD的停止条件判断准则。通过实验证明了无论在高信噪比还是较低信噪比的情况下,本文所提的判断准则都能够进行准确的判断,使分解及时停止。3.将改进的BEMD算法用于图像去噪,提出了一种区间阈值去噪方法。该区间阈值去噪方法分析了BEMD分解结果具有的特征,将分解结果中特定像素点的集合作为阈值处理单元,对同一个单元内的像素值统一进行处理,以达到图像去噪的目的。通过与现有基于BEMD的去噪方法以及传统滤波去噪算法的对比试验,证明了本文提出的改进方法在去除加性噪声和乘性噪声方面具有良好性能。