图像的边缘是图像最基本也是最重要的特征,图像的边缘检测一直是计算机视觉和图像处理领域的经典研究课题。图像边缘检测的目的是去发现图像中关于形状和反射或透射比的信息,是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的最基本步骤,其结果的正确性和可靠性将直接影响到机器视觉系统对客观世界的理解。本文利用J.C Nunes等人提出的一种二维经验模态分解方法计算图像的相位一致,然后通过图像的相位一致来进行图像边缘的提取。　　Morrone和Owens发现边缘特征往往出现在Fourier分解各分量相位一致性最大的地方,Peter Kovesi提出采用Log-Gabor滤波器取代Gauss滤波器的小波方法来计算图像的相位一致。本文将经过Bidimensional Empirical Mode Decomposition分解得到的内蕴模态函数看成一个Fourier分量,并利用具有各向同性性质的单性信号的振幅来计算图像的相位一致。　　经验模态分解是Hilbert-Huang变换的关键部分,其特点是基于信号局部特征的,能对信号进行自适应的、高效的分解,而且它特别适用于分析非线性、非平稳的信号,具有重要的理论价值和广阔的应用前景。国内外学者将它推广到二维中,用它分析二维中的非线性、非平稳信号。本文改进了Bidimensional Empirical Mode Decomposition方法,用三角剖分插值代替径向基函数插值。　　本文利用改进的Bidimensional Empirical Mode Decomposition和单性信号的方法来计算图像的相位一致,然后再利用图像的相位一致与图像对比度无关的性质进行图像的边缘提取。最后,对本文提出的方法进行了仿真实验,并详细分析了实验结果,实验结果表明Bidimensional Empirical Mode Decomposition分解过程中频率分解的不彻底性会造成计算图像相位一致的结果产生偏差,使得提取的图像边缘定位不准或者产生虚假的图像边缘。