形态学经验小波变换（Morphological Empirical Wavelet Transform, MEWT）-CSDN博客

一核心思想

MEWT 是经验小波变换（EWT）与数学形态学（Mathematical Morphology）的融合，旨在解决传统信号处理中的两个关键问题：

自适应频带划分（来自 EWT）

几何特征提取（来自数学形态学）

其创新点在于：

（1）使用形态学操作增强频谱分割

（2）用形态学算子代替传统小波滤波器

二理论基础

2.1 数学形态学基础运算

设信号 $f(x)$ ，结构元素 $g_s$ （尺度为 $s$ )：

运算	定义	效果
腐蚀	$\epsilon_{g_s}(f)(x) = \inf\limits_{y \in g_s} \{ f(x+y) \}$	消除小亮点
膨胀	$\delta_{g_s}(f)(x) = \sup\limits_{y \in g_s} \{ f(x+y) \}$	填充小孔洞
开运算	$\gamma_{g_s}(f) = \delta_{g_s} \left( \epsilon_{g_s} (f) \right)$	平滑亮区域
闭运算	$\phi_{g_s}(f) = \epsilon_{g_s} \left( \delta_{g_s} (f) \right)$	平滑暗区域

2.2 形态学细节提取算子

开运算残差（亮特征）：

$\Gamma_{s}(f) = f - \gamma_{g_s}(f)$

闭运算残差（暗特征）：

$\Phi_{s}(f) = \phi_{g_s}(f) - f$

三 MEWT 实现步骤

步骤 1：基于形态学的频谱增强

设信号频谱 $|F(\omega)|$ ，通过形态学平滑：

$|F|_{\text{smooth}}(\omega) = \phi_{g_{s_0}}\left( \gamma_{g_{s_0}} \left( |F| \right) \right)$

其中 $g_{s_0}$ 是小尺度结构元素，用于抑制噪声。

步骤 2：频率尺度 → 形态学尺度映射

根据 EWT 频谱分割边界 $\{\omega_k\}$ ，建立映射：

$s_k = \frac{C}{\omega_k}$

C为缩放常数

物理意义：高频 ⇒ 小尺度 $s_k$ ，低频 ⇒ 大尺度 $s_k$

步骤 3：构造形态学经验小波

用形态学残差代替传统小波：

多尺度分解核：

$\psi_k^{\text{morph}}(f) = \begin{cases} \Gamma_{s_k}(f) & \text{} \\ \Phi_{s_k}(f) & \text{} \\ \Gamma_{s_k}(f) + \Phi_{s_k}(f) & \text{} \end{cases}$

$\Gamma_{s_k}(f)$ ：亮特征提取。

$\Phi_{s_k}(f)$ ：暗特征提取

$\Gamma_{s_k}(f) + \Phi_{s_k}(f)$ ：联合特征

步骤 4：信号分解

信号被分解成 $K$ 个模态分量 + 残余项：

$f(x) = \sum_{k=1}^K c_k(x) + r(x)$

模态分量：

$c_k(x) = \psi_k^{\text{morph}}(f)(x)$

残余项（大尺度操作结果）：

$r(x) = \gamma_{g_{s_{\max}}}(f) \quad \text{}$

四总结

步骤	传统 EWT	MEWT
预处理	直接分析频谱	形态学平滑频谱
尺度选择	基于频谱极大值位置 $\{\omega_k\}$	映射至形态尺度： $s_k = C / \omega_k$
滤波实现	线性带通滤波： $c_k = f * \psi_k(\omega)$	非线性形态学滤波： $c_k = \Gamma_{s_k}(f) + \Phi_{s_k}(f)$
重构保证	严格满足： $f = \sum c_k + r$	近似满足（非线性误差）