基于迭代方向滤波器组可逆深度卷积网络结构的制作方法
【技术领域】
[0001] 本发明涉及一种数字图像处理领域的图像表示方案，具体是一种基于迭代方向滤 波器组的可逆深度卷积网络结构。
【背景技术】
[0002] 有效的图像表示方法对各类图像处理应用至关重要。小波的出现使一维信号的点 奇异性能很好地被捕捉到。然后对于二维甚至更高维信号，小波并没有理想的效果。对于二 维信号，传统方法通过对一维小波进行张量积运算构造可分离的二维小波，然而这只对水 平与竖直方向信息敏感。因此，对于具有更复杂几何信息的信号表示，需要新的方法。
[0003] 经过对现有技术的文献检索发现，Minh N.Do和Martin Vetterli在2005年的 ((IEEE Transactions on Image Processing〉〉（TIP)期干丨J 上发表的 "The Contour let Transform:An Efficient Directional Multiresolution Image Representation"一文 中提出了一种方法，它通过拉普拉斯金字塔将信号分为低频和高频两个部分，再利用方向 滤波器组对高频信号进行频率划分，得到的低频部分继续利用拉普拉斯金字塔和方向滤波 器组重复这个过程。这种方法与小波相比在图像的方向信息上表现有所提升。然后其高频 信息在进行一次划分后便维持不变，这样使的更精细的信息不能很好地得到表示。Joan Bruna和Stephane Mallat在2013年的《IEEE Transactions on Pattern Analysis and Machine Intelligence》期刊上发表的 "Invariant Scattering Convolution Networks" 一文中针对分类与识别问题提出了一种散射网络。该网络由一系列小波滤波器、取模操作 和平均运算组成，每一层输出一个低频子图和多个高频子图，而每个高频子图继续在下一 层进行分解。然而这种网络结构在第一层得到低频子图后，便不再对其进行进一步分解，而 且这种网络是基于连续域讨论的，并没有很理想的离散实现方法，而且不具有精确重构性。
【发明内容】
[0004] 本发明针对现有技术的不足，提供了一种基于迭代方向滤波器组可逆深度卷积网 络结构，可以对低频和高频成分进行多次划分和重组，并且提供了方便有效的数字实现方 法，可以作为一种通用的图像变换方法并进一步应用于多个领域。
[0005] 本发明是通过以下技术方案实现的：
[0006] 本发明提供一种基于迭代方向滤波器组的可逆深度卷积网络结构，包括:方向滤 波器组模块、深度控制模块、频率重组模块和分析应用模块，所述方向滤波器组模块和所述 深度控制模块共同决定输入图像的分解方式，其中：
[0007] 所述方向滤波器组模块利用采样矩阵与方向滤波器组对输入图像进行方向滤波， 采样矩阵与方向滤波器交替循环，得到分解系数并输出给所述频率重组模块；
[0008] 所述深度控制模块对方向滤波器组模块的循环次数进行控制；
[0009] 所述频率重组模炔基于所述方向滤波器组模块输出的分解系数进行频率重新组 合，并将重组后的新的频率划分结果输出到所述分析应用模块；
[0010]所述分析应用模块接收频率重组模块输出的具有新的频率分布的分解系数，并对 该系数进行进一步处理以解决应用问题。
[0011]优选地，所述方向滤波器组模块和所述深度控制模块共同决定输入图像的分解方 式，其中：所述方向滤波器组模块包括一扇形方向滤波器组和两采样矩阵，它们迭代地对输 入图像进行多次分解，即得到输入图像的频域的多次划分;分解具体包括如下步骤：
[0012] 步骤一，将图像输入到双通道扇形方向滤波器组和采样矩阵Q〇,得到两组系数矩 阵，分别应对水平和垂直两个方向的频率划分；
[0013] 步骤二，将步骤一的输出输入双通道扇形方向滤波器组和采样矩阵&，进行滤波 和下采样处理，得到四组系数矩阵，分别对应四个方向频率划分；
[0014] 步骤三，重复步骤一和步骤二直至达到深度控制模块设定的停止条件，得到全部 分解系数。
[0015] 更优选地，所述采样矩阵和扇形方向滤波器组交替循环次数由深度控制模块的限 制条件决定，但需保证深度1 2 2。
[0016] 更优选地，所述采样矩阵采用非对角采样矩阵，扇形方向滤波器组，利用麦克莱兰 变换将一维双正交双通道滤波器组映射为不可分离的二维双正交滤波器组;在完成步骤三 后，对应频域的每个象限与步骤一后得到的频域具有相似的划分。
[0017] 优选地，所述深度控制模块，其控制的卷积网络深度可通过预先设置固定参数给 定，也可以结合应用给出判断条件，形成自适应的深度卷积网络，需保证深度1 2 2。
[0018] 优选地，所述方向滤波器组模块，第i(i < 1)层分解得到的频域划分在每个1/21/2 子块与第二层得到的频域划分具有相似形式;并且得到的所有21个频域块具有相同形状， 都为等腰直角三角形。这两种相似性保证了整个结构的简单高效性。
[0019]优选地，所述频率重组模块，通过对输入的各子图进行重要系数的统计按照分析 应用模块的目的设计不同的重组方式，得到新的频域划分。
[0020] 更优选地，所述频率重组模块，通过计算最终得到的不同方向不同尺度下的分解 系数的非零个数和重要程度进行重新组合，以降低计算复杂度和优化结果。
[0021] 本发明中采用的基于迭代方向滤波器组的可逆深度卷积网络结构为图像处理提 供了一种新的表示方法。通过非对角采样矩阵和不可分离二维方向滤波器组的结合实现网 络的离散，这比直接对滤波器进行旋转操作具有更好的频域精确划分性和完美重构性。利 用每个子块频域划分的相似性通过两组采样矩阵和滤波器组的迭代完成更精细的频域划 分。利用迭代滤波器组输出的分解系数的统计结果进行频率重组，以使其更好地适应于不 同的应用领域。
[0022] 与现有技术相比，本发明具有如下的有益效果：
[0023] 本发明建立了新的深度卷积网络结构，所述方向滤波器组模块采用基于迭代方向 滤波器组的二维离散实现方法，保证了计算简便性和精确重构性。本发明利用频域各子块 的频率分布相似性对低频和高频成分进行多次划分，提高了对丰富细节信息的捕捉能力。 通过引入频率重组操作，提升了整个结构的灵活性和可扩展性。
【附图说明】
[0024]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、 目的和优点将会变得更明显：
[0025]图1为本发明系统一实施例的结构框图；
[0026]图2为迭代方向滤波器组模块和深度控制模块的工作原理图。
【具体实施方式】
[0027]下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术 人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术 人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明 的保护范围。
[0028] 如图1所示，一种基于迭代方向滤波器组的可逆深度卷积网络结构，包括:方向滤 波器组模块和深度控制模块、频率重组模块和分析应用模块，其中：方向滤波器组模块利用 扇形方向滤波器组对输入图像进行方向滤波，深度控制模块对方向滤波器组模块的循环次 数进行控制，得到的频率分解结果在频率重组模块中进行方向与尺度重新组合，最后用于 分析应用模块解决一系列图像处理相关问题。
[0029] 如图2所示，所述方向滤波器组模块包括一扇形方向滤波器组和两采样矩阵，它们 迭代地对输入图像进行多次分解，即得到输入图像的频域的多次划分;所述方向滤波器组 模块和深度控制模块共同实现该深度卷积网络，两组采样矩阵与扇形方向滤波器组交替循 环对频域进行划分，随着深度的增加，得到越精细的尺度与方向的分解结果。
[0030] 所述方向滤波器组模块，分解具体包括如下步骤：
[0031] 步骤一，将图像输入到双通道扇形方向滤波器组和采样矩阵Q〇,得到两组系数矩 阵，分别应对水平和垂直两个方向的频率划分；
[0032] 步骤二，将步骤一的输出输入双通道扇形方向滤波器组和采样矩阵&，进行滤波 和下采样处理，得到四组系数矩阵，分别对应四个方向频率划分；
[0033]步骤三，重复步骤一和步骤二直至达到深度控制模块设定的停止条件，得到全部 分解系数。
[0034]本实施例中，所述的采样矩阵分别为Qodi，扇形波波器的频域表示为Η( ω )，其中 ω =( ωι，ωι)τ为二维角频率;对原输入图像X，经过第一组双通道扇形滤波器出（ω )(i取 〇，1分别对应双通道滤波器的0通道和1通道)和采样矩阵Qo后得到的频域