[发明专利]基于迭代方向滤波器组可逆深度卷积网络结构

说明书

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、频率重组模块和应用分析模块，其中：方向滤波器组模块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迭代次数进行控制，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。本发明建立了一种深度卷积网络结构的同时还提供了基于可迭代方向滤波器组的二维实现方法，保证精确重构性的同时提高了效率。本发明对具有丰富细节信息的图像处理效果出色，频率重组模块提升了结构的灵活性与多样性，使其具备良好的扩展性。

技术领域

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

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。

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)期刊上发表的“The ContourletTransform: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。JoanBruna和Stephane Mallat在2013年的《IEEE Transactions on Pattern Analysis andMachine 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

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。

本发明是通过以下技术方案实现的：

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：

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；

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；

所述频率重组模块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；

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。