【技术实现步骤摘要】
本专利技术涉及非平稳信号处理，具体涉及一种基于深度分数阶傅里叶变换的图像处理方法。
技术介绍
1、卷积具有参数共享和平移不变性的优良性质，在空间域内已成为卷积神经网络中的主导方法。然而，卷积神经网络的感受野有限，特别是在前几层。为了解决这一问题，有一些方法尝试利用傅里叶变换将信号从空间域转换为频域。根据谱卷积定理，空域卷积对应频域乘积，频域具有全局感受野和很好的非线性属性。然而，由于傅里叶变换因其依赖于平稳信号和缺乏空间频率特性而存在局限性。作为一种全局变换，它可以捕获图像的整体光谱，但不能表达图像的局部空间特征。这使得傅里叶变换对于平稳信号是最优的，而对于非平稳信号则是次优的，而绝大部分自然图像、视频和音频都是非平稳信号。
2、此外，虽然傅里叶变换将信号从空间域转换为频域，但是空间域和频域仍然只是信号的两个特殊的正交视角，在时频平面上除了这两个正交视角，还有无数个中间的分数域视角。但是现在仍然缺少一个最佳的工具来处理非平稳的图像信号，并提供一个中间域的统一图像视角。
3、尽管分数阶傅里叶变换有良好的优点，但它在快速实现方面仍面临着挑战。傅里叶变换已经有离散的快速实现方法，即快速傅里叶变换，但是目前分数阶傅里叶变换还没有封装好的快速实现方法。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于深度分数阶傅里叶变换的图像处理方法。
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、一种基于深度分数阶傅里叶变换的图像处理
4、通过分数阶傅里叶变换将输入的图像信号从空间域转换为分数域，将得到的分数域特征输入至卷积神经网络中处理,再通过逆分数阶傅里叶变换转回到空间域，得到复原后的图像特征；具体包括以下步骤：
5、s11，通道分裂：将输入的待复原的图像信号沿通道维度分裂为三个图像信号；
6、s12，通过二维离散分数傅里叶变换分别将三个沿通道分裂后的图像信号变换到三个不同的分数阶，得到三个分数域特征；
7、s13，将三个分数域特征分别通过卷积层进行处理；
8、s14，通过二维分数傅里叶逆变换将经过卷积层处理后的三个分数域特征转换回空间域，得到三个空间域特征；
9、s15，通道合并连接三个空间域特征的通道维度，得到所述的复原后的图像特征。
10、本专利技术中的多阶分数阶傅里叶卷积算子，用于对待复原图像进行分数域表示和解藕，以更好地分离污染信号和清晰信号；可以结合得到现有的图像复原网络中，帮助图像复原网络实现更好的图像复原效果。
11、进一步地，步骤s12中，三个分数阶的阶数p分别为p＝0、p＝0.5、p＝1。
12、与现有技术相比，本专利技术的有益技术效果是：
13、1.本专利技术从图像的非平稳特性和傅里叶变换的缺陷出发，引入了傅里叶变换的更通用版本，分数阶傅里叶变换。分数阶傅里叶变换完美地覆盖了傅里叶变换并且是处理非平稳的图像信号的最优工具。进一步，本专利技术详细地挖掘了分数阶傅里叶变换的性质和图像性质，并改进了其离散快速实现算法。上述内容同样适用于音频和视频。
14、2.本专利技术提出的多阶分数阶傅里叶卷积算子由三种不同的顺序路径组成：空间视角、频率视角和统一的空间-频率表示视角。将这些不同的顺序操作应用于不相交的特征通道子集，并对更新后的特征映射进行聚合以产生输出。多阶分数阶傅里叶卷积算子固有地保留了空间操作和频率操作的优势。更重要的是，附加的统一空间频率表示反映了信号的空间频率联合特征。本专利技术提出的多阶分数阶傅里叶卷积算子是一个通用的和基本的算子，可以很容易地集成到现有的方法中。本专利技术已经实验评估了本专利技术的操作员的各种任务，包括目标检测、图像分类、引导超分辨率、去噪、去雾、去雨和低光增强。结果一致表明，在所有被评估的任务中都有了显著的性能改进。
本文档来自技高网...【技术保护点】
1.一种基于深度分数阶傅里叶变换的图像处理方法，其特征在于，通过为图像复原定制化的多阶分数阶傅里叶卷积算子对图像进行图像复原，包括：
2.根据权利要求1所述的基于深度分数阶傅里叶变换的图像处理方法，其特征在于：步骤S12中，三个分数阶的阶数p分别为p＝0、p＝0.5、p＝1。
【技术特征摘要】
1.一种基于深度分数阶傅里叶变换的图像处理方法，其特征在于，通过为图像复原定制化的多阶分数阶傅里叶卷积算子对图像进行图像复原，包括：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。