基于分割引导和频域增强的轻量级谷穗计数网络

doi:10.11772/j.issn.1001-9081.2025091115

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3307-3316.DOI: 10.11772/j.issn.1001-9081.2025091115

• 多媒体计算与计算机仿真 • 上一篇

基于分割引导和频域增强的轻量级谷穗计数网络

李雨希¹, 王雅莹¹, 田诗芹², 郑伯川¹^,³()

^1.西华师范大学计算机学院，四川南充 637009
^2.西华师范大学数学科学学院，四川南充 637002
^3.西华师范大学人工智能研究所，四川南充 637009

收稿日期:2025-09-25 修回日期:2025-12-24 接受日期:2025-12-29 发布日期:2026-03-13 出版日期:2026-10-10
通讯作者: 郑伯川
作者简介:李雨希（2000—），男，四川遂宁人，硕士研究生，主要研究方向：机器学习、深度学习、目标计数
王雅莹（2002—），女，四川资阳人，硕士研究生，主要研究方向：机器学习、深度学习、目标计数
田诗芹（2001—），女，四川成都人，硕士研究生，主要研究方向：机器学习、深度学习、图像分割
基金资助:
国家自然科学基金面上项目(62176217)

Lightweight network based on segmentation guidance and frequency domain enhancement for wheat ear counting

Yuxi LI¹, Yaying WANG¹, Shiqin TIAN², Bochuan ZHENG¹^,³()

^1.School of Computer Science，China West Normal University，Nanchong Sichuan 637009，China
^2.School of Mathematics Sciences，China West Normal University，Nanchong Sichuan 637002，China
^3.Institute of Artificial Intelligence，China West Normal University，Nanchong Sichuan 637009，China

Received:2025-09-25 Revised:2025-12-24 Accepted:2025-12-29 Online:2026-03-13 Published:2026-10-10
Contact: Bochuan ZHENG
About author:LI Yuxi， born in 2000， M. S. candidate. His research interests include machine learning， deep learning， object counting.
WANG Yaying， born in 2002， M. S. candidate. Her research interests include machine learning， deep learning， object counting.
TIAN Shiqin， born in 2001， M. S. candidate. Her research interests include machine learning， deep learning， image segmentation.
Supported by:
General Program of National Natural Science Foundation of China(62176217)

摘要/Abstract

摘要：

基于卷积神经网络（CNN）与Transformer的谷穗计数方法存在长距离依赖关系建模困难、计算效率低以及密度误报与密度漏报的问题。为了解决这些问题，提出名为PCLMamba的谷穗计数方法。PCLMamba是一个基于分割引导与频域增强的轻量Mamba网络。首先，通过引入分组的多方向状态空间模型（GDMM）分组处理图像序列且并行地送入不同顺序的选择性扫描中，轻量且高效地捕获长距离依赖关系；其次，利用通道注意力融合模块（CAFM）融合局部特征与全局扫描特征；最后，为了解决密度误报与密度漏报的问题，设计分割模块（Segmenter）提供先验知识，以抑制背景和增强前景；同时，设计频域空间域增强（FSE）模块将中间特征在空域与频域上进行增强处理，进一步提高计数精度。实验结果表明，PCLMamba在MTC、WED和SHC数据集上的平均绝对误差（MAE）分别为4.4、4.2和15.4，均方根误差（RMSE）分别为7.7、5.3和18.3。在WED数据集上，与CountMamba相比，MAE、RMSE分别降低20.8%和18.5%；在MTC数据集上，与参数量相近的TasselNet相比，MAE、RMSE分别降低33.3%和22.2%。PCLMamba在较低参数量下提高了谷穗计数精度，为状态空间模型应用于密集作物计数提供了可行的轻量化路径，为智慧农业中的田间谷穗自动计数提供了技术支持。

关键词: 智慧农业, 谷穗计数, 状态空间模型, 快速傅里叶变换, 频域增强

Abstract:

Convolutional Neural Networks （CNNs） and Transformers based wheat ear counting methods suffer from difficulty in modeling long-range dependencies， low computational efficiency， and frequent false dense positives or false negatives. To address these issues， a wheat ear counting method named PCLMamba was proposed. This network is a lightweight Mamba network based on segmentation guidance and frequency domain enhancement. First， Grouping Directional Mamba Model （GDMM） was introduced to process image sequences in groups and send them to selective scanning in different orders in a parallel way， thereby capturing long-range dependencies efficiently in a lightweight way. Second， the local features and globally scanned features were fused via a Channel Attention Fusion Module （CAFM）. Finally， to solve the problems of dense false positives and negatives， a Segmentation module （Segmenter） was designed to supply prior knowledge， to suppress the background and enhance the foreground. Besides， a Frequency Spatial Enhancement （FSE） module was designed to enhance intermediate features in both spatial and frequency domains， thereby further boosting counting accuracy. Experimental results show that the Mean Absolute Errors （MAEs） of PCLMamba on the MTC， WED， and SHC datasets are 4.4， 4.2， and 15.4， respectively， and the Root Mean Square Errors （RMSEs） are 7.7， 5.3， and 18.3， respectively. On the WED dataset， compared with CountMamba， the MAE and RMSE are reduced by 20.8% and 18.5%， respectively； on the MTC dataset， compared with TasselNet， which has a similar number of parameters， the MAE and RMSE are reduced by 33.3% and 22.2%， respectively. PCLMamba improves the accuracy of wheat ear counting with a relatively small number of parameters， providing a feasible lightweight path for applying state-space models to dense crop counting and offering technical support for automatic field wheat ear counting in smart agriculture.

Key words: smart agriculture, wheat ear counting, State-Space Model (SSM), Fast Fourier Transform (FFT), frequency domain enhancement

中图分类号:

TP391.41

李雨希, 王雅莹, 田诗芹, 郑伯川. 基于分割引导和频域增强的轻量级谷穗计数网络[J]. 计算机应用, 2026, 46(10): 3307-3316.

Yuxi LI, Yaying WANG, Shiqin TIAN, Bochuan ZHENG. Lightweight network based on segmentation guidance and frequency domain enhancement for wheat ear counting[J]. Journal of Computer Applications, 2026, 46(10): 3307-3316.

图/表 15

参考文献 46

[1]	Giuffrida M V， Minervini M， Tsaftaris S. Learning to count leaves in rosette plants［C］// BMVC 2015. Durham： BMVA Press， 2015： No.1.
[2]	Madec S， Jin X， Lu H， et al. Ear density estimation from high resolution RGB imagery using deep learning technique［J］. Agricultural and Forest Meteorology， 2019， 264： 225-234.
[3]	Ghosal S， Zheng B， Chapman S C， et al. A weakly supervised deep learning framework for sorghum head detection and counting［J］. Plant Phenomics， 2019， 2019： No.1525874.
[4]	Lu H， Cao Z， Xiao Y， et al. TasselNet： counting maize tassels in the wild via local counts regression network［J］. Plant Methods， 2017， 13： No.79.
[5]	Xiong H， Cao Z， Lu H， et al. TasselNetv2： in-field counting of wheat spikes with context-augmented local regression networks［J］. Plant Methods， 2019， 15： No.150.
[6]	Lu H， Liu L， Li Y N， et al. TasselNetV3： explainable plant counting with guided upsampling and background suppression［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： No.4700515.
[7]	Bai X， Liu P， Cao Z， et al. Rice plant counting， locating， and sizing method based on high-throughput UAV RGB images［J］. Plant Phenomics， 2023， 5： No.0020.
[8]	Allen E J， Wurr D C E. A comparison of two methods of recording stem densities in the potato crop［J］. Potato Research， 1973， 16（1）： 10-19.
[9]	Pound R， Clements F E. A method of determining the abundance of secondary species［J］. Minnesota Botanical Studies， 1898， 6： No.17.
[10]	Valente J， Sari B， Kooistra L， et al. Automated crop plant counting from very high-resolution aerial imagery［J］. Precision Agriculture， 2020， 21（6）： 1366-1384.
[11]	Fernandez-Gallego J A， Lootens P， Borra-Serrano I， et al. Automatic wheat ear counting using machine learning based on RGB UAV imagery［J］. The Plant Journal， 2020， 103（4）： 1603-1613.
[12]	Wang X， Zhang C， Qiang Z， et al. A coffee plant counting method based on dual-channel NMS and YOLOv9 leveraging UAV multispectral imaging［J］. Remote Sensing， 2024， 16（20）： No.3810.
[13]	Yang Z， Hu K， Kou W， et al. Plant recognition and counting of Amorphophallus konjac based on UAV RGB imagery and deep learning［J］. Computers and Electronics in Agriculture， 2025， 235： No.110352.
[14]	Egi Y， Hajyzadeh M， Eyceyurt E. Drone-computer communication based tomato generative organ counting model using YOLO V5 and Deep-Sort［J］. Agriculture， 2022， 12（9）： No.1290.
[15]	Lv Y， Lu S， Liu X， et al. LDC-PP-YOLOE： a lightweight model for detecting and counting citrus fruit［J］. Pattern Analysis and Applications， 2024， 27（4）： No.114.
[16]	Lin H， Chen Z， Qiang Z， et al. Automated counting of tobacco plants using multispectral UAV data［J］. Agronomy， 2023， 13（12）： No.2861.
[17]	Zhang X， Zhu D， Wen R. SwinT-YOLO： detection of densely distributed maize tassels in remote sensing images［J］. Computers and Electronics in Agriculture， 2023， 210： No.107905.
[18]	Amirkolaee H A， Shi M， Mulligan M. TreeFormer： a semi-supervised Transformer-based framework for tree counting from a single high-resolution image［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： No.4406215.
[19]	He H， Zhang Y， Xu J， et al. CountMamba： exploring multi-directional selective state-space models for plant counting［C］// PRCV 2024， LNCS 15043. Singapore： Springer， 2025： 47-61.
[20]	Shu W， Wan J， Tan K C， et al. Crowd counting in the frequency domain［C］// CVPR 2022. Piscataway： IEEE， 2022： 19586-19595.
[21]	Shen L， Su J， He R， et al. Real-time tracking and counting of grape clusters in the field based on channel pruning with YOLOv5s［J］. Computers and Electronics in Agriculture， 2023， 206： No.107662.
[22]	Yang C， Geng T， Peng J， et al. Mask-GK： an efficient method based on mask Gaussian kernel for segmentation and counting of grape berries in field［J］. Computers and Electronics in Agriculture， 2025， 234： No.110286.
[23]	Gu A， Goel K， Ré C. Efficiently modeling long sequences with structured state spaces［PP/OL］. V3. arXiv （2022-08-05）［2025-03-14］..
[24]	Zhu L， Liao B， Zhang Q， et al. Vision Mamba： efficient visual representation learning with bidirectional state space model［J］. Proceedings of Machine Learning Research， 2024， 235： 62429-62442.
[25]	Liu Y， Tian Y， Zhao Y， et al. VMamba： visual state space model［C］// NeurIPS 2024. Red Hook： Curran Associates Inc.， 2024： 103031-103063.
[26]	Zhao S， Chen H， Zhang X， et al. RS-Mamba for large remote sensing image dense prediction［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： No.5633314.
[27]	Liu P， Lei S， Li H C. Mamba-MOC： a multicategory remote object counting via state space model［C］// IGARSS 2025. Piscataway： IEEE， 2025： 6046-6049.
[28]	Ma H Y， Zhang L， Shi S. VMambaCC： a visual state space model for crowd counting［PP/OL］. arXiv （2024-05-07）［2025-07-10］..
[29]	Hatamizadeh A， Kautz J. MambaVision： a hybrid Mamba-Transformer vision backbone［C］// CVPR 2025. Piscataway： IEEE， 2025： 25261-25270.
[30]	Li D， Liu Y， Fu X， et al. FourierMamba： Fourier learning integration with state space models for image deraining［J］. Proceedings of Machine Learning Research， 2025， 267： 35342-35365.
[31]	Meng Y， Yang Z， Song Z， et al. DM-Mamba： dual-domain multi-scale Mamba for MRI reconstruction［PP/OL］. V2. arXiv （2025-02-13）［2025-03-11］..
[32]	Zou J， Liu L， Chen Q， et al. MMR-Mamba： multi-modal MRI reconstruction with Mamba and spatial-frequency information fusion［J］. Medical Image Analysis， 2025， 102： No.103549.
[33]	Chang A， Zeng J， Huang R， et al. EM-Net： efficient channel and frequency learning with Mamba for 3D medical image segmentation［C］// MICCAI 2024， LNCS 15009. Cham： Springer， 2024： 266-275.
[34]	Guo W， Zheng B， Potgieter A B， et al. Aerial imagery analysis — quantifying appearance and number of sorghum heads for applications in breeding and agronomy［J］. Frontiers in Plant Science， 2018， 9： No.1544.
[35]	Zhang Y， Zhou D， Chen S， et al. Single-image crowd counting via multi-column convolutional neural network［C］// CVPR 2016. Piscataway： IEEE， 2016： 589-597.
[36]	Li Y， Zhang X， Chen D. CSRNet： dilated convolutional neural networks for understanding the highly congested scenes［C］// CVPR 2018. Piscataway： IEEE， 2018： 1091-1100.
[37]	Cao X， Wang Z， Zhao Y， et al. Scale aggregation network for accurate and efficient crowd counting［C］// ECCV 2018， LNCS 11209. Cham： Springer， 2018： 757-773.
[38]	Liu L， Lu H， Xiong H， et al. Counting objects by blockwise classification［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2020， 30（10）： 3513-3527.
[39]	Liu L， Lu H， Li Y， et al. High-throughput rice density estimation from transplantation to tillering stages using deep networks［J］. Plant Phenomics， 2020， 2020： No.1375957.
[40]	Lu H， Cao Z. TasselNetV2+： a fast implementation for high-throughput plant counting from high-resolution RGB imagery［J］. Frontiers in Plant Science， 2020， 11： No.541960.
[41]	Han T， Bai L， Liu L， et al. STEERER： resolving scale variations for counting and localization via selective inheritance learning［C］// ICCV 2023. Piscataway： IEEE， 2023： 21791-21802.
[42]	Tan M， Le Q V. EfficientNet： rethinking model scaling for convolutional neural networks［J］. Proceedings of Machine Learning Research， 2019， 97： 6105-6114.
[43]	Howard A G， Zhu M， Chen B， et al. MobileNets： efficient convolutional neural networks for mobile vision applications［PP/OL］. arXiv （2017-04-17）［2025-07-10］..
[44]	Zhang X， Zhou X， Lin M， et al. ShuffleNet： an extremely efficient convolutional neural network for mobile devices［C］// CVPR 2018. Piscataway： IEEE， 2018： 6848-6856.
[45]	Han K， Wang Y， Tian Q， et al. GhostNet： more features from cheap operations［C］// CVPR 2020. Piscataway： IEEE， 2020： 1580-1589.
[46]	Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 6000-6010.

层	卷积参数	池化参数
Conv+BN+ReLU+Maxpool	k=3； s=1； p=1	s=2
Conv+BN+ReLU+Maxpool	k=3； s=1； p=1	s=2
Conv+BN+ReLU+Maxpool	k=3； s=1； p=1	s=2
Conv+BN+ReLU	k=3； s=1； p=1	—
Conv+BN+ReLU	k=3； s=1； p=1	—

层	卷积参数	池化参数
Conv+BN+ReLU+Maxpool	k=3； s=1； p=1	s=2
Conv+BN+ReLU+Maxpool	k=3； s=1； p=1	s=2
Conv+BN+ReLU+Maxpool	k=3； s=1； p=1	s=2
Conv+BN+ReLU	k=3； s=1； p=1	—
Conv+BN+ReLU	k=3； s=1； p=1	—

骨干网络	方法	MTC						WED
骨干网络	方法	MAE	RMSE	rMAE/%	rRMSE/%	R²	参数量/10⁶	MAE	RMSE	rMAE/%	rRMSE/%	R²
CNN	MCNN^［35］	17.9	21.9	273.4	692.5	0.33	0.1	11.5	15.6	8.4	11.0	0.38
	CSRNet^［36］	6.9	11.5	77.8	190.3	0.82	16.3	4.2	5.2	3.2	4.1	0.94
	SANet^［37］	5.1	11.4	28.7	60.9	—	0.9	4.9	6.2	3.9	5.0	—
	BCNet^［38］	5.2	9.2	31.8	62.5	0.88	14.8	4.1	4.9	3.1	3.8	0.94
	SFC2Net^［39］	5.0	9.4	17.7	24.6	0.89	8.3	4.2	5.1	3.2	4.2	0.93
	TasselNet^［4］	6.6	9.9	44.8	89.9	0.87	0.5	6.8	8.3	—	7.1	0.79
	TasselNetV2^［5］	5.4	9.2	31.9	69.5	0.89	0.5	5.3	6.8	4.1	5.3	0.90
	TasselNetV2+^［40］	5.1	9.1	—	—	0.89	—	4.9	6.1	—	4.6	0.91
	TasselNetV2+ †	4.9	8.5	25.8	46.4	0.90	—	4.8	5.9	3.7	4.6	0.91
	STEERER^［41］	5.4	8.1	44.7	107.0	0.89	—	5.8	6.8	4.3	5.2	0.89
Mamba	CountMamba^［19］	4.6	7.9	26.2	40.9	0.92	—	5.3	6.5	4.0	4.9	0.89
Mamba	PCLMamba	4.4	7.7	19.1	28.9	0.92	0.5	4.2	5.3	3.2	4.1	0.92

骨干网络	方法	MTC						WED
骨干网络	方法	MAE	RMSE	rMAE/%	rRMSE/%	R²	参数量/10⁶	MAE	RMSE	rMAE/%	rRMSE/%	R²
CNN	MCNN^［35］	17.9	21.9	273.4	692.5	0.33	0.1	11.5	15.6	8.4	11.0	0.38
	CSRNet^［36］	6.9	11.5	77.8	190.3	0.82	16.3	4.2	5.2	3.2	4.1	0.94
	SANet^［37］	5.1	11.4	28.7	60.9	—	0.9	4.9	6.2	3.9	5.0	—
	BCNet^［38］	5.2	9.2	31.8	62.5	0.88	14.8	4.1	4.9	3.1	3.8	0.94
	SFC2Net^［39］	5.0	9.4	17.7	24.6	0.89	8.3	4.2	5.1	3.2	4.2	0.93
	TasselNet^［4］	6.6	9.9	44.8	89.9	0.87	0.5	6.8	8.3	—	7.1	0.79
	TasselNetV2^［5］	5.4	9.2	31.9	69.5	0.89	0.5	5.3	6.8	4.1	5.3	0.90
	TasselNetV2+^［40］	5.1	9.1	—	—	0.89	—	4.9	6.1	—	4.6	0.91
	TasselNetV2+ †	4.9	8.5	25.8	46.4	0.90	—	4.8	5.9	3.7	4.6	0.91
	STEERER^［41］	5.4	8.1	44.7	107.0	0.89	—	5.8	6.8	4.3	5.2	0.89
Mamba	CountMamba^［19］	4.6	7.9	26.2	40.9	0.92	—	5.3	6.5	4.0	4.9	0.89
Mamba	PCLMamba	4.4	7.7	19.1	28.9	0.92	0.5	4.2	5.3	3.2	4.1	0.92

骨干网络	方法	MAE	RMSE	rMAE/%	rRMSE/%	R²
CNN	TasselNetV2^［5］	18.0	21.3	—	—	0.96
	TasselNetV2+^［40］	17.5	20.6	—	—	0.96
	TasselNetV2+†	21.4	23.7	4.4	4.9	0.94
	STEERER^［41］	15.6	19.2	3.2	3.9	0.95
Mamba	CountMamba^［19］	15.9	18.6	3.2	3.7	0.96
Mamba	PCLMamba	15.4	18.3	3.1	3.7	0.96

基于分割引导和频域增强的轻量级谷穗计数网络

Lightweight network based on segmentation guidance and frequency domain enhancement for wheat ear counting

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 46

相关文章 12

编辑推荐

Metrics

骨干网络	MAE	RMSE	rMAE/%	rRMSE/%	R²	参数量/10⁶
EfficientNet^［42］	5.8	11.0	27.9	53.0	0.85	0.09
MobileNet^［43］	5.9	10.0	37.8	73.9	0.86	0.12
ShuffleNet^［44］	5.4	9.6	38.2	94.7	0.86	0.27
GhostNet^［45］	6.1	11.4	27.1	44.5	0.83	0.05
Transformer^［46］	11.1	17.6	58.1	106.8	0.61	0.28
GDMM	5.1	8.0	34.7	76.0	0.89	0.15

［L1，L2，L3，L4］	计算复杂度/GFLOPs	参数量/10⁶	MAE	RMSE	rMAE/%	rRMSE/%	R²
［2，2，9，2］	1.90	720.00	4.8	7.4	32.1	92.2	0.92
［2，2，2，2］	1.40	0.60	4.7	8.0	21.3	34.5	0.91
［1，1，2，1］	1.18	0.52	4.4	7.7	19.1	28.9	0.92

扫描策略	扫描路径数	MAE	RMSE	rMAE/%	rRMSE/%	R²
GDSS w/4 Di	4	4.9	9.0	25.2	44.7	0.89
GDSS w/4 Zi	4	4.8	8.4	29.0	57.6	0.90
GDSS w/4 Hi	4	4.5	8.1	20.6	33.8	0.91
GDSS w/4 Zo	4	4.6	7.5	28.0	59.7	0.92
GDSS w/8 Di	8	4.4	7.7	19.1	28.9	0.92
GDSS w/8 Zi	8	4.5	8.3	19.6	32.0	0.91
GDSS w/8 Hi	8	4.4	7.7	32.8	71.3	0.91
GDSS w/8 Zo	8	4.6	7.4	32.7	73.2	0.92

GDMM	CAFM	SEG	FSE	MAE	RMSE	rMAE/%	rRMSE/%	R²
				5.3	8.8	31.4	61.7	0.89
✓				5.1	8.0	34.7	76.0	0.89
✓	✓			4.9	8.1	28.8	54.9	0.90
✓	✓	✓		4.6	8.3	23.4	43.3	0.91
✓	✓	✓	✓	4.4	7.7	19.1	28.9	0.92

[1]	王柳, 陈学斌, 高远, 马凯光, 赵桐. 基于FFT去噪与反向路径协同增强的双通道推荐算法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2130-2138.
[2]	尹春勇, 张不凡. 基于多尺度的多变量时间序列异常检测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 790-797.
[3]	肖海林, 杨昱东, 杨紫伊, 刘海龙, 王玉, 张中山, 戴晓明. R2²FFT算法的FPGA硬件结构优化设计与实现[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2637-2645.
[4]	魏超, 叶威, 盛光健, 张蕾. 基于梯度增强和文本引导的光照自适应图像融合算法[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 3970-3977.
[5]	李卓然, 李华, 王桐, 蒋朝哲. 基于融合特征状态空间模型的轻量化人体姿态估计[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3179-3186.
[6]	夏雨禾, 王晓东, 何启学. 基于频域增强图变分学习的时间序列异常检测[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3214-3220.
[7]	吴庆贺, 吴海锋, 沈勇, 曾玉. 工业噪声环境下多麦状态空间模型语音增强算法[J]. 计算机应用, 2020, 40(5): 1476-1482.
[8]	王爱珍, 胡姣, 韩航程. 基于级联随机共振的直接序列扩频信号的捕获方法[J]. 计算机应用, 2018, 38(7): 2020-2023.
[9]	方建超, 毛雪松. 非等间隔采样信号傅里叶频谱分析方法[J]. 计算机应用, 2016, 36(2): 492-494.
[10]	樊磊, 齐国清. 基于快速傅里叶变换的正弦信号频率高精度估计算法[J]. 计算机应用, 2015, 35(11): 3280-3283.
[11]	黎山易清明陈庆石敏. 适用于GPS软件接收机的弱信号捕获方法[J]. 计算机应用, 2012, 32(03): 816-818.
[12]	徐妮妮于海艳肖志涛. 频域抽取多维向量基快速傅里叶变换[J]. 计算机应用, 2010, 30(10): 2777-2780.