[发明专利]基于生成式对抗网络的复杂环境下输电网图片的压缩方法

权利要求书

1.一种基于生成式对抗网络的复杂环境下输电网图片的压缩方法，其特征在于，包括：

S1：获取输电网环境下的图片，对图片进行图像增强；

S2：将输入的图片大小设置为512*1024，用DenseNet作为特征提取的网络，加强特征的重用；网络中使用多个DenseBlock和Transition_Layer提取图片的特征；

S3：将得到的特征编码通过生成网络生成图片；

S4：将原图片和S3恢复的图片输入到判别网络；

S5：将步骤S4得到的模型保存：对于输入的输电网图片通过模型得到特征编码，然后对特征编码进行传输、保存；最后通过模型的生成网络将特征编码恢复为图片；

所述步骤S2中提取特征的详细步骤为：

S21：将输入的图片大小设置为512*1024，输入到DenseNet网络中；

S22：设置DenseNet的grouth_rate为12，将S21中输入的图片进行3*3卷积，通道数为2*grouth_rate，此时通道数为24；然后通过Instance_norm计算每个batch的均值μ和方差σ²，具体计算公式如下：

其中H代表图片的高，W代表图片的宽，x_lm为图片的l、m维度的数据；

对图片x进行归一化操作：

加入缩放变量γ和平移变量β，归一化后的值为：

y＝γx′+β

在后续的卷积操作中，同样类似地引入Instance_norm进行归一化处理；

S23：通过第一个DenseBlock对步骤S22得到的特征图进行1*1卷积，通道数为48；然后进行3*3卷积，通道数为grouth_rate，重复上述步骤4次，此时通道数为72；

S24：通过第一个Transition_Layer对步骤S23得到的结果进行1*1卷积，通道数为72，并设置缩放因子α为0.9；然后进行Average_Pooling；

S25：重复步骤S23和S244次；

S26：经过DenseBlock对步骤S25得到的特征图进行1*1卷积，通道数为48；然后进行3*3卷积，通道数为grouth_rate，重复4次，此时总通道数为210；

S27：使用一个1*1的卷积过滤器将得到的特征图降维至8通道，此时的特征图大小为原来图片大小的1/96；

S28：通过量化器将S27得到的特征图中的float类型通过四舍五入转换为int类型，得到最终的特征编码。

2.根据权利要求1所述的一种基于生成式对抗网络的复杂环境下输电网图片的压缩方法，其特征在于，所述步骤S1中图像增强的方法具体包括：

S11：当所述图片昏暗时，则使用Gamma校正，使得图像的高光部分被扩展而暗调部分被压缩，对图片进行提亮，设置Gamma参数为0.3-0.6；

当所述图片曝光较高时，则使用Gamma校正，图像的高光部分被压缩而暗调部分被扩展，将图片变暗，设置Gamma参数为1.3-1.7；

当所述图片为正常图片时，则直接进行S12步骤；

S12：令I1为S11得到的图片，获取I1的宽和高；将I1的短边设置为原来的2倍，长边保持不变得到I2；将I1的长边设置为原来的1/2，短边保持不变得到I3；保存I1、I2、I3。

3.根据权利要求2所述的一种基于生成式对抗网络的复杂环境下输电网图片的压缩方法，其特征在于，当所述图片昏暗时，则使用Gamma校正，设置Gamma参数为0.45。

4.根据权利要求2所述的一种基于生成式对抗网络的复杂环境下输电网图片的压缩方法，其特征在于，当所述图片曝光较高时，则使用Gamma校正，设置Gamma参数为1.5。