[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

说明书

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，把图片输入到通过生成对抗网络训练的模型中，得到图片的特征编码，对特征编码进行传输、保存，然后再将特征编码恢复成图片。本发明在每个卷积后使用了Instance_norm进行归一化处理,对每一层特征图都求均值和方差，使得模型更好的学习输电网中图片的特征；将输电网图片通过训练的模型得到了图片的特征编码，对特征编码进行传输、保存，节省了数据传输的时间、减少了存储成本、降低了传输的带宽成本；通过多个DenseBlock和Transition_Layer使得最后传输的数据仅为原图像大小的1/96。

技术领域

本发明公开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。

背景技术

近年来，随着电力行业的高速发展，输电网规模越来越大，对于输电网中故障检测的要求越来越高。目前输电网中图片的主要获取方式是通过无人机拍摄。在无人机设备发展初期，无人机拍摄的照片分辨率都比较低，所占的内存也较少。随着摄像头分辨率的不断提高，无人机拍摄的照片质量有了大幅度提升。但这些高质量的图片会影响存储成本和图片的传输速度，也会使无人机每次拍摄的图片数量减少，浪费一定的财力、物力，而且各个应用平台也要为传输海量的高质量图片付出巨大的带宽成本。为了能够减少高质量图片带来的巨大存储成本和带宽成本，并且提高图片的传输速度，对图片进行压缩是最有效的途径。目前对图片的压缩技术主要有无损压缩和有损压缩。

无损压缩技术是删除图片中的重复数据，对于相同的颜色信息只保存一次，以减少图片的尺寸。虽然无损压缩技术可以更好的保存图片的质量，但是无损压缩技术的压缩率受图片中数据冗余度的限制，传输效率还是比较低。

有损压缩技术是保持图片中颜色的逐渐变化，删除图片中颜色的突然变化，也就是去除一些不敏感的信息。利用有损压缩技术压缩率比较高，但会影响图片的质量，无法更好的保留图片中的部件特征。

例如，中国专利文献CN107018422B公开一种基于深度卷积神经网络的静止图像压缩方法。主要包括以下步骤：在编码端对原始图像进行下采样并利用JPEG2000标准编解码；利用深度卷积神经网络对解码图像进行抑制压缩效应；采用超分辨率方法对抑制压缩效应图像进行重建；将原始图像与解码的高分辨率图像相减得到残差图像并针对性编码；将编码的低分辨率图像、残差图像与辅助信息形成比特流并传输；解码端解码得到解码的低分辨率图像、残差图像与辅助信息；对解码的低分辨率图像进行处理得到解码的高分辨率图像，并与解码的残差图像相叠加便得到最终解码的高分辨率图像。相比之下本发明所述的静止图像压缩方法具有比JPEG2000标准更好的率失真性能。该专利文献的技术对原始图像进行下采样，会缺少部分像素值的信息，再进行后续的操作时有可能会导致输电网图像中部件特征的丢失。

中国专利文献CN109903351A公开一种基于卷积神经网络和传统编码相结合的图像压缩方法，包括：利用卷积神经网络decCNN减少图像的高频信息分量；利用传统编码模块对图像进行压缩，得到用于存储以及传输的图像编码；将得到的编码数据进行解码，得到重构图像；利用卷积神经网络enhCNN对解码后的图像进行增强，提升重构效果。目前，输电网中图片的大小在20M左右。根据该专利文献所述方法将图片设置为481X321进行训练，这样图片的缩放比例过大，缩放的图片已经有一定的失真。输电网图片中环境复杂、部件大小不一、部件的特征信息比较敏感，将一个大图划分为若干个小图有可能会导致部件的不完整，就无法保证部件的整体特征性。

中国专利文献CN110348487A公开了一种基于深度学习的高光谱图像压缩方法，首先，选取训练图像，将训练图像的尺寸大小随机裁剪为32×32大小作为训练集，然后将训练集输入到搭建好的压缩网络模型中进行训练，得到包含编码网络、量化网络和解码网络的压缩模型。通过将待压缩的图像输入到编码网络中，根据编码网络的计算结果得到编码后的特征图，然后将得到的特征图输入到量化网络中进行量化计算，得到码流，最后将量化后的结果输入到解码网络，通过解码网络模型的计算得到重建后的图像。该专利文献中的损失函数只考虑了原图像和恢复图像的像素点差值。该文献所述技术将图像经编码网络得到只有原图像1/8大小的特征图。