[发明专利]一种基于生成对抗网络的裂缝图像压缩采样方法

权利要求书

1.一种基于生成对抗网络的裂缝图像压缩采样方法，其特征在于：具体包括以下步骤：

步骤一、建立包含多样化的裂缝图像大数据集，用于训练生成对抗网络；

步骤二、建立生成对抗网络中生成器G_θ以及判别器D_θ的网络架构，选择初始的网络训练超参数，其中生成器G_θ输入从标准正态分布随机采样的低维向量z，训练生成对抗网络，通过网络调优，获得能生成逼真且多样化的裂缝图像的生成器G_θ，此后固定其网络参数θ不再改变；

步骤三、基于标准正态分布随机采样建立压缩采样的压缩观测矩阵A，通过压缩采样传感器将原始图像矩阵排列为向量数据s并进行压缩，获得压缩采样数据y＝As；其中压缩观测矩阵A的行数M小于列数N，即y的长度M小于原始图像向量数据s的长度N，实现数据压缩的效果；

步骤四、裂缝图像的解压缩重构通过迭代优化低维向量z实现：首次迭代时，i＝1，对于从标准正态分布中随机采样的初始低维向量z_i，通过生成器生成初始的重构裂缝图像G_θ(z_i)，根据压缩采样数据y、压缩采样的压缩观测矩阵A和初始的重构裂缝图像G_θ(z_i)，基于优化低维向量z的损失函数通过反向传播算法计算损失函数引起的z_i的梯度进而利用梯度下降方法对z_i进行优化得到z_i+1；对于后续的迭代次数i，i＞1，重复首次迭代的处理过程直至损失函数收敛，得到最优的低维向量将代入生成器G_θ获得最优的解压缩重构裂缝图像

2.根据权利要求1所述的方法，其特征在于：所述步骤二具体为：

步骤2.1、对于裂缝图像生成任务，选择能有效提取图像特征的卷积神经网络来构建生成器G_θ以及判别器D_θ的网络架构；其中，生成器G_θ输入从标准正态分布中随机采样的低维向量z，所述低维向量z经由生成器网络投影为生成图像G_θ(z)；判别器D_θ输入真实数据集中的图像x或生成器生成的图像G_θ(z)，输入图像经由判别器网络输出一个概率值，代表输入图像来自于真实数据集的概率；

步骤2.2、使用对抗训练的方式训练生成对抗网络，其中，判别器网络以判断输入图像是否来自于真实数据集为目标，生成器网络以尽可能生成逼真的图像混淆判别器的判断为目标，基于生成对抗网络的训练误差函数为：

其中，表示遍历裂缝图像大数据集的分布p_data(x)中的真实数据样本x，求得logD_θ(x)的数学期望，该数学期望的数值越大表明判别器对于真实裂缝数据的判别越准确；表示遍历低维向量的分布p_z(z)中的样本z，求得log(1-D_θ(G_θ(z)))的数学期望，该数学期望的数值越小表明生成器的生成数据越逼真；

交替更新两部分网络的参数，通过动态的博弈过程进而不断提升网络对于真实数据集特征的学习程度；

步骤2.3、通过计算生成图像质量及多样性的指标，评估生成器G_θ对真实数据集中裂缝特征的学习程度，进而对生成对抗网络的网络架构及训练超参数进行调优，获得有效表征了裂缝图像特征的生成器G_θ。

3.根据权利要求2所述的方法，其特征在于：由于优化结果对于其初始值敏感，所以在步骤四中需要完成以下操作：

步骤4.1、选择k组随机初始的低维向量z_ip，i＝1，p＝1，...，k，使用同一梯度下降方法分别进行最优化，获得及相应的损失函数收敛值

步骤4.2、选择其中损失函数收敛值最小的一组对应的优化结果作为最优低维向量进而获得最优的解压缩重构裂缝图像

4.根据权利要求3所述的方法，其特征在于：所述压缩采样的解压缩重构约束为裂缝图像生成器G_θ，压缩观测矩阵A的维数为M×N，原始图像向量数据s的长度为N，低维向量z的维数为n，且n＜＜N。