[發明專利]基于生成式對抗網絡的復雜環境下輸電網圖片的壓縮方法

有效

• 申請號: 202010102775.5
• 申請日: 2020-02-19
• 公開（公告）號: CN111340901B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 姚一楊;聶禮強;戰新剛;鄭曉云;宋雪萌;劉波
• 申請（專利權）人: 國網浙江省電力有限公司;山東大學;智洋創新科技股份有限公司;國網浙江省電力有限公司衢州供電公司
• 主分類號: G06T9/00
• 分類號: G06T9/00;G06N3/0464;G06N3/0475;G06N3/094
• 代理公司: 濟南竹森知識產權代理事務所(普通合伙) 37270
• 代理人: 呂利敏;孫憲維

1.一種基于生成式對抗網絡的復雜環境下輸電網圖片的壓縮方法，其特征在于，包括：

S1：獲取輸電網環境下的圖片，對圖片進行圖像增強；

S2：將輸入的圖片大小設置為512*1024，用DenseNet作為特征提取的網絡，加強特征的重用；網絡中使用多個DenseBlock和Transition_Layer提取圖片的特征；

S3：將得到的特征編碼通過生成網絡生成圖片；

S4：將原圖片和S3恢復的圖片輸入到判別網絡；

S5：將步驟S4得到的模型保存：對于輸入的輸電網圖片通過模型得到特征編碼，然后對特征編碼進行傳輸、保存；最后通過模型的生成網絡將特征編碼恢復為圖片；

所述步驟S2中提取特征的詳細步驟為：

S21：將輸入的圖片大小設置為512*1024，輸入到DenseNet網絡中；

S22：設置DenseNet的grouth_rate為12，將S21中輸入的圖片進行3*3卷積，通道數為2*grouth_rate，此時通道數為24；然后通過Instance_norm計算每個batch的均值μ和方差σ²，具體計算公式如下：

其中H代表圖片的高，W代表圖片的寬，x_lm為圖片的l、m維度的數據；

對圖片x進行歸一化操作：

加入縮放變量γ和平移變量β，歸一化后的值為：

y＝γx′+β

在后續的卷積操作中，同樣類似地引入Instance_norm進行歸一化處理；

S23：通過第一個DenseBlock對步驟S22得到的特征圖進行1*1卷積，通道數為48；然后進行3*3卷積，通道數為grouth_rate，重復上述步驟4次，此時通道數為72；

S24：通過第一個Transition_Layer對步驟S23得到的結果進行1*1卷積，通道數為72，并設置縮放因子α為0.9；然后進行Average_Pooling；

S25：重復步驟S23和S244次；

S26：經過DenseBlock對步驟S25得到的特征圖進行1*1卷積，通道數為48；然后進行3*3卷積，通道數為grouth_rate，重復4次，此時總通道數為210；

S27：使用一個1*1的卷積過濾器將得到的特征圖降維至8通道，此時的特征圖大小為原來圖片大小的1/96；

S28：通過量化器將S27得到的特征圖中的float類型通過四舍五入轉換為int類型，得到最終的特征編碼。

2.根據權利要求1所述的一種基于生成式對抗網絡的復雜環境下輸電網圖片的壓縮方法，其特征在于，所述步驟S1中圖像增強的方法具體包括：

S11：當所述圖片昏暗時，則使用Gamma校正，使得圖像的高光部分被擴展而暗調部分被壓縮，對圖片進行提亮，設置Gamma參數為0.3-0.6；

當所述圖片曝光較高時，則使用Gamma校正，圖像的高光部分被壓縮而暗調部分被擴展，將圖片變暗，設置Gamma參數為1.3-1.7；

當所述圖片為正常圖片時，則直接進行S12步驟；

S12：令I1為S11得到的圖片，獲取I1的寬和高；將I1的短邊設置為原來的2倍，長邊保持不變得到I2；將I1的長邊設置為原來的1/2，短邊保持不變得到I3；保存I1、I2、I3。

3.根據權利要求2所述的一種基于生成式對抗網絡的復雜環境下輸電網圖片的壓縮方法，其特征在于，當所述圖片昏暗時，則使用Gamma校正，設置Gamma參數為0.45。

4.根據權利要求2所述的一種基于生成式對抗網絡的復雜環境下輸電網圖片的壓縮方法，其特征在于，當所述圖片曝光較高時，則使用Gamma校正，設置Gamma參數為1.5。