基于生成式对抗网络的自然图像压缩方法技术

本发明专利技术公开了一种基于生成式对抗网络的自然图像压缩方法，克服了现有自然图像压缩方法在高倍数压缩下复原质量低以及生成式压缩的数据依赖性问题，实现的具体步骤为：(1)构建图像压缩生成式网络；(2)训练图像解码子网络；(3)训练图像编码子网络；(4)对自然图像进行预处理；(5)获取压缩数据；(6)获取复原图像。本发明专利技术利用卷积神经网络对原始图像数据进行压缩，再用生成式对抗网络中的生成模块将压缩数据生成图像，同时用生成式对抗网络的判别模块对生成模块进行约束，从而实现高质量的图像复原。

Natural Image Compression Method Based on Generative Countermeasure Network

【技术实现步骤摘要】
基于生成式对抗网络的自然图像压缩方法
本专利技术属于图像处理
，更进一步涉及图像压缩
中的一种基于生成式对抗网络的自然图像压缩方法。本专利技术可以用于在有限的存储资源下，通过减少自然图像中冗余的数据量，得到压缩后的数据，并利用压缩数据生成和原始图像相似的图像。
技术介绍
图像压缩技术为减少图像数据中的冗余信息，降低存储和传输的压力带来了革命性的突破，它表明一定条件下能从远低于原始图像的数据量中复原出原始图像，从而节省大量资源。基于神经网络的图像压缩方法，根据复原模型是否为生成模型，分为生成式压缩和非生成式压缩。生成式压缩由于其网络的对抗特性，复原图像随着压缩比的升高能够实现优雅降级，使失真更加符合人眼特性，但却存在严重的数据依赖性，只能实现单类别的自然图像复原。非生成式压缩不受训练数据集限制，能够实现多种类别的自然图像压缩，但在高倍压缩比下，复原图像失真严重。ShibaniSanturkar等人在其发表的论文“Genrativecompression”(ComputerVisionandPatternRecognition，2017，Hawaii)中提出了一种用生成式对抗本文档来自技高网...

【技术保护点】
1.一种基于生成式对抗网络的自然图像压缩方法，其特征在于，在图像解码网络的判别模块中设置谱归一化层，将最小化加权总损失值作为目标来更新生成模块和判别模块中的网络参数，将最小化混合型损失值作为目标来更新图像编码子网络的网络参数，该方法的具体步骤如下：(1)构建图像压缩生成式网络：(1a)搭建一个7层的图像编码子网络，其结构依次为：第一卷积层→第二卷积层→第一归一化层→第三卷积层→第二归一化层→第四卷积层→第三归一化层；(1b)搭建一个由生成模块和判别模块组成的图像解码子网络；所述生成模块的结构依次为：第四归一化层→第五卷积层→第五归一化层→第六卷积层→第六归一化层→第七卷积层→第七归一化层→第八...

【技术特征摘要】
1.一种基于生成式对抗网络的自然图像压缩方法，其特征在于，在图像解码网络的判别模块中设置谱归一化层，将最小化加权总损失值作为目标来更新生成模块和判别模块中的网络参数，将最小化混合型损失值作为目标来更新图像编码子网络的网络参数，该方法的具体步骤如下：(1)构建图像压缩生成式网络：(1a)搭建一个7层的图像编码子网络，其结构依次为：第一卷积层→第二卷积层→第一归一化层→第三卷积层→第二归一化层→第四卷积层→第三归一化层；(1b)搭建一个由生成模块和判别模块组成的图像解码子网络；所述生成模块的结构依次为：第四归一化层→第五卷积层→第五归一化层→第六卷积层→第六归一化层→第七卷积层→第七归一化层→第八卷积层；所述判别模块的结构依次为：第九卷积层→第十卷积层→第八归一化层→第十一卷积层→第九归一化层→第十二卷积层→第十归一化层→谱归一化层；将生成模块中的第八卷积层与判别模块中的第九卷积层相连接，得到图像解码子网络；(1c)将图像编码子网络中的第三归一化层与图像解码子网络中的第四归一化层相连接，得到基于生成式对抗网络的自然图像压缩网络；(1d)设置图像编码子网络的各层参数；(1e)设置图像解码子网络的生成模块的各层参数；(1f)设置图像解码子网络的判别模块的各层参数；(2)训练图像解码子网络：(2a)从自然图像数据集中随机选取180000张图像，组成训练集；(2b)将训练集中的每张图像依次输入到图像编码子网络中，输出训练集中每张图像对应的压缩数据序列；将每个压缩数据序列输入到图像解码子网络中的生成模块中，输出与训练集中的每张图像对应的复原图像；将训练集中的每张图像与其对应的复原图像输入到图像解码子网络中的判别模块中，利用加权总损失公式，计算训练集中的每张图像对应的加权总损失值；(2c)利用随机梯度下降算法的网络参数更新方向公式，将最小化加权总损失值作为目标，更新生成模块和判别模块中的网络参数，得到训练好的图像解码子网络；(3)训练图像编码子网络：(3a)将训练集中的每张图像依次输入到VGGNet19模型中，输出训练集中每张图相对应的深层特征图；将训练集中的每张图像对应的复原图像依次输入到VGGNet19模型中，输出每张复原图像对应的深层特征图；(3b)利用混合型损失公式，计算训练集中的每张图像与其对应的复原图像的混合型损失值；(3c)利用随机梯度下降算法的网络参数更新方向公式，将最小化混合型损失值作为目标，更新图像编码子网络的网络参数，得到训练好的图像编码子网络；(4)对自然图像进行预处理：将每张自然图像裁剪成64×64个像素的大小；(5)获取压缩数据：将预处理后的自然图像输入到训练好的图像编码子网络中，由该子网络中的第三归一化层输出压缩数据；(6)获取复原图像：将压缩数据输入到训练好的图像解码子网络中的生成模块中，由该模块的第八卷积层输出复原图像。2.根据权利要求1所述的基于生成式对抗网络的自然图像压缩方法，其特征在于，步骤(1d)中所述设置图像编码子网络的各层参数如下：将第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核的大小均设置为5×5，步长均设置为2，边沿填充方式均设置为SAME；将第一归一化层、第二归一化层、第三归一化层的均值都设置为0，方差均设置为1。3.根据权利要求1所述的基于生成式对抗网络的自然图像压缩方法，其特征在于，步骤(1e)中所述设置图像解码子网络的生成模块的各层参数如下：将第四归一化层、第五归一化层、第六归一化层、第七归一化层的均值都设置为0，方差均设置为1；将第五卷积层、第六卷积层、第七卷积层、第八卷积层的卷积核的大小均设置为5×5，步长均设置为2，边沿填充方式均设置为SAME。4.根据权利要求1所述的基于生成式对抗网络的自然图像压缩方法，其特征在于，步骤(1f)中所述设置图像解码子网络的判别模块的各层参数如下：将第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层的卷...

【专利技术属性】
技术研发人员：王柯俨，刘泉，刘凯，李云松，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61