图片压缩方法、装置、介质及电子设备制造方法及图纸

本公开涉及数据处理领域，揭示了一种图片压缩方法、装置、介质及电子设备。该方法包括：获取待压缩的目标图片；确定所述待压缩的目标图片的所属场景；按照所述场景，将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型输出的压缩后的所述目标图片，所述图片压缩模型包括基于卷积神经网络训练得到的特征提取层，所述图片压缩模型基于对应场景的图片训练得到；将所述待压缩的目标图片替换为所述压缩后的所述目标图片。此方法下，实现了对图片的压缩，减少了存储的图片文件的大小，降低了存储成本，另外，由于利用了相应的场景的图片压缩模型来进行图片压缩，可以在基本不损失有效信息的情况下实现对图片的压缩。

【技术实现步骤摘要】
图片压缩方法、装置、介质及电子设备
本公开涉及数据处理
，特别涉及一种图片压缩方法、装置、介质及电子设备。
技术介绍
随着大数据和移动互联网的发展，用到图像的场景越来越多。比如在身份认证场景下，一般需要用户提交身份证照片、资质证明扫描件等图片或类似图片文件。然而，随着图片数据量的增多，存储图片数据耗费了大量的存储资源，导致存储成本较高。
技术实现思路
在数据处理
，为了解决上述技术问题，本公开的目的在于提供一种图片压缩方法、装置、介质及电子设备。根据本公开的一方面，提供了一种图片压缩方法，所述方法包括：获取待压缩的目标图片；确定所述待压缩的目标图片的所属场景；按照所述场景，将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型输出的压缩后的所述目标图片，所述图片压缩模型包括基于卷积神经网络训练得到的特征提取层，所述图片压缩模型基于对应场景的图片训练得到；将所述待压缩的目标图片替换为所述压缩后的所述目标图片。根据本公开的另一方面，提供了一种图片压缩装置，所述装置包括：获取模块，被配置为获取待压缩的目标图片；确定模块，被配置为确定所述待压缩的目标图片的所属场景；压缩模块，被配置为按照所述场景，将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型输出的压缩后的所述目标图片，所述图片压缩模型包括基于卷积神经网络训练得到的特征提取层，所述图片压缩模型基于对应场景的图片训练得到；替换模块，被配置为将所述待压缩的目标图片替换为所述压缩后的所述目标图片。根据本公开的另一方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行如前所述的方法。根据本公开的另一方面，提供了一种电子设备，所述电子设备包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如前所述的方法。本公开的实施例提供的技术方案可以包括以下有益效果：本公开所提供的图片压缩方法包括如下步骤：获取待压缩的目标图片；确定所述待压缩的目标图片的所属场景；按照所述场景，将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型输出的压缩后的所述目标图片，所述图片压缩模型包括基于卷积神经网络训练得到的特征提取层，所述图片压缩模型基于对应场景的图片训练得到；将所述待压缩的目标图片替换为所述压缩后的所述目标图片。此方法下，通过根据待压缩目标图片的所属场景来将目标图片输入至对应场景的图片压缩模型，并在获得图片压缩模型输出的压缩后的目标图片之后，用压缩后的目标图片对待压缩目标图片进行替换，实现了对图片的压缩，可以减少存储的图片文件的大小，从而减少存储资源的消耗并可以降低存储成本，另外，由于利用了相应的场景的图片压缩模型来进行图片压缩，可以在基本不损失有效信息的情况下实现对图片的压缩。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。图1是根据一示例性实施例示出的一种图片压缩方法的系统架构示意图；图2是根据一示例性实施例示出的一种图片压缩方法的流程图；图3是根据图2对应实施例示出的一实施例的步骤250之前步骤的流程图；图4是根据图3对应实施例示出的一实施例的步骤250的细节流程图；图5是根据一示例性实施例示出的一种图片压缩模型的结构示意图；图6是根据一示例性实施例示出的一种图片压缩装置的框图；图7是根据一示例性实施例示出的一种实现上述图片压缩方法的电子设备示例框图；图8是根据一示例性实施例示出的一种实现上述图片压缩方法的计算机可读存储介质。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。本公开首先提供了一种图片压缩方法。这里的图片可以是各种格式的图像数据，包括但不限于bmp，jpg，png，raw，tif等格式，可以是计算机设备生成的图片，也可以是摄影设备拍摄得到的图片，还可以是视频中的一帧，图片压缩是指减少要压缩的图片所占用的存储空间的过程，这个过程可以伴随着图片信息的部分丢失，也可以基本不造成图片信息的丢失，通过对图片进行压缩，可以减少存储所占用的空间。本公开的实施终端可以是任何具有运算、处理以及存储功能的设备，该设备可以与外部设备相连，用于接收或者发送数据，具体可以是便携移动设备，例如智能手机、平板电脑、笔记本电脑、PDA(PersonalDigitalAssistant)等，也可以是固定式设备，例如，计算机设备、现场终端、台式电脑、服务器、工作站等，还可以是多个设备的集合，比如云计算的物理基础设施或者服务器集群。优选地，本公开的实施终端可以为服务器或者云计算的物理基础设施。图1是根据一示例性实施例示出的一种图片压缩方法的系统架构示意图。如图1所示，该系统架构包括服务器110以及用户终端120，服务器110通过通信链路与用户终端120相连，可以接收用户终端120发来的数据并可以向用户终端120发送数据，在本实施例中，服务器110为本公开的实施终端。用户终端120安装有客户端，而服务器110运行有对应的服务端，当用户要通过用户终端120办理服务端提供的某些业务时，需要通过用户终端120向服务器110提交办理这些业务所需的照片，这些照片会通过服务器110与用户终端120之间的通信链路发送至服务器110。由于服务器110所能提供的存储空间是有限的，服务器110在获得照片后，如果需要将这些照片存储，那么为了减少存储空间以便存储更多的照片，就有必要对获得的照片进行压缩，而通过执行本公开提供的图片压缩方法即可实现对这些照片的压缩。值得一提的是，图1仅为本公开的一个实施例。虽然在本实施例中的实施终端为服务器，但在其他实施例中，实施终端可以为如前所述的各种终端或设备；虽然在本实施例中，压缩后的图片存储在服务器本地且服务器获得的图片是服务器之外的用户终端提供的，但在其他实施例或者具体应用中，压缩后的图片可以存储在服务器之外的任何终端或设备上，并且服务器获得的图片可以直接来自服务器本地，本公开对此不作任何限定，本公开的保护范围也不应因此而受到任何限制。图2是根据一示例本文档来自技高网...

【技术保护点】
1.一种图片压缩方法，其特征在于，所述方法包括：/n获取待压缩的目标图片；/n确定所述待压缩的目标图片的所属场景；/n按照所述场景，将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型输出的压缩后的所述目标图片，所述图片压缩模型包括基于卷积神经网络训练得到的特征提取层，所述图片压缩模型基于对应场景的图片训练得到；/n将所述待压缩的目标图片替换为所述压缩后的所述目标图片。/n

【技术特征摘要】
1.一种图片压缩方法，其特征在于，所述方法包括：
获取待压缩的目标图片；
确定所述待压缩的目标图片的所属场景；
按照所述场景，将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型输出的压缩后的所述目标图片，所述图片压缩模型包括基于卷积神经网络训练得到的特征提取层，所述图片压缩模型基于对应场景的图片训练得到；
将所述待压缩的目标图片替换为所述压缩后的所述目标图片。


2.根据权利要求1所述的方法，其特征在于，在按照所述场景，将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型输出的压缩后的所述目标图片之前，所述方法还包括：
获取至少一个训练样本集，每一所述训练样本集包括多个样本图片，每一所述训练样本集包括的样本图片与一个场景对应；
针对每一训练样本集，利用该训练样本集中的样本图片，基于卷积神经网络训练得到对应场景的图片压缩模型的特征提取层。


3.根据权利要求2所述的方法，其特征在于，所述图片压缩模型还包括位于特征提取层之前的预处理层，所述按照所述场景，将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型输出的压缩后的所述目标图片，包括：
将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以使所述场景的图片压缩模型的预处理层去除所述目标图片的背景、对去除背景后的所述目标图片进行灰度处理和二值化处理并将处理后的所述待压缩的目标图片发送至所述特征提取层，由所述特征提取层对处理后的所述待压缩的目标图片进行特征提取后，输出压缩后的所述目标图片。


4.根据权利要求2或3所述的方法，其特征在于，所述图片压缩模型还包括与所述特征提取层级联的相似度判断模块，所述按照所述场景，将所述待压缩的目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型输出的压缩后的所述目标图片，包括：
按照所述场景，将所述目标图片输入至与所述场景对应的图片压缩模型，以得到所述图片压缩模型的特征提取层输出的压缩后的所述目标图片和所述图片压缩模型的相似度判断模块输出的所述待压缩的目标图片和所述压缩后的所述目标图片的相似度；
所述将所述待压缩的目标图片替换为所述压缩后的所述目标图片，包括：
根据所述相似度，将所述待压缩的目标图片替换为所述压缩后的所述目标图片。


5.根据权利要求4所述的方法，其特征在于，所述待压缩的目标图片为多个，所述根据所述相似度，将所述待压缩的目标图片替换为所述压缩后的所述目标图片，包括：
从所有所述待压缩的目标图片中任取预定数目个待压缩的目标图片；...

【专利技术属性】
技术研发人员：王佳，
申请(专利权)人：深圳壹账通智能科技有限公司，
类型：发明
国别省市：广东;44