基于人工智能的图像处理方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开一种基于人工智能的图像处理方法、装置、设备及存储介质。该基于人工智能的图像处理方法包括获取图像加载请求，所述图像加载请求包括图像标识；基于所述图像标识和本地图集，获取原始图像数据；对所述原始图像数据进行图像预处理，得到目标图像数据；将深度学习框架中训练好的预测模型文件作为静态变量进行加载；采用所述预测模型文件对所述目标图像数据进行图像预测，获取图像预测结果。本发明专利技术还涉及区块链技术，所述目标图像数据存储于区块链中。该基于人工智能的图像处理方法可有效提高图像预测的效率。

【技术实现步骤摘要】
基于人工智能的图像处理方法、装置、设备及存储介质
本专利技术涉及数据处理
，尤其涉及一种基于人工智能的图像处理方法、装置、设备及存储介质。
技术介绍
随着深度学习框架的日趋成熟，其不仅在CPU、GPU、云端有着广泛的使用，甚至目前也有许多深度学习框架运行在移动终端，例如tensorflowlite框架。Tensorflowlite框架可以在iOS和安卓系统上很好的运行。通过加载训练好的模型，将处理好的输入的数据给到框架，就可以快速的得到预测结果。具体地，tensorflowlite框架运用在计算机设备中的实现流程，大致有三个阶段：首先加载需要进行预测的图片，此过程中如果图片的数量很小，出现的问题相对来说较小。但是图片数量并未明确，可能数量较大(如上百张)，此时如果大量的图片直接加载，很可能会因为内存问题而导致程序出现崩溃等问题。其次，对加载好的图片进行预处理，传统的图片预处理使用CoreGraphics框架进行图片预处理，十分耗费时长。然后，对处理好的图片进行预测，而对于单次模型预测来说，每调用一次模型就会重新加载模型并执行预测程序，针对庞大的预测次数，如此进行反复的模型加载，相当耗时。最后在模型预测的过程中，传统的方式都是采用串行的方式去完成，时间开销大。
技术实现思路
本专利技术实施例提供一种基于人工智能的图像处理方法、装置、设备及存储介质，以解决目前运用在计算机设备中的深度学习框架在单次模型预测时，每调用一次模型就会重新加载模型并执行预测程序，效率低的问题。一种基于人工智能的图像处理方法，包括：获取图像加载请求，所述图像加载请求包括图像标识；基于所述图像标识和本地图集，获取原始图像数据；对所述原始图像数据进行图像预处理，得到目标图像数据；将深度学习框架中训练好的预测模型文件作为静态变量进行加载；采用所述预测模型文件对所述目标图像数据进行图像预测，获取图像预测结果。一种基于人工智能的图像处理装置，包括：图像加载请求获取模块，用于获取图像加载请求，所述图像加载请求包括图像标识；原始图像数据获取模块，用于基于所述图像标识和本地图集，获取原始图像数据；目标图像数据获取模块，用于对所述原始图像数据进行图像预处理，得到目标图像数据；文件加载模块，用于将深度学习框架中训练好的预测模型文件作为静态变量进行加载；图像预测结果获取模块，用于采用所述预测模型文件对所述目标图像数据进行图像预测，获取图像预测结果。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的图像处理方法的步骤。一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的图像处理方法的步骤。上述基于人工智能的图像处理方法、装置、设备及存储介质中，通过获取图像加载请求，以便根据图像加载请求中的图像标识加载图像数据，实现按需加载，避免直接一次性将全部的图像资源加载到内存中，导致程序因加载过多的图片资源发生崩溃的问题。然后，对原始图像数据进行图像预处理，得到目标图像数据，为图像预测提供数据来源。接着，通过将深度学习框架中训练好的预测模型文件预测模型文件作为静态变量进行加载，以实现只加载一次模型文件，大大提高了图像预测的效率。最后，通过调用以静态变量记载的预测模型文件对目标图像数据进行图像预测，获取图像预测结果，无需再次记载预测模型文件，有效提高图像预测的效率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例中基于人工智能的图像处理方法的一应用环境示意图；图2是本专利技术一实施例中基于人工智能的图像处理方法的一流程图；图3是本专利技术一实施例中基于人工智能的图像处理方法的一流程图；图4是图2中步骤S30的一具体流程图；图5是图4中步骤S32的一具体流程图；图6是本专利技术一实施例中基于人工智能的图像处理方法的一流程图；图7是本专利技术一实施例中基于人工智能的图像处理装置的一示意图；图8是本专利技术一实施例中计算机设备的一示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供的基于人工智能的图像处理方法可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。在一实施例中，如图2所示，提供一种基于人工智能的图像处理方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：S10：获取图像加载请求，图像加载请求包括图像标识。具体地，该基于人工智能的图像处理方法可应用于图像预测领域，为图像预测领域提供预测框架，保证预测效率。该图像预测包括但不限于针对图像数据识别文字或图像分类等应用场景，此处不一一列举。其中，图像加载请求是指用于触发服务器加载图像进行预测的请求。用户可自定义选择加载需要进行数据预测的图像。图像标识用于唯一指示所需预测的图像数据。该图像数据可为视频数据对应的多帧图像数据、客户端相册的图像数据或者客户端沙盒内的图像数据，此处不做限定。S20：基于图像标识和本地图集，获取原始图像数据。其中，该本地图集包括相册图集和沙盒图集。相册图集即指客户终端相册内的图像集合。沙盒图集即指客户终端沙盒内存储的图像集合。可以理解地，若所需预测的图像数据为在线图像数据，可先将在线图像数据下载到本地图集中，再执行步骤S20。S30：对原始图像数据进行图像预处理，得到目标图像数据。可以理解地，若应用的计算机设备为安卓系统，则可编译opencv源码，生成安卓SDK包，以根据该安卓SDK包对原始图像数据进行图像预处理。本实施例中，以运行在ios系统中进行说明，具体地，可采用ios系统中的CoreImage框架对原始图像数据进行图像预处理；其中，CoreImage框架是iOS系统中的图像处理框架，该CoreImage框架既可以使用GPU也可以使用CPU的方式进行高效渲染。需要强调的是，为进一步保证上述目标图像数据的私密和安全性，上述目标图像数据还可以存储于一区块链的节点中。S40：将深度学习框架中训练好的预测模型文件作为静态变量进行加载。其中，静态变量即指全局变量，可以实现变量在文件中的本文档来自技高网...

【技术保护点】
1.一种基于人工智能的图像处理方法，其特征在于，包括：/n获取图像加载请求，所述图像加载请求包括图像标识；/n基于所述图像标识和本地图集，获取原始图像数据；/n对所述原始图像数据进行图像预处理，得到目标图像数据；/n将深度学习框架中训练好的预测模型文件作为静态变量进行加载；/n采用所述预测模型文件对所述目标图像数据进行图像预测，获取图像预测结果。/n

【技术特征摘要】
1.一种基于人工智能的图像处理方法，其特征在于，包括：
获取图像加载请求，所述图像加载请求包括图像标识；
基于所述图像标识和本地图集，获取原始图像数据；
对所述原始图像数据进行图像预处理，得到目标图像数据；
将深度学习框架中训练好的预测模型文件作为静态变量进行加载；
采用所述预测模型文件对所述目标图像数据进行图像预测，获取图像预测结果。


2.如权利要求1所述基于人工智能的图像处理方法，其特征在于，所述本地图集包括相册图集；在所述获取图像加载请求之前，还包括：
采用图像数据获取接口读取相机胶卷资源，获取图集句柄，所述图集句柄用于指示相册图集；
遍历所述相册图集，得到所述相册图集对应的位置标识集，所述位置标识集包括所述相册图集中每一待处理图像的位置标识；
所述基于图像标识和本地图集，获取原始图像数据，包括
根据所述图集句柄和所述位置标识读取所述本地图集，获取所述原始图像数据。


3.如权利要求1所述基于人工智能的图像处理方法，其特征在于，所述本地图集包括沙盒图集；
所述基于图像标识和本地图集，获取原始图像数据，包括；
根据所述图像标识读取所述沙盒图集，获取原始图像数据。


4.如权利要求1所述基于人工智能的图像处理方法，其特征在于，所述目标图像数据存储于区块链中，所述对所述原始图像数据进行图像预处理，得到目标图像数据，包括：
采用CoreImage框架中的滤镜类对所述原始图像数据进行处理，得到中间图像数据；
基于所述中间图像数据创建对应的句柄对象；
对所述句柄对象进行像素转换，得到对应的所述目标图像数据。


5.如权利要求4所述基于人工智能的图像处理方法，其特征在于，所述基于所述中间图像数据创建对应的句柄对象，包括：
创建上下文对象；
采用所述上下文对象，对所述中间图像数据进行渲染，得到对应的图像资源；
基于所述上下文对象和所述...

【专利技术属性】
技术研发人员：刘明东，
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