本申请公开了一种图片解压方法、装置、终端设备以及存储介质，其图片解压方法包括：确定待解压图片的关注区域；将所述关注区域输入预先创建的图片解压模型中进行解压，得到解压后的局部图，所述图片解压模型基于预设的神经网络训练得到。本申请解决了图片整体解压的效率低的问题，提升图片解压效率。提升图片解压效率。提升图片解压效率。
【技术实现步骤摘要】
图片解压方法、装置、终端设备以及存储介质
[0001]本申请涉及图片处理领域，尤其涉及一种图片解压方法、装置、终端设备以及存储介质。
技术介绍
[0002]现如今是一个数据爆炸的信息时代，基于工作和生活，不断地产生图片数据。
[0003]目前传统的图片压缩算法，主要利用了相邻像素值相近的原理进行图片的压缩、解压，例如SVD算法、PCA算法等。
[0004]针对不同的应用场景，只需要对图片的某一个区域进行查看和处理。但是，从网际网络或其它图像档案数据库中得到的各种格式的图片数据，本身具有一定的冗余性，且传统的图片压缩算法是整体压缩的，在解压时需要完整还原整个图片，消耗大量的内存计算。如此，使用传统的图片压缩算法解压图片需要进行大量的计算，导致图片解压的效率低。
技术实现思路
[0005]本申请的主要目的在于提供一种图片解压方法、装置、终端设备以及存储介质，旨在解决图片整体解压的效率低的问题，提升图片解压效率。
[0006]为实现上述目的，本申请提供一种图片解压方法，所述图片解压方法包括：确定待解压图片的关注区域；将所述关注区域输入预先创建的图片解压模型中进行解压，得到解压后的局部图，所述图片解压模型基于预设的神经网络训练得到。
[0007]可选地，所述将所述关注区域输入预先创建的图片解压模型中进行解压，得到解压后的局部图的步骤包括：创建所述图片解压模型，具体包括：针对预设的数据转换规则，获取图片训练集；创建所述神经网络；基于所述神经网络，构建得到初始图片解压模型；将所述图片训练集输入所述初始图片解压模型中进行处理，得到训练结果，结合所述训练结果及预设的损失函数训练所述初始图片解压模型，得到创建后的图片解压模型。
[0008]可选地，所述神经网络包括隐藏层，所述基于所述神经网络，构建得到初始图片解压模型的步骤包括：根据预设的图片压缩值，计算所述隐藏层的参数；基于所述参数，初始化所神经网络的权重，构建得到所述初始图片解压模型。
[0009]可选地，所述将所述图片训练集输入所述初始图片解压模型中进行处理，得到训练结果，结合所述训练结果及预设的损失函数训练所述初始图片解压模型，得到创建后的图片解压模型的步骤包括：
针对所述图片训练集中的每一训练数据进行前馈传播，得到模拟值；将所述模拟值与所述训练数据所对应的真实值进行对比，计算得到损失函数；针对所述损失函数，得到对应的梯度向量；将所述梯度向量的负方向回传到所述初始图片解压模型，对所述权重进行更新；并返回执行步骤：针对所述图片训练集中的每一训练数据进行前馈传播，得到模拟值；以此循环，进行参数迭代，直到所述初始图片解压模型收敛，终止训练，得到所述图片解压模型。
[0010]可选地，所述图片解压方法还包括以下步骤：获取待压缩图片；将所述待压缩图片输入所述图片解压模型中进行压缩，得到压缩后的图片并存储。
[0011]可选地，所述确定待解压图片的关注区域的步骤包括：将所述待解压图片进行堆叠，得到垂直方向、长方向、宽方向；基于所述垂直方向、长方向、宽方向，确定所述关注区域，所述关注区域包括垂直方向闭区间、长方向闭区间、宽方向闭区间。
[0012]可选地，所述将所述关注区域输入预先创建的图片解压模型中进行解压，得到解压后的局部图的步骤包括：针对所述垂直方向闭区间、长方向闭区间、宽方向闭区间，分别进行前馈传播，得到所述解压后的局部图。
[0013]本申请实施例还提出一种图片解压装置，所述图片解压装置包括：区域确定模块，用于确定待解压图片的关注区域；图片解压模块，用于将所述关注区域输入预先创建的图片解压模型中进行解压，得到解压后的局部图，所述图片解压模型基于预设的神经网络训练得到。
[0014]本申请实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图片解压程序，所述图片解压程序被所述处理器执行时实现如上所述的图片解压方法的步骤。
[0015]本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有图片解压程序，所述图片解压程序被处理器执行时实现如上所述的图片解压方法的步骤。
[0016]本申请实施例提出的图片解压方法、装置、终端设备以及存储介质，通过确定待解压图片的关注区域；将所述关注区域输入预先创建的图片解压模型中进行解压，得到解压后的局部图，所述图片解压模型基于预设的神经网络训练得到。通过训练后的图片解压网络模型对图片进行解压，可以解决图片整体解压的效率低的问题，提升图片解压效率。基于本申请方案，从图片整体解压需要消耗大量的内存计算的问题出发，构建了一个基于数据转换规则的训练集，并在该数据集上验证了本申请提出的图片解压方法的有效性，最后经过本申请方法针对图片的局部区域所解压的效率得到了明显改善。
附图说明
[0017]图1为本申请图片解压装置所属终端设备的功能模块示意图；
图2为本申请图片解压方法第一示例性实施例的流程示意图；图3为本申请图片解压方法的数据转换示意图；图4为本申请图片解压方法第二示例性实施例的流程示意图；图5为本申请图片解压方法第三示例性实施例的流程示意图；图6为本申请图片解压方法第四示例性实施例的流程示意图；图7为本申请图片解压方法第五示例性实施例的流程示意图；图8为本申请图片解压方法第六示例性实施例的流程示意图。
[0018]本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0019]应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0020]本申请实施例的主要解决方案是：通过确定待解压图片的关注区域；将所述关注区域输入预先创建的图片解压模型中进行解压，得到解压后的局部图，所述图片解压模型基于预设的神经网络训练得到。通过训练后的图片解压网络模型对图片进行解压，可以解决图片整体解压的效率低的问题，提升图片解压效率。基于本申请方案，从图片整体解压需要进行大量计算的规律出发，构建了一个基于数据转换规则的训练集，并在该数据集上验证了本申请提出的图片解压方法的有效性，最后经过本申请方法解压照片的效率得到明显改善。
[0021]本申请实施例考虑到，针对不同的应用场景，只需要对图片的某一个区域进行查看和处理。但是，由于传统的图片压缩算法是整体压缩的，在解压时需要完整还原整个图片，且从网际网络或其它图像档案数据库中得到的各种格式的图片数据，本身有一定的冗余性，导致占据了大量的存储空间。如此，使用传统的图片压缩算法进行解压，就会占用大量的存储空间，存在明显的弊端。
[0022]因此，本申请实施例方案，从图片整体解压占用大量的存储空间的问题出发，结合神经网络的在图像数据方面的映射能力以及存储能力，设计一种适用于海量图片检查的图片的解压方案，解决图片整体解压占用过多存储空间的问题，节省存储空间。
[0023]具体地，参照图1，图1为本申请图片解压装置所属终端设备的功能模块示意图。该图片解压装置本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图片解压方法，其特征在于，所述图片解压方法包括以下步骤：确定待解压图片的关注区域；将所述关注区域输入预先创建的图片解压模型中进行解压，得到解压后的局部图，所述图片解压模型基于预设的神经网络训练得到。2.如权利要求1所述的图片解压方法，其特征在于，所述将所述关注区域输入预先创建的图片解压模型中进行解压，得到解压后的局部图的步骤包括：创建所述图片解压模型，具体包括：针对预设的数据转换规则，获取图片训练集；创建所述神经网络；基于所述神经网络，构建得到初始图片解压模型；将所述图片训练集输入所述初始图片解压模型中进行处理，得到训练结果，结合所述训练结果及预设的损失函数训练所述初始图片解压模型，得到创建后的图片解压模型。3.如权利要求2所述的图片解压方法，其特征在于，所述神经网络包括隐藏层，所述基于所述神经网络，构建得到初始图片解压模型的步骤包括：根据预设的图片压缩值，计算所述隐藏层的参数；基于所述参数，初始化所神经网络的权重，构建得到所述初始图片解压模型。4.如权利要求3所述的图片解压方法，其特征在于，所述将所述图片训练集输入所述初始图片解压模型中进行处理，得到训练结果，结合所述训练结果及预设的损失函数训练所述初始图片解压模型，得到创建后的图片解压模型的步骤包括：针对所述图片训练集中的每一训练数据进行前馈传播，得到模拟值；将所述模拟值与所述训练数据所对应的真实值进行对比，计算得到损失函数；针对所述损失函数，得到对应的梯度向量；将所述梯度向量的负方向回传到所述初始图片解压模型，对所述权重进行更新；并返回执行步骤：针对所述图片训练集中的每一训练数据进行前馈传播，得到模拟值；以此循环，进行参数迭...
【专利技术属性】
技术研发人员：陈涛涛，
申请(专利权)人：深圳市明源云科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。