一种压缩图片存储空间的方法和装置制造方法及图纸

本发明专利技术公开了一种压缩图片存储空间的方法和装置，其中该方法包括步骤：基于训练后的轻量化神经网络模型，对移动端中需要存储的资源图像进行压缩，得到与所述资源图像相关联的特征数据；提取训练后的轻量化神经网络模型中用于还原资源图像的生成模型；将所述特征数据和所述生成模型存储到移动端中

【技术实现步骤摘要】
一种压缩图片存储空间的方法和装置


[0001]本专利技术涉及计算机
，尤其涉及一种压缩图片存储空间的方法和装置
。

技术介绍

[0002]Android
系统目前大部分第三方应用都会将应用中的图片资源存储在应用的
APK
文件中，随着应用种类和功能的丰富，
APK
中往往会需要更多的图片资源存储在本地，这些图片资源在未进行压缩优化或使用传统无损压缩方式进行存储时，会占据更多的存储空间，用户在进行应用下载时会耗费更多流量，在进行应用选择时，占用更多存储空间的
APK
也会降低用户的选择率
。
在后期随着应用的更新和拓展，应用程序的体积会随着资源的丰富越来越臃肿，如何对
Android
应用程序中的图片存储优化是一个值得探究的重要问题
。
[0003]相关技术中，对于
APK
中存储图像的处理都是基于图像本身，传统的通用图片处理方式有
JPEG
压缩和
PNG
压缩等，但不足的是这两种算法会根据不同的压缩比，质量有不同程度的损失
。
目前业界内大部分压缩算法压缩比不高，通常在
10
％
‑
80
％之间，并且在达到较高效的压缩比之后，图片质量会下降太多，造成图片难以识别和使用的问题
。
[0004]因此，如何减少图片资源占用
APK
大量的存储空间，是目前亟需解决的技术问题
。

技术实现思路

[0005]本专利技术主要目的在于提供一种压缩图片存储空间的方法和装置，在提高压缩比的同时，保证图片质量稳定，同时优化存储图片资源的存储方式不仅会占用更少的存储空间，并且在下载时消耗更少的流量
。
第一方面，本申请提供了一种压缩图片存储空间的方法，其中该方法包括步骤：
[0006]基于训练后的轻量化神经网络模型，对移动端中需要存储的资源图像进行压缩，得到与所述资源图像相关联的特征数据；
[0007]提取训练后的轻量化神经网络模型中用于还原资源图像的生成模型；
[0008]将所述特征数据和所述生成模型存储到移动端中
。
[0009]结合上述第一方面，作为一种可选的实现方式，当所述移动端使用图像时，利用训练后的轻量化神经网络模型中用于还原图像的解码器对存储在所述移动端中的所述特征数据进行解码，还原为所述移动端使用的图像
。
[0010]结合上述第一方面，作为一种可选的实现方式，基于编码的方式对所述特征数据进一步压缩，生成最佳压缩比的第二特征数据：
[0011]所述方式为熵编码
。
[0012]结合上述第一方面，作为一种可选的实现方式，将所述第二特征数据存储于移动端中，当使用所述第二特征数据时，根据熵编码对所述第二特征数据进行熵解码，得到所述特征数据
。
[0013]结合上述第一方面，作为一种可选的实现方式，利用深度可分离卷积构建轻量化神经网络模型；
[0014]根据
GPU
服务器对构建的轻量化神经网络模型进行迭代训练和参数调整，以优化所述轻量化神经网络模型
。
[0015]结合上述第一方面，作为一种可选的实现方式，将所述轻量化神经网络模型中的编码器作为第一生成器，并设计对应的第一判别器，以构成生成对抗网络
GAN1
；
[0016]利用所述对抗网络
GAN1
对所述轻量化神经网络模型中的编码器进行优化
。
[0017]结合上述第一方面，作为一种可选的实现方式，将所述轻量化神经网络模型中的解码器作为第二生成器，并设计对应的第二判别器，以构成生成对抗网络
GAN2
；
[0018]利用所述对抗网络
GAN2
迭代训练对所述轻量化神经网络模型中的解码器进行优化
。
[0019]结合上述第一方面，作为一种可选的实现方式，将预处理的数据输入给编码器，得到低维编码；
[0020]将所述低维编码传递给解码器，重构输入数据；
[0021]计算重构损失，并通过反向传播优化网络参数，使重构误差最小化
。
[0022]结合上述第一方面，作为一种可选的实现方式，根据公式
:
计算最小化重构误差，其中
m
为每组训练的数据数目，
i
为该组数据每一项下标，
y
i
为真实数据的图片向量，
x
i
为经过编码器的特征向量，
f(x
i
)
为经过解码器的图片向量
。
[0023]第二方面，本申请提供了一种压缩图片存储空间的装置，其中该装置包括：
[0024]压缩模块，其用于基于训练后的轻量化神经网络模型，对移动端中需要存储的资源图像进行压缩，得到与所述资源图像相关联的特征数据；
[0025]提取模块，其用于提取训练后的轻量化神经网络模型中用于还原资源图像的生成模型；
[0026]存储模块，其用于将所述特征数据和所述生成模型存储到移动端中
。
[0027]本申请提供的一种压缩图片存储空间的方法和装置，其中该方法包括步骤：基于训练后的轻量化神经网络模型，对移动端中需要存储的资源图像进行压缩，得到与所述资源图像相关联的特征数据；提取训练后的轻量化神经网络模型中用于还原资源图像的生成模型；将所述特征数据和所述生成模型存储到移动端中
。
本申请在提高压缩比的同时，保证图片质量稳定，同时优化存储图片资源的存储方式不仅会占用更少的存储空间，并且在下载时消耗更少的流量
。
[0028]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
[0029]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，并于说明书一起用于解释本专利技术的原理
。
[0030]图1为本申请实施例中提供的一种压缩图片存储空间的方法流程图；
[0031]图2为本申请实施例中提供的一种压缩图片存储空间的装置示意图；
[0032]图3为本申请实施例中提供的轻量级神经网络模型框架示意图；
[0033]图4为本申请实施例中提供的轻量级神经网络模型训练迭代流程图；
[0034]图5为本申请实施例中提供的轻量级神经网络模型的部署流程图；
[0035]图6为本申请实施例中提供的压缩图片存储空间使用流程图
。
具体实施方式
[0036]这里将详细地对示例性实施例执行说明，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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种压缩图片存储空间的方法，其特征在于，包括：基于训练后的轻量化神经网络模型，对移动端中需要存储的资源图像进行压缩，得到与所述资源图像相关联的特征数据；提取训练后的轻量化神经网络模型中用于还原资源图像的生成模型；将所述特征数据和所述生成模型存储到移动端中
。2.
根据权利要求1所述的方法，其特征在于，所述将所述特征数据和所述生成模型存储到移动端中之后，包括：当所述移动端使用图像时，利用训练后的轻量化神经网络模型中用于还原图像的解码器对存储在所述移动端中的所述特征数据进行解码，还原为所述移动端使用的图像
。3.
根据权利要求1所述的方法，其特征在于，所述对移动端中需要存储的资源图像进行压缩，得到与所述资源图像相关联的特征数据之后，包括：基于编码的方式对所述特征数据进一步压缩，生成最佳压缩比的第二特征数据：所述方式为熵编码
。4.
根据权利要求3所述的方法，其特征在于，包括：将所述第二特征数据存储于移动端中，当使用所述第二特征数据时，根据熵编码对所述第二特征数据进行熵解码，得到所述特征数据
。5.
根据权利要求1所述的方法，其特征在于，所述基于训练后的轻量化神经网络模型，包括：利用深度可分离卷积构建轻量化神经网络模型；根据
GPU
服务器对构建的轻量化神经网络模型进行迭代训练和参数调整，以优化所述轻量化神经网络模型
。6.
根据权利要求5所述的方法，其特征在于，还包括：将所述轻量化神经网络模型中的编码器作为第一生成器，并设计对应的第一判别器，以构成生成对抗网络
GAN1
；利用所述对抗网络
...

【专利技术属性】
技术研发人员：殷雨珂，夏冉，代强，胡巍，
申请(专利权)人：烽火通信科技股份有限公司，
类型：发明
国别省市：