图像压缩方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及图像处理技术领域，尤其涉及图像压缩方法和装置。

背景技术：

图像压缩是指以较少的字节数表示原来的图像像素矩阵的技术。通常在存储图像时为了节省存储空间需要对图像进行压缩，在实际使用或展示图片时通过解压缩还原图像。

在监控场景中，需要抓拍并保存大量的包含人脸特征信息的图像。在对这些图像进行压缩存储时，为了保证图像能够提供足够的信息用于身份识别和目标跟踪，需要占用较大的存储空间，对磁盘具有较高的要求。

技术实现要素：

本申请实施例提出了图像压缩方法和装置。

第一方面，本申请实施例提供了一种图像压缩方法，包括：获取待处理图像；利用已训练的图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，得到多幅特征图；其中，多幅特征图经由已训练的图像重构模型对应的反卷积神经网络进行重构得到重构图像，待处理图像的重构图像与待处理图像之间的差异满足预设条件。

在一些实施例中，上述图像压缩模型和图像重构模型按照如下方式训练得出：获取样本图像，并执行比对步骤；比对步骤包括：将样本图像输入图像压缩模型，输出多幅特征样本图，将多幅特征样本图输入图像重构模型对应的反卷积神经网络进行图像重构，得到样本图像的重构图像，基于样本图像与样本图像的重构图像之间的差异构建损失函数，判断损失函数的值是否满足预设的收敛条件；若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新图像压缩模型对应的卷积神经网络的参数和/或图像重构模型对应的反卷积神经网络的参数，基于更新后的参数执行比对步骤；若比对步骤的判断结果为是，输出图像压缩模型对应的卷积神经网络的参数和图像重构模型对应的反卷积神经网络的参数。

在一些实施例中，上述图像压缩方法还包括：存储图像压缩模型对应的卷积神经网络的参数以及图像重构模型对应的反卷积神经网络的参数。

在一些实施例中，上述图像压缩方法还包括：将多幅特征图作为待处理图像的压缩结果进行存储。

在一些实施例中，上述特征图由至少一个灰度值为浮点数的像素构成；以及上述图像压缩方法还包括：计算待处理图像的各特征图中像素的灰度值的最大值和最小值，并基于最大值和最小值将特征图中的像素的灰度值转换为字符型数据。

在一些实施例中，上述图像压缩方法还包括：将待处理图像的特征图中像素的灰度值对应的字符型数据作为图像压缩结果进行存储，并存储待处理图像的各特征图中像素的灰度值的最大值和最小值。

第二方面，本申请实施例提供了一种图像压缩装置，包括：获取单元，用于获取待处理图像；压缩单元，用于利用已训练的图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，得到多幅特征图；其中，多幅特征图经由已训练的图像重构模型对应的反卷积神经网络进行重构得到重构图像，待处理图像的重构图像与待处理图像之间的差异满足预设条件。

在一些实施例中，上述图像压缩模型和图像重构模型是按照如下方式训练得出的：获取样本图像，并执行比对步骤；比对步骤包括：将样本图像输入图像压缩模型，输出多幅特征样本图，将多幅特征样本图输入图像重构模型对应的反卷积神经网络进行图像重构，得到样本图像的重构图像，基于样本图像与样本图像的重构图像之间的差异构建损失函数，判断损失函数的值是否满足预设的收敛条件；若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新图像压缩模型对应的卷积神经网络的参数和/或图像重构模型对应的反卷积神经网络的参数，基于更新后的参数执行比对步骤；若比对步骤的判断结果为是，输出图像压缩模型对应的卷积神经网络的参数和图像重构模型对应的反卷积神经网络的参数。

在一些实施例中，上述图像压缩装置还包括：第一存储单元，用于存储图像压缩模型对应的卷积神经网络的参数以及图像重构模型对应的反卷积神经网络的参数。

在一些实施例中，上述图像压缩装置还包括：第二存储单元，用于将多幅特征图作为待处理图像的压缩结果进行存储。

在一些实施例中，上述特征图由至少一个灰度值为浮点数的像素构成；以及上述图像压缩装置还包括转换单元，用于：计算待处理图像的各特征图中像素的灰度值的最大值和最小值，并基于最大值和最小值将特征图中的像素的灰度值转换为字符型数据。

在一些实施例中，上述图像压缩装置还包括：第三存储单元，用于将待处理图像的特征图中像素的灰度值对应的字符型数据作为图像压缩结果进行存储，并存储待处理图像的各特征图中像素的灰度值的最大值和最小值。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的图像压缩方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的图像压缩方法。

本申请上述实施例的图像压缩方法和装置，通过获取待处理图像，利用已训练的图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，得到多幅特征图，其中多幅特征图经由预设的图像重构模型对应的反卷积神经网络进行重构得到重构图像，待处理图像的重构图像与待处理图像之间的差异满足预设条件，实现了图像数据量的大幅压缩，同时可以保证图像的还原质量。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的图像压缩方法的一个实施例的流程图；

图3是根据本申请的图像压缩方法的一个原理示意图；

图4是图像压缩模型和图像重构模型的训练方法的一个实施例的流程图；

图5是根据本申请的图像压缩方法的另一个实施例的流程图；

图6根据本申请实施例的图像压缩装置的一个结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的图像压缩方法或图像压缩装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括图像采集设备101、102，终端设备103，网络104和服务器105。网络104用以在图像采集设备101、102和服务器105之间、以及终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

图像采集设备101、102可以通过网络与服务器105交互，以接收或发送数据。图像采集设备101、102可以是用于采集人脸图像的设备，例如监控场景的摄像头，或者具有摄像功能的手机、平板电脑等移动电子设备。图像采集设备101、102可以具有网络接口，可以接收服务器105发出的图像获取请求，也可以通过网络接口将数据上传至服务器105进行存储或处理。

用户110可以通过终端设备103与服务器105交互，以接收或发送消息。终端设备103可以是具有用户接口的各种电子设备，包括但不限于智能手机、平板电脑、个人电脑等。

服务器105可以是提供各种服务的服务器，例如对图像采集设备101、102上传的图像进行存储、分析等处理的服务器，以及对终端设备103发出的图像获取请求进行响应的服务器。在图像采集设备101、102上传图像之后，服务器105可以对上传的图像进行压缩，将图像编码后存储在相应的存储介质中。用户110可以通过终端设备103向服务器105发出读取图像或获取图像处理结果的请求，服务器105可以对请求进行解析、查找相应的图像或对图像进行相应的处理后将查找结果或处理结果发送给终端设备103。

需要说明的是，本申请实施例所提供的图像压缩方法一般由服务器105执行，相应地，图像压缩装置一般设置于服务器105中。

应该理解，图1中的图像采集设备、终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的图像采集设备、终端设备、网络和服务器。例如服务器可以为集群式的服务器，包括部署了不同进程的多台服务器。

继续参考图2，其示出了根据本申请的图像压缩方法的一个实施例的流程200。该图像压缩方法，包括以下步骤：

步骤201，获取待处理图像。

在本实施例中，图像压缩方法运行于其上的电子设备(例如图1所示的服务器)可以获取待处理图像。该待处理图像可以是由图像采集设备采集的待压缩后存储的图像。

上述待处理图像可以例如是监控场景中采集视频序列中的图像。通常，监控摄像头需要持续地采集监控场景的图像。监控场景的图像可以包含行人和场所的相关图像信息，例如可以包括人脸图像。监控场景下采集到的图像数量较大，且包含较丰富的图像信息，如果直接存储需要占用较大的存储空间。

在本实施例中，上述电子设备可以与图像采集设备连接来获取采集的图像。该电子设备可以响应于图像采集设备发出的图像压缩/图像存储请求而接收图像采集设备上传的待处理图像，还可以响应于用户的操作指令而向图像采集设备发出获取待处理图像的请求，并接收图像采集设备发送的待处理图像。

步骤202，利用已训练的图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，得到多幅特征图。

在本实施例中，可以将上述待处理图像输入已训练的图像压缩模型进行处理。已训练的图像压缩模型是基于卷积神经网络构建的，该卷积神经网络可以包括至少一个卷积层，可选地，还可以包括至少一个降采样层。卷积层可以包括卷积核，输入卷积层的图像经过与卷积核的卷积运算后去除冗余的图像信息，输出包含特征信息的图像。如果卷积核的尺寸大于1×1，则卷积层可以输出多幅尺寸小于输入图像的特征图。卷积层输出的图像可以经过降采样层(或称为“池化层”)进行降采样处理，进一步缩小图像尺寸。在经过多个卷积层的处理之后，输入卷积神经网络的图像的尺寸经过了多级收缩，得到多幅尺寸小于输入卷积神经网络的图像尺寸的特征图。

可以利用上述图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，在经过卷积神经网络中的多个卷积层的处理之后，生成待处理图像的多幅特征图。多幅特征图可以作为待处理的图像的压缩结果。在这里，多幅特征图可以经由已训练的图像重构模型对应的反卷积神经网络进行重构得到重构图像，并且待处理图像的重构图像与待处理图像之间的差异满足预设条件。

可以利用图像重构模型对应的反卷积神经网络对待处理图像输入图像压缩模型后得到的多幅特征图进行重构。其中，图像重构模型对应的反卷积神经网络可以包括至少一个反卷积层，其中反卷积层也可以包括卷积核，可以利用卷积核对多幅特征图进行反卷积运算，使输入反卷积层的图像尺寸扩大。具体可以先利用空白像素(在图像矩阵中的值为0)对图像进行扩充，然后利用反卷积层的卷积核对扩充得到的图像进行卷积，得到空白区域的像素灰度信息。在经过图像重构模型中的至少一个反卷积层处理之后，多幅特征图被重构为一幅重构图像。该重构图像与待处理图像的尺寸相同，并且，上述图像压缩模型和图像重构模型是采用机器学习方法训练得出的，可以使得重构图像和待处理图像之间的差异满足预设的条件。在这里，预设的条件可以是小于预设的阈值。

这样，在对图像压缩后得到多幅特征图之后，在需要读取待处理图像时，可以对多幅特征图采用上述已训练的图像重构模型进行重构，得到的重构图像即为还原得到的待处理图像。

上述图像压缩模型和图像重构模型可以基于已标记的样本训练完成的。具体可以标记样本图像和对应的样本特征图集合，将样本图像作为图像压缩模型的输入，输出图像压缩的预测结果，与对应的样本特征图集合进行比对，进而调整图像压缩模型的参数；可以将样本特征图作为图像重构模型的输入，输出图像重构的预测结果，与对应的样本图像进行比对，进而调整图像重构模型的参数。

请参考图3，其示出了根据本申请的图像压缩方法的一个原理示意图。如图3所示，待处理图像i输入图像压缩模型之后，经过多层卷积运算后得到多幅特征图f1、f2、…、fk，k为正整数。多幅特征图f1、f2、…、fk经过图像重构模型进行多层反卷积运算后，还原得到重构图像j。每幅特征图f1、f2、…或fk的尺寸都远小于待处理图像i的尺寸，并且假设待处理图像i的尺寸为m×n，每幅特征图的尺寸为m×n，满足：k×m×n远小于m×n。

举例来说，在实际场景中，可以利用图像压缩模型对待处理图像进行压缩，得到256幅1×1的特征图，如果特征图中的特征值用单精度浮点数表示，则压缩后的数据量为256×4字节＝1024字节，即压缩后需要1024字节的空间来存储特征图。

本申请上述实施例提供的图像压缩方法，通过获取待处理图像，利用已训练的图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，得到多幅特征图，其中多幅特征图经由预设的图像重构模型对应的反卷积神经网络进行重构得到重构图像，待处理图像的重构图像与待处理图像之间的差异满足预设条件，在保证图像还原质量的前提下实现了图像数据量的压缩。

在本实施例的一些可选的实现方式中，上述图像压缩方法的流程200还可以包括：

步骤203，存储图像压缩模型对应的卷积神经网络的参数以及图像重构模型对应的反卷积神经网络的参数。

在本实施例中，可以存储图像压缩模型对应的卷积神经网络的参数，以在后续获取待处理的图像之后，采用图像压缩模型对获取的待处理图像进行压缩处理。

还可以存储图像重构模型对应的反卷积神经网络的参数，以在调用存储的图像时利用该图像重构模型将图像复原。

步骤204，将多幅特征图作为待处理图像的压缩结果进行存储。

在本实施例中，可以将步骤202得到多幅特征图与对应的待处理图像的标识关联地存储，即将多幅特征图作为待处理图像的压缩结果进行存储。具体地，可以将待处理图像输入图像压缩模型后得出的多幅特征图组成特征图集合，每幅待处理图像与一个特征图集合对应，特征图集合的标识被配置于对应的待处理图像的标识。该标识可以为根据待处理图像的采集场景、采集设备、采集时间或其组合设置的。这样，在提取待处理图像时，可以根据标识提取出对应的特征图集合。

通过上述步骤203和步骤204，实现了压缩图像、图像压缩模型及图像重构模型的存储。这样，可以利用同一个图像压缩模型对批量的待处理图像进行压缩，并利用同一个图像重构模型对批量的压缩图像进行还原，在监控视频备份存储等大批量的图像存储场景中大幅减少了需要存储的数据量，从而节省了存储空间。

在本实施例的一些可选的实现方式中，上述图像压缩模型和图像重构模型可以是相互独立训练完成的，如上述的训练过程。在本实施例的另一些可选的实现方式中，上述图像压缩模型和图像重构模型可以是经过一系列的关联训练而一起完成的。

以下请参考图4，其示出了图像压缩模型和图像重构模型的训练方法的一个实施例的流程图，具体示出了图像压缩模型和图像重构模型关联训练的一种具体实现方式的流程。如图4所示，图像压缩模型和图像重构模型的训练方法的流程400可以包括：

步骤401，获取样本图像。

在本实施例中，可以获取训练用的样本图像。该样本图像可以是从网络图库中随机选择的网络图像，也可以是在不同场景中采集的实际图像。可选地，样本图像可以根据待处理图像的图像格式、所针对的场景类型等确定，例如待处理图像为监控场景的图像，则样本图像可以从已有的监控场景图像中抽取。

步骤402，执行比对步骤。

具体地，比对步骤包括步骤4021、步骤4022、步骤4023和步骤4024。

首先，执行步骤4021，将样本图像输入图像压缩模型对应的卷积神经网络，输出多幅特征样本图。

在第一次执行比对步骤时，可以设定图像压缩模型对应的卷积神经网络的初始参数，来初始化图像压缩模型。在执行后续的比对步骤时，可以确定图像压缩模型对应的卷积神经网络的参数为上一次执行比对步骤之后更新的参数。具体地，图像压缩模型对应的卷积神经网络的参数可以包括各卷积层的卷积核。

可以将样本图像输入图像压缩模型，利用卷积神经网络对样本图像进行特征提取，得到样本图像对应的多幅特征样本图，作为本次比对中样本图像的图像压缩结果。在这里，特征样本图是样本图像的特征图。

接着，执行步骤4022，将多幅特征样本图输入图像重构模型对应的反卷积神经网络进行图像重构，得到样本图像的重构图像。

可以将多幅特征样本图(即样本图像的多幅特征图)输入图像重构模型对应的反卷积神经网络，对多幅特征样本图进行反卷积运算，得到一幅重构图像，该重构图像的尺寸与样本图像相同。

在本实施例中，上述图像重构模型对应的反卷积神经网络包括至少一个反卷积层，每个反卷积层包括一个卷积核。反卷积神经网络的参数即为各反卷层的卷积核，也可以采用如图像压缩模型的参数确定方法，在第一次执行比对步骤时，可以设定图像重构模型对应的反卷积神经网络的初始参数，来初始化图像重构模型。在执行后续的比对步骤时，可以确定图像重构模型对应的反卷积神经网络的参数为上一次执行比对步骤之后更新的参数。

然后，执行步骤4023，基于样本图像与样本图像的重构图像之间的差异构建损失函数。

损失函数可以用于表示神经网络的预测结果与真实值之间的差异，也即用于表征神经网络的预测结果的精确度。在本实施例中，可以基于各样本图像与将该样本图像输入图像压缩模型和图像重构模型之后得到的重构图像之间的差异构建损失函数。具体地，损失函数l可以构建为：

其中，ii为第i幅样本图像的矩阵表示，ji为第i幅样本图像对应的重构图像的矩阵表示，||ii-ji||2表示ii-ji的二范数。

从式(1)可以看出，损失函数可以是各样本图像与对应的重构图像之间的差异的累积。在这里，ji是由ii经过图像压缩模型对应的卷积神经网络和图像重构模型对应的反卷积神经网络依次进行运算后得到的，在得出ji的过程中利用了卷积神经网络和反卷积神经网络的参数，因此损失函数可以是基于图像压缩模型对应的卷积神经网络的参数和图像重构模型对应的反卷积神经网络的参数构建的。

之后，执行步骤4024，判断损失函数的值是否满足预设的收敛条件。

可以将样本图像和步骤4022得到的重构图像代入式(1)，计算得出当前损失函数的值，然后判断损失函数的值是否满足预设的收敛条件。预设的收敛条件可以为达到预设的数据区间，也可以为与最近t(t为不小于1的正整数)次的比对步骤中损失函数的值之间的差异低于预设的阈值。

如果比对步骤402的判断结果为否，即损失函数的值不满足预设的收敛条件时，执行步骤403，基于损失函数，采用梯度下降法更新图像压缩模型对应的卷积神经网络的参数和/或图像重构模型对应的反卷积神经网络的参数，然后基于更新后的参数返回执行比对步骤402。

上述损失函数是与图像压缩模型对应的卷积神经网络的参数和图像重构模型对应的反卷积神经网络的参数相关的函数。在本实施例中，可以采用梯度下降法更新图像压缩模型对应的卷积神经网络的参数和/或图像重构模型对应的反卷积神经网络的参数。使得更新参数后得出的样本图像与对应的重构图像之间的差异缩小。通过多次迭代执行比对步骤402和参数更新步骤403，使损失函数的值逐渐缩小，也即使得样本图像与对应的重构图像之间的误差逐渐缩小。

具体地，可以计算损失函数关于图像压缩模型对应的卷积神经网络的参数和图像重构模型对应的反卷积神经网络的参数的梯度，然后按照预设的步长因子确定各参数的更新量，将更新量与当前的参数叠加得到更新后的参数。

需要说明的是，在每次执行步骤403对参数进行更新时，可以仅更新图像压缩模型对应的卷积神经网络的参数，或仅更新图像重构模型对应的反卷积神经网络的参数，也可以同时更新图像压缩模型对应的卷积神经网络的参数和图像重构模型对应的反卷积神经网络的参数。

如果比对步骤402的判断结果为是，即损失函数的值满足预设的收敛条件时，执行步骤404，输出图像压缩模型对应的卷积神经网络的参数和图像重构模型对应的反卷积神经网络的参数。

如果损失函数的值满足预设的收敛条件，则停止更新参数，将图像压缩模型对应的卷积神经网络的参数和图像重构模型对应的反卷积神经网络的参数输出，从而得到已训练的图像压缩模型和已训练的图像重构模型。

通过以上流程400可以实现图像压缩模型和图像重构模型的联合训练，这样有利于简化训练过程，减少样本数量。同时有助于提升图像压缩模型和图像重构模型间的关联性，减少图像压缩造成的信息损失。

继续参考图5，其示出了根据本申请的图像压缩方法的另一个实施例的流程图。如图5所示，本实施例的图像压缩方法的流程500，包括以下步骤：

步骤501，获取待处理图像。

在本实施例中，图像压缩方法运行于其上的电子设备可以通过与图像采集设备连接来获取待处理图像。待处理图像可以是待压缩后存储的图像。

步骤502，利用已训练的图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，得到多幅特征图。

其中，多幅特征图可以经由已训练的图像重构模型对应的反卷积神经网络进行重构得到重构图像，待处理图像的重构图像与待处理图像之间的差异满足预设条件。

在本实施例中，可以将待处理图像输入已训练的图像压缩模型，图像压缩模型可以是基于卷积神经网络构建的，可以包括至少一个卷积层，输入的待处理图像经过至少一个卷积层的运算之后，生成包含特征信息的多幅特征图。

上述多幅特征图与待处理图像对应，各特征图的尺寸均小于待处理图像的尺寸。并且，可以采用图像重构模型将多幅特征图还原为与待处理图像相同尺寸的重构图像。在这里，图像压缩模型和图像重构模型是采用机器学习方法训练得出的，可以使训练用的样本图像与样本图像之间的差异满足预设条件，同样地，可以使待处理图像的重构图像与待处理图像之间的差异满足预设条件。

步骤503，存储图像压缩模型对应的卷积神经网络的参数以及图像重构模型对应的反卷积神经网络的参数。

在本实施例中，可以存储图像压缩模型和图像重构模型，具体可以存储对应的卷积神经网络的参数和对应的反卷积神经网络的参数，以在后续获取到新的待处理图像之后，采用图像压缩模型进行压缩处理；以及在读取存储的图像时利用图像重构模型将存储的多幅特征图复原为与待处理图像相同尺寸的重构图像。

本实施例的步骤501、步骤502、步骤503分别与前述实施例的步骤201、步骤202、步骤203对应，在此不再赘述。

步骤504，计算待处理图像的各特征图中像素的灰度值的最大值和最小值，并基于最大值和最小值将特征图中的像素的灰度值转换为字符型数据。

在本实施例中，特征图可以由至少一个灰度值为浮点数的像素构成。可以对像素灰度值为浮点数的特征图进一步压缩。具体可以每幅待处理图像对应的多幅特征图中像素的灰度值的最大值和最小值，分别记为fmax和fmin。可选地，如果特征图的尺寸大于1×1，可以将特征图转换为一维的灰度序列，例如将包含沿逆时针方向排列的2×2像素矩阵的特征图转换为由四个像素的灰度值组成的灰度序列。然后在待处理图像对应的各灰度序列中查找最大值fmax和最小值fmin。

之后，对于特征图中任一个像素的灰度值f，可以执行式(2)的运算：

其中，round为取整函数，fnew为像素的灰度值f对应的字符型数据(char)，转换后每个字符占用一个字节，相较于转换之前的浮点数缩小了存储图像所占用的空间。

通过以上步骤501至504，可以将待处理图像转换为由字符型数据表示的像素的灰度值，在图2所示实施例的基础上进一步缩小了图像的数据量。

步骤505，将待处理图像的特征图中像素的灰度值对应的字符型数据作为图像压缩结果进行存储，并存储待处理图像的各特征图中像素的灰度值的最大值和最小值。

在本实施例中，可以存储待处理图像的特征图中像素的灰度值对应的字符型数据，同时存储上述待处理图像的各特征图中像素的灰度值的最大值fmax和最小值fmin。这样，在读取待处理图像时，可以首先利用最大值fmax和最小值fmin将存储的字符型数据转换为浮点数，得到特征图，然后再将特征图输入图像重构模型得到重构图像。通过执行步骤505，进一步压缩了待处理图像所占用的存储空间。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种图像压缩装置的一个实施例，该装置实施例与图2和图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的图像压缩装置600包括：获取单元601和压缩单元602。获取单元601可以用于获取待处理图像，压缩单元602可以用于利用已训练的图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，得到多幅特征图；其中，多幅特征图经由已训练的图像重构模型对应的反卷积神经网络进行重构得到重构图像，待处理图像的重构图像与待处理图像之间的差异满足预设条件。

在本实施例中，获取单元601可以响应于图像采集设备的上传请求，获取待处理图像，也可以响应于接收到用户执行图像压缩操作的指令而向图像采集设备发出获取请求，并接收图像采集设备发送的待处理图像。

压缩单元602可以用于将获取单元601获取的待处理图像输入已采用机器学习方法训练的图像压缩模型，该图像压缩模型为基于卷积神经网络构建，并基于训练样板数据训练得出的，包括至少一个卷积层。待处理图像经过图像压缩模型对应的卷积神经网络运算之后，可以得到多幅特征图。

多幅特征图为从待处理图像提取出的包含特征信息的图像。图像压缩模型对应的卷积神经网络中的卷积层的卷积核尺寸大于1×1，则提取出的特征图的尺寸小于待处理图像的尺寸，经过多个卷积层的卷积运算，实现了对待处理图像的压缩。

上述多幅特征图可以经由已采用机器学习方法训练的图像重构模型对应的反卷积神经网络进行重构，得到待处理图像的重构图像，该重构图像与待处理图像之间的差异满足预设条件。在这里，预设条件可以是小于预设的阈值。具体可以通过在训练中不断优化调整图像重构模型对应的反卷积神经网络的参数来控制其输出的重构图像与待处理图像之间的差异满足预设条件。

在一些实施例中，上述图像压缩模型和上述图像重构模型可以是按照如下方式联合训练得出的：获取样本图像，并执行比对步骤；比对步骤包括：将样本图像输入图像压缩模型，输出多幅特征样本图，将多幅特征样本图输入图像重构模型对应的反卷积神经网络进行图像重构，得到样本图像的重构图像，基于样本图像与样本图像的重构图像之间的差异构建损失函数，判断损失函数的值是否满足预设的收敛条件；若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新图像压缩模型对应的卷积神经网络的参数和/或图像重构模型对应的反卷积神经网络的参数，基于更新后的参数执行比对步骤；若比对步骤的判断结果为是，输出图像压缩模型对应的卷积神经网络的参数和图像重构模型对应的反卷积神经网络的参数。

在进一步的实施例中，上述装置600还可以包括：第一存储单元，用于存储图像压缩模型对应的卷积神经网络的参数以及图像重构模型对应的反卷积神经网络的参数。

在进一步的实施例中，上述装置600还可以包括：第二存储单元，用于将多幅特征图作为待处理图像的压缩结果进行存储。

在一些实施例中，上特征图可以由至少一个灰度值为浮点数的像素构成；以及上述装置600还可以包括转换单元，用于：计算待处理图像的各特征图中像素的灰度值的最大值和最小值，并基于最大值和最小值将特征图中的像素的灰度值转换为字符型数据。

在进一步的实施例中，上述装置600还可以包括：第三存储单元，用于将待处理图像的特征图中像素的灰度值对应的字符型数据作为图像压缩结果进行存储，并存储待处理图像的各特征图中像素的灰度值的最大值和最小值。

应当理解，装置600中记载的诸单元与参考图2、图3、图4和图5描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。

本申请上述实施例的图像压缩装置600，通过获取单元获取待处理图像，随后压缩单元利用已训练的图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，得到多幅特征图；其中，多幅特征图经由已训练的图像重构模型对应的反卷积神经网络进行重构得到重构图像，待处理图像的重构图像与待处理图像之间的差异满足预设条件，实现了图像数据量的大幅压缩，同时可以保证图像的还原质量。

下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和压缩单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待处理图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待处理图像，利用已训练的图像压缩模型对应的卷积神经网络对待处理图像进行特征提取，得到多幅特征图，其中多幅特征图经由预设的图像重构模型对应的反卷积神经网络进行重构得到重构图像，待处理图像的重构图像与待处理图像之间的差异满足预设条件。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。