[发明专利]压缩图像处理方法、装置、电子设备及计算机可读介质

说明书

本发明实施例提供了压缩图像处理方法、装置、电子设备及计算机可读介质，包括：获取格式为JPEG的原始图像，将原始图像进行熵解码和反量化处理，得到预处理的图像；再将预处理的图像进行神经网络算法训练；最后将训练得到的预处理的图像的神经网络的参数对原始图像进行推断，从而得到推断结果，可以在GPU上执行，减少训练所需要的数据解压缩的预处理时间，以及神经网络进行推断的时间。

技术领域

本发明涉及图像处理技术领域，尤其是涉及压缩图像处理方法、装置、电子设备及计算机可读介质。

背景技术

目前，JPEG图片的解压缩过程是在计算机的CPU(Central Processing Unit，中央处理器)上进行的，而将JPEG图片解压缩成纯RGB像素的图片，花费的时间比较长。而对于很多例如计算机视觉中的任务，输入的训练样本是一张JPEG格式的图片，因此，利用这种格式的图片训练神经网络或是用神经网络推断图片中的信息，需要经过较长的图片解压缩过程，从而限制了神经网络的训练以及推断的处理速度。

发明内容

有鉴于此，本发明的目的在于提供压缩图像处理方法、装置、电子设备及计算机可读介质，可以在GPU上执行，减少训练所需要的数据解压缩的预处理时间，以及神经网络进行推断的时间。

第一方面，本发明实施例提供了压缩图像处理方法，所述方法包括：

获取原始图像，所述原始图像的格式为JPEG格式；

将所述原始图像进行熵解码和反量化处理，得到预处理的图像；

利用所述预处理的图像进行神经网络算法训练，得到所述预处理的图像的神经网络的参数；

通过所述预处理的图像的神经网络的参数对所述原始图像进行推断，从而得到推断结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述利用所述预处理的图像进行神经网络算法训练，得到所述预处理的图像的神经网络的参数包括，重复执行以下处理，直至达到第一预设条件：

确定神经网络模型，并根据所述神经网络模型构建计算图；

将所述计算图通过后向传播计算每个层的参数的梯度；

将每个所述层的参数的梯度和学习率通过梯度下降法更新每个所述层的参数，从而得到所述预处理的图像的所述神经网络的参数；

其中，所述第一预设条件包括为准确率达到预设阈值或者循环次数达到预设频次。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，将所述计算图通过后向传播计算每个层的参数的梯度，包括：

将所述预处理的图像输入到所述神经网络模型中，得到所述神经网络中每个所述层的参数；

将所述计算图通过后向传播计算所述神经网络中每个所述层的参数的梯度。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述将每个所述层的参数的梯度和学习率通过梯度下降法更新每个所述层的参数，从而得到所述预处理的图像的所述神经网络的参数，包括：

获取不同的任务；

根据所述不同的任务的属性确定对应的学习率；

从所述对应的学习率中选取满足第二预设条件的学习率；

将所述神经网络中每个所述层的参数的梯度和满足所述第二预设条件的学习率通过所述梯度下降法更新所述神经网络中每个所述层的参数，得到所述预处理的图像的所述神经网络的参数；

其中，所述第二预设条件包括为所述准确率达到预设阈值。