[发明专利]图像压缩方法及相关装置

说明书

本申请实施例公开了一种图像压缩方法，包括：获取第一分辨率的原始图像，基于目标模型对所述原始图像进行压缩得到第二分辨率的压缩图像，基于识别神经网络模型对所述压缩图像进行识别得到参考标签信息，根据所述目标标签信息与所述参考标签信息获取损失函数，在所述损失函数收敛于第一阈值或所述压缩神经网络当前的训练次数大于或等于第二阈值时，获取所述第一分辨率的目标原始图像，将所述目标模型作为所述压缩神经网络训练完成时对应的压缩神经网络模型，基于所述压缩神经网络模型对所述目标原始图像进行压缩，得到所述第二分辨率的目标压缩图像。本申请实施例，可提高图像压缩的有效性和识别的准确率。

技术领域

本申请涉及图像压缩技术领域，具体涉及一种图像压缩方法及相关装置。

背景技术

随着大数据时代的到来，数据以爆炸性的速度增长着，巨量的数据携带着信息在人们之间传递着，而图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。

现有技术中，通过图像压缩有效地减少了数据量，提高图像的传输速率。然而，对图像进行压缩之后，难以保留原始图像的全部信息，因此，如何进行图像压缩仍然为本领域技术人员待解决的技术问题。

发明内容

本申请实施例提出了一种图像压缩方法及相关装置，可用于图像训练的压缩神经网络，提高了图像压缩的有效性和识别的准确率。

第一方面，本申请实施例提供了一种图像压缩方法，包括：

获取第一分辨率的原始图像，所述原始图像为压缩神经网络的压缩训练图集中的任一训练图像，所述原始图像的标签信息作为目标标签信息；

基于目标模型对所述原始图像进行压缩，得到第二分辨率的压缩图像，所述第二分辨率小于所述第一分辨率，所述目标模型为所述压缩神经网络当前的神经网络模型；

基于识别神经网络模型对所述压缩图像进行识别，得到参考标签信息，所述识别神经网络模型为识别神经网络训练完成时对应的神经网络模型；

根据所述目标标签信息与所述参考标签信息获取损失函数；

在所述损失函数收敛于第一阈值，或所述压缩神经网络当前的训练次数大于或等于第二阈值时，获取所述第一分辨率的目标原始图像，将所述目标模型作为所述压缩神经网络训练完成时对应的压缩神经网络模型；

基于所述压缩神经网络模型对所述目标原始图像进行压缩，得到所述第二分辨率的目标压缩图像。

结合第一方面，第一方面的第一种可能的实施方式中，所述方法还包括：

在所述损失函数未收敛于所述第一阈值，或所述压缩神经网络当前的训练次数小于所述第二阈值时，根据所述损失函数对所述目标模型进行更新，得到更新模型，将所述更新模型作为所述目标模型，将下一个训练图像作为所述原始图像，执行所述获取第一分辨率的原始图像的步骤。

结合第一方面或第一方面的第一种可能的实施方式，第一方面的第二种可能的实施方式中，所述基于识别神经网络模型对所述压缩图像进行识别，得到参考标签信息，包括：

对所述压缩图像进行预处理，得到待识别图像；

基于所述识别神经网络模型对所述待识别图像进行识别，得到所述参考标签信息。

结合第一方面的第二种可能的实施方式，第一方面的第三种可能的实施方式中，所述预处理包括尺寸处理，所述对所述压缩图像进行预处理，得到待识别图像，包括：

在所述压缩图像的图像大小小于所述识别神经网络的基本图像大小时，按照所述基本图像大小对所述压缩图像进行填充像素点，得到所述待识别图像。

结合第一方面或第一方面的第一种可能的实施方式，第一方面的第四种可能的实施方式中，所述压缩训练图集至少包括识别训练图集，所述方法还包括：