CN110555120A - 图片压缩控制方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了一种图片压缩控制方法、装置、计算机设备及存储介质，其方法包括：接收终端发送的图片压缩指令，其中，所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；将所述类型信息输入至预设的压缩算法配置模型中，以获取与所述待压缩图片相对应的目标压缩算法，其中，所述预设的压缩算法配置模型中设置有类型信息与压缩算法之间的映射关系；根据所述目标压缩算法对所述待压缩图片进行压缩处理。针对需要进行压缩的图片，上述方法依据其类型信息进行针对性的压缩算法配置，智能匹配出最适用于对待压缩图片进行压缩处理的压缩算法，解决了图片压缩质量差以及识别率低等问题，同时提升了系统性能，满足了用户对图片的实际压缩需求。

Description

图片压缩控制方法、装置、计算机设备及存储介质

技术领域

本发明涉及图像处理技术领域，具体而言，本发明涉及一种图片压缩控制方法、装置、计算机设备及存储介质。

背景技术

随着移动网络技术的发展，越来越多的人们选择通过移动终端来进行各种各样的交互交流，在交互交流的过程中，移动终端的拍照功能也得到广泛的使用。目前，移动终端更新换代快且市面上移动终端的品牌种类繁多，对于不同的移动终端，其拍照功能拍摄出来的图片也存在差异。现有的系统通常采用固定的一种图片压缩算法对图片进行压缩。这种方法使得系统无法根据图片的实际情况对该图片进行针对性的压缩，容易导致图片压缩的质量差和识别率低等问题；同时也影响系统的性能，难以满足实际的图片压缩需求。

发明内容

本发明的目的旨在至少解决上述技术缺陷之一，特别是无法根据图片的实际情况对该图片进行针对性的压缩，容易导致图片压缩的质量差和识别率低等技术缺陷。

为解决上述技术问题，本发明提供了一种图片压缩控制方法，包括以下步骤：

接收终端发送的图片压缩指令，其中，所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；

将所述类型信息输入至预设的压缩算法配置模型中，以获取与所述待压缩图片相对应的目标压缩算法，其中，所述预设的压缩算法配置模型中设置有类型信息与压缩算法之间的映射关系；

根据所述目标压缩算法对所述待压缩图片进行压缩处理。

可选地，将所述类型信息输入至预设的压缩算法配置模型中，以获取与所述待压缩图片相对应的目标压缩算法的步骤之前，还包括：

在所述预设的压缩算法配置模型中预先配置至少一种压缩算法；

对所述压缩算法进行样本图片训练，以从所述样本图片训练中识别出与所述压缩算法相匹配的目标类型信息；

将所述压缩算法与其相匹配的目标类型信息进行映射关联，以生成训练至收敛状态的压缩算法配置模型。

可选地，所述对所述压缩算法进行样本图片训练，以从所述样本图片训练中识别出与所述压缩算法相匹配的目标类型信息的步骤，还包括：

获取样本图片及所述样本图片所对应的拍摄设备的第一类型信息；

按照所述第一类型信息对所述获取的样本图片进行组别划分，以使属于同一组别的样本图片具有相同或相似的第一类型信息；

采用所述预先配置的压缩算法对所述样本图片进行压缩处理，并对属于同一组别的样本图片经压缩处理后对应的处理效果数据进行分组记录；

根据所述处理效果数据计算所述压缩算法与每一分组的样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息。

可选地，所述处理效果数据包括图片压缩过程的实测耗时参数和图片压缩后的实测图片质量参数。

可选地，根据所述处理效果数据计算所述压缩算法与每一分组的样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息的步骤，还包括：

获取所述处理效果数据中的实测耗时参数值和实测图片质量参数值；

从预设的匹配度值映射关系表中获取与所述实测耗时参数值相对应的第一匹配度值以及所述实测图片质量参数值对应的第二匹配度值；

对所述第一匹配度值和第二匹配度值进行加权求和计算，以得到所述压缩算法与每一分组的样本图片之间的总匹配度值；

将所述总匹配度值与预设的匹配度阈值进行比对，当所述总匹配度值满足预设的匹配度阈值要求时，判断所述第一类型信息为与所述压缩算法相匹配的目标类型信息。

可选地，当所述预设的压缩算法配置模型中预先配置两种或两种以上压缩算法时，所述根据所述处理效果数据计算所述压缩算法与每一分组的样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息的步骤，还包括：

对于任意分组的样本图片，比较所述分组的样本图片在采用不同压缩算法时对应的匹配度，获取匹配度最高的压缩算法作为与所述目标类型信息相匹配的压缩算法。

为解决上述技术问题，本发明还提供了一种图片压缩控制装置，包括：

接收模块，用于接收终端发送的图片压缩指令，其中，所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；

处理模块，用于将所述目标类型信息输入至预设的压缩算法配置模型中，以获取与所述待压缩图片相对应的目标压缩算法，其中，所述预设的压缩算法配置模型中设置有类型信息与压缩算法之间的映射关系；

执行模块，用于根据所述目标压缩算法对所述待压缩图片进行压缩处理。

可选地，所述图片压缩控制装置还包括：

第一设置子模块，用于在所述预设的压缩算法配置模型中预先配置至少一种压缩算法；

第一处理子模块，用于对所述压缩算法进行样本图片训练，以从所述样本图片训练中识别出与所述压缩算法相匹配的目标类型信息；

第一执行子模块，用于将所述压缩算法与其相匹配的目标类型信息进行映射关联，以生成训练至收敛状态的压缩算法配置模型。

可选地，所述图片压缩控制装置还包括：

第一获取子模块，用于获取样本图片及所述样本图片所对应的拍摄设备的第一类型信息；

第二处理子模块，用于按照所述第一类型信息对所述获取的样本图片进行组别划分，以使属于同一组别的样本图片具有相同或相似的第一类型信息；

第三处理子模块，用于采用所述预先配置的压缩算法对所述样本图片进行压缩处理，并对属于同一组别的样本图片经压缩处理后对应的处理效果数据进行分组记录；

第二执行子模块，用于根据所述处理效果数据计算所述压缩算法与每一分组的样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息。

可选地，在所述图片压缩控制装置中，所述处理效果数据包括图片压缩过程的实测耗时参数和图片压缩后的实测图片质量参数。

可选地，所述图片压缩控制装置，还包括：

第二获取子模块，用于获取所述处理效果数据中的实测耗时参数值和实测图片质量参数值；

第三获取子模块，用于从预设的匹配度值映射关系表中获取与所述实测耗时参数值相对应的第一匹配度值以及所述实测图片质量参数值对应的第二匹配度值；

第四处理子模块，用于对所述第一匹配度值和第二匹配度值进行加权求和计算，以得到所述压缩算法与每一分组的样本图片之间的总匹配度值；

第三执行子模块，用于将所述总匹配度值与预设的匹配度阈值进行比对，当所述总匹配度值满足预设的匹配度阈值要求时，判断所述第一类型信息为与所述压缩算法相匹配的目标类型信息。

可选地，当所述预设的压缩算法配置模型中预先配置两种或两种以上压缩算法时，所述图片压缩控制装置还包括：

第四执行子模块，用于对于任意分组的样本图片，比较所述分组的样本图片在采用不同压缩算法时对应的匹配度，获取匹配度最高的压缩算法作为与所述目标类型信息相匹配的压缩算法。

为解决上述技术问题，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述图片压缩控制方法的步骤。

为解决上述技术问题，本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述图片压缩控制方法的步骤。

本发明的有益效果在于：

本发明通过接收终端发送的图片压缩指令，以获取所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；然后将所述类型信息输入至预设的压缩算法配置模型中，以依据所述类型信息有针对性地进行压缩算法配置，进而获取得到与所述待压缩图片相对应的目标压缩算法；最后采用所述获取的目标压缩算法对所述待压缩图片进行压缩处理。由于对每一张图片都依据其对应的拍摄设备的类型信息进行针对性的压缩算法配置，智能匹配出最适用于对待压缩图片进行压缩处理的压缩算法，解决了图片压缩质量差以及识别率低等问题，同时提升了系统性能，满足了用户对图片的实际压缩需求。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的图片压缩控制方法的基本方法流程示意图；

图2为本发明实施例提供的图片压缩控制方法中生成预设的压缩算法配置模型的一种方法流程示意图；

图3为本发明实施例提供的图片压缩控制方法在生成预设的压缩算法配置模型时建立压缩算法与类型信息之间的映射关系的一种方法流程示意图；

图4为本发明实施例提供的图片压缩控制方法在生成预设的压缩算法配置模型时建立压缩算法与类型信息之间的映射关系的另一种方法流程示意图；

图5为本发明实施例提供的图片压缩控制装置基本结构框图；

图6为本发明实施例提供的计算机设备基本结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，且该操作的序号仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

本实施例中提及的用户终端即为上述的终端。

请参阅图1，图1为本发明实施例提供的图片压缩控制方法的基本方法流程示意图。

如图1所示，所述图片压缩控制方法，包括以下步骤：

S100：接收终端发送的图片压缩指令，其中，所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息。

图片是一种信息载体，或者说是一个终端与另一个终端进行交流互动时的一种媒介。在终端与终端之间的各种互动交流场景中通常会使用到图片，例如图片存储、图片分享、图片验证等。所述终端与终端之间在使用图片进行互动交流过程中，所述图片一般需要经过预先处理才能够进行时使用，其中，所述预先处理包括压缩处理。本发明提供的一种图片压缩控制方法，可以应用在所述终端与终端之间的各种互动交流场景中，由于终端与终端之间进行互动交流过程中所使用的图片一般可以通过终端拍摄功能拍摄获得或者从视频流中截取获得，即每一张图片都具有表征其图片属性特征的属性信息，所述属性信息包括图片所对应的拍摄设备的类型信息、图片的参数信息以及图片的格式信息等。在本实施例中，通过根据终端的自定义需求或者内置需求对图片进行属性分析，获取图片所对应的拍摄设备的类型信息，从而根据图片所对应的拍摄设备的类型信息获取与所述类型信息相匹配的图片压缩算法来对所述图片进行针对性的压缩处理。具体地，当终端使用图片进行互动交流时，会触发所述终端向系统服务器发送图片压缩指令，所述图片压缩指令中包括有待压缩图片所对应的拍摄设备的类型信息，以便所述系统服务器接收到所述终端发送的图片压缩指令后，依据所述图片压缩指令中待压缩图片所对应的拍摄设备的类型信息进行后续得图片压缩操作。

S200：将所述类型信息输入至预设的压缩算法配置模型中，以获取与所述待压缩图片相对应的目标压缩算法，其中，所述预设的压缩算法配置模型中设置有类型信息与压缩算法之间的映射关系。

在本实施例中，当所述系统服务器接收到终端发送的图片压缩指令在获取得到所述待压缩图片所对应的拍摄设备的类型信息之后，将所述类型信息输入值预设的压缩算法配置模型中，由于所述预设的压缩算法配置模型中设置有类型信息与压缩算法之间的映射关系，所以，所述预设的压缩算法配置模型根据所述类型信息对所述待压缩图片进行压缩算法配置，获取与所述待压缩图片相匹配的目标压缩算法。

所述预设的压缩算法配置模型为训练至收敛状态的卷积神经网络模型，该卷积神经网络模型被训练用于依据图片的拍摄设备类型信息获取与该图片相匹配的图片压缩算法。所述卷积神经网络模型可以是CNN卷积神经网络模型或者VGG卷积神经网络模型。本实施例中的卷积神经网络模型通过记录模型训练时系统每一次执行图片压缩操作过程所发送的待压缩图片所对应的拍摄设备的类型信息及其对应选取的压缩算法，并且统计每一次图片压缩处理后的诸如压缩耗时的长短，压缩后图片质量的好坏等处理效果数据，以根据所述处理效果数据判断具有不同类型信息的待压缩图片分别适合哪一种压缩算法。依据这些收集的处理效果数据作为样本分析图片属性信息与压缩算法之间的匹配度，以将所述预设的压缩算法配置模型训练至收敛状态，以使得所述预设的压缩算法配置模型具备依据图片所对应的拍摄设备的类型信息即可获得与该图片相匹配的目标压缩算法的能力。这样，只需将需要进行压缩处理的待压缩图片对应的属性信息输入至所述预设的压缩算法配置模型中，即可获取得到与所述拍摄设备类型信息相匹配的目标压缩算法，实现系统自动分配最佳压缩算法用于对当前待压缩图片进行压缩处理。

S300：根据所述目标压缩算法对所述待压缩图片进行压缩处理。

在本实施例中，所述预设的压缩算法配置模型中与设有多种图片压缩算法，每一种压缩算法均具有其对应适用的属性信息范围。所述目标压缩算法为由所述预设的压缩算法配置模型将所述待压缩图片的属性信息与模型中预设的多种图片压缩算法进行比对得出的最适合用于对待压缩的目标图片进行压缩处理的图片压缩算法。当获取得到目标压缩算法后，按照所述目标压缩算法对应的压缩逻辑对所述待压缩图片进行压缩处理，以获取最贴近用户或终端需求的压缩图片。

上述实施例所述的图片压缩控制方法通过接收终端发送的图片压缩指令，以获取所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；然后将所述类型信息输入至预设的压缩算法配置模型中，以依据所述类型信息有针对性地进行压缩算法配置，进而获取得到与所述待压缩图片相对应的目标压缩算法；最后采用所述获取的目标压缩算法对所述待压缩图片进行压缩处理。由于对每一张图片都依据其对应的拍摄设备的类型信息进行针对性的压缩算法配置，智能匹配出最适用于对待压缩图片进行压缩处理的压缩算法，解决了图片压缩质量差以及识别率低等问题，同时提升了系统性能，满足了用户对图片的实际压缩需求。

在一些实施例中，请参阅图2，图2为本发明实施例提供的图片压缩控制方法中生成预设的压缩算法配置模型的一种方法流程示意图。

如图2所示，所述步骤S200之前还包括步骤S400至步骤S600。其中包括：

S400：在所述预设的压缩算法配置模型中预先配置至少一种压缩算法。

在本实施例中，获取与所述待压缩图片相对应的目标压缩算法之前，需要预先生成一压缩算法配置模型，而且，所述预设的压缩算法配置模型具有可以依据待压缩图片的拍摄设备类型信息获取得到对应匹配的压缩算法的能力。具体地，在所述预设的压缩算法配置模型中预先配置至少一种压缩算法，如尺寸压缩算法、格式压缩算法、质量压缩算法等等。所述尺寸压缩为通过减少单位尺寸的像素值，真正意义上的降低像素值来达到压缩效果。例如，在一些压缩算法中，通过获取所述待压缩图片的高宽，将所述待压缩图片的高宽与预先传入的比例因子进行数值相乘得到所述待压缩图片压缩后的高宽来完成图片压缩，这种算法压缩后的图片清晰度不变，只缩图片尺寸，适用于对图片压缩后的图片质量有要求的场景，如，缩略图片显示等；又例如，在一些压缩算法中，通过获取所述待压缩图片的高宽，并先将所述待压缩图片的高宽与预先传入的比例因子进行数值相乘得到所述待压缩图片压缩后的高宽，再通过AffineTransformOp对象初始化所述图片的高宽来完成图片压缩，这种算法同样是压缩后的图片清晰度不变，只缩图片尺寸，适用于对图片压缩后的图片质量有要求的场景，但是对于背景色为黑色的图片，采用此方法进行压缩会出现压缩后背景色略微发红的情况。所述格式压缩算法为把bitMap转换为jpeg,PNG等图片格式，其中bitMap是图片最简单的是位图，对应的图片是原始无压缩的点阵图，而jpeg,PNG等图像算法能把相同的连续图像点按照对应图像压缩算法和分辨率对位图进行压缩保存，也可以还原位图。由于jpeg和PNG是有损压缩，压缩后与原图相比有失真。所述质量压缩算法为通过算法同化图片中的一些像素点附近相近的像素，从而达到降低质量和减少图片大小的目的。例如，在一些压缩算法中，通过获取所述待压缩图片的质量参数，依据所述待压缩图片的质量参数和预先传入的比例因子，通过JPEGEncodeParam对象参数对所述待压缩图片进行压缩，此种算法只会改变图片质量，不会改变图片尺寸大小，适用于对图片质量要求不高的场景；又例如，在一些算法中，通过获取所述待压缩图片的质量参数，依据所述待压缩图片的质量参数和预先传入的比例因子，通过ImageWriteParam对象参数对所述待压缩图片进行压缩，此种算法同样只会改变图片质量，不会改变图片尺寸大小，适用于对图片质量要求不高的场景，但是对于背景色为黑色的图片，采用此方法进行压缩会出现压缩后背景色略微发红的情况。

S500：对所述压缩算法进行样本图片训练，以从所述样本图片训练中识别出与所述压缩算法相匹配的目标类型信息。

在本实施例中，当所述预设的压缩算法配置模型中预先配置好压缩算法之后，针对所述预设的压缩算法配置模型中预先配置好的压缩算法进行样本图片训练，以从所述样本图片训练中识别出与所述压缩算法相匹配的目标类型信息。例如，首先获取大量的样本图片，并对每一张样本图片进行属性分析，以获取得到每一张样本图片所对应的拍摄设备的类型信息，可以理解的是，获取样本图片时应考虑拍摄设备的类型信息的多样性以及每一种拍摄设备类型的样本图片数量充足。然后采用所述预设的压缩算法配置模型中预先配置好的压缩算法对所述样本图片进行压缩并记录该样本图片对应的处理效果数据，例如压缩耗时的长短，压缩后图片质量的好坏等等。进而，根据所述对样本图片压缩后的处理效果数据进行分析，获取与该压缩算法相匹配的样本图片所对应的拍摄设备的类型信息作为目标类型信息，例如采用某一压缩算法对型号(或类型)1拍摄设备拍摄的样本图片和型号(或类型)2拍摄设备拍摄的样本图片进行压缩，若对压缩后的处理效果数据分析得出，该算法对型号(或类型)1拍摄设备拍摄的样本图片压缩时的压缩耗时更短，压缩后图片质量更好，说明该压缩算法与型号(或类型)1拍摄设备更为匹配，则此时型号(或类型)1即为与该压缩算法相匹配的目标类型信息。

S600：将所述压缩算法与其相匹配的目标类型信息进行映射关联，以生成训练至收敛状态的压缩算法配置模型。

在本实施例中，针对所述预设的压缩算法配置模型中预先配置的压缩算法，通过样本图片训练识别出与所述压缩算法相匹配的目标类型信息及其两者之间的匹配程度，将所述压缩算法与其相匹配的目标类型信息进行映射关联，从而生成训练至收敛状态的压缩算法配置模型，以使得所述预设的压缩算法配置模型具备依据图片所对应的拍摄设备的类型信息即可获得与该图片相匹配的目标压缩算法的能力。

在一些实施例中，所述图片压缩控制方法可以应用在人脸识别场景中，请参阅图3，图3为本发明实施例提供的图片压缩控制方法在生成预设的压缩算法配置模型时建立压缩算法与类型信息之间的映射关系的一种方法流程示意图。

如图3所示，所述步骤S500还包括步骤S510至步骤S540。其中，S510：获取样本图片及所述样本图片所对应的拍摄设备的第一类型信息；S520：按照所述第一类型信息对所述获取的样本图片进行组别划分，以使属于同一组别的样本图片具有相同或相似的第一类型信息；S530：采用所述预先配置的压缩算法对所述样本图片进行压缩处理，并对属于同一组别的样本图片经压缩处理后对应的处理效果数据进行分组记录；S540:根据所述处理效果数据计算所述压缩算法与每一分组的样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息。

在本实施例中，在对所述预设的压缩算法配置模型中预先配置好的压缩算法进行样本图片训练过程中，通过获取大量的样本图片，并对每一张样本图片进行属性分析，以获取得到每一张样本图片所对应的拍摄设备的第一类型信息，可以理解的是，获取样本图片时应考虑拍摄设备类型信息的多样性以及每一种拍摄设备类型的样本图片数量充足。获取得到每一张样本图片及其对应的拍摄设备的第一类型信息之后，按照所述第一类型信息对所述获取的样本图片进行组别划分，以使属于同一组别的样本图片具有相同或相似的第一类型信息，例如将所有样本图片中对应的第一类型信息为型号(或类型)1的样本图片划分为一组，而对应的第一类型信息为型号(或类型)2的样本图片则划分为另一组等，其他不同于上述型号(或类型)1和型号(或类型)2的样本图片亦依据其第一类型信息进行分组。待分组完成后，采用所述预先配置的压缩算法对所述样本图片进行压缩处理，并属于同一组别的样本图片经压缩处理后对应的处理效果数据进行分组记录，亦得到表征一种型号(或类型)的每一分组具有对应的处理效果数据，进一步地，根据每一分组对应的处理效果数据计算所述压缩算法与该分组样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息。举例说明，若对分组对应的处理效果数据分析得出该分组样本图片中百分之八十以上样本图片对应的压缩耗时短，压缩后图片质量好，即可判断所述第一类型信息为与所述压缩算法相匹配的目标类型信息。

在一些实施例中，请参阅图4，图4为本发明实施例提供的图片压缩控制方法在生成预设的压缩算法配置模型时建立压缩算法与类型信息之间的映射关系的另一种方法流程示意图。

如图4所示，所述步骤S540中还可以包括步骤S541至步骤S544。其中，S541：获取所述处理效果数据中的实测耗时参数值和实测图片质量参数值；S542：从预设的匹配度值映射关系表中获取与所述实测耗时参数值相对应的第一匹配度值以及所述实测图片质量参数值对应的第二匹配度值；S543：对所述第一匹配度值和第二匹配度值进行加权求和计算，以得到所述压缩算法与每一分组的样本图片之间的总匹配度值；S544：将所述总匹配度值与预设的匹配度阈值进行比对，当所述总匹配度值满足预设的匹配度阈值要求时，判断所述第一类型信息为与所述压缩算法相匹配的目标类型信息。

在本实施例中，判断一种压缩算法与分组样本图片所对应的拍摄设备的第一类型信息是否相匹配之前，系统预先设置有一匹配度值映射关系表，该匹配度值映射关系表为判断一种压缩算法与分组样本图片所对应的拍摄设备的第一类型信息是否相匹配的标准，例如以压缩耗时为例，按耗时长短分为0.5秒、1秒、2秒、3秒四个等级，其对应的匹配度值分别为90％、80％、70％、60％。从而，在一种压缩算法与分组样本图片对应的拍摄设备类型信息是否相匹配时，具体还包括获取所述处理效果数据中的实测耗时值和实测图片质量参数值，所述实测耗时值和实测图片质量参数值为采用该种压缩算法对样本图片进行压缩处理后得到的压缩耗时值和图片质量参数值。然后，通过根据所述实测耗时参数值和实测图片质量参数值从预设的匹配度值映射关系表中进行查找，获取与所述实测耗时参数值相对应的第一匹配度值以及所述实测图片质量参数值对应的第二匹配度值。得到所述第一匹配度值以及所述第二匹配度值之后，按照所述第一匹配度值和第二匹配度值对应的权重值对所述第一匹配度值和第二匹配度值进行加权求和计算，得到所述压缩算法与分组样本图片之间的总匹配度值，进一步地，将所述总匹配度值与预设的匹配度阈值进行比对，当所述总匹配度值满足预设的匹配度阈值要求时，判断所述压缩算法与所述分组样本图片对应的拍摄设备类型信息相匹配，进而确定所述第一类型信息为与所述压缩算法相匹配的目标类型信息。

在一些实施例中，当所述预设的压缩算法配置模型中预先配置两种或两种以上压缩算法时，采用每一种压缩算法对每一分组的样本图片进行压缩处理，以使每一分组的样本图片都具有多组处理效果数据，其中每一组处理效果数据对应一种压缩算法。此时，分组的样本图片所对应的第一类型信息即为目标类型信息，通过比较所述分组的样本图片在采用不同压缩算法时对应的匹配度，获取匹配度最高的压缩算法作为与所述目标类型信息相匹配的压缩算法。

为解决上述技术问题本发明实施例还提供一种图片压缩控制装置。具体请参阅图5，图5为本发明实施例提供的图片压缩控制装置基本结构框图。

如图5所示，一种图片压缩控制装置，包括：接收模块10、处理模块20以及执行模块30。其中，所述接收模块10用于接收终端发送的图片压缩指令，其中，所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；所述处理模块20用于将所述目标类型信息输入至预设的压缩算法配置模型中，以获取与所述待压缩图片相对应的目标压缩算法，其中，所述预设的压缩算法配置模型中设置有类型信息与压缩算法之间的映射关系；所述执行模块30用于根据所述目标压缩算法对所述待压缩图片进行压缩处理。

在一些实施例中，所述图片压缩控制装置还包括：第一设置子模块、第一处理子模块和第一执行子模块。其中，所述第一设置子模块用于在所述预设的压缩算法配置模型中预先配置至少一种压缩算法；所述第一处理子模块用于对所述压缩算法进行样本图片训练，以从所述样本图片训练中识别出与所述压缩算法相匹配的目标类型信息；所述第一执行子模块用于将所述压缩算法与其相匹配的目标类型信息进行映射关联，以生成训练至收敛状态的压缩算法配置模型。

在一些实施例中，所述图片压缩控制装置还包括：第一获取子模块、第二处理子模块、第三处理子模块以及第二执行子模块。其中，所述第一获取子模块用于获取样本图片及所述样本图片所对应的拍摄设备的第一类型信息；所述第二处理子模块用于按照所述第一类型信息对所述获取的样本图片进行组别划分，以使属于同一组别的样本图片具有相同或相似的第一类型信息；所述第三处理子模块用于采用所述预先配置的压缩算法对所述样本图片进行压缩处理，并对属于同一组别的样本图片经压缩处理后对应的处理效果数据进行分组记录；所述第二执行子模块用于根据所述处理效果数据计算所述压缩算法与每一分组的样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息。

在一些实施例中，在所述图片压缩控制装置中，所述处理效果数据包括图片压缩过程的实测耗时参数和图片压缩后的实测图片质量参数。

在一些实施例中，所述图片压缩控制装置还包括：第二获取子模块、第三获取子模块、第四处理子模块以及第三执行子模块。其中，所述第二获取子模块用于获取所述处理效果数据中的实测耗时参数值和实测图片质量参数值；所述第三获取子模块用于从预设的匹配度值映射关系表中获取与所述实测耗时参数值相对应的第一匹配度值以及所述实测图片质量参数值对应的第二匹配度值；所述第四处理子模块用于对所述第一匹配度值和第二匹配度值进行加权求和计算，以得到所述压缩算法与每一分组的样本图片之间的总匹配度值；所述第三执行子模块用于将所述总匹配度值与预设的匹配度阈值进行比对，当所述总匹配度值满足预设的匹配度阈值要求时，判断所述第一类型信息为与所述压缩算法相匹配的目标类型信息。

在一些实施例中，当所述预设的压缩算法配置模型中预先配置两种或两种以上压缩算法时，所述图片压缩控制装置还包括：第四执行子模块。所述第四执行子模块用于对于任意分组的样本图片，比较所述分组的样本图片在采用不同压缩算法时对应的匹配度，获取匹配度最高的压缩算法作为与所述目标类型信息相匹配的压缩算法。

上述实施例所述的图片压缩控制装置通过接收终端发送的图片压缩指令，以获取所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；然后将所述类型信息输入至预设的压缩算法配置模型中，以依据所述类型信息有针对性地进行压缩算法配置，进而获取得到与所述待压缩图片相对应的目标压缩算法；最后采用所述获取的目标压缩算法对所述待压缩图片进行压缩处理。由于对每一张图片都依据其对应的拍摄设备的类型信息进行针对性的压缩算法配置，智能匹配出最适用于对待压缩图片进行压缩处理的压缩算法，解决了图片压缩质量差以及识别率低等问题，同时提升了系统性能，满足了用户对图片的实际压缩需求。

为解决上述技术问题，本发明实施例还提供了一种计算机设备。具体请参阅图6，图6为本发明实施例提供的计算机设备基本结构框图。

如图6所示，计算机设备的内部结构示意图。如图6所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种图片压缩控制方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种图片压缩控制方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在本实施例中，所述处理器用于执行图5中接收模块10、处理模块20和执行模块30的具体功能，而所述存储器存储有执行上述模块所需的程序代码和各类数据。所述网络接口用于向用户终端或服务器之间的数据传输。本实施例中的存储器存储有图片压缩控制装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。

上述实施例所述的计算机设备通过接收终端发送的图片压缩指令，以获取所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；然后将所述类型信息输入至预设的压缩算法配置模型中，以依据所述类型信息有针对性地进行压缩算法配置，进而获取得到与所述待压缩图片相对应的目标压缩算法；最后采用所述获取的目标压缩算法对所述待压缩图片进行压缩处理。由于对每一张图片都依据其对应的拍摄设备的类型信息进行针对性的压缩算法配置，智能匹配出最适用于对待压缩图片进行压缩处理的压缩算法，解决了图片压缩质量差以及识别率低等问题，同时提升了系统性能，满足了用户对图片的实际压缩需求。

本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述图片压缩控制方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种图片压缩控制方法，其特征在于，包括以下步骤：

接收终端发送的图片压缩指令，其中，所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；

将所述类型信息输入至预设的压缩算法配置模型中，以获取与所述待压缩图片相对应的目标压缩算法，其中，所述预设的压缩算法配置模型中设置有类型信息与压缩算法之间的映射关系；

根据所述目标压缩算法对所述待压缩图片进行压缩处理。

2.根据权利要求1所述的图片压缩控制方法，其特征在于，将所述类型信息输入至预设的压缩算法配置模型中，以获取与所述待压缩图片相对应的目标压缩算法的步骤之前，还包括：

在所述预设的压缩算法配置模型中预先配置至少一种压缩算法；

对所述压缩算法进行样本图片训练，以从所述样本图片训练中识别出与所述压缩算法相匹配的目标类型信息；

将所述压缩算法与其相匹配的目标类型信息进行映射关联，以生成训练至收敛状态的压缩算法配置模型。

3.根据权利要求2所述的图片压缩控制方法，其特征在于，所述对所述压缩算法进行样本图片训练，以从所述样本图片训练中识别出与所述压缩算法相匹配的目标类型信息的步骤，还包括：

获取样本图片及所述样本图片所对应的拍摄设备的第一类型信息；

按照所述第一类型信息对所述获取的样本图片进行组别划分，以使属于同一组别的样本图片具有相同或相似的第一类型信息；

采用所述预先配置的压缩算法对所述样本图片进行压缩处理，并对属于同一组别的样本图片经压缩处理后对应的处理效果数据进行分组记录；

根据所述处理效果数据计算所述压缩算法与每一分组的样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息。

4.根据权利要求3所述的图片压缩控制方法，其特征在于，所述处理效果数据包括图片压缩过程的实测耗时参数和图片压缩后的实测图片质量参数。

5.根据权利要求4所述的图片压缩控制方法，其特征在于，根据所述处理效果数据计算所述压缩算法与每一分组的样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息的步骤，还包括：

获取所述处理效果数据中的实测耗时参数值和实测图片质量参数值；

从预设的匹配度值映射关系表中获取与所述实测耗时参数值相对应的第一匹配度值以及所述实测图片质量参数值对应的第二匹配度值；

对所述第一匹配度值和第二匹配度值进行加权求和计算，以得到所述压缩算法与每一分组的样本图片之间的总匹配度值；

将所述总匹配度值与预设的匹配度阈值进行比对，当所述总匹配度值满足预设的匹配度阈值要求时，判断所述第一类型信息为与所述压缩算法相匹配的目标类型信息。

6.根据权利要求3所述的图片压缩控制方法，其特征在于，当所述预设的压缩算法配置模型中预先配置两种或两种以上压缩算法时，所述根据所述处理效果数据计算所述压缩算法与每一分组的样本图片之间的匹配度，并根据所述匹配度判断所述第一类型信息是否为与所述压缩算法相匹配的目标类型信息的步骤，还包括：

对于任意分组的样本图片，比较所述分组的样本图片在采用不同压缩算法时对应的匹配度，获取匹配度最高的压缩算法作为与所述目标类型信息相匹配的压缩算法。

7.一种图片压缩控制装置，其特征在于，包括：

接收模块，用于接收终端发送的图片压缩指令，其中，所述图片压缩指令中包括待压缩图片所对应的拍摄设备的类型信息；

处理模块，用于将所述目标类型信息输入至预设的压缩算法配置模型中，以获取与所述待压缩图片相对应的目标压缩算法，其中，所述预设的压缩算法配置模型中设置有类型信息与压缩算法之间的映射关系；

执行模块，用于根据所述目标压缩算法对所述待压缩图片进行压缩处理。

8.根据权利要求7所述的图片压缩控制装置，其特征在于，还包括：

第一设置子模块，用于在所述预设的压缩算法配置模型中预先配置至少一种压缩算法；

第一处理子模块，用于对所述压缩算法进行样本图片训练，以从所述样本图片训练中识别出与所述压缩算法相匹配的目标类型信息；

第一执行子模块，用于将所述压缩算法与其相匹配的目标类型信息进行映射关联，以生成训练至收敛状态的压缩算法配置模型。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述权利要求1至6任意一项所述的图片压缩控制方法。

10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述权利要求1至6中任意一项权利要求所述的图片压缩控制方法。