CN107507255A - 图片压缩质量因子获取方法、系统、设备及存储介质 - Google Patents

Abstract

本发明提供了一种图片压缩质量因子获取方法、系统、设备及存储介质，该方法包括获取一组训练图片，并获取用户选择的各个训练图片所对应的压缩质量因子；计算各个训练图片中多个采样点的颜色种类数和颜色差异数；构建一二维坐标系，将各个训练图片定义为二维坐标系中的一样本点；将待处理图片定义为二维坐标系中的一个待处理点；根据距离待处理点最近的一个或多个样本点的压缩质量因子确定待处理图片的压缩质量因子。本发明适用于多种应用场景，并且其模型的建立过程与具体的图片压缩算法参数无关，让其可适用于多个不同的图片格式；质量评价模块可以持续收集用户评价数据，并定期对模型进行更新，及时反映用户需求的变化。

Description

图片压缩质量因子获取方法、系统、设备及存储介质

技术领域

本发明涉及图片处理技术领域，尤其涉及一种图片压缩质量因子获取方法、系统、设备及存储介质。

背景技术

随着网络的普及以及互联网技术的发展，互联网+旅游等各种新的商业形态已深入改变人们的生活方式。图片作为各站点和用户沟通的重要媒介，其质量和响应速度直接影响着用户使用体验。为了能让用户更快更稳定地获取图片内容，一方面，各大网站普遍使用CDN(Content Delivery Network，内容分发网络)加速技术，其基本做法是通过在网络各处放置节点服务器构成一虚拟网络，然后将用户智能路由到最近的节点下载图片。另一方面，由于用户带宽的限制，尤其在移动网络下，图片尺寸会对响应时间和下载成功率造成巨大影响。经我们测算，在移动网络下图片尺寸每减小10kb，可使响应时长缩小约百毫秒，同时可使失败率下降近50％。缩小图片尺寸带来的另一项好处是可以节省用户移动流量。因此，各互联网公司一直致力于研究怎样在保证视觉与原图一致的情况下，尽可能地减小图片的尺寸的技术。目前已取得一些卓有成效的成果。例如，谷歌公司开源了一种新的WebP压缩算法，与传统的JPEG算法相比，其压缩后的图片尺寸可减小30％左右。该项技术已在各互联网公司移动app端得到了广泛应用。

现有技术中，采用图片的质量因子压缩后的图片的质量，通常采用质量因子(quality，简称q)表示压缩后的图片的质量，q值越大表示图片压缩的质量越高，此时压缩后的图片占用的空间较大；q值越小表示压缩的质量越低，此时压缩后的图片占用的空间较小。例如对于现有技术中常用的jpeg格式的图片，现有技术中通常会该图片设置一个经验初始q值，以便于根据该经验初始q值对jpeg图片进行压缩。例如q值取值范围可以为0-100；同时现有技术中还引入了一个图片相似度的分数(score；简称s)值，该s值表示使用q值对jpeg图片进行压缩后，利用客观评价的方法对于压缩后的图片与原图片的相似度打分，也可以理解为人眼感知的压缩后的jpeg图片质量的分数。例如s值取值范围可以为0-1。s值通常与q值成正比；s值越高，表示压缩后的图片质量越高，压缩后的图片与原图片的相似度越高，对应的q值越大，压缩后的jpeg图片越大；s值越小，表示压缩后的图片质量越低，压缩后的图片与原图片的相似度越低，对应的q值越小，压缩后的jpeg图片越小。

不管对于JPEG还是WebP压缩算法，其都需要设置其质量因子。降低质量因子可使图片尺寸变小，从而带来响应时长变小失败率下降等好处，但同时也会导致图片细节丢失，产生一个个色块，甚至变得模糊不清。考虑到绝大多数应用中，图片都是用于人观看的，所以探究人眼无法感知的最小质量因子具有实际的应用价值。在这方面已有一些探索。例如，专利CN103810694A将压缩后的图像与原图的相似程度表示为分数s，将s与压缩质量因子q的关系建模为一个高斯函数，通过设定一个最小阈值相似度反推出相应的最小质量因子。考虑到相似度的计算以及高斯建模会与人眼感知存在误差，专利CN105791849A引入图片的明暗度对计算的质量因子进行微调，使其更加接近人眼视觉系统接收的视觉图像质量。

然而在实际应用中，现在技术至少存在两个问题：一是已有的用于模拟人主观评价的客观评价方法往往只能近似地表达某一场景下人对图片质量的评价(通过人为实验设定的阈值)，而人对图片质量的要求常常会随着使用场景的不同而不同。以旅游平台为例，用户对2G、3G下的图片质量要求就比4G和WIFI下的低，机票火车票要求要比酒店和度假攻略低，显示酒店列表时图片的质量可以低点，但点开详情后又希望看到清晰高质量的图片；二是现有技术研究对象基本都是JPEG图片，这些技术中用到了JPEG量化表，所以使其不适用于最新提出的WebP图片。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种图片压缩质量因子获取方法、系统、设备及存储介质，适用于多种图片格式和应用场景，并且避免了客观评价无法准确模拟人眼主观评价的问题。

本发明实施例提供一种图片压缩质量因子获取方法，所述方法包括如下步骤：

获取一组训练图片，并获取用户选择的各个所述训练图片所对应的压缩质量因子；

计算各个所述训练图片中多个采样点的颜色种类数和颜色差异数，所述颜色种类数为所述采样点中不同颜色值的数量，所述颜色差异数为所述采样点中不同颜色差异值的数量，各个所述采样点的颜色差异值为该采样点与前一采样点的颜色值差值；

构建训练模型，所述训练模型包括一二维坐标系，两个坐标轴分别表示颜色种类数和颜色差异数，将各个所述训练图片定义为所述二维坐标系中的一样本点；

提取待处理图片的颜色种类数和颜色差异数，并将所述待处理图片定义为所述二维坐标系中的一个待处理点；

根据距离所述待处理点最近的一个或多个样本点的压缩质量因子确定所述待处理图片的压缩质量因子。

可选地，获取各个所述训练图片所对应的压缩质量因子，包括如下步骤：

将各个所述训练图片和采用不同压缩质量因子后的压缩图片提供给用户选择；

根据用户对压缩图片的选择结果确定各个所述训练图片的压缩质量因子。

可选地，还包括如下步骤：

计算各个所述训练图片和采用不同压缩质量因子后的压缩图片之间的相似度；

选择相似度大于预设相似度阈值的压缩图片作为备选压缩图片，将备选压缩图片中对应的最小压缩质量因子作为对应训练图片的初始压缩质量因子；

对于各个所述训练图片，获取到用户的选择结果后，根据用户的选择结果确定对应训练图片的压缩质量因子，未获取到用户的选择结果时，将所述初始压缩质量因子作为对应训练图片的压缩质量因子。

可选地，还包括如下步骤：

计算用户选择的压缩图片与对应的训练图片之间的相似度；

如果用户选择的压缩图片与对应的训练图片之间的相似度小于预设的相似度阈值，则将用户此次对压缩图片的选择结果数据舍弃。

可选地，获取用户对所述压缩图片在不同应用场景下的选择结果；

根据用户对所述压缩图片的选择结果确定各个所述训练图片分别在不同应用场景下的压缩质量因子；

根据所述训练图片在不同应用场景下的压缩质量因子分别构建不同的训练模型，各个所述训练模型与所述应用场景一一对应；

根据待处理图片的应用场景选择与待处理图片对应的训练模型，并将所述待处理图片定义为所对应的训练模型的二维坐标系中的一个待处理点。

可选地，获取用户对所述压缩图片在不同图片格式下的选择结果；

根据用户对所述压缩图片的选择结果确定各个所述训练图片分别在不同图片格式下的压缩质量因子；

根据所述训练图片在不同图片格式下的压缩质量因子分别构建不同的训练模型，各个所述训练模型与所述图片格式一一对应；

根据待处理图片的图片格式选择与待处理图片对应的训练模型，并将所述待处理图片定义为所对应的训练模型的二维坐标系中的一个待处理点。

可选地，还包括如下步骤：

每隔预设间隔时间，将用户在当前时间段的选择结果数据加入一具有预设容量的用户数据队列，所述用户数据队列为先进先出队列；

所述用户数据队列发生更新时，根据所述用户数据队列更新各个所述训练图片所对应的压缩质量因子，并对应更新各个所述样本点的压缩质量因子。

可选地，计算各个所述训练图片中多个采样点的颜色种类数和颜色差异数，包括如下步骤：

计算各个所述训练图片中多个采样点的十六进制颜色值，组成颜色值集合；

计算所述训练图片中各个采样点与前一采样点的十六进制颜色值的差值，组成颜色差值集合；

计算所述训练图片的颜色值集合中不同颜色值的数量，作为所述训练图片的颜色种类数；

计算所述训练图片的颜色差值集合中不同差值的数量，作为所述训练图片的颜色差异数。

可选地，还包括如下步骤：

对各个所述训练图片中多个采样点的颜色种类数和颜色差异数进行归一化处理，使得各个所述训练图片的颜色种类数和颜色差异数均归一化到(0,1)的数值范围之内。

可选地，所述归一化处理包括如下步骤：

计算所述一组训练图片中颜色种类数最大值max1和颜色种类数最小值min1，根据如下公式对各个所述训练图片的颜色种类数进行归一化处理：

其中，x表示所述训练图片的原颜色种类数，x*表示所述训练图片的归一化后的颜色种类数；

计算所述一组训练图片中颜色差异数最大值max2和颜色差异数最小值min2，根据如下公式对各个所述训练图片的颜色差异数进行归一化处理：

其中，y表示所述训练图片的原颜色差异数，y*表示所述训练图片的归一化后的颜色差异数。

可选地，还包括如下步骤：

在各个所述训练图形中选取各个所述像素点作为所述采样点；或

在各个所述训练图形中每隔m个像素点选取一个像素点作为所述采样点，m为预设的采样点选取间隔。

可选地，还包括如下步骤：

采用聚类分析方法将所述样本点划分为多个具有相似特征的聚类；

根据各个所述聚类中各个样本点所对应的压缩质量因子选择各个所述聚类所对应的压缩质量因子。

可选地，采用k均值聚类算法将所述样本点划分为k个具有相似特征的聚类。

可选地，将各个所述聚类中样本点的压缩质量因子的均值作为该聚类的压缩质量因子；或

将各个所述聚类中出现频率最高的压缩质量因子作为该聚类的压缩质量因子。

可选地，确定所述待处理图片的压缩质量因子，包括如下步骤：

将距离所述待处理点最近的聚类的压缩质量因子作为所述待处理图片的压缩质量因子。

可选地，还包括如下步骤：

计算各个所述聚类的中心点的横坐标值和纵坐标值，作为所述聚类的横坐标值和纵坐标值；

根据所述聚类的横坐标值和纵坐标值计算所述待处理点和所述聚类之间的距离。

可选地，确定所述待处理图片的压缩质量因子，包括如下步骤：

将距离所述待处理点最近的n个样本点的压缩质量因子的均值作为所述待处理图片的压缩质量因子，n为预设的邻近样本点数。

可选地，确定所述待处理图片的压缩质量因子，包括如下步骤：

采用k近邻算法将各个所述样本点与所述待处理点之间的距离构建为k-d树；

根据所述k-d树获取与所述待处理点距离最近的k个样本点；

将k个样本点的压缩质量因子的均值作为所述待处理图片的压缩质量因子。

本发明实施例还提供一种图片压缩质量因子获取系统，用于实现所述的图片压缩质量因子获取方法，所述系统包括：

质量评价模块，用于获取一组训练图片，并获取用户选择的各个所述训练图片所对应的压缩质量因子；

数据库，用于存储各个所述训练图片所对应的压缩质量因子；

特征提取量化模块，用于计算各个所述训练图片中多个采样点的颜色种类数和颜色差异数，所述颜色种类数为所述采样点中不同颜色值的数量，所述颜色差异数为所述采样点中不同颜色差异值的数量，各个所述采样点的颜色差异值为该采样点与前一采样点的颜色值差值；

模型构建模块，用于构建训练模型，所述训练模型包括一二维坐标系，两个坐标轴分别表示颜色种类数和颜色差异数，将各个所述训练图片定义为所述二维坐标系中的一样本点；

应用图片模块，用于提取待处理图片的颜色种类数和颜色差异数，并将所述待处理图片定义为所述二维坐标系中的一个待处理点；以及根据距离所述待处理点最近的一个或多个样本点的压缩质量因子确定所述待处理图片的压缩质量因子。

本发明实施例还提供一种图片压缩质量因子获取设备，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行所述的图片压缩质量因子获取方法的步骤。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的图片压缩质量因子获取方法的步骤。

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和解释性的，并不能限制本公开。

本发明所提供的图片压缩质量因子获取方法、系统、设备及存储介质具有下列优点：

本发明提供了一种压缩质量因子选择的技术方案，让用户可设置多个模板的压缩质量因子，解决了不同应用场景对图片质量要求不同的问题，同时避免了客观评价无法准确模拟人眼主观评价的问题；模型的建立过程与具体的图片压缩算法参数无关，让其可适用于多个不同的图片格式；质量评价模块可以持续收集用户评价数据，并定期对模型进行更新，及时反映用户需求的变化。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本发明一实施例的图片压缩质量因子获取方法的流程图；

图2是本发明一实施例的图片质量评价系统的界面示意图；

图3是本发明一实施例的压缩质量因子和SSIM值的关系示意图；

图4是本发明一实施例的压缩质量因子和颜色种类数的关系示意图；

图5是本发明一实施例的压缩质量因子和颜色差异数的关系示意图；

图6是本发明一实施例的颜色种类数和颜色差异数与最佳压缩质量因子的联合分布图；

图7～图10是本发明一实施例的k-平均聚类模型示意图；

图11是本发明一实施例的图片压缩质量因子获取系统的结构示意图；

图12是本发明一实施例的图片压缩质量因子获取设备的结构示意图；

图13是本发明一实施例的计算机可读存储介质的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

如图1所示，所述图片压缩质量因子获取方法包括如下步骤：

S100：获取一组训练图片，并获取用户选择的各个训练图片所对应的压缩质量因子；

S200：计算各个训练图片中多个采样点的颜色种类数和颜色差异数，颜色种类数为采样点中不同颜色值的数量，颜色差异数为采样点中不同颜色差异值的数量，各个采样点的颜色差异值为该采样点与前一采样点的颜色值差值；

S300：构建训练模型，训练模型包括一二维坐标系，两个坐标轴分别表示颜色种类数和颜色差异数，将各个训练图片定义为二维坐标系中的一样本点；

S400：提取待处理图片的颜色种类数和颜色差异数，并将待处理图片定义为二维坐标系中的一个待处理点；

S500：根据距离待处理点最近的一个或多个样本点的压缩质量因子确定待处理图片的压缩质量因子。

采用该种压缩质量因子选择的技术方案，让用户可设置多个模板的压缩质量因子，解决了不同应用场景对图片质量要求不同的问题，同时避免了客观评价无法准确模拟人眼主观评价的问题，并且可以适用于多种图片格式，从而计算图片在各种情况下最佳压缩质量因子。此处最佳压缩质量因子指的是在能够满足用户主观需求的前提下的最小压缩质量因子。从而实现在满足用户需求的前提下的最大程度的图片压缩。下文中将以最佳压缩质量因子为例进行说明，但应当理解的是，本发明的技术方案不仅限于查找最佳压缩质量因子，能满足其他条件的压缩质量因子也可以适用，均属于本发明的保护范围之内。

进一步地，获取各个训练图片所对应的压缩质量因子，包括如下步骤：

将各个训练图片和采用不同压缩质量因子后的压缩图片提供给用户选择；根据用户对压缩图片的选择结果确定各个训练图片的压缩质量因子。

由于不同使用场景下对于图片质量要求不同，现有的客观评价方法无法满足此要求，为此本该实施例可以采用图片质量评价系统来获取用户的主观选择结果。对于一张原图，该系统可以生成一组其在各种压缩质量因子下的压缩图片，用户登录后，可以首先建立一个模板，然后选择与原图相比可接受的最小压缩质量因子下的压缩图片，系统会根据此次选择的结果记录该压缩图片的压缩质量因子作为用户选择的最佳压缩质量因子。

如图2所示，为该实施例中质量评价系统的结构示意图。其中可以同时将原图和不同的压缩图片同时展示给用户，给用户以直观的体验。图中theta即表示压缩质量因子。用户可以直接根据多个压缩图片以及原图的对比，选择能够接受的最小压缩质量因子下的压缩图片。另外，在实际应用中，也可以采用多个用户对同一个原图的压缩图片进行选择，各个用户可能会选择不同的压缩图片，此时可以将多个用户选择的压缩图片所对应的压缩质量因子进行平均，选择均值作为该训练图片的最佳压缩质量因子。

进一步地，用户可定义多个模板，并分别选择图片分别在这些模板下的最佳质量因子以满足不同应用场合的需求。具体地，可以获取用户对压缩图片在不同应用场景下的选择结果；根据用户对压缩图片的选择结果确定各个训练图片分别在不同应用场景下的最佳压缩质量因子；

然后根据训练图片在不同应用场景下的最佳压缩质量因子分别构建不同的训练模型，各个训练模型与应用场景一一对应；根据待处理图片的应用场景选择与待处理图片对应的训练模型，并将待处理图片定义为所对应的训练模型的二维坐标系中的一个待处理点。

进一步地，由于图片在同一质量因子下使用不同的文件格式压缩后人眼感官上的质量会有所不同，因此用户在建立模板时可以选择最终应用的图片格式，或者让质量评价系统自动区分每种格式设置最佳质量因子。具体地，可以获取用户对压缩图片在不同图片格式下的选择结果；根据用户对压缩图片的选择结果确定各个训练图片分别在不同图片格式下的最佳压缩质量因子；

然后根据训练图片在不同图片格式下的最佳压缩质量因子分别构建不同的训练模型，各个训练模型与图片格式一一对应；根据待处理图片的图片格式选择与待处理图片对应的训练模型，并将待处理图片定义为所对应的训练模型的二维坐标系中的一个待处理点。

例如，当酒店产品开发者想上传一系列酒店房型图片用作在手机app端展示时。在用户登录质量评价系统后，首先需建立一个模板，并命名为“酒店列表展示”，选择应用格式为WebP。上传成功后，系统将生成一系列原图在各质量因子下WebP压缩图片。如图2所示，质量评价系统给出了原图在质量因子为75-25范围内的11张压缩图片。选择压缩质量因子上限为75，是因为75为公司当前版本图片处理系统选用的统一默认值，但不限于此，该实施例的目的是找到小于75的最佳质量因子，以使图片尺寸进一步降低。选择25为下限，是因为当质量因子小于25时，图片质量的损失已很容易被肉眼察觉，但不以此为限。使用者也可根据自己的应用实际调整上下限值的大小。接下来，上传者需选择一个合适的压缩质量因子，根据用户观察，压缩质量因子为25时的图片已能满足作为酒店列表的需求，因此用户选择压缩质量因子25提交后，系统将记录25为该图片最佳压缩质量因子值并记录到数据库中。实际上，图2所示图片，质量25时尺寸(8.8kb)已比75时(18.2kb)减小51.6％。

当有其他需求时，比如用户希望点击列表图片时，能够查看大图详情。此时可再建立一个模板，命名为“酒店图片详情”，并选择此模板下合适的压缩质量因子，例如65，那么系统将记录65为此图片在此模板下的最佳压缩质量因子。

在实际应用中，图片纹理和背景越复杂，以及应用场景要求的图片尺寸越小，倾向于选择的质量因子越小，反之，选择的质量因子较大。

进一步地，为了使系统在初始时未有任何人工训练选择的情况下也可正常运行，可设定相似度阈值s*，利用客观评价方法计算每幅图在该阈值下的质量因子q*作为初始的最佳质量因子。具体地，可以包括如下步骤：

计算各个训练图片和采用不同压缩质量因子后的压缩图片之间的相似度；选择相似度大于预设相似度阈值的压缩图片作为备选压缩图片，将备选压缩图片中对应的最小压缩质量因子作为对应训练图片的初始最佳压缩质量因子。

对于各个训练图片，获取到用户的选择结果后，根据用户的选择结果确定对应训练图片的最佳压缩质量因子，未获取到用户的选择结果时，将初始最佳压缩质量因子作为对应训练图片的最佳压缩质量因子。

进一步地，为了防止出现人为恶意评价或者因其他的原因导致的主观评价结果与实际不符的情况，该装置可通过比较主观评价质量因子压缩后的图片相似度s和设定的阈值s*来判别评价是否有效。当两者的偏差大于设定的阈值Δs时，会认为该条评价为“脏数据”，系统自动舍弃该数据。具体地，可以首先计算用户选择的压缩图片与对应的训练图片之间的相似度；如果用户选择的压缩图片与对应的训练图片之间的相似度小于预设的相似度阈值，则将用户此次对压缩图片的选择结果数据舍弃。

更具体地，该实施例引入了客观评价方法SSIM(结构相似因子)对用户评价结果进行筛选，SSIM是一种衡量两幅图像相似度的指标。。在分析一万张图片在各质量因子下的SSIM值的分布后，如图3所示，选取阈值0.984。当图片在用户选取的质量因子下的SSIM值小于上述阈值后，就认为该评价为无效评价，系统自动舍弃该评价数据。

该实施例中，计算各个训练图片中多个采样点的颜色种类数和颜色差异数，包括如下步骤：

计算各个训练图片中多个采样点的十六进制颜色值，组成颜色值集合；例如纯红色像素点R、G、B数值分别为255、0、0，可用0xff0000表示这个像素点的值。具体各种颜色的十六进制颜色值可以根据计算机中的十六进制颜色码来获取。那么，这张图片的颜色值可表示为一个集合。每张图片颜色种类数是指这个集合中不同值的个数。

计算训练图片中各个采样点与前一采样点的十六进制颜色值的差值，组成颜色差值集合；对于有p个值的颜色集合，逐一计算第i个(2≤i≤p)与i-1个元素的差值，构成一差值集合。每张图片的颜色差异数是指差值集合中不同值的个数。

然后可以根据两个集合，分别计算训练图片的颜色值集合中不同颜色值的数量，作为训练图片的颜色种类数；以及计算训练图片的颜色差值集合中不同差值的数量，作为训练图片的颜色差异数。

进一步地，为了简化模型建立过程中的算法。该实施例中对各个训练图片中多个采样点的颜色种类数和颜色差异数进行归一化处理，使得各个训练图片的颜色种类数和颜色差异数均归一化到(0,1)的数值范围之内。该实施例中采用离差标准化方法进行归一化处理。具体地，可以包括如下步骤：

计算一组训练图片中颜色种类数最大值max1和颜色种类数最小值min1，根据如下公式对各个训练图片的颜色种类数进行归一化处理：

其中，x表示训练图片的原颜色种类数，x*表示训练图片的归一化后的颜色种类数；

计算一组训练图片中颜色差异数最大值max2和颜色差异数最小值min2，根据如下公式对各个训练图片的颜色差异数进行归一化处理：

其中，y表示训练图片的原颜色差异数，y*表示训练图片的归一化后的颜色差异数。

进一步地，采样点的选取方式可以有多种，例如可以在各个训练图形中选取各个像素点作为采样点；或者为了简化算法，可以采用抽样的数据，在各个训练图形中每隔m个像素点选取一个像素点作为采样点，m为预设的采样点选取间隔。例如每隔4个像素点抽取一个采样点等等。

例如针对图2中示出的像素为640x319的原图，每隔4个像素点采样一次，共可获得51040个采样点，用一个十六进制数值表示各个采样点的颜色值。颜色种类数是指这51040个颜色值中不同值的个数，图2中求得10143。针对这51040个颜色值，逐一计算各个颜色值与前一个颜色值的差值，构成51039个差值的集合，颜色差异数是指这51040个值中不同值的个数，图2中求得532。

按照上述方式对每张图片进行处理，得到每张训练图片的颜色种类数和颜色差异数，可以获得一个颜色种类数序列和颜色差异数序列，进行归一化处理后，就可以得到一个其中数值均处于(0,1)范围内的颜色种类数序列和颜色差异数序列。图4和图5分别给出了归一化后的颜色种类数和颜色差异数与压缩质量因子的关系图。后续为了将颜色种类数和颜色差异数放在同一个平面中考量，在构建训练模型时，建立所述二维坐标系，将各个图片转化为二维坐标系中的一个样品点。最佳压缩质量因子和颜色种类数以及颜色差异数之间的关系可以参照图6所示。其中图4中也包含了一些异常点，例如颜色种类数大于1的部分，在统计时可以只统计颜色种类数小于1的部分。

在该实施例中，还可以采用聚类分析方法建立图片特征参量和压缩质量因子的训练模型。首先采用聚类分析方法将样本点划分为多个具有相似特征的聚类；然后根据各个聚类中各个样本点所对应的最佳压缩质量因子选择各个聚类所对应的最佳压缩质量因子。

进一步地，该实施例中采用k均值聚类算法将样本点划分为k个具有相似特征的聚类。k均值聚类算法是先随机选取k个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。其中，k值可以根据实际需要进行选择。

可选地，在聚类完成后，可以将各个聚类中样本点的最佳压缩质量因子的均值作为该聚类的最佳压缩质量因子；或者可以将各个聚类中出现频率最高的最佳压缩质量因子作为该聚类的最佳压缩质量因子。

图7～图10中示出了k均值聚类算法在不同的k值时的聚类模型图，图7中k为4，图8中k为5，图9中k为6，图10中k为7。例如图10示出的，此时会将样本点划分为7个聚类。对于每个聚类，选择出现频率最高的最佳压缩质量因子作为该聚类的最佳压缩质量因子，从左至右，从上至下每个聚类的压缩质量因子分别为70,65,60,25,30,55,75。

进一步地，确定待处理图片的最佳压缩质量因子时，可以将距离待处理点最近的聚类的最佳压缩质量因子作为待处理图片的最佳压缩质量因子。该中心点的横纵坐标分别为该聚类中所有样本点的横纵坐标的均值。在计算与待处理点的距离时，首先计算各个聚类的中心点的横坐标值和纵坐标值，作为聚类的横坐标值和纵坐标值；根据聚类的横坐标值和纵坐标值以及待处理点的横坐标值和纵坐标值计算待处理点和聚类之间的距离。

例如，图10所示的聚集的中心点分别为：(0.05,0.57)，(0.06,0.43)，(0.08,0.70)，(0.18,0.59)，(0.21,0.82)，(0.36,0.69)，(0.75,0.79)。例如，待处理图片的颜色种类数和颜色差异数为(0.21,0.34)，计算待处理点与图10中心点的距离分别为：0.28,0.17,0.38,0.25,0.48,0.38,0.7,显然0.17最小，那么选取包括该中心点的聚类对应的压缩质量因子65为待处理图片的最佳压缩质量因子。

此外，确定待处理图片的最佳压缩质量因子时，也可以将距离待处理点最近的n个样本点的最佳压缩质量因子的均值作为待处理图片的最佳压缩质量因子，n为预设的邻近样本点数。

在该实施例中，采用k近邻算法将各个样本点与待处理点之间的距离构建为k-d树；然后根据k-d树获取与待处理点距离最近的k个样本点；将k个样本点的最佳压缩质量因子的均值作为待处理图片的最佳压缩质量因子。其中，k值可以根据需要进行选择。k近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的k个实例(也就是上面所说的k个邻居)

进一步地，由于质量评价系统会持续收集新的图片评价数据，为了避免数据无限增大，可舍弃之前的数据而选择固定长度的最新数据用于生成新的聚类并计算特征质量因子。可定期执行这一动作，以及时更新模型，满足不同时期用户可能对图片质量要求不同的需求。具体地，在该实施例中，每隔预设间隔时间，将用户在当前时间段的选择结果数据加入一具有预设容量的用户数据队列，用户数据队列为先进先出队列；用户数据队列发生更新时，根据用户数据队列更新各个训练图片所对应的最佳压缩质量因子，并对应更新各个样本点的最佳压缩质量因子。例如，将用户数据队列设置为具有两万条用户数据的队列，每隔7天会拉去新增的用户数据。具体预设间隔时间和预设容量可以根据需要选取。

如图11所示，本发明实施例还提供一种图片压缩质量因子获取系统，用于实现所述的图片压缩质量因子获取方法，所述系统包括质量评价模块100、数据库200、特征提取量化模块300、模型构建模块400和应用图片模块500。其中：

所述质量评价模块100即实现了上述质量评价系统的功能，用于获取一组训练图片，并获取用户选择的各个训练图片所对应的压缩质量因子；

所述数据库200用于存储各个训练图片所对应的压缩质量因子；

所述特征提取量化模块300用于计算各个训练图片中多个采样点的颜色种类数和颜色差异数，颜色种类数为采样点中不同颜色值的数量，颜色差异数为采样点中不同颜色差异值的数量，各个采样点的颜色差异值为该采样点与前一采样点的颜色值差值；

所述模型构建模块400用于构建训练模型，训练模型包括一二维坐标系，两个坐标轴分别表示颜色种类数和颜色差异数，将各个训练图片定义为二维坐标系中的一样本点；

所述应用图片模块500用于提取待处理图片的颜色种类数和颜色差异数，并将待处理图片定义为二维坐标系中的一个待处理点；以及根据距离待处理点最近的一个或多个样本点的压缩质量因子确定待处理图片的压缩质量因子。

进一步地，还可以设置图片上传模块，以上传训练图片和待处理图片。

采用该种压缩质量因子选择的系统，让用户可设置多个模板的最佳质量因子，解决了不同应用场景对图片质量要求不同的问题，同时避免了客观评价无法准确模拟人眼主观评价的问题，并且可以适用于多种图片格式，从而计算图片在各种情况下压缩质量因子。

本发明实施例还提供一种图片压缩质量因子获取设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的图片压缩质量因子获取方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。

下面参照图12来描述根据本发明的这种实施方式的电子设备600。图12显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图12所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的图片压缩质量因子获取方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图13所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本发明所提供的图片压缩质量因子获取方法、系统、设备及存储介质具有下列优点：

本发明提供了一种压缩质量因子选择的技术方案，让用户可设置多个模板的压缩质量因子，解决了不同应用场景对图片质量要求不同的问题，同时避免了客观评价无法准确模拟人眼主观评价的问题；模型的建立过程与具体的图片压缩算法参数无关，让其可适用于多个不同的图片格式；质量评价模块可以持续收集用户评价数据，并定期对模型进行更新，及时反映用户需求的变化。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (21)

1.一种图片压缩质量因子获取方法，其特征在于，包括如下步骤：

获取一组训练图片，并获取用户选择的各个所述训练图片所对应的压缩质量因子；

计算各个所述训练图片中多个采样点的颜色种类数和颜色差异数，所述颜色种类数为所述采样点中不同颜色值的数量，所述颜色差异数为所述采样点中不同颜色差异值的数量，各个所述采样点的颜色差异值为该采样点与前一采样点的颜色值差值；

构建训练模型，所述训练模型包括一二维坐标系，两个坐标轴分别表示颜色种类数和颜色差异数，将各个所述训练图片定义为所述二维坐标系中的一样本点；

提取待处理图片的颜色种类数和颜色差异数，并将所述待处理图片定义为所述二维坐标系中的一个待处理点；

根据距离所述待处理点最近的一个或多个样本点的压缩质量因子确定所述待处理图片的压缩质量因子。

2.根据权利要求1所述的图片压缩质量因子获取方法，其特征在于，获取各个所述训练图片所对应的压缩质量因子，包括如下步骤：

将各个所述训练图片和采用不同压缩质量因子后的压缩图片提供给用户选择；

根据用户对压缩图片的选择结果确定各个所述训练图片的压缩质量因子。

3.根据权利要求2所述的图片压缩质量因子获取方法，其特征在于，还包括如下步骤：

计算各个所述训练图片和采用不同压缩质量因子后的压缩图片之间的相似度；

选择相似度大于预设相似度阈值的压缩图片作为备选压缩图片，将备选压缩图片中对应的最小压缩质量因子作为对应训练图片的初始压缩质量因子；

对于各个所述训练图片，获取到用户的选择结果后，根据用户的选择结果确定对应训练图片的压缩质量因子，未获取到用户的选择结果时，将所述初始压缩质量因子作为对应训练图片的压缩质量因子。

4.根据权利要求2所述的图片压缩质量因子获取方法，其特征在于，还包括如下步骤：

计算用户选择的压缩图片与对应的训练图片之间的相似度；

如果用户选择的压缩图片与对应的训练图片之间的相似度小于预设的相似度阈值，则将用户此次对压缩图片的选择结果数据舍弃。

5.根据权利要求2所述的图片压缩质量因子获取方法，其特征在于，获取用户对所述压缩图片在不同应用场景下的选择结果；

根据用户对所述压缩图片的选择结果确定各个所述训练图片分别在不同应用场景下的压缩质量因子；

根据所述训练图片在不同应用场景下的压缩质量因子分别构建不同的训练模型，各个所述训练模型与所述应用场景一一对应；

根据待处理图片的应用场景选择与待处理图片对应的训练模型，并将所述待处理图片定义为所对应的训练模型的二维坐标系中的一个待处理点。

6.根据权利要求2所述的图片压缩质量因子获取方法，其特征在于，获取用户对所述压缩图片在不同图片格式下的选择结果；

根据用户对所述压缩图片的选择结果确定各个所述训练图片分别在不同图片格式下的压缩质量因子；

根据所述训练图片在不同图片格式下的压缩质量因子分别构建不同的训练模型，各个所述训练模型与所述图片格式一一对应；

根据待处理图片的图片格式选择与待处理图片对应的训练模型，并将所述待处理图片定义为所对应的训练模型的二维坐标系中的一个待处理点。

7.根据权利要求2所述的图片压缩质量因子获取方法，其特征在于，还包括如下步骤：

每隔预设间隔时间，将用户在当前时间段的选择结果数据加入一具有预设容量的用户数据队列，所述用户数据队列为先进先出队列；

所述用户数据队列发生更新时，根据所述用户数据队列更新各个所述训练图片所对应的压缩质量因子，并对应更新各个所述样本点的压缩质量因子。

8.根据权利要求1所述的图片压缩质量因子获取方法，其特征在于，计算各个所述训练图片中多个采样点的颜色种类数和颜色差异数，包括如下步骤：

计算各个所述训练图片中多个采样点的十六进制颜色值，组成颜色值集合；

计算所述训练图片中各个采样点与前一采样点的十六进制颜色值的差值，组成颜色差值集合；

计算所述训练图片的颜色值集合中不同颜色值的数量，作为所述训练图片的颜色种类数；

计算所述训练图片的颜色差值集合中不同差值的数量，作为所述训练图片的颜色差异数。

9.根据权利要求1所述的图片压缩质量因子获取方法，其特征在于，还包括如下步骤：

对各个所述训练图片中多个采样点的颜色种类数和颜色差异数进行归一化处理，使得各个所述训练图片的颜色种类数和颜色差异数均归一化到(0,1)的数值范围之内。

10.根据权利要求9所述的图片压缩质量因子获取方法，其特征在于，所述归一化处理包括如下步骤：

计算所述一组训练图片中颜色种类数最大值max1和颜色种类数最小值min1，根据如下公式对各个所述训练图片的颜色种类数进行归一化处理：

<mrow> <mi>x</mi> <mo>*</mo> <mo>=</mo> <mfrac> <mrow> <mi>x</mi> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mn>1</mn> </mrow> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mn>1</mn> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mn>1</mn> </mrow> </mfrac> </mrow>

其中，x表示所述训练图片的原颜色种类数，x*表示所述训练图片的归一化后的颜色种类数；

计算所述一组训练图片中颜色差异数最大值max2和颜色差异数最小值min2，根据如下公式对各个所述训练图片的颜色差异数进行归一化处理：

<mrow> <mi>y</mi> <mo>*</mo> <mo>=</mo> <mfrac> <mrow> <mi>y</mi> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mn>2</mn> </mrow> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mn>2</mn> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mn>2</mn> </mrow> </mfrac> </mrow>

其中，y表示所述训练图片的原颜色差异数，y*表示所述训练图片的归一化后的颜色差异数。

11.根据权利要求1所述的图片压缩质量因子获取方法，其特征在于，还包括如下步骤：

在各个所述训练图形中选取各个所述像素点作为所述采样点；或

在各个所述训练图形中每隔m个像素点选取一个像素点作为所述采样点，m为预设的采样点选取间隔。

12.根据权利要求1所述的图片压缩质量因子获取方法，其特征在于，还包括如下步骤：

采用聚类分析方法将所述样本点划分为多个具有相似特征的聚类；

根据各个所述聚类中各个样本点所对应的压缩质量因子选择各个所述聚类所对应的压缩质量因子。

13.根据权利要求12所述的图片压缩质量因子获取方法，其特征在于，采用k均值聚类算法将所述样本点划分为k个具有相似特征的聚类。

14.根据权利要求12所述的图片压缩质量因子获取方法，其特征在于，将各个所述聚类中样本点的压缩质量因子的均值作为该聚类的压缩质量因子；或

将各个所述聚类中出现频率最高的压缩质量因子作为该聚类的压缩质量因子。

15.根据权利要求14所述的图片压缩质量因子获取方法，其特征在于，确定所述待处理图片的压缩质量因子，包括如下步骤：

将距离所述待处理点最近的聚类的压缩质量因子作为所述待处理图片的压缩质量因子。

16.根据权利要求15所述的图片压缩质量因子获取方法，其特征在于，还包括如下步骤：

计算各个所述聚类的中心点的横坐标值和纵坐标值，作为所述聚类的横坐标值和纵坐标值；

根据所述聚类的横坐标值和纵坐标值计算所述待处理点和所述聚类之间的距离。

17.根据权利要求1所述的图片压缩质量因子获取方法，其特征在于，确定所述待处理图片的压缩质量因子，包括如下步骤：

将距离所述待处理点最近的n个样本点的压缩质量因子的均值作为所述待处理图片的压缩质量因子，n为预设的邻近样本点数。

18.根据权利要求17所述的图片压缩质量因子获取方法，其特征在于，确定所述待处理图片的压缩质量因子，包括如下步骤：

采用k近邻算法将各个所述样本点与所述待处理点之间的距离构建为k-d树；

根据所述k-d树获取与所述待处理点距离最近的k个样本点；

将k个样本点的压缩质量因子的均值作为所述待处理图片的压缩质量因子。

19.一种图片压缩质量因子获取系统，用于实现权利要求1至18中任一项所述的图片压缩质量因子获取方法，其特征在于，所述系统包括：

质量评价模块，用于获取一组训练图片，并获取用户选择的各个所述训练图片所对应的压缩质量因子；

数据库，用于存储各个所述训练图片所对应的压缩质量因子；

特征提取量化模块，用于计算各个所述训练图片中多个采样点的颜色种类数和颜色差异数，所述颜色种类数为所述采样点中不同颜色值的数量，所述颜色差异数为所述采样点中不同颜色差异值的数量，各个所述采样点的颜色差异值为该采样点与前一采样点的颜色值差值；

模型构建模块，用于构建训练模型，所述训练模型包括一二维坐标系，两个坐标轴分别表示颜色种类数和颜色差异数，将各个所述训练图片定义为所述二维坐标系中的一样本点；

应用图片模块，用于提取待处理图片的颜色种类数和颜色差异数，并将所述待处理图片定义为所述二维坐标系中的一个待处理点；以及根据距离所述待处理点最近的一个或多个样本点的压缩质量因子确定所述待处理图片的压缩质量因子。

20.一种图片压缩质量因子获取设备，其特征在于，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至18中任一项所述的图片压缩质量因子获取方法的步骤。

21.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至18中任一项所述的图片压缩质量因子获取方法的步骤。