CN113420170B - 大数据图像的多线程存储方法、装置、设备和介质 - Google Patents

Abstract

本公开的实施例公开了大数据图像的多线程存储方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：接收客户端发送的大数据图像集合；对大数据图像集合进行分页处理，得到分页图像组集合；从分页图像组集合中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合；对目标分页图像集合进行排序分组，得到待处理图像组集合；基于待处理图像组集合和与待处理图像组集合对应的多个数据处理服务，生成处理结果集合；根据处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合。该实施方式可以降低图像操作失误的频率，从而，可以提高图像识别服务器中图像的可参考性。

Description

大数据图像的多线程存储方法、装置、设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及大数据图像的多线程存储方法、装置、电子设备和计算机可读介质。

背景技术

多线程，是指从软件或者硬件上实施的多个线程并发执行的技术，可以实现在同一时间执行多个线程。在利用多线程技术将图像存入图像识别服务器或将图像从图像识别服务器中删除时，通常是随机的利用线程对图像进行处理。

然而，当采用上述方式时经常会存在如下技术问题：

随机利用线程对图像进行处理，难以控制多线程中各个程序运行的先后顺序，导致存入图像识别服务器和从图像识别服务器中删除图像的操作顺序较为混乱，从而，导致对图像操作失误的频率较高，进而，使得图像识别服务器中的图像的可参考性较低。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了大数据图像的多线程存储方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种大数据图像的多线程存储方法，该方法包括：接收客户端发送的大数据图像集合；对上述大数据图像集合进行分页处理，得到分页图像组集合；从上述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合；对上述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合；基于上述待处理图像组集合和与上述待处理图像组集合对应的多个数据处理服务，生成处理结果集合；根据上述处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合。

第二方面，本公开的一些实施例提供了一种大数据图像的多线程存储装置，装置包括：接收单元，被配置成接收客户端发送的大数据图像集合；分页处理单元，被配置成对上述大数据图像集合进行分页处理，得到分页图像组集合；筛选单元，被配置成从上述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合；排序分组单元，被配置成对上述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合；生成单元，被配置成基于上述待处理图像组集合和与上述待处理图像组集合对应的多个数据处理服务，生成处理结果集合；确定单元，被配置成根据上述处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，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上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的大数据图像的多线程存储方法将图像存入图像识别服务器，提高了图像识别服务器中的图像的可参考性。具体来说，造成图像识别服务器中的图像的可参考性较低的原因在于：随机利用线程对图像进行处理，难以控制多线程中各个程序运行的先后顺序，导致存入图像识别服务器和从图像识别服务器中删除图像的操作顺序较为混乱，从而，导致对图像操作失误的频率较高。基于此，本公开的一些实施例的大数据图像的多线程存储方法，首先，可以接收客户端发送的大数据图像集合。由此，可以对接收到的大数据图像集合进行数据处理。然后，可以对上述大数据图像集合进行分页处理，得到分页图像组集合。由此，可以在大数据图像存入图像识别服务器时，由于断电或者网络中断导致图像存储程序暂停，但当通电或者网络连接后，可以进行断点续传，从而提高了图像处理的速度。接着，可以从上述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合。由此，可以剔除图像清晰度较低的图像，提高了图像的质量。之后，可以对上述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合。由此，可以将相似度较高的图像进行分组，使得图像的分类更加明确。而后，可以基于上述待处理图像组集合和与上述待处理图像组集合对应的多个数据处理服务，生成处理结果集合。由此，可以利用多个数据处理服务将分类后的图像存入图像识别服务器。最后，可以根据上述处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合。由此，可以确定在存入图像识别服务器时发生程序中断的图像，对发生程序中断的图像进行重新存入图像识别服务器。由此，可以控制多线程中各个程序运行的先后顺序，使得存入图像识别服务器和从图像识别服务器中删除图像的操作顺序较为明确，从而，使得图像操作失误的频率降低，进而，提高了图像识别服务器中图像的可参考性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的大数据图像的多线程存储方法的一个应用场景的示意图；

图2是根据本公开的大数据图像的多线程存储方法的一些实施例的流程图；

图3是根据本公开的大数据图像的多线程存储装置的一些实施例的结构示意图；

图4是根据本公开的大数据图像的多线程存储方法的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开的一些实施例的大数据图像的多线程存储方法的一个应用场景的示意图100。

在图1的应用场景中，首先，计算设备101可以接收客户端发送的大数据图像集合102。然后，计算设备101可以对上述大数据图像集合102进行分页处理，得到分页图像组集合103。接着，计算设备101可以从上述分页图像组集合103中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合104。之后，计算设备101可以对上述目标分页图像集合104中的每个目标分页图像进行排序分组，得到待处理图像组集合105。而后，计算设备101可以基于上述待处理图像组集合105和与上述待处理图像组集合对应的多个数据处理服务，生成处理结果集合106。最后，计算设备101可以根据上述处理结果集合106，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合107。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备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计算设备。

继续参考图2，示出了根据本公开的大数据图像的多线程存储方法的一些实施例的流程200。该大数据图像的多线程存储方法，包括以下步骤：

步骤201，接收客户端发送的大数据图像集合。

在一些实施例中，大数据图像的多线程存储方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式接收客户端发送的大数据图像集合。其中，上述大数据图像集合中的大数据图像可以是大数据人脸图像。

步骤202，对大数据图像集合进行分页处理，得到分页图像组集合。

在一些实施例中，上述执行主体可以将上述大数据图像集合进行分页存储，即将上述大数据图像集合存放到不同的文件夹中，一个文件夹中存放预定数目个大数据图像，从而得到分页图像组集合。

在一些实施例的一些可选的实现方式中，上述对上述大数据图像集合进行分页处理，得到分页图像组集合，可以包括以下步骤：

第一步，获取上述大数据图像集合中每个大数据图像的发送时间和预定数目个分页文件夹的图像保存数量。其中，上述预定数目个分页文件夹的图像保存数量可以根据实际需要设定，这里不做限制。

第二步，根据上述大数据图像集合中每个大数据图像的发送时间，依次将上述大数据图像集合保存至上述预定数目个分页文件夹中。

作为示例，可以根据上述大数据图像集合中每个大数据图像的发送时间的先后，对发送时间在前的大数据图像先进行保存。比如，一个大数据图像发送时间为2021-01-01-12：00，另一个大数据图像发送时间为2021-01-01-12：01。则先将在2021-01-01-12：00发送的大数据图像保存至上述预定数目个分页文件夹中中的任意一个分页文件夹中，然后，再将2021-01-01-12：01发送的大数据图像保存至2021-01-01-12：00发送的大数据图像保存的分页文件夹中。

第三步，将上述预定数目个分页文件夹中的每个分页文件夹中的大数据图像确定为分页图像，得到分页图像组集合。其中，上述分页图像可以是大数据图像。上述分页图像组可以是每个分页文件夹中的大数据图像。

可选地，可以根据上述大数据图像集合中每个大数据图像的发送时间，将上述大数据图像集合保存至任意一个分页文件夹中；并记录上述任意一个分页文件夹的序号，得到第一序号；响应于确定上述任意一个分页文件夹中保存的大数据图像的数量与上述任意一个分页文件夹的图像保存数量一致，将未保存至上述任意一个分页文件夹中的大数据图像依次保存至其他分页文件夹，其中，上述其他分页文件夹为除上述任意一个分页文件夹之外的分页文件夹；并记录上述其他分页文件夹的序号，得到第二序号集合。

作为示例，将在2021-01-01-12：00发送的大数据图像保存至上述预定数目个分页文件夹中中的任意一个分页文件夹中后，再将2021-01-01-12：01发送的大数据图像保存至2021-01-01-12：00发送的大数据图像保存的分页文件夹中。并将该分页文件夹的序号记为1。该分页文件夹的图像保存数量可以是5。当该分页文件夹中保存的大数据图像的数量为5时，将接收到的大数据图像保存至其他分页文件夹，其中，上述其他分页文件夹为除上述任意一个分页文件夹之外的分页文件夹。并记录该分页文件夹的序号为2。以此类推，直到将接收到的所有的大数据图像都保存在分页文件夹中。其中，上述第二序号集合中的第二序号的数量可以是一个或者多个。

步骤203，从分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合。

在一些实施例中，上述执行主体可以从上述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合。其中，上述第一预设条件可以是分页图像的清晰度大于预定阈值。

在一些实施例的一些可选的实现方式中，可以通过以下步骤从上述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合：

根据上述第一序号和上述第二序号集合，以序号由小到大的顺序，依次从上述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合。

作为示例，第一序号可以是1，第二序号集合可以是{2、3}。可以以分页文件夹1、分页文件夹2、分页文件夹3的顺序，依次从上述分页图像组集合中的每个分页图像组中筛选出图像的清晰度大于预定阈值的分页图像作为目标分页图像，得到目标分页图像集合。

步骤204，对目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合。

在一些实施例中，上述执行主体可以对上述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合。其中，上述待处理图像组集合可以是排序分组后的目标分页图像集合。

在一些实施例的一些可选的实现方式中，上述对上述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合，可以包括以下步骤：

第一步，对上述目标分页图像集合中的各个目标分页图像进行相似度比较，得到相似度值集合。其中，可以利用欧氏距离和余弦距离来进行图像的相似度比较。

第二步，将相似度值集合中达到预定阈值的相似度对应的目标分页图像进行归类，得到相似图像组集合。

作为示例，拍摄的一个人的各个人脸图像的相似度可以达到99％，即可以将相似度达到99％的人脸图像进行归类。

第三步，将上述相似图像组集合中的每个相似图像组中的各个相似图像按照图像发送时间的先后进行排序，得到排序后的相似图像组集合。

第四步，将上述排序后的相似图像组集合确定为待处理图像组集合。

步骤205，基于待处理图像组集合和与待处理图像组集合对应的多个数据处理服务，生成处理结果集合。

在一些实施例中，上述执行主体可以基于上述待处理图像组集合和与上述待处理图像组集合对应的多个数据处理服务，生成处理结果集合。

在一些实施例的一些可选的实现方式中，可以通过以下步骤基于上述待处理图像组集合和与上述待处理图像组集合对应的多个数据处理服务，生成处理结果集合：

基于上述待处理图像组集合，调用与上述待处理图像组集合对应的多个数据处理服务，以对上述待处理图像组集合进行图像入库处理，得到处理结果集合。

在一些实施例中，上述待处理图像组集合中的每个待处理图像组可以对应一个数据处理服务，该数据处理服务可以对该待处理图像组集合进行图像入库处理。其中，上述图像入库处理可以是将图像导入预设的人脸识别服务器中。

步骤206，根据处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合。

在一些实施例中，上述执行主体可以将上述处理结果集合中满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合。其中，上述第二预设条件可以是待处理图像组集合在进行图像入库处理时，由于断电或者网络问题，无法继续入库的图像。

可选的，可以将上述目标处理结果集合对应的待处理图像确定为异常处理图像，得到异常处理图像集合；再调用与上述目标处理结果集合对应的异常数据处理服务，以对上述异常处理图像集合进行图像入库处理。

在一些实施例中，上述执行主体可以将无法继续入库的图像确定为异常处理图像集合，并调用与上述目标处理结果集合对应的异常数据处理服务以对上述异常处理图像集合进行图像入库处理。其中，上述异常数据处理服务可以用于对由于断电或者网络问题等无法继续入库的图像进行再次入库处理。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的大数据图像的多线程存储方法将图像存入图像识别服务器，提高了图像识别服务器中的图像的可参考性。具体来说，造成图像识别服务器中的图像的可参考性较低的原因在于：随机利用线程对图像进行处理，难以控制多线程中各个程序运行的先后顺序，导致存入图像识别服务器和从图像识别服务器中删除图像的操作顺序较为混乱，从而，导致对图像操作失误的频率较高。基于此，本公开的一些实施例的大数据图像的多线程存储方法，首先，可以接收客户端发送的大数据图像集合。由此，可以对接收到的大数据图像集合进行数据处理。然后，可以对上述大数据图像集合进行分页处理，得到分页图像组集合。由此，可以在大数据图像存入图像识别服务器时，由于断电或者网络中断导致图像存储程序暂停，但当通电或者网络连接后，可以进行断点续传，从而提高了图像处理的速度。接着，可以从上述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合。由此，可以剔除图像清晰度较低的图像，提高了图像的质量。之后，可以对上述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合。由此，可以将相似度较高的图像进行分组，使得图像的分类更加明确。而后，可以基于上述待处理图像组集合和与上述待处理图像组集合对应的多个数据处理服务，生成处理结果集合。由此，可以利用多个数据处理服务将分类后的图像存入图像识别服务器。最后，可以根据上述处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合。由此，可以确定在存入图像识别服务器时发生程序中断的图像，对发生程序中断的图像进行重新存入图像识别服务器。由此，可以控制多线程中各个程序运行的先后顺序，使得存入图像识别服务器和从图像识别服务器中删除图像的操作顺序较为明确，从而，使得图像操作失误的频率降低，进而，提高了图像识别服务器中图像的可参考性。

进一步参考图3，作为对上述各图上述方法的实现，本公开提供了一种大数据图像的多线程存储装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，一些实施例的大数据图像的多线程存储装置300包括：接收单元301、分页处理单元302、筛选单元303、排序分组单元304、生成单元305和确定单元306。其中，接收单元301，被配置成接收客户端发送的大数据图像集合；分页处理单元302，被配置成对上述大数据图像集合进行分页处理，得到分页图像组集合；筛选单元303，被配置成从上述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合；排序分组单元304，被配置成对上述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合；生成单元305，被配置成基于上述待处理图像组集合和与上述待处理图像组集合对应的多个数据处理服务，生成处理结果集合；确定单元306，被配置成根据上述处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合。

可以理解的是，该装置300中记载的诸单元与参考图2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、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。

下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(例如，图1中的计算设备101)400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口404也连接至总线404。

通常，以下装置可以连接至I/O接口404：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：接收客户端发送的大数据图像集合；对上述大数据图像集合进行分页处理，得到分页图像组集合；从上述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合；对上述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合；基于上述待处理图像组集合和与上述待处理图像组集合对应的多个数据处理服务，生成处理结果集合；根据上述处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合。

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公开的一些实施例的操作的计算机程序代码，上述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，图示了按照本公开各种实施例的系统、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。

描述于本公开的一些实施例中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：一种处理器包括接收单元、分页处理单元、筛选单元、排序分组单元、生成单元和确定单元。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“接收客户端发送的大数据图像集合的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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。

Claims (9)

1.一种大数据图像的多线程存储方法，包括：

接收客户端发送的大数据图像集合；

对所述大数据图像集合进行分页处理，得到分页图像组集合；

从所述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合，其中，所述第一预设条件是分页图像的清晰度大于预定阈值；

对所述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合；

基于所述待处理图像组集合和与所述待处理图像组集合对应的多个数据处理服务，生成处理结果集合，其中，所述待处理图像组集合中的数据处理服务对对应的待处理图像组进行图像入库处理；

根据所述处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合，其中，所述第二预设条件是所述待处理图像组集合在进行图像入库处理时，由于断电或者网络问题，无法继续入库的图像；

将所述目标处理结果集合对应的待处理图像确定为异常处理图像，得到异常处理图像集合；

调用与所述目标处理结果集合对应的异常数据处理服务，以对所述异常处理图像集合进行图像入库处理。

2.根据权利要求1所述的方法，其中，所述基于所述待处理图像组集合和与所述待处理图像组集合对应的多个数据处理服务，生成处理结果集合，包括：

基于所述待处理图像组集合，调用与所述待处理图像组集合对应的多个数据处理服务，以对所述待处理图像组集合进行图像入库处理，得到处理结果集合。

3.根据权利要求2所述的方法，其中，所述对所述大数据图像集合进行分页处理，得到分页图像组集合，包括：

获取所述大数据图像集合中每个大数据图像的发送时间和预定数目个分页文件夹的图像保存数量；

根据所述大数据图像集合中每个大数据图像的发送时间，依次将所述大数据图像集合保存至所述预定数目个分页文件夹中；

将所述预定数目个分页文件夹中的每个分页文件夹中的大数据图像确定为分页图像，得到分页图像组集合。

4.根据权利要求3所述的方法，其中，所述根据所述大数据图像集合中每个大数据图像的发送时间，依次将所述大数据图像集合保存至所述预定数目个分页文件夹中，包括：

根据所述大数据图像集合中每个大数据图像的发送时间，将所述大数据图像集合保存至任意一个分页文件夹中；

记录所述任意一个分页文件夹的序号，得到第一序号；

响应于确定所述任意一个分页文件夹中保存的大数据图像的数量与所述任意一个分页文件夹的图像保存数量一致，将未保存至所述任意一个分页文件夹中的大数据图像依次保存至其他分页文件夹，其中，所述其他分页文件夹为除所述任意一个分页文件夹之外的分页文件夹；

记录所述其他分页文件夹的序号，得到第二序号集合。

5.根据权利要求4所述的方法，其中，所述从所述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合，包括：

根据所述第一序号和所述第二序号集合，以序号由小到大的顺序，依次从所述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合。

6.根据权利要求5所述的方法，其中，所述对所述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合，包括：

对所述目标分页图像集合中的各个目标分页图像进行相似度比较，得到相似度值集合；

将相似度值集合中达到预定阈值的相似度对应的目标分页图像进行归类，得到相似图像组集合；

将所述相似图像组集合中的每个相似图像组中的各个相似图像按照图像发送时间的先后进行排序，得到排序后的相似图像组集合；

将所述排序后的相似图像组集合确定为待处理图像组集合。

7.一种大数据图像的多线程存储装置，包括：

接收单元，被配置成接收客户端发送的大数据图像集合；

分页处理单元，被配置成对所述大数据图像集合进行分页处理，得到分页图像组集合；

筛选单元，被配置成从所述分页图像组集合中的每个分页图像组中筛选出满足第一预设条件的分页图像作为目标分页图像，得到目标分页图像集合，其中，所述第一预设条件是分页图像的清晰度大于预定阈值；

排序分组单元，被配置成对所述目标分页图像集合中的每个目标分页图像进行排序分组，得到待处理图像组集合；

生成单元，被配置成基于所述待处理图像组集合和与所述待处理图像组集合对应的多个数据处理服务，生成处理结果集合，其中，所述待处理图像组集合中的数据处理服务对对应的待处理图像组进行图像入库处理；

确定单元，被配置成根据所述处理结果集合，将满足第二预设条件的处理结果确定为目标处理结果，得到目标处理结果集合，其中，所述第二预设条件是所述待处理图像组集合在进行图像入库处理时，由于断电或者网络问题，无法继续入库的图像；

异常处理图像确定单元，被配置成将所述目标处理结果集合对应的待处理图像确定为异常处理图像，得到异常处理图像集合；

图像入库处理单元，被配置成调用与所述目标处理结果集合对应的异常数据处理服务，以对所述异常处理图像集合进行图像入库处理。

8.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images