CN114219731A - 图片优化方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种图片优化方法、装置、设备以及存储介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术。该方法包括：获取待优化图片，记为基准图片；判断待优化图片是否模糊，基于与判断结果对应的操作对待优化图片进行处理，将处理后的图片作为当前图片；执行以下迭代步骤：若确定当前图片与基准图片的相似度不满足预设的相似度阈值，将当前图片作为下轮迭代的基准图片，对待优化图片处理，将处理后的图片作为下轮迭代的当前图片，进行下轮迭代；若确定当前图片与基准图片的相似度满足相似度阈值，停止迭代；将当前图片确定为优化后的图片。本公开提供的方法可以在保证关键信息不丢失的情况下，对待优化图片进行优化处理。

Description

图片优化方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术，尤其涉及图片优化方法、装置、设备以及存储介质。

背景技术

随着web(World Wide Web，全球广域网，也称为万维网)的普及，网络应用变得越来越客户端化，具有很强交互性的客户端技术给用户带来了更高、更全方位的网络体验，而随之带来的是，图片在web网络应用中所占的比重越来越大。图片是网页展示信息的一个重要途径，图片的质量以及图片内容的丰富程度都是搜索引擎的一个核心指标，图片的质量以及图片内容的丰富程度也决定了用户搜索全流程的浏览体验。

发明内容

本公开提供了一种图片优化方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种图片优化方法，包括：获取待优化图片，记为基准图片；判断待优化图片是否模糊，基于与判断结果对应的操作对待优化图片进行处理，将处理后的图片作为当前图片；执行以下迭代步骤：响应于确定当前图片与基准图片之间的相似度不满足预设的相似度阈值，将当前图片作为下一轮迭代过程的基准图片，继续对待优化图片进行处理，将处理后的图片作为下一轮迭代过程的当前图片，并进行下一轮迭代过程；响应于确定当前图片与基准图片之间的相似度满足预设的相似度阈值，停止迭代过程；将当前图片确定为优化后的图片。

根据本公开的第二方面，提供了一种图片优化装置，包括：第一获取模块，被配置成获取待优化图片，记为基准图片；处理模块，被配置成判断待优化图片是否模糊，基于与判断结果对应的操作对待优化图片进行处理，将处理后的图片作为当前图片；迭代模块，被配置成执行以下迭代步骤：响应于确定当前图片与基准图片之间的相似度不满足预设的相似度阈值，将当前图片作为下一轮迭代过程的基准图片，继续对待优化图片进行处理，将处理后的图片作为下一轮迭代过程的当前图片，并进行下一轮迭代过程；终止模块，被配置成响应于确定当前图片与基准图片之间的相似度满足预设的相似度阈值，停止迭代过程；确定模块，被配置成将当前图片确定为优化后的图片。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的图片优化方法的一个实施例的流程图；

图3是根据本公开的图片优化方法的另一个实施例的流程图；

图4是根据本公开的图片优化方法的又一个实施例的流程图；

图5是根据本公开的图片优化装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的图片优化方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，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。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的图片优化方法或图片优化装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成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。

服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取的待优化图片进行分析和处理，并生成处理结果(例如优化后的图片)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的图片优化方法一般由服务器105执行，相应地，图片优化装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器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终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的图片优化方法的一个实施例的流程200。该图片优化方法包括以下步骤：

步骤201，获取待优化图片，记为基准图片。

在本实施例中，图片优化方法的执行主体(例如图1所示的服务器105)可以获取待优化图片，并将其记为基准图片。其中，待优化图片可以是通过终端拍摄功能进行拍照或者从终端存储数据库中提取而获得；也可以是用户在进行内容发布时，上述执行主体在用户上传的过程中所获取的，本实施例中对此不做具体限定。上述执行主体在获取待优化图片后，会将待优化图片记为基准图片。

步骤202，判断待优化图片是否模糊，基于与判断结果对应的操作对待优化图片进行处理，将处理后的图片作为当前图片。

在本实施例中，上述执行主体可以判断步骤201中获取的待优化图片是否模糊，从而得到对应的判断结果，其中，判断结果可以为待优化图片为模糊状态，或者是待优化图片不是模糊状态也即待优化图片为非模糊状态。其中，上述执行主体可以基于现有的深度学习模型来判断待优化图片是否模糊，例如Brenner梯度函数、Tenengrad梯度函数、Laplacian梯度函数等，本公开对此不做具体限定。

然后，上述执行主体会基于与判断结果对应的操作对待优化图片进行处理，并将处理后的图片作为当前图片。例如，当判断结果为待优化图片为模糊状态时，上述执行主体会对待优化图片进行放大处理，并将放大处理后的图片作为当前图片。再例如，当判断结果为待优化图片为非模糊状态时，上述执行主体会对待优化图片进行压缩处理，并将压缩处理后的图片作为当前图片。

步骤203，判断当前图片与基准图片之间的相似度是否满足预设的相似度阈值。

在本实施例中，上述执行主体会判断当前图片与基准图片之间的相似度是否满足预设的相似度阈值，其中，相似度阈值可根据情况进行设定，本实施例中对此不进行限定。具体地，本实施例中是判断当前图片的特征信息与基准图片的特征信息之间的相似度是否满足预设的相似度阈值，也即上述执行主体可以提取当前图片的特征信息以及基准图片的特征信息，然后判断当前图片的特征信息与基准图片的特征信息之间的相似度是否满足预设的相似度阈值，若不满足，则执行步骤204；若满足，则执行步骤205。

具体地，在提取图片特征的过程中，上述执行主体会默认以图片的中心点进行识别，然后提取图片的特征信息。其中，特征信息可以包括图片中的主体的信息以及该主体在图片中的坐标信息，主体可以为图片中的主要文字内容，主体还可以为具体的物体等，然后将提取的主体内容及其坐标信息作为该图片的特征信息。在提取了基准图片的特征信息以及当前图片的特征信息后，上述执行主体会计算当前图片的特征信息与基准图片的特征信息之间的相似度，并判断该相似度是否满足相似度阈值。

需要说明的是，由于在对图片进行处理的过程中，上述文字的坐标信息会变化，所以本实施例中的坐标信息指的是相对坐标，也即本实施例中提取的是文字或物体在图片中的相对坐标信息。

步骤204，将当前图片作为下一轮迭代过程的基准图片，继续对待优化图片进行处理，将处理后的图片作为下一轮迭代过程的当前图片。

在本实施例中，在确定当前图片与基准图片之间的相似度不满足预设的相似度阈值的情况下，也即当前图片的特征信息(当前图片中的主体以及主体的相对坐标)与基准图片的特征信息(基准图片中的主体以及主体的相对坐标)之间的相似度不满足预设的相似度阈值的情况下，上述执行主体会将当前图片作为下一轮迭代过程的基准图片。也即在本实施例中，在当前图片与基准图片之间的相似度不满足预设的相似度阈值的情况下，会将上一轮处理过的图片作为此时的基准图片，然后，上述执行主体会继续对待优化图片进行处理，并将此时处理后的图片作为最新的当前图片，然后进行下一轮迭代过程，也即重新执行步骤203，判断此时的当前图片与基准图片之间的相似度是否满足相似度阈值，直至当前图片与基准图片之间的相似度满足预设的相似度阈值。

作为示例，响应于确定当前图片与基准图片之间的相似度不满足预设的相似度阈值，上述执行主体会将当前图片作为下一轮迭代过程的基准图片；然后继续将待优化图片进行放大，并将放大后的图片作为下一轮迭代过程的当前图片；之后，判断当前图片的特征信息与基准图片的特征信息之间的相似度是否满足相似度阈值。

步骤205，将当前图片确定为优化后的图片。

在本实施例中，在确定当前图片与基准图片之间的相似度满足预设的相似度阈值的情况下，也即当前图片的特征信息(当前图片中的主体以及主体的相对坐标)与基准图片的特征信息(基准图片中的主体以及主体的相对坐标)之间的相似度满足预设的相似度阈值的情况下，，会停止迭代过程，上述执行主体会直接将当前图片确定为优化后的图片。当前图片的特征信息与基准图片的特征信息之间的相似度满足相似度阈值，说明当前放大倍数下或当前压缩比率下的图片已经可以准确提取出其特征信息了，此时就无需再继续进行放大或压缩了，所以，上述执行主体会将此时的当前图片作为对待优化图片进行优化后的图片。

本公开实施例提供的图片优化方法，首先获取待优化图片，记为基准图片；然后判断待优化图片是否模糊，基于与判断结果对应的操作对待优化图片进行处理，将处理后的图片作为当前图片；之后，判断当前图片与基准图片之间的相似度是否满足预设的相似度阈值，响应于确定当前图片与基准图片之间的相似度不满足预设的相似度阈值，将当前图片作为下一轮迭代过程的基准图片，继续对待优化图片进行处理，将处理后的图片作为下一轮迭代过程的当前图片，并进行下一轮迭代过程；响应于确定当前图片与基准图片之间的相似度满足预设的相似度阈值，停止迭代过程；最后将当前图片确定为优化后的图片。本实施例中的图片优化方法，该方法首先对待优化图片的模糊状态进行判断，然后采用与判断结果对应的操作对待优化图片进行处理，并比较当前图片的特征信息与前一次处理得到的图片的特征信息之间的相似度是否满足预设的相似度阈值，若不满足，则继续进行处理，直至处理前后的图片的特征信息之间的相似度满足相似度阈值，则结束迭代过程，从而在保证图片中关键信息不丢失的情况下，对待优化图片进行智能分析及优化，提高了图片优化的效率以及准确度。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

继续参考图3，图3示出了根据本公开的图片优化方法的另一个实施例的流程300。该图片优化方法包括以下步骤：

步骤301，获取待优化图片，记为基准图片。

步骤301与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤302，响应于待优化图片为模糊状态，将待优化图片放大至第一预设倍数，得到第一图片，并将第一图片作为当前图片。

在本实施例中，在待优化图片为模糊状态的情况下，图片优化方法的执行主体(例如图1所示的服务器105)可以将待优化图片放大至第一预设倍数，从而得到第一图片，并将该第一图片记为当前图片。作为示例，可将第一预设倍数设置为2，也即先将待优化图片放大2倍。在本实施例中，可采用图像无损放大技术将待优化图片进行放大，也即将待优化图片的长宽都放大2倍，并保证图片质量无损。待优化图片为模糊状态，则对待优化图片进行放大处理，从而使得处理后的图片能够更加清晰。

步骤303，判断当前图片与基准图片之间的相似度是否满足预设的相似度阈值。

在本实施例中，上述执行主体可以提取当前图片的特征信息以及基准图片的特征信息，然后判断当前图片的特征信息与基准图片的特征信息之间的相似度是否满足预设的相似度阈值。若不满足，则执行步骤304；若满足，则执行步骤305。

步骤304，将当前图片作为下一轮迭代过程的基准图片，将待优化图片放大至第二预设倍数，得到第二图片，将第二图片作为下一轮迭代过程的当前图片。

在本实施例中，上述执行主体可以将当前图片作为下一轮迭代过程的基准图片，并继续将待优化图片放大至第二预设倍数，得到第二图片，将第二图片作为下一轮迭代过程的当前图片，然后再继续进行下一轮迭代，也即继续判断新的当前图片的特征信息与基准图片的特征信息之间的相似度是否满足相似度阈值，其中，第二预设倍数大于第一预设倍数。

需要说明的是，上述执行主体会预先设定一个放大倍数阈值(最大放大倍数值)，那么第一放大倍数以及第二放大倍数都应该是大于1且小于放大倍数阈值的数值，且第一放大倍数小于第二放大倍数，例如可将其设置为16倍，也可根据实际情况将其设定为其他数值，本实施例对此不做具体限定。

而对待优化图片进行放大的过程应该是一个循序渐进的过程，也即上述执行主体会逐渐将待优化图片放大至最大放大倍数，例如可以设置每次将放大倍数增加2，也即第一次可以待优化图片放大2倍，第二次将待优化图片放大4倍，第三次将待优化图片放大6倍……以此类推，直至将待优化图片放大至最大放大倍数。因为假设直接将待优化图片放大至最大放大倍数，那么此时该图片是清晰的，可以提取出图片中的主体信息，但是可能将待优化图片放大至比最大放大倍数小的值，就达到了该效果，此时将待优化图片放大至最大放大倍数就会导致浪费存储空间问题的出现。所以，在本实施例中，会逐渐将待优化图片进行放大，也即逐渐增大放大倍数，直至达到最大放大倍数值。

步骤305，将当前图片确定为优化后的图片。

步骤305与前述实施例的步骤205基本一致，具体实现方式可以参考前述对步骤205的描述，此处不再赘述。

步骤306，获取优化后的图片的尺寸信息。

在本实施例中，在确定优化后的图片后，上述执行主体可以获取优化后的图片的尺寸大小信息。并且，上述执行主体可以预先设定一个图片的期望大小区间，上述执行主体在获取了优化后的图片的尺寸信息后，会判断该尺寸信息是否在预设的期望大小区间内。

步骤307，响应于确定尺寸信息在第一预设区间内，调整优化后的图片的对比度和/或锐度。

在本实施例中，在确定优化后的图片的尺寸信息在第一预设区间(期望大小区间)内的情况下，上述执行主体会调整优化后的图片的对比度和/或锐度信息。例如，可采用图像增强技术来对优化后的图片中的过暗或者过亮部分的对比度进行调整，从而使图像更加鲜明。再例如，可采用图像清晰度增强技术调整优化后的图像的锐度(清晰度)，也即对优化后的图像去噪，优化图像纹理细节，从而使画面更加自然清晰。

从图3中可以看出，与图2对应的实施例相比，本实施例中的图片优化方法，该方法在待优化图片为模糊状态的情况下，对待优化图片进行放大处理，并不断比较进行放大处理前后的图片的特征信息之间的相似度是否满足预设的相似度阈值，基于比较结果来确定最佳放大倍数，得到优化后的图片，从而实现了对模糊图片的智能分析以及处理，从而得到清晰的图片；此外，在优化后的图片的尺寸信息在预设区间内的情况下，调整优化后的图片的对比度和/或锐度，从而使得优化后的图片更加清晰、鲜明，提高了优化后的图片的质量。

继续参考图4，图4示出了根据本公开的图片优化方法的又一个实施例的流程400。该图片优化方法包括以下步骤：

步骤401，获取待优化图片，记为基准图片。

步骤401与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤402，响应于待优化图片为非模糊状态，将待优化图片压缩至第一预设压缩率，得到第三图片，并将第三图片作为当前图片。

在本实施例中，在待优化图片为非模糊状态的情况下，图片优化方法的执行主体(例如图1所示的服务器105)可以将待优化图片压缩(或缩小)至第一预设压缩率，从而得到第三图片，并将该第三图片记为当前图片。作为示例，可将第一预设压缩率设置为1/2，也即先将待优化图片压缩至1/2。在本实施例中，可采用图像无损压缩技术将待优化图片进行压缩，保证图片质量无损。待优化图片为非模糊状态，说明待优化图片是清晰的，从而可以对其进行压缩处理，从而在保证图片中信息不丢失的情况下，节省其占用空间。

步骤403，判断当前图片与基准图片之间的相似度是否满足预设的相似度阈值。

在本实施例中，上述执行主体可以判断当前图片的特征信息与基准图片的特征信息之间的相似度是否满足预设的相似度阈值。若不满足，则执行步骤404；若满足，则执行步骤405。

步骤404，将当前图片作为下一轮迭代过程的基准图片，将待优化图片压缩至第二预设压缩率，得到第四图片，将第四图片作为下一轮迭代过程的当前图片。

在本实施例中，上述执行主体可以将当前图片作为下一轮迭代过程的基准图片，并继续将待优化图片压缩至第二预设压缩率，得到第四图片，将第四图片作为下一轮迭代过程的当前图片，然后再进行下一轮迭代过程，也即继续判断新的当前图片的特征信息与基准图片的特征信息之间的相似度是否满足相似度阈值，其中，第二预设压缩率小于第一压缩率。

需要说明的是，上述执行主体会预先设定一个压缩率阈值(最小压缩率值)，那么第一预设压缩率以及第二预设压缩率都应该是大于压缩率阈值且小于1的数值，且第二预设压缩率小于第一压缩率，例如可将其设置为1/16，也可根据实际情况将其设定为其他数值，本实施例对此不做具体限定。

而对待优化图片进行压缩的过程应该是一个循序渐进的过程，也即上述执行主体会逐渐将待优化图片压缩至压缩率阈值，例如可以设置每次将压缩率调整1/2，也即第一次可以待优化图片压缩为1/2，第二次将待优化图片压缩为1/4，第三次将待优化图片压缩1/8……以此类推，直至将待优化图片压缩至压缩率阈值。从而避免直接将待优化图片压缩至最小压缩率导致的图片不清晰以及无法提取图片中的特征信息的问题的出现。

步骤405，将当前图片确定为优化后的图片。

步骤406，获取优化后的图片的尺寸信息。

在本实施例中，在确定优化后的图片后，上述执行主体可以获取优化后的图片的尺寸大小信息。并且，上述执行主体可以预先设定一个图片的期望大小区间，上述执行主体在获取了优化后的图片的尺寸信息后，会判断该尺寸信息是否在预设的期望大小区间内。步骤405-406与前述实施例的步骤305-306基本一致，具体实现方式可以参考前述对步骤305-306的描述，此处不再赘述。

步骤407，响应于确定尺寸信息在第二预设区间内，调整优化后的图片的压缩比率。

在本实施例中，在确定优化后的图片的尺寸信息在第二预设区间(期望大小区间)内的情况下，上述执行主体会调整优化后的图片的压缩比率。具体地，可将优化后的图片再放大一个预设倍数，从而解决由于压缩后导致的人眼和机器识别的最小粒度问题，保证优化后的图片的清晰度。

从图4中可以看出，与图3对应的实施例相比，本实施例中的图片优化方法，该方法在待优化图片为非模糊状态的情况下，对待优化图片进行压缩处理，并不断比较进行压缩处理前后的图片的特征信息之间的相似度是否满足预设的相似度阈值，基于比较结果来确定最佳压缩比率，得到优化后的图片，从而实现了对非模糊图片的智能分析以及优化，从而得到占用空间更小的图片，降低了服务器的带宽及存储的成本，也为用户节省了网络资源的消耗；此外，在优化后的图片的尺寸信息在预设区间内的情况下，调整优化后的图片的压缩比率，从而解决由于压缩后导致的人眼和机器识别的最小粒度问题，保证优化后的图片的清晰度。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种图片优化装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的图片优化装置500包括：第一获取模块501、处理模块502、迭代模块503、终止模块504和确定模块505。其中，第一获取模块501，被配置成获取待优化图片，记为基准图片；处理模块502，被配置成判断待优化图片是否模糊，基于与判断结果对应的操作对待优化图片进行处理，将处理后的图片作为当前图片；迭代模块503，被配置成执行以下迭代步骤：响应于确定当前图片与基准图片之间的相似度不满足预设的相似度阈值，将当前图片作为下一轮迭代过程的基准图片，继续对待优化图片进行处理，将处理后的图片作为下一轮迭代过程的当前图片，并进行下一轮迭代过程；终止模块504，被配置成响应于确定当前图片与基准图片之间的相似度满足预设的相似度阈值，停止迭代过程；确定模块505，被配置成将当前图片确定为优化后的图片。

在本实施例中，图片优化装置500中：第一获取模块501、处理模块502、迭代模块503、终止模块504和确定模块505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，判断结果包括待优化图片为模糊状态；以及处理模块包括：第一放大子模块，被配置成将待优化图片放大至第一预设倍数，得到第一图片；第一确定子模块，被配置成将第一图片作为当前图片。

在本实施例的一些可选的实现方式中，迭代模块包括：第二放大子模块，被配置成将待优化图片放大至第二预设倍数，得到第二图片，其中，第二预设倍数大于第一预设倍数；第二确定子模块，被配置成将第二图片作为下一轮迭代过程的当前图片。

在本实施例的一些可选的实现方式中，图片优化装置500还包括：第二获取模块，被配置成获取优化后的图片的尺寸信息；第一调整模块，被配置成响应于确定尺寸信息在第一预设区间内，调整优化后的图片的对比度和/或锐度。

在本实施例的一些可选的实现方式中，判断结果包括待优化图片为非模糊状态；以及处理模块包括：第一压缩子模块，被配置成将待优化图片压缩至第一预设压缩率，得到第三图片；第三确定子模块，被配置成将第三图片作为当前图片。

在本实施例的一些可选的实现方式中，迭代模块包括：第二压缩子模块，被配置成将待优化图片压缩至第二预设压缩率，得到第四图片，其中，第二预设压缩率小于第一预设压缩率；第四确定子模块，被配置成将第四图片作为下一轮迭代过程的当前图片。

在本实施例的一些可选的实现方式中，图片优化装置500还包括：第三获取模块，被配置成获取优化后的图片的尺寸信息；第二调整模块，被配置成响应于确定尺寸信息在第二预设区间内，调整优化后的图片的压缩比率。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如图片优化方法。例如，在一些实施例中，图片优化方法或图像检索方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的图片优化方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图片优化方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种图片优化方法，包括：

获取待优化图片，记为基准图片；

判断所述待优化图片是否模糊，基于与判断结果对应的操作对所述待优化图片进行处理，将处理后的图片作为当前图片；

执行以下迭代步骤：响应于确定所述当前图片与所述基准图片之间的相似度不满足预设的相似度阈值，将所述当前图片作为下一轮迭代过程的基准图片，继续对所述待优化图片进行处理，将处理后的图片作为下一轮迭代过程的当前图片，并进行下一轮迭代过程；

响应于确定所述当前图片与所述基准图片之间的相似度满足所述预设的相似度阈值，停止迭代过程；

将所述当前图片确定为优化后的图片。

2.根据权利要求1所述的方法，其中，所述判断结果包括所述待优化图片为模糊状态；以及

所述基于与判断结果对应的操作对所述待优化图片进行处理，将处理后的图片作为当前图片，包括：

将所述待优化图片放大至第一预设倍数，得到第一图片；

将所述第一图片作为当前图片。

3.根据权利要求2所述的方法，其中，所述继续对所述待优化图片进行处理，将处理后的图片作为下一轮迭代过程的当前图片，包括：

将所述待优化图片放大至第二预设倍数，得到第二图片，其中，所述第二预设倍数大于所述第一预设倍数；

将所述第二图片作为下一轮迭代过程的当前图片。

4.根据权利要求3所述的方法，还包括：

获取所述优化后的图片的尺寸信息；

响应于确定所述尺寸信息在第一预设区间内，调整所述优化后的图片的对比度和/或锐度。

5.根据权利要求1所述的方法，其中，所述判断结果包括所述待优化图片为非模糊状态；以及

所述基于与判断结果对应的操作对所述待优化图片进行处理，将处理后的图片作为当前图片，包括：

将所述待优化图片压缩至第一预设压缩率，得到第三图片；

将所述第三图片作为当前图片。

6.根据权利要求5所述的方法，其中，所述继续对所述待优化图片进行处理，将处理后的图片作为下一轮迭代过程的当前图片，包括：

将所述待优化图片压缩至第二预设压缩率，得到第四图片，其中，所述第二预设压缩率小于所述第一预设压缩率；

将所述第四图片作为下一轮迭代过程的当前图片。

7.根据权利要求6所述的方法，还包括：

获取所述优化后的图片的尺寸信息；

响应于确定所述尺寸信息在第二预设区间内，调整所述优化后的图片的压缩比率。

8.一种图片优化装置，包括：

第一获取模块，被配置成获取待优化图片，记为基准图片；

处理模块，被配置成判断所述待优化图片是否模糊，基于与判断结果对应的操作对所述待优化图片进行处理，将处理后的图片作为当前图片；

迭代模块，被配置成执行以下迭代步骤：响应于确定所述当前图片与所述基准图片之间的相似度不满足预设的相似度阈值，将所述当前图片作为下一轮迭代过程的基准图片，继续对所述待优化图片进行处理，将处理后的图片作为下一轮迭代过程的当前图片，并进行下一轮迭代过程；

终止模块，被配置成响应于确定所述当前图片与所述基准图片之间的相似度满足所述预设的相似度阈值，停止迭代过程；

确定模块，被配置成将所述当前图片确定为优化后的图片。

9.根据权利要求8所述的装置，其中，所述判断结果包括所述待优化图片为模糊状态；以及

所述处理模块包括：

第一放大子模块，被配置成将所述待优化图片放大至第一预设倍数，得到第一图片；

第一确定子模块，被配置成将所述第一图片作为当前图片。

10.根据权利要求9所述的装置，其中，所述迭代模块包括：

第二放大子模块，被配置成将所述待优化图片放大至第二预设倍数，得到第二图片，其中，所述第二预设倍数大于所述第一预设倍数；

第二确定子模块，被配置成将所述第二图片作为下一轮迭代过程的当前图片。

11.根据权利要求10所述的装置，还包括：

第二获取模块，被配置成获取所述优化后的图片的尺寸信息；

第一调整模块，被配置成响应于确定所述尺寸信息在第一预设区间内，调整所述优化后的图片的对比度和/或锐度。

12.根据权利要求8所述的装置，其中，所述判断结果包括所述待优化图片为非模糊状态；以及

所述处理模块包括：

第一压缩子模块，被配置成将所述待优化图片压缩至第一预设压缩率，得到第三图片；

第三确定子模块，被配置成将所述第三图片作为当前图片。

13.根据权利要求12所述的装置，其中，所述迭代模块包括：

第二压缩子模块，被配置成将所述待优化图片压缩至第二预设压缩率，得到第四图片，其中，所述第二预设压缩率小于所述第一预设压缩率；

第四确定子模块，被配置成将所述第四图片作为下一轮迭代过程的当前图片。

14.根据权利要求13所述的装置，还包括：

第三获取模块，被配置成获取所述优化后的图片的尺寸信息；

第二调整模块，被配置成响应于确定所述尺寸信息在第二预设区间内，调整所述优化后的图片的压缩比率。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

Images