CN117390206A - 生鲜图像存储方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了生鲜图像存储方法、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：获取生鲜图像集；对目标生鲜图像集进行图像分割，得到生鲜前景图像集和生鲜背景图像集；对生鲜前景图像集和对应的生鲜背景图像进行压缩处理，得到比特流数据集；基于比特流数据集，执行以下存储步骤：对比特流数据集进行图像重建处理，得到生鲜重建图像集；对生鲜重建图像集和目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果；确定保真度；响应于确定保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。该实施方式在确保生鲜图像的保真度的情况下，对生鲜图像进行编码压缩，可以节省存储资源。

Description

生鲜图像存储方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及生鲜图像存储方法、装置、电子设备和计算机可读介质。

背景技术

随着人工智能的生鲜识别算法的不断发展，生鲜识别技术被广泛应用到各种超市的生鲜商品的自助称重识别中。由于在自助称重识别中会产生大量的生鲜图像，以及为了确保识别的准确性而导致生鲜图像的尺寸较大，造成各种超市需要大量的存储资源对生鲜图像进行存储。对于生鲜图像的存储，通常采用的方式为：采用JPEG算法，对生鲜图像集进行编码压缩处理，得到压缩后生鲜图像，以及对压缩后生鲜图像进行存储。

然而，发明人发现，当采用上述方式来存储生鲜图像，经常会存在如下技术问题：

第一，由于JPEG算法是对生鲜图像进行分块编码压缩，虽然对图像进行了一定程度的压缩，节省了一定的存储空间，但是压缩还原后的生鲜图像的识别准确率较低，在确保压缩还原后的生鲜图像的识别准确率的情况下，JPEG算法的压缩率比较低，存在大量的冗余信息，导致有限的存储资源的浪费。

第二，由于在编码压缩中GrabCut算法仅仅利用颜色信息进行图像分割，在前景像素和背景像素的颜色差异较小时，图像分割的分割精度较低，并且GrabCut算法的运算时时间较长，造成图像分割的分割运算时间的增加，以及存在大量的前景像素和背景像素的冗余信息，导致有限存储资源的浪费。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

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生鲜图像存储方法、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生鲜图像存储方法，包括：获取生鲜图像集；对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集，其中，上述目标生鲜图像集是对上述生鲜图像集进行筛选得到的图像集；通过预设图像压缩编码器，对上述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集；基于比特流数据集，执行以下存储步骤：通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集；对生鲜重建图像集和上述目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果；根据第一识别结果和第二识别结果，确定针对生鲜重建图像集的保真度；响应于确定保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。

第二方面，本公开的一些实施例提供了一种生鲜图像存储装置，包括：获取单元，被配置成获取生鲜图像集；图像分割单元，被配置成对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集，其中，上述目标生鲜图像集是对上述生鲜图像集进行筛选得到的图像集；压缩处理单元，被配置成通过预设图像压缩编码器，对上述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集；执行单元，被配置成基于比特流数据集，执行以下存储步骤：通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集；对生鲜重建图像集和上述目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果；根据第一识别结果和第二识别结果，确定针对生鲜重建图像集的保真度；响应于确定保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。

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如第一方面中任一实现方式描述的方法。

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，计算机程序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。

本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的生鲜图像存储方法通过对预设图像压缩编码器、预设图像还原解码器的联合训练，在确保生鲜重建图像保真度的情况下，可以提高生鲜图像的压缩率，在同样存储资源中存储更多的生鲜图像集，节省存储资源。具体来说，造成相关的有限的存储资源的浪费的原因在于：由于JPEG算法是对生鲜图像进行分块编码压缩，虽然对图像进行了一定程度的压缩，节省了一定的存储空间，但是压缩还原后的生鲜图像的识别准确率较低，在确保压缩还原后的生鲜图像的识别准确率的情况下，JPEG算法的压缩率比较低，存在大量的冗余信息，导致有限的存储资源的浪费。基于此，本公开的一些实施例的生鲜图像存储方法可以首先，获取生鲜图像集。在这里，生鲜图像集用于后续编码压缩和目标识别。其次，对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集，其中，上述目标生鲜图像集是对上述生鲜图像集进行筛选得到的图像集。在这里，图像分割得到生鲜前景图像和生鲜背景图像，便于后续对生鲜前景图像进行高精度的还原确保识别准确度，以及对生鲜背景图像进行高度压缩，提高生鲜图像的压缩率。然后，通过预设图像压缩编码器，对上述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集。在这里，可以充分利用预设图像压缩编码器中各个卷积神经网络层级之间的特征信息利用率，提高生鲜图像的压缩率。最后，基于比特流数据集，执行以下存储步骤：第一步，通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集。在这里，可以充分利用预设图像还原解码器中的各个卷积神经网络层级之间的特征信息利用率，提高目标生鲜重建图像的还原程度，以及便于后续对生鲜重建图像集进行目标识别，确定生鲜重建图像集的识别准确度。第二步，对生鲜重建图像集和上述目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果。在这里，第一识别结果和第二识别结果便于确定生鲜重建图像集的识别准确度，以便确保生鲜重建图像集的保真度。第三步，根据上述第一识别结果和上述第二识别结果，确定针对上述生鲜重建图像集的保真度。在这里，得到的保真度便于确定比特流数据的还原程度，便于后续对上述比特流数据进行动态调整。第四步，响应于确定上述保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。在这里，在确保保真度的情况下，可以提高生鲜图像的压缩率，在有限的存储资源中存储更多的生鲜图像。由此可得，该生鲜图像存储方法通过对预设图像压缩编码器、预设图像还原解码器的联合训练，在确保生鲜重建图像保真度的情况下，可以提生鲜图像的压缩率，在同样存储资源中存储更多的生鲜图像集，节省存储资源。

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是根据本公开的生鲜图像存储方法的一些实施例的流程图；

图2是根据本公开的生鲜图像存储装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例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示出了根据本公开的生鲜图像存储方法的一些实施例的流程100。该生鲜图像存储方法，包括以下步骤：

步骤101，获取生鲜图像集。

在一些实施例中，上述生鲜图像存储方法的执行主体(例如电子设备)可以通过有线连接方式或者无线连接方式来获取生鲜图像集。其中，上述生鲜图像集中的生鲜图像可以是包括生鲜物品的图像。例如，上述生鲜图像集的尺寸可以是N*3*H*W。其中，N表示生鲜图像集包括的生鲜图像的数量。H表示生鲜图像的高度。W表示生鲜图像的宽度。

步骤102，对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集。

在一些实施例中，上述执行主体可以对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集。其中，上述目标生鲜图像集是对上述生鲜图像集进行筛选得到的图像集。上述目标生鲜图像集包括的目标生鲜图像的数量可以是上述生鲜图像集包括的生鲜图像的数量的20％。上述生鲜前景图像集中的生鲜前景图像可以是包括生鲜物品的图像。上述生鲜背景图像集中的生鲜背景图像可以是上述目标生鲜图去除生鲜前景图像得到的图像。上述图像分割可以是基于区域的主动轮廓模型的图像分割。

在一些实施例的一些可选的实现方式中，上述对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集，可以包括以下步骤：

第一步，对于上述目标生鲜图像集中的每个目标生鲜图像，执行以下图像分割步骤：

第一子步骤，获取针对上述目标生鲜图像的生鲜深度图像。其中，上述生鲜深度图像可中的每个像素数值可以表征距离拍摄设备的距离数值。上述执行主体可以通过深度传感器获取针对上述目标生鲜图像的生鲜深度图像。

第二子步骤，对上述生鲜深度图像进行灰度化处理，得到灰度化生鲜深度图像。其中，上述灰度化处理可以是利用平均值法，对上述生鲜深度图像进行灰度化处理，得到灰度化深度图。

第三子步骤，对上述灰度化生鲜深度图像进行形态学滤波处理，得到滤波后生鲜深度图像。实践中，上述执行主体可以利用形态学开闭运算算法，对上述生鲜深度图像进行形态学滤波处理，得到滤波后生鲜深度图像。需要说明的是，形态学开闭运算算法中的开运算可以去除上述生鲜深度图像中的部分背景噪声，使得得到的生鲜深度图像的轮廓更光滑。上述形态学开闭运算算法中的闭运算可以填补上述生鲜深度图像中轮廓中断裂的部分。因此，上述形态学滤波处理可以有效避免由于上述生鲜深度图像中存在非规则细节和噪声产生的图像过分割问题。

第四子步骤，对上述滤波后生鲜深度图像进行第一次图像分割，得到分割后生鲜深度图像。实践中，上述执行主体可以从上述滤波后生鲜深度图像中的各个像素数值中筛选出大于等于预设像素阈值的至少一个像素数值，作为待去除像素数值集。其中，上述预设像素阈值可以是预先设定的、用于图像分割的像素阈值。例如，上述预设像素阈值可以是160。从上述各个像素数值中去除上述待去除像素数值集，得到分割后生鲜深度图像。

第五子步骤，对上述分割后生鲜深度图像和上述目标生鲜图像进行融合，得到融合后生鲜图像。

第六子步骤，对上述融合后生鲜图像进行超像素分割处理，得到超像素分割后生鲜图像。其中，上述超像素分割后生鲜图像可以是块状图像。上述超像素分割处理可以是融合深度信息的SLIC(simple linear iterative cluster)算法的超像素分割处理。上述融合深度信息的SLIC算法中的超像素距离数值可以是包括像素的深度信息、颜色信息和位置空间信息的距离数值。上述超像素距离数值可以是通过以下步骤得到的：首先，确定上述融合后生鲜图像对应的任意两个像素的像素数值的差值的二次方，作为像素距离数值。其次，确定上述任意两个像素的横轴数值的差值的平方、纵轴数值的差值的平方和深度数值的差值的平方的和，作为深度距离数值。再次，确定上述任意两个像素的亮度的差值的平方、第一颜色的差值的平方、第二颜色的差值的平方的和，作为颜色距离数值。其中，上述第一颜色可以是CIELAB(CIELab color model)颜色中的A颜色，A颜色包括的颜色是从深绿色到灰色再到亮粉红色的颜色。上述第二颜色可以是CIELAB颜色中的B颜色，B颜色包括的颜色是从亮蓝色到灰色再到黄色的颜色。然后，确定上述任意两个像素的位置距离数值。最后，将像素距离数值、深度距离数值、颜色距离数值与预设阈值的平方的比值、位置距离数值与聚类距离数值的平方的比值的和的算数平方根，确定为超像素距离数值。其中，上述预设阈值可以是[1,40]中的任意数值。上述聚类距离可以是上述融合后生鲜图像包括的像素数量与SLIC算法中聚类像素中心集包括的聚类像素中心的数量的算术平方根。

第七子步骤，对上述超像素分割后生鲜图像进行图模型构建，得到针对上述超像素分割后生鲜图像的无向加权图。其中，上述无向加权图中的节点可以是上述超像素分割后生鲜图像中的超像素。上述无向加权图中的边可以是超像素之间的边。上述无向加权图中的边对应的权重值可以是以e为底，以任意两个像素的颜色数值的差值与预设颜色阈值的比值、深度数值的差值与预设深度阈值的比值、超像素的表面法线的归一化平均值的差值与预设超像素阈值的比值的和的相反数为指数的数值。

第八子步骤，根据上述无向加权图，对上述超像素分割后生鲜图像进行背景先验处理，得到生鲜背景显著图像。其中，上述生鲜前景显著图像可以是在融合后生鲜图像对应的边缘背景上任意选择上边界、下边界、左边界和右边界为背景查询点集、利用流行排序算法得到的背景显著图。上述边缘背景可以是接收到的用户选择在上述融合后生鲜图像框选的区域外的图像。

作为示例，上述执行主体可以利用流行排序算法，根据上述无向加权图，对上述超像素分割后生鲜图像进行背景先验处理，得到生鲜背景显著图像。

第九子步骤，根据上述无向加权图，对上述超像素分割后生鲜图像进行前景先验处理，得到生鲜前景显著图像。其中，上述生鲜前景显著图像可以是以上述融合后生鲜图像的中心矩为前景查询点、利用流行排序算法得到的前景显著图。

作为示例，上述执行主体可以利用流行排序算法，根据上述无向加权图，对上述超像素分割后生鲜图像进行前景先验处理，得到生鲜前景显著图像。

第十子步骤，对上述生鲜前景显著图像和上述生鲜背景显著图像进行图像融合，得到融合后生鲜显著图像。

第十一子步骤，通过融合深度信息的GrabCut算法，对上述融合后生鲜显著图像进行图像分割，得到生鲜前景图像和生鲜背景图像。其中，上述融合深度信息的GrabCut算法中的能量函数可以是在原有的GrabCut算法中的能量函数中融合深度信息作为约束项的能量函数。上述融合深度信息的GrabCut算法中的能量函数可以是在原有的能量函数中的区域数据项中添加第一权重值与区域数据项的乘积、在平滑项中添加第二权重值与融入深度信息的平滑项。上述第一权重值可以是通过以下步骤得到的：首先，确定颜色信息对应的前景高斯混合模型与颜色信息对应的背景高斯混合模型的KL(Kullback-Leiblerdivergence)散度函数值，作为第一KL散度函数值。其次，确定深度信息对应的前景高斯混合模型与深度信息对应的背景高斯混合模型的KL散度函数值，作为第二KL散度函数值。然后，确定第一KL散度函数值和第二KL散度函数值的和，作为第三KL散度函数值。最后，将第一KL散度函数值与第三KL散度函数值的比值，确定为第一权重值。上述第二权重值可以是通过以下步骤得到的：首先，确定融合深度信息和超像素的透明度信息的平滑项函数值，作为深度平滑项函数值。其次，确定原有平滑项函数对应的函数值和深度平滑项函数值的和，作为平滑项函数值。最后，将原有平滑项函数对应的函数值与平滑项函数值的比值，确定为第二权重值。

上述第一步至第十一子步骤与步骤1044及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于在编码压缩中GrabCut算法仅仅利用颜色信息进行图像分割，在前景像素和背景像素的颜色差异较小时，图像分割的分割精度较低，并且GrabCut算法的运算时时间较长，造成运算时间的增加，以及存在大量的前景像素和背景像素的冗余信息，导致有限存储资源的浪费”。导致存储资源的浪费的因素往往如下：由于在编码压缩中GrabCut算法仅仅利用颜色信息进行图像分割，在前景像素和背景像素的颜色差异较小时，图像分割的分割精度较低，并且GrabCut算法的运算时时间较长，造成运算时间的增加，以及存在大量的前景像素和背景像素的冗余信息。如果解决了上述因素，就能达到减少有限存储资源的浪费的效果。为了达到这一效果，本公开首先，对获取的生鲜深度图像进行灰度化、滤波处理和粗分割可以在保留前景信息的基础上减少背景像素的区域，以便后续进行图像分割时可以减少算力资源和缩短运算时间。其次，对融合深度信息和目标生鲜图像的融合后生鲜图像进行超像素分割，可以将相似度高的像素集形成超像素，可以减少运算时间，以及深度信息的融合，可以提高超像素分割的精度。然后，对融合后生鲜图像进行基于深度信息的前景先验处理和背景先验处理，可以得到融合深度信息的生鲜显著图像，可以更加突出前景像素和背景像素的差异。最后，通过融合深度信息的GrabCut算法，对融合后生鲜显著图像进行图像分割，可以提高图像分割的精准度，以及缩短运算时间，进而可以在压缩生鲜图像时减少前景像素和背景像素之间的冗余信息，减少有限存储空间的浪费。

步骤103，通过预设图像压缩编码器，对生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集。

在一些实施例中，上述执行主体可以通过预设图像压缩编码器，对上述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集。其中，上述比特流数据可以是由0和1两种二进制数字组成的、表征生鲜图像信息的数据。上述比特流数据可以是比特流长度为预设长度范围内的数据。上述预设长度范围可以是[0，20]。上述预设图像压缩编码器可以是将输入的生鲜前景图像、与生鲜前景图像对应的生鲜背景图像编码成比特流数据的神经网络模型。上述预设图像压缩编码器可以是包括卷积神经网络或者Transformer的神经网络模型。上述对应的生鲜背景图像可以是与生鲜前景图像对应的、可以构成目标生鲜图像的图像。实践中，上述预设图像压缩编码器是以浮点数为运算精度的编码器，若1KB包括256个浮点数，则上述预设图像压缩编码器的输出的比特流的长度为N*(256*m)。其中，m表示对生鲜前景图像和生鲜背景图像进行编码得到的比特流的大小。

在一些实施例的一些可选的实现方式中，上述通过预设图像压缩编码器，对上述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集，可以包括以下步骤：

第一步，对于上述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像，执行以下压缩步骤：

第一子步骤，将上述生鲜前景图像和对应的生鲜背景图像输入至上述预设图像压缩编码器中的第一特征提取网络，得到第一生鲜特征图。其中，上述预设图像压缩编码器还包括：第二特征提取网络、第三特征提取网络、多个残差信息增强网络。上述多个残差信息增强网络中的残差信息增强网络可以是在信息增强网络之间进行残差连接的网络。上述信息增强网络可以是CliqueNet模块组件。例如，上述多个残差信息增强网络可以是5个残差信息增强网络。上述CliqueNet模块组件可以包括：4个卷积核为3*3、卷积核个数为64、步长为1的卷积神经网络层组成的模块组件。上述CliqueNet模块组件中任意两个卷积神经网络层之间同时具有正向和反向的权重系数进行连接。上述CliqueNet模块组件分为两个阶段。第一个阶段可以是将位于第i层卷积神经网络层之前的所有前向卷积神经网络层的输出特征图作为第i层的输入特征，并进行各个卷积神经网络层的特征前向提取。第二阶段可以是进行一次循环特征提取，并将第二阶段中各个卷积神经网络层的输出生鲜特征图与第一生鲜特征图进行深度维度融合。上述第一特征提取网络可以是卷积核为5*5、卷积核个数为64、步长为2的卷积神经网络。上述第二特征提取网络可以是卷积核为5*5、卷积核个数为128、步长为2的卷积神经网络。上述第三特征提取网络可以是卷积核为5*5、卷积核个数为30、步长为3的卷积神经网络。上述第一生鲜特征图可以是表征生鲜前景图像和生鲜背景图像的特征信息的特征图。

第二子步骤，将上述第一生鲜特征图输入至上述第二特征提取网络，得到第二生鲜特征图。其中，上述第二生鲜特征图可以是对第一生鲜特征图进行特征提取得到的特征图。

第三子步骤，将上述第二生鲜特征图依次输入至上述多个残差信息增强网络，得到第三生鲜特征图。其中，上述第三生鲜特征图可以是对上述第二生鲜特征图进行特征提取得到的特征图。需要说明的是上述多个残差信息增强网络可以提高生鲜特征的利用效率，以及避免梯度消息的问题。

作为示例，上述执行主体可以将上述第二生鲜特征图输入至上述多个残差信息增强网络的第一残差信息增强网络，得到第五生鲜特征图。其中，上述多个残差信息增强网络还包括第二残差信息增强网络、第三残差信息增强网络、第四残差信息增强网络和第五残差信息增强网络。将上述第二生鲜特征图与上述第五生鲜特征图进行深度融合，得到第六生鲜特征图。将上述第六生鲜特征图输入至上述第二残差信息增强网络，得到第七生鲜特征图。将上述第六生鲜特征图和上述第七生鲜特征图进行深度融合，得到第八生鲜特征图。将上述第八生鲜特征图输入至上述第三残差信息增强网络，得到第九生鲜特征图。将上述第八生鲜特征图和上述第九生鲜特征图进行深度融合，得到第十生鲜特征图。将上述第十生鲜特征图输入至上述第四残差信息增强网络，得到第十一生鲜特征图。将上述第十生鲜特征图和上述第十一生鲜特征图进行深度融合，得到第十二生鲜特征图。将上述第十二生鲜特征图输入至上述第五残差信息增强网络，得到第十三生鲜特征图。将上述第十二生鲜特征图和上述第十三生鲜特征图进行深度融合，得到第三生鲜特征图。

第四子步骤，对上述第二生鲜特征图和上述第三生鲜特征图进行特征融合，得到融合后生鲜特征图。

第五子步骤，将上述融合后生鲜特征图输入至上述第三特征提取网络，得到第四生鲜特征图。

第五子步骤，对上述第四生鲜特征图进行量化处理，得到比特流数据。其中，上述量化处理可以是采用非均匀量化的方法对上述第四生鲜特征图进行量化。其中，非均匀量化的量化中心的数量为6。需要说明的是在预设图像压缩编码器中前向传播过程中的量化是非均匀量化。在反向传播过程中的量化是采用可微近似的量化方法。

步骤104，基于比特流数据集，执行以下存储步骤：

步骤1041，通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集。

在一些实施例中，上述执行主体可以通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集。其中，上述生鲜重建图像可以是对目标生鲜图像进行压缩后还原得到的、比目标生鲜图像占有更少存储空间的生鲜图像。上述预设图像还原解码器可以是将输入的比特流数据还原成与目标生鲜图像具有相同尺寸的神经网络模型。上述预设图像还原解码器的结构可以是与上述预设图像压缩编码器的结构是一致的，但是预设图像还原解码器与预设图像压缩编码器的作用是相对的。

在一些实施例的一些可选的实现方式中，上述预设图像压缩编码器和上述预设图像还原解码器可以是通过以下步骤训练得到的：

第一步，对剩余生鲜图像集进行筛选处理，得到筛选后生鲜图像集。其中，上述剩余生鲜图像集是从上述生鲜图像集中去除上述目标生鲜图像集得到的图像集。上述剩余生鲜图像集可以是占据上述生鲜图像集80％的图像集。

第二步，基于筛选后生鲜图像集，执行以下参数优化步骤：

第一子步骤，对筛选后生鲜图像集中的每个筛选后生鲜图像进行图像分割，以生成筛选后生鲜前景图像和筛选后生鲜背景图像，得到筛选后生鲜前景图像集和筛选后生鲜背景图像集。

第二子步骤，将筛选后生鲜前景图像集和筛选后生鲜背景图像集输入至初始图像压缩编码器，得到比特流数据集。其中，上述初始图像压缩编码器可以是未进行训练的解码器。

第三子步骤，将比特流数据集输入至初始图像还原解码器，以生成筛选后生鲜重建图像，得到筛选后生鲜重建图像集。其中，上述初始图像还原解码器可以是未进行训练的解码器。

第四子步骤，根据筛选后生鲜前景图像集、筛选后生鲜背景图像集和筛选后生鲜重建图像集，生成图像失真度损失值。其中，上述图像失真度损失值可以表征还原得到的筛选后生鲜重建图像集与筛选后生鲜图像集的相似度。

作为示例，上述执行主体可以首先，对上述筛选后生鲜重建图像集进行图像分割，得到目标前景图像集和目标背景图像集。其次，确定上述目标前景图像集与上述筛选后生鲜前景图像集的MS-SSIM(Multi-Scale Structural Similarity，多尺度结构相似性指数)前景损失值。然后，确定上述目标背景图像集与上述筛选后生鲜背景图像集的MS-SSIM背景损失值。最后，将上述MS-SSIM前景损失值和上述MS-SSIM背景损失值的和，确定为图像失真度损失值。

第五子步骤，响应于确定图像失真度损失值小于等于预设图像失真度损失阈值，将初始图像压缩编码器和初始图像还原解码器，确定为预设图像压缩编码器和预设图像还原解码器。其中，上述预设图像失真度损失阈值可以是预先设定的、确定初始图像压缩编码器和初始图像还原解码器是否需要优化的阈值。例如，上述预设图像失真度损失阈值可以是0.2。

可选地，在上述第二步之后，上述方法还可以包括以下步骤：

第一步，响应于确定图像失真度损失值大于上述预设图像失真度损失阈值，对初始图像压缩编码器的参数集和初始图像还原解码器的参数集进行优化处理，得到优化后图像压缩编码器和优化后图像还原解码器。其中，上述优化处理可以是利用Adam优化器进行的优化。

第二步，将优化后图像压缩编码器和优化后图像还原解码器确定为初始图像压缩编码器和初始图像还原解码器，以及从上述剩余生鲜图像集中重新选取筛选后生鲜图像集，以再次执行上述参数优化步骤。

在一些实施例的一些可选的实现方式中，上述根据筛选后生鲜前景图像集、筛选后生鲜背景图像集和筛选后生鲜重建图像集，生成图像失真度损失值，可以包括以下步骤：

第一步，对上述筛选后生鲜重建图像集进行图像分割，得到生鲜重建前景图像集和生鲜重建背景图像集。其中，上述生鲜重建前景图像集中的生鲜重建前景图像可以是包括生鲜重建图像中生鲜物品集的图像。上述生鲜重建背景图像集中的生鲜重建背景图像可以是从生鲜重建图像中去除生鲜前景图像后得到的图像。

第二步，确定上述筛选后生鲜前景图像集和上述生鲜重建前景图像集的结构相似性损失值，作为前景损失值。其中，上述前景损失值可以是预设阈值、上述筛选后生鲜前景图像与上述生鲜重建前景图像集的SSIM(structural similarity index，结构相似性)损失值的差值。上述预设阈值可以是1。

第三步，确定上述筛选后生鲜背景图像集和上述生鲜重建背景图像集的结构相似性损失值，作为背景损失值。其中，上述背景损失值可以是上述预设阈值、上述筛选后生鲜背景图像与上述生鲜重建背景图像集的SSIM(structural similarity index，结构相似性)损失值的差值。

第四步，将上述前景损失值与预设第一权重值的乘积，确定为第一乘积值。其中，上述预设第一权重值可以是预先设定的权重值。例如，上述第一权重值可以是1。

第五步，将上述背景损失值与预设第二权重值的乘积，确定为第二乘积值。其中，上述第二权重值可以预先设定的权重值。例如，上述第二权重值可以是[0.05，0.3]范围内任意一个数值。

第六步，将上述第一乘积值和上述第二乘积值的和，确定为图像失真度损失值。

步骤1042，对生鲜重建图像集和目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果。

在一些实施例中，上述执行主体可以对生鲜重建图像集和上述目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果。其中，上述第一识别结果可以是对生鲜重建图像集进行目标识别，得到的生鲜重建图像集对应的分类概率集的整体识别结果。上述第二识别结果可以是对目标生鲜图像集进行目标识别，得到的目标生鲜图像集对应的分类概率集的整体识别结果。上述目标识别可以是利用深度识别模型进行的目标识别。上述深度识别模型可以是但不限于以下至少一项：MobileNetV2神经网络模型、ResNet18神经网络模型、ResNet50神经网络模型。

步骤1043，根据第一识别结果和第二识别结果，确定针对生鲜重建图像集的保真度。

在一些实施例中，上述执行主体可以根据上述第一识别结果和上述第二识别结果，确定针对上述生鲜重建图像集的保真度。其中，上述保真度可以表征对生鲜重建图像集包括的生鲜物品识别准确度与对目标生鲜图像集包括的生鲜物品识别准确度的偏差程度。

作为示例，上述执行主体可以首先，获取上述生鲜重建图像集对应的目标生鲜图像集的样本标签。其次，确定上述第一识别结果和上述样本标签的第一均方误差损失函数值。然后，确定上述第二识别结果和上述样本标签的第二均方误差损失函数值。最后，将上述第一均方误差损失函数值与上述第二均方误差损失函数值的比值，确定为上述生鲜重建图像集的保真度。

在一些实施例的一些可选的实现方式中，上述根据第一识别结果和第二识别结果，确定针对生鲜重建图像集的保真度，可以包括以下步骤：

第一步，获取上述生鲜重建图像集对应的目标生鲜图像集的样本标签。其中，上述样本标签可以是目标生鲜图像集对应的整体样本标签。上述样本标签可以表征上述目标生鲜图像集包括的生鲜物品集中每个生鲜物品的类别标签。

第二步，确定上述第一识别结果与上述样本标签的第一交叉熵损失值。其中，上述第一交叉熵损失值可以表征第一识别结果与真实的样本标签的偏差程度。

作为示例，上述执行主体可以将上述第一识别结果和上述样本标签输入至交叉熵损失函数，得到第一交叉熵损失值。

第三步，确定上述第二识别结果与上述样本标签的第二交叉熵损失值。其中，上述第二交叉熵损失值可以表征第二识别结果与真实的样本标签的偏差程度。

作为示例，上述执行主体可以将上述第二识别结果和上述样本标签输入至交叉熵损失函数，得到第二交叉熵损失值。

第四步，将上述第一交叉熵损失值与上述第二交叉熵损失值的比值，确定为针对上述生鲜重建图像集的保真度。

步骤1044，响应于确定保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。

在一些实施例中，上述执行主体可以响应于确定上述保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。其中，上述预设保真度阈值可以是预先设定的、用于确定是否对比特流数据的码流大小进行调整的阈值。例如，上述预设保真度阈值可以是0.85。

可选地，上述执行主体在1044之后，还可以执行以下步骤：

响应于确定保真度小于上述预设保真度阈值，对比特流数据集对应的码流进行调整，得到调整后比特流数据集，将调整后比特流数据集作为比特流数据集，以及再次执行上述存储步骤。其中，上述调整可以是在确定保真度大于等于预设保真度阈值的情况下，增大比特流数据集对应的码流尺寸的调整。

本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的生鲜图像存储方法通过对预设图像压缩编码器、预设图像还原解码器的联合训练，在确保生鲜重建图像保真度的情况下，可以提高生鲜图像的压缩率，在同样存储资源中存储更多的生鲜图像集，节省存储资源。具体来说，造成相关的有限的存储资源的浪费的原因在于：由于JPEG算法是对生鲜图像进行分块编码压缩，虽然对图像进行了一定程度的压缩，节省了一定的存储空间，但是压缩还原后的生鲜图像的识别准确率较低，在确保压缩还原后的生鲜图像的识别准确率的情况下，JPEG算法的压缩率比较低，存在大量的冗余信息，导致有限的存储资源的浪费。基于此，本公开的一些实施例的生鲜图像存储方法可以首先，获取生鲜图像集。在这里，生鲜图像集用于后续编码压缩和目标识别。其次，对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集，其中，上述目标生鲜图像集是对上述生鲜图像集进行筛选得到的图像集。在这里，图像分割得到生鲜前景图像和生鲜背景图像，便于后续对生鲜前景图像进行高精度的还原确保识别准确度，以及对生鲜背景图像进行高度压缩，提高生鲜图像的压缩率。然后，通过预设图像压缩编码器，对上述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集。在这里，可以充分利用预设图像压缩编码器中各个卷积神经网络层级之间的特征信息利用率，提高生鲜图像的压缩率。最后，基于比特流数据集，执行以下存储步骤：第一步，通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集。在这里，可以充分利用预设图像还原解码器中的各个卷积神经网络层级之间的特征信息利用率，提高目标生鲜重建图像的还原程度，以及便于后续对生鲜重建图像集进行目标识别，确定生鲜重建图像集的识别准确度。第二步，对生鲜重建图像集和上述目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果。在这里，第一识别结果和第二识别结果便于确定生鲜重建图像集的识别准确度，以便确保生鲜重建图像集的保真度。第三步，根据上述第一识别结果和上述第二识别结果，确定针对上述生鲜重建图像集的保真度。在这里，得到的保真度便于确定比特流数据的还原程度，便于后续对上述比特流数据进行动态调整。第四步，响应于确定上述保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。在这里，在确保保真度的情况下，可以提高生鲜图像的压缩率，在有限的存储资源中存储更多的生鲜图像。由此可得，该生鲜图像存储方法通过对预设图像压缩编码器、预设图像还原解码器的联合训练，在确保生鲜重建图像保真度的情况下，可以提生鲜图像的压缩率，在同样存储资源中存储更多的生鲜图像集，节省存储资源。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种生鲜图像存储装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该生鲜图像存储装置具体可以应用于各种电子设备中。

如图2所示，一种生鲜图像存储装置200包括：获取单元201、图像分割单元202、压缩处理单元203和执行单元204。其中，获取单元201被配置成：获取生鲜图像集。图像分割单元202被配置成：对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集，其中，上述目标生鲜图像集是对上述生鲜图像集进行筛选得到的图像集。压缩处理单元203被配置成：通过预设图像压缩编码器，对上述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集。执行单元204被配置成：基于比特流数据集，执行以下存储步骤：通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集；对生鲜重建图像集和上述目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果；根据第一识别结果和第二识别结果，确定针对生鲜重建图像集的保真度；响应于确定保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。

可以理解的是，生鲜图像存储装置200中记载的诸单元与参考图1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生鲜图像存储装置200及其中包含的单元，在此不再赘述。

下面参考图3，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，电子设备)300的结构示意图。图3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3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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3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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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上述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(Hyper Text 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电子设备中所包含的；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：获取生鲜图像集；对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集，其中，上述目标生鲜图像集是对上述生鲜图像集进行筛选得到的图像集；通过预设图像压缩编码器，对上述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集；基于比特流数据集，执行以下存储步骤：通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集；对生鲜重建图像集和上述目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果；根据第一识别结果和第二识别结果，确定针对生鲜重建图像集的保真度；响应于确定保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。

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：一种处理器包括获取单元、图像分割单元、压缩处理单元和执行单元。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“获取生鲜图像集的单元”。

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 (10)

1.一种生鲜图像存储方法，包括：

获取生鲜图像集；

对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集，其中，所述目标生鲜图像集是对所述生鲜图像集进行筛选得到的图像集；

通过预设图像压缩编码器，对所述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集；

基于比特流数据集，执行以下存储步骤：

通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集；

对生鲜重建图像集和所述目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果；

根据第一识别结果和第二识别结果，确定针对生鲜重建图像集的保真度；

响应于确定保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。

2.根据权利要求1所述的方法，所述方法还包括：

响应于确定保真度小于所述预设保真度阈值，对比特流数据集对应的码流进行调整，得到调整后比特流数据集，将调整后比特流数据集作为比特流数据集，以及再次执行所述存储步骤。

3.根据权利要求1所述的方法，其中，所述预设图像压缩编码器和所述预设图像还原解码器是通过以下步骤训练得到的：

对剩余生鲜图像集进行筛选处理，得到筛选后生鲜图像集，其中，所述剩余生鲜图像集是从所述生鲜图像集中去除所述目标生鲜图像集得到的图像集；

基于筛选后生鲜图像集，执行以下参数优化步骤：

对筛选后生鲜图像集中的每个筛选后生鲜图像进行图像分割，以生成筛选后生鲜前景图像和筛选后生鲜背景图像，得到筛选后生鲜前景图像集和筛选后生鲜背景图像集；

将筛选后生鲜前景图像集和筛选后生鲜背景图像集输入至初始图像压缩编码器，得到比特流数据集；

将比特流数据集输入至初始图像还原解码器，以生成筛选后生鲜重建图像，得到筛选后生鲜重建图像集；

根据筛选后生鲜前景图像集、筛选后生鲜背景图像集和筛选后生鲜重建图像集，生成图像失真度损失值；

响应于确定图像失真度损失值小于等于预设图像失真度损失阈值，将初始图像压缩编码器和初始图像还原解码器，确定为预设图像压缩编码器和预设图像还原解码器。

4.根据权利要求3所述的方法，其中，所述方法还包括：

响应于确定图像失真度损失值大于所述预设图像失真度损失阈值，对初始图像压缩编码器的参数集和初始图像还原解码器的参数集进行优化处理，得到优化后图像压缩编码器和优化后图像还原解码器；

将优化后图像压缩编码器和优化后图像还原解码器确定为初始图像压缩编码器和初始图像还原解码器，以及从所述剩余生鲜图像集中重新选取筛选后生鲜图像集，以再次执行所述参数优化步骤。

5.根据权利要求3所述的方法，其中，所述根据筛选后生鲜前景图像集、筛选后生鲜背景图像集和筛选后生鲜重建图像集，生成图像失真度损失值，包括：

对所述筛选后生鲜重建图像集进行图像分割，得到生鲜重建前景图像集和生鲜重建背景图像集；

确定所述筛选后生鲜前景图像集和所述生鲜重建前景图像集的结构相似性损失值，作为前景损失值；

确定所述筛选后生鲜背景图像集和所述生鲜重建背景图像集的结构相似性损失值，作为背景损失值；

将所述前景损失值与预设第一权重值的乘积，确定为第一乘积值；

将所述背景损失值与预设第二权重值的乘积，确定为第二乘积值；

将所述第一乘积值和所述第二乘积值的和，确定为图像失真度损失值。

6.根据权利要求1所述的方法，其中，所述通过预设图像压缩编码器，对所述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集，包括：

对于所述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像，执行以下压缩步骤：

将所述生鲜前景图像和对应的生鲜背景图像输入至所述预设图像压缩编码器中的第一特征提取网络，得到第一生鲜特征图，其中，所述预设图像压缩编码器还包括：第二特征提取网络、第三特征提取网络、多个残差信息增强网络，所述多个残差信息增强网络中的残差信息增强网络是在信息增强网络之间进行残差连接的网络；

将所述第一生鲜特征图输入至所述第二特征提取网络，得到第二生鲜特征图；

将所述第二生鲜特征图依次输入至所述多个残差信息增强网络，得到第三生鲜特征图；

对所述第二生鲜特征图和所述第三生鲜特征图进行特征融合，得到融合后生鲜特征图；

将所述融合后生鲜特征图输入至所述第三特征提取网络，得到第四生鲜特征图；

对所述第四生鲜特征图进行量化处理，得到比特流数据。

7.根据权利要求1所述的方法，其中，所述根据第一识别结果和第二识别结果，确定针对生鲜重建图像集的保真度，包括：

获取所述生鲜重建图像集对应的目标生鲜图像集的样本标签；

确定所述第一识别结果与所述样本标签的第一交叉熵损失值；

确定所述第二识别结果与所述样本标签的第二交叉熵损失值；

将所述第一交叉熵损失值与所述第二交叉熵损失值的比值，确定为针对所述生鲜重建图像集的保真度。

8.一种生鲜图像存储装置，包括：

获取单元，被配置成获取生鲜图像集；

图像分割单元，被配置成对目标生鲜图像集中的每个目标生鲜图像进行图像分割，以生成生鲜前景图像和生鲜背景图像，得到生鲜前景图像集和生鲜背景图像集，其中，所述目标生鲜图像集是对所述生鲜图像集进行筛选得到的图像集；

压缩处理单元，被配置成通过预设图像压缩编码器，对所述生鲜前景图像集中的每个生鲜前景图像和对应的生鲜背景图像进行压缩处理，以生成比特流数据，得到比特流数据集；

执行单元，被配置成基于比特流数据集，执行以下存储步骤：通过预设图像还原解码器，对比特流数据集中的每个比特流数据进行图像重建处理，以生成生鲜重建图像，得到生鲜重建图像集；对生鲜重建图像集和所述目标生鲜图像集进行目标识别，得到第一识别结果和第二识别结果；根据第一识别结果和第二识别结果，确定针对生鲜重建图像集的保真度；响应于确定保真度大于等于预设保真度阈值，对生鲜重建图像集进行存储。

9.一种电子设备，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1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。