一种优化APP包大小的处理方法、装置、计算机设备和存储介质与流程

一种优化app包大小的处理方法、装置、计算机设备和存储介质
技术领域
1.本技术涉及计算机视觉技术领域，特别是涉及一种优化app包大小的处理方法、装置、计算机设备和存储介质。


背景技术：

2.随着移动互联网的发展，手机app功能越来越多，图文信息更丰富，变化也更频繁，这给生活工作带来了便利，同时也导致app包越来越大，数十兆、上百兆的app越来越多。当用户新安装和使用app包时，会严重影响用户体验，甚至导致用户的流失，或者拒绝更新版本app。为了避免过于臃肿的app包，设计人员会在app打包前由人工搜索合并冗余的图片。app包中常会包含成千上万张不同尺寸风格的图片，人工合并的方式耗时耗力，结果也不尽人意。
3.如果采用自动发现相似、相同的图片，需要将高维图像数据映射到低维特征空间中，然后通过计算图像特征向量的距离描述图像的相似度。传统图像在做特征映射时通常采用手工特征，例如sift、surf、orb等，但碍于图像信息的复杂性，手工特征的效果不理想。
4.近年来，随着深度学习技术的发展，卷积神经网络在图像分类、检测等领域取得突破进展。相比于传统方法卷积神经网络通过对数据集的学习，自动挖掘更鲁棒的深度特征，能够充分反映图像的纹理、亮度、颜色、语义等信息。


技术实现要素：

5.为了解决上述问题，本发明提出了，
6.一种优化app包大小的处理方法，方法包括：
7.提取app包中的图片，对图片做归一化处理；
8.将处理后的图片分成多个组；
9.提取每个组中的所有图片的特征向量，两两计算图片的特征向量的距离；
10.确定相似图片对，将相似图片对归集形成相似组；
11.选取相似组中的代表图片，将app包对相似图片对的引用合并为对代表图片的引用；
12.筛除未被引用的图片，重新打包app。
13.在一个实施例中，归一化处理为：
[0014][0015][0016]
其中，x表示图像矩阵，μ表示图像矩阵的均值，δ表示图像矩阵标准差，n表示图像像素数量。
[0017]
在一个实施例中，将处理后的图片分成多个组，包括：
[0018]
扫描图片，根据图片的格式信息和尺寸信息，将处理后的图片分成多个组。
[0019]
在一个实施例中，提取每个组中的所有图片的特征向量，包括：
[0020]
遍历每个组，将处理后的图片图像输入卷积神经网络，卷积神经网络包括卷积层、池化层和全连层，全连层的输出即图片的特征向量。
[0021]
在一个实施例中，特征向量的距离，包括：
[0022][0023]
其中，v为图片的特征向量，m为特征向量的维度。
[0024]
在一个实施例中，确定相似图片对，将相似图片对归集形成相似组，包括：
[0025]
两张图片的特征向量间的距离越小，该两张图片组成的图片对越相似，确定距离小于预设阈值的图片对为相似图片对，根据相似的传递性，将相似图片对归集成相似组。
[0026]
一种优化app包大小的处理装置，装置包括：
[0027]
预处理模块，用于提取app包中的图片，对图片做归一化处理；
[0028]
分组模块，用于将处理后的图片分成多个组；
[0029]
特征提取模块，用于提取每个组中的所有图片的特征向量，两两计算图片的特征向量的距离；
[0030]
归集模块，用于确定相似图片对，将相似图片对归集形成相似组；
[0031]
筛选模块，用于选取相似组中的代表图片，将app包对相似图片对的引用合并为对代表图片的引用；
[0032]
整合模块，用于筛除未被引用的图片，重新打包app。
[0033]
在一个实施例中，分组模块根据根据图片的格式信息和尺寸信息，将处理后的图片分成多个组一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
[0034]
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
[0035]
本发明的优化app包大小的处理方法、装置、计算机设备和存储介质，基于深度图像特征归集优化app包，可以减少人工审核的工作量，显著压缩app包大小。使用卷进神经网络对app图片提取深度特征，将查找相似相同图片问题，转化为特征向量距离的计算。同时，根据深度图像特征的距离对图片进行自动归集，然后对相同、相似图的合并引用，删除多余图片，实现优化app包大小的目标。
附图说明
[0036]
图1为一个实施例中一种优化app包大小的处理方法的步骤示意图；
[0037]
图2为一个实施例中一种优化app包大小的处理装置的结构框图；
[0038]
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
[0039]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0040]
本技术提供的一种优化app包大小的处理方法，在一个实施例中，如图1所示，包括以下步骤：
[0041]
s100，提取app包中的图片，对图片做归一化处理。
[0042]
在本实施例中，对app包进行解压，提取app包中的图片，对图片文件做归一化处理。具体地，采用如下公式，
[0043][0044][0045]
其中，公式(1)中的δ表示图像矩阵标准差，n表示图像像素数量；公式(2)中的x表示图像矩阵，μ表示图像矩阵的均值。
[0046]
s200，将处理后的图片分成多个组。
[0047]
在本实施例中，扫描经过归一化处理的图片，根据图片的格式信息和尺寸信息，优选地，尺寸信息为长宽信息，按照图片格式和长宽信息，将图片分成多个组。
[0048]
s300，提取每个组中的所有图片的特征向量，两两计算图片的特征向量的距离。
[0049]
在本实施例中，分别对步骤s200得到的多个组进行特征提取，提取每个组中的所有图片的特征向量，并且两两求解特征向量的距离。具体地，遍历每个组，将处理后的图片图像输入卷积神经网络，卷积神经网络包括卷积层、池化层和全连层，卷积神经网络实现特征提取，全连层的输出即该图片的特征向量。对于特征向量的距离，通过公示(3)计算。
[0050][0051]
其中，v为图片的特征向量，m为特征向量的维度。
[0052]
s400，确定相似图片对，将相似图片对归集形成相似组。
[0053]
在本实施例中，根据步骤s300得到的两两图片的特征向量的距离，确定相似图片对。具体地，两张图片的特征向量间的距离越小，该两张图片组成的图片对越相似，预设一个阈值ε，将特征向量间的距离小于预设阈值ε的图片对为相似图片对，其中，ε可以按照先验知识确定。再根据相似的传递性，将相似图片对归集成相似组。
[0054]
s500，选取相似组中的代表图片，将app包对相似图片对的引用合并为对代表图片的引用。
[0055]
在本实施例中，对步骤s400形成的相似组进行审核，删除不能合并的图片，在审核后的相似组中选取该相似组中的代表图片，将app包对相似图片对的引用合并为对代表图片的引用。
[0056]
s600，筛除未被引用的图片，重新打包app。
[0057]
通过上述方法，app中包含有大量的图片，图片也比较大，采用自动归集合并引用处理可以将app包压缩10％-15％。
[0058]
应该理解的是，虽然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，这些步骤可以以其它的顺序执行。而且，附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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。
[0059]
在一个实施例中，如图2所示，提供了应用上述方法的优化app包大小的处理装置，包括：预处理模块100、分组模块200、特征提取模块300、归集模块400、筛选模块500和整合模块600。其中：
[0060]
预处理模块100，用于提取app包中的图片，对图片做归一化处理。
[0061]
分组模块200，用于将处理后的图片分成多个组。其中，分组模块200根据根据图片的格式信息和尺寸信息，将处理后的图片分成多个组。
[0062]
特征提取模块300，用于提取每个组中的所有图片的特征向量，两两计算图片的特征向量的距离。
[0063]
归集模块400，用于确定相似图片对，将相似图片对归集形成相似组。
[0064]
筛选模块500，用于选取相似组中的代表图片，将app包对相似图片对的引用合并为对代表图片的引用。
[0065]
整合模块600，用于筛除未被引用的图片，重新打包app。
[0066]
关于优化app包大小的处理装置的具体限定可以参见上文中对于优化app包大小的处理方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0067]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是数据管理服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的数据源终端通过网络连接通信，以接收数据源终端上传的数据。该计算机程序被处理器执行时以实现优化app包大小的处理方法。
[0068]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0069]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述优化app包大小的处理方法。
[0070]
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可
包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0071]
本发明公开了一种优化app包大小的处理方法、装置、计算机设备和存储介质，利用卷积神经网络提取图片的深度特征，通过特征向量间距离大小挖掘相似图片对；通过图片相似传递特性，自动生成相似组；通过人工复核方式提高相似图合并的可靠性。本发明可以在保证app展示效果的前提下，快速压缩app包大小。
[0072]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0073]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。