图像处理装置及电子设备的制作方法

1.本技术实施例涉及计算机领域，具体而言，涉及一种图像处理装置及电子设备。


背景技术：

2.在许多计算机视觉任务中，模型设计起着关键作用。高质量网络对移动/嵌入式设备的日益增长的需求推动了高效网络设计的研究。例如，与简单叠加卷积层相比，googlenet以较低的复杂度增加了网络的深度；squeezenet采用瓶颈方法设计了一个非常小的网络；例外mobilenet(使用深度方向的可分离卷积来减少计算和模型尺寸。mobilenetv3的设计基于互补搜索技术的组合
3.获得小型网络的另一个趋势是模型压缩。基于因子分解的方法试图通过张量分解来逼近原始卷积运算，从而加速卷积运算。基于知识提炼的方法学习一个小的网络来模仿一个更大的教师网络。基于修剪的方法尝试通过修剪冗余连接或卷积通道来减少计算量。
4.在计算机视觉和自然语言处理(nlp)任务中，动态卷积核的生成都是必不可少的。在计算机视觉领域，klein在2015年基于前几层的特征图，通过线性层直接生成卷积核。
5.尽管这些努力取得了进展，但我们发现卷积核之间仍然存在冗余，并导致冗余计算。动态卷积可以减少冗余计算，从而补充那些高效的网络。但在卷积网络中，相关核被用来提取与噪声无关的特征。因此，传统的卷积网络很难在不损失信息的情况下进行压缩。


技术实现要素：

6.本技术实施例提供了一种图像处理装置及电子设备，以至少解决相关技术中卷积网络很难在不损失信息的情况下进行压缩的问题。
7.根据本技术的一个实施例，提供了一种图像处理装置，该装置包括：图像压缩网络，所述图像压缩网络包括多层卷积层，每层卷积层包括：复杂度确定模块、复杂网络的压缩模块、简单网络的压缩模块，其中，所述复杂度确定模块，用于获取图像特征向量并确定所述图像特征向量的复杂度系数，并根据所述复杂度系数确定目标网络压缩模块，在所述复杂度系数大于预设阈值的情况下，所述目标网络压缩模块为复杂网络的压缩模块，否则，所述目标网络压缩模块为简单网络的压缩模块；所述复杂网络的压缩模块或所述简单网络的压缩模块，用于接收所述复杂度确定模块输入的所述图像特征向量，并计算所述图像特征向量，得到压缩后的图像特征向量。
8.在一个示例性实施例中，所述复杂度确定模块包括：全连接子模块，用于获取的所述图像特征向量，并利用[x1，x2]＝w
×
input，将所述图像特征向量映射到两个元素上，得到一维向量，将所述一维向量作为复杂度初始系数，其中，x1，x2表示两个元素，w表示全连接子模块的参数矩阵，input表示所述图像特征向量。
[0009]
在一个示例性实施例中，所述复杂度确定模块包括复杂度系数确定子模块，所述复杂度系数确定子模块用于：选择所述复杂度初始系数中两个元素的其中一个元素与所述预设阈值进行比较；若所述复杂度初始系数中的第一个所述元素大于所述预设阈值，将所
述复杂度初始系数第一个所述元素作为所述复杂度系数；若所述复杂度初始系数中的第一个所述元素小于或者等于所述预设阈值，将所述复杂度初始系数第二个所述元素作为所述复杂度系数。
[0010]
在一个示例性实施例中，所述复杂度确定模块还包括网络压缩选择子模块，所述网络压缩选择子模块用于：将所述复杂度系数与所述预设阈值进行比较；若所述复杂度系数大于所述预设阈值，则选择所述复杂网络的压缩模块作为所述目标网络压缩模块，否则选择所述简单网络的压缩模块作为所述目标网络压缩模块。
[0011]
在一个示例性实施例中，所述复杂度确定模块还包括图像梯度更新子模块，所述图像梯度更新子模块用于获取所述图像特征向量的梯度，并将所述梯度传输至对应的所述目标网络压缩模块中。
[0012]
在一个示例性实施例中，所述目标网络压缩模块用于根据梯度和所述复杂度系数，计算更新梯度，其中，所述更新梯度，用于确定压缩后的所述图像特征向量。
[0013]
在一个示例性实施例中，所述图像处理装置还包括：分类预测网络，用于接收压缩后的所述图像特征向量，并根据压缩后的所述图像特征向量进行分类预测。
[0014]
在一个示例性实施例中，所述复杂度确定模块还包括：感知层输出子模块，用于接收压缩后的所述图像特征向量，并输出至下一层所述卷积层或所述分类预测网络，其中，所述感知层输出子模块在位于多层所述卷积层除最后一层的任一层情况下，接收到压缩后的所述图像特征向量后，传输至下一层所述卷积层，所述感知层输出子模块在位于多层卷积层的最后一层的情况下，接收到压缩后的所述图像特征向量后，传输至所述分类预测网络中。
[0015]
在一个示例性实施例中，所述的装置，还包括：图像输入模块，用于接收输入的所述图像特征向量，并将所述图像特征向量输入至所述图像压缩网络中。
[0016]
根据本技术的又一个实施例，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一种方法实施例中的步骤。
[0017]
通过本技术，由于图像压缩网络包括多层卷积层，每层卷积层包括用于接收所述复杂度确定模块输入的所述图像特征向量，并计算所述图像特征向量，得到压缩后的图像特征向量的所述复杂网络的压缩模块或所述简单网络的压缩模块，还包括用于获取图像特征向量并确定所述图像特征向量的复杂度系数，并根据所述复杂度系数确定采用所述复杂网络的压缩模块或采用所述简单网络压缩模块，对所述图像特征向量进行压缩的复杂度确定模块因此，可以解决图像在不损失信息的情况下压缩问题，达到自适应选择使用所述复杂网络的压缩模块还是所述简单网络压缩模块对图像进行压缩的效果。
附图说明
[0018]
图1是根据本技术实施例的图像压缩网络的结构框图；
[0019]
图2是根据本技术实施例的另一种图像压缩网络的结构框图；
[0020]
图3是根据本技术实施例的复杂度确定模块的结构示意图；
[0021]
图4是根据本技术实施例1的一种图像处理装置的执行方案的流程图；
[0022]
图5是根据本技术实施例2的一种图像处理装置的执行方案的流程图；
[0023]
图6是根据本技术实施例3的一种图像处理装置的结构框图；
[0024]
图7是根据本技术实施例3的一种图像处理装置的执行方案的流程图；
[0025]
图8是根据本技术实施例4的一种图像处理装置的执行方案的流程图；
[0026]
图9是根据本技术实施例的一种图像处理方法的移动终端的硬件结构框图。
具体实施方式
[0027]
下文中将参考附图并结合实施例来详细说明本技术的实施例。
[0028]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0029]
在本实施例中还提供了一种图像处理装置，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0030]
在本实施例中提供了一种图像处理装置，图1是根据本技术实施例的一种图像处理装置的结构框图，如图1所示，该装置包括：
[0031]
图像压缩网络，图像压缩网络包括多层卷积层，每层卷积层包括复杂度确定模块、复杂网络的压缩模块、简单网络的压缩模块，其中，复杂度确定模块，用于获取图像特征向量并确定图像特征向量的复杂度系数，并根据复杂度系数确定目标网络压缩模块，在复杂度系数大于预设阈值的情况下，目标网络压缩模块为复杂网络的压缩模块，否则，目标网络压缩模块为简单网络的压缩模块；复杂网络的压缩模块或简单网络的压缩模块，用于接收复杂度确定模块输入的图像特征向量，并计算图像特征向量，得到压缩后的图像特征向量。
[0032]
具体地，上述图像压缩网络包括多层卷积层，多层卷积层用于处理信息复杂的图像特征；用多层卷积层具有鲁棒性的深度学习方法，通过挖掘数据在空间上的相关性，来减少网络中的可训练参数的数量，从而改进了前向传播网络的返向传播算法效率。根据复杂度系数可针对不同的图像大小选择不同的处理网络的压缩模块进行处理，解决了现有网络中不管输入大的图像还是小的图像均压缩成一个小的模型，只有一种模型，导致信息损失的问题，经过上述的不同网络的压缩模块进行处理，保证了图像处理的信息不损失的问题。
[0033]
在一个示例性实施例中，上述复杂度确定模块包括全连接子模块，用于获取的图像特征向量，并利用[x1，x2]＝w
×
input，将图像特征向量映射到两个元素上，得到一维向量，将一维向量作为复杂度初始系数，其中，x1，x2表示两个元素，w表示全连接子模块的参数矩阵，input表示图像特征向量。
[0034]
具体地，上述复杂度确定模块是一种基于上一层网络输出的图像特征向量进行复杂度系数预测的模块，包括一个全连接层，全连接层即为全连接子模块，全连接层将上一层输出的图像特征向量视为一个一维向量，通过全连接网络将一维向量的图像特征向量映射到一个包括两个元素的一维向量[x1，x2]，并将[x1，x2]作为复杂度初始系数，其中具体映射算法为：[x1，x2]＝fc_layer(input)＝w
×
input，fc_layer()表示全连接层，input表示图像特征向量，通过上述将图像特征向量映射为两个元素的一维向量，作为复杂度初始系数的元素，便于后续对复杂度系数的确定以及对应网络的压缩模块的选择。
[0035]
在一个示例性实施例中，上述复杂度确定模块包括复杂度系数确定子模块，复杂度系数确定子模块用于：选择复杂度初始系数中两个元素的其中一个元素与预设阈值进行
比较；若复杂度初始系数中的第一个元素大于预设阈值，将复杂度初始系数第一个元素作为复杂度系数；若复杂度初始系数中的第一个元素小于或者等于预设阈值，将复杂度初始系数第二个元素作为复杂度系数。
[0036]
具体地，上述复杂度系数确定子模块，根据上述复杂度初始系数确定上述复杂度系数，其中，复杂度初始系数为[x1，x2]，确定复杂度系数通过top1选择算子选择top1的系数，得到复杂度系数；其中，top1选择算子的操作如下：
[0037][0038]
其中，n为设定的复杂度系数条件，[w1，w2]为复杂度系数的两个元素，如图2所示，复杂度系数的两个元素分别对应复杂度网络压缩模块和简单网络压缩模块给，通过对复杂度系数的两个元素的置零操作，可选择对应的处理网络，处理方式简单，减少计算。复杂度系数确定子模块执行流程如图3所示。
[0039]
在一个示例性实施例中，上述复杂度确定模块还包括网络压缩选择子模块，网络压缩选择子模块用于：将复杂度系数与预设阈值进行比较；若复杂度系数大于预设阈值，则选择复杂网络的压缩模块作为目标网络压缩模块，否则选择简单网络的压缩模块作为目标网络压缩模块。
[0040]
具体地，上述的复杂度系数为两个元素的一维向量，因此复杂度系数与预设阈值比较时，会选择其中的一个元素作为基础，也即复杂度系数的第一元素对应的复杂网络的压缩模块，第二元素对应的简单网络的压缩模块，并用top1选择算子选择复杂网络的压缩模块或选择简单网络的压缩模块，其中，令复杂度系数的两个元素分别用于选择两个网络的压缩模块，w1用于选择复杂网络的压缩模块，w2用于选择简单的网络压缩模块，其中，top1选择算子的操作如下：
[0041][0042]
其中，n为设定的复杂度系数条件，如图3所示，当w1＝x1时，将w2置零，表示选择复
杂网络的压缩模块对图像进行压缩，当w1＝0时，w2＝x2表示选择简单网络的压缩模块对图像进行压缩；模型在移动端使用时可以强制将w1置0，即仅使用简单网络的压缩模块对图像进行处理，使得计算量显著下降，以适应移动端低算力的限制。
[0043]
在一个示例性实施例中，上述复杂度确定模块还包括图像梯度更新子模块，图像梯度更新子模块用于获取图像特征向量的梯度，并将梯度传输至对应的目标网络压缩模块中，通过梯度的反向传播计算用于对复杂网络的压缩模块进行复杂图像处理，处理速度快，减少计算量。
[0044]
在一个示例性实施例中，上述目标网络压缩模块用于根据梯度和复杂度系数，更新梯度，其中，更新梯度，用于确定压缩后的图像特征向量。
[0045]
具体地，上述目标网络压缩模块包括简单网络的压缩模块、复杂网络的压缩模块，如图1所示，当选择复杂网络的压缩模块时，input1＝input
×
w1传输至复杂网络的压缩模块，用于复杂网络的压缩模块梯度计算；选择简单网络的压缩模块时，input2＝input
×
w2传输至复杂网络的压缩模块，用于简单网络的压缩模块梯度计算，其具体的梯度计算采用现有的技术手段，例如采用梯度反向传播，具体计算过程采用现有技术，此处不再详细介绍。
[0046]
在一个示例性实施例中，上述复杂度确定模块还包括感知层输出子模块，用于接收压缩后的图像特征向量，并输出至下一层卷积层或分类预测网络，其中，感知层输出子模块在位于多层卷积层除最后一层的任一层情况下，接收到压缩后的图像特征向量后，传输至下一层卷积层，感知层输出子模块在位于多层卷积层的最后一层的情况下，接收到压缩后的图像特征向量后，传输至分类预测网络中。
[0047]
具体地，上述感知层输出子模块包括多层感知器mlp；如图2所示，若选择的复杂网络的压缩模块进行压缩，则通过output＝mlp(output1×
w1 outpu2×
w2)，其中w1为非零系数，w2为置零系数；若选择的简单网络的压缩模块进行压缩，则通过output＝mlp(output1×
w1 outpu2×
w2)，其中w1为置零系数，w2为非零系数；然后将输出结果输出至下一层卷积层的复杂度确定模块。
[0048]
在一个示例性实施例中，图像处理装置还包括图像输入模块，用于接收输入的图像特征向量，并将图像特征向量输入至图像压缩网络中。
[0049]
具体的地，上述图像输入模块，用于将移动端获取的图像的特征向量，传输至多层卷积层中进行图像的压缩处理，图像输入模块采用现有的矩阵转向量方法将输入的图像矩阵转换未图像特征向量，用于后续的图像的压缩。
[0050]
在一个示例性实施例中，图像处理装置还包括分类预测网络，用于接收压缩后的图像特征向量，并根据压缩后的图像特征向量进行分类预测。
[0051]
具体地，上述分类预测网络采用vgg net、resnet、resnext、se-net中任一网络，用于对压缩后的图像进行分类，属于图像处理的常用技术手段，此处不在详细介绍。
[0052]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0053]
在本实施例中提供了一种图像处理装置的训练算法，包括对于所提出的动态卷积的训练，复杂度预测模块中系数为0时则相应部分的网络不参与前向计算和梯度后向回传计算，因此能够降低网络的计算量；神经网络中的系数在训练时通过神经网络的反向传播
机制进行学习调整，复杂度预测模块中前向计算的w矩阵中的每个元素在训练开始前随机初始化，使得对于任意输入在训练初始阶段预测出x1，x2的系数没有明显的偏向性，预测概率也无显著差异，由于复杂卷积网络预测系数大于0.9时才会选择该网络，因此模型训练时首先会考虑使用简单卷积网络进行输出预测，当使用简单卷积网络预测时准确率不高时，模型会不断进行参数更新，当参数更新使得选中了复杂卷积网络预测时，会提升网络预测的准确率，模型就会不断强化该方向上的参数更新，因此在简单任务时模型经过训练会使得学习到的预测系数倾向于使用简单卷积网络，在复杂输入任务下模型就能够使得预测系数倾向于复杂卷积网络，通过这个机制能够实现模型通过训练自动学习复杂任务使用复杂卷积神经网络，即使得预测系数w1超过设定阈值；而简单任务使用简单卷积神经网络，即预测系数w1低于设定阈值。
[0054]
实施例1
[0055]
本技术还提供了一种图像处理装置的执行方案，如图4所示，包括如下步骤：
[0056]
步骤s101，获取图像特征向量，图像特征向量为多维特征向量，通过python中reshape算法将多维向量转换维一维向量，其中一维向量包括两个元素；
[0057]
步骤s102，将两个元素的一维向量作为用于选择复杂网络压缩模块的复杂度系数和用于选择简单网络压缩模块的复杂度系数；
[0058]
步骤s103，设定复杂网络的压缩模块和简单网络的压缩模块的复杂度系数的预设阈值，通过各自的复杂度系数与预设阈值比较，复杂度系数超过阈值则选择复杂网络的压缩模块对图像进行压缩，未超过预设阈值则选择简单网络的压缩模块对图像进行压缩。
[0059]
实施例2
[0060]
本技术还提供了一种图像处理装置的执行方案，如图5所示，包括如下步骤：
[0061]
步骤s201，获取图像特征向量，图像特征向量为多维特征向量，通过python中reshape算法将多维向量转换维一维向量，其中一维向量包括两个元素；
[0062]
步骤s202，将两个元素的加和作为复杂度系数；
[0063]
步骤s203，设定用于选择复杂网络的压缩模块和简单网络的压缩模块的预设阈值，通过复杂度系数与预设阈值比较，复杂度系数超过阈值则选择复杂网络的压缩模块对图像进行压缩，未超过预设阈值则选择简单网络的压缩模块对图像进行压缩。
[0064]
实施例3
[0065]
本技术还提供了一种图像处理装置的执行方案，如图6所示，其中，该架构种的具体执行方案如图7所示，包括如下步骤：
[0066]
步骤s301，通过图像输入模块获取图像特征向量，传输至包括多层卷积层的图像压缩网络内，图像压缩网络的第一层卷积层的复杂度确定模块利用[x1，x2]＝w
×
input，将图像特征向量映射到两个元素上，得到一维向量，将一维向量作为复杂度初始系数，其中，x1，x2表示两个元素，w表示全连接子模块的参数矩阵，input表示图像特征向量；选择复杂度初始系数中两个元素的其中一个元素与预设阈值进行比较；若复杂度初始系数中的第一个元素大于预设阈值，将复杂度初始系数第一个元素作为复杂度系数；若复杂度初始系数中的第一个元素小于或者等于预设阈值，将复杂度初始系数第二个元素作为复杂度系数；
[0067]
步骤s302，图像压缩网络的每层卷积层的复杂度确定模块根据上述复杂度系数，确定目标网络压缩模块，包括：采用top1选择算子选择复杂网络的压缩模块或选择简单网
络的压缩模块，其中，令复杂度系数的两个元素分别用于选择两个网络的压缩模块作为目标网络压缩模块，w1用于选择复杂网络的压缩模块作为目标网络压缩模块，w2用于选择简单的网络压缩模块作为目标网络压缩模块，其中，top1选择算子的操作如下：
[0068][0069]
其中，n为设定的复杂度系数条件，当w1＝x1时，将w2置零，表示选择复杂网络的压缩模块作为目标网络压缩模块对图像进行压缩，当w1＝0时，w2＝x2表示选择简单网络的压缩模块作为目标网络压缩模块对图像进行压缩；模型在移动端使用时可以强制将w1置0，即仅使用简单网络的压缩模块对图像进行处理，
[0070]
步骤s303，每层卷积层的目标网络压缩模块计算接收图像特征向量，得到每层卷积层压缩后的图像特征向量；
[0071]
步骤s304，每层卷积层压缩后的图像特征向量通过本层卷积层的复杂网络的压缩模块的输出端ouput1或简单网络的压缩模块的输出端ouput2作为下一层input接收端接收输入的图像特征向量，直至传输至最后一层卷积层后，得到最终的压缩后的图像特征向量，并将最后的图像特征向量传输至分类预测网络，对压缩后的图像进行分类。
[0072]
具体地，上述步骤s303，每层卷积层的目标网络压缩模块计算接收的图像特征向量采用现有的图像压缩计算，此处不再详细介绍，其中目标网络压缩模块包括简单网络的压缩模块，复杂网络的压缩模块，简单网络的压缩模块采用cnn卷积网络，包括三层，三层分别为：卷积层、池化层、全连接层，为现有技术，具体卷积操作此处不再详细介绍。复杂网络的压缩模块采用cnn卷积网络，例如lenet5网络，包括三层以上，输入层，多层卷积层、多层池化层、全连接层、输出层，如图5所示，lenet5网络包括包含输入层总共8层网络，分别为：输入层(input)、卷积层(convolutions,c1)、池化层(subsampling，s2)、卷积层(c3)、池化层(subsampling，s4)、卷积层(c5)、全连接层(f6)、输出层(径向基层)，具体原理均为现有技术此处不再详细介绍。
[0073]
实施例4
[0074]
本技术还提供了一种图像处理装置的执行方案，如图8所示，包括如下步骤：
[0075]
步骤s401，获取上一层图像特征向量，通过复杂度确定模块根据图像特征向量，利用[x1，x2]＝w
×
input，将图像特征向量映射到两个元素上，得到一维向量，将一维向量作为复杂度初始系数，其中，x1，x2表示两个元素，w表示全连接子模块的参数矩阵，input表示图像特征向量；选择复杂度初始系数中两个元素的其中一个元素与预设阈值进行比较；若复杂度初始系数中的第一个元素大于预设阈值，将复杂度初始系数第一个元素作为复杂度系数；若复杂度初始系数中的第一个元素小于或者等于预设阈值，将复杂度初始系数第二个
元素作为复杂度系数；
[0076]
步骤s402，复杂度确定模块根据上述复杂度系数，确定目标网络压缩模块，包括：
[0077]
采用top1选择算子选择复杂网络的压缩模块或选择简单网络的压缩模块，其中，令复杂度系数的两个元素分别用于选择两个网络的压缩模块作为目标网络压缩模块，w1用于选择复杂网络的压缩模块作为目标网络压缩模块，w2用于选择简单的网络压缩模块作为目标网络压缩模块，其中，top1选择算子的操作如下：
[0078][0079]
其中，n为设定的复杂度系数条件，当w1＝x1时，将w2置零，表示选择复杂网络的压缩模块作为目标网络压缩模块对图像进行压缩，当w1＝0时，w2＝x2表示选择简单网络的压缩模块作为目标网络压缩模块对图像进行压缩；
[0080]
步骤s403，通过选择的复杂网络的压缩模块或简单网络的压缩模块计算接收图像特征向量，得到压缩后的图像特征向量；
[0081]
步骤s404，压缩后的图像特征向量通过复杂网络的压缩模块的输出端ouput1和简单网络的压缩模块的输出端ouput2输出至复杂度确定模块的感知层输出子模块，感知层输出子模块的输入端为全连接层，接收复杂网络的压缩模块的复杂度系数和简单网络的压缩模块的复杂度系数求和，通过感知层输出子模块的output端输出至下一层卷积层，其中，output＝mlp(output1*w1 outpu2*w2)，mlp表示感知层输出子模块的全连接层。
[0082]
上述两个实施例中的步骤3中，复杂网络的压缩模块或简单网络的压缩模块计算图像特征向量采用现有的图像压缩计算，此处不再详细介绍，简单网络的压缩模块采用cnn卷积网络，包括三层，三层分别为：卷积层、池化层、全连接层，为现有技术，具体卷积操作此处不再详细介绍。复杂网络的压缩模块采用cnn卷积网络，例如lenet5网络，包括三层以上，输入层，多层卷积层、多层池化层、全连接层、输出层，lenet5网络包括包含输入层总共8层网络，分别为：输入层(input)、卷积层(convolutions,c1)、池化层(subsampling，s2)、卷积层(c3)、池化层(subsampling，s4)、卷积层(c5)、全连接层(f6)、输出层(径向基层)，具体原理均为现有技术此处不再详细介绍。
[0083]
本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图9是本技术实施例的一种图像处理方法的移动终端的硬件结构框图。如图9所示，移动终端可以包括一个或多个(图9中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图9所示的结构仅为示意，其并不对
上述移动终端的结构造成限定。例如，移动终端还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。
[0084]
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本技术实施例中的一种图像处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0085]
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
[0086]
通过上述实施例，可实现自适应选择使用上述复杂网络的压缩模块还是上述简单网络压缩模块解决了图像在不损失信息的情况下压缩问题，提高了图像进行压缩的效果及速度。
[0087]
其中，上述步骤的执行主体可以为【服务器、终端】等，但不限于此。
[0088]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例上述的方法。
[0089]
本技术的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一种方法实施例中的步骤。
[0090]
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0091]
本技术的实施例还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一种方法实施例中的步骤。
[0092]
在一个示例性实施例中，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0093]
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
[0094]
显然，本领域的技术人员应该明白，上述的本技术的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成
的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本技术不限制于任何特定的硬件和软件结合。
[0095]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。