[发明专利]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

说明书

本申请涉及一种优化APP包大小的处理方法、装置、计算机设备和存储介质。方法包括：提取APP包中的图片，对图片做归一化处理；将处理后的图片分成多个组；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；确定相似图片对，将相似图片对归集形成相似组；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；筛除未被引用的图片，重新打包APP。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。

技术领域

本申请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

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。

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。

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。

发明内容

为了解决上述问题，本发明提出了，

一种优化APP包大小的处理方法，方法包括：

提取APP包中的图片，对图片做归一化处理；

将处理后的图片分成多个组；

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；

确定相似图片对，将相似图片对归集形成相似组；

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；

筛除未被引用的图片，重新打包APP。

在一个实施例中，归一化处理为：

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。

在一个实施例中，将处理后的图片分成多个组，包括：

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。

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：

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。

在一个实施例中，特征向量的距离，包括：

其中，v为图片的特征向量，m为特征向量的维度。

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：

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。