CN104133917A - 照片的分类存储方法及装置 - Google Patents

照片的分类存储方法及装置 Download PDF

Info

Publication number
CN104133917A
CN104133917A CN201410403833.2A CN201410403833A CN104133917A CN 104133917 A CN104133917 A CN 104133917A CN 201410403833 A CN201410403833 A CN 201410403833A CN 104133917 A CN104133917 A CN 104133917A
Authority
CN
China
Prior art keywords
photo
picture
image distance
upload pictures
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410403833.2A
Other languages
English (en)
Other versions
CN104133917B (zh
Inventor
高浩渊
吴锡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201410403833.2A priority Critical patent/CN104133917B/zh
Publication of CN104133917A publication Critical patent/CN104133917A/zh
Priority to PCT/CN2015/070675 priority patent/WO2016023336A1/zh
Priority to US14/900,098 priority patent/US10146796B2/en
Application granted granted Critical
Publication of CN104133917B publication Critical patent/CN104133917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供一种照片的分类存储方法及装置，其中，所述方法包括：将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。本发明的有益效果是：能够有效地对用户相册中大量的相近的图像进行整理，并放在同一个目录下，以方便用户管理和查看。

Description

照片的分类存储方法及装置
技术领域
本发明涉及一种照片的分类存储方法及装置，尤其涉及一种按照照片相似度自动整合的方法及装置。
背景技术
随着相机和智能终端的发展，个人的照片越来越多，人们在拍照的时候，往往会在相同或者相近的场景下拍摄多张图像，以可从中选择比较满意的照片。
然而，现有的相册展现，往往侧重将图像按照尺寸、时间、人物按照一定顺序的排列，如此，往往大量重复的照片展现在了同一个页面，使得用户查看和管理照片极为不便。
发明内容
本发明的目的之一在于提供一种照片的分类存储方法及装置。
为实现上述发明目的之一，本发明一实施方式提供了一种照片的分类存储方法，其包括：
获取当前上传照片的拍照时间信息，并提取所述当前上传照片的图像特征；
将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；
将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。
作为本发明的进一步改进，所述“计算当前上传照片和已存照片的图像相似度”包括：
计算当前上传照片与已存照片的图像距离，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
作为本发明的进一步改进，所述“计算当前上传照片和已存照片的图像相似度”还包括：
若当前上传照片和已存照片的拍照时间间隔较长，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；
若当前上传照片和已存照片的拍照时间间隔较短，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。
作为本发明的进一步改进，所述方法还包括：
判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分，具体包括：
通过深度神经网络训练，对同一集合中的照片进行评分；
将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
为实现上述发明目的之一，本发明一实施方式提供了一种照片的分类存储方法，其包括：
将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；
当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。
作为本发明的进一步改进，“将目录内的照片A和照片B的图像特性相匹配”具体包括：
获取目录内照片的拍照时间信息；
将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。
作为本发明的进一步改进，所述“计算照片A和照片B的图像相似度”包括：
计算照片A与照片B的图像距离，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
作为本发明的进一步改进，所述“计算照片A和照片B的图像相似度”还包括：
若照片A和照片B的拍照间隔时间大于第一预设时间，则在所述图像距离上进行加权，使照片A和照片B的综合图像距离增加；
若照片A和照片B的拍照间隔时间小于第二预设时间，则在所述图像距离上进行降权，使所述照片A和照片B的综合图像距离减小。
作为本发明的进一步改进，所述方法还包括：
判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分，具体包括：
通过深度神经网络训练，对同一集合中的照片进行评分；
将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
为实现上述发明目的之一，本发明一实施方式提供了一种照片归类装置，其包括：
照片信息获取模块，用于获取当前上传照片的拍照时间信息；
计算模块，用于提取所述当前上传照片的图像特征，并将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；
处理模块，将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。
作为本发明的进一步改进，所述计算模块用于：
计算当前上传照片与已存照片的图像距离，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
作为本发明的进一步改进，所述计算模块还用于：
若当前上传照片和已存照片的拍照时间间隔较长，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；
若当前上传照片和已存照片的拍照时间间隔较短，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。
作为本发明的进一步改进，所述计算模块还用于判断同一集合中照片的图像质量；
所述处理模块还用于将图像质量最高的照片作为该集合的封面或封面的一部分；
所述装置还包括学习模块，其用于深度神经网络训练，使得所述学习模块和所述计算模块可协同地对同一集合中的照片进行评分；
所述处理模块用于，将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
为实现上述发明目的之一，本发明一实施方式提供了一种照片归类装置，其包括：
计算模块，用于将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；
处理模块，用于当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。
作为本发明的进一步改进，所述装置还包括照片信息获取模块，其用于获取目录内照片的拍照时间信息；
所述计算模块用于，将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。
作为本发明的进一步改进，所述计算模块还用于：
计算照片A与照片B的图像距离，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
作为本发明的进一步改进，所述计算模块还用于
若照片A和照片B的拍照间隔时间大于第一预设时间，则在所述图像距离上进行加权，使照片A和照片B的综合图像距离增加；
若照片A和照片B的拍照间隔时间小于第二预设时间，则在所述图像距离上进行降权，使所述照片A和照片B的综合图像距离减小。
作为本发明的进一步改进，所述计算模块还用于判断同一集合中照片的图像质量；
所述处理模块还用于将图像质量最高的照片作为该集合的封面或封面的一部分；
所述装置还包括学习模块，其用于深度神经网络训练，使得所述学习模块和所述计算模块可协同地对同一集合中的照片进行评分；
所述处理模块用于，将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
与现有技术相比，本发明的有益效果是：能够有效地对用户相册中大量的相近的图像进行整理，并放在同一个目录下，以方便用户管理和查看。
附图说明
图1是本发明第一实施方式的照片的分类存储方法的流程图；
图2是本发明第二实施方式的照片的分类存储方法的流程图；
图3是本发明一实施方式的照片的分类存储装置的模块图。
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所轻易做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示，在本发明第一实施方式中，一种照片的分类存储方法，其包括：
获取当前上传照片的拍照时间信息，并提取所述当前上传照片的图像特征；在本实施方式中，一般数字照片中都包括拍照时间信息，在照片上传时或上传后，获取上传照片的拍照时间，以及提取当前上传照片的图像特征，该图像特征为图像的全局描述特征，其包括GIST特征，和/或CMG特征，和/或颜色直方图特征等。
将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；在本实施方式中，在获得了当前上传照片的拍照时间后，可先在照片库中根据所述拍照时间进行筛选，筛选出与所述拍照时间间隔在预设范围内的已存照片。
根据拍照习惯，对同一取景事物进行重复拍摄，一般是在一定的时间区间内的，例如，第一次拍照后的30秒内的照片，其照片与第一次拍照的照片相同或相似的几率较高；而拍照时间间隔跨度较大的，例如相隔5分钟，则对同一取景进行重复拍摄的几率较短。先用拍照时间筛选出与上传照片存在相同或相似几率较高的已存照片，可大大减小后续的图像特性匹配的计算量，减轻服务器的工作压力，提升匹配效率。其次，将筛选出的已存照片的图像特性与当前上传照片的图像特性相匹配，以判断已存照片中是否存在与当前上传照片相同或相似的照片，在本实施方式中，可将当前上传照片的图像特性与时间区间内的已存照片逐一匹配，以计算一个或多个已存照片与该当前上传照片的图像相似度。
其中，在本实施方式中，图像相似度的计算包括图像距离和拍照时间间隔两个维度，其具体包括：
计算当前上传照片与已存照片的图像距离，所述图像距离可为Cosine距离，或直方图距离，或欧式距离等，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离。其中，综合图像距离越大则表示图像相似度越低；综合图像距离越小则表示图像相似度越高。
具体地，若当前上传照片和已存照片的拍照时间间隔较长，超过第一预设时间(例如5分钟)，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；若当前上传照片和已存照片的拍照时间间隔较短，小于第二预设时间(例如小于30秒)，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。
当综合图像距离小于预设阈值时，则认为当前上传照片与某一或某些已存照片相同或相似，当综合图像距离大于预设阈值时，则认为当前上传照片与已存照片不相同或不相似。
将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。在本实施方式中，可将上传照片和与其相同或相似的已存照片存储入同一位于目录下的文件夹(子目录)，也可以通过在上传照片上加入与其相似的已存照片同样的ID，以在前端页面中体现为其位于同一文件夹(子目录)，以便用户管理和查看。当然，若不存在与当前上传照片相同或相似的已存照片，则可将该当前上传照片存在根目录下，或单独存放于一文件夹(子目录)内，和/或标注新的ID。
在本实施方式中，所述方法还包括：
判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分。其中，判断图像质量的特征可包括图像的清晰度、图像中人物的个数，以及图像的主观质量分数等，该方法具体包括：
通过深度神经网络训练，对同一集合中的照片进行评分；相应地，通过深度神经网络训练方法包括：每次输出两张一组的照片，并通过人为判断该两张照片中哪一张的图像质量较高，以修正系统对照片的图像质量评分，在完成若干组照片的评价后，建立稳定的评分标准；
将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。需要说明的是，若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为低分，则评分最低的照片代表图像质量最高的照片；若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为高分，则评分最高的照片代表图像质量最高的照片。另外，在本实施方式中，可将图像质量最高的照片作为集合封面，该集合封面仅为一张图像；也可将图像质量最高的照片作为集合封面的一部分，该集合封面可由多张照片组合而成。
如图2所示，在本发明第二实施方式中，一种照片的分类存储方法，其包括：
将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；在本实施方式中，该图像特征为图像的全局描述特征，其包括GIST特征，和/或CMG特征，和/或颜色直方图特征等。在该实施方式中，所述照片B为目录内除照片A之外其余照片的任意一张。
当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。即是若照片A和照片B相同或相似，则将照片A和照片B存储和/或标注为同一独立的集合。在本实施方式中，可将照片A和照片B存储入同一位于目录下的文件夹(子目录)，也可以通过在照片A和照片B上加入同样的ID，以在前端页面中体现为其位于同一文件夹(子目录)，以便用户管理和查看。当然，若不存在与照片A相同或相似的照片B，则可将照片A存在根目录下，或单独存放于一文件夹(子目录)内，和/或标注新的ID。
在本实施方式中，所述方法在“将目录内的照片A和照片B的图像特性相匹配”包括：
获取目录内照片的拍照时间信息；一般数字照片中都包括拍照时间信息，获取照片的拍照时间。
在获取照片地拍照时间后，将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。
根据拍照习惯，对同一取景事物进行重复拍摄，一般是在一定的时间区间内的，例如，第一次拍照后的30秒内的照片，其照片与第一次拍照的照片相同或相似的几率较高；而拍照时间间隔跨度较大的，例如相隔5分钟，则对同一取景进行重复拍摄的几率较短。先用拍照时间筛选出与照片A存在相同或相似几率较高的已存照片，可大大减小后续的图像特性匹配的计算量，减轻服务器的工作压力，提升匹配效率。在实施方式中，可将照片A的图像特性与时间区间内的目录中其他照片逐一匹配，以计算一个或多个照片与该当前照片A的图像相似度。在该实施方式中，所述照片B为目录下，与照片A的拍照时间间隔在预设范围内的照片的任意一张。
其中，在本实施方式中，图像相似度的计算包括图像距离和拍照时间间隔两个维度，其具体包括：
计算照片A与照片B的图像距离，所述图像距离可为Cosine距离，或直方图距离，或欧式距离等，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离。其中，综合图像距离越大则表示图像相似度越低；综合图像距离越小则表示图像相似度越高。
具体地，若照片A和照片B的拍照时间间隔较长，超过第一预设时间(例如5分钟)，则在所述图像距离上进行加权，使所述照片A与照片B的综合图像距离增加；若照片A和照片B的拍照时间间隔较短，小于第二预设时间(例如小于30秒)，则在所述图像距离上进行降权，使得所述照片A与照片B的综合图像距离减小。
当综合图像距离小于预设距离阈值时，则认为照片A与所述照片B的图像相似度大于预设阈值，当前照片A与照片B相同或相似，当综合图像距离大于预设距离阈值时，则认为照片A与所述照片B的图像相似度小于预设阈值，照片A与照片B不相同或不相似。
在本实施方式中，所述方法还包括：
判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分。其中，判断图像质量的特征可包括图像的清晰度、图像中人物的个数，以及图像的主观质量分数等，该方法具体包括：
通过深度神经网络训练，对同一集合中的照片进行评分；相应地，通过深度神经网络训练方法包括：每次输出两张一组的照片，并通过人为判断该两张照片中哪一张的图像质量较高，以修正系统对照片的图像质量评分，在完成若干组照片的评价后，建立稳定的评分标准；
将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。需要说明的是，若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为低分，则评分最低的照片代表图像质量最高的照片；若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为高分，则评分最高的照片代表图像质量最高的照片。另外，在本实施方式中，可将图像质量最高的照片作为集合封面，该集合封面仅为一张图像；也可将图像质量最高的照片作为集合封面的一部分，该集合封面可由多张照片组合而成。
如图3所示，为本发明一实施方式的照片的分类存储装置的模块图，其可分别对应上述两种不同的方法。
当对应上述第一实施方式时，所述装置包括：
照片信息获取模块100，用于获取当前上传照片的拍照时间信息；在本实施方式中，一般数字照片中都包括拍照时间信息，在照片上传时或上传后，获取上传照片的拍照时间；
计算模块200，用于提取所述当前上传照片的图像特征；该图像特征为图像的全局描述特征，其包括GIST特征，和/或CMG特征，和/或颜色直方图特征等。
以及将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；在本实施方式中，在获得了当前上传照片的拍照时间后，可先在照片库中根据所述拍照时间进行筛选，筛选出与所述拍照时间间隔在预设范围内的已存照片。其中，该当前上传照片和已存照片均存放于照片数据库300内。
根据拍照习惯，对同一取景事物进行重复拍摄，一般是在一定的时间区间内的，例如，第一次拍照后的30秒内的照片，其照片与第一次拍照的照片相同或相似的几率较高；而拍照时间间隔跨度较大的，例如相隔5分钟，则对同一取景进行重复拍摄的几率较短。先用拍照时间筛选出与上传照片存在相同或相似几率较高的已存照片，可大大减小后续的图像特性匹配的计算量，减轻服务器的工作压力，提升匹配效率。其次，将筛选出的已存照片的图像特性与当前上传照片的图像特性相匹配，以判断已存照片中是否存在与当前上传照片相同或相似的照片，在本实施方式中，可将当前上传照片的图像特性与时间区间内的已存照片逐一匹配，以计算一个或多个已存照片与该当前上传照片的图像相似度。
其中，在本实施方式中，图像相似度的计算包括图像距离和拍照时间间隔两个维度，所述计算模块200用于：
计算当前上传照片与已存照片的图像距离，所述图像距离可为Cosine距离，或直方图距离，或欧式距离等，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离。其中，综合图像距离越大则表示图像相似度越低；综合图像距离越小则表示图像相似度越高。
具体地，若当前上传照片和已存照片的拍照时间间隔较长，超过第一预设时间(例如5分钟)，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；若当前上传照片和已存照片的拍照时间间隔较短，小于第二预设时间(例如小于30秒)，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。
当综合图像距离小于预设阈值时，则认为当前上传照片与某一或某些已存照片相同或相似，当综合图像距离大于预设阈值时，则认为当前上传照片与已存照片不相同或不相似。
处理模块400，用于将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。在本实施方式中，可将上传照片和与其相同或相似的已存照片存储入同一位于目录下的文件夹(子目录)，也可以通过在上传照片上加入与其相似的已存照片同样的ID，以在前端页面中体现为其位于同一文件夹(子目录)，以便用户管理和查看。当然，若不存在与当前上传照片相同或相似的已存照片，则可将该当前上传照片存在根目录下，或单独存放于一文件夹(子目录)内，和/或标注新的ID。
在本实施方式中，所述计算模块200还用于判断同一集合中照片的图像质量，所述处理模块400还用于将图像质量最高的照片作为该集合的封面或封面的一部分。其中，判断图像质量的特征可包括图像的清晰度、图像中人物的个数，以及图像的主观质量分数等。
所述装置还包括学习模块500，所述学习模块500用于深度神经网络训练，使得所述学习模块500和所述计算模块200可协同地对同一集合中的照片进行评分。
相应地，通过深度神经网络训练方法包括：每次输出两张一组的照片，并通过人为判断该两张照片中哪一张的图像质量较高，以修正系统对照片的图像质量评分，在完成若干组照片的评价后，建立稳定的评分标准；
所述处理模块400将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。需要说明的是，若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为低分，则评分最低的照片代表图像质量最高的照片；若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为高分，则评分最高的照片代表图像质量最高的照片。另外，在本实施方式中，可将图像质量最高的照片作为集合封面，该集合封面仅为一张图像；也可将图像质量最高的照片作为集合封面的一部分，该集合封面可由多张照片组合而成。
当对应上述第二实施方式时，所述装置包括：
计算模块200，用于将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；在本实施方式中，该图像特征为图像的全局描述特征，其包括GIST特征，和/或CMG特征，和/或颜色直方图特征等。在该实施方式中，所述照片B为目录内除照片A之外其余照片的任意一张。其中，该照片A和照片B均存放于照片数据库300内。
处理模块400，用于当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。即是若照片A和照片B相同或相似，则将照片A和照片B存储和/或标注为同一独立的集合。在本实施方式中，可将照片A和照片B存储入同一位于目录下的文件夹(子目录)，也可以通过在照片A和照片B上加入同样的ID，以在前端页面中体现为其位于同一文件夹(子目录)，以便用户管理和查看。当然，若不存在与照片A相同或相似的照片B，则可将照片A存在根目录下，或单独存放于一文件夹(子目录)内，和/或标注新的ID。
在本实施方式中，所述装置还包括照片信息获取模块100，其用于：
获取目录内照片的拍照时间信息；一般数字照片中都包括拍照时间信息，获取照片的拍照时间。
所述计算模块200用于在获取照片地拍照时间后，将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。
根据拍照习惯，对同一取景事物进行重复拍摄，一般是在一定的时间区间内的，例如，第一次拍照后的30秒内的照片，其照片与第一次拍照的照片相同或相似的几率较高；而拍照时间间隔跨度较大的，例如相隔5分钟，则对同一取景进行重复拍摄的几率较短。先用拍照时间筛选出与照片A存在相同或相似几率较高的已存照片，可大大减小后续的图像特性匹配的计算量，减轻服务器的工作压力，提升匹配效率。在实施方式中，可将照片A的图像特性与时间区间内的目录中其他照片逐一匹配，以计算一个或多个照片与该当前照片A的图像相似度。在该实施方式中，所述照片B为目录下，与照片A的拍照时间间隔在预设范围内的照片的任意一张。
其中，在本实施方式中，图像相似度的计算包括图像距离和拍照时间间隔两个维度，所述计算模块200用于：
计算照片A与照片B的图像距离，所述图像距离可为Cosine距离，或直方图距离，或欧式距离等，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离。其中，综合图像距离越大则表示图像相似度越低；综合图像距离越小则表示图像相似度越高。
具体地，若照片A和照片B的拍照时间间隔较长，超过第一预设时间(例如5分钟)，则在所述图像距离上进行加权，使所述照片A与照片B的综合图像距离增加；若照片A和照片B的拍照时间间隔较短，小于第二预设时间(例如小于30秒)，则在所述图像距离上进行降权，使得所述照片A与照片B的综合图像距离减小。
当综合图像距离小于预设距离阈值时，则认为照片A与所述照片B的图像相似度大于预设阈值，当前照片A与照片B相同或相似，当综合图像距离大于预设距离阈值时，则认为照片A与所述照片B的图像相似度小于预设阈值，照片A与照片B不相同或不相似。
在本实施方式中，所述计算模块200还用于判断同一集合中照片的图像质量，所述处理模块400还用于将图像质量最高的照片作为该集合的封面或封面的一部分。其中，判断图像质量的特征可包括图像的清晰度、图像中人物的个数，以及图像的主观质量分数等。
所述装置还包括学习模块500，所述学习模块500用于深度神经网络训练，使得所述学习模块500和所述计算模块200可协同地对同一集合中的照片进行评分。
相应地，通过深度神经网络训练方法包括：每次输出两张一组的照片，并通过人为判断该两张照片中哪一张的图像质量较高，以修正系统对照片的图像质量评分，在完成若干组照片的评价后，建立稳定的评分标准；
所述处理模块400将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。需要说明的是，若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为低分，则评分最低的照片代表图像质量最高的照片；若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为高分，则评分最高的照片代表图像质量最高的照片。另外，在本实施方式中，可将图像质量最高的照片作为集合封面，该集合封面仅为一张图像；也可将图像质量最高的照片作为集合封面的一部分，该集合封面可由多张照片组合而成。
综上所述，本发明的有益效果是：能够有效地对用户相册中大量的相近的图像进行整理，并放在同一个文件夹下，以方便用户管理和查看。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施方式方案的目的。
另外，在本发明各个实施方式中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以2个或2个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本发明各个实施方式所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read‐Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围。

Claims (18)

1.一种照片的分类存储方法，其特征在于，所述方法包括：
获取当前上传照片的拍照时间信息，并提取所述当前上传照片的图像特征；
将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；
将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。
2.根据权利要求1所述的照片的分类存储方法，其特征在于，所述“计算当前上传照片和已存照片的图像相似度”包括：
计算当前上传照片与已存照片的图像距离，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
3.根据权利要求2所述的照片的分类存储方法，其特征在于，所述“计算当前上传照片和已存照片的图像相似度”还包括：
若当前上传照片和已存照片的拍照时间间隔较长，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；
若当前上传照片和已存照片的拍照时间间隔较短，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。
4.根据权利要求1所述的照片的分类存储方法，其特征在于，所述方法还包括：
判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分，具体包括：
通过深度神经网络训练，对同一集合中的照片进行评分；
将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
5.一种照片的分类存储方法，其特征在于，所述方法包括：
将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；
当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。
6.根据权利要求5所述的照片的分类存储方法，其特征在于，“将目录内的照片A和照片B的图像特性相匹配”具体包括：
获取目录内照片的拍照时间信息；
将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。
7.根据权利要求6所述的照片的分类存储方法，其特征在于，所述“计算照片A和照片B的图像相似度”包括：
计算照片A与照片B的图像距离，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
8.根据权利要求7所述的照片的分类存储方法，其特征在于，所述“计算照片A和照片B的图像相似度”还包括：
若照片A和照片B的拍照间隔时间大于第一预设时间，则在所述图像距离上进行加权，使照片A和照片B的综合图像距离增加；
若照片A和照片B的拍照间隔时间小于第二预设时间，则在所述图像距离上进行降权，使所述照片A和照片B的综合图像距离减小。
9.根据权利要求5所述的照片的分类存储方法，其特征在于，所述方法还包括：
判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分，具体包括：
通过深度神经网络训练，对同一集合中的照片进行评分；
将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
10.一种照片的分类存储装置，其特征在于，所述装置包括：
照片信息获取模块，用于获取当前上传照片的拍照时间信息；
计算模块，用于提取所述当前上传照片的图像特征，并将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；
处理模块，将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。
11.根据权利要求10所述的照片的分类存储装置，其特征在于，所述计算模块用于：
计算当前上传照片与已存照片的图像距离，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
12.根据权利要求11所述的照片的分类存储装置，其特征在于，所述计算模块还用于：
若当前上传照片和已存照片的拍照时间间隔较长，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；
若当前上传照片和已存照片的拍照时间间隔较短，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。
13.根据权利要求10所述的照片的分类存储装置，其特征在于，所述计算模块还用于判断同一集合中照片的图像质量；
所述处理模块还用于将图像质量最高的照片作为该集合的封面或封面的一部分；
所述装置还包括学习模块，其用于深度神经网络训练，使得所述学习模块和所述计算模块可协同地对同一集合中的照片进行评分；
所述处理模块用于，将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
14.一种照片的分类存储装置，其特征在于，所述装置包括：
计算模块，用于将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；
处理模块，用于当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。
15.根据权利要求14所述的照片的分类存储装置，其特征在于，所述装置还包括照片信息获取模块，其用于获取目录内照片的拍照时间信息；
所述计算模块用于，将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。
16.根据权利要求15所述的照片的分类存储装置，其特征在于，所述计算模块还用于：
计算照片A与照片B的图像距离，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
17.根据权利要求16所述的照片的分类存储装置，其特征在于，所述计算模块还用于
若照片A和照片B的拍照间隔时间大于第一预设时间，则在所述图像距离上进行加权，使照片A和照片B的综合图像距离增加；
若照片A和照片B的拍照间隔时间小于第二预设时间，则在所述图像距离上进行降权，使所述照片A和照片B的综合图像距离减小。
18.根据权利要求14所述的照片的分类存储装置，其特征在于，所述计算模块还用于判断同一集合中照片的图像质量；
所述处理模块还用于将图像质量最高的照片作为该集合的封面或封面的一部分；
所述装置还包括学习模块，其用于深度神经网络训练，使得所述学习模块和所述计算模块可协同地对同一集合中的照片进行评分；
所述处理模块用于，将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
CN201410403833.2A 2014-08-15 2014-08-15 照片的分类存储方法及装置 Active CN104133917B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201410403833.2A CN104133917B (zh) 2014-08-15 2014-08-15 照片的分类存储方法及装置
PCT/CN2015/070675 WO2016023336A1 (zh) 2014-08-15 2015-01-14 照片的分类存储方法、装置、设备和计算机存储介质
US14/900,098 US10146796B2 (en) 2014-08-15 2015-01-14 Method and apparatus for photograph classification and storage

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410403833.2A CN104133917B (zh) 2014-08-15 2014-08-15 照片的分类存储方法及装置

Publications (2)

Publication Number Publication Date
CN104133917A true CN104133917A (zh) 2014-11-05
CN104133917B CN104133917B (zh) 2018-08-10

Family

ID=51806595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410403833.2A Active CN104133917B (zh) 2014-08-15 2014-08-15 照片的分类存储方法及装置

Country Status (3)

Country Link
US (1) US10146796B2 (zh)
CN (1) CN104133917B (zh)
WO (1) WO2016023336A1 (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104469069A (zh) * 2014-12-15 2015-03-25 北京百度网讯科技有限公司 照片同步方法和装置
CN105205181A (zh) * 2015-10-28 2015-12-30 上海斐讯数据通信技术有限公司 一种照片管理方法及管理系统
WO2016023336A1 (zh) * 2014-08-15 2016-02-18 百度在线网络技术（北京）有限公司 照片的分类存储方法、装置、设备和计算机存储介质
CN105760533A (zh) * 2016-03-08 2016-07-13 广东欧珀移动通信有限公司 一种照片管理方法和装置
CN105787048A (zh) * 2016-02-26 2016-07-20 北京金山安全软件有限公司 一种图片识别方法、装置及电子设备
CN105824826A (zh) * 2015-01-05 2016-08-03 深圳富泰宏精密工业有限公司 照片分群系统及方法
WO2017000716A2 (zh) * 2015-06-30 2017-01-05 中兴通讯股份有限公司 图片的管理方法、装置及终端设备
CN106385502A (zh) * 2016-09-19 2017-02-08 努比亚技术有限公司 一种照片整理方法和一种移动终端
CN106528879A (zh) * 2016-12-14 2017-03-22 北京小米移动软件有限公司 图片处理方法及装置
CN106919604A (zh) * 2015-12-25 2017-07-04 北京奇虎科技有限公司 电子相册管理方法和装置
WO2017143852A1 (zh) * 2016-02-26 2017-08-31 北京金山安全软件有限公司 一种图片处理方法、装置及电子设备
CN107295254A (zh) * 2017-06-21 2017-10-24 深圳传音通讯有限公司 照片处理方法与拍照终端
WO2017202086A1 (zh) * 2016-05-23 2017-11-30 中兴通讯股份有限公司 图片的筛选方法及装置
CN108628985A (zh) * 2018-04-27 2018-10-09 维沃移动通信有限公司 一种相册的处理方法及移动终端
WO2018191889A1 (zh) * 2017-04-19 2018-10-25 广东欧珀移动通信有限公司 照片处理方法、装置及计算机设备
CN108875797A (zh) * 2018-05-29 2018-11-23 腾讯科技（深圳）有限公司 一种确定图像相似度的方法、相册管理方法及相关设备
CN109508398A (zh) * 2018-11-30 2019-03-22 维沃移动通信有限公司 一种照片分类方法及其终端设备
CN109815352A (zh) * 2019-01-17 2019-05-28 网易传媒科技（北京）有限公司 封面图像选取方法、介质、装置和计算设备
CN109815823A (zh) * 2018-12-27 2019-05-28 深圳云天励飞技术有限公司 数据处理方法及相关产品
CN109819166A (zh) * 2019-01-31 2019-05-28 维沃移动通信有限公司 一种图像处理方法和电子设备
CN109857883A (zh) * 2018-12-28 2019-06-07 惠州Tcl移动通信有限公司 最优图像的获取方法、分组显示方法、装置以及存储装置
CN105472239B (zh) * 2015-11-17 2019-08-16 小米科技有限责任公司 照片处理方法及装置
CN110719327A (zh) * 2019-10-08 2020-01-21 珠海格力电器股份有限公司 图像上传的交互方法、装置和存储介质
WO2020063042A1 (zh) * 2018-09-26 2020-04-02 Oppo广东移动通信有限公司 图片分类方法、装置、计算机可读存储介质及电子设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106161628B (zh) 2016-07-13 2020-12-01 腾讯科技（深圳）有限公司 拍摄文件上传方法及装置
US10878311B2 (en) * 2018-09-28 2020-12-29 General Electric Company Image quality-guided magnetic resonance imaging configuration
CN110334231A (zh) * 2019-06-28 2019-10-15 深圳市商汤科技有限公司 一种信息处理方法及装置、存储介质
CN111104970B (zh) * 2019-12-04 2023-04-18 浙江大华技术股份有限公司 人脸聚类方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030198390A1 (en) * 1998-09-30 2003-10-23 Eastman Kodak Company Method for automatically classifying images into events
CN101142595A (zh) * 2005-03-15 2008-03-12 富士胶片株式会社 影集产生设备、影集产生方法及程序
CN101587485A (zh) * 2009-06-15 2009-11-25 无锡骏聿科技有限公司 一种基于人脸识别技术的人脸信息自动登录方法
CN102265598A (zh) * 2008-10-26 2011-11-30 惠普开发有限公司 使用基于内容的过滤和基于主题的聚类将图像布置到页面中
WO2012036903A1 (en) * 2010-09-14 2012-03-22 Thomson Licensing Compression methods and apparatus for occlusion data
CN102393907A (zh) * 2010-06-30 2012-03-28 卡西欧计算机株式会社 图像处理装置和图像处理方法
CN102799890A (zh) * 2011-05-24 2012-11-28 佳能株式会社 图像聚类方法
CN102932321A (zh) * 2011-08-08 2013-02-13 索尼公司 信息处理设备、信息处理方法、程序和信息处理系统
CN103177102A (zh) * 2013-03-22 2013-06-26 北京小米科技有限责任公司 一种图像处理方法和装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6636648B2 (en) * 1999-07-02 2003-10-21 Eastman Kodak Company Albuming method with automatic page layout
US7099860B1 (en) * 2000-10-30 2006-08-29 Microsoft Corporation Image retrieval systems and methods with semantic and feature based relevance feedback
JP2004062804A (ja) * 2002-07-31 2004-02-26 Ricoh Co Ltd 画像の分類方法、画像特徴量空間表示方法、プログラムおよび記録媒体
JP2005149455A (ja) * 2003-10-21 2005-06-09 Sharp Corp 画像照合装置、画像照合方法、画像照合プログラムおよび画像照合プログラムを記録したコンピュータ読取り可能な記録媒体
KR100738069B1 (ko) * 2004-10-04 2007-07-10 삼성전자주식회사 디지털 사진 앨범의 카테고리 기반 클러스터링 방법 및시스템
US7847815B2 (en) * 2006-10-11 2010-12-07 Cisco Technology, Inc. Interaction based on facial recognition of conference participants
US8358856B2 (en) * 2008-06-02 2013-01-22 Eastman Kodak Company Semantic event detection for digital content records
US8520979B2 (en) * 2008-08-19 2013-08-27 Digimarc Corporation Methods and systems for content processing
US9002120B2 (en) * 2008-10-03 2015-04-07 Intellectual Ventures Fund 83 Llc Interactive image selection method
JP5451185B2 (ja) * 2009-06-01 2014-03-26 キヤノン株式会社 画像処理装置及び画像処理装置の制御方法
US8774528B2 (en) * 2010-09-24 2014-07-08 Kodak Alaris Inc. Method of selecting important digital images
US10289661B2 (en) * 2012-09-12 2019-05-14 Flipboard, Inc. Generating a cover for a section of a digital magazine
JP2014095967A (ja) * 2012-11-08 2014-05-22 Sony Corp 情報処理装置、情報処理方法およびプログラム
CN103092946A (zh) 2013-01-11 2013-05-08 中兴通讯股份有限公司 终端批量图片选择的方法及系统
CN104133917B (zh) * 2014-08-15 2018-08-10 百度在线网络技术（北京）有限公司 照片的分类存储方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030198390A1 (en) * 1998-09-30 2003-10-23 Eastman Kodak Company Method for automatically classifying images into events
CN101142595A (zh) * 2005-03-15 2008-03-12 富士胶片株式会社 影集产生设备、影集产生方法及程序
CN102265598A (zh) * 2008-10-26 2011-11-30 惠普开发有限公司 使用基于内容的过滤和基于主题的聚类将图像布置到页面中
CN101587485A (zh) * 2009-06-15 2009-11-25 无锡骏聿科技有限公司 一种基于人脸识别技术的人脸信息自动登录方法
CN102393907A (zh) * 2010-06-30 2012-03-28 卡西欧计算机株式会社 图像处理装置和图像处理方法
WO2012036903A1 (en) * 2010-09-14 2012-03-22 Thomson Licensing Compression methods and apparatus for occlusion data
CN102799890A (zh) * 2011-05-24 2012-11-28 佳能株式会社 图像聚类方法
CN102932321A (zh) * 2011-08-08 2013-02-13 索尼公司 信息处理设备、信息处理方法、程序和信息处理系统
CN103177102A (zh) * 2013-03-22 2013-06-26 北京小米科技有限责任公司 一种图像处理方法和装置

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016023336A1 (zh) * 2014-08-15 2016-02-18 百度在线网络技术（北京）有限公司 照片的分类存储方法、装置、设备和计算机存储介质
CN104469069A (zh) * 2014-12-15 2015-03-25 北京百度网讯科技有限公司 照片同步方法和装置
CN105824826A (zh) * 2015-01-05 2016-08-03 深圳富泰宏精密工业有限公司 照片分群系统及方法
WO2017000716A2 (zh) * 2015-06-30 2017-01-05 中兴通讯股份有限公司 图片的管理方法、装置及终端设备
WO2017000716A3 (zh) * 2015-06-30 2017-02-09 中兴通讯股份有限公司 图片的管理方法、装置及终端设备
CN105205181A (zh) * 2015-10-28 2015-12-30 上海斐讯数据通信技术有限公司 一种照片管理方法及管理系统
CN105472239B (zh) * 2015-11-17 2019-08-16 小米科技有限责任公司 照片处理方法及装置
CN106919604A (zh) * 2015-12-25 2017-07-04 北京奇虎科技有限公司 电子相册管理方法和装置
CN105787048B (zh) * 2016-02-26 2019-04-12 北京金山安全软件有限公司 一种图片识别方法、装置及电子设备
CN105787048A (zh) * 2016-02-26 2016-07-20 北京金山安全软件有限公司 一种图片识别方法、装置及电子设备
WO2017143852A1 (zh) * 2016-02-26 2017-08-31 北京金山安全软件有限公司 一种图片处理方法、装置及电子设备
CN105760533A (zh) * 2016-03-08 2016-07-13 广东欧珀移动通信有限公司 一种照片管理方法和装置
CN105760533B (zh) * 2016-03-08 2019-05-03 Oppo广东移动通信有限公司 一种照片管理方法和装置
WO2017202086A1 (zh) * 2016-05-23 2017-11-30 中兴通讯股份有限公司 图片的筛选方法及装置
CN106385502A (zh) * 2016-09-19 2017-02-08 努比亚技术有限公司 一种照片整理方法和一种移动终端
CN106528879A (zh) * 2016-12-14 2017-03-22 北京小米移动软件有限公司 图片处理方法及装置
US11429660B2 (en) 2017-04-19 2022-08-30 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Photo processing method, device and computer equipment
WO2018191889A1 (zh) * 2017-04-19 2018-10-25 广东欧珀移动通信有限公司 照片处理方法、装置及计算机设备
CN110313001A (zh) * 2017-04-19 2019-10-08 Oppo广东移动通信有限公司 照片处理方法、装置及计算机设备
CN107295254A (zh) * 2017-06-21 2017-10-24 深圳传音通讯有限公司 照片处理方法与拍照终端
CN107295254B (zh) * 2017-06-21 2021-01-15 深圳传音通讯有限公司 照片处理方法与拍照终端
CN108628985A (zh) * 2018-04-27 2018-10-09 维沃移动通信有限公司 一种相册的处理方法及移动终端
CN108875797A (zh) * 2018-05-29 2018-11-23 腾讯科技（深圳）有限公司 一种确定图像相似度的方法、相册管理方法及相关设备
WO2020063042A1 (zh) * 2018-09-26 2020-04-02 Oppo广东移动通信有限公司 图片分类方法、装置、计算机可读存储介质及电子设备
CN109508398B (zh) * 2018-11-30 2020-09-15 维沃移动通信有限公司 一种照片分类方法及其终端设备
CN109508398A (zh) * 2018-11-30 2019-03-22 维沃移动通信有限公司 一种照片分类方法及其终端设备
CN109815823B (zh) * 2018-12-27 2020-11-24 深圳云天励飞技术有限公司 数据处理方法及相关产品
CN109815823A (zh) * 2018-12-27 2019-05-28 深圳云天励飞技术有限公司 数据处理方法及相关产品
CN109857883A (zh) * 2018-12-28 2019-06-07 惠州Tcl移动通信有限公司 最优图像的获取方法、分组显示方法、装置以及存储装置
CN109815352A (zh) * 2019-01-17 2019-05-28 网易传媒科技（北京）有限公司 封面图像选取方法、介质、装置和计算设备
CN109819166A (zh) * 2019-01-31 2019-05-28 维沃移动通信有限公司 一种图像处理方法和电子设备
CN110719327B (zh) * 2019-10-08 2021-02-26 珠海格力电器股份有限公司 图像上传的交互方法、装置和存储介质
CN110719327A (zh) * 2019-10-08 2020-01-21 珠海格力电器股份有限公司 图像上传的交互方法、装置和存储介质

Also Published As

Publication number Publication date
CN104133917B (zh) 2018-08-10
WO2016023336A1 (zh) 2016-02-18
US20170154054A1 (en) 2017-06-01
US10146796B2 (en) 2018-12-04

Similar Documents

Publication Publication Date Title
CN104133917A (zh) 照片的分类存储方法及装置
Sattler et al. Large-scale location recognition and the geometric burstiness problem
US20220004573A1 (en) Method for creating view-based representations from multimedia collections
US20140363079A1 (en) Method and system to detect and select best photographs
US9753951B1 (en) Presenting image search results
CA2804230C (en) A computer-implemented method, a computer program product and a computer system for image processing
CN103207870B (zh) 一种照片分类管理方法、服务器、装置及系统
CN110046266B (zh) 一种照片的智能管理方法及装置
US8892542B2 (en) Contextual weighting and efficient re-ranking for vocabulary tree based image retrieval
US9977955B2 (en) Method and system for identifying books on a bookshelf
EP2224372A2 (en) Grouping images by location
CN104951459A (zh) 照片集的显示方法和装置
CN104331509A (zh) 照片管理方法及装置
CN102265598A (zh) 使用基于内容的过滤和基于主题的聚类将图像布置到页面中
CN105468675A (zh) 一种结合人物识别与节假日信息的照片展示系统及方法
WO2016145844A1 (zh) 一种图片排序方法和相应的图片存储显示设备
Mattivi et al. Exploitation of time constraints for (sub-) event recognition
CN104765877A (zh) 一种照片处理方法及系统
CN104951426A (zh) 一种拍照分类处理的方法、装置及终端设备
Tankoyeu et al. Event detection and scene attraction by very simple contextual cues
US20150006523A1 (en) Method for ranking and selecting events in media collections
CN107506735A (zh) 照片归类方法以及归类系统
Lee et al. A scalable service for photo annotation, sharing, and search
Ahmad et al. Event recognition in personal photo collections: An active learning approach
CN109992568B (zh) 一种信息处理方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant