CN105631457A - 选择图片的方法及装置 - Google Patents
选择图片的方法及装置 Download PDFInfo
- Publication number
- CN105631457A CN105631457A CN201510955568.3A CN201510955568A CN105631457A CN 105631457 A CN105631457 A CN 105631457A CN 201510955568 A CN201510955568 A CN 201510955568A CN 105631457 A CN105631457 A CN 105631457A
- Authority
- CN
- China
- Prior art keywords
- picture
- probability
- alternative picture
- classification
- alternative
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种选择图片的方法及装置,用于实现自动选择质量较好的图片,简化用户操作。所述方法包括:获得备选图片;对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息;根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型;当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
Description
技术领域
本公开涉及通信及计算机处理领域,尤其涉及选择图片的方法及装置。
背景技术
随着电子技术的发展,手机、照相机等设备均具有拍照功能。用户可以随时随地拍摄大量照片。同时,很多应用提供了分享照片的功能。用户免不了需要从大量照片中选择照片进行分享。
发明内容
为克服相关技术中存在的问题,本公开提供一种选择图片的方法及装置。
根据本公开实施例的第一方面,提供一种选择图片的方法,包括:
获得备选图片;
对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息;
根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型;
当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例可自动帮助用户选择出质量较好的图片,简化了用户选择的过程。并且通过特征提取和匹配,选择的图片较为准确。
在一个实施例中,所述对所述备选图片进行特征提取,获得特征信息,包括:
对所述备选图片的全局进行特征提取,获得全局特征信;
确定所述备选图片中的重点区域;
对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例中提取了全局特征和区域特征,有助于后续特征匹配得更全面,选择质量更好的图片,选择更准确。
在一个实施例中,所述根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果,包括:
对所述备选图片进行分类识别,确定所述备选图片的图片类别;
根据所述图片类别对应的判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例中通过概率匹配来综合分析备选图片在各个类别下的质量,有助于更准确的选择出质量好的图片。
在一个实施例中,所述对所述备选图片进行分类识别,确定所述备选图片的图片类别,包括:
计算所述备选图片属于各预设图片类别的概率;
选择所述概率大于概率阈值的图片类别作为所述备选图片的图片类别。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例综合各个类别的概率,经过综合的概率分析,选择出质量好的图片,该选择更准确。
在一个实施例中,所述当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片,包括:
根据第一概率及所述识别结果计算所述备选图片的第二概率,其中,所述第一概率为所述备选图片属于所述图片类别的概率;
当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例综合备选图片在各个类别的概率以及在各个类别好图片的概率,综合分析并选择出质量好的图片,该选择结果更准确。
在一个实施例中,所述根据第一概率及所述识别结果计算所述备选图片的第二概率,包括:
当所述备选图片的图片类别至少有两种时,将各所述图片类别对应的第一概率进行加权求和获得所述第二概率,其中,所述第一概率的加权系数为与所述第一概率相对应的识别结果。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例通过加权方式选择质量好的备选图片,选择更准确。
在一个实施例中,所述当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片,包括:
确定所述备选图片所属的图片类簇,所述图片类簇为对图片进行聚类获得的,所述图片中包含所述备选图片;
当所述备选图片第二概率在第二概率序列中的排序满足预设概率条件时,确定所述备选图片为目标图片,其中,所述第二概率序列中包含所述图片类簇中图片的第二概率。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例可以对相似图片进行聚类,从相似图片中选择出质量好的图片,减少选择重复或相似的图片,使得选择结果更准确。
根据本公开实施例的第二方面,提供一种选择图片的装置,包括:
获取模块,用于获得备选图片;
提取模块,用于对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息;
识别模块,用于根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型;
确定模块,用于当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
在一个实施例中,所述提取模块包括:
全局提取子模块,用于对所述备选图片的全局进行特征提取,获得全局特征信;
区域确定子模块,用于确定所述备选图片中的重点区域;
区域提取子模块,用于对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
在一个实施例中,所述识别模块包括:
类别子模块,用于对所述备选图片进行分类识别,确定所述备选图片的图片类别;
识别子模块,用于根据所述图片类别对应的判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果。
在一个实施例中,所述类别子模块计算所述备选图片属于各预设图片类别的概率;选择所述概率大于概率阈值的图片类别作为所述备选图片的图片类别。
在一个实施例中,所述确定模块还包括:
第二概率子模块,用于根据第一概率及所述识别结果计算所述备选图片的第二概率,其中,所述第一概率为所述备选图片属于所述图片类别的概率;
确定子模块,用于当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片。
在一个实施例中,所述第二概率子模块当所述备选图片的图片类别至少有两种时,将各所述图片类别对应的第一概率进行加权求和获得所述第二概率,其中,所述第一概率的加权系数为与所述第一概率相对应的识别结果。
在一个实施例中,所述确定子模块确定所述备选图片所属的图片类簇,所述图片类簇为对图片进行聚类获得的,所述图片中包含所述备选图片;当所述备选图片第二概率在第二概率序列中的排序满足预设概率条件时,确定所述备选图片为目标图片,其中,所述第二概率序列中包含所述图片类簇中图片的第二概率。
根据本公开实施例的第三方面,提供一种选择图片的装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获得备选图片;
对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息;
根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型;
当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种选择图片的方法的流程图。
图2是根据一示例性实施例示出的一种界面的示意图。
图3是根据一示例性实施例示出的一种界面的示意图。
图4是根据一示例性实施例示出的一种界面的示意图。
图5是根据一示例性实施例示出的一种选择图片的方法的流程图。
图6是根据一示例性实施例示出的一种选择图片的方法的流程图。
图7是根据一示例性实施例示出的一种选择图片的方法的流程图。
图8是根据一示例性实施例示出的一种选择图片的装置的框图。
图9是根据一示例性实施例示出的一种提取模块的框图。
图10是根据一示例性实施例示出的一种识别模块的框图。
图11是根据一示例性实施例示出的一种确定模块的框图。
图12是根据一示例性实施例示出的一种装置的框图。
图13是根据一示例性实施例示出的一种装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中,用户经常会在一些社交应用中分享自己的照片。分享照片之前免不了要从众多照片中选择照片,该选择照片的过程需要用户手动完成,并且如果照片较多,选择的过程较为繁琐。
本实施例中在用户需要选择照片时,自动从众多照片中筛选出质量好的照片,供用户分享。
图1是根据一示例性实施例示出的一种选择图片的方法的流程图,如图1所示,该方法可以由移动终端实现,包括以下步骤:
在步骤101中,获得备选图片。
在步骤102中,对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息。
在步骤103中,根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型。
在步骤104中,当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
其中,识别结果可以是备选图片是否属于好图片的识别结果。
例如,获得多个备选图片。针对多个备选图片中的每个备选图片,对所述备选图片进行整个图片的特征提取,获得全局特征信息,并对图片中的重点区域进行特征提取获得重点区域特征信息。然后对每个备选图片的特征信息按照预先训练好的判别模型进行图片质量的评价,获得识别结果,该识别结果可以是备选图片是质量好的图片的概率值。当根据该识别结果确定该备选图片满足预设条件时,即可确定该备选图片为目标图片。按照上述方法可以在多个备选图片中筛选出目标图片。
本实施例中,预先人为的确定大量的质量好的图片。由计算机从大量质量好的图片中提取出特征信息,利用提取出的大量的特征信息训练出判别模型。特征信息包括清晰度、对比度、饱和度、颜色和图像梯度区域信息等。本实施例得到的判别模型中,不是某个单项的特征信息达到某个值便认为图片为质量好的图片,而是多项特征信息配合在一起确定出质量好的图片。所以,将每个备选图片的特征信息与判别模型中的特征信息进行匹配时,是多项特征信息的匹配,并且多项特征信息均匹配一致才确定该备选图片为质量好的图片。本实施例中备选图片的特征信息与判别模型的特征信息的误差在预设范围(或者判别模型允许的误差范围)内,就可以确定匹配一致。当然,也可以要求备选图片的特征信息与判别模型的特征信息完全一致,这样选择出的好图片更准确。
其中,图像梯度信息可以通过边缘提取的方式获得。图像梯度区域信息是指图像梯度信息所构成的区域的信息。本实施例主要关心图像梯度集中区域,图像梯度集中区域的确定方式有多种。如方式1,预先确定区域大小,以该区域大小生成区域方框。在图片中移动该方框至遍历整个图片。方框内的边缘像素点数量达到预设的阈值,则确定该方框所在区域为图像梯度集中区域。方式2,将相邻的边缘像素点关联,达到预设的阈值时,查看满足阈值的关联的边缘像素点围成的区域的大小是否小于预设的方框大小,如果小于,则确定该区域为图像梯度集中区域。还可以有其它确定图像梯度集中区域的方式,均适用于本实施例。
例如,在社交应用中,用户点击界面中的分享按钮,如图2所示。社交应用输出提示,提供照片和视频两个选项。用户可以点击照片选项。社交应用打开照片库,该照片库显示用户本地的所有图片。本实施例中用户点击照片选项便触发了选择好照片的事件。从照片库中获得备选图片。经过步骤101-步骤104所示的方案,从众多备选图片中选择出质量好的图片。将选择出的质量好的图片排在照片库的前列,展示给用户。如图3所示,用户点击照片选项后,社交应用展示照片库中的图片,其中图片1-图片3是质量好的图片,排在最前面。如果不采用本实施例的方案,图片1-图片3可能会排在后面,用户需要多次翻页才能找到图片1-图片3。本实施例简化了用户的操作。用户可以直接点击图片1-图片3进行分享。在分享编辑页面(如图4所示)中查看到图片1-图片3,用户还可以在分享编辑页面中输入文字,然后连同图片1-图片3一起分享。当然,为了进一步简化用户操作,可以跳过图3,从图2直接跳转到图4所示的分享编辑页面。
或者,用户通过相册应用直接进入照片库。用户点击相册应用的图标的操作相当于触发了选择好照片的事件。经过步骤101-步骤104所示的方案,从众多备选图片中选择出质量好的图片。将选择出的质量好的图片排在照片库的前列,展示给用户,如图3所示。
在一个实施例中,步骤102包括:步骤A1-步骤A3。
在步骤A1中,对所述备选图片的全局进行特征提取,获得全局特征信息。
在步骤A2中,确定所述备选图片中的重点区域。
在步骤A3中,对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
本实施例对特征信息进行了细分,分为全局特征信息和重点区域特征信息,更详细准确的特征信息,有助于训练出较准确的判别模型,以及更准确的选择出好图片。
例如,全局特征信息包括清晰度、对比度、饱和度、颜色和图像梯度区域信息等。
备选图片的重点区域是通过判别模型确定的。预先人为的选择大量的质量好的图片。从质量好的图片中确定出重点区域,如前景区域,人物图片中的人物区域等。根据判别模型中的重点区域确定备选图片的重点区域。
重点区域特征信息包括重点区域的曝光度、重点区域的噪声程度、重点区域的清晰度、重点区域的颜色、重点区域在图片中的位置和重点区域与图片的大小比例等。
本实施例中全局特征信息和重点区域特征信息按照判别模型进行判断,确定该备选图片是质量好的图片的概率。如此详细的特征匹配,可以更准确的确定出质量好的图片。
在一个实施例中,步骤103包括步骤B1和步骤B2。
在步骤B1中,对所述备选图片进行分类识别,确定所述备选图片的图片类别;
在步骤B2中,根据所述图片类别对应的判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果。
本实施例还可以利用卷积神经网络(CNN)等分类算法,对人为选择出的大量好图片进行分类,如分类得到人物、动物、风景、建筑和室内等类别及相应的样本图片。针对每个类别,利用该类别的样本图片(即人为选择出的大量好图片)训练出该类别的判别模型。例如,i表示第i类,i∈[1,n],n表示类别总数,则该类别的判别模型可表示为Mi。判别模型既可以用于判断备选图片是否属于相应类别,还可以判断备选图片是否属于该类别的好图片。或者区分判别模型和分类模型。分类模型可以用于判断备选图片是否属于相应类别,判别模型判断备选图片是否属于该类别的好图片。
在另一实施例中,该各图片类别对应的判别模型Mi可以是对每个类别的样本图片分别训练得到的。对每类图片搜集质量好的和质量差的样本图片,然后分别训练。
Mi训练方式如下:
1.提取全局特征:对整幅样本图像提取,主要包括清晰度、对比度、饱和度、颜色、图像梯度集中区域等。
2提取局部特征:对样本图像中的重点区域单独提取特征,不同类别的图片特征可能不同。
因为不同种类的样本图片包含的目标不同,对样本图像质量的评价指标也会有些不同。所以,除了全局特征外,仍需要对每类样本图片提取其独有的特征。
如,人物照片,会对样本图像进行人体和人脸检测,然后对人脸部分评估曝光度、噪声程度、五官清晰度、皮肤色彩等。最终,局部特征会包括人脸特征、人体在图像中的位置和所占比例等。
其余类别样本图片类似,特征选择原则是找到此类样本图片独有的、尤其和前景目标相关的特征。
3将所有特征进行融合,可以使用SVM(supportvectormachine,支持向量机)算法进行训练,得到Mi。
使用各图片类别对应的判别模型Mi在进行图片识别时,获得的识别结果可以是该图片符合质量好的图片的概率值。该模型可以预先设定各类图片中质量好的图片的标准并将标准量化,以便于计算获得该概率值。
在一个实施例中,步骤B1包括:步骤B11和步骤B12。
在步骤B11中,计算所述备选图片属于各预设图片类别的概率。
在步骤B12中,选择所述概率大于概率阈值的图片类别作为所述备选图片的图片类别。
本实施例中备选图片对应各类别的概率有高有低,不是所有类别的概率都参与后续的比较。选择所述概率大于概率阈值的图片类别作为所述备选图片的图片类别,有助于提高后续比较的准确性。
在一个实施例中,步骤104包括:步骤C1和步骤C2。
在步骤C1中,根据第一概率及所述识别结果计算所述备选图片的第二概率,其中,所述第一概率为所述备选图片属于所述图片类别的概率;
在步骤C2中,当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片。
本实施例综合备选图片在各个类别的概率以及在各个类别好图片的概率,综合分析并选择出质量好的图片,该选择结果更准确。
在一个实施例中,步骤C1包括:步骤C11。
在步骤C11中,当所述备选图片的图片类别至少有两种时,将各所述图片类别对应的第一概率进行加权求和获得所述第二概率,其中,所述第一概率的加权系数为与所述第一概率相对应的识别结果。
本实施例通过加权方式选择质量好的备选图片,选择更准确。
在一个实施例中,步骤C2包括:步骤C21。
在步骤C21中,确定所述备选图片所属的图片类簇,所述图片类簇为对图片进行聚类获得的,所述图片中包含所述备选图片;
当所述备选图片第二概率在第二概率序列中的排序满足预设概率条件时,确定所述备选图片为目标图片,其中,所述第二概率序列中包含所述图片类簇中图片的第二概率。
本实施例可以对相似图片进行聚类,从相似图片中选择出质量好的图片,减少选择重复或相似的图片,使得选择结果更准确。
本实施例中,备选图片根据该备选图片所属图片类别对应的判别模型进行判别,获得识别结果,该识别结果可以是该备选图片是该图片类别中质量好的图片的概率,识别结果可以是第三概率。
本实施例将备选图片的特征信息分别与多个类别的特征信息进行匹配,相当于进行了多维度的匹配,可以更全面更准确的确定该备选图片的质量程度。可以将各类别的概率中的最高概率确定为该备选图片的得分。从多个备选图片中选择得分前几位的备选图片。有些社交应用允许一次最多分享n张图片,那么可以选择得分前n位的备选图片。
例如,有人物、动物、风景和建筑4个类别。备选图片1属于人物类别好图片的概率是50%,属于动物类别好图片的概率是20%,属于风景类别好图片的概率是30%,属于建筑类别好图片的概率是20%,则备选图片1的得分为50%,且属于人物类别。备选图片2属于人物类别好图片的概率是40%,属于动物类别好图片的概率是20%,属于风景类别好图片的概率是30%,属于建筑类别好图片的概率是20%,则备选图片2的得分为40%,且属于人物类别。备选图片3属于人物类别好图片的概率是20%,属于动物类别好图片的概率是20%,属于风景类别好图片的概率是60%,属于建筑类别好图片的概率是20%,则备选图片3的得分为60%,且属于风景类别。
此时,可以将所有类别的备选图片放在一起比较,只选择得分最高的备选图片。如果只选择一张备选图片,则备选图片3的得分最高,选择备选图片3。或者,每个类别选择一张备选图片,则备选图片1是人物类别中得分最高的,备选图片3是风景类别中得分最高的,所以选择备选图片1和备选图片3。
为了可以更准确的选择质量好的备选图片,
针对每个备选图片,获得该备选图片属于各个类别好图片的第三概率的第三概率和。从所述多个备选图片中选择出第三概率和最大的备选图片。
本实施例将备选图片属于各个类别的好图片的概率求和,相当于从多个维度综合评价备选图片的质量。将第三概率和作为该备选图片的得分。从多个备选图片中选择得分最高前几位备选图片。
例如,有人物、动物、风景和建筑4个类别。备选图片1属于人物类别好图片的概率是50%,属于动物类别好图片的概率是20%,属于风景类别好图片的概率是30%,属于建筑类别好图片的概率是20%,则备选图片1的得分为120,且属于人物类别。备选图片2属于人物类别好图片的概率是40%,属于动物类别好图片的概率是20%,属于风景类别好图片的概率是30%,属于建筑类别好图片的概率是20%,则备选图片2的得分为110,且属于人物类别。备选图片3属于人物类别好图片的概率是20%,属于动物类别好图片的概率是30%,属于风景类别好图片的概率是60%,属于建筑类别好图片的概率是20%,则备选图片3的得分为130,且属于风景类别。
此时,可以将所有类别的备选图片放在一起比较,只选择得分最高的备选图片。如果只选择一张备选图片,则备选图片3的得分最高,选择备选图片3。或者,每个类别选择一张备选图片,则备选图片1是人物类别中得分最高的,备选图片3是风景类别中得分最高的,所以选择备选图片1和备选图片3。
还可以将备选图片属于类别的概率以及属于类别的好图片的概率综合在一起,对该备选图片的质量进行评价。以便更准确的选择出质量好的备选图片。
分别将每个备选图片的特征信息与预设的各个类别的特征信息进行匹配,得到每个备选图片分别属于各个类别的第一概率。
本实施例可以针对每个备选图片,根据各类别第一概率,确定最大的第一概率对应的类别为该备选图片属于的类别。然后,从各类别中选择出第三概率最大的前几位备选图片。或者,针对每个备选图片,将各类别的第三概率和第一概率全部求和,将求和结果作为该备选图片的得分。然后选择得分最高的前几位备选图片。
本实施例综合类别概率和类别好图片的概率,以确定质量好的图片,可以更准确的选择出质量好的图片。
例如,有人物、动物、风景和建筑4个类别。备选图片1属于人物类别的概率是80%,属于动物类别的概率是20%,属于风景类别的概率是20%,属于建筑类别的概率是20%,则备选图片1属于人物类别。备选图片1属于人物类别好图片的概率是50%。备选图片2属于人物类别的概率是80%,属于动物类别的概率是20%,属于风景类别的概率是20%,属于建筑类别的概率是20%,则备选图片2属于人物类别。备选图片2属于人物类别好图片的概率是30%。备选图片3属于人物类别的概率是20%,属于动物类别的概率是20%,属于风景类别的概率是20%,属于建筑类别的概率是80%,则备选图片3属于建筑类别。备选图片3属于建筑类别好图片的概率是60%。
此时,每个类别选择一张备选图片,则备选图片1是人物类别中得分最高的,备选图片3是建筑类别中得分最高的,所以选择备选图片1和备选图片3。
或者,继续前面的例子,备选图片1属于人物类别好图片的概率是50%,属于动物类别好图片的概率是20%,属于风景类别好图片的概率是30%,属于建筑类别好图片的概率是20%,则备选图片1的总得分为260,也可以将得分最高的类别的概率与其对应的好图片的概率求和,得分为130。备选图片2属于人物类别好图片的概率是40%,属于动物类别好图片的概率是20%,属于风景类别好图片的概率是30%,属于建筑类别好图片的概率是20%,则备选图片2的总得分为250,也可以将得分最高的类别的概率与其对应的好图片的概率求和,得分为120。备选图片3属于人物类别好图片的概率是20%,属于动物类别好图片的概率是30%,属于风景类别好图片的概率是60%,属于建筑类别好图片的概率是20%,则备选图片3的得分为270,也可以将得分最高的类别的概率与其对应的好图片的概率求和,得分为140。
此时,将所有类别的备选图片放在一起比较,只选择得分最高的备选图片。如果只选择一张备选图片,则备选图片3的得分最高,选择备选图片3。
在一个实施例中,可以将第三概率作为第一概率的权重,这样计算得到的得分更准确,有助于更准确的选择出质量好的图片。
针对每个备选图片,获得该备选图片在各个类别下第三概率与第一概率乘积。
将该备选图片在各个类别下的概率乘积求和,得到第一概率和。该第一概率和即为第二概率。
从所述多个备选图片中选择出第一概率和最大的备选图片。
例如,针对每个备选图片,将备选图片的特征信息与各类别的判别模型的特征信息进行匹配,得到各类别的第一概率pi,其中i表示第i类,i∈[1,n],n表示类别总数。将备选图片的特征信息与各类别好图片的判别模型的特征信息进行匹配,得到各类别的第三概率gi。
将第三概率与第一概率乘积再求和,则P=∑i∈[1,n]gi*pi,P表示第一概率和。pi相当于是gi的权重。然后从多个备选图片中选择出P最大的备选图片。
为了更准确的选择出质量好的图片,减少无关类别的干扰,可以对第一概率pi进行筛选,选择pi>thresh的类别,thresh为预设的概率阈值。第一概率大于概率阈值的类别有j,j∈[1,k],k<n。参与计算的第三概率选择类别j对应的第三概率。则P=∑j∈[1,k]gj*pj。然后从多个备选图片中选择出P最大的备选图片。
在一个实施例中,可能多个备选图片都是质量好的图片,但是多个备选图片的取景基本相同。为了避免重复分享多个相似的图片,本实施例可以从多个相似的图片中选择一张进行分享。
对所述多个备选图片进行相似性聚类。
从同一聚类的多个备选图片中选择出匹配一致的备选图片。
本实施例中的相似性包括两方面,一方面是广义相似性,广义相似性是指前述的类别相似,如只分人物、动物、风景、建筑等几大类。针对这些大类进行相似性聚类。另一方面是狭义相似性,狭义相似性是指内容基本相同的图片。可能是对同一景物拍摄了多张图片。两个方面采用不同的聚类算法,视实际需要而定。
在一个实施例中,如果一次选择出多个备选图片进行分享,则可以按照备选图片的得分由高到低的顺序展示备选图片。
下面通过几个实施例详细介绍选择图片的实现过程。
图5是根据一示例性实施例示出的一种选择图片的方法的流程图,如图5所示,该方法可以由移动终端实现,包括以下步骤:
在步骤501中,获得备选图片。
在步骤502中,对所述备选图片的全局进行特征提取,获得全局特征信。
在步骤503中,确定所述备选图片中的重点区域。
在步骤504中,对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
在步骤505中,分别将每个备选图片的特征信息与预设的各个类别的好图片的特征信息进行匹配,得到每个备选图片分别属于各个类别好图片的第三概率。
在步骤506中,针对每个备选图片,获得该备选图片属于各个类别好图片的第三概率的第三概率和。
在步骤507中,从所述多个备选图片中选择出第三概率和最大的备选图片。
本实施例通过多类别多维度来综合评价备选图片的质量,可以较准确的选择出质量好的图片。
图6是根据一示例性实施例示出的一种选择图片的方法的流程图,如图6所示,该方法可以由移动终端实现,包括以下步骤:
在步骤601中,获得备选图片。
在步骤602中,对所述备选图片的全局进行特征提取,获得全局特征信。
在步骤603中,确定所述备选图片中的重点区域。
在步骤604中,对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
在步骤605中,分别将每个备选图片的特征信息与预设的各个类别的好图片的特征信息进行匹配,得到每个备选图片分别属于各个类别好图片的第三概率。
在步骤606中,分别将每个备选图片的特征信息与预设的各个类别的特征信息进行匹配,得到每个备选图片分别属于各个类别的第一概率。
在步骤607中,针对每个备选图片,获得该备选图片在各个类别下第三概率与第一概率乘积。
在步骤608中,将该备选图片在各个类别下的概率乘积求和,得到第一概率和。
在步骤609中,从所述多个备选图片中选择出第一概率和最大的备选图片。
本实施例将备选图片属于类别的概率作为该类别好图片的概率的权重,可以更准确的选择出质量好的图片。
图7是根据一示例性实施例示出的一种选择图片的方法的流程图,如图7所示,该方法可以由移动终端实现,包括以下步骤:
在步骤701中,获得备选图片。
在步骤702中,对所述备选图片的全局进行特征提取,获得全局特征信。
在步骤703中,确定所述备选图片中的重点区域。
在步骤704中,对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
在步骤705中,分别将每个备选图片的特征信息与预设的各个类别的好图片的特征信息进行匹配,得到每个备选图片分别属于各个类别好图片的第三概率。
在步骤706中,分别将每个备选图片的特征信息与预设的各个类别的特征信息进行匹配,得到每个备选图片分别属于各个类别的第一概率。
在步骤707中,针对每个备选图片,获得该备选图片在各个类别下第三概率与第一概率乘积。
在步骤708中,将该备选图片在各个类别下的概率乘积求和,得到第一概率和。
在步骤709中,对所述多个备选图片进行相似性聚类。
在步骤710中,从同一聚类的多个备选图片中选择出第一概率和最大的备选图片。
本实施例中可以在步骤708之后执行步骤709,也可以在步骤701或步骤704之后执行步骤709。
通过以上介绍了解了选择图片的实现过程,该过程由移动终端和计算机实现,下面分别针对两个设备的内部结构和功能进行介绍。
图8是根据一示例性实施例示出的一种选择图片的装置示意图。参照图8,该装置包括:获取模块801、提取模块802、识别模块803和确定模块804。
获取模块801,用于获得备选图片。
提取模块802,用于对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息。
识别模块803,用于根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型。
确定模块804,用于当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
在一个实施例中,所述特征信息包括:全局特征信息和重点区域特征信息。
如图9所示,所述提取模块802包括:全局提取子模块8021、区域确定子模块8022和区域提取子模块8023。
全局提取子模块8021,用于对所述备选图片的全局进行特征提取,获得全局特征信。
区域确定子模块8022,用于确定所述备选图片中的重点区域。
区域提取子模块8023,用于对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
在一个实施例中,如图10所示,所述识别模块803包括:类别子模块8031和识别子模块8032。
类别子模块8031,用于对所述备选图片进行分类识别,确定所述备选图片的图片类别。
识别子模块8032,用于根据所述图片类别对应的判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果。
在一个实施例中,所述类别子模块8031计算所述备选图片属于各预设图片类别的概率;选择所述概率大于概率阈值的图片类别作为所述备选图片的图片类别。
在一个实施例中,如图11所示,所述确定模块804还包括:第二概率子模块8041和确定子模块8042。
第二概率子模块8041,用于根据第一概率及所述识别结果计算所述备选图片的第二概率,其中,所述第一概率为所述备选图片属于所述图片类别的概率。
确定子模块8042,用于当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片。
在一个实施例中,所述第二概率子模块8041当所述备选图片的图片类别至少有两种时,将各所述图片类别对应的第一概率进行加权求和获得所述第二概率,其中,所述第一概率的加权系数为与所述第一概率相对应的识别结果。
在一个实施例中,所述确定子模块8042确定所述备选图片所属的图片类簇,所述图片类簇为对图片进行聚类获得的,所述图片中包含所述备选图片;当所述备选图片第二概率在第二概率序列中的排序满足预设概率条件时,确定所述备选图片为目标图片,其中,所述第二概率序列中包含所述图片类簇中图片的第二概率。
在一个实施例中,所述识别模块803包括:第一概率子模块。
第一概率子模块,用于分别将提取模块802获得的每个备选图片的特征信息与预设的各个类别的好图片的特征信息进行匹配,得到每个备选图片分别属于各个类别好图片的第一概率。
在一个实施例中,所述确定模块804包括:第一求和子模块和第一选择子模块。
第一求和子模块,用于针对每个备选图片,获得第一概率子模块得到的该备选图片属于各个类别好图片的第一概率的第一概率和。
第一选择子模块,用于从所述多个备选图片中选择出第一求和子模块获得的第一概率和最大的备选图片。
在一个实施例中,所述识别模块803还包括:第二概率子模块。
第二概率子模块,用于分别将提取模块802获得的每个备选图片的特征信息与预设的各个类别的特征信息进行匹配,得到每个备选图片分别属于各个类别的第二概率。
在一个实施例中,所述确定模块804包括:乘积子模块、第二求和子模块和第二选择子模块。
乘积子模块,用于针对每个备选图片,获得该备选图片在各个类别下第一概率与第二概率乘积。
第二求和子模块,用于将该备选图片在各个类别下的概率乘积求和,得到第二概率和。
第二选择子模块,用于从所述多个备选图片中选择出第二概率和最大的备选图片。
在一个实施例中,所述装置还包括:聚类模块。
聚类模块,用于对获取模块获得的所述多个备选图片进行相似性聚类。
所述确定模块804包括:第三选择子模块。
第三选择子模块,用于从聚类模块805得到的同一聚类的多个备选图片中选择出匹配一致的备选图片。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图12是根据一示例性实施例示出的一种用于选择图片的装置1200的框图。例如,装置1200可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图12,装置1200可以包括以下一个或多个组件:处理组件1202,存储器1204,电源组件1206,多媒体组件1208,音频组件1210,输入/输出(I/O)的接口1212,传感器组件1214,以及通信组件1216。
处理组件1202通常控制装置1200的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1202可以包括一个或多个处理器1220来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1202可以包括一个或多个模块,便于处理组件1202和其他组件之间的交互。例如,处理组件1202可以包括多媒体模块,以方便多媒体组件1208和处理组件1202之间的交互。
存储器1204被配置为存储各种类型的数据以支持在设备1200的操作。这些数据的示例包括用于在装置1200上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1206为装置1200的各种组件提供电源。电源组件1206可以包括电源管理系统,一个或多个电源,及其他与为装置1200生成、管理和分配电源相关联的组件。
多媒体组件1208包括在所述装置1200和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1208包括一个前置摄像头和/或后置摄像头。当设备1200处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1210被配置为输出和/或输入音频信号。例如,音频组件1210包括一个麦克风(MIC),当装置1200处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1204或经由通信组件1216发送。在一些实施例中,音频组件1210还包括一个扬声器,用于输出音频信号。
I/O接口1212为处理组件1202和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1214包括一个或多个传感器,用于为装置1200提供各个方面的状态评估。例如,传感器组件1214可以检测到设备1200的打开/关闭状态,组件的相对定位,例如所述组件为装置1200的显示器和小键盘,传感器组件1214还可以检测装置1200或装置1200的一个组件的位置改变,用户与装置1200接触的存在或不存在,装置1200方位或加速/减速和装置1200的温度变化。传感器组件1214可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1214还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1214还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1216被配置为便于装置1200和其他设备之间有线或无线方式的通信。装置1200可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件1216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1216还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置1200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1204,上述指令可由装置1200的处理器1220执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种选择图片的装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获得备选图片;
对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息;
根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型;
当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
所述处理器还可以被配置为:
所述对所述备选图片进行特征提取,获得特征信息,包括:
对所述备选图片的全局进行特征提取,获得全局特征信;
确定所述备选图片中的重点区域;
对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
所述处理器还可以被配置为:
所述根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果,包括:
对所述备选图片进行分类识别,确定所述备选图片的图片类别;
根据所述图片类别对应的判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果。
所述处理器还可以被配置为:
所述对所述备选图片进行分类识别,确定所述备选图片的图片类别,包括:
计算所述备选图片属于各预设图片类别的概率;
选择所述概率大于概率阈值的图片类别作为所述备选图片的图片类别。
所述处理器还可以被配置为:
所述当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片,包括:
根据第一概率及所述识别结果计算所述备选图片的第二概率,其中,所述第一概率为所述备选图片属于所述图片类别的概率;
当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片。
所述处理器还可以被配置为:
所述根据第一概率及所述识别结果计算所述备选图片的第二概率,包括:
当所述备选图片的图片类别至少有两种时,将各所述图片类别对应的第一概率进行加权求和获得所述第二概率,其中,所述第一概率的加权系数为与所述第一概率相对应的识别结果。
所述处理器还可以被配置为:
所述当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片,包括:
确定所述备选图片所属的图片类簇,所述图片类簇为对图片进行聚类获得的,所述图片中包含所述备选图片;
当所述备选图片第二概率在第二概率序列中的排序满足预设概率条件时,确定所述备选图片为目标图片,其中,所述第二概率序列中包含所述图片类簇中图片的第二概率。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种选择图片的方法,所述方法包括:
获得备选图片;
对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息;
根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型;
当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
所述存储介质中的指令还可以包括:
所述对所述备选图片进行特征提取,获得特征信息,包括:
对所述备选图片的全局进行特征提取,获得全局特征信;
确定所述备选图片中的重点区域;
对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
所述存储介质中的指令还可以包括:
所述根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果,包括:
对所述备选图片进行分类识别,确定所述备选图片的图片类别;
根据所述图片类别对应的判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果。
所述存储介质中的指令还可以包括:
所述对所述备选图片进行分类识别,确定所述备选图片的图片类别,包括:
计算所述备选图片属于各预设图片类别的概率;
选择所述概率大于概率阈值的图片类别作为所述备选图片的图片类别。
所述存储介质中的指令还可以包括:
所述当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片,包括:
根据第一概率及所述识别结果计算所述备选图片的第二概率,其中,所述第一概率为所述备选图片属于所述图片类别的概率;
当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片。
所述存储介质中的指令还可以包括:
所述根据第一概率及所述识别结果计算所述备选图片的第二概率,包括:
当所述备选图片的图片类别至少有两种时,将各所述图片类别对应的第一概率进行加权求和获得所述第二概率,其中,所述第一概率的加权系数为与所述第一概率相对应的识别结果。
所述存储介质中的指令还可以包括:
所述当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片,包括:
确定所述备选图片所属的图片类簇,所述图片类簇为对图片进行聚类获得的,所述图片中包含所述备选图片;
当所述备选图片第二概率在第二概率序列中的排序满足预设概率条件时,确定所述备选图片为目标图片,其中,所述第二概率序列中包含所述图片类簇中图片的第二概率。
图13是根据一示例性实施例示出的一种用于选择图片的装置1300的框图。例如,装置1300可以被提供为一计算机。参照图13,装置1300包括处理组件1322,其进一步包括一个或多个处理器,以及由存储器1332所代表的存储器资源,用于存储可由处理组件1322的执行的指令,例如应用程序。存储器1332中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1322被配置为执行指令,以执行上述方法选择图片。
装置1300还可以包括一个电源组件1326被配置为执行装置1300的电源管理,一个有线或无线网络接口1350被配置为将装置1300连接到网络,和一个输入输出(I/O)接口1358。装置1300可以操作基于存储在存储器1332的操作系统,例如WindowsServerTM,MacOSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (15)
1.一种选择图片的方法,其特征在于,包括:
获得备选图片;
对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息;
根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型;
当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
2.根据权利要求1所述的选择图片的方法,其特征在于,
所述对所述备选图片进行特征提取,获得特征信息,包括:
对所述备选图片的全局进行特征提取,获得全局特征信息;
确定所述备选图片中的重点区域;
对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
3.根据权利要求1或2所述的选择图片的方法,其特征在于,所述根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果,包括:
对所述备选图片进行分类识别,确定所述备选图片的图片类别;
根据所述图片类别对应的判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果。
4.根据权利要求3所述的选择图片的方法,其特征在于,所述对所述备选图片进行分类识别,确定所述备选图片的图片类别,包括:
计算所述备选图片属于各预设图片类别的概率;
选择所述概率大于概率阈值的图片类别作为所述备选图片的图片类别。
5.根据权利要求4所述的选择图片的方法,其特征在于,所述当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片,包括:
根据第一概率及所述识别结果计算所述备选图片的第二概率,其中,所述第一概率为所述备选图片属于所述图片类别的概率;
当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片。
6.根据权利要求5所述的选择图片的方法,其特征在于,所述根据第一概率及所述识别结果计算所述备选图片的第二概率,包括:
当所述备选图片的图片类别至少有两种时,将各所述图片类别对应的第一概率进行加权求和获得所述第二概率,其中,所述第一概率的加权系数为与所述第一概率相对应的识别结果。
7.根据权利要求5所述的选择图片的方法,其特征在于,所述当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片,包括:
确定所述备选图片所属的图片类簇,所述图片类簇为对图片进行聚类获得的,所述图片中包含所述备选图片;
当所述备选图片第二概率在第二概率序列中的排序满足预设概率条件时,确定所述备选图片为目标图片,其中,所述第二概率序列中包含所述图片类簇中图片的第二概率。
8.一种选择图片的装置,其特征在于,包括:
获取模块,用于获得备选图片;
提取模块,用于对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息;
识别模块,用于根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型;
确定模块,用于当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
9.根据权利要求8所述的选择图片的装置,其特征在于,所述提取模块包括:
全局提取子模块,用于对所述备选图片的全局进行特征提取,获得全局特征信;
区域确定子模块,用于确定所述备选图片中的重点区域;
区域提取子模块,用于对所述备选图片中的重点区域进行特征提取,获得重点区域特征信息。
10.根据权利要求8或9所述的选择图片的装置,其特征在于,所述识别模块包括:
类别子模块,用于对所述备选图片进行分类识别,确定所述备选图片的图片类别;
识别子模块,用于根据所述图片类别对应的判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果。
11.根据权利要求10所述的选择图片的装置,其特征在于,所述类别子模块计算所述备选图片属于各预设图片类别的概率;选择所述概率大于概率阈值的图片类别作为所述备选图片的图片类别。
12.根据权利要求11所述的选择图片的装置,其特征在于,所述确定模块还包括:
第二概率子模块,用于根据第一概率及所述识别结果计算所述备选图片的第二概率,其中,所述第一概率为所述备选图片属于所述图片类别的概率;
确定子模块,用于当所述第二概率满足预设概率条件时,确定所述备选图片为目标图片。
13.根据权利要求12所述的选择图片的装置,其特征在于,所述第二概率子模块当所述备选图片的图片类别至少有两种时,将各所述图片类别对应的第一概率进行加权求和获得所述第二概率,其中,所述第一概率的加权系数为与所述第一概率相对应的识别结果。
14.根据权利要求12所述的选择图片的装置,其特征在于,所述确定子模块确定所述备选图片所属的图片类簇,所述图片类簇为对图片进行聚类获得的,所述图片中包含所述备选图片;当所述备选图片第二概率在第二概率序列中的排序满足预设概率条件时,确定所述备选图片为目标图片,其中,所述第二概率序列中包含所述图片类簇中图片的第二概率。
15.一种选择图片的装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获得备选图片;
对所述备选图片进行特征提取,获得特征信息;所述特征信息包括全局特征信息和重点区域特征信息;
根据判别模型及所述备选图片的特征信息对所述备选图片进行识别,获得识别结果;其中,所述判别模型为预先根据样本图片的特征信息及所述样本图片的图像质量评价训练获得的模型;
当根据所述识别结果确定所述备选图片满足预设条件时,确定所述备选图片为目标图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510955568.3A CN105631457B (zh) | 2015-12-17 | 选择图片的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510955568.3A CN105631457B (zh) | 2015-12-17 | 选择图片的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105631457A true CN105631457A (zh) | 2016-06-01 |
CN105631457B CN105631457B (zh) | 2019-07-16 |
Family
ID=
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228556A (zh) * | 2016-07-22 | 2016-12-14 | 北京小米移动软件有限公司 | 图像质量分析方法和装置 |
CN106250916A (zh) * | 2016-07-22 | 2016-12-21 | 西安酷派软件科技有限公司 | 一种筛选图片的方法、装置及终端设备 |
CN106484913A (zh) * | 2016-10-26 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 一种目标图片确定的方法以及服务器 |
CN106528758A (zh) * | 2016-10-28 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种选取图片方法及装置 |
CN107276999A (zh) * | 2017-06-08 | 2017-10-20 | 西安电子科技大学 | 一种无线传感器网络中的事件检测方法 |
CN107368614A (zh) * | 2017-09-12 | 2017-11-21 | 重庆猪八戒网络有限公司 | 基于深度学习的图像检索方法及装置 |
CN107391121A (zh) * | 2017-06-30 | 2017-11-24 | 广东欧珀移动通信有限公司 | 一种相片分享方法、装置及存储介质、计算机设备 |
CN107562963A (zh) * | 2017-10-12 | 2018-01-09 | 杭州群核信息技术有限公司 | 一种筛选家装设计渲染图的方法和装置 |
CN108108102A (zh) * | 2018-01-02 | 2018-06-01 | 联想(北京)有限公司 | 图像推荐方法及电子设备 |
CN108198177A (zh) * | 2017-12-29 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像获取方法、装置、终端及存储介质 |
CN108966020A (zh) * | 2018-06-27 | 2018-12-07 | Oppo广东移动通信有限公司 | 回忆视频创建方法及相关设备 |
CN110084317A (zh) * | 2019-05-06 | 2019-08-02 | 北京字节跳动网络技术有限公司 | 用于识别图像的方法和装置 |
CN110335237A (zh) * | 2019-05-06 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
CN110363753A (zh) * | 2019-07-11 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 图像质量评估方法、装置及电子设备 |
CN110717058A (zh) * | 2019-09-23 | 2020-01-21 | Oppo广东移动通信有限公司 | 信息推荐方法及装置、存储介质 |
CN111241235A (zh) * | 2019-12-28 | 2020-06-05 | 深圳市九洲电器有限公司 | 基于智能语音的网盘搜索方法及相关产品 |
CN112017177A (zh) * | 2020-09-08 | 2020-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN113256583A (zh) * | 2021-05-24 | 2021-08-13 | 北京百度网讯科技有限公司 | 图像质量检测方法及装置、计算机设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
CN102054178A (zh) * | 2011-01-20 | 2011-05-11 | 北京联合大学 | 一种基于局部语义概念的国画图像识别方法 |
CN104268150A (zh) * | 2014-08-28 | 2015-01-07 | 小米科技有限责任公司 | 一种基于图片内容播放音乐的方法及装置 |
CN104299001A (zh) * | 2014-10-11 | 2015-01-21 | 小米科技有限责任公司 | 生成影集的方法及装置 |
CN104750737A (zh) * | 2013-12-30 | 2015-07-01 | 腾讯科技(深圳)有限公司 | 一种相册管理方法及装置 |
US9137529B1 (en) * | 2010-08-09 | 2015-09-15 | Google Inc. | Models for predicting similarity between exemplars |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
US9137529B1 (en) * | 2010-08-09 | 2015-09-15 | Google Inc. | Models for predicting similarity between exemplars |
CN102054178A (zh) * | 2011-01-20 | 2011-05-11 | 北京联合大学 | 一种基于局部语义概念的国画图像识别方法 |
CN104750737A (zh) * | 2013-12-30 | 2015-07-01 | 腾讯科技(深圳)有限公司 | 一种相册管理方法及装置 |
CN104268150A (zh) * | 2014-08-28 | 2015-01-07 | 小米科技有限责任公司 | 一种基于图片内容播放音乐的方法及装置 |
CN104299001A (zh) * | 2014-10-11 | 2015-01-21 | 小米科技有限责任公司 | 生成影集的方法及装置 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228556B (zh) * | 2016-07-22 | 2019-12-06 | 北京小米移动软件有限公司 | 图像质量分析方法和装置 |
CN106250916A (zh) * | 2016-07-22 | 2016-12-21 | 西安酷派软件科技有限公司 | 一种筛选图片的方法、装置及终端设备 |
CN106228556A (zh) * | 2016-07-22 | 2016-12-14 | 北京小米移动软件有限公司 | 图像质量分析方法和装置 |
CN106250916B (zh) * | 2016-07-22 | 2020-02-21 | 西安酷派软件科技有限公司 | 一种筛选图片的方法、装置及终端设备 |
CN106484913A (zh) * | 2016-10-26 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 一种目标图片确定的方法以及服务器 |
CN106484913B (zh) * | 2016-10-26 | 2021-09-07 | 腾讯科技(深圳)有限公司 | 一种目标图片确定的方法以及服务器 |
CN106528758A (zh) * | 2016-10-28 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种选取图片方法及装置 |
CN106528758B (zh) * | 2016-10-28 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 一种选取图片方法及装置 |
CN107276999A (zh) * | 2017-06-08 | 2017-10-20 | 西安电子科技大学 | 一种无线传感器网络中的事件检测方法 |
CN107276999B (zh) * | 2017-06-08 | 2020-05-26 | 西安电子科技大学 | 一种无线传感器网络中的事件检测方法 |
CN107391121A (zh) * | 2017-06-30 | 2017-11-24 | 广东欧珀移动通信有限公司 | 一种相片分享方法、装置及存储介质、计算机设备 |
CN107368614A (zh) * | 2017-09-12 | 2017-11-21 | 重庆猪八戒网络有限公司 | 基于深度学习的图像检索方法及装置 |
CN107562963A (zh) * | 2017-10-12 | 2018-01-09 | 杭州群核信息技术有限公司 | 一种筛选家装设计渲染图的方法和装置 |
CN107562963B (zh) * | 2017-10-12 | 2021-04-20 | 杭州群核信息技术有限公司 | 一种筛选家装设计渲染图的方法和装置 |
CN108198177A (zh) * | 2017-12-29 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像获取方法、装置、终端及存储介质 |
CN108108102B (zh) * | 2018-01-02 | 2024-01-23 | 联想(北京)有限公司 | 图像推荐方法及电子设备 |
CN108108102A (zh) * | 2018-01-02 | 2018-06-01 | 联想(北京)有限公司 | 图像推荐方法及电子设备 |
CN108966020A (zh) * | 2018-06-27 | 2018-12-07 | Oppo广东移动通信有限公司 | 回忆视频创建方法及相关设备 |
CN110335237B (zh) * | 2019-05-06 | 2022-08-09 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
CN110084317A (zh) * | 2019-05-06 | 2019-08-02 | 北京字节跳动网络技术有限公司 | 用于识别图像的方法和装置 |
CN110335237A (zh) * | 2019-05-06 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
CN110363753B (zh) * | 2019-07-11 | 2021-06-22 | 北京字节跳动网络技术有限公司 | 图像质量评估方法、装置及电子设备 |
CN110363753A (zh) * | 2019-07-11 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 图像质量评估方法、装置及电子设备 |
CN110717058A (zh) * | 2019-09-23 | 2020-01-21 | Oppo广东移动通信有限公司 | 信息推荐方法及装置、存储介质 |
CN110717058B (zh) * | 2019-09-23 | 2023-06-09 | Oppo广东移动通信有限公司 | 信息推荐方法及装置、存储介质 |
CN111241235A (zh) * | 2019-12-28 | 2020-06-05 | 深圳市九洲电器有限公司 | 基于智能语音的网盘搜索方法及相关产品 |
CN112017177A (zh) * | 2020-09-08 | 2020-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN112017177B (zh) * | 2020-09-08 | 2023-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN113256583A (zh) * | 2021-05-24 | 2021-08-13 | 北京百度网讯科技有限公司 | 图像质量检测方法及装置、计算机设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI710964B (zh) | 圖像聚類方法及裝置、電子設備和儲存介質 | |
TWI717146B (zh) | 圖像處理方法及裝置、電子設備和儲存介質 | |
CN105631408B (zh) | 基于视频的面孔相册处理方法和装置 | |
CN109446994B (zh) | 手势关键点检测方法、装置、电子设备及存储介质 | |
CN105512685B (zh) | 物体识别方法和装置 | |
CN109389162B (zh) | 样本图像筛选方法和装置、电子设备及存储介质 | |
CN106548145A (zh) | 图像识别方法及装置 | |
CN105631403A (zh) | 人脸识别方法及装置 | |
CN107239535A (zh) | 相似图片检索方法及装置 | |
RU2664003C2 (ru) | Способ и устройство для определения ассоциированного пользователя | |
CN110602527A (zh) | 视频处理方法、装置及存储介质 | |
CN104408404B (zh) | 人脸识别方法及装置 | |
CN109034150B (zh) | 图像处理方法及装置 | |
CN106384348B (zh) | 监控图像的异常检测方法及装置 | |
CN105809174A (zh) | 识别图像的方法及装置 | |
CN105631467A (zh) | 显示图片的方法及装置 | |
CN110717399A (zh) | 人脸识别方法和电子终端设备 | |
CN106095876B (zh) | 图像处理方法及装置 | |
CN111242188A (zh) | 入侵检测方法、装置及存储介质 | |
CN111553372A (zh) | 一种训练图像识别网络、图像识别搜索的方法及相关装置 | |
CN111259967A (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN115238787A (zh) | 异常数据检测方法、装置、设备及存储介质 | |
CN111062401A (zh) | 堆叠物体的识别方法及装置、电子设备和存储介质 | |
CN112884040B (zh) | 训练样本数据的优化方法、系统、存储介质及电子设备 | |
CN105224950A (zh) | 滤镜类别识别方法及装置 |
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 |