CN105809174A - 识别图像的方法及装置 - Google Patents

Abstract

本公开是关于一种识别图像的方法及装置，用于实现对美化后的图像的识别。所述方法包括：获得待识别的图像；对所述待识别的图像进行特征提取，获得特征信息；根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型；当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

Description

识别图像的方法及装置

技术领域

本公开涉及通信及计算机处理领域，尤其涉及识别图像的方法及装置。

背景技术

随着电子技术的发展，手机、照相机、平板电脑等设备均具有拍照功能。方便用户随时随地通过图像记录周围环境。并且，各种修图软件可以对拍摄的图片进行美化处理。

发明内容

为克服相关技术中存在的问题，本公开提供一种识别图像的方法及装置。

根据本公开实施例的第一方面，提供一种识别图像的方法，包括：

获得待识别的图像；

对所述待识别的图像进行特征提取，获得特征信息；

根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例中通过预先训练得到的分类模型可以识别出图像是否经过编辑，实现对编辑过的图像的识别。

在一个实施例中，所述对所述待识别的图像进行特征提取，获得特征信息，包括：

根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例通过多维向量方式从多个角度提取图像的特征信息，所述特征信息可以更准确、全面的描述图像，有助于后续识别更准确。

在一个实施例中，所述根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果，包括：

根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像，包括：

当所述第一识别结果小于预设阈值时，确定所述待识别的图像为编辑过的图像。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例通过多维度加权求和的方式来识别图像是否经过编辑，所述方式识别更准确。

在一个实施例中，在确定所述待识别的图像为编辑过的图像后，所述方法还包括：

根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果；其中，所述概率模型为预先根据样本图片的特征信息及所述样本图片所属的编辑类型的标签训练获得的模型；

当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例不仅可以识别出图像是否经过编辑，还可以针对编辑过的图像识别出是何种编辑类型(或称编辑方式)，经过哪种编辑。

在一个实施例中，所述根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果，包括：

根据预设的概率模型及所述待识别的图像的特征信息，确定所述待识别的图像属于各编辑类型的概率，将获得的概率确定为第二识别结果；

所述当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像，包括：

针对每个编辑类型，所述待识别的图像属于编辑类型的概率大于所述编辑类型对应的概率阈值时，确定所述待识别的图像属于所述编辑类型的图像。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例通过概率命中的方式识别出图像属于的编辑类型，确定出图像经过哪种编辑。识别结果更准确，并且可以识别出图像经过多种编辑。

在一个实施例中，所述获得待识别的图像，包括：

接收对图像的手势操作；

在所述手势操作的触发下，输出识别图像的选项；

接收针对所述选项的选择指令；

根据所述选择指令，将所述手势操作对应的图像确定为待识别的图像。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例支持对任意应用任意界面下的图像的识别。适用场景较广泛。

根据本公开实施例的第二方面，提供一种识别图像的装置，包括：

获取模块，用于获得待识别的图像；

提取模块，用于对所述待识别的图像进行特征提取，获得特征信息；

分类模块，用于根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型；

确定模块，用于当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

在一个实施例中，所述提取模块包括：

提取子模块，用于根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

在一个实施例中，所述分类模块包括：

分类子模块，用于根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；

所述确定模块包括：

确定子模块，用于当所述第一识别结果小于预设阈值时，确定所述待识别的图像为编辑过的图像。

在一个实施例中，所述装置还包括：

概率模块，用于根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果；其中，所述概率模型为预先根据样本图片的特征信息及所述样本图片所属的编辑类型的标签训练获得的模型；

类型模块，用于当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像。

在一个实施例中，所述概率模块包括：

概率子模块，用于根据预设的概率模型及所述待识别的图像的特征信息，确定所述待识别的图像属于各编辑类型的概率，将获得的概率确定为第二识别结果；

所述类型模块包括：

类型子模块，用于针对每个编辑类型，所述待识别的图像属于编辑类型的概率大于所述编辑类型对应的概率阈值时，确定所述待识别的图像属于所述编辑类型的图像。

在一个实施例中，所述获取模块包括：

手势子模块，用于接收对图像的手势操作；

输出子模块，用于在所述手势操作的触发下，输出识别图像的选项；

选择子模块，用于接收针对所述选项的选择指令；

获取子模块，用于根据所述选择指令，将所述手势操作对应的图像确定为待识别的图像。

根据本公开实施例的第三方面，提供一种识别图像的装置，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：

获得待识别的图像；

对所述待识别的图像进行特征提取，获得特征信息；

根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

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识别图像的方法的流程图。

图2是根据一示例性实施例示出的一种识别图像的方法的流程图。

图3是根据一示例性实施例示出的一种识别图像的方法的流程图。

图4是根据一示例性实施例示出的一种识别图像的方法的流程图。

图5是根据一示例性实施例示出的一种识别图像的装置的框图。

图6是根据一示例性实施例示出的一种提取模块的框图。

图7是根据一示例性实施例示出的一种分类模块的框图。

图8是根据一示例性实施例示出的一种确定模块的框图。

图9是根据一示例性实施例示出的一种识别图像的装置的框图。

图10是根据一示例性实施例示出的一种概率模块的框图。

图11是根据一示例性实施例示出的一种类型模块的框图。

图12是根据一示例性实施例示出的一种获取模块的框图。

图13是根据一示例性实施例示出的一种装置的框图。

图14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，用户可以随时随地用手机、照相机等设备进行拍摄，得到图像(包括图片和视频)。并且可以利用修图软件对图像进行编辑，如背景虚化，背景增加水印，人物美白，人物瘦脸，增加怀旧效果的滤镜等。但是对于看到图像的其它用户来说，可能不知道图像是否经过编辑。

为解决所述问题，本实施例利用预先训练得到的分类模型对图像的特征信息进行识别，以识别出经过编辑的图像。

图1是根据一示例性实施例示出的一种识别图像的方法的流程图，如图1所示，所述方法可以由移动终端实现，包括以下步骤：

在步骤101中，获得待识别的图像。

在步骤102中，对所述待识别的图像进行特征提取，获得特征信息。

在步骤103中，根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型。

在步骤104中，当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

本实施例中还可以向用户输出图像经过编辑的提示信息，以及根据特征信息在图像中标记出编辑过的位置。

本实施例中预先人为确定大量样本图像，样本图像包括相同内容的未编辑过的图像和编辑过的图像，为样本图像打上是否编辑过的标记。如1表示标记过，0表示未编辑过。对编辑过的样本图像和未编辑过的样本图像分别进行特征提取。然后将相同内容的未编辑过的样本图像和编辑过的样本图像的特征信息成对的加入到模型中对模型进行训练，训练得到分类模型。分类模型可以采用softmaxloss等。特征提取的算法有尺度不变特征变换算法(SIFT)、LOG算法(利用高斯拉普拉斯算子检测)、边缘检测算法、加速鲁棒特征(SURF)、Harris角点检测、基于加速分割测试的FAST算法等。

在进行图像识别的过程中，对待识别图像进行特征提取，获得特征信息。将待识别图像的特征信息输入到分类模型，分类模型根据已有的编辑过样本图像和未编辑过样本图像的特点，对待识别图像进行特征分析，判断出待识别图像是否经过编辑。

在一个实施例中，步骤102包括：步骤A1。

在步骤A1中，根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

本实施例采用谷歌网(GoogleNet)模型，通过卷积方式对图像进行特征提取。得到的向量的维度与编辑类型有关，例如，本实施例识别4种编辑类型，如美颜、滤镜、水印和其它。每个维度的特征表征了是否经过美颜、滤镜、水印或其它编辑。在进行特征提取时便考虑到了编辑类型，根据所有可能的编辑类型进行有针对性的特征提取。所述方式提取出的特征信息更准确，并且更有助于后续识别更准确。

在一个实施例中，步骤103包括：步骤A2。

在步骤A2中，根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果。

步骤104包括：步骤A3。

在步骤A3中，当所述第一识别结果小于预设阈值时，确定所述待识别的图像为编辑过的图像。

例如，加权求和的公式为：w1f1+w2f2+w3f3+w4f4＝s。所述公式以4个维度为例，w1-w4是预先训练得到的各维度的权重。f1-f4是各维度根据特征信息判断是否属于相应编辑类型的识别结果值。识别结果值可以是特征信息属于相应编辑类型的概率值。s为第一识别结果。

本实施例对所有可能的编辑类型进行识别，综合分析出图像是否经过编辑，如果s小于预设阈值(如阈值为0)，则确定待识别的图像是经过编辑的图像。如果s等于或大于预设阈值，则确定待识别的图像是未经过编辑的图像。

在一个实施例中，在确定所述待识别的图像为编辑过的图像后，所述方法还包括：步骤B1和步骤B2。

在步骤B1中，根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果；其中，所述概率模型为预先根据样本图片的特征信息及所述样本图片所属的编辑类型的标签训练获得的模型。

在步骤B2中，当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像。

本实施例在识别出图像是编辑过的图像后，还可以进一步识别出图像是属于哪种编辑类型。预先人为的确定大量样本图像，样本图像包括相同内容的未编辑过的图像和编辑过的图像，为样本图像打上是否编辑过的标记，以及打上经过何种编辑的标记。例如，0表示未经过编辑，1表示经过美颜编辑，2表示经过滤镜编辑，3表示经过水印编辑，4表示其它。一个样本图像可以经过多种编辑，也就是可以有多个标记。然后对样本图像进行特征提取。最好是将相同内容的未编辑过的样本图像和经过多种编辑的多个样本图像的特征信息成组的加入到模型中对模型进行训练，训练得到概率模型。可以针对每种编辑类型训练得到一个概率模型，或者针对所有可能的编辑类型训练得到一个概率模型。

在一个实施例中，步骤B1包括：步骤B11。

在步骤B11中，根据预设的概率模型及所述待识别的图像的特征信息，确定所述待识别的图像属于各编辑类型的概率，将获得的概率确定为第二识别结果；

步骤B2包括：步骤B21。

在步骤B21中，针对每个编辑类型，所述待识别的图像属于编辑类型的概率大于所述编辑类型对应的概率阈值时，确定所述待识别的图像属于所述编辑类型的图像。

例如，预先设有4个编辑类型，美颜、滤镜、水印和其它，概率阈值分别为0.8、0.6、0.6、0.7。利用概率模型对待识别的图像进行识别，得到的概率依次为0.9、0.3、0.3、0.2。显然，美颜编辑类型的概率0.9高于对应的概率阈值0.8。剩余编辑类型的概率均小于对应的概率阈值。确定所述待识别的图像经过美颜编辑，没有经过美颜编辑以外的其它编辑。

本实施例通过概率模型可以较准确的识别出图像经过哪种编辑，并且，如果图像经过多种编辑，也可以较准确的识别出来。

在一个实施例中，还可以预先识别图像的种类，如人物、风景、建筑等。根据图像的种类，对图像进行有针对性的识别。例如，人物的图像，主要识别其是否经过美颜编辑，风景的图像，主要识别其是否经过滤镜编辑等。或者，根据图像的种类调整分类模型和概率模型中的权重值。例如，人物的图像在美颜编辑类型的权重值大于风景的图像在美颜编辑类型的权重值。

在一个实施例中，步骤101包括：步骤C1-步骤C4。

在步骤C1中，接收对图像的手势操作。

在步骤C2中，在所述手势操作的触发下，输出识别图像的选项。

在步骤C3中，接收针对所述选项的选择指令。

在步骤C4中，根据所述选择指令，将所述手势操作对应的图像确定为待识别的图像。

本实施例支持对任意应用任意界面下的图像的识别。适用场景较广泛。

例如，手势操作可以长按等手势。以长按为例，用户在相册中浏览照片，如果想知道某个照片是否经过编辑，用户可以长按所述照片，相当于接收对图像的长按手势操作。在所述照片的上方弹出识别图像的选项，可以是按钮形式。用户点击所述按钮，相当于接收针对所述选项的选择指令。然后，对所述照片进行是否经过编辑的识别。可以向用户输出识别结果。

下面通过几个实施例详细介绍识别图像的实现过程。

图2是根据一示例性实施例示出的一种识别图像的方法的流程图，如图2所示，所述方法可以由移动终端实现，包括以下步骤：

在步骤201中，获得待识别的图像。

在步骤202中，根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

在步骤203中，根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型。继续步骤204或步骤205。

在步骤204中，当所述第一识别结果小于0时，确定所述待识别的图像为编辑过的图像。继续步骤206。

在步骤205中，当所述第一识别结果大于0时，确定所述待识别的图像为未编辑过的图像。

在步骤206中，根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果；其中，所述概率模型为预先根据样本图片的特征信息及所述样本图片所属的编辑类型的标签训练获得的模型。

在步骤207中，当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像。

图3是根据一示例性实施例示出的一种识别图像的方法的流程图，如图3所示，所述方法可以由移动终端实现，包括以下步骤：

在步骤301中，获得待识别的图像。

在步骤302中，根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

在步骤303中，根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型。继续步骤304或步骤305。

在步骤304中，当所述第一识别结果小于0时，确定所述待识别的图像为编辑过的图像。继续步骤306。

在步骤305中，当所述第一识别结果大于0时，确定所述待识别的图像为未编辑过的图像。

在步骤306中，根据预设的概率模型及所述待识别的图像的特征信息，确定所述待识别的图像属于各编辑类型的概率，将获得的概率确定为第二识别结果。

在步骤307中，针对每个编辑类型，所述待识别的图像属于编辑类型的概率大于所述编辑类型对应的概率阈值时，确定所述待识别的图像属于所述编辑类型的图像。

图4是根据一示例性实施例示出的一种识别图像的方法的流程图，如图4所示，所述方法可以由移动终端实现，包括以下步骤：

在步骤401中，接收对图像的手势操作。

在步骤402中，在所述手势操作的触发下，输出识别图像的选项。

在步骤403中，接收针对所述选项的选择指令。

在步骤404中，根据所述选择指令，将所述手势操作对应的图像确定为待识别的图像。

在步骤405中，根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

在步骤406中，根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型。继续步骤407或步骤408。

在步骤407中，当所述第一识别结果小于0时，确定所述待识别的图像为编辑过的图像。

在步骤408中，当所述第一识别结果大于0时，确定所述待识别的图像为未编辑过的图像。

通过以上介绍了解了识别图像的实现过程，所述过程由移动终端或计算机实现，下面针对设备的内部结构和功能进行介绍。

图5是根据一示例性实施例示出的一种识别图像的装置示意图。参照图5，所述装置包括：获取模块501、提取模块502、分类模块503和确定模块504。

获取模块501，用于获得待识别的图像。

提取模块502，用于对所述待识别的图像进行特征提取，获得特征信息。

分类模块503，用于根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型。

确定模块504，用于当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

在一个实施例中，如图6所示，所述提取模块502包括：提取子模块5021。

提取子模块5021，用于根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

在一个实施例中，如图7所示，所述分类模块503包括：分类子模块5031。

分类子模块5031，用于根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；

如图8所示，所述确定模块504包括：确定子模块5041。

确定子模块5041，用于当所述第一识别结果小于预设阈值时，确定所述待识别的图像为编辑过的图像。

在一个实施例中，如图9所示，所述装置还包括：概率模块505和类型模块506。

概率模块505，用于根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果；其中，所述概率模型为预先根据样本图片的特征信息及所述样本图片所属的编辑类型的标签训练获得的模型。

类型模块506，用于当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像。

在一个实施例中，如图10所示，所述概率模块505包括：概率子模块5051

概率子模块5051，用于根据预设的概率模型及所述待识别的图像的特征信息，确定所述待识别的图像属于各编辑类型的概率，将获得的概率确定为第二识别结果。

如图11所示，所述类型模块506包括：类型子模块5061。

类型子模块5061，用于针对每个编辑类型，所述待识别的图像属于编辑类型的概率大于所述编辑类型对应的概率阈值时，确定所述待识别的图像属于所述编辑类型的图像。

在一个实施例中，如图12所示，所述获取模块501包括：手势子模块5011、输出子模块5012、选择子模块5013和获取子模块5014。

手势子模块5011，用于接收对图像的手势操作。

输出子模块5012，用于在所述手势操作的触发下，输出识别图像的选项。

选择子模块5013，用于接收针对所述选项的选择指令。

获取子模块5014，用于根据所述选择指令，将所述手势操作对应的图像确定为待识别的图像。

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所述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13是根据一示例性实施例示出的一种用于识别图像的装置1300的框图。例如，装置1300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13，装置1300可以包括以下一个或多个组件：处理组件1302，存储器1304，电源组件1306，多媒体组件1308，音频组件1310，输入/输出(I/O)的接口1312，传感器组件1314，以及通信组件1316。

处理组件1302通常控制装置1300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1302可以包括一个或多个处理器1320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1302可以包括一个或多个模块，便于处理组件1302和其他组件之间的交互。例如，处理组件1302可以包括多媒体模块，以方便多媒体组件1308和处理组件1302之间的交互。

存储器1304被配置为存储各种类型的数据以支持在设备1300的操作。这些数据的示例包括用于在装置1300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1304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。

电力组件1306为装置1300的各种组件提供电力。电力组件1306可以包括电源管理系统，一个或多个电源，及其他与为装置1300生成、管理和分配电力相关联的组件。

多媒体组件1308包括在所述装置1300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1308包括一个前置摄像头和/或后置摄像头。当设备1300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1310被配置为输出和/或输入音频信号。例如，音频组件1310包括一个麦克风(MIC)，当装置1300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1304或经由通信组件1316发送。在一些实施例中，音频组件1310还包括一个扬声器，用于输出音频信号。

I/O接口1312为处理组件1302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1314包括一个或多个传感器，用于为装置1300提供各个方面的状态评估。例如，传感器组件1314可以检测到设备1300的打开/关闭状态，组件的相对定位，例如所述组件为装置1300的显示器和小键盘，传感器组件1314还可以检测装置1300或装置1300的一个组件的位置改变，用户与装置1300接触的存在或不存在，装置1300方位或加速/减速和装置1300的温度变化。传感器组件1314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1314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，所述传感器组件1314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1316被配置为便于装置1300和其他设备之间有线或无线方式的通信。装置1300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1316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1316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1300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1304，上述指令可由装置1300的处理器1320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。

一种识别图像的装置，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：

获得待识别的图像；

对所述待识别的图像进行特征提取，获得特征信息；

根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

所述处理器还可以被配置为：

所述对所述待识别的图像进行特征提取，获得特征信息，包括：

根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

所述处理器还可以被配置为：

所述根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果，包括：

根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像，包括：

当所述第一识别结果小于预设阈值时，确定所述待识别的图像为编辑过的图像。

所述处理器还可以被配置为：

在确定所述待识别的图像为编辑过的图像后，所述方法还包括：

根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果；其中，所述概率模型为预先根据样本图片的特征信息及所述样本图片所属的编辑类型的标签训练获得的模型；

当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像。

所述处理器还可以被配置为：

所述根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果，包括：

根据预设的概率模型及所述待识别的图像的特征信息，确定所述待识别的图像属于各编辑类型的概率，将获得的概率确定为第二识别结果；

所述当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像，包括：

针对每个编辑类型，所述待识别的图像属于编辑类型的概率大于所述编辑类型对应的概率阈值时，确定所述待识别的图像属于所述编辑类型的图像。

所述处理器还可以被配置为：

所述获得待识别的图像，包括：

接收对图像的手势操作；

在所述手势操作的触发下，输出识别图像的选项；

接收针对所述选项的选择指令；

根据所述选择指令，将所述手势操作对应的图像确定为待识别的图像。

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识别图像的方法，所述方法包括：

获得待识别的图像；

对所述待识别的图像进行特征提取，获得特征信息；

根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

所述存储介质中的指令还可以包括：

所述对所述待识别的图像进行特征提取，获得特征信息，包括：

根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

所述存储介质中的指令还可以包括：

所述根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果，包括：

根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像，包括：

当所述第一识别结果小于预设阈值时，确定所述待识别的图像为编辑过的图像。

所述存储介质中的指令还可以包括：

在确定所述待识别的图像为编辑过的图像后，所述方法还包括：

根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果；其中，所述概率模型为预先根据样本图片的特征信息及所述样本图片所属的编辑类型的标签训练获得的模型；

当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像。

所述存储介质中的指令还可以包括：

所述根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果，包括：

根据预设的概率模型及所述待识别的图像的特征信息，确定所述待识别的图像属于各编辑类型的概率，将获得的概率确定为第二识别结果；

所述当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像，包括：

针对每个编辑类型，所述待识别的图像属于编辑类型的概率大于所述编辑类型对应的概率阈值时，确定所述待识别的图像属于所述编辑类型的图像。

所述存储介质中的指令还可以包括：

所述获得待识别的图像，包括：

接收对图像的手势操作；

在所述手势操作的触发下，输出识别图像的选项；

接收针对所述选项的选择指令；

根据所述选择指令，将所述手势操作对应的图像确定为待识别的图像。

图14是根据一示例性实施例示出的一种用于识别图像的装置1400的框图。例如，装置1400可以被提供为一计算机。参照图14，装置1400包括处理组件1422，其进一步包括一个或多个处理器，以及由存储器1432所代表的存储器资源，用于存储可由处理组件1422的执行的指令，例如应用程序。存储器1432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1422被配置为执行指令，以执行上述方法识别图像。

装置1400还可以包括一个电源组件1426被配置为执行装置1400的电源管理，一个有线或无线网络接口1450被配置为将装置1400连接到网络，和一个输入输出(I/O)接口1458。装置1400可以操作基于存储在存储器1432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 (13)

1.一种识别图像的方法，其特征在于，包括：

获得待识别的图像；

对所述待识别的图像进行特征提取，获得特征信息；

根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

2.根据权利要求1所述的识别图像的方法，其特征在于，所述对所述待识别的图像进行特征提取，获得特征信息，包括：

根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

3.根据权利要求2所述的识别图像的方法，其特征在于，所述根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果，包括：

根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像，包括：

当所述第一识别结果小于预设阈值时，确定所述待识别的图像为编辑过的图像。

4.根据权利要求1所述的识别图像的方法，其特征在于，在确定所述待识别的图像为编辑过的图像后，所述方法还包括：

根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果；其中，所述概率模型为预先根据样本图片的特征信息及所述样本图片所属的编辑类型的标签训练获得的模型；

当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像。

5.根据权利要求4所述的识别图像的方法，其特征在于，所述根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果，包括：

根据预设的概率模型及所述待识别的图像的特征信息，确定所述待识别的图像属于各编辑类型的概率，将获得的概率确定为第二识别结果；

所述当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像，包括：

针对每个编辑类型，所述待识别的图像属于编辑类型的概率大于所述编辑类型对应的概率阈值时，确定所述待识别的图像属于所述编辑类型的图像。

6.根据权利要求1所述的识别图像的方法，其特征在于，所述获得待识别的图像，包括：

接收对图像的手势操作；

在所述手势操作的触发下，输出识别图像的选项；

接收针对所述选项的选择指令；

根据所述选择指令，将所述手势操作对应的图像确定为待识别的图像。

7.一种识别图像的装置，其特征在于，包括：

获取模块，用于获得待识别的图像；

提取模块，用于对所述待识别的图像进行特征提取，获得特征信息；

分类模块，用于根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型；

确定模块，用于当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。

8.根据权利要求7所述的识别图像的装置，其特征在于，所述提取模块包括：

提取子模块，用于根据预设的谷歌网模型对所述待识别的图像进行多维度的特征提取，获得多维度的特征信息以及由所述多维度的特征信息构成的多维向量。

9.根据权利要求8所述的识别图像的装置，其特征在于，所述分类模块包括：

分类子模块，用于根据预设的分类模型对所述多维向量进行各维度的加权求和，获得第一识别结果；

所述确定模块包括：

确定子模块，用于当所述第一识别结果小于预设阈值时，确定所述待识别的图像为编辑过的图像。

10.根据权利要求7所述的识别图像的装置，其特征在于，所述装置还包括：

概率模块，用于根据预设的概率模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第二识别结果；其中，所述概率模型为预先根据样本图片的特征信息及所述样本图片所属的编辑类型的标签训练获得的模型；

类型模块，用于当根据所述第二识别结果确定所述待识别的图像满足至少一编辑类型的预设条件时，确定所述待识别的图像属于所述编辑类型的图像。

11.根据权利要求10所述的识别图像的装置，其特征在于，所述概率模块包括：

概率子模块，用于根据预设的概率模型及所述待识别的图像的特征信息，确定所述待识别的图像属于各编辑类型的概率，将获得的概率确定为第二识别结果；

所述类型模块包括：

类型子模块，用于针对每个编辑类型，所述待识别的图像属于编辑类型的概率大于所述编辑类型对应的概率阈值时，确定所述待识别的图像属于所述编辑类型的图像。

12.根据权利要求7所述的识别图像的装置，其特征在于，所述获取模块包括：

手势子模块，用于接收对图像的手势操作；

输出子模块，用于在所述手势操作的触发下，输出识别图像的选项；

选择子模块，用于接收针对所述选项的选择指令；

获取子模块，用于根据所述选择指令，将所述手势操作对应的图像确定为待识别的图像。

13.一种识别图像的装置，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：

获得待识别的图像；

对所述待识别的图像进行特征提取，获得特征信息；

根据预设的分类模型及所述待识别的图像的特征信息对所述待识别的图像进行识别，获得第一识别结果；其中，所述分类模型为预先根据样本图片的特征信息及所述样本图片是否被编辑过的标签训练获得的模型；

当根据所述第一识别结果确定所述待识别的图像满足预设条件时，确定所述待识别的图像为编辑过的图像。