CN106575223B - 图像分类方法和图像分类装置 - Google Patents

图像分类方法和图像分类装置 Download PDF

Info

Publication number
CN106575223B
CN106575223B CN201480080711.2A CN201480080711A CN106575223B CN 106575223 B CN106575223 B CN 106575223B CN 201480080711 A CN201480080711 A CN 201480080711A CN 106575223 B CN106575223 B CN 106575223B
Authority
CN
China
Prior art keywords
images
image
quality
judging
category
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.)
Active
Application number
CN201480080711.2A
Other languages
English (en)
Other versions
CN106575223A (zh
Inventor
李长宁
张焰焰
慕岳衷
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.)
Yulong Computer Telecommunication Scientific Shenzhen Co Ltd
Original Assignee
Yulong Computer Telecommunication Scientific Shenzhen 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 Yulong Computer Telecommunication Scientific Shenzhen Co Ltd filed Critical Yulong Computer Telecommunication Scientific Shenzhen Co Ltd
Publication of CN106575223A publication Critical patent/CN106575223A/zh
Application granted granted Critical
Publication of CN106575223B publication Critical patent/CN106575223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

提供了一种图像分类方法，包括：分析步骤，对任一图像的质量进行分析；判定步骤，根据分析结果判定所述任一图像所属的质量类别，其中，所述质量类别包括建议保存的第一质量类别和建议删除的第二质量类别。相应地，还提出了一种图像分类装置。通过该技术方案，可以根据图像的质量将图像分类处理，以提高用户体验。

Description

图像分类方法和图像分类装置
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种图像分类方法和一种图像分类装置。
背景技术
用户在拍摄图像时，常常由于拍摄设备的质量原因或用户的拍摄技术原因，拍摄出低质量的图像，一般定义的低质量包括因抖动或者失焦造成图像模糊、相对移动造成图像有拖影以及夜景中的噪点过多，多会从清晰度上对用户的感知造成影响。人们用相机、手机或平板电脑拍完图像以后，可以逐个浏览拍摄到的图像，如图1所示，在手机相册界面上列出了多张图像，用户可以打开每张图像对其质量进行判断，当判断出拍摄的图像质量不好时，可以将质量不好的图像逐个删除，并对剩下的图像进行硬盘备份或云端备份。然而，这样逐个查看并鉴别图像十分耽误时间，有些情况下，用户不去鉴别图像的质量，也就不会去删除任何图像，甚至在没有对图像进行查看并鉴别的情况下，就直接对图像进行了备份，这样就导致备份了很多质量低的图像，极大地浪费了存储空间。
因此，如何对图像进行分类处理，成为目前亟待解决的问题。
发明内容
本发明正是基于上述问题，提出了一种新的技术方案，可以根据图像的质量将图像分类处理。
有鉴于此，本发明提出了一种图像分类方法，包括：分析步骤，对任一图像的质量进行分析；判定步骤，根据分析结果判定所述任一图像所属的质量类别，其中，所述质量类别包括建议保存的第一质量类别和建议删除的第二质量类别。
在该技术方案中，可以根据图像的特性(比如清晰度)来判断图像的质量，通过图像的质量对图像进行分类，并建议保存符合质量要求的图像类别，建议删除不符合质量要求的图像类别。这样，就可以对图像进行分类，并对整个类别进行保存或删除操作，节省了用户的操作时间，提升了用户操作的便利性，同时删除不符合质量要求的图像类别可以节省大量的存储空间。
在上述技术方案中，优选地，所述分析步骤具体包括：根据预设清晰度计算函数计算所述任一图像的清晰度；所述判定步骤具体包括：在所述任一图像的清晰度小于预设的图像清晰度时，判定所述任一图像属于所述第二质量类别；在所述任一图像的清晰度大于或等于所述预设的图像清晰度时，判定所述任一图像属于所述第一质量类别。
在该技术方案中，可以将图像的清晰度作为图像的质量标准。通常情况下，清晰的图像比不清晰的图像包含更多的信息，使用评价函数作为预设清晰度计算函数可以反映表征图像清晰度的一个数值，在评价函数处于最大值时的参考图像即为清晰度最佳的图像。目前，评价清晰度的方法函数有梯度函数、频谱函数以及熵函数等。
例如，采用梯度函数中的Tenengrad函数来计算图像水平和垂直方向的边缘梯度值，并用其平方和来设定图像的清晰度范围。Tenengrad函数使用soble算子来提取边缘的梯度值，梯度值的平方和为：
Figure GPA0000219426140000031
其中S(x，y)是在点(x，y)上与Soble算子的卷积，其计算公式为：
Figure GPA0000219426140000032
其中，Gx(x，y)和Gy(x，y)分别为图像在横向与纵向上的梯度近似值。
另外，还可以采用频谱函数，使用二维的傅里叶变换对图像的空间频率进行分析，以此将图像的高频分量与低频分量分开，清晰的图像会有更尖锐、跳变更强烈的边缘，包含更多的高频分量，所以可以通过评估图像的高频分量来决定图像的清晰度。但是采用频谱函数评估清晰度的计算量很大，可能影响图像处理的效率。
在上述技术方案中，优选地，还包括：获取所有图像，按照所述所有图像的顺序依次判断当前图像与所述当前图像的前一张图像的相似度，在所述相似度大于或等于预设相似度时，将所述当前图像与所述前一张图像定义为同组图像，在所述相似度小于所述预设相似度时，将所述当前图像与所述前一张图像定义为不同组图像。
在该技术方案中，由于用户经常会对某一场景拍摄多张质量不同的图像，有必要首先判别多个图像是否是属于同一个场景，然后再对同场景的图像进行鉴别。同场景的图像由于其相似度较高，即使有质量差别，其清晰度差别也不会太大，所以经过初次判断后，这些图像一般都被归入同一组别，如果直接对这些拍摄内容一致的图像进行保存，会占用大量存储空间，而如果直接对这些拍摄内容一致的图像进行删除，又难保用户不会用到这些图像。因此，还应当对这些内容重复的图像进行再次筛选。
在上述技术方案中，优选地，判断当前图像与所述当前图像的前一张图像的相似度，具体包括：分别将所述当前图像和所述前一张图像划分为多个宏块，获取每个图像的宏块的RGB值并转换成YUV亮度和色度分量；分别计算所述当前图像和所述前一张图像中对应的宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，以得到所述当前图像和所述前一张图像的相似度。
在该技术方案中，可以将图像划分为若干32x32的宏块，获取图片宏块的RGB值并转换成YUV亮度和色度分量，分别计算两幅图片中对应宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，当加和值小于某一阈值时则认为两幅图片比较相似。
在上述技术方案中，优选地，还包括：统计每个所述同组图像中图像的数量；当任一同组图像中图像的数量为一张时，判定所述任一同组图像中的图像属于所述第一质量类别，或者提示用户选择所述任一同组图像中的图像所属的质量类别，并根据所述用户的选择判定所述任一同组图像中的图像属于所述第一质量类别或所述第二质量类别；当所述任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对所述多张图像进行排名；将所述多张图像中排名靠前的预设数量的图像判定为属于所述第一质量类别，将所述多张图像中的其他图像判定为属于所述第二质量类别。
在该技术方案中，当对某场景拍摄的图像只有一张时，即使该图像质量较低，用户也可能希望将其存储起来，因此，当检测到任一同组图像中图像的数量为一张时，可以直接将该组归入第一质量类别，对该组建议保存，也可以向用户提示该组图像的质量较低，应被归入第二质量类别，并为用户提供归入第一质量类别和归入第二质量类别两个选项，由用户根据自身需要来决定该组图像的分类。用户对某一场景拍摄多张内容相同但质量不同的图像由于其相似度一般被归在同一组，如果将这样的图像分组直接保存，不仅会占用大量空间，而且保存大量重复内容也没有实际意义，而如果将这样的图像分组直接删除，又难保用户不会用到这些图像，因此，可以根据图像质量对该图像分组内的图像进行排序，设定一个预设数量，将排名靠前也就是质量相对较高的预设数量的图像归入第一质量类别，将该图像分组内其余排名靠后也就是质量相对较低的图像归入第二质量类别。这样，既可以保证不会丢失对用户可能有用的图像，也避免了存储过多内容重复的图像而浪费存储空间。
在上述技术方案中，优选地，当所述任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对所述多张图像进行排名，具体包括：当所述同一组图像中图像的数量为多张时，判断所述多张图像的主角是否为人；在判断结果为所述多张图像的主角为人时，对所述多张图像中每张图像的人体图像信息进行检测，以得到第一检测结果，其中，所述人体图像信息包括人体占据的图像的整体面积和位置信息、人脸信息和五官信息；根据所述第一检测结果，对所述多张图像进行排名。
在该技术方案中，当主角为人时，首先进行人体检测，根据检测到人体占据的图像的整体面积和位置判断是否是图像中的主角，然后再对主角进行人脸检测和五官检测，若检测不到人脸和五官，表明该照片不是用户想要的照片，很可能是误拍的照片，可以把它放到第二质量类别的低质量照片中备选，而对于人脸和五官都可以正常检测的照片可以再运用曝光检测、锐度检测和噪点检测等维度检测来判断照片的质量，从而对分组内的图像进行排名。
其中，曝光检测为通过判断图像的亮度平均值是否大于阈值来判断图像是否过曝，通过曝光检测可以将过曝的照片放入第二质量类别建议删除。亮度平均值等于照片亮度的总值/像素点总数与场景曝光系数的乘积。场景曝光系数与具体场景有关，考虑到不同场景本身的亮度值不同，设计了场景曝光系数的概念，比如场景为白雪和阳光的情况下本身亮度就很高，而场景本身亮度越高，场景曝光系数就越小，以避免在白雪和阳光等场景下得到的亮度平均值超过阈值。锐度检测是通过对边缘锐度的检测算法，统计图像的某一边缘方向的灰度变化情况来评价图像质量，即灰度变化越剧烈，边缘就越清晰，图像质量就越高。噪点检测则是指根据含噪图像与对应均值图像在各像素点的灰色关联系数来识别噪点。
上述技术方案中，优选地，当所述任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对所述多张图像进行排名，还包括：当判断结果为所述多张图像的主角为物时，对所述多张图像中每张图像的亮度信息、锐度信息以及噪点信息进行检测，以得到第二检测结果；根据所述第二检测结果，对所述多张图像进行排名。
在该技术方案中，当多张图像的主角为物时，对多张图像进行曝光检测、锐度检测和噪点检测等维度检测来判断照片的质量，从而对分组内的图像进行排名。
在上述技术方案中，优选地，还包括：根据接收到的显示命令，对所述第一质量类别中的图像和所述第二质量类别中的图像进行区分显示。
在该技术方案中，将第一质量类别中的图像和第二质量类别中的图像区分显示，便于用户对两个类别的图像分别进行操作。
在上述技术方案中，优选地，还包括：根据接收到的图像类别更改命令，将所述任一图像所属的质量类别由所述第一质量类别更改为所述第二质量类别，或者由所述第二质量类别更改为所述第一质量类别。
在该技术方案中，系统对图像判别和分类是完全依据逻辑和算法的，在系统完成对图像的分类后，用户仍可以根据自身的需求改变图像的分类，比如，用户临时决定保留第二质量类别中的某一图像，不再对它进行删除操作，此时便可以将该图像从第二质量类别调回第一质量类别，将该图像保存。
在上述技术方案中，优选地，还包括：根据接收到的删除命令，删除所述第二质量类别中的所有图像。
在该技术方案中，对第二质量类别中的图像进行统一删除，大大提高了删除图像的效率，使用户不用再逐个判断图像质量再删除图像。
根据本发明的另一方面，还提供了一种图像分类装置，包括：分析单元，对任一图像的质量进行分析；判定单元，根据分析结果判定所述任一图像所属的质量类别，其中，所述质量类别包括建议保存的第一质量类别和建议删除的第二质量类别。
在该技术方案中，可以根据图像的特性(比如清晰度)来判断图像的质量，通过图像的质量对图像进行分类，并建议保存符合质量要求的图像类别，建议删除不符合质量要求的图像类别。这样，通过对图像分类并对整个类别进行保存或删除操作，节省了用户的操作时间，提升了用户操作的便利性，删除不符合质量要求的图像类别可以节省大量的存储空间。
在上述技术方案中，优选地，所述分析单元包括：计算单元，根据预设清晰度计算函数计算所述任一图像的清晰度；以及所述判定单元用于：在所述任一图像的清晰度小于预设的图像清晰度时，判定所述任一图像属于所述第二质量类别，在所述任一图像的清晰度大于或等于所述预设的图像清晰度时，判定所述任一图像属于所述第一质量类别。
在该技术方案中，可以将图像的清晰度作为图像的质量标准。通常情况下，清晰的图像比不清晰的图像包含更多的信息，使用评价函数作为预设清晰度计算函数可以反映表征图像清晰度的一个数值，在评价函数处于最大值时的参考图像即清晰度最佳的图像。目前，评价清晰度的方法函数有梯度函数、频谱函数以及熵函数等。
例如，采用梯度函数中的Tenengrad函数来计算图像水平和垂直方向的边缘梯度值，并用其平方和来设定图像的清晰度范围。Tenengrad函数使用soble算子来提取边缘的梯度值，梯度值的平方和为：
Figure GPA0000219426140000071
其中S(x，y)是在点(x，y)上与Soble算子的卷积，其计算公式为：
Figure GPA0000219426140000081
其中，Gx(x，y)和Gy(x，y)分别为图像在横向与纵向上的梯度近似值。
另外，还可以采用频谱函数，使用二维的傅里叶变换对图像的空间频率进行分析，以此将图像的高频分量与低频分量分开，清晰的图像会有更尖锐、跳变更强烈的边缘，包含更多的高频分量，所以可以通过评估图像的高频分量来决定图像的清晰度。但是采用频谱函数评估清晰度的计算量很大，可能影响图像处理的效率。
在上述技术方案中，优选地，还包括：判断单元，获取所有图像，按照所述所有图像的顺序依次判断当前图像与所述当前图像的前一张图像的相似度；分组单元，在所述相似度大于或等于预设相似度时，将所述当前图像与所述前一张图像定义为同组图像，在所述相似度小于所述预设相似度时，将所述当前图像与所述前一张图像定义为不同组图像。
在该技术方案中，由于用户经常会对某一场景拍摄多张质量不同的图像，有必要首先判别多个图像是否是属于同一个场景，然后再对同场景的图像进行鉴别。同场景的图像由于其相似度较高，即使有质量差别，其清晰度差别也不会太大，所以经过初次判断后，这些图像一般都被归入同一组别，如果直接对这些拍摄内容一致的图像进行保存，会占用大量存储空间，而如果直接对这些拍摄内容一致的图像进行删除，又难保用户不会用到这些图像。因此，还应当对这些内容重复的图像进行再次筛选。
在上述技术方案中，优选地，所述判断单元包括：划分单元，分别将所述当前图像和所述前一张图像划分为多个宏块，获取每个图像的宏块的RGB值并转换成YUV亮度和色度分量；相似度计算单元，分别计算所述当前图像和所述前一张图像中对应的宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，以得到所述当前图像和所述前一张图像的相似度。
在该技术方案中，可以将图像划分为若干32x32的宏块，获取图片宏块的RGB值并转换成YUV亮度和色度分量，分别计算两幅图片中对应宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，当加和值小于某一阈值时则认为两幅图片比较相似。
在上述技术方案中，优选地，还包括：统计单元，统计每个所述同组图像中图像的数量；以及所述判定单元还用于：当任一同组图像中图像的数量为一张时，判定所述任一同组图像中的图像属于所述第一质量类别，或者提示用户选择所述任一同组图像中的图像所属的质量类别，并根据所述用户的选择判定所述任一同组图像中的图像属于所述第一质量类别或所述第二质量类别；所述图像分类装置还包括：质量比较单元，当所述任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对所述多张图像进行排名；所述判定单元还用于：将所述多张图像中排名靠前的预设数量的图像判定为属于所述第一质量类别，将所述多张图像中的其他图像判定为属于所述第二质量类别。
在该技术方案中，当对某场景拍摄的图像只有一张时，即使该图像质量较低，用户也可能希望将其存储起来，因此，当检测到任一同组图像中图像的数量为一张时，可以直接将该组归入第一质量类别，对该组建议保存，也可以向用户提示该组图像的质量较低，应被归入第二质量类别，并为用户提供归入第一质量类别和归入第二质量类别两个选项，由用户根据自身需要来决定该组图像的分类。用户对某一场景拍摄多张内容相同但质量不同的图像由于其相似度一般被归在同一组，如果将这样的图像分组直接保存，不仅会占用大量空间，而且保存大量重复内容也没有实际意义，而如果将这样的图像分组直接删除，又难保用户不会用到这些图像，因此，可以根据图像质量对该图像分组内的图像进行排序，设定一个预设数量，将排名靠前也就是质量相对较高的预设数量的图像归入第一质量类别，将该图像分组内其余排名靠后也就是质量相对较低的图像归入第二质量类别。这样，既可以保证不会丢失对用户可能有用的图像，也避免了存储过多内容重复的图像而浪费存储空间。
在上述技术方案中，优选地，所述质量比较单元包括：主角判断单元，当所述同一组图像中图像的数量为多张时，判断所述多张图像的主角是否为人；第一检测单元，在判断结果为所述多张图像的主角为人时，对所述多张图像中每张图像的人体图像信息进行检测，以得到第一检测结果，其中，所述人体图像信息包括人体占据的图像的整体面积和位置信息、人脸信息和五官信息；第一排名单元，根据所述第一检测结果，对所述多张图像进行排名。
在该技术方案中，当主角为人时，首先进行人体检测，根据检测到人体占据的图像的整体面积和位置判断是否是图像中的主角，然后再对主角进行人脸检测和五官检测，若检测不到人脸和五官，表明该照片不是用户想要的照片，很可能是误拍的照片，可以把它放到第二质量类别的低质量照片中备选，而对于人脸和五官都可以正常检测的照片可以再运用曝光检测、锐度检测和噪点检测等维度检测来判断照片的质量，从而对分组内的图像进行排名。
在上述技术方案中，优选地，所述质量比较单元还包括：第二检测单元，当判断结果为所述多张图像的主角为物时，对所述多张图像中每张图像的亮度信息、锐度信息以及噪点信息进行检测，以得到第二检测结果；第二排名单元，根据所述第二检测结果，对所述多张图像进行排名。
在该技术方案中，当多张图像的主角为物时，对多张图像进行曝光检测、锐度检测和噪点检测等维度检测来判断照片的质量，从而对分组内的图像进行排名。
在上述技术方案中，优选地，还包括：显示单元，根据接收到的显示命令，对所述第一质量类别中的图像和所述第二质量类别中的图像进行区分显示。
在该技术方案中，将第一质量类别中的图像和第二质量类别中的图像区分显示，便于用户对两个类别的图像分别进行操作。
在上述技术方案中，优选地，还包括：类别更改单元，根据接收到的图像类别更改命令，将所述任一图像所属的质量类别由所述第一质量类别更改为所述第二质量类别，或者由所述第二质量类别更改为所述第一质量类别。
在该技术方案中，系统对图像判别和分类是完全依据逻辑和算法的，在系统完成对图像的分类后，用户仍可以根据自身的需求改变图像的分类，比如，用户临时决定保留第二质量类别中的某一图像，不再对它进行删除操作，此时便可以将该图像从第二质量类别调回第一质量类别，将该图像保存。
在上述技术方案中，优选地，还包括：删除单元，根据接收到的删除命令，删除所述第二质量类别中的所有图像。
在该技术方案中，对第二质量类别中的图像进行统一删除，大大提高了删除图像的效率，使用户不用再逐个判断图像质量再删除图像。
通过以上技术方案，可以根据图像的质量将图像分类处理，将用户需要的和不需要的图像区分开来，对用户不需要的图像统一删除，使用户操作简捷方便，同时还可以节省存储空间。
附图说明
图1示出了现有技术中的手机相册界面。
图2示出了根据本发明的实施例的图像分类方法的流程图；
图3示出了根据本发明的实施例的图像分类装置的框图；
图4示出了根据本发明的实施例的清晰图像与模糊图像的对比示意图；
图5A和图5B示出了根据本发明的实施例的手机相册界面。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图2示出了根据本发明的实施例的图像分类方法的流程图。
如图2所示，根据本发明的实施例的图像分类方法，包括：
步骤202，对任一图像的质量进行分析；
步骤204，根据分析结果判定任一图像所属的质量类别，其中，质量类别包括建议保存的第一质量类别和建议删除的第二质量类别。
在该技术方案中，可以根据图像的特性(比如清晰度)来判断图像的质量，通过图像的质量对图像进行分类，并建议保存符合质量要求的图像类别，建议删除不符合质量要求的图像类别。这样，就可以对图像进行分类，并对整个类别进行保存或删除操作，节省了用户的操作时间，提升了用户操作的便利性，删除不符合质量要求的图像类别可以节省大量的存储空间。
在上述技术方案中，优选地，步骤202具体包括：根据预设清晰度计算函数计算任一图像的清晰度；步骤204具体包括：在任一图像的清晰度小于预设的图像清晰度时，判定任一图像属于第二质量类别；在任一图像的清晰度大于或等于预设的图像清晰度时，判定任一图像属于第一质量类别。
在该技术方案中，可以将图像的清晰度作为图像的质量标准。通常情况下，清晰的图像比不清晰的图像包含更多的信息，使用评价函数作为预设清晰度计算函数可以反映表征图像清晰度的一个数值，在评价函数处于最大值时的参考图像即为清晰度最佳的图像。目前，评价清晰度的方法函数有梯度函数、频谱函数以及熵函数等。
例如，采用梯度函数中的Tenengrad函数来计算图像水平和垂直方向的边缘梯度值，并用其平方和来设定图像的清晰度范围。Tenengrad函数使用soble算子来提取边缘的梯度值，梯度值的平方和为：
Figure GPA0000219426140000121
其中S(x，y)是在点(x，y)上与Soble算子的卷积，其计算公式为：
Figure GPA0000219426140000122
其中，Gx(x，y)和Gy(x，y)分别为图像在横向与纵向上的梯度近似值。
另外，还可以采用频谱函数，使用二维的傅里叶变换对图像的空间频率进行分析，以此将图像的高频分量与低频分量分开，清晰的图像会有更尖锐、跳变更强烈的边缘，包含更多的高频分量，所以可以通过评估图像的高频分量来决定图像的清晰度。但是采用频谱函数评估清晰度的计算量很大，可能影响图像处理的效率。
在上述技术方案中，优选地，还包括：获取所有图像，按照所有图像的顺序依次判断当前图像与当前图像的前一张图像的相似度，在相似度大于或等于预设相似度时，将当前图像与前一张图像定义为同组图像，在相似度小于预设相似度时，将当前图像与前一张图像定义为不同组图像。
在该技术方案中，由于用户经常会对某一场景拍摄多张质量不同的图像，有必要首先判别多个图像是否是属于同一个场景，然后再对同场景的图像进行鉴别。同场景的图像由于其相似度较高，即使有质量差别，其清晰度差别也不会太大，所以经过初次判断后，这些图像一般都被归入同一组别，如果直接对这些拍摄内容一致的图像进行保存，会占用大量存储空间，而如果直接对这些拍摄内容一致的图像进行删除，又难保用户不会用到这些图像。因此，还应当对这些内容重复的图像进行再次筛选。
在上述技术方案中，优选地，判断当前图像与当前图像的前一张图像的相似度，具体包括：分别将当前图像和前一张图像划分为多个宏块，获取每个图像的宏块的RGB值并转换成YUV亮度和色度分量；分别计算当前图像和前一张图像中对应的宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，以得到当前图像和前一张图像的相似度。
在该技术方案中，可以将图像划分为若干32x32的宏块，获取图片宏块的RGB值并转换成YUV亮度和色度分量，分别计算两幅图片中对应宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，当加和值小于某一阈值时则认为两幅图片比较相似。
在上述技术方案中，优选地，还包括：统计每个同组图像中图像的数量；以及步骤204还包括：当任一同组图像中图像的数量为一张时，判定任一同组图像中的图像属于第一质量类别，或者提示用户选择任一同组图像中的图像所属的质量类别，并根据用户的选择判定任一同组图像中的图像属于第一质量类别或第二质量类别；当任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对多张图像进行排名；将多张图像中排名靠前的预设数量的图像判定为属于第一质量类别，将多张图像中的其他图像判定为属于第二质量类别。
在该技术方案中，当对某场景拍摄的图像只有一张时，即使该图像质量较低，用户也可能希望将其存储起来，因此，当检测到任一同组图像中图像的数量为一张时，可以直接将该组归入第一质量类别，对该组建议保存，也可以向用户提示该组图像的质量较低，应被归入第二质量类别，并为用户提供归入第一质量类别和归入第二质量类别两个选项，由用户根据自身需要来决定该组图像的分类。用户对某一场景拍摄多张内容相同但质量不同的图像由于其相似度一般被归在同一组，如果将这样的图像分组直接保存，不仅会占用大量空间，而且保存大量重复内容也没有实际意义，而如果将这样的图像分组直接删除，又难保用户不会用到这些图像，因此，可以根据图像质量对该图像分组内的图像进行排序，设定一个预设数量，将排名靠前也就是质量相对较高的预设数量的图像归入第一质量类别，将该图像分组内其余排名靠后也就是质量相对较低的图像归入第二质量类别。这样，既可以保证不会丢失对用户可能有用的图像，也避免了存储过多内容重复的图像而浪费存储空间。
在上述技术方案中，优选地，当任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对多张图像进行排名，具体包括：当同一组图像中图像的数量为多张时，判断多张图像的主角是否为人；在判断结果为多张图像的主角为人时，对多张图像中每张图像的人体图像信息进行检测，以得到第一检测结果，其中，人体图像信息包括人体占据的图像的整体面积和位置信息、人脸信息和五官信息；根据第一检测结果，对多张图像进行排名。
在该技术方案中，当主角为人时，首先进行人体检测，根据检测到人体占据的图像的整体面积和位置判断是否是图像中的主角，然后再对主角进行人脸检测和五官检测，若检测不到人脸和五官，表明该照片不是用户想要的照片，很可能是误拍的照片，可以把它放到第二质量类别的低质量照片中备选，而对于人脸和五官都可以正常检测的照片可以再运用曝光检测、锐度检测和噪点检测等维度检测来判断照片的质量，从而对分组内的图像进行排名。
其中，曝光检测为通过判断图像的亮度平均值是否大于阈值来判断图像是否过曝，通过曝光检测可以将过曝的照片放入第二质量类别建议删除。亮度平均值等于照片亮度的总值/像素点总数与场景曝光系数的乘积。场景曝光系数与具体场景有关，考虑到不同场景本身的亮度值不同，设计了场景曝光系数的概念，比如场景为白雪和阳光的情况下本身亮度就很高，而场景本身亮度越高，场景曝光系数就越小，以避免在白雪和阳光等场景下得到的亮度平均值超过阈值。锐度检测是通过对边缘锐度的检测算法，统计图像的某一边缘方向的灰度变化情况来评价图像质量，即灰度变化越剧烈，边缘就越清晰，图像质量就越高。噪点检测则是指根据含噪图像与对应均值图像在各像素点的灰色关联系数来识别噪点。
上述技术方案中，优选地，当任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对多张图像进行排名，还包括：当判断结果为多张图像的主角为物时，对多张图像中每张图像的亮度信息、锐度信息以及噪点信息进行检测，以得到第二检测结果；根据第二检测结果，对多张图像进行排名。
在该技术方案中，当多张图像的主角为物时，对多张图像进行曝光检测、锐度检测和噪点检测等维度检测来判断照片的质量，从而对分组内的图像进行排名。
在上述技术方案中，优选地，还包括：根据接收到的显示命令，对第一质量类别中的图像和第二质量类别中的图像进行区分显示。
在该技术方案中，将第一质量类别中的图像和第二质量类别中的图像区分显示，便于用户对两个类别的图像分别进行操作。
在上述技术方案中，优选地，还包括：根据接收到的图像类别更改命令，将任一图像所属的质量类别由第一质量类别更改为第二质量类别，或者由第二质量类别更改为第一质量类别。
在该技术方案中，系统对图像判别和分类是完全依据逻辑和算法的，在系统完成对图像的分类后，用户仍可以根据自身的需求改变图像的分类，比如，用户临时决定保留第二质量类别中的某一图像，不再对它进行删除操作，此时便可以将该图像从第二质量类别调回第一质量类别，将该图像保存。
在上述技术方案中，优选地，还包括：根据接收到的删除命令，删除第二质量类别中的所有图像。
在该技术方案中，对第二质量类别中的图像进行统一删除，大大提高了删除图像的效率，使用户不用再逐个判断图像质量再删除图像。
图3示出了根据本发明的实施例的图像分类装置的框图。
如图3所示，根据本发明的实施例的图像分类装置300，包括：分析单元302，对任一图像的质量进行分析；判定单元304，根据分析结果判定任一图像所属的质量类别，其中，质量类别包括建议保存的第一质量类别和建议删除的第二质量类别。
在该技术方案中，可以根据图像的特性(比如清晰度)来判断图像的质量，通过图像的质量对图像进行分类，并建议保存符合质量要求的图像类别，建议删除不符合质量要求的图像类别。这样，就可以对图像进行分类，并对整个类别进行保存或删除操作，节省了用户的操作时间，提升了用户操作的便利性，删除不符合质量要求的图像类别可以节省大量的存储空间。
在上述技术方案中，优选地，分析单元302包括：计算单元3022，根据预设清晰度计算函数计算任一图像的清晰度；以及判定单元304用于：在任一图像的清晰度小于预设的图像清晰度时，判定任一图像属于第二质量类别，在任一图像的清晰度大于或等于预设的图像清晰度时，判定任一图像属于第一质量类别。
在该技术方案中，可以将图像的清晰度作为图像的质量标准。通常情况下，清晰的图像比不清晰的图像包含更多的信息，使用评价函数作为预设清晰度计算函数可以反映表征图像清晰度的一个数值，在评价函数处于最大值时的参考图像即为清晰度最佳的图像。目前，评价清晰度的方法函数有梯度函数、频谱函数以及熵函数等。
例如，采用梯度函数中的Tenengrad函数来计算图像水平和垂直方向的边缘梯度值，并用其平方和来设定图像的清晰度范围。Tenengrad函数使用soble算子来提取边缘的梯度值，梯度值的平方和为：
Figure GPA0000219426140000161
其中S(x，y)是在点(x，y)上与Soble算子的卷积，其计算公式为：
Figure GPA0000219426140000171
其中，Gx(x，y)和Gy(x，y)分别为图像在横向与纵向上的梯度近似值。
另外，还可以采用频谱函数，使用二维的傅里叶变换对图像的空间频率进行分析，以此将图像的高频分量与低频分量分开，清晰的图像会有更尖锐、跳变更强烈的边缘，包含更多的高频分量，所以可以通过评估图像的高频分量来决定图像的清晰度。但是采用频谱函数评估清晰度的计算量很大，可能影响图像处理的效率。
在上述技术方案中，优选地，还包括：判断单元306，获取所有图像，按照所有图像的顺序依次判断当前图像与当前图像的前一张图像的相似度；分组单元308，在相似度大于或等于预设相似度时，将当前图像与前一张图像定义为同组图像，在相似度小于预设相似度时，将当前图像与前一张图像定义为不同组图像。
在该技术方案中，由于用户经常会对某一场景拍摄多张质量不同的图像，有必要首先判别多个图像是否是属于同一个场景，然后再对同场景的图像进行鉴别。同场景的图像由于其相似度较高，即使有质量差别，其清晰度差别也不会太大，所以经过初次判断后，这些图像一般都被归入同一组别，如果直接对这些拍摄内容一致的图像进行保存，会占用大量存储空间，而如果直接对这些拍摄内容一致的图像进行删除，又难保用户不会用到这些图像。因此，还应当对这些内容重复的图像进行再次筛选。
在上述技术方案中，优选地，判断单元306包括：划分单元3062，分别将当前图像和前一张图像划分为多个宏块，获取每个图像的宏块的RGB值并转换成YUV亮度和色度分量；相似度计算单元3064，分别计算当前图像和前一张图像中对应的宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，以得到当前图像和前一张图像的相似度。
在该技术方案中，可以将图像划分为若干32x32的宏块，获取图片宏块的RGB值并转换成YUV亮度和色度分量，分别计算两幅图片中对应宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，当加和值小于某一阈值时则认为两幅图片比较相似。
在上述技术方案中，优选地，还包括：统计单元310，统计每个同组图像中图像的数量；以及判定单元304还用于：当任一同组图像中图像的数量为一张时，判定任一同组图像中的图像属于第一质量类别，或者提示用户选择任一同组图像中的图像所属的质量类别，并根据用户的选择判定任一同组图像中的图像属于第一质量类别或第二质量类别；图像分类装置300还包括：质量比较单元312，当任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对多张图像进行排名；判定单元304还用于：将多张图像中排名靠前的预设数量的图像判定为属于第一质量类别，将多张图像中的其他图像判定为属于第二质量类别。
在该技术方案中，当对某场景拍摄的图像只有一张时，即使该图像质量较低，用户也可能希望将其存储起来，因此，当检测到任一同组图像中图像的数量为一张时，可以直接将该组归入第一质量类别，对该组建议保存，也可以向用户提示该组图像的质量较低，应被归入第二质量类别，并为用户提供归入第一质量类别和归入第二质量类别两个选项，由用户根据自身需要来决定该组图像的分类。用户对某一场景拍摄多张内容相同但质量不同的图像由于其相似度一般被归在同一组，如果将这样的图像分组直接保存，不仅会占用大量空间，而且保存大量重复内容也没有实际意义，而如果将这样的图像分组直接删除，又难保用户不会用到这些图像，因此，可以根据图像质量对该图像分组内的图像进行排序，设定一个预设数量，将排名靠前也就是质量相对较高的预设数量的图像归入第一质量类别，将该图像分组内其余排名靠后也就是质量相对较低的图像归入第二质量类别。这样，既可以保证不会丢失对用户可能有用的图像，也避免了存储过多内容重复的图像而浪费存储空间。
在上述技术方案中，优选地，质量比较单元312包括：主角判断单元3122，当同一组图像中图像的数量为多张时，判断多张图像的主角是否为人；第一检测单元3124，在判断结果为多张图像的主角为人时，对多张图像中每张图像的人体图像信息进行检测，以得到第一检测结果，其中，人体图像信息包括人体占据的图像的整体面积和位置信息、人脸信息和五官信息；第一排名单元，根据第一检测结果，对多张图像进行排名。
在该技术方案中，当主角为人时，首先进行人体检测，根据检测到人体占据的图像的整体面积和位置判断是否是图像中的主角，然后再对主角进行人脸检测和五官检测，若检测不到人脸和五官，表明该照片不是用户想要的照片，很可能是误拍的照片，可以把它放到第二质量类别的低质量照片中备选，而对于人脸和五官都可以正常检测的照片可以再运用曝光检测、锐度检测和噪点检测等维度检测来判断照片的质量，从而对分组内的图像进行排名。
在上述技术方案中，优选地，质量比较单元312还包括：第二检测单元3126，当判断结果为多张图像的主角为物时，对多张图像中每张图像的亮度信息、锐度信息以及噪点信息进行检测，以得到第二检测结果；第二排名单元，根据第二检测结果，对多张图像进行排名。
在该技术方案中，当多张图像的主角为物时，对多张图像进行曝光检测、锐度检测和噪点检测等维度检测来判断照片的质量，从而对分组内的图像进行排名。
在上述技术方案中，优选地，还包括：显示单元314，根据接收到的显示命令，对第一质量类别中的图像和第二质量类别中的图像进行区分显示。
在该技术方案中，将第一质量类别中的图像和第二质量类别中的图像区分显示，便于用户对两个类别的图像分别进行操作。
在上述技术方案中，优选地，还包括：类别更改单元316，根据接收到的图像类别更改命令，将任一图像所属的质量类别由第一质量类别更改为第二质量类别，或者由第二质量类别更改为第一质量类别。
在该技术方案中，系统对图像判别和分类是完全依据逻辑和算法的，在系统完成对图像的分类后，用户仍可以根据自身的需求改变图像的分类，比如，用户临时决定保留第二质量类别中的某一图像，不再对它进行删除操作，此时便可以将该图像从第二质量类别调回第一质量类别，将该图像保存。
在上述技术方案中，优选地，还包括：删除单元318，根据接收到的删除命令，删除第二质量类别中的所有图像。
在该技术方案中，对第二质量类别中的图像进行统一删除，大大提高了删除图像的效率，使用户不用再逐个判断图像质量再删除图像。
图4示出了根据本发明的实施例的清晰图像与模糊图像的对比示意图。
如图4所示，在经过放大图像后可以发现，清晰图像和模糊图像的清晰度差异很大，清晰度较高的图像质量更好，因此，可以将图像的清晰度作为图像的质量标准，对图像进行分类。
根据局部放大后的清晰图像和模糊图像可知，通常情况下，清晰的图像比不清晰的图像包含更多的信息，使用评价函数作为预设清晰度计算函数可以反映表征图像清晰度的一个数值，在评价函数处于最大值时的参考图像即清晰度最佳的图像。目前，评价清晰度的方法函数有梯度函数、频谱函数以及熵函数。
例如，采用梯度函数中的Tenengrad函数来计算图像水平和垂直方向的边缘梯度值，并用其平方和来设定图像的清晰度范围。Tenengrad函数使用soble算子来提取边缘的梯度值，梯度值的平方和为：
Figure GPA0000219426140000201
其中S(x，y)是在点(x，y)上与Soble算子的卷积，其计算公式为：
Figure GPA0000219426140000202
其中，Gx(x，y)和Gy(x，y)分别为图像在横向与纵向上的梯度近似值。
另外，还可以采用频谱函数，使用二维的傅里叶变换对图像的空间频率进行分析，以此将图像的高频分量与低频分量分开，清晰的图像会有更尖锐、跳变更强烈的边缘，包含更多的高频分量，所以可以通过评估图像的高频分量来决定图像的清晰度。但是采用频谱函数评估清晰度的计算量很大，可能影响图像处理的效率。
根据清晰度进行了图像质量评价以后，就可以将判别出的低质量图像提取出来，归为“低质量照片”一类。这样，批量地删除不符合质量要求的“低质量照片”既可以使用户操作简便，还可以节省大量的存储空间。
图5A和图5B示出了根据本发明的实施例的手机相册界面。
如图5A所示，在手机相册界面设置“所有图像”选项和“低质量图像”选项。低质量图像的搜索过程和鉴别过程可以通过两种方式来实现，可以对拍摄的所有图像进行批量处理，在相册中对每一张图像分别进行鉴别，分出低质量图像组，也可以每拍一张图像就鉴别一次，并将低质量图像进行归类归入低质量图像组。这样一种搜索和鉴别方法可以在相册的后台处理完成。处理完毕后，可以在手机相册界面中显示“所有图像”选项和“低质量图像”选项，这样就可以给用户一个选择，让用户自己选择是查看所有图像还是只查看低质量图像。
当用户选择“低质量图像”选项后，就可以得到如图5B示出的低质量图像界面，该界面只显示手机自动鉴别出的低质量图像，让其展示在用户眼前，让用户自行决定是否将其中的某些图像删除。
以上结合附图详细说明了本发明的技术方案，通过本发明的技术方案，可以根据图像的质量将图像分类处理，将用户需要的和不需要的图像区分开来，对用户不需要的图像统一删除，使用户操作简捷方便，同时还可以节省存储空间。
根据本发明的实施方式，还提供了一种存储在非易失性机器可读介质上的程序产品，用于终端中的图像分类，所述程序产品包括用于使计算机系统执行以下步骤的机器可执行指令：对任一图像的质量进行分析；根据分析结果判定所述任一图像所属的质量类别，其中，所述质量类别包括建议保存的第一质量类别和建议删除的第二质量类别。
根据本发明的实施方式，还提供了一种非易失机器可读介质，存储有用于终端中图像分类的程序产品，所述程序产品包括用于使计算机系统执行以下步骤的机器可执行指令：对任一图像的质量进行分析；根据分析结果判定所述任一图像所属的质量类别，其中，所述质量类别包括建议保存的第一质量类别和建议删除的第二质量类别。
根据本发明的实施方式，还提供了一种机器可读程序，所述程序使机器执行如上所述技术方案中任一所述的图像分类方法。
根据本发明的实施方式，还提供了一种存储有机器可读程序的存储介质，其中，所述机器可读程序使得机器执行如上所述技术方案中任一所述的图像分类方法。
在本发明中，术语“第一”、“第二”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”表示两个或两个以上。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种图像分类方法，其特征在于，包括：
分析步骤，对任一图像的质量进行分析；
判定步骤，根据分析结果判定所述任一图像所属的质量类别，其中，所述质量类别包括建议保存的第一质量类别和建议删除的第二质量类别；
获取所有图像，按照所述所有图像的顺序依次判断当前图像与所述当前图像的前一张图像的相似度，在所述相似度大于或等于预设相似度时，将所述当前图像与所述前一张图像定义为同组图像，在所述相似度小于所述预设相似度时，将所述当前图像与所述前一张图像定义为不同组图像；
其中，判断当前图像与所述当前图像的前一张图像的相似度，具体包括：
分别将所述当前图像和所述前一张图像划分为多个宏块，获取每个图像的宏块的RGB值并转换成YUV亮度和色度分量；
分别计算所述当前图像和所述前一张图像中对应的宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，以得到所述当前图像和所述前一张图像的相似度。
2.根据权利要求1所述的图像分类方法，其特征在于，
所述分析步骤具体包括：
根据预设清晰度计算函数计算所述任一图像的清晰度；
所述判定步骤具体包括：
在所述任一图像的清晰度小于预设的图像清晰度时，判定所述任一图像属于所述第二质量类别；
在所述任一图像的清晰度大于或等于所述预设的图像清晰度时，判定所述任一图像属于所述第一质量类别。
3.根据权利要求1所述的图像分类方法，其特征在于，还包括：
统计每个所述同组图像中图像的数量；
当任一同组图像中图像的数量为一张时，判定所述任一同组图像中的图像属于所述第一质量类别，或者
提示用户选择所述任一同组图像中的图像所属的质量类别，并根据所述用户的选择判定所述任一同组图像中的图像属于所述第一质量类别或所述第二质量类别；
当所述任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对所述多张图像进行排名；
将所述多张图像中排名靠前的预设数量的图像判定为属于所述第一质量类别，将所述多张图像中的其他图像判定为属于所述第二质量类别。
4.根据权利要求3所述的图像分类方法，其特征在于，当所述任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对所述多张图像进行排名，具体包括：
当所述同一组图像中图像的数量为多张时，判断所述多张图像的主角是否为人；
在判断结果为所述多张图像的主角为人时，对所述多张图像中每张图像的人体图像信息进行检测，以得到第一检测结果，其中，所述人体图像信息包括人体占据的图像的整体面积和位置信息、人脸信息和五官信息；
根据所述第一检测结果，对所述多张图像进行排名。
5.根据权利要求4所述的图像分类方法，其特征在于，当所述任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对所述多张图像进行排名，还包括：
当判断结果为所述多张图像的主角为物时，对所述多张图像中每张图像的亮度信息、锐度信息以及噪点信息进行检测，以得到第二检测结果；
根据所述第二检测结果，对所述多张图像进行排名。
6.根据权利要求1所述的图像分类方法，其特征在于，还包括：
根据接收到的显示命令，对所述第一质量类别中的图像和所述第二质量类别中的图像进行区分显示。
7.根据权利要求1所述的图像分类方法，其特征在于，还包括：
根据接收到的图像类别更改命令，将所述任一图像所属的质量类别由所述第一质量类别更改为所述第二质量类别，或者由所述第二质量类别更改为所述第一质量类别。
8.根据权利要求1至7中任一项所述的图像分类方法，其特征在于，还包括：
根据接收到的删除命令，删除所述第二质量类别中的所有图像。
9.一种图像分类装置，其特征在于，包括：
分析单元，对任一图像的质量进行分析；
判定单元，根据分析结果判定所述任一图像所属的质量类别，其中，所述质量类别包括建议保存的第一质量类别和建议删除的第二质量类别；
判断单元，获取所有图像，按照所述所有图像的顺序依次判断当前图像与所述当前图像的前一张图像的相似度；
分组单元，在所述相似度大于或等于预设相似度时，将所述当前图像与所述前一张图像定义为同组图像，在所述相似度小于所述预设相似度时，将所述当前图像与所述前一张图像定义为不同组图像；
其中，所述判断单元包括：
划分单元，分别将所述当前图像和所述前一张图像划分为多个宏块，获取每个图像的宏块的RGB值并转换成YUV亮度和色度分量；
相似度计算单元，分别计算所述当前图像和所述前一张图像中对应的宏块的YUV分量的均方差值，并将所有宏块的YUV均方差值进行加和，以得到所述当前图像和所述前一张图像的相似度。
10.根据权利要求9所述的图像分类装置，其特征在于，
所述分析单元包括：
计算单元，根据预设清晰度计算函数计算所述任一图像的清晰度；以及
所述判定单元用于：
在所述任一图像的清晰度小于预设的图像清晰度时，判定所述任一图像属于所述第二质量类别，
在所述任一图像的清晰度大于或等于所述预设的图像清晰度时，判定所述任一图像属于所述第一质量类别。
11.根据权利要求9所述的图像分类装置，其特征在于，还包括：
统计单元，统计每个所述同组图像中图像的数量；以及
所述判定单元还用于：
当任一同组图像中图像的数量为一张时，判定所述任一同组图像中的图像属于所述第一质量类别，或者
提示用户选择所述任一同组图像中的图像所属的质量类别，并根据所述用户的选择判定所述任一同组图像中的图像属于所述第一质量类别或所述第二质量类别；
所述图像分类装置还包括：
质量比较单元，当所述任一同组图像中图像的数量为多张时，将多张图像的质量进行比较，并根据比较结果对所述多张图像进行排名；
所述判定单元还用于：
将所述多张图像中排名靠前的预设数量的图像判定为属于所述第一质量类别，将所述多张图像中的其他图像判定为属于所述第二质量类别。
12.根据权利要求11所述的图像分类装置，其特征在于，所述质量比较单元包括：
主角判断单元，当所述同一组图像中图像的数量为多张时，判断所述多张图像的主角是否为人；
第一检测单元，在判断结果为所述多张图像的主角为人时，对所述多张图像中每张图像的人体图像信息进行检测，以得到第一检测结果，其中，所述人体图像信息包括人体占据的图像的整体面积和位置信息、人脸信息和五官信息；
第一排名单元，根据所述第一检测结果，对所述多张图像进行排名。
13.根据权利要求12所述的图像分类装置，其特征在于，所述质量比较单元还包括：
第二检测单元，当判断结果为所述多张图像的主角为物时，对所述多张图像中每张图像的亮度信息、锐度信息以及噪点信息进行检测，以得到第二检测结果；
第二排名单元，根据所述第二检测结果，对所述多张图像进行排名。
14.根据权利要求9所述的图像分类装置，其特征在于，还包括：
显示单元，根据接收到的显示命令，对所述第一质量类别中的图像和所述第二质量类别中的图像进行区分显示。
15.根据权利要求9所述的图像分类装置，其特征在于，还包括：
类别更改单元，根据接收到的图像类别更改命令，将所述任一图像所属的质量类别由所述第一质量类别更改为所述第二质量类别，或者由所述第二质量类别更改为所述第一质量类别。
16.根据权利要求9至15中任一项所述的图像分类装置，其特征在于，还包括：
删除单元，根据接收到的删除命令，删除所述第二质量类别中的所有图像。
CN201480080711.2A 2014-07-21 2014-07-21 图像分类方法和图像分类装置 Active CN106575223B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2014/082657 WO2016011589A1 (zh) 2014-07-21 2014-07-21 图像分类方法和图像分类装置

Publications (2)

Publication Number Publication Date
CN106575223A CN106575223A (zh) 2017-04-19
CN106575223B true CN106575223B (zh) 2020-05-19

Family

ID=55162394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480080711.2A Active CN106575223B (zh) 2014-07-21 2014-07-21 图像分类方法和图像分类装置

Country Status (4)

Country Link
US (1) US10289939B2 (zh)
EP (1) EP3196758B1 (zh)
CN (1) CN106575223B (zh)
WO (1) WO2016011589A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114025104A (zh) * 2021-11-03 2022-02-08 江苏金视传奇科技有限公司 一种彩色图像显示装置及彩色图像显示系统

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10509770B2 (en) 2015-07-13 2019-12-17 Samsung Electronics Co., Ltd. Heuristic interface for enabling a computer device to utilize data property-based data placement inside a nonvolatile memory device
US11461010B2 (en) 2015-07-13 2022-10-04 Samsung Electronics Co., Ltd. Data property-based data placement in a nonvolatile memory device
US10282324B2 (en) 2015-07-13 2019-05-07 Samsung Electronics Co., Ltd. Smart I/O stream detection based on multiple attributes
US10296264B2 (en) 2016-02-09 2019-05-21 Samsung Electronics Co., Ltd. Automatic I/O stream selection for storage devices
CN108241821A (zh) * 2016-12-23 2018-07-03 北京三星通信技术研究有限公司 图像处理设备和方法
US11748877B2 (en) * 2017-05-11 2023-09-05 The Research Foundation For The State University Of New York System and method associated with predicting segmentation quality of objects in analysis of copious image data
US10901907B2 (en) 2017-10-19 2021-01-26 Samsung Electronics Co., Ltd. System and method for identifying hot data and stream in a solid-state drive
CN108875518A (zh) * 2017-12-15 2018-11-23 北京旷视科技有限公司 图像处理与图像分类方法、装置和系统及存储介质
CN108109145A (zh) * 2018-01-02 2018-06-01 中兴通讯股份有限公司 图像质量检测方法、装置、存储介质和电子装置
CN108804653A (zh) * 2018-06-07 2018-11-13 联想(北京)有限公司 用于图片处理的方法、装置以及电子设备
CN116843683B (zh) * 2023-08-30 2024-03-05 荣耀终端有限公司 设备成像清晰度评估方法、系统和装置
CN118467771B (zh) * 2024-07-05 2024-10-01 杭州海康威视数字技术股份有限公司 图片处理方法、装置及计算机设备

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6535636B1 (en) * 1999-03-23 2003-03-18 Eastman Kodak Company Method for automatically detecting digital images that are undesirable for placing in albums
US6301440B1 (en) 2000-04-13 2001-10-09 International Business Machines Corp. System and method for automatically setting image acquisition controls
US7809197B2 (en) * 2004-12-09 2010-10-05 Eastman Kodak Company Method for automatically determining the acceptability of a digital image
JP4418400B2 (ja) * 2005-05-20 2010-02-17 オリンパスメディカルシステムズ株式会社 画像表示装置
WO2007000999A1 (ja) 2005-06-27 2007-01-04 Pioneer Corporation 画像分析装置および画像分析方法
CN101414348A (zh) * 2007-10-19 2009-04-22 三星电子株式会社 多角度人脸识别方法和系统
CN101860680B (zh) * 2009-04-08 2011-12-21 鸿富锦精密工业（深圳）有限公司 影像处理装置及其影像处理方法
US8300929B2 (en) 2009-10-07 2012-10-30 Seiko Epson Corporation Automatic red-eye object classification in digital photographic images
US8346767B2 (en) * 2010-04-21 2013-01-01 Microsoft Corporation Image search result summarization with informative priors
CN101853504B (zh) * 2010-05-07 2012-04-25 厦门大学 基于视觉特性与结构相似度的图像质量评测方法
US8635172B1 (en) * 2011-10-07 2014-01-21 Google Inc. Dynamic techniques for evaluating quality of clustering or classification system aimed to minimize the number of manual reviews based on Bayesian inference and Markov Chain Monte Carlo (MCMC) techniques
CN103369209B (zh) * 2013-07-31 2016-08-17 上海通途半导体科技有限公司 视频降噪装置及方法
CN103412753A (zh) 2013-08-12 2013-11-27 宇龙计算机通信科技(深圳)有限公司 图片删除方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114025104A (zh) * 2021-11-03 2022-02-08 江苏金视传奇科技有限公司 一种彩色图像显示装置及彩色图像显示系统
CN114025104B (zh) * 2021-11-03 2024-02-20 江苏金视传奇科技有限公司 一种彩色图像显示装置及彩色图像显示系统

Also Published As

Publication number Publication date
EP3196758B1 (en) 2021-07-07
CN106575223A (zh) 2017-04-19
US10289939B2 (en) 2019-05-14
WO2016011589A1 (zh) 2016-01-28
EP3196758A1 (en) 2017-07-26
EP3196758A4 (en) 2018-03-28
US20170308772A1 (en) 2017-10-26

Similar Documents

Publication Publication Date Title
CN106575223B (zh) 图像分类方法和图像分类装置
US8442268B2 (en) Video analysis apparatus and method for calculating interpersonal relationship evaluation value using video analysis
JP4553650B2 (ja) 画像グループの表現方法および表現方法によって導出される記述子、探索方法、装置、コンピュータプログラム、ならびに記憶媒体
KR102138950B1 (ko) 조합된 깊이 큐들에 기초하여 모노스코픽 이미지로부터 깊이 맵 생성
CN105472239B (zh) 照片处理方法及装置
US9514225B2 (en) Video recording apparatus supporting smart search and smart search method performed using video recording apparatus
KR101942987B1 (ko) 동영상 배경 제거 방법, 시스템 및 컴퓨터 판독가능 저장장치
AU2017261537A1 (en) Automated selection of keeper images from a burst photo captured set
CN104185981A (zh) 从连拍图像中选择图像的方法和终端
CN108830892B (zh) 人脸图像处理方法、装置、电子设备及计算机可读存储介质
CN106777007A (zh) 相册分类优化方法、装置及移动终端
US9305208B2 (en) System and method for recognizing offensive images
CN111935479B (zh) 一种目标图像确定方法、装置、计算机设备及存储介质
CN105243371A (zh) 一种人脸美颜程度的检测方法、系统及拍摄终端
CN111183630B (zh) 一种智能终端的照片处理方法及处理装置
CN111125390A (zh) 数据库更新方法和装置、电子设备、计算机存储介质
WO2015196681A1 (zh) 一种图片处理方法及电子设备
CN106570466B (zh) 视频分类方法及系统
CN111126300A (zh) 一种人体图像检测方法、装置和电子设备及可读存储介质
KR20080079443A (ko) 영상으로부터의 객체 검출 방법 및 장치
JP6463095B2 (ja) 画像検索装置及び方法
WO2019047664A1 (zh) 码率控制方法、装置、图像采集设备及可读存储介质
CN112784854A (zh) 基于数理统计的服装颜色分割提取方法、装置和设备
Nakashima et al. Automatically protecting privacy in consumer generated videos using intended human object detector
CN108174091B (zh) 图像处理方法、装置、存储介质及电子设备

Legal Events

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