CN107341190B - 图片筛选方法、终端及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种图片筛选方法、终端及计算机可读存储介质，先通过预设学习法预先学习到的标准分类特征值集合中对应的标准分类特征值，该标准分类特征为对应标准图片的图片特征值。然后在接收到图片筛选指令后，从包含各待筛选图片的图片集合中按预设学习法学习各待筛选图片的分类特征值之集合，将学习到的各待筛选图片各自的分类特征值集合中的各分类特征值与通过预设学习法预先学习到的标准分类特征值集合中对应的标准分类特征值进行匹配，从而从各待筛选图片中选出分类特征值集合与标准分类特征值集合匹配的目标图片存入目标图片集合中，并不需要手动对图片筛选，可以简化筛选时的手动操作，并提升筛选处理效率，进而提升用户体验的满意度。

Description

图片筛选方法、终端及计算机可读存储介质

技术领域

本发明涉及多媒体信息技术领域，更具体地说，涉及一种图片筛选方法、终端及计算机可读存储介质。

背景技术

在日常生活中，人们出行通常会拍照，比如，想给身边的人拍个照片，或者想拍某一个景色(花朵)。为了获得拍照效果比较好的照片，通常人们针对同一景色不止会拍一张，比如，会对同一朵花、同一个人、同一个景色，拍出很多张照片，但是终端内存是有限的，而用户拍摄针对同一事物拍摄多张照片，若都保存下来，显然需要占用大量的内存，而且在相册中一般也不会存储同一个事物的多张照片，比较浪费内存。为了节约内存，终端用户在拍摄完毕后一般会从拍摄的多张照片中选出终端用户认为效果最好的一张或几张图片，将其余的照片删除。但目前的筛选方式通常是手动筛选用户自己比较满意的照片，这就需要用户不停地对比翻看，这就降低了筛选图片的效率，甚至到最后的几张照片，即使对比翻看也还是难以取舍，降低了用户手动筛选图片体验的满意度。

下面以移动终端是手机为例，用户针对同一个人物拍摄多张照片的情况进行示例说明。假设用户手机对同一个人拍了十多张甚至几十张上百张照片，用户手动筛选的话，就需要用户浏览所有的照片，在从大量的照片中筛选喜欢的照片，比较浪费时间，而且用户浏览所有的照片，也是一张一张地浏览，照片数量太多，对于用户来说，浏览比较耗费精力，有可能浏览完所有照片后，发现自己喜欢的照片排在前面，还需要用户再返回去浏览，面对海量的照片，也有可能出现漏选的现象。再者，用户浏览大量的照片，手动筛选，势必就需要用户对手机上的照片进行浏览、选择等操作，操作较为繁琐。同时，用户每次选择了一张照片，手机就根据用户的操作对照片进行保存，用户和手机的交互也较多，也增加了手机的负担，降低了手机的处理效率。

发明内容

本发明要解决的技术问题在于：现有终端进行图片筛选时仅支持用户手动筛选，导致筛选操作繁琐、筛选效率低，进而导致用户体验差的问题。针对该技术问题，提供一种图片筛选方法、终端及计算机可读存储介质。

为解决上述技术问题，本发明提供一种图片筛选方法，所述图片筛选方法包括：

接收图片筛选指令；

从包含各待筛选图片的图片集合中按预设学习法学习所述各待筛选图片的分类特征值之集合，得到所述各待筛选图片各自的分类特征值集合；

将学习到的所述各待筛选图片各自的分类特征值集合中的各分类特征值与通过所述预设学习法预先学习到的标准分类特征值集合中对应的标准分类特征值进行匹配，从所述各待筛选图片中选出分类特征值集合与所述标准分类特征值集合匹配的目标图片存入目标图片集合中。

进一步地，通过所述预设学习法预先学习标准分类特征值集合包括：

确定各待学习图片中的标准图片；

将所述各待学习图片作为所述预设学习法的输入，并将所述各待学习图片中的标准图片作为所述预设学习法的输出，通过所述预设学习法学习将所述标准图片从所述各待学习图片中划分出来的分类特征值之集合作为标准分类特征值集合，所述各待学习图片为同一类对象的图片。

进一步地，所述待筛选图片为同一类对象图片；所述标准分类特征值集合对应的待学习图片所对应的对象与所述待筛选图片相同；

所述从包含各待筛选图片的图片集合中按预设学习法学习所述各待筛选图片的分类特征值之集合包括：

将所述各待筛选图片作为所述预设学习法的输入，通过预设学习法学习所述各待筛选图片的分类特征值之集合。

进一步地，从所述各待筛选图片中选出分类特征值集合与所述标准分类特征值集合匹配的目标图片存入目标图片集合中后，还包括：

检测到所述目标图片集合中的目标图片被更新时，将更新后的所述目标集合中当前的图片作为所述预设学习法的输出，并将所述图片集合中的各待筛选图片作为所述预设学习法的输入，通过所述预设学习法学习将所述更新后的所述目标集合中当前的图片从所述各筛选习图片中划分出来的分类特征值之集合作为新标准分类特征值集合；

通过所述新标准分类特征集合对所述标准分类特征值集合进行更新。

进一步地，通过所述新标准分类特征集合对所述标准分类特征值集合进行更新包括以下更新方式中的至少一种：

将所述标准分类特征值集合中的各标准分类特征值替换为所述新标准分类特征集合中对应的新标准分类特征值；

将所述标准分类特征值集合中的各标准分类特征值与所述新标准分类特征集合中对应的新标准分类特征值进行加权求和取加权求和得到的分类特征值，所述标准分类特征值的权值与所述新标准分类特征值的权重之和等于1。

进一步地，所述预设学习法为具备输入层，隐藏层和输出层的栈式自编码学习法；所述各待学习图片作为所述输入层的输入，所述标准图片作为所述输出层的输出，所述标准分类特征值集合为所述隐藏层从所述输入层输入的图片中提取能将所述标准图片从所述各待学习图片中划分出来的各分类特征值的集合。

进一步地，所述各待学习图片为对同一类对象拍摄得到的多张相片，所述标准图片为根据用户选择指令从所述多张相片中选中的图片。

进一步地，从所述各待筛选图片中选出分类特征值集合与所述标准分类特征值集合匹配的目标图片存入目标图片集合中后，还包括将所述图片集合中的各待筛选图片删除。

本发明还提供了一种终端，包括第一处理器、第一存储器及第一通信总线；

所述第一通信总线用于实现所述第一处理器和所述第一存储器之间的连接通信；

所述第一处理器用于执行所述第一存储器中存储的图片筛选程序，以实现如上所述的图片筛选方法中的步骤。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有图片筛选程序，所述图片筛选程序被处理器执行时实现如上所述的图片筛选方法中的步骤。

有益效果

本发明提供一种图片筛选方法、终端及计算机可读存储介质，先通过预设学习法预先学习到的标准分类特征值集合中对应的标准分类特征值，该标准分类特征为对应标准图片(例如符合用户筛选习惯的图片或者其他标准的图片)的图片特征值。然后在接收到图片筛选指令后，从包含各待筛选图片的图片集合中按预设学习法学习各待筛选图片的分类特征值之集合，将学习到的各待筛选图片各自的分类特征值集合中的各分类特征值与通过预设学习法预先学习到的标准分类特征值集合中对应的标准分类特征值进行匹配，从而从各待筛选图片中选出分类特征值集合与标准分类特征值集合匹配的目标图片存入目标图片集合中；也即自动从待筛选图片中选择出与预先学习到的标准图片相匹配的图片，并不需要手动对图片筛选，因此可以简化筛选时的手动操作，并提升筛选处理效率，进而提升用户体验的满意度。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为实现本发明各个实施例一个可选的移动应用设备的硬件结构示意图；

图2为实现本发明各个实施例一个通信网络系统架构图；

图3为本发明第一实施例提供的图片筛选方法流程示意图；

图4为本发明第一实施例提供的学习标准分类特征值集合流程示意图；

图5为本发明第一实施例提供的标准分类特征值校正流程示意图；

图6为本发明第二实施例提供的图片学习和图片筛选流程示意图；

图7为本发明第三实施例提供的终端结构示意图；

图8为本发明第四实施例提供的手机前置摄像头拍摄示意图；

图9为本发明第四实施例提供的通过手机前置摄像头拍得照片示意图；

图10为本发明第四实施例提供的标准分类特征值集合学习示意图；

图11为本发明第四实施例提供的利用图10的学习结果进行筛选示意图；

图12为本发明第四实施例提供的标准分类特征值集合重学习示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如″模块″、″部件″或″单元″的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，″模块″、″部件″或″单元″可以混合地使用。

终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。

后续描述中将以移动终端为例进行说明，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。

请参阅图1，其为实现本发明各个实施例的一种移动终端的硬件结构示意图，该移动终端100可以包括：RF(Radio Frequency，射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解，图1中示出的移动终端结构并不构成对移动终端的限定，移动终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图1对移动终端的各个部件进行具体的介绍：

射频单元101可用于收发信息或通话过程中，信号的接收和发送，具体的，将基站的下行信息接收后，给处理器110处理；另外，将上行的数据发送给基站。通常，射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000，码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access，宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access，时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution，频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution，分时双工长期演进)等。

WiFi属于短距离无线传输技术，移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102，但是可以理解的是，其并不属于移动终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。

A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据)，并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。

移动终端100还包括至少一种传感器105，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度，接近传感器可在移动终端100移动到耳边时，关闭显示面板1061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在.此不再赘述。

显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板1061。

用户输入单元107可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071，也称为触摸屏，可收集合用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作)，并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸访问，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器110，并能接收处理器110发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071，用户输入单元107还可以包括其他输入设备1072。具体地，其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种，具体此处不做限定。

进一步的，触控面板1071可覆盖显示面板1061，当触控面板1071检测到在其上或附近的触摸操作后，传送给处理器110以确定触摸事件的类型，随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中，触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板1071与显示面板1061集合成而实现移动终端的输入和输出功能，具体此处不做限定。

接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。

存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器109可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器110是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器109内的软件程序和/或模块，以及调用存储在存储器109内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元；优选的，处理器110可集合成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集合成到处理器110中。

移动终端100还可以包括给各个部件供电的电源111(比如电池)，优选的，电源111可以通过电源管理系统与处理器110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管图1未示出，移动终端100还可以包括蓝牙模块等，在此不再赘述。

为了便于理解本发明实施例，下面对本发明的移动终端所基于的通信网络系统进行描述。

请参阅图2，图2为本发明实施例提供的一种通信网络系统架构图，该通信网络系统为通用移动通信技术的LTE系统，该LTE系统包括依次通讯连接的UE(User Equipment，用户设备)201，E-UTRAN(Evolved UMTS Terrestrial Radio Access Network，演进式UMTS陆地无线接入网)202，EPC(Evolved Packet Core，演进式分组核心网)203和运营商的IP业务204。

具体地，UE201可以是上述终端100，此处不再赘述。

E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中，eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接，eNodeB2021连接到EPC203，eNodeB2021可以提供UE201到EPC203的接入。

EPC203可以包括MME(Mobility Management Entity，移动性管理实体)2031，HSS(Home Subscriber Server，归属用户服务器)2032，其它MME2033，SGW(Serving Gate Way，服务网关)2034，PGW(PDN Gate Way，分组数据网络网关)2035和PCRF(Policy andCharging Rules Function，政策和资费功能实体)2036等。其中，MME2031是处理UE201和EPC203之间信令的控制节点，提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能，并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送，PGW2035可以提供UE 201的IP地址分配以及其它功能，PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点，它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。

IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem，IP多媒体子系统)或其它IP业务等。

虽然上述以LTE系统为例进行了介绍，但本领域技术人员应当知晓，本发明不仅仅适用于LTE系统，也可以适用于其他无线通信系统，例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等，此处不做限定。本发明中的终端可以实现语音通话、视频通话、短信收发、彩信收发以及各种及时通信业务。

以下通过具体实施例进行详细说明。

第一实施例

本实施例提供的图片筛选方法，可以先确定标准图片，然后采用相应的预设学习方法学习到标准图片的标准分类特征值得到标准分类特征值集合。学习到的标准分类特征值集合可以将标准图片与其他图片划分开。这样后续在需要进行图片筛选时，就可以采用相应的预设学习法学习各待筛选图片的分类特征值，然后与预先学习到的标准图片的各对应的标准分类特征进行匹配，从而选择出与该标准分类图片相匹配的图片，该图片也就为筛选出的图片。当学习过程中设置的标准图片为用户根据自己的习惯或喜好选择出的图片，则后续匹配出的图片也就为符合用户自己的习惯或喜好的图片；如果上述标准图片是按照规则设置的标准图片，则筛选出的图片也就是该规则匹配的图片。应当理解的是，本实施例中进行图片筛选时，可以将图片进行分类筛选，例如针对同一类事物(可以是人、动物、植物、风景等)图片采用该类事物的标准图片对应的标准分类特征值集合进行筛选。在一些示例中，也可以不分类，而采用各类图片共有的特性进行分类筛选，例如包括但不限于图片的灰度、亮度、像素等等。具体可以根据实际应用场景和具体需求灵活设定。应当理解的是，本实施例中的预设学习法可以是能达到上述目的的任意学习法。

请参见图3所示，本实施例提供的图片筛选方法包括：

S301：接收图片筛选指令。

本实施例中的图片筛选指令可以是用户手动下发的，此时只需要提供相应的触发操作接口给用户即可，也可以是自动监测到满足预设条件后自动触发的，例如监测到拍摄同一事物的图片达到预设数量。

S302：从包含各待筛选图片的图片集合中按预设学习法学习各待筛选图片的分类特征值之集合，得到各待筛选图片各自的分类特征值集合。

S303：将学习到的各待筛选图片各自的分类特征值集合中的各分类特征值与通过预设学习法预先学习到的标准分类特征值集合中对应的标准分类特征值进行匹配。

S304：根据匹配结果从各待筛选图片中选出分类特征值集合与标准分类特征值集合匹配的目标图片存入目标图片集合中。

本实施例中，在预先学习标准分类特征值结合的学习过程中，可以专门设置相应的图片训练集合进行学习，也可以监测用户手动分类时的分类结果，将用户手动分类的图片作为训练集合进行学习，后面这种学习方式可以更好的适应不同用户筛选图片的习惯或喜好，能尽可能贴近用户手动筛选的结果。

在一种示例中，通过预设学习法预先学习标准分类特征值集合的过程参见图4所示，包括：

S401：确定各待学习图片中的标准图片。

本实施例中的各待学习图片可以是用户拍摄的多张图片或其他来源的图片，且这些图片可以是同一类事物的图片，例如人、植物、山水等；当然理论上也可以是不同类事物的图片，此时则可以学习不同类事物图片的共有图像特征。

本实施例中的标准图片可以是用户手动从各待学习图片中选择出的一张或至少两张图片；也可以是通过其他方式从各待学习图片中选择出的图片。

S402：将各待学习图片作为预设学习法的输入，并将各待学习图片中的标准图片作为预设学习法的输出，通过预设学习法学习将标准图片从各待学习图片中划分出来的分类特征值之集合作为标准分类特征值集合。

本实施例中，标准分类特征值集合中包含的分类特征值的个数可以根据所选用的具体学习算法、分类标准等情况灵活设置。只要能将标准图片准确的从各待学习图片中区分选择出来即可。这样在后面利用该标准分类特征值集合中的各标准分类特征值就可以从待分类图片中准确可靠的选择出满足要求的目标图片。

本实施例中，在预选学习过程中，可以通过多个图片训练集进行学习，从而对学习到的标准分类特征集合中的标准分类特征值进行多次验证和修正，从而尽可能提升筛选结果的可靠性和准确性。

为了便于理解，下面以各待学习图片为同一类对象的图片；在进行图片筛选时，待筛选的图片也为同一类对象的图片作为示例进行说明。此时所选用的标准分类特征值集合在预先学习过程中对应的待学习图片所对应的对象与待筛选图片相同。例如假设当前待筛选的图片为对同一花朵拍摄的多张图片，则选择的标准分类特征值集合是在预先学习过程中针对同一花朵(该花朵可以与待分类图片中的花朵为相同花朵，也可以为不同花朵)的多张待学习图片进行学习得到的。

此时，图片筛选过程中，从包含各待筛选图片的图片集合中按预设学习法学习各待筛选图片的分类特征值之集合包括；

将各待筛选图片作为预设学习法的输入，通过预设学习法学习(提取)到各待筛选图片的分类特征值之集合。该分类特征值集合是通过与得到标准分类特征值集合时所采用的预设学习法得到的，因此该集合中包含的特征值的个数以及类型与标准分类特征值中的个数和类型是一一对应的。

在本实施例中，当采用上述方法从各待筛选图片中选出分类特征值集合与所述标准分类特征值集合匹配的目标图片存入目标图片集合中后，如果监测到目标图片集合中的目标图片被更新时，例如选择出的目标图片被删掉一张或几张，和/或目标图片集合中从待分类图片中添加到至少一张目标图片之外的其他图片，此时表明之前学习的标准分类特征值集合可能存在分类不准或分类补全的问题，因此可以对之前学习的标准分类特征值进行再次校正。因此，在本实施例中，参见图5所示，从各待筛选图片中选出分类特征值集合与所述标准分类特征值集合匹配的目标图片存入目标图片集合中后，还可包括对标准分类特征值进行以下校正过程：

S501：判断目标图片集合中的目标图片是否被更新，如是，转至S502；否则，转至S504。

S502：将更新后的目标集合中当前的图片作为预设学习法的输出，并将图片集合中的各待筛选图片作为所述预设学习法的输入，通过预设学习法学习将更新后的目标集合中当前的图片从各筛选习图片中划分出来的分类特征值之集合作为新标准分类特征值集合。

S503：通过新标准分类特征集合对标准分类特征值集合进行更新。

S504：结束。

S503中，通过得到的新标准分类特征集合对标准分类特征值集合进行更新可以采用以下更新方式中的至少一种：

方式一：直接将标准分类特征值集合中的各标准分类特征值替换为所述新标准分类特征集合中对应的新标准分类特征值。

方式二：将标准分类特征值集合中的各标准分类特征值与新标准分类特征集合中对应的新标准分类特征值进行加权求和取加权求和得到的分类特征值，所述标准分类特征值的权值与新标准分类特征值的权重之和等于1。例如，一种示例中，可以设置标准分类特征值的权值为0.5，新标准分类特征值的权重也为0.5；在另外一种示例中，可以设置标准分类特征值的权值为0.6，新标准分类特征值的权重也为0.4；在另外一种示例中，可以设置标准分类特征值的权值为0.3，新标准分类特征值的权重也为0.7；具体权重值的设置可以根据具体应用场景灵活设定。

在本实施例中，通过上述图片筛选筛选出目标图片后，还可以将图片集合中的各待筛选图片删除，这样终端就仅保留目标图片，在满足用户需求的同时，可以提升资源利用率。当然，通过上述图片筛选筛选出目标图片后，可与在得到用户的确认后再自动将图片集合中的各待筛选图片删除。

通过本实施例提供的图片筛选方法，利用学习法可以学习到标准图片的标准分类特征值得到标准分类特征值集合，在图片筛选时可以从包含各待筛选图片的图片集合中按预设学习法学习各待筛选图片的分类特征值之集合，将学习到的各待筛选图片各自的分类特征值集合中的各分类特征值与通过预设学习法预先学习到的标准分类特征值集合中对应的标准分类特征值进行匹配，从而从各待筛选图片中选出分类特征值集合与标准分类特征值集合匹配的目标图片存入目标图片集合中；也即自动从待筛选图片中选择出与预先学习到的标准图片相匹配的图片，并不需要手动对图片筛选，因此可以简化筛选时的手动操作，并提升筛选处理效率，进而提升用户体验的满意度。

第二实施例

为了便于理解本发明，本实施例在上述第一实施例的基础上，以预设学习法为具备输入层，隐藏层和输出层的栈式自编码学习法为示例进行说明；此时在预先的标准特征值集合学习过程中，各待学习图片作为栈式自编码学习法输入层的输入，标准图片作为栈式自编码学习法输出层的输出，标准分类特征值集合为隐藏层从输入层输入的图片中提取能将标准图片从各待学习图片中划分出来的各分类特征值(例如灰度值、亮度值)的集合。且本实施例中，各待学习图片为对同一类对象拍摄得到的多张相片，标准图片为根据用户选择指令从多张相片中选中的图片。

下面以一个具体示例对预先学习过程和图片筛选过程进行示例说明。

假设终端对同一事物拍摄得到的多张图片存储于文件夹1(此时的文件夹1就为待学习图片集合)中，用户从该文件夹1中选择出至少一张满意的图片放到文件夹2(此时文件夹2中的图片就为标准图片)中。此时利用终端应用程序通过机器学习算法，对文件夹1中的图片和文件夹2中的图片进行学习，构建出一个针对同一拍摄事物的几十张″原始图片″到一两张″符合用户喜好″的学习网络。机器学习算法的作用在于根据文件夹1中的图片和文件夹2中的图片预测出用户的喜好或习惯，从而根据预测的用户的喜好或习惯来筛选图片。通俗地讲，文件夹1存储的是用户拍摄的多张原始图片，文件夹2存储的是用户所选择的比较符合自身喜好或习惯的一两张图片。终端可以根据文件夹1和文件夹2中的图片的特征来预测出用户的喜好特征。从而根据预测出的用户的喜好，从用户下一次所拍摄的多张图片中筛选出一两张用户比较喜欢的图片，而不需要用户自身手动筛选。例如，在实现上，可以在终端相机功能中增加了一个筛选的功能模块(软件实现)，例如增加了一个图标，用户点击这个图标就下发了图片筛选指令，利用预先学习到的标准分类特征值集合和待分类图片的特征值集合进行匹配实现筛选功能，从而从用户下一次所拍摄的多张图片中筛选出一两张用户比较喜欢的图片，而不需要用户自身筛选。该方法可以从文件夹1中直接将用户喜欢的图片筛选出来，减少用户的操作，减少了终端和用户之间的交互的次数，可以降低了手机的负担，从而提高了手机的处理效率。

本实施例中可以基于深度学习实现依据用户喜好自动筛选同一事物大量图片中用户喜欢的少量图片，首先建立文件夹1中的大量图片与文件夹2中的少量图片的对应关系，本实施例将建立该对应关系的过程称为构建学习网络的过程。

其中，构建学习网络以及具体的筛选的总体流程如图6所示，包括：

S601：训练过程中，以拍照得到同一人物的大量图片(即文件夹1中的图片)，以及经过用户手动筛选出的喜欢的图片(即文件夹2中的图片)作为训练数据。学习算法一般称为训练，也就是针对同一事物，从文件夹1和文件2中选出该事物的图片，作为原始数据(样本)，以通过原始数据挖掘出文件夹1和文件2中的图片的对应关系，也可以说是挖掘出用户的喜好。

S602：以深度学习以及分类器，用训练数据训练出分类器的参数，得到分类器。分类可以看成是数据挖掘的一种手段，也就是在已有的数据(样本)的基础上构造出一个分类函数(或者也可以称为是分类模型)即我们通常所说的分类器(Classifier))。该函数或模型能够把数据库中的数据记录映射到给定类别中的某一个，从而可以应用于数据预测。本实施例中，为了提高准确度，分类器可利用用户多次手动筛选结果，不断对初始分类器优化、保留具有最大准确度的分类器参数的结果(类似迭代的过程，一直训练，也就是预测出用户的喜好后，从文件夹1中的图片选出用户喜欢的图片，为了提高准确度，可以将初次选择的图片作为样本，继续训练分类器的参数，直到预测的用户的喜好跟用户实际的喜欢相近)。

本实施例中，将文件夹1中的图片作为栈式自编码学习法的输入，将文件2中的图片作为分类器的输出，通过栈式自编码学习法进行学习就可以提取到标准特征值集合。

S603：将测试数据(用户下一次待筛选的大量图片，也即文件夹1中的图片)通过训练出的分类器进行分类，也就是筛选的实现，因为分类器就是预测用户喜好的，所以通过分类器进行分类也就可以实现根据用户喜好来分类同一人物大量图片，即筛选图片。

此处通过分类器进行分类的过程就是将从文件夹1中提取到的各待分类图片的分类特征值集合与之前学习到的标准特征值集合进行匹配，配对过程时将两集合中对应的特征值进行匹配，从而从各待分类图片中自动选择出符合条件的图片。

为了更好地理解，下面以构建学习网络模型的一种示例进行说明。

一幅图像中，各种复杂的特征往往以非线性的方式结合在一起，传统机器学习输入的样本特征采用手工设计，手工设计依赖于设计者的先验知识(也就是经验所得的参数)，实际中需要手工调参数，从而特征设计中允许出现的参数数量十分有限。而本实施例是利用深度学习的方法，相较于传统机器学习方法，深度学习实现了从输入样本中自动学习来提取特征，深度学习从样本中自动提取特征可以大大增加参数数量，也就增加了特征的质量，使得模式识别系统性能得到提升。

对于样本学习(也就是从样本中得出分类器的过程)，由于传统的机器学习模型深度不够，需要大量的计算单元，以至于需要大量的参数和训练样本。而深度学习具有多个隐藏层，实现了多层学习，在学习中，重复利用隐藏层的计算单元，因此深度学习能够以更少的参数和训练样本来表达分类函数，在此基础上，深度学习还可利用前向传播和反馈微调对所有层进行联合优化，从而使整个网络的性能得到重大提升。下面对针对隐藏层的前向传播和反馈微调过程进行示例说明。

由于本实施例采用的深度学习的栈式自编码学习方法，将特征提取和分类器联合训练，此网络的构建是基于输入什么，输出仍是什么，即以输入作为输出来构建学习网络。例如，在一次拍照中，对同一个事物拍了20张照片，即文件夹1中有20张同一事物的照片，经过用户手动筛选后，选出来的要保留的两张照片，即文件夹2中的照片，其中这18张照片即为留在文件夹中待删除的照片。构建栈式自编码学习网络的过程，就是以文件夹1中的20照片作为输入，以文件夹2中的两张照片作为分类器的输出，建立模型，学习标准分类特征值集合。在栈式自编码的学习过程中，可包括以下两部分：

前向传播，使用自前一层向后一层的非监督学习来提取特征，前一层的学习结果作为下一层的输入，即从底层开始，一层一层的往顶层训练出特征学习网络。例如，在本实施例中，可以设置隐藏层的第一层从原始像素开始学习，刻画局部的边缘和纹理特征，隐藏层的第二层学习如何去组合边，从而构成轮廓、角等，更高层学习如何去组合更形象且有意义的特征，即学习如何识别或组合人物照片中眼睛、鼻子、嘴、周围环境等细节特征，最终以分类器对这些特征进行分类。

反馈微调，自后一层(也即最底层)向前一层的监督学习，即从输出到输入方向的逐层的反馈微调。将输出特征的误差自后一层向前一层传输，对隐藏层进行微调。反馈微调过程中，将学习网络前向传播经分类器分类的输出结果与用户手动筛选结果的误差，从最底层逐层向前一层传输，对每个隐藏层的特征参数进行微调，从而使该学习网络输出的结果与用户手动筛选的结果达到一致。训练出能够从大量同一事物照片筛选出用户喜欢的照片的深度学习网络。

通过本实施例提供的学习方法，可以学习到能准确讲用户喜欢的图片(也即标准图片)从待筛选图片中筛选出来的标准特征值集合，以进行后续图片筛选过程中的图片筛选，且保证筛选出的图片为符合用户喜欢或习惯的图片，避免用户手动进行繁杂的操作筛选，提升用户体验的满意度。

第三实施例

本实施例提供了一种终端，本实施例中的终端可以是图1所示的终端，其可以包括摄像头，也可以不包括摄像头。参见图7所示，该终端包括第一处理器71、第一存储器72及第一通信总线73；

第一通信总线73用于实现第一处理器71和第一存储器72之间的连接通信；

第一处理器71用于执行第一存储器72中存储的图片筛选程序，以实现如下步骤：

接收图片筛选指令。本实施例中的图片筛选指令可以是用户手动下发的，此时只需要提供相应的触发操作接口给用户即可，也可以是自动监测到满足预设条件后自动触发的，例如监测到拍摄同一事物的图片达到预设数量。

从包含各待筛选图片的图片集合中按预设学习法学习各待筛选图片的分类特征值之集合，得到各待筛选图片各自的分类特征值集合。

将学习到的各待筛选图片各自的分类特征值集合中的各分类特征值与通过预设学习法预先学习到的标准分类特征值集合中对应的标准分类特征值进行匹配；

根据匹配结果从各待筛选图片中选出分类特征值集合与标准分类特征值集合匹配的目标图片存入目标图片集合中。

本实施例中，在预先学习标准分类特征值结合的学习过程中，可以专门设置相应的图片训练集合进行学习，也可以监测用户手动分类时的分类结果，将用户手动分类的图片作为训练集合进行学习，后面这种学习方式可以更好的适应不同用户筛选图片的习惯或喜好，能尽可能贴近用户手动筛选的结果。

在一种示例中，第一处理器71用于执行第一存储器72中存储的图片筛选程序执行通过预设学习法预先学习标准分类特征值集合，该过程包括：

确定各待学习图片中的标准图片。本实施例中的各待学习图片可以是用户拍摄的多张图片或其他来源的图片，且这些图片可以是同一类事物的图片，例如人、植物、山水等；当然理论上也可以是不同类事物的图片，此时则可以学习不同类事物图片的共有图像特征。本实施例中的标准图片可以是用户手动从各待学习图片中选择出的一张或至少两张图片；也可以是通过其他方式从各待学习图片中选择出的图片。

将各待学习图片作为预设学习法的输入，并将各待学习图片中的标准图片作为预设学习法的输出，通过预设学习法学习将标准图片从各待学习图片中划分出来的分类特征值之集合作为标准分类特征值集合。

本实施例中，标准分类特征值集合中包含的分类特征值的个数可以根据所选用的具体学习算法、分类标准等情况灵活设置。只要能将标准图片准确的从各待学习图片中区分选择出来即可。这样在后面利用该标准分类特征值集合中的各标准分类特征值就可以从待分类图片中准确可靠的选择出满足要求的目的图片。

本实施例中，在预选学习过程中，可以通过多个图片训练集进行学习，从而对学习到的标准分类特征集合中的标准分类特征值进行多次验证和修正，从而尽可能提升筛选结果的可靠性和准确性。

为了便于理解，下面以各待学习图片为同一类对象的图片；在进行图片筛选时，待筛选的图片也为同一类对象的图片作为示例进行说明。此时所选用的标准分类特征值集合在预先学习过程中对应的待学习图片所对应的对象与待筛选图片相同。例如假设当前待筛选的图片为对同一花朵拍摄的多张图片，则选择的标准分类特征值集合是在预先学习过程中针对同一树木(该树木可以与待分类图片中的树木为相同树木，也可以为不同树木)的多张待学习图片进行学习得到的。

此时，图片筛选过程中，第一处理器71用于执行第一存储器72中存储的图片筛选程序，执行从包含各待筛选图片的图片集合中按预设学习法学习各待筛选图片的分类特征值之集合包括：

将各待筛选图片作为预设学习法的输入，通过预设学习法学习(提取)到各待筛选图片的分类特征值之集合。该分类特征值集合是通过与得到标准分类特征值集合时所采用的预设学习法得到的，因此该集合中包含的特征值的个数以及类型与标准分类特征值中的个数和类型是一一对应的。

在本实施例中，当采用上述方法从各待筛选图片中选出分类特征值集合与所述标准分类特征值集合匹配的目标图片存入目标图片集合中后，如果监测到目标图片集合中的目标图片被更新时，例如选择出的目标图片被删掉一张或几张，和/或目标图片集合中从待分类图片中添加到至少一张目标图片之外的其他图片，此时表明之前学习的标准分类特征值集合可能存在分类不准或分类补全的问题，因此可以对之前学习的标准分类特征值进行再次校正。因此，在本实施例中，第一处理器71还用于执行第一存储器72中存储的图片筛选程序，在从各待筛选图片中选出分类特征值集合与所述标准分类特征值集合匹配的目标图片存入目标图片集合中后，执行对标准分类特征值进行以下校正过程：

判断目标图片集合中的目标图片是否被更新，如是，将更新后的目标集合中当前的图片作为预设学习法的输出，并将图片集合中的各待筛选图片作为所述预设学习法的输入，通过预设学习法学习将更新后的目标集合中当前的图片从各筛选习图片中划分出来的分类特征值之集合作为新标准分类特征值集合；并通过新标准分类特征集合对标准分类特征值集合进行更新。

第一处理器71执行第一存储器72中存储的图片筛选程序，实现通过新标准分类特征集合对标准分类特征值集合进行更新时，包括：

直接将标准分类特征值集合中的各标准分类特征值替换为所述新标准分类特征集合中对应的新标准分类特征值。

或，

将标准分类特征值集合中的各标准分类特征值与新标准分类特征集合中对应的新标准分类特征值进行加权求和取加权求和得到的分类特征值，所述标准分类特征值的权值与新标准分类特征值的权重之和等于1。例如，一种示例中，可以设置标准分类特征值的权值为0.2，新标准分类特征值的权重为0.8；在另外一种示例中，可以设置标准分类特征值的权值为0.45，新标准分类特征值的权重也为0.55，具体权重值的设置可以根据具体应用场景灵活设定。

在本实施例中，第一处理器71还用于执行第一存储器72中存储的图片筛选程序选出目标图片后，执行将图片集合中的各待筛选图片删除的步骤，这样终端就仅保留目标图片，在满足用户需求的同时，可以提升资源利用率。当然，通过上述图片筛选筛选出目标图片后，可与在得到用户的确认后再自动将图片集合中的各待筛选图片删除，可进一步提升用户体验的满意度。

第四实施例

本实施例提供了计算机可读存储介质，计算机可读存储介质上存储有图片筛选程序，存储有图片筛选程序被处理器执行时实现如上所述的存储有图片筛选方法中的步骤。也即本实施例中的计算机可读存储介质可适用于上述终端。

为了便于理解，本实施例以终端为手机，且用户通过手机自拍为示例进行说明。

请参见图8-图9所示，用户用手机8的前置摄像头81进行自拍，得到图9中所示的照片91。假设用户自拍了20张照片放到文件夹1中，并从中选了自己满意的两张放入文件夹2中。此时通过栈式自编码学习法的过程参见图10所示，将用户拍摄的20张照片x1、x2、x3，......，x20作为输入，将文件夹2中的图片x1、x2以及文件夹1中的图片x3，......，x20这18张图片分别作为分类器的两类Y1和Y2输出。图10中省略部分则为隐藏层，其中隐藏层采用多层以进行深度学习，而其具体层数的设置可以根据手机性能、筛选速率要求、筛选精度要求等因素灵活设置。基于图10所示的模型即可训练出基于深度学习的自动筛选网络，此时分类器中保存了可将x1、x2从x1、x2、x3，......，x20中区分出来的标准分类特征值集合。

假设用户后面用手机拍了10张同一人物(可以不是用户自身，而是其他单个或多个人员(多个时可以包含自身)，且可以是采用前置摄像头拍摄，也可以采用后置摄像头拍摄)的照片后，在文件夹1中选中这10张照片，此时点预先设置好的筛选按钮下发筛选指令，参见图11所示，自动通过上述学习到的筛选网络将文件夹1中的10张照片x1、x2、x3，......，x10作为输入，自动筛选出两张该网络认为是用户喜欢的照片，保存到文件夹2，留在文件夹1中待删除的则为待删除的照片。

当然，自动筛选出的这两张照片可能并不完全是用户喜欢的，这种情况，用户对文件夹1中照片进行手动再筛选，最终手动筛选出用户喜欢的照片为x2和x4，留在文件夹1中待删除的为x1、x3，......，x10。此时，参见图12所示，可以将x1、x2、x3，......，x10作为输入，将x2和x4作为Y1的输出，将x1、x2、x3，......，x10作为Y2的输出重新学习，根据学习结果对图10中学习进行优化，优化方式包括但不限于上面介绍的两种方式，优化之后的学习网络在下一次的从同一人物的大量照片中筛选出用户喜欢的少量照片的筛选结果上，会更加接近用户的喜好。随着数据量的增大，随着筛选次数的增多，便会对最初建立的筛选网络不断优化，本发明中的基于深度学习的栈式自编码的网络便会更加优化，最终能够实现从同一人物的大量照片中筛选出用户喜欢的少量照片。

以上仅是举例，手机还可以建立其他物体的学习网络，比如景色、宠物、花朵的机器学习网络，通过机器学习来实现按照用户喜好对多张重复照片的筛选。

本实施例中的移动终端自身能够按照用户的喜好，从相册中筛选出符合用户喜好的照片，而不用用户自己手动选取，减少用户的操作，从而减少了用户和移动设备之间的交互，节约了选取时间，避免了用户筛选照片过程中的纠结，且所选取的照片符合用户的喜好，能够提高用户的体验度。

需要说明的是，在本文中，术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句″包括一个......″限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台应用设备(可以是手机，计算机，服务器，空调器，或者网络应用设备等)执行本发明各个实施例的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种图片筛选方法，其特征在于，所述图片筛选方法包括：

接收图片筛选指令；

从包含各待筛选图片的图片集合中按预设学习法学习所述各待筛选图片的分类特征值之集合，得到所述各待筛选图片各自的分类特征值集合；

将学习到的所述各待筛选图片各自的分类特征值集合中的各分类特征值与通过所述预设学习法预先学习到的标准分类特征值集合中对应的标准分类特征值进行匹配，从所述各待筛选图片中选出分类特征值集合与所述标准分类特征值集合匹配的目标图片存入目标图片集合中；

检测到所述目标图片集合中的目标图片被更新时，将更新后的目标集合中当前的图片作为预设学习法的输出，并将图片集合中的各待筛选图片作为所述预设学习法的输入，通过预设学习法学习将更新后的目标集合中当前的图片从各筛选图片中划分出来的分类特征值之集合作为新标准分类特征值集合，通过新标准分类特征集合对标准分类特征值集合进行更新；

通过所述预设学习法预先学习标准分类特征值集合包括：

确定各待学习图片中的标准图片；

将所述各待学习图片作为所述预设学习法的输入，并将所述各待学习图片中的标准图片作为所述预设学习法的输出，通过所述预设学习法学习将所述标准图片从所述各待学习图片中划分出来的分类特征值之集合作为标准分类特征值集合，所述各待学习图片为同一类对象的图片。

2.如权利要求1所述的图片筛选方法，其特征在于，所述待筛选图片为同一类对象图片；所述标准分类特征值集合对应的待学习图片所对应的对象与所述待筛选图片相同；

所述从包含各待筛选图片的图片集合中按预设学习法学习所述各待筛选图片的分类特征值之集合包括：

将所述各待筛选图片作为所述预设学习法的输入，通过预设学习法学习所述各待筛选图片的分类特征值之集合。

3.如权利要求1所述的图片筛选方法，其特征在于，通过所述新标准分类特征集合对所述标准分类特征值集合进行更新包括以下更新方式中的至少一种：

将所述标准分类特征值集合中的各标准分类特征值替换为所述新标准分类特征集合中对应的新标准分类特征值；

将所述标准分类特征值集合中的各标准分类特征值与所述新标准分类特征集合中对应的新标准分类特征值进行加权求和取加权求和得到的分类特征值，所述标准分类特征值的权值与所述新标准分类特征值的权重之和等于1。

4.如权利要求1或2所述的图片筛选方法，其特征在于，所述预设学习法为具备输入层，隐藏层和输出层的栈式自编码学习法；所述各待学习图片作为所述输入层的输入，所述标准图片作为所述输出层的输出，所述标准分类特征值集合为所述隐藏层从所述输入层输入的图片中提取能将所述标准图片从所述各待学习图片中划分出来的各分类特征值的集合。

5.如权利要求1或2所述的图片筛选方法，其特征在于，所述各待学习图片为对同一类对象拍摄得到的多张相片，所述标准图片为根据用户选择指令从所述多张相片中选中的图片。

6.如权利要求1-3任一项所述的图片筛选方法，其特征在于，从所述各待筛选图片中选出分类特征值集合与所述标准分类特征值集合匹配的目标图片存入目标图片集合中后，还包括将所述图片集合中的各待筛选图片删除。

7.一种终端，其特征在于，包括第一处理器、第一存储器及第一通信总线；

所述第一通信总线用于实现所述第一处理器和所述第一存储器之间的连接通信；

所述第一处理器用于执行所述第一存储器中存储的图片筛选程序，以实现如权利要求1-6任一项所述的图片筛选方法中的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图片筛选程序，所述图片筛选程序被处理器执行时实现如权利要求1-6任一项所述的图片筛选方法中的步骤。

Images