CN107423297A - 图片的筛选方法及装置 - Google Patents

Abstract

本发明提供了一种图片的筛选方法及装置，其中，该方法包括：检测触发事件，在该触发事件触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为该指定图片的相似图片；将该指定图片和该相似图片作为一组图片输出。采用上述技术方案，准确及时处理了相似图片，解决了用户选择相似图片时耗费大量时间的问题，实现了快速筛选出相似图片，以及将相似图片准确分组的效果。

Description

图片的筛选方法及装置

技术领域

本发明涉及图像处理领域，具体而言，涉及一种图片的筛选方法及装置。

背景技术

在相关技术中，用户的终端(如手机等)中都存有大量的图片，随着摄像分辨率越来越高，图片占据了终端大量的存储空间。在用户拍照过程中，常有一些相似的图片产生，比如连拍、重拍。为了留下质量较好的图片，节省存储空间，用户需要通过浏览图库进行筛选，进而删除。

如果用户清理图库中的相似图片，需要一张张浏览整个图库，花费大量的时间和精力。如果不清理，相似图片会占据大量存储空间，用户浏览图库时，筛选相似图片会花费用户更多的操作以掠过或删除。

针对相关技术中，用户选择相似图片时耗费大量时间的问题，目前还没有有效的解决方案。

发明内容

本发明实施例提供了一种图片的筛选方法及装置，以至少解决相关技术中用户选择相似图片时耗费大量时间的问题。

根据本发明的一个实施例，提供了一种图片的筛选方法，包括：检测触发事件；在所述触发事件的触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为所述指定图片的相似图片；将所述指定图片和所述相似图片作为一组图片，并输出该组图片。

可选地，获取图库中与指定图片的相似度大于第一预设阈值的图片，包括：获取所述图库中所有图片的图像特征；获取其它图片的图像特征与所述指定图片的图像特征之间的几何距离，在所述几何距离小于第二预设阈值时，确定所述其它图片为与所述指定图片的相似度大于第一预设阈值的图片，并将所述其它图片作为所述指定图片的相似图片。

可选地，获取所述图库中所有图片的图像特征，包括：获取所述所有图片的语义特征和视觉特征；对所述语义特征和所述视觉特征按照主成分分析算法进行特征压缩处理，得到所述图像特征。

可选地，获取所述指定图片的语义特征和视觉特征，包括：将所述指定图片输入深度卷积神经网络模型，输出得到所述语义特征；提取所述指定图片的颜色、所述指定图片的灰度共生阵以及所述指定图片的7个不变矩向量作为所述视觉特征。

可选地，所述触发事件包括：用于删除冗余图片的冗余删除信号。

可选地，输出该组图片之后，所述方法还包括：按照预设规则删除所述一组图片中的一个或多个图片。

可选地，按照预设规则删除所述一组图片中的一个或多个图片：在接收到删除所述一组图片中的部分图片或全部图片的删除指令时，删除所述一组图片中的部分或全部图片。

可选地，所述方法还包括：在预定时间内没有接收到所述冗余删除信号的情况下，清空所述一组图片所在的相似图片列表。

根据本发明的另一个实施例，提供了一种图片的筛选装置，包括：检测模块，用于检测触发事件；获取模块，用于在所述触发事件的触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为所述指定图片的相似图片；输出模块，用于将所述指定图片和所述相似图片作为一组图片，并输出该组图片。

可选地，所述获取模块包括：第一获取单元，用于获取所述图库中所有图片的图像特征；第二获取单元，用于获取其它图片的图像特征与所述指定图片的图像特征之间的几何距离，在所述几何距离小于第二预设阈值时，确定所述其它图片为与所述指定图片的相似度大于第一预设阈值的图片，并将所述其它图片作为所述指定图片的相似图片。

可选地，第一获取单元包括：第一获取子单元，用于获取所述所有图片的语义特征和视觉特征；压缩子单元，用于对所述语义特征和所述视觉特征按照主成分分析算法进行特征压缩处理，得到所述图像特征。

可选地，获取所述指定图片的语义特征和视觉特征的方式包括：将所述指定图片输入深度卷积神经网络模型，输出得到所述语义特征；提取所述指定图片的颜色、所述指定图片的灰度共生阵以及所述指定图片的7个不变矩向量作为所述视觉特征。

可选地，所述触发事件包括：用于删除冗余图片的冗余删除信号。

可选地，输出该组图片之后，所述装置还包括：删除模块，用于按照预设规则删除所述一组图片中的一个或多个图片。

可选地，所述删除模块还用于在接收到删除所述一组图片中的部分图片或全部图片的删除指令时，删除所述一组图片中的部分或全部图片。

可选地，在预定时间内没有接收到所述冗余删除信号的情况下，清空所述一组图片所在的相似图片列表。

根据本发明的又一个实施例，还提供了一种存储介质。该存储介质设置为存储用于执行以下步骤的程序代码：检测触发事件；在所述触发事件的触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为所述指定图片的相似图片；将所述指定图片和所述相似图片作为一组图片，并输出该组图片。

通过本发明，在检测到触发事件(例如用于删除图片的信号)时，在图库中选取与指定图片的相似度大于第一预设阈值的图片作为相似图片，并输出该指定图片和相似图片，即将相似图片作为一个整体单独存储，类似于将图库中相片依据相似度进行分类，解决了用户选择相似图片时耗费大量时间的问题，实现了快速筛选出相似图片，以及将相似图片准确分组的效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种图片的筛选方法的移动终端的硬件结构框图；

图2是根据本发明实施例的一种图片的筛选方法的流程图；

图3是根据本发明实施例的一种图片的筛选装置的结构框图一；

图4是根据本发明实施例的一种图片的筛选装置的结构框图二；

图5是根据本发明实施例的一种图片的筛选装置的结构框图三；

图6是根据本发明实施例的一种图片的筛选装置的结构框图四；

图7是根据本发明实施例的图片的删除方法流程图；

图8是根据本发明实施例的图片的删除装置的结构图；

图9是根据本发明实施例的一种基于多特征的图片的删除方法的流程图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

本申请实施例一所提供的方法实施例可以在移动终端、相机、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种图片的筛选方法的移动终端的硬件结构框图。如图1所示，移动终端10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的图片的筛选方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于传输触发事件的信号。

在本实施例中提供了一种运行于上述移动终端的图片的筛选方法，图2是根据本发明实施例的一种图片的筛选方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，检测触发事件；

该触发事件可以表现为多种形式，例如检测到用户正在浏览终端中具有特定特征的图片，也可以表现为检测到用户启动了图片浏览进程，在本发明的一个可选实施例中，上述触发事件还可以包括用于删除冗余图片的冗余删除信号，即在检测到(即接收到)冗余删除信号的情况下，开始进行图片的筛选。

步骤S204，在上述触发事件的触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为该指定图片的相似图片；(后续有图2的S206)

在本发明的一个可选实施例中，获取图库中与指定图片的相似度大于第一预设阈值的图片方式如下：获取该图库中所有图片的图像特征；获取其它图片的图像特征与该指定图片的图像特征之间的几何距离，在该几何距离小于第二预设阈值时，确定该其它图片为与该指定图片的相似度大于第一预设阈值的图片，并将该其它图片作为该指定图片的相似图片。由此也可以看出，上述几何距离是与相似度成反比的，即几何距离越小，上述相似度越大。其中，对于上述相似度的获取可以通过相关技术中的相似度计算算法实现，例如：

向量空间模型的计算方法，基于hash方法的相似计算方法，以空间向量模型的计算方法中的欧式距离计算方式为例，该相似度的计算方式可以是：假设计算任一张图片的特征，首先，获取所述图片特征的坐标点，以二维坐标为例，按照欧式距离的计算公式得到图片的特征与该指定图片的混合特征的欧式距离，如果欧式距离小于第二预设阈值时，则判断该张图片与指定图片的相似度高，输出该张图片作为指定图片的相似图片。

在本申请的一个可选实施例中，可以通过以下方式获取图片的图像特征：首先获取语义特征和视觉特征。提取语义特征时可以采用以下深度卷积神经网络模型实现：网络由5个卷积层和3个全连接层构成，网络的输出是抽象的高级特征，主要用于图片分类。深度卷积神经网络的训练集采用ImgNet数据集。训练样本量为100万张有标注图片，分类类别为1000个类别，所用的网络参数和网络结构可以采用相关技术中的卷积神经网络模型中的参数和结构，此处不再赘述。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习显著的优点是可以抽象出高级特征，构建出复杂高性能的模型。使用已训练的深度卷积神经网络，对输入图片提取高层语义特征。上述深度卷积神经网络模型也可以采用文献《ImageNet Classification with Deep Convolutional NeuralNetworks》中记载的深度卷积神经网络。

并且，提取视觉特征时采用文献《应用BP神经网络对自然图像分类》中的方法，提取图片的主要颜色、灰度共生矩阵和7个不变矩向量作为低层视觉特征。该提取方法对图片均匀分割成5个区域，再对每个小区域分别提取主要颜色、灰度共生矩阵和7个不变矩的特征向量。每副图片的每个小区域提取了23维特征向量，共5个小区域，即共提取了115维特征向量。低层特征具有全局性，很好地作为高层特征的补充。联合高层语义特征和低层视觉特征可以形成一种多特征结构。

在获取了语义特征和视觉特征之后，使用主成分分析算法进行特征压缩处理，形成混合特征及图像特征。根据特征计算图片相似度并输出相似图片，计算图库中所有图片和指定图片的混合特征的几何距离，在该几何距离小于第二预设阈值时确定图片相似，将每一组图片依次输出。在上述实施例的一个可选实施例中记载了使用主成分分析算法进行特征压缩处理的流程：假设我们有p张图，当我们对每一张图片完成语义特征和视觉特征的提取之后，得到p个向量。主成分分析PCA把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的m个特征互不相关。在PCA过程中采用了4步算法：

步骤1，特征中心化。即每一维的数据都减去该维的均值。这里的“维”指的就是一个特征(或属性)，变换之后每一维的均值都变成了0。假设原始矩阵是A，每一列减去该列均值后，得到矩阵B；

步骤2，计算B的协方差矩阵C；

步骤3，计算协方差矩阵C的特征值和特征向量；

步骤4，选取大的特征值对应的特征向量，得到新的数据集。

完成以上一系列过程之后，我们就得到p个降维后的向量。

在上述实施例中利用深度卷积神经网络产生高层特征，对图片类别分析，保证输出结果在图片类别上的相似；利用低层特征保证输出结果在图片内容上的相似，尽可能符合人类感官；主成分分析，将高层语义特征和低层视觉特征融合，降低维度，减少冗余特征，减轻计算量，满足离线计算的快速稳定的需求。

图2的步骤S206，将上述指定图片和上述相似图片作为一组图片，并输出该组图片。

在本发明的一个可选实施例中，用户将输出后的图片放入相似图片列表，接收用户的冗余删除信号或者别的操作信号，在预定时间没有接收到用户冗余删除信号的情况下，清空该相似图片列表，以备下次使用。

在通过步骤S206输出该组图片之后，对于该组图片可以进行各种应用，例如可以用于浏览，删除，修改等，在本申请一个可选实施例中，为了节省终端的存储空间，还可以按照预设规则删除该一组图片中的一个或多个图片。具体地，可以通过以下方式实现上述图片的删除过程，但不限于此：在接收到删除该一组图片中的部分图片或全部图片的删除指令时，删除该一组图片中的部分或全部图片。

通过上述步骤，首先检测触发事件，在该触发事件触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为该指定图片的相似图片；将该指定图片和该相似图片作为一组图片输出，准确及时处理了相似图片，解决了用户选择相似图片时耗费大量时间的问题，实现了快速筛选出相似图片，以及将相似图片准确分组的效果。

可选地，上述步骤S202-S206的执行主体可以为照相机、摄像机，以及具有图像采集功能的移动终端(例如手机、平板电脑)等，但不限于此。

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根据上述实施例的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终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例该的方法。

实施例2

在本实施例中还提供了一种图片的筛选装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3是根据本发明实施例的一种图片的筛选装置的结构框图一，如图3所示，该装置包括：

检测模块32，用于检测触发事件；

获取模块34，与检测模块32连接，用于在该触发事件的触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为该指定图片的相似图片；

输出模块36，与获取模块34连接，用于将该指定图片和该相似图片作为一组图片，并输出该组图片。

图4是根据本发明实施例的一种图片的筛选装置的结构框图二，如图4所示，该获取模块34包括：

第一获取单元42，用于获取该图库中所有图片的图像特征；

第二获取单元44，与第一获取单元42连接，用于获取其它图片的图像特征与该指定图片的图像特征之间的几何距离，在该几何距离小于第二预设阈值时，确定该其它图片为与该指定图片的相似度大于第一预设阈值的图片，并将该其它图片作为该指定图片的相似图片。

图5是根据本发明实施例的一种图片的筛选装置的结构框图三，如图5所示，第一获取单元42包括：

第一获取子单元52，用于获取该所有图片的语义特征和视觉特征；

压缩子单元54，与第一获取子单元52连接，用于对该语义特征和该视觉特征按照主成分分析算法进行特征压缩处理，得到该图像特征。

可选地，获取该指定图片的语义特征和视觉特征的方式包括：将该指定图片输入深度卷积神经网络模型，输出得到该语义特征；提取该指定图片的颜色、该指定图片的灰度共生阵以及该指定图片的7个不变矩向量作为该视觉特征。

可选地，该触发事件包括：用于删除冗余图片的冗余删除信号。

图6是根据本发明实施例的一种图片的筛选装置的结构框图四，如图6所示，该装置包括：

删除模块62，与输出模块36连接，用于输出该组图片之后，按照预设规则删除该一组图片中的一个或多个图片。

可选地，该删除模块62还用于在接收到删除该一组图片中的部分图片或全部图片的删除指令时，删除该一组图片中的部分或全部图片。

可选地，在预定时间内没有接收到该冗余删除信号的情况下，清空该一组图片所在的相似图片列表。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例3

本发明的实施还提供了一种图片的删除装置，图7是根据本发明实施例的图片的删除方法流程图，如图7所示，步骤如下：

步骤S701，(相当于上述实施例2中的检测模块32的功能)用户开启相似图片删除流程，发送冗余删除信号；

步骤S702，(相当于上述实施例2中的获取模块34的功能)以基于多特征的相似图片删除方法分析图库，获取相似相片列表；

步骤S703，(相当于上述实施例2中的输出模块36的功能)以互相相似的图片为一组，按组输出显示；

步骤S704，(相当于上述实施例2中的删除模块62的功能)用户选定要删除的图片，从图库中删除；若用户没有执行删除操作，而是取消了本次输入操作，此时，清空相似图片列表，以备下次使用。

图8是根据本发明实施例的图片的删除装置的结构图，如图8所示，该装置用于数码设备的存储空间清理系统当中，用于查找图库中的相似图片，提高用户的清理速度，降低存储空间的使用率。该装置包括：图库802，与图库802连接的相似匹配模块804，与相似匹配模块804连接的相似列表处理模块806，与相似列表处理模块806连接的删除响应模块808。

图库802，(相当于上述实施例1中的存储器104)用于接收并存储用户图片；

相似匹配模块804，(相当于上述实施例2中的检测模块32和获取模块34的功能)用于接收用户的冗余删除信号，并使用基于多特征的相似图片删除方法，从图库802中分析出相似的图片，发送给相似列表处理模块806；

相似列表处理模块806，(相当于上述实施例2中的输出模块36的功能)用于接收相似图片，并以组为单位输出图片，每一组的图片之间是相似的；

删除响应模块808，(相当于上述实施例2中的删除模块62的功能)用户选定需要删除的相似图片之后，发送图片删除信号，删除模块808接收该信号，并从图库中删除相应的图片。

实施例4

图9是根据本发明实施例的一种基于多特征的图片的删除方法的流程图，如图9所示，步骤如下：

步骤S901，高层语义特征提取，采用文献《ImageNet Classificationwith Deep Convolutional Neural Networks》中所述的深度卷积神经网络。网络由5个卷积层和3个全连接层构成，网络的输出是抽象的高级特征，主要用于图像分类。深度卷积神经网络的训练集采用ImgNet数据集。训练样本量为100万张有标注图像，分类类别为1000个类别，所用的网络参数和网络结构和论文相同。

步骤S902，低层视觉特征提取，采用文献《应用BP神经网络对自然图像分类》中的方法，提取图像的主要颜色、灰度共生矩阵和7个不变矩向量作为低层视觉特征。该提取方法对图像均匀分割成5个区域，再对每个小区域分别提取主要颜色、灰度共生矩阵和7个不变矩的特征向量。每副图像的每个小区域提取了23维特征向量，共5个小区域，所以一共提取了115维特征向量。

步骤S903，采用主成分分析算法，对提取的高层语义特征和低层视觉特征进行特征压缩，形成混合特征。目的是降低特征维度，减少特征冗余。

步骤S904，根据特征计算图像相似度并输出相似图像，计算图库中所有图像和其他每一幅图像的混合特征的几何距离，判定几何距离小于阈值的图片之间为相似，将每一组相似图片依次输出。

实施例5

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

S1，检测触发事件；

S2，在该触发事件的触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为该指定图片的相似图片；

S3，将该指定图片和该相似图片作为一组图片，并输出该组图片。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，在本实施例中，处理器根据存储介质中已存储的程序代码执行上述实施例记载的方法步骤。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

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 (14)

1.一种图片的筛选方法，其特征在于，包括：

检测触发事件；

在所述触发事件的触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为所述指定图片的相似图片；

将所述指定图片和所述相似图片作为一组图片，并输出该组图片。

2.根据权利要求1所述的方法，其特征在于，获取图库中与指定图片的相似度大于第一预设阈值的图片，包括：

获取所述图库中所有图片的图像特征；

获取其它图片的图像特征与所述指定图片的图像特征之间的几何距离，在所述几何距离小于第二预设阈值时，确定所述其它图片为与所述指定图片的相似度大于第一预设阈值的图片，并将所述其它图片作为所述指定图片的相似图片。

3.根据权利要求2所述的方法，其特征在于，获取所述图库中所有图片的图像特征，包括：

获取所述所有图片的语义特征和视觉特征；

对所述语义特征和所述视觉特征按照主成分分析算法进行特征压缩处理，得到所述图像特征。

4.根据权利要求3所述的方法，其特征在于，获取所述指定图片的语义特征和视觉特征，包括：

将所述指定图片输入深度卷积神经网络模型，输出得到所述语义特征；

提取所述指定图片的颜色、所述指定图片的灰度共生阵以及所述指定图片的7个不变矩向量作为所述视觉特征。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述触发事件包括：用于删除冗余图片的冗余删除信号。

6.根据权利要求5所述的方法，其特征在于，输出该组图片之后，所述方法还包括：按照预设规则删除所述一组图片中的一个或多个图片。

7.根据权利要求6所述的方法，其特征在于，按照预设规则删除所述一组图片中的一个或多个图片包括：

在接收到删除所述一组图片中的部分图片或全部图片的删除指令时，删除所述一组图片中的部分或全部图片。

8.根据权利要求5所述的方法，其特征在于，所述方法还包括：在预定时间内没有接收到所述冗余删除信号的情况下，清空所述一组图片所在的相似图片列表。

9.一种图片的筛选装置，其特征在于，包括：

检测模块，用于检测触发事件；

获取模块，用于在所述触发事件的触发下，获取图库中与指定图片的相似度大于第一预设阈值的图片，作为所述指定图片的相似图片；

输出模块，用于将所述指定图片和所述相似图片作为一组图片，并输出该组图片。

10.根据权利要求9所述的装置，其特征在于，所述获取模块包括：

第一获取单元，用于获取所述图库中所有图片的图像特征；

第二获取单元，用于获取其它图片的图像特征与所述指定图片的图像特征之间的几何距离，在所述几何距离小于第二预设阈值时，确定所述其它图片为与所述指定图片的相似度大于第一预设阈值的图片，并将所述其它图片作为所述指定图片的相似图片。

11.根据权利要求10所述的装置，其特征在于，第一获取单元包括：

第一获取子单元，用于获取所述所有图片的语义特征和视觉特征；

压缩子单元，用于对所述语义特征和所述视觉特征按照主成分分析算法进行特征压缩处理，得到所述图像特征。

12.根据权利要求11所述的装置，其特征在于，获取所述指定图片的语义特征和视觉特征的方式包括：

将所述指定图片输入深度卷积神经网络模型，输出得到所述语义特征；

提取所述指定图片的颜色、所述指定图片的灰度共生阵以及所述指定图片的7个不变矩向量作为所述视觉特征。

13.根据权利要求9至12中任一项所述的装置，其特征在于，所述触发事件包括：用于删除冗余图片的冗余删除信号。

14.根据权利要求13所述的装置，其特征在于，输出该组图片之后，所述装置还包括：

删除模块，用于按照预设规则删除所述一组图片中的一个或多个图片。