CN107622281B

CN107622281B - 图像分类方法、装置、存储介质及移动终端

Info

Publication number: CN107622281B
Application number: CN201710854423.3A
Authority: CN
Inventors: 梁昆
Original assignee: Guangdong Oppo Mobile Telecommunications Corp Ltd
Current assignee: Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date: 2017-09-20
Filing date: 2017-09-20
Publication date: 2021-02-05
Anticipated expiration: 2037-09-20
Also published as: CN107622281A

Abstract

本申请实施例公开了一种图像分类方法、装置、存储介质及移动终端。该方法包括：获取基于机器学习的预设分类模型，预设分类模型由多个已知拍摄场景的图像样本训练得到，用于对图像进行基于拍摄场景的分类；将第一图像输入至预设分类模型中，并获取预设分类模型输出的第一拍摄场景；确定第一图像对应的拍摄场景类别包括第一拍摄场景。本申请实施例通过采用上述技术方案，能够丰富图像的分类维度并提高分类准确度。

Description

图像分类方法、装置、存储介质及移动终端

技术领域

本申请实施例涉及终端领域，尤其涉及图像分类方法、装置、存储介质及移动终端。

背景技术

随着通信技术的发展，各种移动终端的使用越来越普及，且移动终端已经成为人们生活中不可缺少的工具。

目前，移动终端普遍支持图像浏览功能，使移动终端用户能够在日常生活中随时查看移动终端中存储的照片以及其他各种类型的图片。为了对移动终端中的图像进行管理，一般会设置多个文件夹以对图像进行分类，然而目前的分类方式比较单一，需要改进。

发明内容

本申请实施例提供图像分类方法、装置、存储介质及移动终端，可以优化移动终端中的图像分类方案。

第一方面，本申请实施例提供了一种图像分类方法，包括：

获取基于机器学习的预设分类模型，所述预设分类模型由多个已知拍摄场景的图像样本训练得到，用于对图像进行基于拍摄场景的分类；

将第一图像输入至所述预设分类模型中，并获取所述预设分类模型输出的第一拍摄场景；

确定所述第一图像对应的拍摄场景类别包括所述第一拍摄场景。

第二方面，本申请实施例提供了一种图像分类装置，包括：

模型获取模块，用于获取基于机器学习的预设分类模型，所述预设分类模型由多个已知拍摄场景的图像样本训练得到，用于对图像进行基于拍摄场景的分类；

模型输入模块，用于将第一图像输入至所述预设分类模型中，并获取所述预设分类模型输出的第一拍摄场景；

场景确定模块，用于确定所述第一图像对应的拍摄场景类别包括所述第一拍摄场景。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的图像分类方法。

第四方面，本申请实施例提供了一种移动终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的图像分类方法。

本申请实施例中提供的图像分类方案，将需要被分类的第一图像输入至基于机器学习的预设分类模型中，根据输出结果确定第一图片对应的一种拍摄场景,其中，预设分类模型是基于机器学习的模型，用于对图像进行基于拍摄场景的分类，能够丰富图像的分类维度并提高分类准确度。

附图说明

图1为本申请实施例提供的一种图像分类方法的流程示意图；

图2为本申请实施例提供的另一种图像分类方法的流程示意图；

图3为本申请实施例提供的一种图集界面示意图；

图4为本申请实施例提供的另一种图像分类方法的流程示意图；

图5为本申请实施例提供的另一种图像分类方法的流程示意图；

图6为本申请实施例提供的另一种图像分类方法的流程示意图；

图7为本申请实施例提供的一种图像分类装置的结构框图；

图8为本申请实施例提供的一种移动终端的结构示意图；

图9为本申请实施例提供的又一种移动终端的结构示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

图1为本申请实施例提供的一种图像分类方法的流程示意图，该方法可以由图像分类装置执行，其中该装置可由软件和/或硬件实现，一般可集成在手机、平板电脑以及媒体播放器等移动终端中。如图1所示，该方法包括：

步骤101、获取基于机器学习的预设分类模型。

其中，所述预设分类模型由多个已知拍摄场景的图像样本训练得到，用于对图像进行基于拍摄场景的分类。

本申请实施例中，对预设分类模型的来源不做限定，可以是从移动终端本地获取，也可从与移动终端对应的预设服务器获取。当移动终端检测到图像分类事件被触发时，可从移动终端本地存储空间中获取预设分类模型，也可从对应的预设服务器获取预设分类模型。示例性的，预设分类模型的训练或更新过程可在移动终端本地进行；也可在预设服务器中进行，当预设分类模型训练完毕或更新完毕后，可直接发送至移动终端进行存储，或在预设服务器本地进行存储，等待移动终端主动获取。

可选的，本申请实施例中的基于机器学习的预设分类模型包括基于神经网络的模型，例如，预设分类模型中可包括一个或多个卷积神经网络层，还可包括一个或多个激活函数层，也可包括一个或多个循环神经网络层。用于训练的初始模型可基于神经网络理论建立，还可基于经验对网络层数或相关参数进行预先设置。

本申请实施例中，对所述多个已知拍摄场景的图像样本的来源和数量不做具体限定。可以理解的是，对于基于机器学习的模型来说，一般图像样本的数量越多，模型的输出结果越准确。图像样本的来源可以是所有移动终端用户或指定用户群体(如与当前用户的属性相同的用户群体，属性可包括性别、年龄段和职业等等)发送的拍摄场景已知的图像，这里的拍摄场景可由发送图像的用户来确定；图像样本的来源还可以是当前移动终端的图库中的图像，图库中的图像对应的拍摄场景可由当前移动终端用户根据个人习惯设定；图像样本的来源还可以是由设计人员从网络或其他途径收集的图像，并由设计人员根据经验或者大数据等确定所收集的图像的拍摄场景。可选的，同一个图像样本对应的拍摄场景可包括一个或多个。例如，图像A中包含天空、太阳、大海和沙滩，其对应的拍摄场景可包括室外场景、晴天场景、白天场景、海边场景以及旅游场景等等。

步骤102、将第一图像输入至预设分类模型中，并获取预设分类模型输出的第一拍摄场景。

本申请实施例中，第一图像可以是移动终端中存储的图像，还可以是缓存的图像，还可以是获取到的图像，还可以是拍摄的图像等等。示例性的，可将第一图片中所有像素数据输入至预设分类模型中，也可提取第一图片中的特征数据并输入至预设分类模型中，本申请实施例不作具体限定，可与预设分类模型的训练方式相对应。

可选的，如上文所述，一个图像样本对应的拍摄场景可包括一个或多个，在将第一图像输入至预设分类模型后，输出的拍摄场景也可以包括一个或多个，第一拍摄场景可以是多个输出结果中的任意一个。

步骤103、确定第一图像对应的拍摄场景类别包括第一拍摄场景。

示例性的，确定第一图像对应的拍摄场景类别包括第一拍摄场景的方式可以是：将第一图像划入第一拍摄场景对应的图集中；或为第一图像添加第一拍摄场景对应的场景标识；或将第一图像作为第一拍摄场景的搜索结果进行显示等等。

本申请实施例中提供的图像分类方法，将需要被分类的第一图像输入至基于机器学习的预设分类模型中，根据输出结果确定第一图片对应的一种拍摄场景,其中，预设分类模型是基于机器学习的模型，用于对图像进行基于拍摄场景的分类，能够丰富图像的分类维度并提高分类准确度。

在一些实施例中，获取基于机器学习的预设分类模型包括：从预设服务器获取基于机器学习的预设分类模型。这样设置的好处在于，预设分类模型的训练及更新过程由服务器来完成，可减轻移动终端的运算量，同时服务器的计算能力较强，能够提高训练速度。此外，主动从预设服务器获取预设分类模型，而不是被动的等待预设服务器发送的预设分类模型，可在保证预设分类模型是最新的基础上减少接收预设分类模型的次数，减少数据传输量，从而降低移动终端的功耗且节约流量。

进一步的，在一些实施例中，还可包括：获取当前拍摄的第二图像；接收用户输入的所述第二图像对应的第二拍摄场景；将所述第二图像和所述第二拍摄场景发送至所述预设服务器，用于指示所述预设服务器根据所述第二图像和所述第二拍摄场景对所述预设分类模型进行训练及更新。将用户拍摄的第二图像和用户输入的对应的拍摄场景作为训练样本发送至预设服务器，预设服务器根据该训练样本对预设分类模型进行训练及更新，待下一次移动终端从预设服务器获取预设分类模型时，此时的预设分类模型能够更加贴合移动终端用户的分类习惯，使图像分类更加智能化。

进一步的，在一些实施例中，还可包括：获取所述第二图像对应的拍摄参数。所述将所述第二图像和所述第二拍摄场景发送至所述预设服务器，用于指示所述预设服务器根据所述第二图像和所述第二拍摄场景对所述预设分类模型进行训练及更新，包括：将所述第二图像、所述拍摄参数和所述第二拍摄场景发送至所述预设服务器，用于指示所述预设服务器根据所述第二图像、所述拍摄参数和所述第二拍摄场景对所述预设分类模型进行训练及更新。相应的，所述将第一图像输入至所述预设分类模型中，包括：将第一图像和所述第一图像对应的拍摄参数输入至所述预设分类模型中。其中，拍摄参数可包括在拍摄第二图像时，移动终端的摄像头的工作参数或相机应用的工作参数，例如，可包括曝光时间、感光值、白平衡、分辨率(或照片尺寸)及对焦位置等等。这样设置的好处在于，用户在拍摄不同场景的图片时，会根据个人的拍摄习惯调节拍摄参数，也就是说拍摄参数与拍摄场景的对应关系与用户自身的拍摄习惯是存在关联的，在对预设分类模型进行训练时，将拍摄参数考虑在内，能够使预设分类模型的分类结果更加贴合用户的实际分类需求，所以更加准确及智能。

进一步的，在一些实施例中，获取基于机器学习的预设分类模型，包括：确定分类模式；获取与所述分类模式相对应的基于机器学习的预设分类模型。如上文所述，同一个图像样本对应的拍摄场景可包括一个或多个，当包括多个时，可能按照不同的分类标准进行分类，即分类模式不同，在不同的分类模式下，同一个图像对应的拍摄场景可以不同。如上述举例的图像A，按照室内或室外的分类模式划分时，图像A对应的拍摄场景可以是室外；按照天气情况的分类模式(如可包括晴天、阴天、雨天、雾霾天及雪天等等)划分时，图像A对应的拍摄场景可以是晴天；按照昼夜分类模式划分时，图像A对应的拍摄场景可以是白天；按照景色分类模式(如可包括海边、森林、瀑布、草原及星空等等)划分时，图像A对应的拍摄场景可以是海边；按照场所分类模式(如可包括工作场所、娱乐场所、旅游场所、家居场所及商场等等)，图像A对应的拍摄场景可以是旅游场所。上述分类模式仅作为示意性说明，本申请实施例可包含其中的任意多个分类模式，还可包括其他分类模式，本申请实施例不做限定。对于不同的分类模式，可分别设置其对应的预设分类模型，在分类模式确定的情况下，预设分类模型可输出一种拍摄场景作为结果。这样设置的好处在于，可简化预设分类模型，如可减少网络层数或减少待训练参数等等，同时可减少运算量，提高输出结果的速度。

在一些实施例中，在所述确定分类模式之前，还包括：接收用户输入的关键字，所述关键字与拍摄场景相对应。所述确定分类模式包括：根据所述关键字确定分类模式。在所述确定所述第一图像对应的拍摄场景类别包括所述第一拍摄场景之后，包括：若所述第一拍摄场景与所述关键字匹配，则将所述第一图像确定为搜索到的图像并进行显示。这样设置的好处在于，用户可分别输入与拍摄场景对应的关键字确定分类模式，然后获取相应的预设分类模型，将移动终端中的图像一一输入至预设分类模型中，若输出结果与关键字匹配，则符合用户的搜索要求，作为搜索结果进行显示，方便用户快速查找到所需类别的图像。

在一些实施例中，所述第一图像包括当前拍摄预览图像或当前拍摄图像；在确定所述第一图像对应的拍摄场景类别包括所述第一拍摄场景之后，还包括：根据所述第一拍摄场景自动调整移动终端的拍摄参数。可选的，在确定第一图像对应的拍摄场景类别时，可将第一图像和第一图像对应的拍摄参数输入至预设分类模型中，也可仅将第一图像输入至预设分类模型中，本申请实施例不做限定。此处优化的好处在于，如上文所述，用户在拍摄不同场景的图片时，会根据个人的拍摄习惯调节拍摄参数，在识别出当前拍摄预览图像对应的拍摄场景后，控制移动终端自动调节拍摄参数，减少用户的手动调节，使移动终端实现智能拍照，提高拍照效率。同理，在识别出当前拍摄图像对应的拍摄场景后，用户很可能会继续拍摄同一拍摄场景的照片，同样可减少用户的手动调节，提高拍照效率。可选的，当第一图像包括当前拍摄图像时，在预设时长内(如1分钟内)，根据所述第一拍摄场景自动调整移动终端的拍摄参数，这样设置的好处在于，超过预设时长后，用户很可能已经变换拍摄场景，无需自动调节拍摄参数，减少移动终端的自动操作，节省功耗。

图2为本申请实施例提供的另一种图像分类方法的流程示意图，适用于对移动终端图库中所有图片进行分类的情况，该方法包括如下步骤：

步骤201、检测到图库分类事件被触发时，确定分类模式。

示例性的，可根据用户的操作确定分类模式，如用户从多种分类模式中选择当前的分类模式，或手动输入期望的分类模式等等。

步骤202、从预设服务器获取与所述分类模式相对应的基于机器学习的预设分类模型。

步骤203、将移动终端图库中的每张图片依次输入所述预设分类模型中，对于每张图片，将当前图片输入至预设分类模型后，输出结果为当前图片对应的拍摄场景类别。

例如，将图片A输入至预设分类模型中，输出结果为图片A对应的拍摄场景类别a；将图片B输入至预设分类模型中，输出结果为图片B对应的拍摄场景类别b。图片A的输入和图片B的输入互不干扰，即图片A输入预设分类模型后，对预设分类模型不产生影响，先输入图片A还是先输入图片B，对得到的a和b均不产生影响。

步骤204、按照每张图片对应的拍摄场景类别对图库中的所有图片进行分类，同一拍摄场景类别的图片被放入同一个图集中。

可选的，本申请实施例对图片的物理存储位置不作改动，仅更改图片的索引结构，方便用户按照图集对应的类别进行查看。

步骤205、显示包含至少一个图集的界面。

示例性的，图3为本申请实施例提供的一种图集界面示意图，分类模式为按照场所分类，图中显示了6个图集，分别为办公、家居、旅游、娱乐、商场和会场，在每个图集的封面上还显示了图集中包含的图片张数，如办公图集中包含23张图片。

本申请实施例提供的图像分类方法，能够利用机器学习模型将移动终端图库中的图片按照分类模式划分入不同的图集中进行分类显示，方便用户查看所需图片。

图4为本申请实施例提供的另一种图像分类方法的流程示意图，适用于对新增照片进行分类的情况，该方法包括：

步骤401、获取移动终端拍摄的新增照片E。

步骤402、检测移动终端中当前的分类模式。

步骤403、从预设服务器获取与所述分类模式相对应的基于机器学习的预设分类模型。

步骤404、将照片E输入所述预设分类模型中，得到照片E对应的拍摄场景类别为F。

步骤405、判断用户是否确定将照片E划入图集F中，若是，则执行步骤406；否则，执行步骤407。

步骤406、将照片E划入图集F中,并显示图集F，结束流程。

步骤407、接收用户输入的照片E对应的拍摄场景类别为G，将照片E划入图集G中，执行步骤408。

步骤408、将照片E和对应的拍摄场景类别G发送至预设服务器，用于指示预设服务器根据照片E和对应的拍摄场景类别G对预设分类模型进行训练及更新。

本申请实施例提供的图像分类方法，将新拍摄的照片输入至移动终端当前分类模式对应的预设分类模型中，得到对应的拍摄场景类别，并让用户判断是否贴合自身需求，若贴合，则直接将照片划入相应图集，若不贴合，则根据用户的输入进行调整，并将调整结果反馈至预设服务器，用于对预设分类模型进行训练及更新，使该模型更加准确，更加满足用户的个性化分类需求。

图5为本申请实施例提供的另一种图像分类方法的流程示意图，适用于图像搜索的情况，该方法包括：

步骤501、接收用户输入的关键字，所述关键字与拍摄场景相对应。

步骤502、根据所述关键字确定分类模式。

步骤503、获取与所述分类模式相对应的基于机器学习的预设分类模型。

步骤504、将移动终端图库中的每张图片依次输入所述预设分类模型中，对于每张图片，将当前图片输入至预设分类模型后，输出结果为当前图片对应的拍摄场景类别。

步骤505、若图片M对应的拍摄场景与所述关键字匹配，则将图像M确定为搜索到的图像并进行显示。

本申请实施例提供的图像分类方法，可根据用户输入的关键字进行基于拍摄场景的搜索，例如，用户输入“雨”，可确认分类模式为按照天气分类，并通过执行上述步骤将对应雨天场景的图片搜索出来并进行显示，实现基于拍摄场景的个性化图像搜索。

图6为本申请实施例提供的另一种图像分类方法的流程示意图，适用于拍摄照片的情况，该方法包括：

步骤601、获取拍摄预览图像。

步骤602、获取基于机器学习的预设分类模型。

步骤603、将拍摄预览图像输入至预设分类模型中，并获取预设分类模型输出的拍摄场景。

步骤604、根据拍摄场景自动调整移动终端的拍摄参数。

步骤605、控制移动终端拍摄照片。

步骤606、将所拍摄的照片划入与拍摄场景对应的图集中。

本申请实施例提供的图像分类方法，利用预设分类模型确定拍摄预览图像的拍摄场景，根据拍摄场景自动调整移动终端的拍摄参数，可减少用户的手动调节，使移动终端实现智能拍照，提高拍照效率。

图7为本申请实施例提供的一种图像分类装置的结构框图，该装置可由软件和/或硬件实现，一般集成在移动终端中，可通过执行图像分类方法来对图像进行分类。如图7所示，该装置包括：

模型获取模块701，用于获取基于机器学习的预设分类模型，所述预设分类模型由多个已知拍摄场景的图像样本训练得到，用于对图像进行基于拍摄场景的分类；

模型输入模块702，用于将第一图像输入至所述预设分类模型中，并获取所述预设分类模型输出的第一拍摄场景；

场景确定模块703，用于确定所述第一图像对应的拍摄场景类别包括所述第一拍摄场景。

本申请实施例提供的图像分类装置，将需要被分类的第一图像输入至基于机器学习的预设分类模型中，根据输出结果确定第一图片对应的一种拍摄场景,其中，预设分类模型是基于机器学习的模型，用于对图像进行基于拍摄场景的分类，能够丰富图像的分类维度并提高分类准确度。

可选的，所述获取基于机器学习的预设分类模型，包括：从预设服务器获取基于机器学习的预设分类模型。

可选的，该装置还包括：

图像获取模块，用于获取当前拍摄的第二图像；

场景接收模块，用于接收用户输入的所述第二图像对应的第二拍摄场景；

样本发送模块，用于将所述第二图像和所述第二拍摄场景发送至所述预设服务器，用于指示所述预设服务器根据所述第二图像和所述第二拍摄场景对所述预设分类模型进行训练及更新。

可选的，该装置还包括：

拍摄参数获取模块，用于获取所述第二图像对应的拍摄参数；

所述样本发送模块，用于：

将所述第二图像、所述拍摄参数和所述第二拍摄场景发送至所述预设服务器，用于指示所述预设服务器根据所述第二图像、所述拍摄参数和所述第二拍摄场景对所述预设分类模型进行训练及更新；

所述模型输入模块用于：

将第一图像和所述第一图像对应的拍摄参数输入至所述预设分类模型中。

可选的，所述模型获取模块用于：

确定分类模式；

获取与所述分类模式相对应的基于机器学习的预设分类模型。

可选的，该装置还包括：

关键字接收模块，用于在所述确定分类模式之前，接收用户输入的关键字，所述关键字与拍摄场景相对应；

所述确定分类模式包括：根据所述关键字确定分类模式；

该装置还包括：搜索结果显示模块，用于在所述确定所述第一图像对应的拍摄场景类别包括所述第一拍摄场景之后，若所述第一拍摄场景与所述关键字匹配，则将所述第一图像确定为搜索到的图像并进行显示。

可选的，所述第一图像包括当前拍摄预览图像或当前拍摄图像；

该装置还包括：拍摄参数调整模块，用于在确定所述第一图像对应的拍摄场景类别包括所述第一拍摄场景之后，根据所述第一拍摄场景自动调整移动终端的拍摄参数。

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行图像分类方法，该方法包括：

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的图像分类操作，还可以执行本申请任意实施例所提供的图像分类方法中的相关操作。

本申请实施例提供了一种移动终端，该移动终端中可集成本申请实施例提供的图像分类装置。图8为本申请实施例提供的一种移动终端的结构示意图。如图8所示，移动终端800可以包括：存储器801，处理器802及存储在存储器上并可在处理器运行的计算机程序，所述处理器802执行所述计算机程序时实现如本申请实施例所述的图像分类方法。

本申请实施例提供的移动终端，将需要被分类的第一图像输入至基于机器学习的预设分类模型中，根据输出结果确定第一图片对应的一种拍摄场景,其中，预设分类模型是基于机器学习的模型，用于对图像进行基于拍摄场景的分类，能够丰富图像的分类维度并提高分类准确度。

图9为本申请实施例提供的又一种移动终端的结构示意图，如图9所示，该移动终端可以包括：壳体(图中未示出)、存储器901、中央处理器(central processing unit，CPU)902(又称处理器，以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述CPU902和所述存储器901设置在所述电路板上；所述电源电路，用于为所述移动终端的各个电路或器件供电；所述存储器901，用于存储可执行程序代码；所述CPU902通过读取所述存储器901中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：

所述移动终端还包括：外设接口903、RF(Radio Frequency，射频)电路905、音频电路906、扬声器911、电源管理芯片908、输入/输出(I/O)子系统909、其他输入/控制设备190、触摸屏912、其他输入/控制设备190以及外部端口904，这些部件通过一个或多个通信总线或信号线907来通信。

应该理解的是，图示移动终端900仅仅是移动终端的一个范例，并且移动终端900可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。

下面就本实施例提供的用于图像分类的移动终端进行详细的描述，该移动终端以手机为例。

存储器901，所述存储器901可以被CPU902、外设接口903等访问，所述存储器901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，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

外设接口903，所述外设接口903可以将设备的输入和输出外设连接到CPU902和存储器901。

I/O子系统909，所述I/O子系统909可以将设备上的输入输出外设，例如触摸屏912和其他输入/控制设备190，连接到外设接口903。I/O子系统909可以包括显示控制器9091和用于控制其他输入/控制设备190的一个或多个输入控制器9092。其中，一个或多个输入控制器9092从其他输入/控制设备190接收电信号或者向其他输入/控制设备190发送电信号，其他输入/控制设备190可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器9092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。

触摸屏912，所述触摸屏912是用户移动终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。

I/O子系统909中的显示控制器9091从触摸屏912接收电信号或者向触摸屏912发送电信号。触摸屏912检测触摸屏上的接触，显示控制器9091将检测到的接触转换为与显示在触摸屏912上的用户界面对象的交互，即实现人机交互，显示在触摸屏912上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。

RF电路905，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路905接收并发送RF信号，RF信号也称为电磁信号，RF电路905将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路905可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。

音频电路906，主要用于从外设接口903接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器911。

扬声器911，用于将手机通过RF电路905从无线网络接收的语音信号，还原为声音并向用户播放该声音。

电源管理芯片908，用于为CPU902、I/O子系统及外设接口所连接的硬件进行供电及电源管理。

上述实施例中提供的图像分类装置、存储介质及移动终端可执行本申请任意实施例所提供的图像分类方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的图像分类方法。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims

1.一种图像分类方法，其特征在于，包括：

确定分类模式，在不同分类模式下，同一个图像对应的拍摄场景存在不同；

获取与所述分类模式相对应的基于机器学习的预设分类模型，所述预设分类模型由多个已知拍摄场景的图像样本训练得到，用于对图像进行基于拍摄场景的分类；

2.根据权利要求1所述的方法，其特征在于，所述获取基于机器学习的预设分类模型，包括：

从预设服务器获取基于机器学习的预设分类模型。

3.根据权利要求2所述的方法，其特征在于，还包括：

获取当前拍摄的第二图像；

接收用户输入的所述第二图像对应的第二拍摄场景；

将所述第二图像和所述第二拍摄场景发送至所述预设服务器，用于指示所述预设服务器根据所述第二图像和所述第二拍摄场景对所述预设分类模型进行训练及更新。

4.根据权利要求3所述的方法，其特征在于，还包括：

获取所述第二图像对应的拍摄参数；

所述将所述第二图像和所述第二拍摄场景发送至所述预设服务器，用于指示所述预设服务器根据所述第二图像和所述第二拍摄场景对所述预设分类模型进行训练及更新，包括：

所述将第一图像输入至所述预设分类模型中，包括：

5.根据权利要求4所述的方法，其特征在于，在所述确定分类模式之前，还包括：

接收用户输入的关键字，所述关键字与拍摄场景相对应；

所述确定分类模式包括：

根据所述关键字确定分类模式；

在所述确定所述第一图像对应的拍摄场景类别包括所述第一拍摄场景之后，包括：

若所述第一拍摄场景与所述关键字匹配，则将所述第一图像确定为搜索到的图像并进行显示。

6.根据权利要求1所述的方法，其特征在于，所述第一图像包括当前拍摄预览图像或当前拍摄图像；

在确定所述第一图像对应的拍摄场景类别包括所述第一拍摄场景之后，还包括：

根据所述第一拍摄场景自动调整移动终端的拍摄参数。

7.一种图像分类装置，其特征在于，包括：

模型获取模块，用于确定分类模式，获取与所述分类模式相对应的基于机器学习的预设分类模型，所述预设分类模型由多个已知拍摄场景的图像样本训练得到，用于对图像进行基于拍摄场景的分类，在不同分类模式下，同一个图像对应的拍摄场景存在不同；

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的图像分类方法。

9.一种移动终端，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6任一所述的图像分类方法。