CN107729540B - 照片分类的方法、设备及计算机可存储介质 - Google Patents

Abstract

本发明公开了一种照片分类的方法，包括：分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；将每种分类照片集各自对应的特征信息形成特征信息集，并根据特征信息集形成特征信息要素；在有新照片存入本地照片库时，根据特征信息要素分析新照片，得到新照片的特征信息；在新照片的特征信息满足预设规则时，确定出新照片属于的分类照片集，并将新照片分类到分类照片集中。本发明同时还公开了一种照片分类的设备及计算机可读存储介质。通过本发明的方案，能够降低用户查找照片的操作时间，提高查找效率。

Description

照片分类的方法、设备及计算机可存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种照片分类的方法、设备及计算机可存储介质。

背景技术

随着科技的发展，手机的功能也越来越丰富，在功能丰富的同时，用户的使用体验也越来越重要；如今，用户手机的照片库中存储有大量的照片，当用户从大量的照片中想要查找指定的照片时，会查阅整个照片库中照片来找到指定的照片；这样一来，就会增加用户查找照片的操作时间，导致查找效率低下。

发明内容

有鉴于此，本发明实施例期望提供一种照片分类的方法、设备及计算机可存储介质，能够降低用户查找照片的操作时间，提高查找效率。

为达到上述目的，本发明的技术方案是这样实现的：

本发明提供一种照片分类的方法，所述方法包括：

分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；

将所述每种分类照片集各自对应的特征信息形成特征信息集，并根据所述特征信息集形成特征信息要素；

在有新照片存入所述本地照片库时，根据特征信息要素分析所述新照片，得到所述新照片的特征信息；

在所述新照片的特征信息满足预设规则时，确定出所述新照片属于的分类照片集，并将所述新照片分类到所述分类照片集中。

上述方案中，所述分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息，包括：

利用图像处理技术分析所述本地照片库中的各种分类照片集中的每张照片，得到所述每张照片的特征信息；

利用所述机器学习算法筛选所述每种分类照片集中的每张照片的特征信息，得到所述每种分类照片集中的每张照片共有的特征信息；

根据所述每种分类照片集中的每张照片共有的特征信息，利用所述机器学习算法得到所述每种分类照片集各自对应的特征信息。

上述方案中，在所述根据特征信息要素分析所述新照片，得到所述新照片的特征信息之前，在所述根据所述特征信息集形成特征信息要素之后，所述方法还包括：

判断是否有新照片存入所述本地照片库；

在所述确定出所述新照片属于的分类照片集之前，在所述根据特征信息要素分析所述新照片，得到所述新照片的特征信息之后，所述方法还包括：

判断所述新照片的特征信息是否满足所述预设规则。

上述方案中，所述预设规则包括：所述新照片的特征信息与所述特征信息集中的任意一个特征信息的相似度大于预设阈值的规则。

上述方案中，所述机器学习算法包括：K-均值聚类K-means算法、分类决策树C4.5算法、支持向量机SVM算法、最邻近结点KNN算法、朴素贝叶斯模型NBM算法中的至少一项。

本发明提供一种照片分类的设备，所述设备包括：接口、处理器、存储器及通信总线；

所述通信总线，用于实现所述接口、所述处理器和所述存储器之间的连接通信；

所述处理器，用于执行所述存储器中存储的照片分类的程序，以实现以下步骤：

分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；

将所述每种分类照片集各自对应的特征信息形成特征信息集，并根据所述特征信息集形成特征信息要素；

在有新照片存入所述本地照片库时，根据特征信息要素分析所述新照片，得到所述新照片的特征信息；

在所述新照片的特征信息满足预设规则时，确定出所述新照片属于的分类照片集，并将所述新照片分类到所述分类照片集中。

上述方案中，所述处理器，用于执行所述照片分类的程序，以具体实现以下步骤：

利用图像处理技术分析所述每种分类照片集中的每张照片，得到所述每张照片的特征信息；

利用所述机器学习算法筛选所述每种分类照片集中的每张照片的特征信息，得到所述每种分类照片集中的每张照片共有的特征信息；

根据所述每种分类照片集中的每张照片共有的特征信息，利用所述机器学习算法得到所述每种分类照片集各自对应的特征信息。

上述方案中，所述处理器，还用于执行所述照片分类的程序，以实现以下步骤：

判断是否有新照片存入所述本地照片库；

所述处理器，还用于执行所述照片分类的程序，以实现以下步骤：

判断所述新照片的特征信息是否满足所述预设规则。

上述方案中，所述预设规则包括：所述新照片的特征信息与所述特征信息集中的任意一个特征信息的相似度大于预设阈值的规则；

所述机器学习算法包括：K-均值聚类K-means算法、分类决策树C4.5算法、支持向量机SVM算法、最邻近结点KNN算法、朴素贝叶斯模型NBM算法中的至少一项。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述所述照片分类的方法的步骤。

本发明提供的照片分类的方法、设备及计算机可存储介质，通过分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；将每种分类照片集各自对应的特征信息形成特征信息集，并根据特征信息集形成特征信息要素；在有新照片存入本地照片库时，根据特征信息要素分析新照片，得到新照片的特征信息；在新照片的特征信息满足预设规则时，确定出新照片属于的分类照片集，并将新照片分类到分类照片集中；通过机器学习算法以机器学习的方式，对用户分类的不同类别的分类照片集进行学习，得到分类照片集各自对应的特征信息，当新存入照片时，根据新存入照片的特征信息，确定出新存入照片所属的分类照片集，并将新存入照片存储至对应的分类照片集下，使得用户可以在分类照片集下查找照片，提高了查找效率，节省了操作时间。

附图说明

图1为实现本发明各个实施例的一个可选的移动终端的硬件结构示意图；

图2为本发明实施例提供的移动终端能够操作的通信网络系统结构示意图；

图3为本发明照片分类的方法实施例一的流程图；

图4为本发明照片分类的方法实施例二的流程图；

图5a为本发明照片分类的方法场景一的示意图一；

图5b为本发明照片分类的方法场景一的示意图二；

图5c为本发明照片分类的方法场景一的示意图三；

图6a为本发明照片分类的方法场景二的示意图一；

图6b为本发明照片分类的方法场景二的示意图二；

图6c为本发明照片分类的方法场景二的示意图三；

图7为本发明照片分类的设备实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

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 DigitalAssistant，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，图1为实现本发明各个实施例的一个可选的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方位，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移动终端能够操作的通信网络系统结构示意图，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 AccessNetwork，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。

基于上述移动终端硬件结构以及通信网络系统，提出本发明方法各个实施例。

实施例一

图3为本发明照片分类的方法实施例一的流程图，本发明实施例提供的照片分类的方法可以应用在照片分类的终端(以下简称终端)上，本发明实施例中描述的照片分类的终端如果具有操作系统，该操作系统可以为UNIX、Linux、Windows、Mac OS X、安卓(Android)、Windows Phone等等。

应用软件(Application，APP)是智能终端的第三方应用程序，用户可以通过各种各样的应用软件进行办公、娱乐、获取信息等等，其格式包括了如ipa、pxl、deb、apk等等格式。

如图3所示，本发明实施例提供的照片分类的方法包括如下步骤：

步骤301、分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息。

终端分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；其中，本地照片库中的各种分类照片集是由用户按照自己的个性化分类设置的，例如，用户将本地照片库中的各种人物照片归类到人物分类集中，将本地照片库中的各种风景照片归类到风景分类集中，将各种白天照片归类到白天分类集中等等一系列的分类。

利用机器学习算法可以将每种分类照片集各自对应的特征信息找出和统计，机器学习算法实际上就是会根据用户确定出的各种分类照片集进行学习，找到各种分类照片集各自对应的特征信息。

其中，特征信息包括但不限于照片的色温信息、照片的颜色信息、照片的尺寸信息、照片的地理位置信息、照片的内容信息中的至少一项。

机器学习算法包括但不限于：K-均值聚类(The K-means algorithm，K-means)算法、分类决策树C4.5算法、支持向量机(Support Vector Machine，SVM)算法、最邻近结点(K-Nearest Neighbor，KNN)算法、朴素贝叶斯模型(Naive Bayesian Model，NBM)算法中的至少一项。

步骤302、将每种分类照片集各自对应的特征信息形成特征信息集，并根据特征信息集形成特征信息要素。

终端在获取到每种分类照片集各自对应的特征信息之后，将每种分类照片集各自对应的特征信息形成一个特征信息集，并根据特征信息集形成特征信息要素，该特征信息要素用于之后针对新照片进行分析的基础。

步骤303、在有新照片存入本地照片库时，根据特征信息要素分析新照片，得到新照片的特征信息。

终端在获取到有新照片存入本地照片库时，根据并基于事先得到的特征信息要素分析该新照片，得到特征信息要素对应的该新照片的各个特征信息。

步骤304、在新照片的特征信息满足预设规则时，确定出新照片属于的分类照片集，并将新照片分类到分类照片集中。

终端会分别判断新照片的每一个特征信息是否满足预设规则，在当前的一个特征信息满足预设规则时，确定出该新照片的该当前的一个特征信息属于的分类照片集，并将该新照片分类到对应的分类照片集中；如果另外一个特征信息也满足预设规则时，确定出该新照片的该另外一个特征信息属于的分类照片集，并将该新照片分类到对应的分类照片集中，直到新照片的所有特征信息对比完。

其中，预设规则为：新照片的特征信息与特征信息集中的任意一个特征信息的相似度大于预设阈值的规则；预设阈值可以根据实际需求进行设置，在此不加以限制。

另外，预设规则也可以为其他的规则，具体的可以根据实际需求进行设置或定义，在此不加以限制。

本发明实施例提供的照片分类的方法，通过分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；将每种分类照片集各自对应的特征信息形成特征信息集，并根据特征信息集形成特征信息要素；在有新照片存入本地照片库时，根据特征信息要素分析新照片，得到新照片的特征信息；在新照片的特征信息满足预设规则时，确定出新照片属于的分类照片集，并将新照片分类到分类照片集中；通过机器学习算法以机器学习的方式，对用户分类的不同类别的分类照片集进行学习，得到分类照片集各自对应的特征信息，当新存入照片时，根据新存入照片的特征信息，确定出新存入照片所属的分类照片集，并将新存入照片存储至对应的分类照片集下，使得用户可以在分类照片集下查找照片，提高了查找效率，节省了操作时间。

为了更加体现出本发明的目的，在上述实施例的基础上，进一步的举例说明。

实施例二

图4为本发明照片分类的方法实施例二的流程图，本发明实施例提供的照片分类的方法应用在智能手机上，如图4所示，该方法可以包括如下步骤：

步骤401、判断照片分类的功能是否开启。

智能手机判断照片分类的功能是否开启，在判断出照片分类的功能未开启时，执行步骤402；在判断出照片分类的功能开启时，执行步骤403。

通过设置照片分类的功能的开关，可以有效的节省智能手机的资源，提高续航能力。

步骤402、结束任务。

智能手机结束当前处理任务。

步骤403、利用图像处理技术分析本地照片库中的各种分类照片集中的每张照片，得到每张照片的特征信息。

智能手机利用图像处理技术分析本地照片库中的各种分类照片集中的每张照片，得到每张照片的特征信息；该特征信息包括但不限于照片的色温信息、照片的颜色信息、照片的尺寸信息、照片的地理位置信息、照片的内容信息中的至少一项。

其中，图像处理技术为很成熟的现有技术，在此不加以赘述。

步骤404、利用机器学习算法筛选每种分类照片集中的每张照片的特征信息，得到每种分类照片集中的每张照片共有的特征信息。

智能手机利用K-means算法筛选每种分类照片集中的每张照片的特征信息，得到每种分类照片集中的每张照片共有的特征信息。

步骤405、根据每种分类照片集中的每张照片共有的特征信息，利用机器学习算法得到每种分类照片集各自对应的特征信息。

智能手机根据每种分类照片集中的每张照片共有的特征信息，利用K-means算法得到每种分类照片集各自对应的特征信息。

具体的，例如，机器学习算法实际上就是会根据所输入的元素特征进行学习，将个元素按照不同的特征进行分类，比如说K-means算法，就是给定一个元素集合D，其中每个元素具有n个可观察属性，使用K-means算法将D划分成k个子集，要求每个子集内部的元素之间相异度尽可能低，而不同子集的元素相异度尽可能高；其中每个子集叫做一个簇。

K-means算法的计算过程非常直观，分为以下几步：

(1)、从D中随机取k个元素，作为k个簇的各自的中心。

(2)、分别计算剩下的元素到k个簇中心的相异度，将这些元素分别划归到相异度最低的簇。

(3)、根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。

(4)、将D中全部元素按照新的中心重新聚类。

(5)、重复第4步，直到聚类结果不再变化。

(6)、将结果输出。

其中，时间复杂度为：O(T*n*k*m)；空间复杂度为：O(n*m)；n为：元素个数，k为：第一步中选取的元素个数，m为：每个元素的特征项个数，T为：(5)中迭代的次数。

步骤406、将每种分类照片集各自对应的特征信息形成特征信息集，并根据特征信息集形成特征信息要素。

智能手机在获取到每种分类照片集各自对应的特征信息之后，将每种分类照片集各自对应的特征信息形成一个特征信息集，并根据特征信息集形成特征信息要素，该特征信息要素用于之后针对新照片进行分析的基础。

步骤407、判断是否有新照片存入本地照片库。

智能手机判断是否有新照片存入本地照片库，若判断出未有新照片存入本地照片库，则执行步骤408；若判断出有新照片存入本地照片库，则执行步骤409。

步骤408、结束任务。

智能手机结束当前处理任务。

步骤409、根据特征信息要素分析新照片，得到新照片的特征信息。

智能手机根据并基于事先得到的特征信息要素分析新存储的照片，得到该得到特征信息要素对应的该新照片的各个特征信息。

步骤410、判断新照片的特征信息与特征信息集中的任意一个特征信息的相似度是否大于预设阈值。

智能手机在判断之前，会统计并计算得到新照片的每一个特征信息与特征信息集中的每一个特征信息的相似度，再判断每一个相似度是否大于预设阈值，如果相似度小于或等于预设阈值，则执行步骤411；如果相似度大于预设阈值，则执行步骤412；其中，预设阈值可以根据实际需求进行设置，在此不加以限制。

步骤411、结束任务。

智能手机结束当前处理任务。

步骤412、确定出新照片属于的分类照片集，并将新照片分类到分类照片集中。

智能手机将符合条件的相似度对应的新照片的特征信息与特征信息集中的特征信息匹配，找到并确定出该新照片属于的分类照片集，并将该新照片分类到分类照片集中。

本发明实施例提供的照片分类的方法，智能手机通过判断照片分类的功能是否开启；在照片分类的功能开启时，利用图像处理技术分析本地照片库中的各种分类照片集中的每张照片，得到每张照片的特征信息；利用机器学习算法筛选每种分类照片集中的每张照片的特征信息，得到每种分类照片集中的每张照片共有的特征信息；根据每种分类照片集中的每张照片共有的特征信息，利用机器学习算法得到每种分类照片集各自对应的特征信息；判断是否有新照片存入本地照片库；在有新照片存入本地照片库时，根据特征信息要素分析新照片，得到新照片的特征信息；判断新照片的特征信息与特征信息集中的任意一个特征信息的相似度是否大于预设阈值；在新照片的特征信息与特征信息集中的任意一个特征信息的相似度大于预设阈值时，确定出新照片属于的分类照片集，并将新照片分类到分类照片集中；通过机器学习算法以机器学习的方式，对用户分类的不同类别的分类照片集进行学习，得到分类照片集各自对应的特征信息，当新存入照片时，根据新存入照片的特征信息，确定出新存入照片所属的分类照片集，并将新存入照片存储至对应的分类照片集下，使得用户可以在分类照片集下查找照片，提高了查找效率，节省了操作时间。

实施例三

进一步的，在上述实施例的基础上，以场景为例来说明。

图5a为本发明照片分类的方法场景一的示意图一，如图5a所示，用户在智能手机上将照片库中的照片按照不同色温将照片库中的照片分成了三种分类照片集，分别为“白天”、“傍晚”及“夜晚”。

智能手机先利用图像处理技术分析得到“白天”、“傍晚”及“夜晚”这些分类照片集中每张照片的平均色温值；其次，利用机器学习算法筛选每种分类照片集中的每张照片的平均色温值，得到每种分类照片集中的每张照片共有的相似或相近的色温值范围；最后，利用机器学习算法统计得到“白天”、“傍晚”及“夜晚”分类照片集各自对应的统计色温值，并将“白天”、“傍晚”及“夜晚”分类照片集各自对应的统计色温值形成一个特征信息集，根据特征信息集生成特征信息要；例如，“白天”分类照片集的统计色温值为5500k，“傍晚”分类照片集对应的统计色温值为3000k，“夜晚”分类照片集对应的统计色温值为2500k。

在新照片存入本地照片库时，智能手机利用图像处理技术分析该新照片的平均色温值，在得到新照片的平均色温值之后，会计算得到新照片的平均色温值与特征信息集中的各个统计色温值的相似度；图5b为本发明照片分类的方法场景一的示意图二，如图5b所示，新照片为“在夕阳下的大海的照片”；特征信息集中“白天”分类照片集的统计色温值为5500k，“傍晚”分类照片集对应的统计色温值为3000k，“夜晚”分类照片集对应的统计色温值为2500k；预设阈值为90％，可见，在特征信息集中，新照片的平均色温值与“傍晚”分类照片集的统计色温值的相似度大于90％，因此，智能手机将新照片确定分类到“傍晚”分类照片集中；图5c为本发明照片分类的方法场景一的示意图三，如图5c所示，智能手机将新照片分类到“傍晚”分类照片集中。

智能手机将确定出新存入照片所属的分类照片集，并将新存入照片存储至对应的分类照片集下，使得用户可以在分类照片集下查找照片，提高了查找效率，节省了操作时间。

实施例四

图6a为本发明照片分类的方法场景二的示意图一，如图6a所示，用户在智能手机上将照片库中的照片按照不同轮廓将照片库中的照片分成了三种分类照片集，分别为“人物”、“风景”及“建筑”。

智能手机先利用图像处理技术分析得到“人物”、“风景”及“建筑”这些分类照片集中每张照片的轮廓信息；其次，利用机器学习算法筛选每种分类照片集中的每张照片的轮廓信息，得到每种分类照片集中的每张照片共有的相似或相近的轮廓信息；最后，利用机器学习算法统计得到“人物”、“风景”及“建筑”分类照片集各自对应的轮廓信息的代表特征，并将“人物”、“风景”及“建筑”分类照片集各自对应的轮廓信息的代表特征形成一个特征信息集，根据特征信息集生成特征信息要；例如，“人物”分类照片集对应的代表特征为人形轮廓，“风景”分类照片集对应的代表特征为风景轮廓，“建筑”分类照片集对应的代表特征为建筑轮廓。

在新照片存入本地照片库时，智能手机利用图像处理技术分析该新照片的轮廓信息，在得到新照片的轮廓信息之后，会计算和比较新照片的轮廓信息与特征信息集中的各个轮廓信息的代表特征的相似度；图6b为本发明照片分类的方法场景二的示意图二，如图6b所示，新照片为“人物艺术照”；预设阈值为80％；在特征信息集中，新照片的轮廓信息与“人物”分类照片集的轮廓信息的代表特征的相似度大于90％，因此，智能手机将新照片确定分类到“人物”分类照片集中；图6c为本发明照片分类的方法场景二的示意图三，如图6c所示，智能手机将新照片分类到“人物”分类照片集中。

确定出新存入照片所属的分类照片集，并将新存入照片存储至对应的分类照片集下，使得用户可以在分类照片集下查找照片，提高了查找效率，节省了操作时间。

实施例五

图7为本发明照片分类的设备实施例的结构示意图，如图7所示，本发明实施例提供的照片分类的设备07包括：接口71、处理器72、存储器73及通信总线74；

其中，所述通信总线74，用于实现所述接口71、所述处理器72和所述存储器73之间的连接通信；

所述处理器72，用于执行所述存储器73中存储的照片分类的程序，以实现以下步骤：

分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；

将所述每种分类照片集各自对应的特征信息形成特征信息集，并根据所述特征信息集形成特征信息要素；

在有新照片存入所述本地照片库时，根据特征信息要素分析所述新照片，得到所述新照片的特征信息；

在所述新照片的特征信息满足预设规则时，确定出所述新照片属于的分类照片集，并将所述新照片分类到所述分类照片集中。

进一步的，所述处理器72，用于执行所述照片分类的程序，以具体实现以下步骤：

利用图像处理技术分析所述每种分类照片集中的每张照片，得到所述每张照片的特征信息；

利用所述机器学习算法筛选所述每种分类照片集中的每张照片的特征信息，得到所述每种分类照片集中的每张照片共有的特征信息；

根据所述每种分类照片集中的每张照片共有的特征信息，利用所述机器学习算法得到所述每种分类照片集各自对应的特征信息。

进一步的，所述处理器72，还用于执行所述照片分类的程序，以实现以下步骤：

判断是否有新照片存入所述本地照片库；

所述处理器72，还用于执行所述照片分类的程序，以实现以下步骤：

判断所述新照片的特征信息是否满足所述预设规则。

进一步的，所述预设规则包括：所述新照片的特征信息与所述特征信息集中的任意一个特征信息的相似度大于预设阈值的规则；

所述机器学习算法包括：K-均值聚类K-means算法、分类决策树C4.5算法、支持向量机SVM算法、最邻近结点KNN算法、朴素贝叶斯模型NBM算法中的至少一项。

如图7所示，照片分类的设备07可以是移动电话、计算机、数字广播终端、信息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等；可理解，通信总线74除包括数据总线之外，还包括电源总线、控制总线和状态信号总线，但是为了清楚说明起见，在图7中将各种总线都标为通信总线74。

其中，接口71可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等；接口71还可以接收和发送能够支持的各种信号，比如控制信号、数据信号、状态信号等等。

本发明实施例中的存储器73用于存储各种类型的数据以支持照片分类的设备07的操作；这些数据的示例包括：用于在照片分类的设备07上操作的任何计算机程序，如操作系统和应用程序、联系人数据、电话簿数据、消息、图片、视频等；其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；应用程序可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务；实现本发明实施例方法的程序可以包含在应用程序中。

上述本发明实施例揭示的方法可以应用于处理器72中，或者由处理器72实现；处理器72可能是一种集成电路芯片，具有信号的处理能力；在实现过程中，上述方法的各步骤可以通过处理器72中的硬件的集成逻辑电路或者软件形式的指令完成；上述的处理器72可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等；处理器72可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图；通用处理器可以是微处理器或者任何常规的处理器等；结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成；软件模块可以位于存储介质中，该存储介质位于存储器73，处理器72读取存储器73中的信息，结合其硬件完成前述方法的步骤。

在示例性实施例中，照片分类的设备07可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。

本实施例的设备，可以用于执行上述所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

实施例六

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；

将所述每种分类照片集各自对应的特征信息形成特征信息集，并根据所述特征信息集形成特征信息要素；

在有新照片存入所述本地照片库时，根据特征信息要素分析所述新照片，得到所述新照片的特征信息；

在所述新照片的特征信息满足预设规则时，确定出所述新照片属于的分类照片集，并将所述新照片分类到所述分类照片集中。

进一步的，所述一个或者多个程序可被所述一个或者多个处理器执行，以具体实现以下步骤：

利用图像处理技术分析所述每种分类照片集中的每张照片，得到所述每张照片的特征信息；

利用所述机器学习算法筛选所述每种分类照片集中的每张照片的特征信息，得到所述每种分类照片集中的每张照片共有的特征信息；

根据所述每种分类照片集中的每张照片共有的特征信息，利用所述机器学习算法得到所述每种分类照片集各自对应的特征信息。

进一步的，所述一个或者多个程序还可被所述一个或者多个处理器执行，以实现以下步骤：

判断是否有新照片存入所述本地照片库；

所述一个或者多个程序还可被所述一个或者多个处理器执行，以实现以下步骤：

判断所述新照片的特征信息是否满足所述预设规则。

进一步的，所述预设规则包括：所述新照片的特征信息与所述特征信息集中的任意一个特征信息的相似度大于预设阈值的规则。

进一步的，所述机器学习算法包括：所述机器学习算法包括：K-均值聚类K-means算法、分类决策树C4.5算法、支持向量机SVM算法、最邻近结点KNN算法、朴素贝叶斯模型NBM算法中的至少一项。

本实施例的计算机可读存储介质，可以用于执行上述所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

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终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

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)

1.一种照片分类的方法，其特征在于，所述方法包括：

分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；

将所述每种分类照片集各自对应的特征信息形成特征信息集，并根据所述特征信息集形成特征信息要素；

在有新照片存入所述本地照片库时，根据特征信息要素分析所述新照片，得到所述新照片的特征信息；

在所述新照片的特征信息满足预设规则时，确定出所述新照片属于的分类照片集，并将所述新照片分类到所述分类照片集中；

其中，所述分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息，包括：

利用图像处理技术分析所述本地照片库中的各种分类照片集中的每张照片，得到所述每张照片的特征信息；

利用所述机器学习算法筛选所述每种分类照片集中的每张照片的特征信息，得到所述每种分类照片集中的每张照片共有的特征信息；

根据所述每种分类照片集中的每张照片共有的特征信息，利用所述机器学习算法得到所述每种分类照片集各自对应的特征信息。

2.根据权利要求1所述的方法，其特征在于，在所述根据特征信息要素分析所述新照片，得到所述新照片的特征信息之前，在所述根据所述特征信息集形成特征信息要素之后，所述方法还包括：

判断是否有新照片存入所述本地照片库；

在所述确定出所述新照片属于的分类照片集之前，在所述根据特征信息要素分析所述新照片，得到所述新照片的特征信息之后，所述方法还包括：

判断所述新照片的特征信息是否满足所述预设规则。

3.根据权利要求1所述的方法，其特征在于，所述预设规则包括：所述新照片的特征信息与所述特征信息集中的任意一个特征信息的相似度大于预设阈值的规则。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述机器学习算法包括：K-均值聚类K-means算法、分类决策树C4.5算法、支持向量机SVM算法、最邻近结点KNN算法、朴素贝叶斯模型NBM算法中的至少一项。

5.一种照片分类的设备，其特征在于，所述设备包括：接口、处理器、存储器及通信总线；

所述通信总线，用于实现所述接口、所述处理器和所述存储器之间的连接通信；

所述处理器，用于执行所述存储器中存储的照片分类的程序，以实现以下步骤：

分析本地照片库中的各种分类照片集中的每张照片，利用机器学习算法得到每种分类照片集各自对应的特征信息；

将所述每种分类照片集各自对应的特征信息形成特征信息集，并根据所述特征信息集形成特征信息要素；

在有新照片存入所述本地照片库时，根据特征信息要素分析所述新照片，得到所述新照片的特征信息；

在所述新照片的特征信息满足预设规则时，确定出所述新照片属于的分类照片集，并将所述新照片分类到所述分类照片集中；

其中，所述处理器，还用于执行所述照片分类的程序，以具体实现以下步骤：

利用图像处理技术分析所述每种分类照片集中的每张照片，得到所述每张照片的特征信息；

利用所述机器学习算法筛选所述每种分类照片集中的每张照片的特征信息，得到所述每种分类照片集中的每张照片共有的特征信息；

根据所述每种分类照片集中的每张照片共有的特征信息，利用所述机器学习算法得到所述每种分类照片集各自对应的特征信息。

6.根据权利要求5所述的设备，其特征在于，所述处理器，还用于执行所述照片分类的程序，以实现以下步骤：

判断是否有新照片存入所述本地照片库；

所述处理器，还用于执行所述照片分类的程序，以实现以下步骤：

判断所述新照片的特征信息是否满足所述预设规则。

7.根据权利要求5所述的设备，其特征在于，所述预设规则包括：所述新照片的特征信息与所述特征信息集中的任意一个特征信息的相似度大于预设阈值的规则；

所述机器学习算法包括：K-均值聚类K-means算法、分类决策树C4.5算法、支持向量机SVM算法、最邻近结点KNN算法、朴素贝叶斯模型NBM算法中的至少一项。

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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至4任一项所述照片分类的方法的步骤。

Images