CN108734227A - 一种图片的分类方法及装置 - Google Patents

Abstract

本发明公开了一种图片的分类方法及装置，通过获取初始图片，然后将该初始图片输入到预设分类模型中，输出用于体现该初始图片类型的分类标签，那么，可以按照所述分类标签，分类显示该初始图片。这样，通过预先建立一个分类模型，即可替代人工对图片的分类工作，避免了人工分类出现效率低、分类结果不够准确的问题，实现对图片的高效和准确的分类，从而使包括展示图片功能的应用客户端可以更加精准的为用户提供服务。

Description

一种图片的分类方法及装置

技术领域

本发明涉及信息处理技术领域，特别是涉及一种图片的分类方法及装置。

背景技术

为了满足用户的需求，很多装修设计公司和提供房屋交易服务的公司都相继推出了各自的应用客户端，直观的向用户展示大量的室内装修图片，以便于用户足不出户即可获知更多装修方面信息。

为了方便用户可以快速查看自己感兴趣的类型下的室内装修图片，提高获取信息的效率，该类应用客户端提供不同的图片类型，供用户根据自己的选择操作，浏览到自己可能感兴趣的类型对应的室内装修图片，而无需在拍摄或者绘制的海量室内装修图中漫无目的的查看该类应用客户端上存在的所有室内装修图。

目前，该类应用客户端对海量的室内装修图片的分类，采用的是人工干预的方式，一种情况下，在海量的室内装修图片上传之前由人工对其进行分类，再按照分类结果对应上传；另一种情况下，在海量的室内装修图片上传之后由人工对其进行分类分拣，再按照分类结果对应展示。但是，随着产生的需要进行分类的室内装修设计图片数量的大幅增长，这种人工分类的方式速度较慢、准确性较差。因此，如何提供一种可以高效、准确的将图片进行分类的方法，是目前亟待解决的问题。

发明内容

本发明所要解决的技术问题是，提供一种可以自动对室内装修图片进行分类的方法，可以替代人工分类的工作，从而实现高效、准确的图片分类。

为解决上述技术问题，本发明实施例提供了一种图片的分类方法及装置。

其中，本发明实施例提供的一种图片的分类方法，包括：

响应于用户的预设操作，获取初始图片；

将所述初始图片输入到预设分类模型中，输出所述初始图片对应的分类标签；所述分类标签用于体现所述初始图片的类型；

按照所述分类标签，分类显示所述初始图片。

可选地，所述预设分类模型为已基于训练图片与所述训练图片的分类标签之间的对应关系进行了训练的模型。

可选地，所述训练图片为携带分类标签的历史图片。

可选地，所述预设分类模型为卷积神经网络模型。

可选地，所述预设分类模型包括室内装修图片过滤子模型和分类子模型；所述将所述初始图片输入到预设分类模型中，输出所述初始图片对应的分类标签，具体包括：

将所述初始图片输入到所述室内装修图片过滤子模型中，若确定所述初始图片为所述室内装修图片，则输出所述初始图片，作为待分类图片；所述室内装修图片过滤子模型用于过滤掉所述初始图片中的非室内装修图片；

将所述待分类图片输入到所述分类子模型中，输出所述待分类图片对应的分类标签。

可选地，所述分类子模型包括功能间分类子模型、装修风格分类子模型和局部分类子模型；

所述分类标签包括功能间标签、装修风格标签和局部风格标签。

另外，本发明实施例提供的一种图片的分类装置，包括：

获取模块，用于响应于用户的预设操作，获取初始图片；

分类模块，用于将所述初始图片输入到预设分类模型中，输出所述初始图片对应的分类标签；所述分类标签用于体现所述初始图片的类型；

显示模块，用于按照所述分类标签，分类显示所述初始图片。

可选地，所述预设分类模型为已基于训练图片与所述训练图片的分类标签之间的对应关系进行了训练的模型。

可选地，所述训练图片为携带分类标签的历史图片。

可选地，所述预设分类模型为卷积神经网络模型。

可选地，所述预设分类模型包括室内装修图片过滤子模型和分类子模型；所述分类模块，具体包括：

过滤单元，用于将所述初始图片输入到所述室内装修图片过滤子模型中，若确定所述初始图片为所述室内装修图片，则输出所述初始图片，作为待分类图片；所述室内装修图片过滤子模型用于过滤掉所述初始图片中的非室内装修图片；

分类单元，用于将所述待分类图片输入到所述分类子模型中，输出所述待分类图片对应的分类标签。

可选地，所述分类子模型包括功能间分类子模型、装修风格分类子模型和局部分类子模型；

所述分类标签包括功能间标签、装修风格标签和局部风格标签。

在本发明实施例中，通过获取初始图片，然后将该初始图片输入到预设分类模型中，输出用于体现该初始图片类型的分类标签，那么，可以按照所述分类标签，分类显示该初始图片。这样，通过预先建立一个分类模型，即可替代人工对图片的分类工作，避免了人工分类出现效率低、分类结果不够准确的问题，实现对图片的高效和准确的分类，从而使包括展示图片功能的应用客户端可以更加精准的为用户提供服务。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种图片的分类方法的流程示意图；

图2为本发明实施例中一个预设分类模型的结构示意图；

图3为本发明实施例中步骤102的一示例的流程示意图；

图4为本发明实施例中步骤102的步骤1022的一示例的流程示意图；

图5为本发明实施例中一种图片分类显示的效果示意图；

图6为本发明实施例中一种图片的分类装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

发明人经过研究发现，现有技术中，装修设计公司和提供房屋交易服务的公司推出的应用客户端上，为用户展示了不同的类型下的海量室内装修图片。但是，对于该应用客户端的数据库中的所有室内装修图片进行分类的工作，目前由人工完成，即，对拍摄或者绘制的海量室内装修图进行人工分类，并按照人工分类结果将该室内装修图展示在对应的类型下。这样，随着信息爆炸，产生的需要进行分类的室内装修设计图片数量不断增长，这种人工分类的方式速度较慢、准确性较差。

基于此，本发明实施例提供了一种可以高效、准确的将图片进行自动分类的方法，具体过程包括：首先，响应于用户的预设操作，获取初始图片；然后，将所述初始图片输入到预设分类模型中，输出所述初始图片对应的分类标签，该分类标签用于体现所述初始图片的类型；接着，按照所述分类标签，分类显示所述初始图片。

由此可知，本发明实施例提供的技术方案，通过预先建立一个分类模型，即可替代人工对图片的分类工作，避免了人工分类出现效率低、分类结果不够准确的问题，实现对图片的高效和准确的分类，从而使包括展示图片功能的应用客户端可以更加精准的为用户提供服务。

下面结合附图，通过实施例来详细说明本发明实施例中图片的分类方法和装置的具体实现方式。

示例性方法

参见图1，示出了本发明实施例中一种图片的分类方法的流程示意图。在本实施例中，所述方法可以包括以下步骤：

步骤101，响应于用户的预设操作，获取初始图片。

可以理解的是，在可以展示室内装修图片的应用客户端对应的数据库中，存在大量的历史室内装修图片，并且随着房源以及设计方案的增加，还可以源源不断将新的图片上传到该数据库中。对于新上传的图片，在通过安装该应用客户端的终端设备的显示屏上显示给用户之前，需要执行本发明实施例的方案，进行图片分类。

用户的预设操作，即为用户预先设置的更新显示操作或者上传操作等。具体实现时，如果预设操作为更新显示操作，可以通过下滑操作触发对当前页面的更新显示，即触发对该初始图片进行分类后更新显示；如果预设操作为上传操作，可以通过点击上传按钮，触发对该待上传显示的该初始图片进行分类后显示。

具体实现时，作为一种示例，如果绘制或者拍摄出新的图片，用户可以通过预设操作，触发该应用客户端获取该新的图片，作为获取到的初始图片；作为另一种示例，如果应用客户端对应的数据库中出现了未分类的新图片，用户可以通过预设操作，触发将该新图片作为初始图片。

在根据不收101获取到初始图片后，将该初始图片作为待处理的图片，执行下述操作，实现对新增加的初始图片(即新增加的室内装修图片)的分类。

步骤102，将所述初始图片输入到预设分类模型中，输出所述初始图片对应的分类标签；所述分类标签用于体现所述初始图片的类型。

为了实现对初始图片的自动分类，预先建立了预设的分类模型，用于给获得的待分类的初始图片添加分类标签。分类标签，是用于标识该初始图片在某个分类方式下所属的类型。作为一种示例，分类方式可以是功能间分类方式，初始图片在该分类方式下的分类标签可以是：主卧、次卧、厨房、卫生间和客厅等；作为另一种示例，分类方式也可以是装修风格分类方式，初始图片在该分类方式下的分类标签可以是：欧式、中式、简约和奢华等；作为再一种示例，分类方式还可以是局部分类方式，初始图片在该分类方式下的分类标签可以是：床、电视和燃气灶等。

举例说明，假设初始图片为主卧图片，该初始图片中包括的实体有：床、纯白色的衣柜以及一个宽敞的阳台，那么，将该初始图片输入到该预设分类模型后，得到的分类标签可以是：主卧、简约、床和阳台。

在一些可能的实现方式下，该预设分类模型，可以是学习型的模型，例如可以是循环神经网络(Recurrent Neural Network，RNN)，卷积神经网络(Convolutional NeuralNetwork，CNN)，深度神经网络(Deep Neural Network，DNN)，遗传算法等。在利用该预设分类模型对初始图片进行分类之前，需要基于大量的训练样本对该预设分类模型进行训练，其中，训练样本可以是训练图片与所述训练图片的分类标签之间的对应关系进行了训练的模型。

可以理解的是，训练样本中的训练图片，一种情况下，可以是无分类标签的室内装修图片，该情况下，训练的过程具体可以是：依次将无分类标签的室内装修图片输入到预设分类模型中，输出机器分类标签，然后分别利用机器分类标签和人工临时标记的历史分类标签之间的误差依次调整预设分类模型，使预设分类模型越来越准确，直到使用所有的训练样本训练该预设分类模型后，将初始图片输入到该训练好的预设分类模型后，可以视为输出的分类标签与实际的、人工标记的分类标签完全一致。

另一种情况下，由于该类开发应用客户端的装修设计公司和提供房屋交易服务的公司，具有丰富的数据资源，例如已经标记过分类标签的室内装修图片，故，本实施例中采用的训练样本可以是携带分类标签的历史图片，即，历史图片中已经被标记过分类标签的室内装修图片，可以直接当做训练样本，而无需对入选训练样本的室内装修图片进行人工依次标记分类标签，节约了人力成本。训练的过程具体可以是：依次将已标记分类标签的室内装修图片输入到预设分类模型中，输出机器分类标签，然后分别利用机器分类标签和已标记分类标签之间的误差依次调整预设分类模型，使预设分类模型越来越准确，直到使用所有的训练样本训练该预设分类模型后，将初始图片输入到该训练好的预设分类模型后，可以视为输出的分类标签与该图片已经标记的分类标签完全一致。

具体实现时，如图2所示，该预设分类模型200包括室内装修图片过滤子模型210和分类子模型220；那么，步骤102的具体实现方式如图3所示，具体可以包括：

步骤1021，将所述初始图片输入到所述室内装修图片过滤子模型210中，若确定所述初始图片为所述室内装修图片，则输出所述初始图片，作为待分类图片；所述室内装修图片过滤子模型210用于过滤掉所述初始图片中的非室内装修图片；

步骤1022，将所述待分类图片输入到所述分类子模型220中，输出所述待分类图片对应的分类标签。

可以理解的是，为了避免非室内装修图片混入初始图片中被作为室内装修图片而进行分类操作，降低用户的查看体验，可以先执行步骤1021，即，将步骤101获取的初始图片输入到预设分类模型200的室内装修图片过滤子模型210中，判断该初始图片是否为室内装修图片，如果该初始图片为非室内装修图片，那么，将该初始图片过滤掉，该初始图片就不进行后续的分类，也可以不向用户显示该初始图片；如果该初始图片为室内装修图片，那么，将该初始图片将被记作待分类图片，成为后续被分类子模型220分类处理的对象。

具体实现时，室内装修图片过滤子模型210判断该初始图片是否为室内装修图片的依据，可以是初始图片的图片特征信息，如果某初始图片的图片特征信息符合预置的室内装修图片的目标特征信息，则确定该初始图片为室内装修图片，否则，如果某初始图片的图片特征信息不符合该预置的室内装修图片的目标特征信息，则确定该初始图片为非室内装修图片。

可以理解的是，为了从不同的分类方式下进行针对性的、多维度的图片分类，如图2所示，该分类子模型220可以包括多个不同分类方向下的分类子模型，用于为同一个初始图片在每个不同的分类方式下标识至少一个分类标签。

在一种可能的示例中，该分类子模型220具体可以包括功能间分类子模型221、装修风格分类子模型222和局部分类子模型223。那么，参见图4，步骤1022具体可以包括：

步骤1022a，将所述待分类图片输入到功能间分类子模型221中，输出所述待分类图片对应的功能间标签；

步骤1022b，将所述待分类图片输入到装修风格分类子模型222中，输出所述待分类图片对应的装修风格标签；

步骤1022c，将所述待分类图片输入到局部分类子模型223中，输出所述待分类图片对应的局部风格标签。

需要说明的是，上述步骤1022a、步骤1022b和步骤1022c之间没有执行的先后顺序，可以顺序执行，也可以同时执行，在此不做限定。

其中，分类子模型220、功能间分类子模型221、装修风格分类子模型222和局部分类子模型223以及对应模型的工作原理，可以参见上述对预设分类模型200的描述这里不再赘述。

可以理解的是，将待分类图片输入到功能间分类子模型221、装修风格分类子模型222或局部分类子模型223的任意一个子模型中，均可以输出至少一个分类标签，即，每张待分类图片可以得到至少三个分类标签。

根据步骤102，可以获得初始图片中的待分类图片的分类标签，为该待分类图片的显示提供了数据基础和依据。

步骤103，按照所述分类标签，分类显示所述初始图片。

具体实现时，可以按照分类标签，分别将初始图片显示在其对应的分类标签下。可以理解的是，应用客户端上存在供用户选择的分类标签，用户可以根据查看需求，同时选择多个分类方式下的多个分类标签，以便将这多个分类方式下多个分类标签对应的所有室内装修图片显示给用户；也可以同时选择同一个分类方式下的多个分类标签，以便将这一个分类方式下多个分类标签对应的所有室内装修图片显示给用户。

举例说明，如图5所示，假设分类方式包括功能间分类、装修风格分类和局部分类，且功能间分类方式下的分类标签包括：主卧、次卧、厨房、卫生间和客厅等；装修风格分类下的分类标签包括：欧式、中式、简约和奢华等；局部分类下的分类标签包括床、电视和燃气灶等家具家电。当初始图片中包括了：床、纯白色的衣柜以及一个宽敞的阳台，那么，将该初始图片获取并输入到预设分类模型后，得到的分类标签可以包括：主卧、简约、床、衣柜和阳台。那么，可以按照得到的分类标签，将该初始图片分别显示在“主卧”、“简约”、“床”、“衣柜”和“阳台”的分类标签下。

那么，当用户选择“主卧”、“简约”、“床”、“衣柜”和“阳台”中的任意至少一个的分类标签后，该应用客户端即可向用户显示该初始图片，为用户提供针对性的服务。

由此可知，本发明实施例通过预先建立一个分类模型，即可替代人工对图片的分类工作，避免了人工分类出现效率低、分类结果不够准确的问题，实现对图片的高效和准确的分类，从而使包括展示图片功能的应用客户端可以更加精准的为用户提供服务。

示例性设备

参见图6，示出了本发明实施例中一种图片的分类装置的结构示意图。在本实施例中，所述装置具体可以包括：

获取模块601，用于响应于用户的预设操作，获取初始图片；

分类模块602，用于将所述初始图片输入到预设分类模型中，输出所述初始图片对应的分类标签；所述分类标签用于体现所述初始图片的类型；

显示模块603，用于按照所述分类标签，分类显示所述初始图片。

可选地，所述预设分类模型为已基于训练图片与所述训练图片的分类标签之间的对应关系进行了训练的模型。

可选地，所述训练图片为携带分类标签的历史图片。

可选地，所述预设分类模型为卷积神经网络模型。

可选地，所述预设分类模型包括室内装修图片过滤子模型和分类子模型；所述分类模块602，具体包括：

过滤单元，用于将所述初始图片输入到所述室内装修图片过滤子模型中，若确定所述初始图片为所述室内装修图片，则输出所述初始图片，作为待分类图片；所述室内装修图片过滤子模型用于过滤掉所述初始图片中的非室内装修图片；

分类单元，用于将所述待分类图片输入到所述分类子模型中，输出所述待分类图片对应的分类标签。

可选地，所述分类子模型包括功能间分类子模型、装修风格分类子模型和局部分类子模型；

所述分类标签包括功能间标签、装修风格标签和局部风格标签。

上述描述为图片的分类装置的相关描述，其中，具体实现方式以及达到的效果，可以参见图1所示的图片的分类方法实施例的描述，这里不再赘述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种图片的分类方法，其特征在于，包括：

响应于用户的预设操作，获取初始图片；

将所述初始图片输入到预设分类模型中，输出所述初始图片对应的分类标签；所述分类标签用于体现所述初始图片的类型；

按照所述分类标签，分类显示所述初始图片。

2.根据权利要求1所述的方法，其特征在于，所述预设分类模型为已基于训练图片与所述训练图片的分类标签之间的对应关系进行了训练的模型。

3.根据权利要求2所述的方法，其特征在于，所述训练图片为携带分类标签的历史图片。

4.根据权利要求1所述的方法，其特征在于，所述预设分类模型为卷积神经网络模型。

5.根据权利要求1所述的方法，其特征在于，所述预设分类模型包括室内装修图片过滤子模型和分类子模型；所述将所述初始图片输入到预设分类模型中，输出所述初始图片对应的分类标签，具体包括：

将所述初始图片输入到所述室内装修图片过滤子模型中，若确定所述初始图片为所述室内装修图片，则输出所述初始图片，作为待分类图片；所述室内装修图片过滤子模型用于过滤掉所述初始图片中的非室内装修图片；

将所述待分类图片输入到所述分类子模型中，输出所述待分类图片对应的分类标签。

6.根据权利要求4所述的方法，其特征在于，所述分类子模型包括功能间分类子模型、装修风格分类子模型和局部分类子模型；

所述分类标签包括功能间标签、装修风格标签和局部风格标签。

7.一种图片的分类装置，其特征在于，包括：

获取模块，用于响应于用户的预设操作，获取初始图片；

分类模块，用于将所述初始图片输入到预设分类模型中，输出所述初始图片对应的分类标签；所述分类标签用于体现所述初始图片的类型；

显示模块，用于按照所述分类标签，分类显示所述初始图片。

8.根据权利要求7所述的装置，其特征在于，所述预设分类模型为已基于训练图片与所述训练图片的分类标签之间的对应关系进行了训练的模型。

9.根据权利要求8所述的装置，其特征在于，所述训练图片为携带分类标签的历史图片。

10.根据权利要求7所述的装置，其特征在于，所述预设分类模型包括室内装修图片过滤子模型和分类子模型；所述分类模块，具体包括：

过滤单元，用于将所述初始图片输入到所述室内装修图片过滤子模型中，若确定所述初始图片为所述室内装修图片，则输出所述初始图片，作为待分类图片；所述室内装修图片过滤子模型用于过滤掉所述初始图片中的非室内装修图片；

分类单元，用于将所述待分类图片输入到所述分类子模型中，输出所述待分类图片对应的分类标签。