CN109213732A - 一种改善相册分类的方法、移动终端及计算机可读存储介质 - Google Patents
一种改善相册分类的方法、移动终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109213732A CN109213732A CN201810695950.9A CN201810695950A CN109213732A CN 109213732 A CN109213732 A CN 109213732A CN 201810695950 A CN201810695950 A CN 201810695950A CN 109213732 A CN109213732 A CN 109213732A
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- class center
- classification
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改善相册分类的方法、移动终端及计算机可读存储介质,该方法包括:每当产生一张待分类的新图像时,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中;在对下一张待分类的新图像进行分类之前,重新确定所述图像库中各类别的图像集的类中心图像。本发明在现有的聚类算法的基础上,通过采用多类中心参与图像分类的方式、以及定期对图像库中现有类别的图像进行融合,来提高相册分类的效果,相册分类的效果包括两个部分,一是保持相册中图像分类的精度,二是降低相册中图像分类的过度细分。
Description
技术领域
本发明涉及移动终端控制领域,尤其涉及一种改善相册分类的方法、移动终端及计算机可读存储介质。
背景技术
人脸分类,故名思议,就是将同一个人的不同状态下的人脸归到同一个类别中,不同人的人脸归类到不同的类别中。人脸聚类的一般流程是,首先对给定的图像进行人脸检测,然后对检测出的人脸进行特征提取,将人脸特征与各类中所有的已有图像进行对比,利用聚类算法对人脸特征进行分类。
人脸份类的一个难点是,由于拍摄时遮挡、极端光照、不合适的角度或者由于被拍照人本身的特异装束,如胡子、戴墨镜或者由于少见的面部特征等等因素,大大增加了人脸分类的难度。
目前的人脸分类不仅计算量大、耗时长,而且容易产生错分和过分的结果,其中,错分是指将给定的图像归入了错误的类别中,过分是指对于同一个人的图像,分类结果是产生了两个以上的类别。
发明内容
本发明的主要目的在于提出一种改善相册分类的方法、移动终端及计算机可读存储介质,旨在避免现有技术中对图像的错分,并尽量避免过分。
为实现上述目的,本发明提供的一种改善相册分类的方法,包括:
每当产生一张待分类的新图像时,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中;
在对下一张待分类的新图像进行分类之前,重新确定所述图像库中各类别的图像集的类中心图像。
可选的,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中,包括:
所述新图像与图像库中各类别的图像集的每个类中心图像分别计算相似度,将所述新图像归入计算出的相似度最大者所对应的类别的图像集中。
可选的,针对图像数量小于设定数量阈值的图像集,每个图像集具备一个类中心图像;
在这种情况下,所述图像集的类中心图像的确定方式,包括:
在所述图像集中随机选取一个图像作为类中心图像;或者,
将所述图像集中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像集的类中心图像。
可选的,针对图像数量大于等于设定数量阈值的图像集,每个图像集具备一个以上类中心图像;
在这种情况下,所述图像集的类中心图像的确定方式,包括:
利用设定的聚类算法对所述图像集中的图像进行分簇得到一个以上图像簇;
在每个图像簇中随机选取一个图像作为所述图像簇的类中心图像;或者,在每个图像簇中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像簇的类中心图像。
可选的,所述设定的聚类算法包括:具有噪声的基于密度的聚类算法、基于原型的目标函数聚类算法、或者综合的层次聚类算法;
所述图像与其余各图像的典型相似度包括:所述图像与其余各图像的平均相似度或相似度中位值。
可选的,所述方法,还包括:
对所述图像库中的所有所述类中心图像两两之间计算相似度,若计算出的相似度大于设定的相似度阈值,则将所述相似度对应的两个类中心图像所在的两个类别的图像集进行融合,融合成为一个类别的图像集。
可选的,所述相似度的计算方式,包括:
提取图像的特征信息;
通过计算两个图像的特征信息之间的欧式距离确定出所述两个图像之间的相似度。
本发明还提供一种移动终端,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现以下步骤:
每当产生一张待分类的新图像时,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中;
在对下一张待分类的新图像进行分类之前,重新确定所述图像库中各类别的图像集的类中心图像。
可选的,所述计算机程序被所述处理器执行时还实现以下步骤:
对所述图像库中的所有所述类中心图像两两之间计算相似度,若计算出的相似度大于设定的相似度阈值,则将所述相似度对应的两个类中心图像所在的两个类别的图像集进行融合,融合成为一个类别的图像集。
此外,为实现上述目的,本发明还提出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,实现上述改善相册分类的方法的步骤。
本发明提出的改善相册分类的方法、移动终端及计算机可读存储介质,在现有的聚类算法的基础上,通过采用多类中心参与图像分类的方式、以及定期对图像库中现有类别的图像进行融合,来提高相册分类的效果,相册分类的效果包括两个部分,一是保持相册中图像分类的精度,二是降低相册中图像分类的过度细分。
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为本发明第一实施例的移动终端的组成结构示意图;
图3为本发明第二实施例的移动终端的组成结构示意图;
图4为本发明第三实施例的改善相册分类的方法流程图;
图5为本发明第四实施例的改善相册分类的方法流程图;
图6为本发明应用实例的对手机相册中的人脸图像进行分类的方法流程图;
图7为本发明应用实例采用DBSCAN聚类算法对一个类别的图像集中的图像进行分簇的示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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 Code Division Multiple Access,时分同步码分多址)、FDD-LTE(Frequency Division Duplexing-Long Term Evolution,频分双工长期演进)和TDD-LTE(Time Division Duplexing-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。
基于上述移动终端硬件结构,提出本发明方法各个实施例。
如图2所示,本发明第一实施例提出一种移动终端,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,该计算机程序划分为如下功能模块:
1)分类模块201,用于每当产生一张待分类的新图像时,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中;
可选的,本发明实施例可以专注于对人脸图像的处理,也可以是专注于对景物图像的处理。
在本发明实施例中,可选的,分类模块201,具体用于:
所述新图像与图像库中各类别的图像集的每个类中心图像分别计算相似度,将所述新图像归入计算出的相似度最大者所对应的类别的图像集中。
本发明实施例的技术方案采用各类别的图像集的类中心图像与每次输入的新图像进行相似度比对,与现有技术中的将新图像与各类别中的所有图像进行相似度比对相比,极大的减少了比对的计算量,降低了处理器的运算负荷,提高了图像比对的效率。
2)类中心更新模块202,用于在对下一张待分类的新图像进行分类之前,重新确定所述图像库中各类别的图像集的类中心图像。
可选的,这里介绍一下图像库中各类别的图像集的初始产生过程,包括:
初始时图像库中没有图像,当产生第一张待分类的新图像时,归入新建的第一类别,产生第一类别的图像集;
产生第二张待分类的新图像时,将所述第二张待分类的新图像与第一类别的图像集中的图像进行相似度比对,根据比对结果,将所述第二张待分类的新图像归入第一类别的图像集中,或者,归入新建的第二类别并产生第二类别的图像集;
产生第三张待分类的新图像时,将所述第三张待分类的新图像分别与第一类别、第二类别的图像集中的图像进行相似度比对,根据比对结果,将所述第三张待分类的新图像归入第一类别的图像集中、归入第二类别的图像集中、或者归入新建的第三类别并产生第三类别的图像集;依此类推;
由于图像库中各类别的图像集的初始产生过程是本领域的公知技术,故此处不详述。需要说明的是,本发明实施例在此过程中引入了类中心图像的概念,所做的创新在于:当任一类别的图像集中的图像数量为两个以上时,确定出该类别图像集的类中心图像,用该类别图像集的类中心图像代表该类别图像集用于与后续产生的待分类的新图像进行相似度比对。
可选的,针对图像数量小于设定数量阈值的图像集,每个图像集具备一个类中心图像;在这种情况下,类中心更新模块202,具体用于:
在所述图像集中随机选取一个图像作为类中心图像;或者,
将所述图像集中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像集的类中心图像。
所述典型相似度包括:所述图像与其余各图像的平均相似度或相似度中位值。
可选的,随着归入到各类别的图像集中的图像逐渐增多,针对图像数量大于等于设定数量阈值的图像集,每个图像集具备一个以上类中心图像;在这种情况下,类中心更新模块202,具体用于:
利用设定的聚类算法对所述图像集中的图像进行分簇得到一个以上图像簇;
在每个图像簇中随机选取一个图像作为类中心图像;或者,在每个图像簇中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像簇的类中心图像。
可选的,所述设定的聚类算法包括:具有噪声的基于密度的聚类算法、基于原型的目标函数聚类算法、或者综合的层次聚类算法。比如:具有噪声的基于密度的聚类算法即DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法,基于原型的目标函数聚类方法可以是K-Means(K均值)算法,综合的层次聚类算法可以是BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies)算法。
本发明实施例的技术方案中,每次有新图像经过分类加入后,都要对现有的各类别图像重新确定相应的类中心图像,其目的是基于每次加入的新图像的人脸特征信息来进一步完善各类别图像集的类中心图像信息,以使后续每次将类中心图像与新图像进行比对时提升图像分类的精确度,避免错误分类,极大的提升了用户使用移动终端相册时的使用体验。
如图3所示,本发明第二实施例提出一种移动终端,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,该计算机程序划分为如下功能模块:
1)分类模块201,用于每当产生一张待分类的新图像时,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中;
本发明实施例的技术方案采用各类别的图像集的类中心图像与每次输入的新图像进行相似度比对,与现有技术中的将新图像与各类别中的所有图像进行相似度比对相比,极大的减少了比对的计算量,降低了处理器的运算负荷,提高了图像比对的效率。
2)类中心更新模块202,用于在对下一张待分类的新图像进行分类之前,重新确定所述图像库中各类别的图像集的类中心图像。
可选的,针对图像数量小于设定数量阈值的图像集,每个图像集具备一个类中心图像;在这种情况下,类中心更新模块202,具体用于:
在所述图像集中随机选取一个图像作为类中心图像;或者,
将所述图像集中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像集的类中心图像。
所述典型相似度包括:所述图像与其余各图像的平均相似度或相似度中位值。
可选的,随着归入到各类别的图像集中的图像逐渐增多,针对图像数量大于等于设定数量阈值的图像集,每个图像集具备一个以上类中心图像;在这种情况下,类中心更新模块202,具体用于:
利用设定的聚类算法对所述图像集中的图像进行分簇得到一个以上图像簇;
在每个图像簇中随机选取一个图像作为类中心图像;或者,在每个图像簇中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像簇的类中心图像。
本发明实施例的技术方案中,每次有新图像经过分类加入后,都要对现有的各类别图像重新确定相应的类中心图像,其目的是基于每次加入的新图像的人脸特征信息来进一步完善各类别图像集的类中心图像信息,以使后续每次将类中心图像与新图像进行比对时提升图像分类的精确度,避免错误分类,极大的提升了用户使用移动终端相册时的使用体验。
3)类别更新模块203,用于对所述图像库中的所有所述类中心图像两两之间计算相似度,若计算出的相似度大于设定的相似度阈值,则将所述相似度对应的两个类中心图像所在的两个类别的图像集进行融合,融合成为一个类别的图像集。可选的,所述两个类中心图像仍然可以作为融合后的这一个类别的图像集的类中心图像。
可选的,本发明实施例的类别更新模块203的执行时机可以是在每次产生待分类的新图像时,也可以是按照设定的周期定期的去执行。
本发明实施例与第一实施例相比,新加入了对于图像库中不同的类别图像集进行融合的功能,其目的是尽量减少对图像分类时所产生的过度分类即过分的情况,比如将属于同一个人的照片分成了两个不同的类别中,图像过分会容易导致对后续进入的人脸照片误判以及计算量大的缺陷。
如图4所示,本发明第三实施例提出一种改善相册分类的方法,包括:
步骤S1,每当产生一张待分类的新图像时,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中;
可选的,本发明实施例可以专注于对人脸图像的处理,也可以是专注于对景物图像的处理。
本发明实施例的技术方案采用各类别的图像集的类中心图像与每次输入的新图像进行相似度比对,与现有技术中的将新图像与各类别中的所有图像进行相似度比对相比,极大的减少了比对的计算量,降低了处理器的运算负荷,提高了图像比对的效率。
在步骤S1中,可选的,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中,包括:
所述新图像与图像库中各类别的图像集的每个类中心图像分别计算相似度,将所述新图像归入计算出的相似度最大者所对应的类别的图像集中。
步骤S2,在对下一张待分类的新图像进行分类之前,重新确定所述图像库中各类别的图像集的类中心图像。
可选的,在本发明实施例中,图像库中各类别的图像集的初始产生过程,包括:
初始时图像库中没有图像,当产生第一张待分类的新图像时,归入新建的第一类别,产生第一类别的图像集;
产生第二张待分类的新图像时,将所述第二张待分类的新图像与第一类别的图像集中的图像进行相似度比对,根据比对结果,将所述第二张待分类的新图像归入第一类别的图像集中,或者,归入新建的第二类别并产生第二类别的图像集;
产生第三张待分类的新图像时,将所述第三张待分类的新图像分别与第一类别、第二类别的图像集中的图像进行相似度比对,根据比对结果,将所述第三张待分类的新图像归入第一类别的图像集中、归入第二类别的图像集中、或者归入新建的第三类别并产生第三类别的图像集;依此类推;
由于图像库中各类别的图像集的初始产生过程是本领域的公知技术,故此处不详述。需要说明的是,本发明实施例在此过程中引入了类中心图像的概念,所做的创新在于:当任一类别的图像集中的图像数量为两个以上时,确定出该类别图像集的类中心图像,用该类别图像集的类中心图像代表该类别图像集用于与后续产生的待分类的新图像进行相似度比对。
需要说明的是,本发明实施例的步骤S1是一个循环执行的步骤,针对每张新图像都按照步骤S1的操作执行以实现对新图像的分类,本发明实施例的步骤S2可以发生在每次步骤S1的操作执行之后,也可以在下一张新图像产生且分类之前执行步骤S2的操作以对图像库中的类中心图像进行更新,这样可以进一步提升图像分类的准确度。
本发明实施例在执行步骤S2的过程中,可选的,针对图像数量小于设定数量阈值的图像集,每个图像集具备一个类中心图像;
所述图像集的类中心图像的确定方式,包括:
在所述图像集中随机选取一个图像作为类中心图像;或者,
将所述图像集中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像集的类中心图像。
可选的,随着归入到各类别的图像集中的图像逐渐增多,针对图像数量大于等于设定数量阈值的图像集,每个图像集具备一个以上类中心图像;
所述图像集的类中心图像的确定方式,包括:
利用设定的聚类算法对所述图像集中的图像进行分簇得到一个以上图像簇;
在每个图像簇中随机选取一个图像作为类中心图像;或者,在每个图像簇中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像簇的类中心图像。
可选的,所述设定的聚类算法包括:具有噪声的基于密度的聚类算法、基于原型的目标函数聚类算法、或者综合的层次聚类算法;比如:具有噪声的基于密度的聚类算法即DBSCAN算法,基于原型的目标函数聚类方法可以是K-Means算法,综合的层次聚类算法可以是BIRCH算法。
所述典型相似度包括:所述图像与其余各图像的平均相似度或相似度中位值。
可选的,在本发明实施例中所提到的相似度的计算方式,包括:
提取图像的特征信息;
通过计算两个图像的特征信息之间的欧式距离确定出所述两个图像之间的相似度。欧式距离越小,图像之间的相似度越高。
本发明实施例的技术方案中,每次有新图像经过分类加入后,都要对现有的各类别图像重新确定相应的类中心图像,其目的是基于每次加入的新图像的人脸特征信息来进一步完善各类别图像集的类中心图像信息,以使后续每次将类中心图像与新图像进行比对时提升图像分类的精确度,避免错误分类,极大的提升了用户使用移动终端相册时的使用体验。
如图5所示,本发明第四实施例提出一种改善相册分类的方法,包括:
步骤S1,每当产生一张待分类的新图像时,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中;
本发明实施例的技术方案采用各类别的图像集的类中心图像与每次输入的新图像进行相似度比对,与现有技术中的将新图像与各类别中的所有图像进行相似度比对相比,极大的减少了比对的计算量,降低了处理器的运算负荷,提高了图像比对的效率。
步骤S2,在对下一张待分类的新图像进行分类之前,重新确定所述图像库中各类别的图像集的类中心图像。
需要说明的是,本发明实施例的步骤S1是一个循环执行的步骤,针对每张新图像都按照步骤S1的操作执行以实现对新图像的分类,本发明实施例的步骤S2可以发生在每次步骤S1的操作执行之后,也可以在下一张新图像产生且分类之前执行步骤S2的操作以对图像库中的类中心图像进行更新,这样可以进一步提升图像分类的准确度。
本发明实施例在执行步骤S2的过程中,可选的,针对图像数量小于设定数量阈值的图像集,每个图像集具备一个类中心图像;
所述图像集的类中心图像的确定方式,包括:
在所述图像集中随机选取一个图像作为类中心图像;或者,
将所述图像集中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像集的类中心图像。
可选的,随着归入到各类别的图像集中的图像逐渐增多,针对图像数量大于等于设定数量阈值的图像集,每个图像集具备一个以上类中心图像;
所述图像集的类中心图像的确定方式,包括:
利用设定的聚类算法对所述图像集中的图像进行分簇得到一个以上图像簇;
在每个图像簇中随机选取一个图像作为类中心图像;或者,在每个图像簇中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像簇的类中心图像。
可选的,所述设定的聚类算法包括:具有噪声的基于密度的聚类算法、基于原型的目标函数聚类算法、或者综合的层次聚类算法;比如:具有噪声的基于密度的聚类算法即DBSCAN算法,基于原型的目标函数聚类方法可以是K-Means算法,综合的层次聚类算法可以是BIRCH算法。
本发明实施例的技术方案中,每次有新图像经过分类加入后,都要对现有的各类别图像重新确定相应的类中心图像,其目的是基于每次加入的新图像的人脸特征信息来进一步完善各类别图像集的类中心图像信息,以使后续每次将类中心图像与新图像进行比对时提升图像分类的精确度,避免错误分类,极大的提升了用户使用移动终端相册时的使用体验。
步骤S3,对所述图像库中的所有所述类中心图像两两之间计算相似度,若计算出的相似度大于设定的相似度阈值,则将所述相似度对应的两个类中心图像所在的两个类别的图像集进行融合,融合成为一个类别的图像集;可选的,所述两个类中心图像仍然可以作为融合后的这一个类别的图像集的类中心图像。
可选的,本发明实施例的步骤S3的执行时机可以是在每次产生待分类的新图像时,也可以是按照设定的周期定期的去执行。
本发明实施例与第三实施例相比,新加入了对于图像库中不同的类别图像集进行融合的步骤,其目的是尽量减少对图像分类时所产生的过度分类即过分的情况,比如将属于同一个人的照片分成了两个不同的类别中,图像过分会容易导致对后续进入的人脸照片误判以及计算量大的缺陷。
本发明第五实施例提出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,实现上述第三实施例或者第四实施例所述的改善相册分类的方法的步骤。
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,家电设备,或者网络设备等)执行本发明第三或四实施例所述的方法。
下面以人脸图像为例介绍一个对手机相册中的人脸图像进行分类的应用实例。
在本应用实例中,所述对手机相册中的人脸图像进行分类的方法,如图6所示,包括以下步骤:
步骤1,进来一张新图像,对该新图像进行人脸检测和校正,同时从手机相册的图像库中读取已经分好类别的图像的人脸信息,包括每个类别的类中心图像信息和图像库中所有图像的人脸特征信息。不同的人对应不同的类别。
步骤2,统计每个类别的人脸图像个数A,给定图像个数阈值T,T用于在每一类人脸图像的个数达到T时开始为该类别的人脸图像集计算多个类中心;
步骤3,针对每个类别的人脸图像集,如果A>T:基于人脸特征信息利用DBSCAN方法对该类别图像集中所有图像进行自动分类,得到该类别图像集中的N个图像簇,N>=1,然后确定每个图像簇的类中心图像,每个图像簇具有一个类中心图像,则最后该类别图像集中包含N个类中心图像。
可选的,本发明应用实例所采用的DBSCAN方法是利用将每张人脸图像的人脸特征信息进行聚类即分簇的,如图7所示的每个黑点代表一个图像的人脸特征信息,所有黑点属于一个类别的图像集,在该类别的图像集中,由箭头连接的黑点组成一个图像簇,图7中有两个图像簇。
步骤4,保存每个类别图像集的类中心图像,所有保存的类中心图像参与计算和新图像之间的欧式距离。每个类别的图像集的类中心图像个数在一定条件下会大于等于1,因此能够丰富每一个类别的图像集的类中心图像信息;
步骤5,类中心图像之间的融合。获取所有类中心图像和对应的faceId,每个类别的图像集都有一个对应的faceId进行区别,对所有类中心图像进行两两比较,如果两者之间的相似度达到设定的相似度阈值T1,则对这两个类中心图像对应的faceId类别图像集中的图像进行融合,即将这两个不同faceId代表的不同类别图像集合为一个类别的图像集,且该这两个类中心图像仍然作为融合后的这个类别的图像集中的两个类中心图像,从而丰富了该类别的图像集中的类中心图像信息。
本发明应用实例采用了类中心图像与新图像进行比对,大大降低了图像比对时的计算量,提高了比对的效率。
本发明应用实例在步骤1~4中已入了图像个数阈值T,图像个数阈值T是用于在某一类别图像集中图像的数量变大到T以上时允许增加类中心图像的个数,以完善该类别图像的类中心图像信息,从而提升采用各类中心图像信息与新图像比对的精确度。
本发明应用实例加入步骤5的作用是,尽量减少对图像分类时所产生的过度分类即过分的情况,比如将属于同一个人的照片分成了两个不同的类别中,图像过分会容易导致对后续进入的人脸照片误判以及计算量大的缺陷。
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。
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 (10)
1.一种改善相册分类的方法,其特征在于,包括:
每当产生一张待分类的新图像时,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中;
在对下一张待分类的新图像进行分类之前,重新确定所述图像库中各类别的图像集的类中心图像。
2.如权利要求1所述的改善相册分类的方法,其特征在于,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中,包括:
所述新图像与图像库中各类别的图像集的每个类中心图像分别计算相似度,将所述新图像归入计算出的相似度最大者所对应的类别的图像集中。
3.如权利要求1所述的改善相册分类的方法,其特征在于,针对图像数量小于设定数量阈值的图像集,每个图像集具备一个类中心图像;
所述图像集的类中心图像的确定方式,包括:
在所述图像集中随机选取一个图像作为类中心图像;或者,
将所述图像集中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像集的类中心图像。
4.如权利要求1所述的改善相册分类的方法,其特征在于,针对图像数量大于等于设定数量阈值的图像集,每个图像集具备一个以上类中心图像;
所述图像集的类中心图像的确定方式,包括:
利用设定的聚类算法对所述图像集中的图像进行分簇得到一个以上图像簇;
在每个图像簇中随机选取一个图像作为所述图像簇的类中心图像;或者,在每个图像簇中以每一个图像作为基准图像与其余各图像计算相似度,得到所述图像与其余各图像的典型相似度,以最高的典型相似度对应的基准图像作为所述图像簇的类中心图像。
5.如权利要求3或4所述的改善相册分类的方法,其特征在于,所述设定的聚类算法包括:具有噪声的基于密度的聚类算法、基于原型的目标函数聚类算法、或者综合的层次聚类算法;
所述图像与其余各图像的典型相似度包括:所述图像与其余各图像的平均相似度或相似度中位值。
6.如权利要求1所述的改善相册分类的方法,其特征在于,所述方法,还包括:
对所述图像库中的所有所述类中心图像两两之间计算相似度,若计算出的相似度大于设定的相似度阈值,则将所述相似度对应的两个类中心图像所在的两个类别的图像集进行融合,融合成为一个类别的图像集。
7.如权利要求1、2、3、4或6所述的改善相册分类的方法,其特征在于,所述相似度的计算方式,包括:
提取图像的特征信息;
通过计算两个图像的特征信息之间的欧式距离确定出所述两个图像之间的相似度。
8.一种移动终端,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现以下步骤:
每当产生一张待分类的新图像时,将所述新图像与图像库中各类别的图像集的类中心图像进行相似度比对,根据比对结果将所述新图像归入相应类别的图像集中;
在对下一张待分类的新图像进行分类之前,重新确定所述图像库中各类别的图像集的类中心图像。
9.如权利要求8所述的移动终端,其特征在于,所述计算机程序被所述处理器执行时还实现以下步骤:
对所述图像库中的所有所述类中心图像两两之间计算相似度,若计算出的相似度大于设定的相似度阈值,则将所述相似度对应的两个类中心图像所在的两个类别的图像集进行融合,融合成为一个类别的图像集。
10.一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,实现如权利要求1~7中任一项所述的改善相册分类的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695950.9A CN109213732B (zh) | 2018-06-28 | 2018-06-28 | 一种改善相册分类的方法、移动终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695950.9A CN109213732B (zh) | 2018-06-28 | 2018-06-28 | 一种改善相册分类的方法、移动终端及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109213732A true CN109213732A (zh) | 2019-01-15 |
CN109213732B CN109213732B (zh) | 2022-03-18 |
Family
ID=64989687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810695950.9A Active CN109213732B (zh) | 2018-06-28 | 2018-06-28 | 一种改善相册分类的方法、移动终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109213732B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948734A (zh) * | 2019-04-02 | 2019-06-28 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
CN110175555A (zh) * | 2019-05-23 | 2019-08-27 | 厦门市美亚柏科信息股份有限公司 | 人脸图像聚类方法和装置 |
CN110443297A (zh) * | 2019-07-30 | 2019-11-12 | 浙江大华技术股份有限公司 | 图像的聚类方法、装置及计算机存储介质 |
CN110472091A (zh) * | 2019-08-22 | 2019-11-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110502651A (zh) * | 2019-08-15 | 2019-11-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110516558A (zh) * | 2019-08-01 | 2019-11-29 | 仲恺农业工程学院 | 样本数据获取方法、装置、计算机设备及存储介质 |
CN110516712A (zh) * | 2019-08-01 | 2019-11-29 | 仲恺农业工程学院 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
CN110569777A (zh) * | 2019-08-30 | 2019-12-13 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110781975A (zh) * | 2019-10-31 | 2020-02-11 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111598012A (zh) * | 2020-05-19 | 2020-08-28 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种图片聚类管理方法、系统、设备及介质 |
CN112131421A (zh) * | 2020-09-23 | 2020-12-25 | 平安科技(深圳)有限公司 | 医学图像分类方法、装置、设备及存储介质 |
CN112149480A (zh) * | 2019-06-28 | 2020-12-29 | 青岛海信移动通信技术股份有限公司 | 一种终端及其进行图像分类的方法 |
CN113052245A (zh) * | 2021-03-30 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 图像聚类方法和装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102132318A (zh) * | 2008-08-21 | 2011-07-20 | 惠普开发有限公司 | 图像收藏集的可缩放的相关性排序表示的自动创建 |
US20110184949A1 (en) * | 2010-01-25 | 2011-07-28 | Jiebo Luo | Recommending places to visit |
CN104517119A (zh) * | 2013-09-30 | 2015-04-15 | 富士胶片株式会社 | 图像分配装置以及图像分配方法 |
CN105630915A (zh) * | 2015-12-21 | 2016-06-01 | 山东大学 | 一种移动终端中图片分类存储的方法及装置 |
CN107729540A (zh) * | 2017-10-31 | 2018-02-23 | 努比亚技术有限公司 | 照片分类的方法、设备及计算机可存储介质 |
CN108121816A (zh) * | 2017-12-28 | 2018-06-05 | 广东欧珀移动通信有限公司 | 图片分类方法、装置、存储介质及电子设备 |
-
2018
- 2018-06-28 CN CN201810695950.9A patent/CN109213732B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102132318A (zh) * | 2008-08-21 | 2011-07-20 | 惠普开发有限公司 | 图像收藏集的可缩放的相关性排序表示的自动创建 |
US20110184949A1 (en) * | 2010-01-25 | 2011-07-28 | Jiebo Luo | Recommending places to visit |
CN104517119A (zh) * | 2013-09-30 | 2015-04-15 | 富士胶片株式会社 | 图像分配装置以及图像分配方法 |
CN105630915A (zh) * | 2015-12-21 | 2016-06-01 | 山东大学 | 一种移动终端中图片分类存储的方法及装置 |
CN107729540A (zh) * | 2017-10-31 | 2018-02-23 | 努比亚技术有限公司 | 照片分类的方法、设备及计算机可存储介质 |
CN108121816A (zh) * | 2017-12-28 | 2018-06-05 | 广东欧珀移动通信有限公司 | 图片分类方法、装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
裴婉婉: "群体图像编码中伪视频序列编码结构生成算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
齐美彬等: "大规模图像集中的代表性图像选取", 《自动化学报》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948734A (zh) * | 2019-04-02 | 2019-06-28 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
CN110175555A (zh) * | 2019-05-23 | 2019-08-27 | 厦门市美亚柏科信息股份有限公司 | 人脸图像聚类方法和装置 |
CN112149480A (zh) * | 2019-06-28 | 2020-12-29 | 青岛海信移动通信技术股份有限公司 | 一种终端及其进行图像分类的方法 |
CN110443297A (zh) * | 2019-07-30 | 2019-11-12 | 浙江大华技术股份有限公司 | 图像的聚类方法、装置及计算机存储介质 |
CN110443297B (zh) * | 2019-07-30 | 2022-06-07 | 浙江大华技术股份有限公司 | 图像的聚类方法、装置及计算机存储介质 |
CN110516712A (zh) * | 2019-08-01 | 2019-11-29 | 仲恺农业工程学院 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
CN110516712B (zh) * | 2019-08-01 | 2023-04-07 | 仲恺农业工程学院 | 虫害图像识别方法、虫害监控方法、装置、设备及介质 |
CN110516558A (zh) * | 2019-08-01 | 2019-11-29 | 仲恺农业工程学院 | 样本数据获取方法、装置、计算机设备及存储介质 |
CN110516558B (zh) * | 2019-08-01 | 2022-04-22 | 仲恺农业工程学院 | 样本数据获取方法、装置、计算机设备及存储介质 |
CN110502651A (zh) * | 2019-08-15 | 2019-11-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110502651B (zh) * | 2019-08-15 | 2022-08-02 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110472091A (zh) * | 2019-08-22 | 2019-11-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110472091B (zh) * | 2019-08-22 | 2022-01-11 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110569777B (zh) * | 2019-08-30 | 2022-05-06 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110569777A (zh) * | 2019-08-30 | 2019-12-13 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110781975A (zh) * | 2019-10-31 | 2020-02-11 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110781975B (zh) * | 2019-10-31 | 2022-11-29 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111598012B (zh) * | 2020-05-19 | 2021-11-12 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种图片聚类管理方法、系统、设备及介质 |
CN111598012A (zh) * | 2020-05-19 | 2020-08-28 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种图片聚类管理方法、系统、设备及介质 |
WO2021179632A1 (zh) * | 2020-09-23 | 2021-09-16 | 平安科技(深圳)有限公司 | 医学图像分类方法、装置、设备及存储介质 |
CN112131421A (zh) * | 2020-09-23 | 2020-12-25 | 平安科技(深圳)有限公司 | 医学图像分类方法、装置、设备及存储介质 |
CN112131421B (zh) * | 2020-09-23 | 2023-09-15 | 平安科技(深圳)有限公司 | 医学图像分类方法、装置、设备及存储介质 |
CN113052245A (zh) * | 2021-03-30 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 图像聚类方法和装置、电子设备及存储介质 |
CN113052245B (zh) * | 2021-03-30 | 2023-08-25 | 重庆紫光华山智安科技有限公司 | 图像聚类方法和装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109213732B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213732A (zh) | 一种改善相册分类的方法、移动终端及计算机可读存储介质 | |
CN106446797B (zh) | 图像聚类方法及装置 | |
CN108304758A (zh) | 人脸特征点跟踪方法及装置 | |
CN109151180A (zh) | 一种对象识别方法及移动终端 | |
CN104281833B (zh) | 色情图像识别方法和装置 | |
CN108337374A (zh) | 一种消息提示方法及移动终端 | |
CN109063558A (zh) | 一种图像分类处理方法、移动终端及计算机可读存储介质 | |
CN108494947A (zh) | 一种图像分享方法及移动终端 | |
CN109508399A (zh) | 一种表情图像处理方法、移动终端 | |
CN108427873A (zh) | 一种生物特征识别方法及移动终端 | |
CN109005336A (zh) | 一种图像拍摄方法及终端设备 | |
CN108616448A (zh) | 一种信息分享的路径推荐方法及移动终端 | |
CN108307110A (zh) | 一种图像虚化方法及移动终端 | |
CN108334196A (zh) | 一种文件处理方法及移动终端 | |
CN108319833A (zh) | 一种应用程序的控制方法及移动终端 | |
CN108257104A (zh) | 一种图像处理方法及移动终端 | |
CN108765522A (zh) | 一种动态图像生成方法及移动终端 | |
CN109858447A (zh) | 一种信息处理方法及终端 | |
CN108932505A (zh) | 一种图像处理方法和电子设备 | |
CN108305342A (zh) | 一种考勤方法及移动终端 | |
CN108055400A (zh) | 一种壁纸切换方法及移动终端 | |
CN108322606A (zh) | 一种屏幕开启方法、终端及计算机可读存储介质 | |
CN108459813A (zh) | 一种搜索方法及移动终端 | |
CN107832420A (zh) | 照片管理方法及移动终端 | |
CN108494949B (zh) | 一种图像分类方法及移动终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |