CN109753580A - 一种图像分类方法、装置、存储介质及电子设备 - Google Patents

Abstract

本申请实施例公开一种图像分类方法、装置、存储介质及电子设备，其中，本申请实施例通过接收截图指令，获取截图图像；将所述截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将所述截图图像进行分类存储；当判断出所述截图图像分类的准确率大于预设阈值时，获取目标数据；将所述目标数据输入所述分类模型，进行模型更新。以此图像可根据分类结果实现图像的分类存储，方便用户对图像的查找，提高了查找效率。同时，本申请实施例还通过判断分类的准确率，将准确率大于预设阈值的截图图像作为目标数据，将目标数据输入分类模型进行模型的更新，通过模型的持续更新来持续提高分类的准确率。

Description

一种图像分类方法、装置、存储介质及电子设备

技术领域

本发明涉及图像处理领域，特别涉及一种图像分类方法和装置。

背景技术

随着电子技术的不断发展，电子设备如手机的功能越来越强大，用户可以在手机上安装各式各样的应用程序，并通过这些应用程序来浏览各类的信息，而对于一些浏览过后想保存的信息，用户往往会采用截图功能将信息进行截图保存。

目前，电子设备现有的截图功能仅能实现截取当前终端屏幕显示画面，并将所有的截图保存在一个指定截图目录下，在存在较多截图时，在指定截图目录下快速准确的查找到需要的截图比较困难，查找效率低下。

发明内容

本申请实施例提供一种图像分类方法、装置、存储介质及电子设备，方便用户查找截图，提高截图查找效率。

第一方面，本申请实施例提供了一种图像分类方法，包括：

接收截图指令，获取截图图像；

将所述截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将所述截图图像进行分类存储；

当判断出所述截图图像分类的准确率大于预设阈值时，获取目标数据；

将所述目标数据输入所述分类模型，进行模型更新。

第二方面，本申请实施例提供了一种图像分类装置，包括：

获取模块，用于接收截图指令，获取截图图像；

分类模块，用于将所述截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将所述截图图像进行分类存储；

判断模块，用于当判断出所述截图图像分类的准确率大于预设阈值时，获取目标数据；

更新模块，用于将所述目标数据输入所述分类模型，进行模型更新。

第三方面，本申请实施例提供的存储介质，其上存储有计算机程序，当该计算机程序在计算机上运行时，使得该计算机执行如本申请任一实施例提供的图像分类方法。

第四方面，本申请实施例提供的电子设备，包括处理器和存储器，该存储器有计算机程序，该处理器通过调用该计算机程序，用于执行如本申请任一实施例提供的图像分类方法。

本申请实施例通过接收截图指令，获取截图图像；将所述截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将所述截图图像进行分类存储；当判断出所述截图图像分类的准确率大于预设阈值时，获取目标数据；将所述目标数据输入所述分类模型，进行模型更新。以此图像可根据分类结果实现图像的分类存储，方便用户对图像的查找，提高了查找效率。同时，本申请还通过判断分类的准确率，将准确率大于预设阈值的截图图像作为目标数据，将目标数据输入分类模型进行模型的更新，通过模型的持续更新来持续提高分类的准确率。

附图说明

图1是本申请实施例提供的图像分类系统的场景示意图。

图2为本申请实施例提供的图像分类方法的流程示意图。

图3为本申请实施例提供的图像分类方法的另一流程示意图。

图4为本申请实施例提供的截图图像调整的场景示意图。

图5为本申请实施例提供的截图图像调整的另一场景示意图。

图6为本申请实施例提供的图像分类装置的结构示意图。

图7为本申请实施例提供的电子设备的结构示意图。

图8为本申请实施例提供的电子设备的另一结构示意图。

具体实施例

请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。

本文所使用的术语「模块」可看做为在该运算系统上执行的软件对象。本文该的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文该的装置及方法优选的以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。

本申请实施例提供一种图像分类方法，该图像分类方法的执行主体可以是本申请实施例提供的图像分类装置，或者集成了该图像分类装置的电子设备，其中该图像分类装置可以采用硬件或者软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑(PDA，Personal Digital Assistant)等。

请参阅图1，图1为本发明实施例所提供的图像分类系统的场景示意图，图像分类系统包括终端A和服务器(该图像分类系统还可以包括除终端A之外的其他终端，终端具体个数在此处不作限定)，终端A与服务器之间可以通过通信网络连接，该通信网络，可以包括无线网络以及有线网络，其中无线网络包括无线广域网、无线局域网、无线城域网、以及无线个人网中的一种或多种的组合。网络中包括路由器、网关等等网络实体，图中并未示意出。终端A可以通过通信网络与服务器进行信息交互，比如终端A发送模型更新请求至服务器，服务器端将已经训练完成的目标分类模型推送给终端A，终端A接收到目标分类模型后对本地存储的分类模型进行更新替换。

以下将对本申请实施例提供的图像分类方法进行具体分析说明。

本申请实施例提供一种图像分类方法，请参阅图2，图2为本申请实施例提供的图像分类方法的流程示意图，该图像分类方法可以包括以下步骤：

在步骤S101中，接收截图指令，获取截图图像。

其中，截图指令的生成方式可以包括按压功能键、按压组合功能键、点击屏幕显示的截图控件或者对屏幕的触摸操作等等，其中，功能键可包括电源键以及上下音量键等，组合功能键即为功能键的组合方式，例如，电源键和上音量键的组合或者上下音量键的组合等，进一步的，按压可以包括单次按压、多次按压或者长时间按压等等。同时截图控件的可为圆形控件，也可以是其他形状的控件，例如矩形控件、扇形控件等，另外对屏幕的触摸操作可以是双指同时在屏幕上滑动或者双击屏幕等等，本实施例对截图指令的生成方式不做限定。

另外，截图图像可以包括全屏截图、局部截图和长截图。全屏截图，可以指截取终端整个屏幕的显示内容，得到包含整个屏幕的显示内容的截图图像；局部截图，可以指截取终端屏幕的部分显示内容，得到包含屏幕的部分显示内容的截图图像；长截图，可以指以不间断的形式纵向或者横向截取多屏显示内容，得到包括多屏显示内容的截图图像。进一步的，截图图像的格式可以为联合照片专家组(Joint Photographic Expert Group，JPEG)或者绘图交换文件(Drawing Exchange Format，DXF)等等格式。

同时，获取截图图像之后还可以包括在屏幕上显示该截图图像及对该截图图像进行操作，例如分享该截图图像、保存或删除该截图图像等等，需要说明的是，获取该截图图像后该截图图像可以是以缓存的方式保存在该终端内，在用户选择删除该截图图像后，该截图图像被删除不再进行后续的分类步骤。

在步骤S102中，将截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将截图图像进行分类存储。

其中，该分类模型可以是一个已经经过初步训练并具有自学习功能的卷积神经网络(Convolutional Neural Networks，CNN)模型，卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层等结构。在一实施方式中，可以预先获取多个图像，并对每个图像进行标定，标定该图像相应的分类结果，对多个图像以及包含的标定对卷积神经网络进行训练，可以得到分类模型。

基于此，可以将截图图像作为参数输入分类模型，输出分类结果，并根据分类结果建立与该分类结果相关联的存储目录，将截图图像保存至该存储目录中。

在一些实施方式中，将截图图像作为参数输入分类模型，输出分类结果的步骤，可以包括：

(1)将截图图像作为参数输入至卷积神经网络模型的输入层，在通道维对输入数据进行去均值和归一化等处理，以得到图像数据。

(2)将该图像数据传递至卷积层，并完成图像数据的特征提取，以得到特征信息。

(3)将该特征信息传递至池化层，完成对该特征信息的压缩，以得到主要特征信息。

(4)将该主要特征信息传递至全连接层，并将该主要特征信息反馈将该主要特征信息展开为向量信息。

(5)接收向量信息，输出截图图像的分类结果。

其中，截图图像作为参数输入该神经网络模型后，该神经网络中的每一层都接收其前部所有层的输出特征信息作为输入，每一层都在其之前所有层的输出中提取有用的信息，保证最后输出的分类结果的准确性。

在一些实施方式中，根据分类结果，将截图图像进行分类存储的步骤，可以包括：

(1.1)根据分类结果，建立与该分类结果相关联的存储目录。

其中，该存储目录的名称可以是根据内置的分类模型根据训练数据的分类结果而设定的预设名称，该存储目录的名称与分类结果相关联，一个存储目录的名称可以关联多个分类结果。例如，存储目录的预设名称为“宠物”，则与其相关联的分类结果可以是“猫”、“狗”、“鸟”或者“仓鼠”等。

(1.2)将该截图图像存储在该存储目录下。

例如，输出的该截图图像的分类结果为“猫”，此时获取与“猫”相关联的存储目录的预设名称为“宠物”，检测当前截图存储目录是否存在名称为“宠物”的存储目录，若存在，则将该截图图像保存在该存储目录下；若不存在，则建立名称为“宠物”的存储目录，并将该截图图像保存至该存储目录下。

进一步的，在将截图图像进行分类储存后，还可以包括在屏幕上显示该截图图像和该截图图像的分类结果。将分类结果与截图图像展示给用户，此时，该截图图像的分类结果可以人为进行修改。例如，输入的截图图像为女生图像，但是输出的分类结果为“男生”，将截图图像与分类结果在屏幕上显示后，用户发现分类错误可直接对分类结果进行修改，将分类结果的“男生”修改为“女生”。

在步骤S103中，当判断出截图图像分类的准确率大于预设阈值时，获取目标数据。

其中，当截图图像分类的准确率大于预设阈值时，该通过分类模型输出的分类结果可认定为准确的分类结果，则该截图图像的分类信息为优质数据，将此类数据作为目标数据。

在一些实施方式中，当判断出截图图像分类的准确率大于预设阈值时，获取目标数据的步骤，可以包括：

(1)检测分类存储后的截图图像状态，以获取分类的准确率；

其中，检测分类存储后的截图图像状态可以包括检测保存后的截图图像的用户人为调整操作或者检测用户对分类结果的修改操作等，例如，用户将该截图图像从根据分类结果保存的存储目录下转移至另一存储目录下，或者用户直接将该截图图像的分类结果进行修改。可以理解的是，经过用户调整或修改的截图图像的分类信息是不准确的。

(2)当判断出准确率大于预设阈值时，将该分类存储后的截图图像的分类信息作为目标数据。

由上可知，分类的准确率与存储后的截图图像的状态相关，可理解的是，经过用户调整或修改的截图图像的分类信息是不准确的。故当判断出准确率大于预设阈值时，将该分类存储后的截图图像的分类信息作为目标数据中，目标数据是指除去不准确的截图图像的分类信息后的分类信息，即除去经过用户调整或修改的截图图像的分类信息。需要说明的是，截图图像的分类信息包括截图图像和截图图像的分类结果。

在步骤S104中，将目标数据输入分类模型，进行模型更新。

其中，将得到的目标数据的分类信息输入本地存储的分类模型，进行分类模型的训练，将训练完成的目标分类模型对本地存储的分类模型进行更新。需要说明的是，由于目标数据是经过人为确定的，即目标数据的截图图像与输出的分类结果是吻合的，故相比于普通的训练数据该目标数据的截图图像的特征信息与标定的分类结果更为吻合的，从而使得经过目标数据再次训练后的目标分类模型的分类更为准确，提高了分类的准确率。

在一实施方式中，模型更新还可以是接收服务器训练完成的目标分类模型，根据该目标分类模型对本地存储的分类模型进行更新，此时，分类模型的训练在服务器端进行。

需要说明的是，模型更新的时间可以是预设时间或者终端系统空闲的时间等。

由上可知，本申请实施例提供的一种图像分类方法，通过接收截图指令，获取截图图像；将该截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将该截图图像进行分类存储；当判断出该截图图像分类的准确率大于预设阈值时，获取目标数据；将该目标数据输入该分类模型，进行模型更新。通过分类模型输出的截图图像的分类结果将截图图像分类储存，其中分类储存的目录与截图图像的分类结果相关联，用户可以根据目录名称快速准确找到截图，提高了查找效率。另外，本申请还可以通过判断分类的准确率，将准确率大于预设阈值的截图图像作为目标数据，将目标数据输入分类模型进行模型的不断更新，通过模型的持续更新来持续提高分类的准确率。

根据上述实施例所描述的方法，以下将举例作进一步详细说明。

请参照图3，图3为本申请实施例提供的图像分类的另一流程示意图，该图像分类方法，包括：

在步骤S201中，接收截图指令，获取截图图像。

其中，获取截图的方式与接收的截图指令相关联，例如，用户单击截图控件生成截取全屏截图的截图指令，获取全屏截图图像。或者用户双击屏幕生成长截图的截图指令，获取长截图图像等。

在步骤S202中，将截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将截图图像进行分类存储。

其中，该分类模型可以是一个已经经过初步训练并具有自学习功能的卷积神经网络(Convolutional Neural Networks，CNN)模型，将截图图像作为参数输入分类模型，输出分类结果，并根据分类结果建立与该分类结果相关联的存储目录，将截图图像保存至该存储目录中。

在步骤S203中，根据分类结果获取截图图像的数据类型。

其中，截图图像的数据类型与其分类结果相关联，在一些实施方式中，数据类型可以包括常规数据类型和需提示数据类型，常规数据类型是指普通截图图像，例如，视频的截图图像、歌词的截图图像或者图片的截图图像等等，常规数据类型保存后则不生成提示信息。而需提示数据类型是指预设的需要获取提示信息的数据类型，其中需提示数据类型可以包括个人隐私、联系人信息、网站信息、地址信息、日程计划或者图像码等。需要说明的是，常规数据类型与需提示数据类型可由用户自行进行修改与补充。以下将对需提示数据类型进一步举例说明。

例如，若截图图像的分类结果为账号密码、聊天信息或者财产数据等时，此类分类结果对应的数据类型可以是个人隐私；若分类结果为通讯录名单、QQ微信联系人或者其他社交软件联系人信息时，此类分类结果对应的数据类型可以是联系人信息；若分类结果涉及网址数据时，此类分类结果对应的数据类型可以是网站信息；若分类结果涉及路线信息或者目的地信息时，此类分类结果对应的数据类型可以是地址信息；若分类结果涉及时间或者日程计划时，此类分类结果对应的数据类型可以日程计划；若分类结果涉及二维码或者条形码时，此类分类结果对应的数据类别可以是个人隐私或者图像码或者联系人信息。

在步骤S204中，判断数据类型的数量是否多个。

其中，检测截图图像数据类型的数量，当检测到截图图像数据类型为多个时，例如，该截图图像为用户的聊天记录，该聊天记录中包含了用户A的联系方式，此时，该截图图像的数据类别可以是个人隐私或者联系人信息，或者该截图图像为二维码的截图，该二维码可以是用户的微信名片、用户付款码、其他用户的联系方式或者WIFI密码等等，此时，该截图图像的数据类型可以是个人隐私或者联系人信息，则执行步骤S205。若检测到截图图像的数据类别为单个时，例如，该截图图像仅仅只包括用户的聊天记录时，该截图图像的数据类型为个人隐私，执行步骤S206。

在步骤S205中，生成并显示数据类型的选择提示，以获得目标数据的数据类型。

例如，截图图像为二维码的截图图像，该二维码可以是用户的微信名片、用户付款码、其他用户的联系方式或者WIFI密码等等，此时，该截图图像的数据类型可以是个人隐私或者联系人信息，此时可以生成个人隐私、联系人信息或者常规信息等选项并显示在屏幕上，根据用户的选择生成选择信息以获取目标数据类型。

在步骤S206中，将数据类型作为目标数据类型。

其中，由于数据类型为单个，故将该数据类型作为目标数据类型。

在步骤S207中，根据目标数据的数据类型获取相应的预设提示信息。

其中，提示信息与数据类型相关，预设提示信息可以是消息提示或者功能推荐提示。在一些实施方式中，消息提示可以是生成提示消息、生成声音提示消息或者生成震动提醒等等。另外，当目标数据的数据类型为常规数据时，则不获取预设提示信息。需要说明的是预设提示信息可由用户自行进行修改与补充。以下举例说明根据数据类型获取相应的预设提示消息的多种可实现方式，可理解的是，以下举例描述的并非根据数据类型获取相应的预设提示消息的全部实现方式。

a.如果目标数据的数据类型为个人隐私时，震动提醒用户进行加密。

b.如果目标数据的数据类型为联系人信息时，提供给用户保存或者添加联系人的功能。

c.如果目标数据的数据类型为网址信息时，提供跳转到对应网站的功能。

d.如果目标数据的数据类型为地址信息时，提供用户跳转系统导航软件功能。

e.如果目标数据的数据类型为日程计划时，提供用户添加提醒功能。

f.如果目标数据的数据类型为图像码时，提供识别二维码功能。

g.如果目标数据的数据类型为常规信息时，不获取预设提示消息。

由上可知，当目标数据的数据类型为多个时，生成并在屏幕上显示选择提示，并根据用户的选择生成选择信息以获取目标数据的数据类型，随后，根据目标数据的数据类型来获取相应的预设的提示信息。例如，若截图图像为二维码的截图，该截图图像的数据类型可以是个人隐私或者联系人信息，生成个人隐私、联系人信息和常规信息三个选项的提示消息并显示在屏幕上，若用户选择个人隐私选项时，震动提醒用户进行加密；若用户选择联系人信息时，提供给用户保存或者添加联系人的功能；若用户选择常规信息时，则不生成提示信息。

在步骤S208中，接收用户对分类存储后的截图图像的调整指令，并标记目标信息至调整的截图图像上。

其中，在一些实施方式中，调整指令的生成方式可以包括检测保存后的截图图像的用户人为调整操作或者检测用户对分类结果的修改操作等，目标信息可以指该截图图像经过调整的标记信息。以下举例说明截图图像的调整方式。

请参阅图4，图4为存储后的截图图像调整的场景示意图，其中，经过分类模型后，截图a存储至截图目录“人物”下，用户查看截图a时发现截图a为猫的图像，即截图a分类输出分类结果不准确，用户将截图a从存储目录为“人物”转移至存储目录为“宠物”下，并将调整的标记信息添加至截图a上。

同时请参阅图5，图5为存储后的截图图像调整的另一场景示意图，其中假设截图b为女生自拍图片的截图图像，当用户点开截图b的详细信息时查看截图b的分类结果信息，截图b的分类结果为“男生”，此时用户可点击分类结果栏将截图b的分类结果修改为“女生”，并将修改的标记信息添加至截图b上。

由上可知，带有目标信息的截图图像为分类不准确的截图图像。

在步骤S209中，检测分类存储后的截图图像的数量，当分类存储后的截图图像的数量达到预设样本数量时，获取标记有目标信息的截图图像的数量。

其中，分类存储后的截图图像的数量可以指未进行分类训练的截图图像的数量，当分类存储后的截图图像的数量达到预设样本数量时，获取标记有目标信息的截图图像的数量，例如，假设预设样本数量为30，请参阅图5，假设标记有目标信息的截图图像只有截图a，当分类存储后的截图图像达到30张时，获取标记有目标信息的截图图像的数量为1。

在步骤S210中，根据标记有目标信息的截图图像的数量以及预设样本数量，计算出分类的准确率。

由上可知，假设预设样本数量为30，请继续参阅图4，假设标记有目标信息的截图图像只有截图a，当分类存储后的截图图像达到30张时，获取标记有目标信息的截图图像的数量为1，即分类准确的截图图像的数量为29，则可计算出分类的准确率为97％。

在步骤S211中，当判断出准确率大于预设阈值时，将该分类存储后的图像的分类信息作为目标数据。

其中，分类准确率预设阈值为预先设定的数值，需要说明的是，该预设阈值为固定不变的数值，可以根据用户的设定而改变。若准确率的预设阈值为90％，即上述分类的准确率97％大于预设阈值，则将未标记有目标信息的截图图像的分类信息作为目标数据，即将除去截图a的余下的29张截图图像的分类信息作为目标数据。

在步骤S212中，将目标数据输入该分类模型，进行模型更新。

其中，将得到的目标数据的分类信息输入本地存储的分类模型，进行分类模型的训练，将训练完成的目标分类模型对本地存储的分类模型进行更新。需要说明的是，由于目标数据是经过人为确定的，即目标数据的截图图像与输出的分类结果是吻合的，故相比于普通的训练数据该目标数据的截图图像的特征信息与标定的分类结果更为吻合的，从而使得经过目标数据再次训练后的目标分类模型的分类更为准确，提高了分类的准确率。

在一实施方式中，模型的更新还可以是接收服务器训练完成的目标分类模型，根据该目标分类模型对本地存储的分类模型进行更新，此时，分类模型的训练在服务器端进行。

由上可知，本申请实施例提供的一种图像分类方法，通过接收截图指令，获取截图图像；将该截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将该截图图像进行分类存储；根据分类结果获取截图图像的数据类型，根据数据类型获取预设提示信息；当判断出该截图图像分类的准确率大于预设阈值时，获取目标数据；将该目标数据输入该分类模型，进行模型更新。通过分类模型输出的截图图像的分类结果将截图图像分类储存，其中分类储存的目录与截图图像的分类结果相关联，用户可以根据目录名称快速准确找到截图，提高了查找效率。另外，还可以根据与分类结果相关联的数据类型来生成相应的预设提示信息，方便用户的使用，提高用户体验。最后，本申请还可以通过判断分类的准确率，将准确率大于预设阈值的截图图像作为目标数据，将目标数据输入分类模型进行模型的不断更新，通过模型的持续更新来持续提高分类的准确率。

为便于更好的实施本申请实施例提供的图像分类方法，本申请实施例还提供一种基于上述图像分类方法的装置。其中名词的含义与上述图像分类方法中相同，具体实现细节可以参考方法实施例中的说明。

请参阅图6，图6为本申请实施例提供的图像分类装置的结构示意图。具体而言，该图像分类装置300，包括：获取模块31、分类模块32、判断模块33和更新模块34。

获取模块31，用于接收截图指令，获取截图图像。

其中，获取模块31接收的截图指令可以是通过按压功能键、按压组合功能键、点击屏幕显示的截图控件或者对屏幕的触摸操作生成的，另外，获取的截图图像可以是全屏截图、局部截图和长截图。

分类模块32，用于将该截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将该截图图像进行分类存储。

其中，分类模块32可以是将截图图像输入已经经过初步训练并具有自学习功能的卷积神经网络模型，截图图像讲过输入层、卷积层、池化层及全连接层等结构的处理后，由输出层等结构输出分类结果。

在一些实施方式中，该分类模型32，具体还用于将该截图图像作为参数输入分类模型，输出分类结果，根据分类结果，建立与该分类结果相关联的存储目录，将该截图图像存储在该存储目录下。

判断模块33，用于当判断出该截图图像分类的准确率大于预设阈值时，获取目标数据。

其中，判断模块33判断截图图像分类的准确率大于预设阈值时，该通过分类模型输出的分类结果可认定为准确的分类结果，则该截图图像的分类信息为优质数据，将此类数据作为目标数据。

在一些实施方式中，该判断模块33，具体可用于接收用户对分类存储后的截图图像的调整指令，并标记目标信息至调整的截图图像上，检测分类存储后的截图图像的数量，当分类存储后的截图图像的数量达到预设样本数量时，获取标记有目标信息的截图图像的数量，根据标记有目标信息的截图图像的数量以及预设样本数量，计算出分类的准确率，当判断出准确率大于预设阈值时，将该分类存储后的图像的分类信息作为目标数据。

更新模块34，用于将该目标数据输入该分类模型，进行模型更新。

其中，更新模块34可以是接收服务器训练完成的目标分类模型，根据该目标分类模型对本地存储的分类模型进行更新。

在一实施方式中，该图形分类装置还可以包括提示模块，该提示模块用于根据分类结果确定该截图图像的数据类型，并根据该数据类型获取相应的预设提示信息，该预设提示信息包括消息提示和/或功能推荐提示。

其中，提示模块根据数据类型来获取相应的预设提示信息，数据类型可以是根据训练的分类结果预设的数据类型，并与预设提示信息相关联。其中，预设提示信息可以是生成提示消息、生成声音提示消息、生成震动提醒或者生成功能推荐信息等。

在一些实施方式中，提示模块，具体用于根据分类结果获取该截图图像的数据类型，判断该数据类型的数量；若该数据类型的数量为多个时，生成并显示数据类型的选择提示，以获得目标数据类型；根据该目标数据类型获取相应的预设提示信息。

由上可知，本申请实施例提供的一种图像分类装置，获取模块31接收截图指令，获取截图图像；分类模块32将该截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将该截图图像进行分类存储；判断模块33当判断出该截图图像分类的准确率大于预设阈值时，获取目标数据；更新模块34将该目标数据输入该分类模型，进行模型更新。通过分类模型输出的截图图像的分类结果将截图图像分类储存，其中分类储存的目录与截图图像的分类结果相关联，用户可以根据目录名称快速准确找到截图，提高了查找效率。另外，本申请还可以通过判断分类的准确率，将准确率大于预设阈值的截图图像作为目标数据，将目标数据输入分类模型进行模型的不断更新，通过模型的持续更新来持续提高分类的准确率。

本申请实施例还提供一种电子设备。请参阅图7，电子设备500包括处理器501以及存储器502。其中，处理器501与存储器502电性连接。

该处理器500是电子设备500的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器502内的计算机程序，以及调用存储在存储器502内的数据，执行电子设备500的各种功能并处理数据，从而对电子设备500进行整体监控。

该存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器502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计算机程序(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电子设备的使用所创建的数据等。此外，存储器502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。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。

在本申请实施例中，电子设备500中的处理器501会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器502中，并由处理器501运行存储在存储器502中的计算机程序，从而实现各种功能，如下：

接收截图指令，获取截图图像；

将该截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将该截图图像进行分类存储；

当判断出该截图图像分类的准确率大于预设阈值时，获取目标数据；

将该目标数据输入该分类模型，进行模型更新。

在一些实施方式中，当判断出该截图图像分类的准确率大于预设阈值时，获取目标数据时，处理器501可以具体执行以下步骤：

检测分类存储后的截图图像状态，以获取分类的准确率；

当判断出该准确率大于预设阈值时，将该分类存储后的图像的分类信息作为目标数据。

在一些实施方式中，检测分类存储后的截图图像状态，以获取分类的准确率时，处理器501可以具体执行以下步骤：

接收用户对分类存储后的截图图像的调整指令，并标记目标信息至调整的截图图像上；

检测分类存储后的截图图像的数量，当该分类存储后的截图图像的数量达到预设样本数量时，获取标记有目标信息的截图图像的数量；

根据标记有目标信息的截图图像的数量以及预设样本数量，计算出分类的准确率。

在一些实施方式中，将该截图图像进行分类存储的步骤之后，处理器501可以具体执行以下步骤：

根据分类结果确定该截图图像的数据类型，并根据该数据类型获取相应的预设提示信息，该预设提示信息包括消息提示和/或功能推荐提示。

在一些实施方式中，根据分类结果确定该截图图像的数据类型，并根据该数据类型获取相应的预设提示信息时，处理器501可以具体执行以下步骤：

根据分类结果获取该截图图像的数据类型，判断该数据类型的数量；

若该数据类型的数量为多个时，生成并显示数据类型的选择提示，以获得目标数据数据类型；

根据该目标数据数据类型获取相应的预设提示信息。

由上可知，本申请实施例提供的电子设备，通过接收截图指令，获取截图图像；将该截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将该截图图像进行分类存储；根据分类结果获取截图图像的数据类型，根据数据类型获取预设提示信息；当判断出该截图图像分类的准确率大于预设阈值时，获取目标数据；将该目标数据输入该分类模型，进行模型更新。通过分类模型输出的截图图像的分类结果将截图图像分类储存，其中分类储存的目录与截图图像的分类结果相关联，用户可以根据目录名称快速准确找到截图，提高了查找效率。另外，还可以根据与分类结果相关联的数据类型来生成相应的预设提示信息，方便用户的使用，提高用户体验。最后，本申请还可以通过判断分类的准确率，将准确率大于预设阈值的截图图像作为目标数据，将目标数据输入分类模型进行模型的不断更新，通过模型的持续更新来持续提高分类的准确率。

请一并参阅图8，在某些实施方式中，电子设备500还可以包括：显示器503、射频电路504、音频电路505以及电源506。其中，其中，显示器503、射频电路504、音频电路505以及电源506分别与处理器501电性连接。

该显示器503可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器503可以包括显示面板，在某些实施方式中，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、或者有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板。

该射频电路504可以用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。

该音频电路505可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。

该电源506可以用于给电子设备500的各个部件供电。在一些实施例中，电源506可以通过电源管理系统与处理器501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8中未示出，电子设备500还可以包括摄像头、蓝牙模块等，在此不再赘述。

本申请实施例还提供一种存储介质，该存储介质存储有计算机程序，当该计算机程序在计算机上运行时，使得该计算机执行上述任一实施例中的图像分类方法，比如：通过获取人体图像；接收截图指令，获取截图图像；将该截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将该截图图像进行分类存储；根据分类结果获取截图图像的数据类型，根据数据类型获取预设提示信息；当判断出该截图图像分类的准确率大于预设阈值时，获取目标数据；将该目标数据输入该分类模型，进行模型更新。

在本申请实施例中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM，)、或者随机存取记忆体(Random Access Memory，RAM)等。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

需要说明的是，对本申请实施例的图像分类方法而言，本领域普通测试人员可以理解实现本申请实施例的图像分类方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如图像分类方法的实施例的流程。其中，该的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。

对本申请实施例的图像分类装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。该集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，该存储介质譬如为只读存储器，磁盘或光盘等。

以上对本申请实施例所提供的一种图像分类方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上该，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种图像分类方法，其特征在于，包括：

接收截图指令，获取截图图像；

将所述截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将所述截图图像进行分类存储；

当判断出所述截图图像分类的准确率大于预设阈值时，获取目标数据；

将所述目标数据输入所述分类模型，进行模型更新。

2.根据权利要求1所述的方法，其特征在于，所述当判断出所述截图图像分类的准确率大于预设阈值时，获取目标数据的步骤，包括：

检测分类存储后的截图图像状态，以获取分类的准确率；

当判断出所述准确率大于预设阈值时，将所述分类存储后的截图图像的分类信息作为目标数据。

3.根据权利要求2所述的方法，其特征在于，所述检测分类存储后的截图图像状态，以获取分类的准确率的步骤，包括：

接收用户对分类存储后的截图图像的调整指令，并标记目标信息至调整的截图图像上；

检测分类存储后的截图图像的数量，当所述分类存储后的截图图像的数量达到预设样本数量时，获取标记有目标信息的截图图像的数量；

根据标记有目标信息的截图图像的数量以及预设样本数量，计算出分类的准确率。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述将所述截图图像进行分类存储的步骤，包括：

根据分类结果，建立与所述分类结果相关联的存储目录；

将所述截图图像存储在所述存储目录下。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述将所述截图图像进行分类存储的步骤之后，还包括：

根据分类结果确定所述截图图像的数据类型，并根据所述数据类型获取相应的预设提示信息，所述预设提示信息包括消息提示和/或功能推荐提示。

6.根据权利要求5所述的方法，其特征在于，所述根据分类结果确定所述截图图像的数据类型，并根据所述数据类型获取相应的预设提示信息的步骤，包括：

根据分类结果获取所述截图图像的数据类型，判断所述数据类型的数量；

若所述数据类型的数量为多个时，生成并显示数据类型的选择提示，以获得目标数据类型；

根据所述目标数据类型获取相应的预设提示信息。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

接收服务器训练完成的目标分类模型，根据所述目标分类模型对本地存储的分类模型进行更新。

8.一种截图分类装置，其特征在于，包括：

获取模块，用于接收截图指令，获取截图图像；

分类模块，用于将所述截图图像作为参数输入分类模型，输出分类结果，并根据分类结果，将所述截图图像进行分类存储；

判断模块，用于当判断出所述截图图像分类的准确率大于预设阈值时，获取目标数据；

更新模块，用于将所述目标数据输入所述分类模型，进行模型更新。

9.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至7任一项所述的图像分类方法。

10.一种电子设备，包括处理器和存储器，所述存储器有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如权利要求1至7任一项所述的图像分类方法。