一种分区扩散的图片分类标记方法

摘要

本发明公开了一种分区扩散的图片分类标记方法，其包括为预先保存的图片分别自动配置相应的分类标签，其中所配置的分类标签从预先设定的至少一个分类标签中选取得到。并且其还提供了一种改进的实施例即通过对图片进行切割组合的方式以加速其分类标记的进程。

权利要求

1.一种分区扩散的图片分类标记方法，包括：为预先保存的图片分别自动配置相应的分类标签，其中所配置的分类标签从预先设定的至少一个分类标签中选取得到；其中，所述对预先保存的图片自动配置相应的分类标签具体包括，将所述图片均匀的划分为AxB个分区，然后对每个分区进行图像识别以得到所述分类标签；

并且，所述自动配置相应的分类标签还包括：

对所划分的AxB个分区进行相邻的分区的图像进行组合识别得到所述分类标签；

其中所述组合识别包括，选定其中一个分区即xi,j,其中i∈(1，A)，j∈(1，A)，然后从所述分区xi,j出发，向多个方向扩展所述分区xi,j同时检测扩展到的相邻的分区的色度和灰度，直至所述色度或灰度超过一阈值则停止继续向周边的分区扩展；

其中所述阈值为所述分区xi,j与相邻分区的交界线上的色度或灰度的平均值；

其特征在于，

其中的图片识别或者组合识别具体包括：

对图片按照labelsθ～Dirichlet(α)的主题分布进行采样，θ是由α参数化的K维Dirichlet分布；

然后按主题分配zi～Multinominal(θ)进行采样：从来自主题zi的 中取一个标签；

为Xn计算标签先验： 其中 是Yn中元素的数量；

训练过程中ξni＝0,η>0；测试过程中ξni>0,η>0；

对labelsθ′～Dirichlet(.|α′n)的主题分布进行采样；θ′是由α′n参数化的L维Dirichlet分布；

对标签分配vi～Multinominal(θ′)进行采样：从 中取一个实例； 是标签vi的C维多项式；

对标签分配gi～Multinominal(θ′)进行采样：从标签gi的 中取一个标记；

其中，Y＝{y1,y2,…,yL}，Y表示一个有L个标签的集合，用T＝{t1,t2,…,tT}代表有T个用户标识的集合；其中D＝{([X1,T1],Y1),…，([XN,TN],YN)}表示一个有N个样例的训练集合，其中 是一个有Mn个实例的包， 是一个有Gn个用户标识的集合，而 是来自Y集合中的Ln个标签的集合；

然后建立一个原型集合C＝{c1,c2,…,cC}。

说明书

一种分区扩散的图片分类标记方法

技术领域

[0001] 本发明属于图像识别领域，具体地说，本发明涉及一种分区扩散的图片分类标记方法。

背景技术

[0002] 随着社会的发展，人们之间的互动越来越多，人们可以通过手机聊天、发送信息以及发送图片等。同时由于手机功能的日渐强大，用户通过手机拍照、各类社交应用以及网页浏览会获取各种各样的照片以及图片，这样导致用户的手机中会存储大量不同类型以及内容的图片。

[0003] 当用户对手机内的图片进行浏览时，基本只能按照拍摄顺序或图片获取日期进行浏览，无法满足用户方便的浏览特定图片的需求。同时当需要对图片进行分类整理时，用户无法方便的在手机上完成图片的分类整理操作，只能将图片批量传输至电脑上后，再进行分类整理操作；这样导致对图片分类和浏览的效率均较为低下。而现在现有的图片分类方法采取的识别算法大致相同但他们都有个同样的问题，就是在图片较大时不能有效的对图片进行快速的识别，而且当像素太大图片太大时，对于硬件的消耗极大处理速度很低下。因此本申请提出了将图片进行有效的分割，而进行多线程同时识别进行分类标签的新的技术方案，以解决现有技术所存在的问题。

发明内容

[0004] 本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提供一种分区扩散的图片分类标记方法，包括：

[0005] 为预先保存的图片分别自动配置相应的分类标签，其中所配置的分类标签从预先设定的至少一个分类标签中选取得到。

[0006] 进一步的，所述对预先保存的图片自动配置相应的分类标签具体包括，将所述图片均匀的划分为AxB个分区，然后对每个分区进行图像识别以得到所述分类标签。

[0007] 进一步的，所述自动配置相应的分类标签还包括：

[0008] 对所划分的AxB个分区进行相邻的分区的图像进行组合识别得到所述分类标签；

[0009] 其中所述组合识别包括，选定其中一个分区即xi,j,其中i∈(1，A)，i∈(1，A)，然后从所述分区xi,j出发，向四个方向扩展所述分区xi,j同时检测扩展到的相邻的分区的色度和/或灰度，直至所述色度或灰度超过一阈值则停止继续向周边的分区扩展。

[0010] 进一步的，所述阈值为所述分区xi,j与相邻分区的交界线上的色度或灰度的平均值。

附图说明

[0011] 从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。

[0012] 图1为本发明的一个实施例的分类标记流程图。

具体实施方式

[0013] 为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合附图及其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内、包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。

[0014] 实施例一。

[0015] 本实施例提供一种分区扩散的图片分类标记方法，其包括：

[0016] 为预先保存的图片分别自动配置相应的分类标签，其中所配置的分类标签从预先设定的至少一个分类标签中选取得到。

[0017] 进一步的，所述对预先保存的图片自动配置相应的分类标签具体包括，将所述图片均匀的划分为AxB个分区，然后对每个分区进行图像识别以得到所述分类标签。

[0018] 进一步的，所述自动配置相应的分类标签还包括：

[0019] 对所划分的AxB个分区进行相邻的分区的图像进行组合识别得到所述分类标签；

[0020] 其中所述组合识别包括，选定其中一个分区即xi,j,其中i∈(1，A)，i∈(1，A)，然后从所述分区xi,j出发，向四个方向扩展所述分区xi,j同时检测扩展到的相邻的分区的色度和/或灰度，直至所述色度或灰度超过一阈值则停止继续向周边的分区扩展。

[0021] 进一步的，所述阈值为所述分区xi,j与相邻分区的交界线上的色度或灰度的平均值。

[0022] 其中的图片识别或者组合识别采用的具体算法为：

[0023] foreach image Xndo

[0024] 对labelsθ～Dirichlet(α)的主题分布进行采样；θ是由α参数化的K维Dirichlet分布

[0025] for each label Yni of image Xndo

[0026] 对主题分配zi～Multinominal(θ)进行采样

[0027] 从来自主题zi的 中取一个标签

[0028] 为Xn计算标签先验： 其中 是Yn中yi

[0029] 数量；训练过程中ξni＝0,η>0；测试过程中ξni>0,η>0。

[0030] 对labelsθ′～Dirichlet(.|α′n)的主题分布进行采样；θ′是由α′n参数化的L维Dirichlet分布

[0031] for each instance xni ofXndo

[0032] 对标签分配vi～Multinominal(θ′)进行采样

[0033] 从 中取一个实例； 标签vi的C维多项式

[0034] for each tag tni in Tn of image Xndo

[0035] 对标签分配gi～Multinominal(θ′)进行采样

[0036] 从标签gi的 中取一个标记

[0037] 在以上算法中，y＝{y1,y2,…,yL}，Y表示一个有L个标签的集合，用T＝{t1,t2,…,tT}代表有T个用户标识的集合。用D＝{([X1,T1],Y1),…，([XN,TN],YN)}表示一个有N个样例的训练集合，其中Xn＝{xn1,xn2,…,xnMn}是一个有Mn个实例的包，Tn＝{tn1,tn2,…,tnGn}是一个有Gn个用户标识的集合，而Yn＝{yn1,yn2,…,ynLn}是来自Y集合中的Ln个标签的集合。以上即可生成一个基于图像(或是图像区域)的实例X和用户标识T(如果有的话)进行标注的学习机在视觉特征空间中进行聚类建立一个原型集合C＝{c1,c2,…,cC}。其中xi是一个大小为C的向量，其中xi,c是原型c出现在xi中的次数。当然应当说明的是，以上的识别算法仅为一种成功的实例，而在方法的实际应用中，可以由本领域技术人员再替换其他的识别方法，而本发明或者本实施例的主要发明点或者创新点在于分区扩散的识别方法，即多线程的同步识别的架构。

[0038] 实施例二。

[0039] 本实施例提供一种分区扩散的图片分类标记方法，其包括：

[0040] 为预先保存的图片分别自动配置相应的分类标签，其中所配置的分类标签从预先设定的至少一个分类标签中选取得到。

[0041] 进一步的，所述对预先保存的图片自动配置相应的分类标签具体包括，将所述图片均匀的划分为AxB个分区，然后对每个分区进行图像识别以得到所述分类标签，所述分区数量根据图片的纵横比进行比例的分配，其具体数量根据实施本方法的硬件设备的硬件配置进行设置。

[0042] 进一步的，所述自动配置相应的分类标签还包括：

[0043] 对所划分的AxB个分区进行相邻的分区的图像进行组合识别得到所述分类标签；

[0044] 其中所述组合识别包括，选定其中一个分区即xi,j,其中i∈(1，A)，i∈(1，A)，然后从所述分区xi,j出发，扩展所述分区xi,j同时检测扩展到的相邻的分区的色度和/或灰度，直至所述色度或灰度超过一阈值则停止继续向周边的分区扩展，扩展的方法可以使用逆时针旋转扩展的方法或者同时向八个方向扩展所述分区。初始分区的选定可以通过选择最中间的分区来设定或者同时从均分布在图片上的四个或者多个分区，这样可以同步进行组合分配使得分区识别的进程更加多，提高本方法的处理速度。

[0045] 进一步的，所述阈值为所述分区xi,j与相邻分区的交界线上的色度或灰度的平均值，或者可以按照一般的图片处理方法中的“关键点”的方式来选择阈值点。

[0046] 其中的图片识别或者组合识别采用的具体算法为：

[0047] foreach image Xndo

[0048] 对labelsθ～Dirichlet(α)的主题分布进行采样；θ是由α参数化的K维Dirichlet分布

[0049] for each label Yni of image Xndo

[0050] 对主题分配zi～Multinominal(θ)进行采样

[0051] 从来自主题zi的 中取一个标签

[0052] 为Xn计算标签先验： 其中 是Yn中yi

[0053] 数量；训练过程中ξni＝0,η>0；测试过程中ξni>0,η>0。

[0054] 对labelsθ′～Dirichlet(.|α′n)的主题分布进行采样；θ′是由α′n参数化的L维Dirichlet分布

[0055] for each instance xni ofXndo

[0056] 对标签分配vi～Multinominal(θ′)进行采样

[0057] 从 中取一个实例； 标签vi的C维多项式

[0058] for each tag tni in Tn of image Xndo

[0059] 对标签分配gi～Multinominal(θ′)进行采样

[0060] 从标签gi的 中取一个标记

[0061] 实施例三。

[0062] 本实施例的一种分区扩散的图片分类标记方法，其包括首先分别遍历配置的各分类标签，对当前遍历到的分类标签下的目标图片进行图像识别，根据图像识别结果得到当前遍历到的分类标签下的标识物特征，当某个标识物特征被包含在多张目标图片中时，对所述多张目标图片中的各张图片所包含的标识物的特征进行加权或筛选，以得到当前遍历到的分类标签下的标识物的特征，其中，所述分类标签和所述标识物特征无图像关联，所述标识物特征包括标识物的关键点位置以及所述关键点位置处的灰度值；

[0063] 对所获取的图片进行标识物特征识别；分别计算所获取的图片包含的标识物特征中的关键点位置以及关键点位置处的灰度值与设定的各个分类标签下的标识物特征的关键点位置以及关键点位置处的灰度值的距离值，依据所述距离值确定所述图片包含的标识物特征和设定的各个分类标签下的标识物特征的相似度，将与所获取的图片包含的标识物特征的相似度满足设定阈值条件的分类标签，配置给所获取的图片，以完成对所获取的图片的分类；将相同分类标签下的所有获取到的图片保存在同一个文件夹中，同时在获取的图片的缩略图中标记分类标签。

[0064] 实施例四。

[0065] 本实施例提供一种图片分类标记方法，其包括：

[0066] 为预先保存的图片分别自动配置相应的分类标签，其中所配置的分类标签从预先设定的至少一个分类标签中选取得到。

[0067] 进一步的，所述对预先保存的图片自动配置相应的分类标签具体包括，将所述图片均匀的划分为AxB个分区，然后对每个分区进行图像识别以得到所述分类标签，所述分区数量根据图片的纵横比进行比例的分配，其具体数量根据实施本方法的硬件设备的硬件配置进行设置。

[0068] 进一步的，所述自动配置相应的分类标签还包括：

[0069] 对所划分的AxB个分区进行相邻的分区的图像进行组合识别得到所述分类标签；

[0070] 其中所述组合识别包括，选定其中一个分区即xi,j,其中i∈(1，A)，i∈(1，A)，然后从所述分区xi,j出发，扩展所述分区xi,j同时检测扩展到的相邻的分区的色度和/或灰度，直至所述色度或灰度超过一阈值则停止继续向周边的分区扩展，这里的检测可以检测全部扩展到的分区的整体色度和/或灰度，在本实施例中通过在分区的扩展方向上设置多个检测点，例如在从一个分区向另一个分区扩展时，沿扩展的方向上均匀的检测多个点的色度和/或灰度值作为检测值。

[0071] 扩展的方法可以使用逆时针旋转扩展的方法或者同时向八个方向扩展所述分区。初始分区的选定可以通过选择最中间的分区来设定或者同时从均分布在图片上的四个或者多个分区，这样可以同步进行组合分配使得分区识别的进程更加多，提高本方法的处理速度。

[0072] 进一步的，所述阈值为所述分区xi,j与相邻分区的交界线上的色度或灰度的平均值，或者可以按照一般的图片处理方法中的“关键点”的方式来选择阈值点。

[0073] 虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。