本發(fā)明涉及圖像處理技術(shù)領(lǐng)域,特別是指一種圖片的管理方法、裝置及終端設(shè)備。
背景技術(shù):
隨著移動設(shè)備(如手機、平板電腦等)性能越來越強大,拍照的功能越來越出色,移動設(shè)備中的照片越來越多。大部分用戶移動設(shè)備中都存在大量相似的照片,這些相似照片有的是由于用戶在拍照時為取得一張最好的效果而故意多拍的,有的是使用連拍功能所產(chǎn)生的,有的是使用美化軟件等保留的副本。而隨著硬件配置的升級,像素分辨率越來越高,單張照片的存儲量越來越大,久而久之這些照片就會占用大量的手機內(nèi)存,手動對每張照片進行選擇費時費力,隨著照片數(shù)量的增加,工作量太大。
技術(shù)實現(xiàn)要素:
本發(fā)明的目的在于提供一種圖片的管理方法、裝置及終端設(shè)備,解決終端設(shè)備中相似圖片占用大量寶貴內(nèi)存的問題。
為了實現(xiàn)上述目的,本發(fā)明提供了一種圖片的管理方法,包括:
對終端設(shè)備中的圖片進行分類處理,得到分類后的圖片,所述分類后的圖片包含有用于表示該圖片類別的類標(biāo)簽;
獲取具有相同類標(biāo)簽的圖片之間的相似度,并根據(jù)所述相似度對所述具有相同類標(biāo)簽的圖片進行分組處理,得到至少一組圖片,其中,每組圖片中的兩張圖片之間的相似度大于預(yù)設(shè)閾值;
在每組圖片中選取出需要保存在所述終端設(shè)備中的本地圖片,并獲取該組剩余的每張圖片與所述本地圖片的差值圖像,將差值圖像存儲到云端,同時刪除該組剩余的圖片。
其中,上述的圖片的管理方法,還包括:
從云端獲取所述差值圖像,并將所述差值圖像與對應(yīng)的本地圖片相加,恢復(fù)被刪除的圖片。
其中,所述對終端設(shè)備中的圖片進行分類處理,得到分類后的圖片的步驟包括:
檢測所述終端設(shè)備的圖片中是否包含人臉信息;
若包含人臉信息,則將所述圖片劃分為人物類圖片,否則,將所述圖片劃分為風(fēng)景類圖片。
其中,所述獲取具有相同類標(biāo)簽的圖片之間的相似度,包括:
根據(jù)圖片的類標(biāo)簽,提取終端設(shè)備中每張圖片的特征信息;
根據(jù)所述特征信息,獲取具有相同類標(biāo)簽的圖片之間的相似度。
其中,所述根據(jù)圖片的類標(biāo)簽,提取每張圖片的特征信息的步驟包括:
若所述圖片的類標(biāo)簽表明所述圖片為人物類圖片,則獲取所述圖片的顏色直方圖及人臉區(qū)域的輪廓特征;
若所述圖片的類標(biāo)簽表明所述圖片為風(fēng)景類圖片,則獲取所述圖片的顏色直方圖。
其中,所述根據(jù)所述特征信息,獲取具有相同類標(biāo)簽的圖片之間的相似度的步驟包括:
在所述終端設(shè)備的圖片中選取一張未進行分組的第一圖片,并獲取所述第一圖片的類標(biāo)簽;
若所述類標(biāo)簽表明所述第一圖片為人物類圖片,則在所述終端設(shè)備未進行分組的圖片中選取類標(biāo)簽為人物類圖片的第二圖片,并根據(jù)圖片的顏色直方圖及人臉區(qū)域的輪廓特征,計算所述第一圖片和所述第二圖片的相似度;
若所述類標(biāo)簽表明所述第一圖片為風(fēng)景類圖片,則在所述終端設(shè)備未進行分組的圖片中選取類標(biāo)簽為風(fēng)景類圖片的第三圖片,并根據(jù)圖片的顏色直方圖,計算所述第三圖片與所述第一圖片的相似度。
其中,所述根據(jù)圖片的顏色直方圖及人臉區(qū)域的輪廓特征,計算所述第一圖片和所述第二圖片的相似度,包括:
判斷所述第一圖片與所述第二圖片中的人臉個數(shù)是否相同;
若相同,則通過公式S=r1*P+r2*H計算所述第一圖片和所述第二圖片的相似度;
其中,S表示相似度,r1和r2為預(yù)設(shè)系數(shù),且r1+r2=1,P表示人臉區(qū)域的輪廓特征的匹配度,H表示顏色直方圖相似度。
其中,所述在每組圖片中選取出需要保存在所述終端設(shè)備中的本地圖片的步驟包括:
獲取每組圖片的圖片質(zhì)量;
在每組圖片中,選取圖片質(zhì)量最高的一張圖片作為所述本地圖片。
本發(fā)明還提供了一種圖片的管理裝置,包括:
分類模塊,用于對終端設(shè)備中的圖片進行分類處理,得到分類后的圖片,所述分類后的圖片包含有用于表示該圖片類別的類標(biāo)簽;
分組模塊,用于獲取具有相同類標(biāo)簽的圖片之間的相似度,并根據(jù)所述相似度對所述具有相同類標(biāo)簽的圖片進行分組處理,得到至少一組圖片,其中,每組圖片中的兩張圖片之間的相似度大于預(yù)設(shè)閾值;
處理模塊,用于在每組圖片中選取出需要保存在所述終端設(shè)備中的本地圖片,并獲取該組剩余的每張圖片與所述本地圖片的差值圖像,將差值圖像存儲到云端,同時刪除該組剩余的圖片。
其中,上述圖片的管理裝置,還包括:
恢復(fù)模塊,用于從云端獲取所述差值圖像,并將所述差值圖像與對應(yīng)的本地圖片相加,恢復(fù)被刪除的圖片。
其中,所述分類模塊包括:
檢測模塊,用于檢測所述終端設(shè)備的圖片中是否包含人臉信息;
劃分模塊,用于若所述檢測模塊檢測到所述終端設(shè)備的圖片中包含人臉信息,則將所述圖片劃分為人物類圖片,否則,將所述圖片劃分為風(fēng)景類圖片。
其中,所述分組模塊包括:
提取模塊,用于根據(jù)圖片的類標(biāo)簽,提取終端設(shè)備中每張圖片的特征信息;
獲取模塊,用于根據(jù)所述特征信息,獲取具有相同類標(biāo)簽的圖片之間的相似度。
其中,所述提取模塊包括:
第一獲取單元,用于若所述圖片的類標(biāo)簽表明所述圖片為人物類圖片,則獲取所述圖片的顏色直方圖及人臉區(qū)域的輪廓特征;
第二獲取單元,用于若所述圖片的類標(biāo)簽表明所述圖片為風(fēng)景類圖片,則獲取所述圖片的顏色直方圖。
其中,所述獲取模塊包括:
第三獲取模塊,用于在所述終端設(shè)備的圖片中選取一張未進行分組的第一圖片,并獲取所述第一圖片的類標(biāo)簽;
第一計算模塊,用于若所述類標(biāo)簽表明所述第一圖片為人物類圖片,則在所述終端設(shè)備未進行分組的圖片中選取類標(biāo)簽為人物類圖片的第二圖片,并根據(jù)圖片的顏色直方圖及人臉區(qū)域的輪廓特征,計算所述第一圖片和所述第二圖片的相似度;
第二計算模塊,用于若所述類標(biāo)簽表明所述第一圖片為風(fēng)景類圖片,則在所述終端設(shè)備未進行分組的圖片中選取類標(biāo)簽為風(fēng)景類圖片的第三圖片,并根據(jù)圖片的顏色直方圖,計算所述第三圖片與所述第一圖片的相似度。
其中,所述第二計算模塊包括:
判斷單元,用于判斷所述第一圖片與所述第二圖片中的人臉個數(shù)是否相同;
計算單元,用于若所述第一圖片與所述第二圖片中的人臉個數(shù)相同,則通過公式S=r1*P+r2*H計算所述第一圖片和所述第二圖片的相似度;
其中,S表示相似度,r1和r2為預(yù)設(shè)系數(shù),且r1+r2=1,P表示人臉區(qū)域的輪廓特征的匹配度,H表示顏色直方圖相似度。
其中,所述處理模塊包括:
第四獲取模塊,用于獲取每組圖片的圖片質(zhì)量;
選取模塊,用于在每組圖片中,選取圖片質(zhì)量最高的一張圖片作為所述本地圖片。
本發(fā)明還提供了一種終端設(shè)備,包括如上所述的圖片的管理裝置。
本發(fā)明實施例具有以下有益效果:
本發(fā)明實施例的圖片的管理方法,對終端設(shè)備中的圖片進行分類處理,并將歸屬于同一類別、且相似度大于預(yù)設(shè)閾值的圖片劃分為一組,在每組圖片中選取出本地圖片保存在所述終端設(shè)備中,并獲取該組剩余的每張圖片與所述本 地圖片的差值圖像,將差值圖像信息存儲到云端,同時刪除該組剩余的圖片,極大的節(jié)約了移動端存儲空間。另外,本發(fā)明實施例中,將圖片存儲到云端時,只對差值圖像進行編碼傳輸,而由于每組圖片相似性很大,差值圖像編碼后碼流相對較小,比傳輸原圖更節(jié)約帶寬,且由于本發(fā)明在云端僅存儲差值圖像,因此當(dāng)存儲在云端的差值圖像被解碼后也無法看出原圖像內(nèi)容,有效防止因系統(tǒng)漏洞或其他原因造成的圖片泄露。
附圖說明
圖1表示本發(fā)明實施例的圖片的管理方法的第一工作流程圖;
圖2表示本發(fā)明實施例的圖片的管理方法的第二工作流程圖;
圖3表示本發(fā)明實施例的圖片的管理裝置的結(jié)構(gòu)框圖。
具體實施方式
為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點更加清楚,下面將結(jié)合具體實施例及附圖進行詳細(xì)描述。
目前的圖片管理方法主要包括三個方面,一是研究連拍照片的壓縮存儲,利用連拍照片重復(fù)像素多的特點進行編碼來減少照片的存儲空間,但壓縮后還是要占用手機的存儲空間,節(jié)省有限。二是應(yīng)用圖像處理技術(shù)進行擇優(yōu)選取,在一組相似照片中只保留一張,刪除其余的相似照片,它的缺點是無法保留所有照片,刪除后無法恢復(fù),后續(xù)想再回顧以往拍攝的照片,只能看到保留的那一張。三是采用云存儲,直接在云端備份所有的照片,超過預(yù)定容量需有償使用,且存在照片泄露的風(fēng)險。
基于上述問題,本發(fā)明的實施例提供了一種圖片的管理方法、裝置及終端設(shè)備,解決了終端設(shè)備中相似圖片占用大量寶貴內(nèi)存的問題。
本發(fā)明實施例的圖片的管理方法,如圖1所示,包括:
步驟S11:對終端設(shè)備中的圖片進行分類處理,得到分類后的圖片,所述分類后的圖片包含有用于表示該圖片類別的類標(biāo)簽。
其中,在對終端設(shè)備中的圖片進行分類時,可將圖片分為人物類、風(fēng)景類等。
步驟S12:獲取具有相同類標(biāo)簽的圖片之間的相似度,并根據(jù)所述相似度對所述具有相同類標(biāo)簽的圖片進行分組處理,得到至少一組圖片,其中,每組圖片中的兩張圖片之間的相似度大于預(yù)設(shè)閾值。
步驟S13:在每組圖片中選取出需要保存在所述終端設(shè)備中的本地圖片,并獲取該組剩余的每張圖片與所述本地圖片的差值圖像,將差值圖像存儲到云端,同時刪除該組剩余的圖片。
本發(fā)明實施例的圖片的管理方法,對終端設(shè)備中的圖片進行分類處理,并將歸屬于同一類別、且相似度大于預(yù)設(shè)閾值的圖片劃分為一組,在每組圖片中選取出本地圖片保存在所述終端設(shè)備中,并獲取該組剩余的每張圖片與所述本地圖片的差值圖像,將差值圖像信息存儲到云端,同時刪除該組剩余的圖片,極大的節(jié)約了移動端存儲空間。另外,本發(fā)明實施例中,將圖片存儲到云端時,只對差值圖像進行編碼傳輸,而由于每組圖片相似性很大,差值圖像編碼后碼流相對較小,比傳輸原圖更節(jié)約帶寬,且由于本發(fā)明在云端僅存儲差值圖像,因此當(dāng)存儲在云端的差值圖像被解碼后也無法看出原圖像內(nèi)容,有效防止因系統(tǒng)漏洞或其他原因造成的圖片泄露。
優(yōu)選地,所述步驟S11包括:
步驟S111:檢測所述終端設(shè)備的圖片中是否包含人臉信息;
步驟S112:若包含人臉信息,則將所述圖片劃分為人物類圖片,否則,將所述圖片劃分為風(fēng)景類圖片。
在本發(fā)明的具體實施例中,通過對每張圖片進行人臉檢測,來將圖片劃分為人物類圖片和風(fēng)景類圖片,具體的,人臉檢測的方法可以采用基于膚色的檢測方法,將圖片轉(zhuǎn)化到顏色空間YCbCr,利用膚色投影到CbCr平面的聚類性來檢測皮膚區(qū)域,其中Cb取值區(qū)間為[90,128],Cr取值區(qū)間為[110,190],該膚色區(qū)間的閾值可經(jīng)過多次測試進行調(diào)整。
對上述檢測結(jié)果得到的二值圖像進行形態(tài)學(xué)運算,先腐蝕排除干擾點,再膨脹填充空洞點。
進一步地,通過區(qū)域標(biāo)記技術(shù)提取形態(tài)學(xué)運算后的二值化圖像上的人臉區(qū)域,獲取每個區(qū)域的外接矩形的長寬信息,由于區(qū)域標(biāo)記技術(shù)為現(xiàn)有技術(shù),此處不再贅述。根據(jù)生物學(xué)方面的知識,人臉長寬比相對固定,一般在0.8-1.25 之間,通過這個特征,排除誤檢區(qū)域,統(tǒng)計當(dāng)前圖片中的人臉個數(shù)。
進一步地,所述步驟S12中獲取具有相同類標(biāo)簽的圖片之間的相似度,包括:
步驟S121:根據(jù)圖片的類標(biāo)簽,提取終端設(shè)備中每張圖片的特征信息;
步驟S122:根據(jù)所述特征信息,獲取具有相同類標(biāo)簽的圖片之間的相似度。
其中,所述步驟S121可具體包括:
若所述圖片的類標(biāo)簽表明所述圖片為人物類圖片,則獲取所述圖片的顏色直方圖及人臉區(qū)域的輪廓特征;
若所述圖片的類標(biāo)簽表明所述圖片為風(fēng)景類圖片,則獲取所述圖片的顏色直方圖。
在本發(fā)明的具體實施例中,獲取圖片中人臉區(qū)域的輪廓特征的步驟可以包括:將人臉區(qū)域統(tǒng)一縮放為LxL像素,L為預(yù)設(shè)值。采用sobel算子對縮放后的人臉區(qū)域圖像進行邊緣檢測,應(yīng)用“大律法”求出檢測結(jié)果圖像的二值化閾值,對檢測結(jié)果圖像進行二值化,二值化后的結(jié)果作為該人臉區(qū)域的輪廓特征矩陣保存。由于“大律法”求二值化閾值為現(xiàn)有技術(shù),此處不再贅述。優(yōu)選地,預(yù)設(shè)值L優(yōu)選為80,L的較佳取值的確定可經(jīng)過多次測試得到。
在本發(fā)明的具體實施例中,兩個圖片之間的顏色直方圖的相似性可以具體采用巴氏距離來確定,由于巴氏距離為現(xiàn)有技術(shù),這里不再贅述。
其中,所述步驟S122可具體包括:
在所述終端設(shè)備的圖片中選取一張未進行分組的第一圖片,并獲取所述第一圖片的類標(biāo)簽;
若所述類標(biāo)簽表明所述第一圖片為人物類圖片,則在所述終端設(shè)備未進行分組的圖片中選取類標(biāo)簽為人物類圖片的第二圖片,并根據(jù)圖片的顏色直方圖及人臉區(qū)域的輪廓特征,計算所述第一圖片和所述第二圖片的相似度;
若所述類標(biāo)簽表明所述第一圖片為風(fēng)景類圖片,則在所述終端設(shè)備未進行分組的圖片中選取類標(biāo)簽為風(fēng)景類圖片的第三圖片,并根據(jù)圖片的顏色直方圖,計算所述第三圖片與所述第一圖片的相似度。
進一步地,所述根據(jù)圖片的顏色直方圖及人臉區(qū)域的輪廓特征,計算所述 第一圖片和所述第二圖片的相似度,包括:
判斷所述第一圖片與所述第二圖片中的人臉個數(shù)是否相同;
若相同,則通過公式S=r1*P+r2*H計算所述第一圖片和所述第二圖片的相似度;
其中,S表示相似度,r1和r2為預(yù)設(shè)系數(shù),且r1+r2=1,P表示人臉區(qū)域的輪廓特征的匹配度,H表示顏色直方圖相似度。較佳地,預(yù)設(shè)系數(shù)r1、r2優(yōu)選為0.4、0.6,判斷過程中使用的預(yù)設(shè)閥值T1優(yōu)選為0.8,預(yù)設(shè)系數(shù)r1、r2和預(yù)設(shè)閥值T1的較佳取值的確定可經(jīng)過多次測試得到。
在本發(fā)明的具體實施例中,計算人臉區(qū)域的輪廓特征的匹配度的步驟可具體包括:將圖片A和圖片B的人臉區(qū)域輪廓特征矩陣進行異或運算,統(tǒng)計運算結(jié)果中1的個數(shù)M,M的值越小則表示A、B越相似;將M的值歸一化,P=M/(L*L)。
進一步地,根據(jù)圖片的顏色直方圖,計算所述第三圖片與所述第一圖片的相似度的步驟可具體為將所述第三圖片和所述第一圖片的顏色直方圖的相似度作為所述第三圖片和所述第一圖片的相似度。
根據(jù)上述方法得到具有相同類標(biāo)簽的圖片之間的相似度后,判斷具有相同類標(biāo)簽的兩張圖片之間的相似度是否大于預(yù)設(shè)閾值,并在大于預(yù)設(shè)閾值時,劃分為同一組圖片,同時,在本發(fā)明的具體實施例中,賦予每組圖片一個組標(biāo)簽,組標(biāo)簽的設(shè)置可以包含當(dāng)前組的圖片類別、該組中相似圖片的個數(shù)以及唯一的序號,例如用“人物_6_20150326H000123”來表示該組為人物類圖片,且該組中共有6張相似的圖片,最后的一串即為該組圖片的唯一序號,較佳地,該序號中可涵蓋圖片拍攝時間、位置等信息。
優(yōu)選地,所述步驟S13中在每組圖片中選取出需要保存在所述終端設(shè)備中的本地圖片的步驟包括:
獲取每組圖片的圖片質(zhì)量;
在每組圖片中,選取圖片質(zhì)量最高的一張圖片作為所述本地圖片。
當(dāng)然,在本發(fā)明的具體實施例中,也可以根據(jù)用戶需求在每組中選取出任意一張或者多張圖片作為本地圖片,保存在終端設(shè)備中。
其中,獲取每組圖片的圖片質(zhì)量的步驟可以具體包括:
步驟S131:計算當(dāng)前圖片的灰度圖像;
步驟S132:計算步驟S131得到的灰度圖像的信息熵F;
步驟S133:計算當(dāng)前圖片的色彩系數(shù)Color;
步驟S134:若當(dāng)前圖片為人物類圖片,計算人臉區(qū)域?qū)?yīng)的灰度圖像的對比度Contrast;
在步驟S132中,圖像的信息熵式中:pk為灰度值k在該圖像中出現(xiàn)的概率,N為圖像的灰度等級。
在步驟S133中,圖像的色彩Color=σrgyb+0.3*μrgyb,式中:rg、yb是圖像RGB色彩空間的一個簡單對應(yīng)色彩空間:rg=R-G,yb=0.5*(R+G)-B,其中,R表示RGB色彩空間中的R分量值;G表示RGB色彩空間中的G分量值;B表示RGB色彩空間中的B分量值。
在步驟S134中,人臉區(qū)域的對比度可采用方差對比度:式中:L表示人臉區(qū)域的大小,I表示當(dāng)前位置人臉的亮度,是整個人臉區(qū)域的平均亮度。
在獲取到每組圖片的圖片質(zhì)量后,對每組中的圖片按質(zhì)量從高到低進行排序,標(biāo)記每組中質(zhì)量最高的圖片,賦予一個ID。具體地,對每組中的圖片按質(zhì)量從高到低進行排序的步驟可包括:首先對圖像的信息熵F按照從大到小的順序進行排序,排序算法為現(xiàn)有技術(shù),此處不再贅述;然后對排序后的圖像賦予不同的分值,例如信息熵F最大的圖像分值為100,其余按比例取值[0,100]。對色彩系數(shù)Color進行相同的操作,先排序,后賦予分值。若當(dāng)前圖片為風(fēng)景類圖片,則質(zhì)量系數(shù)Q=Fd+Colord,式中Fd、Colord分別表示信息熵F和色彩系數(shù)Color對應(yīng)的分?jǐn)?shù)值;若當(dāng)前圖片為人物類,則對人臉區(qū)域的對比度Contrast進行排序,同樣映射取值[0,100],質(zhì)量系數(shù)Q=Fd+Colord+Contrastd,Contrastd表示對比度Contrast對應(yīng)的分?jǐn)?shù)值。
優(yōu)選地,本發(fā)明實施例的圖片的管理方法,還包括:
從云端獲取所述差值圖像,并將所述差值圖像與對應(yīng)的本地圖片相加,恢復(fù)被刪除的圖片。
本發(fā)明實施例的圖片的管理方法,將圖片存儲到云端,用戶無需為節(jié)省空間而刪除圖片,所有圖片可以隨時回溯、瀏覽;且將圖片存儲到云端時,只對 差值圖像進行編碼傳輸,而由于每組圖片相似性很大,差值圖像編碼后碼流相對較小,比傳輸原圖更節(jié)約帶寬。另外,將原始圖像和差值圖像分開存儲,只需對原始圖像采取更高的保護措施,存儲在云端的差值圖像解碼后無法看出圖像內(nèi)容,有效防止因系統(tǒng)漏洞或其他原因造成的圖片泄露。
以上分別就圖片的管理方法的每個步驟做出了詳細(xì)解釋說明,下面對圖片的管理方法的整體流程進行進一步的說明。
如圖2所示,包括:
步驟S21:對終端設(shè)備中的圖片進行分類處理,得到分類后的圖片,所述分類后的圖片包含有用于表示該圖片類別的類標(biāo)簽。
具體的,可將圖片分為人物類和風(fēng)景類。
步驟S22:根據(jù)圖片的類別,提取圖片的特征信息。
步驟S23:根據(jù)圖片的特征信息,獲取具有相同標(biāo)簽的圖片之間的相似度。
步驟S24:根據(jù)所述相似度對所述具有相同類標(biāo)簽的圖片進行分組處理,每組圖片中的兩張圖片之間的相似度大于預(yù)設(shè)閾值。
步驟S25:計算每組圖片的質(zhì)量,并標(biāo)記質(zhì)量最高的圖片,同時獲取該圖片與該組剩余圖片的差值圖像。
步驟S26:對差值圖片進行編碼,并傳輸?shù)皆贫恕?/p>
步驟S27:在終端設(shè)備中只保存質(zhì)量最高的圖片,刪除該組剩余的圖片。
步驟S28:當(dāng)需要查看保留的質(zhì)量最高圖片以外的圖片時,從云端獲取相應(yīng)的差值圖片碼流,解碼并與本組質(zhì)量最高的圖片相加還原被刪除的圖片。
具體的,首先獲取當(dāng)前標(biāo)記ID圖片所在組的組標(biāo)簽,解析組標(biāo)簽獲得當(dāng)前組相似圖片的個數(shù);然后根據(jù)組標(biāo)簽從云端獲取該組全部的差值圖像碼流;最后,在移動設(shè)備端解碼差值圖像的碼流,并將解碼結(jié)果與ID圖像相加獲得原圖,若移動設(shè)備中無法找到ID圖像,則只返回差值圖像,并提示錯誤。
本發(fā)明實施例提供的的圖片管理方法,應(yīng)用圖像分析技術(shù),首先對移動設(shè)備中的圖片進行分類,然后提取分類后的圖片的特征,并利用基于這些特征定義的相似度量函數(shù)計算特征之間的相似性,將相似的圖片標(biāo)記為一組;再通過設(shè)計數(shù)碼圖片質(zhì)量評價方案,選取每組中的最優(yōu)圖片;最后通過對差值圖像編碼,保存到云存儲的方式,刪除移動設(shè)備端的相似圖片。而當(dāng)用戶需要瀏覽圖 片時,只需要通過相應(yīng)的逆過程即可實現(xiàn)瀏覽全部圖片。本發(fā)明實施例采用圖像分析技術(shù),并將它與云存儲相結(jié)合,解決了移動設(shè)備端相似圖片多,整理麻煩,占用太多移動設(shè)備的存儲空間的問題,且所有圖片可以隨時回溯、瀏覽,無需在刪除圖片和節(jié)省內(nèi)存間進行選擇,同時采用存儲差值圖像的方式,提高圖片的保密度,保護用戶隱私。
本發(fā)明實施例還提供了一種圖片的管理裝置,如圖3所示,包括:
分類模塊31,用于對終端設(shè)備中的圖片進行分類處理,得到分類后的圖片,所述分類后的圖片包含有用于表示該圖片類別的類標(biāo)簽;
分組模塊32,用于獲取具有相同類標(biāo)簽的圖片之間的相似度,并根據(jù)所述相似度對所述具有相同類標(biāo)簽的圖片進行分組處理,得到至少一組圖片,其中,每組圖片中的兩張圖片之間的相似度大于預(yù)設(shè)閾值;
處理模塊33,用于在每組圖片中選取出需要保存在所述終端設(shè)備中的本地圖片,并獲取該組剩余的每張圖片與所述本地圖片的差值圖像,將差值圖像存儲到云端,同時刪除該組剩余的圖片。
本發(fā)明實施例的圖片的管理裝置,還包括:
恢復(fù)模塊,用于從云端獲取所述差值圖像,并將所述差值圖像與對應(yīng)的本地圖片相加,恢復(fù)被刪除的圖片。
本發(fā)明實施例的圖片的管理裝置,所述分類模塊31包括:
檢測模塊,用于檢測所述終端設(shè)備的圖片中是否包含人臉信息;
劃分模塊,用于若所述檢測模塊檢測到所述終端設(shè)備的圖片中包含人臉信息,則將所述圖片劃分為人物類圖片,否則,將所述圖片劃分為風(fēng)景類圖片。
本發(fā)明實施例的圖片的管理裝置,所述分組模塊32包括:
提取模塊,用于根據(jù)圖片的類標(biāo)簽,提取終端設(shè)備中每張圖片的特征信息;
獲取模塊,用于根據(jù)所述特征信息,獲取具有相同類標(biāo)簽的圖片之間的相似度。
本發(fā)明實施例的圖片的管理裝置,所述提取模塊包括:
第一獲取單元,用于若所述圖片的類標(biāo)簽表明所述圖片為人物類圖片,則獲取所述圖片的顏色直方圖及人臉區(qū)域的輪廓特征;
第二獲取單元,用于若所述圖片的類標(biāo)簽表明所述圖片為風(fēng)景類圖片,則 獲取所述圖片的顏色直方圖。
本發(fā)明實施例的圖片的管理裝置,所述獲取模塊包括:
第三獲取模塊,用于在所述終端設(shè)備的圖片中選取一張未進行分組的第一圖片,并獲取所述第一圖片的類標(biāo)簽;
第一計算模塊,用于若所述類標(biāo)簽表明所述第一圖片為人物類圖片,則在所述終端設(shè)備未進行分組的圖片中選取類標(biāo)簽為人物類圖片的第二圖片,并根據(jù)圖片的顏色直方圖及人臉區(qū)域的輪廓特征,計算所述第一圖片和所述第二圖片的相似度;
第二計算模塊,用于若所述類標(biāo)簽表明所述第一圖片為風(fēng)景類圖片,則在所述終端設(shè)備未進行分組的圖片中選取類標(biāo)簽為風(fēng)景類圖片的第三圖片,并根據(jù)圖片的顏色直方圖,計算所述第三圖片與所述第一圖片的相似度。
本發(fā)明實施例的圖片的管理裝置,所述第二計算模塊包括:
判斷單元,用于判斷所述第一圖片與所述第二圖片中的人臉個數(shù)是否相同;
計算單元,用于若所述第一圖片與所述第二圖片中的人臉個數(shù)相同,則通過公式S=r1*P+r2*H計算所述第一圖片和所述第二圖片的相似度;
其中,S表示相似度,r1和r2為預(yù)設(shè)系數(shù),且r1+r2=1,P表示人臉區(qū)域的輪廓特征的匹配度,H表示顏色直方圖相似度。
本發(fā)明實施例的圖片的管理裝置,所述處理模塊33包括:
第四獲取模塊,用于獲取每組圖片的圖片質(zhì)量;
選取模塊,用于在每組圖片中,選取圖片質(zhì)量最高的一張圖片作為所述本地圖片。
本發(fā)明實施例還提供了一種終端設(shè)備,包括如上所述的圖片的管理裝置。
需要說明的是,該裝置及終端是與上述方法實施例對應(yīng)的裝置和終端,上述方法實施例中所有實現(xiàn)方式均適用于該裝置和終端的實施例中,也能達(dá)到相同的技術(shù)效果。
本發(fā)明實施例的圖片的管理方法、裝置及終端設(shè)備,解決了移動設(shè)備中相似圖片占用大量寶貴內(nèi)存的問題,同時可以提高圖片的保密度,保護用戶隱私,提高用戶體驗。
以上所述僅為本發(fā)明的較佳實施例而已,并不用以限制本發(fā)明,凡在本發(fā) 明的精神和原則之內(nèi),所作的任何修改、等同替換、改進等,均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。