CN104408130A - 图片整理的方法及装置 - Google Patents

Abstract

本公开是关于一种图片整理的方法及装置，用于改进聚类算法，提高聚类的准确度。所述方法包括：输出依据聚类算法对已有图片进行聚类处理后的多个类别；接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别；根据所述拆分操作，将所述一个类别拆分为至少两个类别；建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。本实施例基于用户的对类别的操作改进聚类算法，使得后续再次采用聚类算法时，可提高聚类的准确度。

Description

图片整理的方法及装置

技术领域

本公开涉及计算机处理领域，尤其涉及图片整理的方法及装置。

背景技术

随着电子技术的发展，移动终端已经普遍应用，并且更新换代非常快。移动终端从最初的通话功能，发展到现在的拍照、上网等功能。并且，移动终端的硬件配置越来越高，逐步有用移动终端代替数码相机的趋势。人们可以利用移动终端进行自拍或随手拍等。

本公开的发明人发现，相关技术中，大量的照片可以存储在移动终端中，也可以存储到云服务器中。无论存储在移动终端还是存储在云服务器，都会涉及到照片整理的问题。

但是，存在整理照片操作繁琐或整理不准确的情况。

发明内容

为克服相关技术中存在的问题，本公开提供一种图片整理的方法及装置。

根据本公开实施例的第一方面，提供一种图片整理的方法，包括：

输出依据聚类算法对已有图片进行聚类处理后的多个类别；

接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别；

根据所述拆分操作，将所述一个类别拆分为至少两个类别；

建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例基于用户对类别的拆分操作，建立类别间的互斥关系，以便于当再次进行聚类处理时，不会将具有互斥关系的类别进行聚类处理，改进了聚类算法，使得聚类处理更准确。

在一个实施例中，所述方法还包括：

再次对已有图片进行聚类处理时，判断需要进行聚类的两个类别中的图片是否分属于所述互斥关系记录的互斥类别；

在需要进行聚类的两个类别中的图片分属于所述互斥关系记录的互斥类别时，禁止对所述需要进行聚类的两个类别进行聚类处理。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例中一个类别中的一个图片与另一个类别中的一个图片分属于互斥关系中的两个互斥类别时，不会对这两个类别进行聚类处理，使得聚类处理结果更准确。

在一个实施例中，所述方法还包括：

统计所述拆分操作的次数；

判断所述拆分操作的次数占总操作次数的比值是否大于预设的第一比例阈值；

在所述拆分操作的次数占总操作次数的比值大于预设的第一比例阈值时，根据预设的第一步长调高所述聚类算法中的相似度阈值。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例依据拆分操作的次数调整聚类算法中的相似度阈值，实现对聚类算法的改进，提高聚类处理的准确度。

在一个实施例中，所述方法还包括：

接收对所述多个类别中的至少两个类别的合并操作。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例除支持拆分操作以外，还支持合并操作。

在一个实施例中，所述方法还包括：

统计所述合并操作的次数；

判断所述合并操作的次数占总操作次数的比值是否大于预设的第二比例阈值；

在所述合并操作的次数占总操作次数的比值大于预设的第二比例阈值时，根据预设的第二步长调低所述聚类算法中的相似度阈值。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例依据合并操作的次数调整聚类算法中的相似度阈值，实现对聚类算法的改进，提高聚类处理的准确度。

在一个实施例中，所述输出依据聚类算法对已有图片进行聚类处理后的多个类别，包括：

输出依据聚类算法对已有图片进行聚类处理后相似度最高的多个类别。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例输出相似度较高的有限多个类别，使得输出结果更准确，减少对用户的干扰。

在一个实施例中，所述方法还包括：

针对输出的多个类别，判断是否存在未进行操作的类别；

在存在未进行操作的类别时，更新所述未进行操作的类别对应的未操作次数；

在所述未操作次数大于预设的未操作次数阈值时，建立所述未进行操作的类别与所述输出的多个类别中的其它类别的互斥关系。

本公开的实施例提供的技术方案可以包括以下有益效果：本实施例对于未操作的类别，也可以确定该类别与其它类别的关系，有助于改进聚类算法，提高聚类处理的准确度。

根据本公开实施例的第二方面，提供一种图片整理的装置，包括：

输出模块，用于输出依据聚类算法对已有图片进行聚类处理后的多个类别；

第一接收模块，用于接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别；

拆分模块，用于根据所述拆分操作，将所述一个类别拆分为至少两个类别；

第一建立模块，用于建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。

在一个实施例中，所述装置还包括：

互斥判断模块，用于再次对已有图片进行聚类处理时，判断需要进行聚类的两个类别中的图片是否分属于所述互斥关系记录的互斥类别；

禁止模块，用于在需要进行聚类的两个类别中的图片分属于所述互斥关系记录的互斥类别时，禁止对所述需要进行聚类的两个类别进行聚类处理。

在一个实施例中，所述装置还包括：

第一统计模块，用于统计所述拆分操作的次数；

第一比值判断模块，用于判断所述拆分操作的次数占总操作次数的比值是否大于预设的第一比例阈值；

调高模块，用于在所述拆分操作的次数占总操作次数的比值大于预设的第一比例阈值时，根据预设的第一步长调高所述聚类算法中的相似度阈值。

在一个实施例中，所述装置还包括：

第二接收模块，用于接收对所述多个类别中的至少两个类别的合并操作。

在一个实施例中，所述装置还包括：

第二统计模块，用于统计所述合并操作的次数；

第二比值判断模块，用于判断所述合并操作的次数占总操作次数的比值是否大于预设的第二比例阈值；

调低模块，用于在所述合并操作的次数占总操作次数的比值大于预设的第二比例阈值时，根据预设的第二步长调低所述聚类算法中的相似度阈值。

在一个实施例中，所述输出模块输出依据聚类算法对已有图片进行聚类处理后相似度最高的多个类别。

在一个实施例中，所述装置还包括：

未操作判断模块，用于针对输出的多个类别，判断是否存在未进行操作的类别；

更新模块，用于在存在未进行操作的类别时，更新所述未进行操作的类别对应的未操作次数；

第二建立模块，用于在所述未操作次数大于预设的未操作次数阈值时，建立所述未进行操作的类别与所述输出的多个类别中的其它类别的互斥关系。

根据本公开实施例的第三方面，提供一种图片整理的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

输出依据聚类算法对已有图片进行聚类处理后的多个类别；

接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别；

根据所述拆分操作，将所述一个类别拆分为至少两个类别；

建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种图片整理的方法的流程图。

图2是根据一示例性实施例示出的一种图片整理的方法的流程图。

图3是根据一示例性实施例示出的一种图片整理的方法的流程图。

图4是根据一示例性实施例示出的一种图片整理的方法的流程图。

图5是根据一示例性实施例示出的一种图片整理的装置的框图。

图6是根据一示例性实施例示出的一种图片整理的装置的框图。

图7是根据一示例性实施例示出的一种图片整理的装置的框图。

图8是根据一示例性实施例示出的一种图片整理的装置的框图。

图9是根据一示例性实施例示出的一种图片整理的装置的框图。

图10是根据一示例性实施例示出的一种图片整理的装置的框图。

图11是根据一示例性实施例示出的一种装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

相关技术中，用户可以拍摄大量照片，存储在移动终端或云服务器中。移动终端或云服务器可以自动帮助用户整理归纳照片，如将具有同一人物的照片归入一个文件夹，或者将具有同一风格的照片归入一个文件夹。这个归入过程是采用了聚类算法，将相似度较高的多张照片归在一起。但是，可能存在将不是同一人的照片归入了一个文件夹，或者将同一人的多张照片归入了不同的文件夹。聚类处理不够准确。

为解决该问题，本实施例基于用户对类别的操作，对聚类算法进行改进，使得聚类处理更准确。

图1是根据一示例性实施例示出的一种图片整理的方法的流程图，如图1所示，该方法可以由移动终端或服务器实现，包括以下步骤：

在步骤101中，输出依据聚类算法对已有图片进行聚类处理后的多个类别。

在步骤102中，接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别。

在步骤103中，根据所述拆分操作，将所述一个类别拆分为至少两个类别。

在步骤104中，建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。

其中，固定的互斥类别是指在后续聚类处理中不能对具有互斥关系的类别进行聚类处理，也就是不计算具有互斥关系的类别之间的相似度。例如，类别A和类别B是互斥类别，当有类别C时，计算类别C与类别A，及类别C与类别B的相似度，不需要计算类别A和类别B的相似度。

本实施例根据用户对类别的拆分操作，建立类别间的互斥关系。该互斥关系应用在聚类算法中，在进行聚类处理时，需参考该互斥关系，对具有互斥关系的多个类别之间禁止聚类。通过互斥关系有了稳定且准确的分类，可明显提高聚类处理的效率和准确率。

本实施例中的聚类算法可以是层次聚类算法等。例如，用户利用移动终端拍摄了大量的照片。移动终端对照片进行自动归类。初始归类时，每个照片为一个类，计算两个类之间的相似度(或称距离)，当相似度大于预设的相似度阈值时，将两个类归为一个类。如此迭代，直到类别稳定。

向用户显示聚类处理后稳定的类别，例如有类别A和类别C。类别A(文件夹A)中有图片a1、a2、a3和b1。类别C中有图片c1。用户看到类别A和类别C后，从类别A中拆分出了图片b1，例如将图片b1从文件夹A中移出。则根据用户的拆分操作，为图片b1建立类别B。类别A中的图片变为图片a1、a2和a3。然后建立类别A与类别B的互斥关系，也就是图片a1、a2和a3与图片b1互斥。

当再有图片b2时，需要再次进行聚类操作。则依据互斥关系，也就是改进后的聚类算法，计算图片b2与类别A-类别C的相似度，不需要计算类别A与类别B之间的相似度。计算后，确定b2与类别B的相似度最近，且大于预设的相似度阈值，则将b2归入类别B中。由于类别A和类别B是两个稳定的类别，再次聚类时不需要计算两者的相似度，提高了聚类处理的效率，以及提高了聚类的准确度。

在一个实施例中，所述方法还包括步骤H1和步骤H2。

在步骤H1中，再次对已有图片进行聚类处理时，判断需要进行聚类的两个类别中的图片是否分属于所述互斥关系记录的互斥类别；

在步骤H2中，在需要进行聚类的两个类别中的图片分属于所述互斥关系记录的互斥类别时，禁止对所述需要进行聚类的两个类别进行聚类处理。

在需要进行聚类的两个类别中的图片不分属于所述互斥关系记录的互斥类别时，可以计算两个类别之间的相似度，进而确定是否聚类。

本实施例中再次进行聚类处理时，可对互斥关系中记录的类别之间不进行相似度的计算和判断，可减少聚类算法的计算量；并且具有互斥关系的类别属于稳定类别，据此进行聚类处理，可提高处理的准确度。

在一个实施例中，所述方法还包括步骤I1-步骤I3。

在步骤I1中，统计所述拆分操作的次数。

在步骤I2中，判断所述拆分操作的次数占总操作次数的比值是否大于预设的第一比例阈值；在所述拆分操作的次数占总操作次数的比值大于预设的第一比例阈值时，继续步骤I3；在所述拆分操作的次数占总操作次数的比值不大于预设的第一比例阈值时，结束本次流程。

在步骤I3中，根据预设的第一步长调高所述聚类算法中的相似度阈值。

本实施例中，如果用户进行了较多的拆分操作，则说明此次聚类处理将不该合并的类别做了合并，也就是将本不相似的类别判断为相似。可确定判断相似的尺度较宽松，即相似度阈值偏低，可适当调高相似度阈值，以便用更严格的尺度判断相似，提高合并的准确度，也称提高召回率。

例如，用户打开了某个存有图片的文件夹，该文件夹为类别A。然后用户点击推荐按钮，希望移动终端向用户推荐与类别A属于同一类的图片。移动终端在推荐按钮的触发下，可在整个存储空间范围内进行聚类处理，寻找与类别A属于同一类的图片。移动终端通过聚类算法计算其它图片(包括其它类别，也就是其它文件夹)与类别A之间的相似度。同时通过互斥关系检查类别A是否有互斥类别，如果有，则类别A的互斥类别不参与此次聚类处理。例如，聚类处理后确定类别A1、类别A2、类别B1、类别B2和类别B3与类别A属于同一类的图片，进行了合并处理。将处理结果显示给用户。用户将类别B1、类别B2和类别B3从合并后的类别A中拆分。移动终端根据用户的拆分操作，将类别B1、类别B2和类别B3从合并后的类别A中移出，并建立类别A与类别B1、类别B2和类别B3的互斥关系，并且将类别B1、类别B2和类别B3独立为一个类或3个类。以及，移动终端对用户的拆分操作进行统计，用户共进行了3次操作，并且3次均为拆分操作。拆分操作的次数占总操作次数的比值为100％，超过预设的第一比例阈值(如60％)，则根据预设的第一步长(如5％)将当前的相似度阈值(如85％)调高，如调高后的相似度阈值为90％。

在一个实施例中，用户除了可以对类别进行拆分操作以外，还可以对类别进行合并操作，则所述方法还包括：步骤J1。

在步骤J1中，接收对所述多个类别中的至少两个类别的合并操作。

本实施例中基于用户的合并操作对类别进行合并，合并后的类别较稳定，不再对该类别内部进行相似度的计算，也不会对该类别进行拆分处理。使得在后续聚类处理时，处理效率更高，更准确。

向用户显示聚类处理后的类别，例如有类别A1、类别A2、类别A3和类别C。用户对类别A1、类别A2和类别A3进行了合并操作，合并为类别A1。则类别A1为稳定类别，在后续聚类处理时，不对类别A1进行拆分，也不需要再计算类别A1内部之间的相似度。

在一个实施例中，所述方法还包括：步骤K1-步骤K3。

在步骤K1中，统计所述合并操作的次数。

在步骤K2中，判断所述合并操作的次数占总操作次数的比值是否大于预设的第二比例阈值；在所述合并操作的次数占总操作次数的比值大于预设的第二比例阈值时，继续步骤K3；在所述合并操作的次数占总操作次数的比值不大于预设的第二比例阈值时，结束本次流程。

在步骤K3中，根据预设的第二步长调低所述聚类算法中的相似度阈值。

本实施例中，如果用户进行了较多的合并操作，则说明此次聚类处理将不该拆分的类别做了合并，也就是将本来相似的类别判断为不相似。可确定判断相似的尺度较严格，即相似度阈值偏高，可适当调低相似度阈值，以便用更严格的尺度判断相似，提高合并的准确度，也称提高召回率。

例如，用户向云端服务器上传了大量的照片。云端服务器在收到照片后需要对照片进行归类，可能新建类别，也可能将照片归入已有的类别。服务器依据聚类算法针对新收到的每个照片均新建一个独立的类别，结合已有的互斥关系，计算新建类别之间的相似度，以及新建类别与已有类别之间的相似度。已有类别之间的相似度可以选择不计算，认为已有类别属于稳定类别。例如，聚类处理后确定有类别：类别A1、类别A2、类别B1、类别B2和类别B3。将该处理结果通过移动终端显示给用户。用户将类别A1和类别A2合并，以及将类别B1、类别B2和类别B3。服务器根据用户的合并操作，将类别A1和类别A2合并为类别A1，将类别B1、类别B2和类别B3合并为类别B1。以及，服务器对用户的合并操作进行统计，用户共进行了3次操作，并且3次均为合并操作。合并操作的次数占总操作次数的比值为100％，超过预设的第二比例阈值(如60％)，则根据预设的第二步长(如5％)将当前的相似度阈值(如90％)调低，如调低后的相似度阈值为85％。

在一个实施例中，步骤101还可以实现为步骤L1。

在步骤L1中，输出依据聚类算法对已有图片进行聚类处理后相似度最高的多个类别。

本实施例中，在向用户输出多个类别时，可以选择相似度较高的几个类别，相似度较高的意思是指，输出的类别的相似度均高于未输出的类别的相似度。相似度偏低的类别可能不是用户所需要的类别，如果输出给用户，则会给用户带来干扰，并且占用较多的显示空间。

例如，用户在移动终端提供的搜索栏里上传了一张图片，希望在移动终端中搜索与该图片同类的图片，比如具有相同人脸的图片等。移动终端在本地的存储空间中查找与该图片具有相同人脸的图片。移动终端依据聚类算法计算存储空间中所有图片与该图片的相似度，针对已有类别，计算类别与该图片的相似度即可。确定相似度大于预设的相似度阈值的类别。进一步确定大于相似度阈值的类别中相似度最高的n个类别，n为大于1的整数，例如n＝5。然后向用户输出相似度最高的5个类别。用户可以对输出的类别进行合并或拆分操作。

前面介绍了用户可以对输出的类别进行拆分或合并操作。但是还可能存在一种情况，就是用户对某个类别既没有进行拆分，也没有进行合并。对于这部分类别，也可以建立互斥关系，以改进聚类算法。

在一个实施例中，所述

方法还包括：步骤M1-步骤M3。

在步骤M1中，针对输出的多个类别，判断是否存在未进行操作的类别。

在步骤M2中，在存在未进行操作的类别时，更新所述未进行操作的类别对应的未操作次数。

在步骤M3中，在所述未操作次数大于预设的未操作次数阈值时，建立所述未进行操作的类别与所述输出的多个类别中的其它类别的互斥关系。

本实施例中如果向用户输出多次同一类别，用户均未对该类别进行拆分或合并操作，则可为该类别建立与其它类别的互斥关系。本实施例考虑到用户未对该类别进行拆分或合并操作，可能是因为用户的疏忽，如果多次输出均未对该类别进行操作，那么可认为这不是由于用户疏忽而导致未操作，实质原因是该类别稳定，应独立为一个类别，因此建立的互斥关系更准确，使得改进后的聚类算法也更准确。

例如，用户多次向云端服务器上传照片。云端服务器每次向用户输出类别A和类别C。用户均未对类别A和类别C做拆分或合并操作。服务器每次输出后记录下用户未操作的类别，判断是否有类别被记录的次数(即未操作次数)达到未操作次数阈值(如3次)，如果有，则为该类别建立互斥关系。例如用户已连续3次未对类别A和类别C做拆分或合并操作，达到未操作次数阈值。服务器可为类别A和类别C建立互斥关系，说明类别A和类别C均为稳定类别。

在一个实施例中，在进行聚类处理时，不会对具有互斥关系的两个类别进行聚类。例如，类别A和类别C之间有互斥关系。在进行聚类处理后，向用户输出类别A和类别C。用户可以对输出的类别进行拆分或合并操作。例如，用户对类别A和类别C进行合并操作。类别A和类别C之间有互斥关系，但是用户又要对类别A和类别C进行合并。此时，一种方式是禁止合并处理。另一种方式是移动终端或服务器可以向用户输出提示信息，提醒用户类别A和类别C之间有互斥关系。用户可以选择继续合并，也可以选择取消合并。如果用户选择继续合并，则用户选择操作的触发下，移动终端或服务器将类别A和类别C合并，并更新互斥关系，即取消类别A和类别C之间的互斥关系。如果用户选择取消合并，则结束本次流程。

在一个实施例中，用户在对某个类别进行了合并操作时，合并的类别对应的互斥类别也需要合并。例如，类别A1与类别B1互斥，类别A2与类别B2互斥。用户将类别A1与类别A2合并，合并后的类别为类别A1。则移动终端或服务器在将类别A1与类别A2合并的同时，在类别A1对应的互斥关系中将类别B1与类别B2合并，也就是在类别A1对应的互斥类别中增加类别B2。同时，类别B2对应的互斥类别中也增加类别A1，或者说将类别A2变更为类别A1。

在一个实施例中，在聚类过程中需要计算类别之间的相似度。如果一个类别包含了大量的图片，则计算类别之间的相似度时计算量较大。为解决该问题，本实施例可针对每个类别选出代表图片，例如类别A包括200张图片，从中选出50张图片作为代表图片。在计算类别之间的相似度时，计算一个类别中的代表图片与另一个类别中的代表图片之间的相似度。这样可大幅度降低计算量，提高聚类处理的效率。

其中，选择代表图片的策略有多种，如根据特征点的分布情况选择代表图片，每个代表图片包含较多的特征点。所有代表图片基本能覆盖所有特征点。还可以有其他策略，均适用于本实施例。

在一个实施例中，一个类别实质可以是一个文件夹，文件夹都有名称。在进行聚类处理时，可以结合文件夹名称进行处理。例如，具有相同名称的类别合并为一个类别，具有不同名称的类别彼此为互斥类别。例如，有两个文件夹的名字都叫“张三”，则将这两个文件夹合并成一个文件夹。又如，一个文件夹的名字叫“张三”，一个文件夹的名字叫“李四”，这两个文件夹的名字完全不同，则这两个文件夹彼此为互斥类别，可记录到互斥关系中。

下面通过几个实施例详细介绍图片整理的实现过程。

图2是根据一示例性实施例示出的一种图片整理的方法的流程图，如图2所示，该方法可以由移动终端或服务器实现，包括以下步骤：

在步骤201中，获得多个图片。

在步骤202中，依据聚类算法对多个图片进行聚类处理，获得处理后的多个类别。

在步骤203中，输出处理后的多个类别。

在步骤204中，接收对所述多个类别中的至少一个类别的拆分操作。

在步骤205中，根据所述拆分操作，将所述一个类别拆分为至少两个类别。

在步骤206中，建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中不能对具有互斥关系的类别进行聚类的互斥类别。

在步骤207中，统计所述拆分操作的次数。此步骤可以与步骤206同步进行。

在步骤208中，判断所述拆分操作的次数占总操作次数的比值是否大于预设的第一比例阈值；在所述拆分操作的次数占总操作次数的比值大于预设的第一比例阈值时，继续步骤209；在所述拆分操作的次数占总操作次数的比值不大于预设的第一比例阈值时，结束本次流程。

在步骤209中，根据预设的第一步长调高所述聚类算法中的相似度阈值。

本实施例依据用户的拆分操作建立了互斥关系，确定稳定类别，可改进聚类算法。同时，依据用户的拆分操作可调整相似度阈值，以改进聚类算法，使得聚类处理更准确。

图3是根据一示例性实施例示出的一种图片整理的方法的流程图，如图3所示，该方法可以由移动终端或服务器实现，包括以下步骤：

在步骤301中，输出依据聚类算法对已有图片进行聚类处理后的多个类别。

在步骤302中，接收对所述多个类别中的至少两个类别的合并操作。

在步骤303中，根据所述合并操作，将所述两个类别合并为一个类别。

在步骤304中，在互斥关系中将所述两个类别对应的互斥类别合并。相当于更新所述两个类别及所述两个类别对应的互斥类别的互斥关系。

在步骤305中，统计所述合并操作的次数。

在步骤306中，判断所述合并操作的次数占总操作次数的比值是否大于预设的第二比例阈值；在所述合并操作的次数占总操作次数的比值大于预设的第二比例阈值时，继续步骤307；在所述合并操作的次数占总操作次数的比值不大于预设的第二比例阈值时，结束本次流程。

在步骤307中，根据预设的第二步长调低所述聚类算法中的相似度阈值。

本实施例依据用户的合并操作更新了互斥关系，以改进聚类算法，提高聚类处理的效率和准确度。同时，依据用户的合并操作可调整相似度阈值，以改进聚类算法，使得聚类处理更准确。

图4是根据一示例性实施例示出的一种图片整理的方法的流程图，如图4所示，该方法可以由移动终端实现，包括以下步骤：

例如，用户在移动终端上打开一个文件夹，点击推荐按钮。

在步骤401中，在推荐按钮的触发下，获得存储空间中的类别。该类别可以是一个包含图片的文件夹，也可以是一个单独的图片。尽可能获得本地存储空间中关于图片的所有类别。

在步骤402中，根据互斥关系和文件夹名称，计算当前文件夹中代表图片与获得的类别之间的相似度。

在步骤403中，确定相似度大于预设相似度阈值的类别。

在步骤404中，确定大于相似度阈值的类别中相似度最高的n个类别。

在步骤405中，输出确定的n个类别。

在步骤406中，将当前文件夹作为类别分别与所述n个类别合并。

如果用户对n个类别有拆分操作，则进行拆分处理，如果没有，则进行合并处理。

本实施例将互斥关系和文件夹名称结合使用，可明显提高聚类处理的效率和准确度。并且，在计算相似度时，只采用代表图片进行计算，可进一个提高处理效率。在输出处理结果时，输出相似度最高的几个类别，输出结果更符合用户的需求，同时减少对用户的干扰。

通过以上介绍了解了图片整理的实现过程，该过程由移动终端或服务器实现，下面针对设备的内部结构和功能进行介绍。

图5是根据一示例性实施例示出的一种图片整理的装置示意图。参照图5，该装置包括：输出模块501、第一接收模块502、拆分模块503和第一建立模块504。

输出模块501，用于输出依据聚类算法对已有图片进行聚类处理后的多个类别。

第一接收模块502，用于接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别。

拆分模块503，用于根据所述拆分操作，将所述一个类别拆分为至少两个类别。

第一建立模块504，用于建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。

在一个实施例中，如图6所示，所述装置还包括：互斥判断模块505和禁止模块506。

互斥判断模块505，用于再次对已有图片进行聚类处理时，判断需要进行聚类的两个类别中的图片是否分属于所述互斥关系记录的互斥类别。

禁止模块506，用于在需要进行聚类的两个类别中的图片分属于所述互斥关系记录的互斥类别时，禁止对所述需要进行聚类的两个类别进行聚类处理。

在一个实施例中，如图7所示，所述装置还包括：第一统计模块507、第一比值判断模块508和调高模块509。

第一统计模块507，用于统计所述拆分操作的次数。

第一比值判断模块508，用于判断所述拆分操作的次数占总操作次数的比值是否大于预设的第一比例阈值。

调高模块509，用于在所述拆分操作的次数占总操作次数的比值大于预设的第一比例阈值时，根据预设的第一步长调高所述聚类算法中的相似度阈值。

在一个实施例中，如图8所示，所述装置还包括：第二接收模块510。

第二接收模块510，用于接收对所述多个类别中的至少两个类别的合并操作。

在一个实施例中，如图9所示，所述装置还包括：第二统计模块511、第二比值判断模块512和调低模块513。

第二统计模块511，用于统计所述合并操作的次数。

第二比值判断模块512，用于判断所述合并操作的次数占总操作次数的比值是否大于预设的第二比例阈值。

调低模块513，用于在所述合并操作的次数占总操作次数的比值大于预设的第二比例阈值时，根据预设的第二步长调低所述聚类算法中的相似度阈值。

在一个实施例中，所述输出模块501输出依据聚类算法对已有图片进行聚类处理后相似度最高的多个类别。

在一个实施例中，如图10所示，所述装置还包括：未操作判断模块514、更新模块515和第二建立模块516。

未操作判断模块514，用于针对输出的多个类别，判断是否存在未进行操作的类别。

更新模块515，用于在存在未进行操作的类别时，更新所述未进行操作的类别对应的未操作次数。

第二建立模块516，用于在所述未操作次数大于预设的未操作次数阈值时，建立所述未进行操作的类别与所述输出的多个类别中的其它类别的互斥关系。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图11是根据一示例性实施例示出的一种用于图片整理的装置1100的框图。例如，装置1100可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图11，装置1100可以包括以下一个或多个组件：处理组件1102，存储器1104，电源组件1106，多媒体组件1108，音频组件1110，输入/输出(I/O)的接口1112，传感器组件1114，以及通信组件1116。

处理组件1102通常控制装置1100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1102可以包括一个或多个处理器1120来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1102可以包括一个或多个模块，便于处理组件1102和其他组件之间的交互。例如，处理部件1102可以包括多媒体模块，以方便多媒体组件1108和处理组件1102之间的交互。

存储器1104被配置为存储各种类型的数据以支持在设备1100的操作。这些数据的示例包括用于在装置1100上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件1106为装置1100的各种组件提供电力。电力组件1106可以包括电源管理***，一个或多个电源，及其他与为装置1100生成、管理和分配电力相关联的组件。

多媒体组件1108包括在所述装置1100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1108包括一个前置摄像头和/或后置摄像头。当设备1100处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件1110被配置为输出和/或输入音频信号。例如，音频组件1110包括一个麦克风(MIC)，当装置1100处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1104或经由通信组件1116发送。在一些实施例中，音频组件1110还包括一个扬声器，用于输出音频信号。

I/O接口1112为处理组件1102和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1114包括一个或多个传感器，用于为装置1100提供各个方面的状态评估。例如，传感器组件1114可以检测到设备1100的打开/关闭状态，组件的相对定位，例如所述组件为装置1100的显示器和小键盘，传感器组件1114还可以检测装置1100或装置1100的一个组件的位置改变，用户与装置1100接触的存在或不存在，装置1100方位或加速/减速和装置1100的温度变化。传感器组件1114可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1114还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1114还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1116被配置为便于装置1100和其他设备之间有线或无线方式的通信。装置1100可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件1116经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件1116还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1100可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1104，上述指令可由装置1100的处理器1120执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种图片整理的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

输出依据聚类算法对已有图片进行聚类处理后的多个类别；

接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别；

根据所述拆分操作，将所述一个类别拆分为至少两个类别；

建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。

所述处理器还可以被配置为：

再次对已有图片进行聚类处理时，判断需要进行聚类的两个类别中的图片是否分属于所述互斥关系记录的互斥类别；

在需要进行聚类的两个类别中的图片分属于所述互斥关系记录的互斥类别时，禁止对所述需要进行聚类的两个类别进行聚类处理。

所述处理器还可以被配置为：

统计所述拆分操作的次数；

判断所述拆分操作的次数占总操作次数的比值是否大于预设的第一比例阈值；

在所述拆分操作的次数占总操作次数的比值大于预设的第一比例阈值时，根据预设的第一步长调高所述聚类算法中的相似度阈值。

所述处理器还可以被配置为：

接收对所述多个类别中的至少两个类别的合并操作。

所述处理器还可以被配置为：

统计所述合并操作的次数；

判断所述合并操作的次数占总操作次数的比值是否大于预设的第二比例阈值；

在所述合并操作的次数占总操作次数的比值大于预设的第二比例阈值时，根据预设的第二步长调低所述聚类算法中的相似度阈值。

所述处理器还可以被配置为：

所述输出依据聚类算法对已有图片进行聚类处理后的多个类别，包括：

输出依据聚类算法对已有图片进行聚类处理后相似度最高的多个类别。

所述处理器还可以被配置为：

针对输出的多个类别，判断是否存在未进行操作的类别；

在存在未进行操作的类别时，更新所述未进行操作的类别对应的未操作次数；

在所述未操作次数大于预设的未操作次数阈值时，建立所述未进行操作的类别与所述输出的多个类别中的其它类别的互斥关系。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种图片整理的方法，所述方法包括：

输出依据聚类算法对已有图片进行聚类处理后的多个类别；

接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别；

根据所述拆分操作，将所述一个类别拆分为至少两个类别；

建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。

所述存储介质中的指令还可以包括：

再次对已有图片进行聚类处理时，判断需要进行聚类的两个类别中的图片是否分属于所述互斥关系记录的互斥类别；

在需要进行聚类的两个类别中的图片分属于所述互斥关系记录的互斥类别时，禁止对所述需要进行聚类的两个类别进行聚类处理。

所述存储介质中的指令还可以包括：

统计所述拆分操作的次数；

判断所述拆分操作的次数占总操作次数的比值是否大于预设的第一比例阈值；

在所述拆分操作的次数占总操作次数的比值大于预设的第一比例阈值时，根据预设的第一步长调高所述聚类算法中的相似度阈值。

所述存储介质中的指令还可以包括：

接收对所述多个类别中的至少两个类别的合并操作。

所述存储介质中的指令还可以包括：

统计所述合并操作的次数；

判断所述合并操作的次数占总操作次数的比值是否大于预设的第二比例阈值；

在所述合并操作的次数占总操作次数的比值大于预设的第二比例阈值时，根据预设的第二步长调低所述聚类算法中的相似度阈值。

所述存储介质中的指令还可以包括：

所述输出依据聚类算法对已有图片进行聚类处理后的多个类别，包括：

输出依据聚类算法对已有图片进行聚类处理后相似度最高的多个类别。

所述存储介质中的指令还可以包括：

针对输出的多个类别，判断是否存在未进行操作的类别；

在存在未进行操作的类别时，更新所述未进行操作的类别对应的未操作次数；

在所述未操作次数大于预设的未操作次数阈值时，建立所述未进行操作的类别与所述输出的多个类别中的其它类别的互斥关系。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (15)

1.一种图片整理的方法，其特征在于，包括：

输出依据聚类算法对已有图片进行聚类处理后的多个类别；

接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别；

根据所述拆分操作，将所述一个类别拆分为至少两个类别；

建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。

2.根据权利要求1所述的图片整理的方法，其特征在于，所述方法还包括：

再次对已有图片进行聚类处理时，判断需要进行聚类的两个类别中的图片是否分属于所述互斥关系记录的互斥类别；

在需要进行聚类的两个类别中的图片分属于所述互斥关系记录的互斥类别时，禁止对所述需要进行聚类的两个类别进行聚类处理。

3.根据权利要求1所述的图片整理的方法，其特征在于，所述方法还包括：

统计所述拆分操作的次数；

判断所述拆分操作的次数占总操作次数的比值是否大于预设的第一比例阈值；

在所述拆分操作的次数占总操作次数的比值大于预设的第一比例阈值时，根据预设的第一步长调高所述聚类算法中的相似度阈值。

4.根据权利要求1所述的图片整理的方法，其特征在于，所述方法还包括：

接收对所述多个类别中的至少两个类别的合并操作。

5.根据权利要求4所述的图片整理的方法，其特征在于，所述方法还包括：

统计所述合并操作的次数；

判断所述合并操作的次数占总操作次数的比值是否大于预设的第二比例阈值；

在所述合并操作的次数占总操作次数的比值大于预设的第二比例阈值时，根据预设的第二步长调低所述聚类算法中的相似度阈值。

6.根据权利要求1所述的图片整理的方法，其特征在于，所述输出依据聚类算法对已有图片进行聚类处理后的多个类别，包括：

输出依据聚类算法对已有图片进行聚类处理后相似度最高的多个类别。

7.根据权利要求1所述的图片整理的方法，其特征在于，所述方法还包括：

针对输出的多个类别，判断是否存在未进行操作的类别；

在存在未进行操作的类别时，更新所述未进行操作的类别对应的未操作次数；

在所述未操作次数大于预设的未操作次数阈值时，建立所述未进行操作的类别与所述输出的多个类别中的其它类别的互斥关系。

8.一种图片整理的装置，其特征在于，包括：

输出模块，用于输出依据聚类算法对已有图片进行聚类处理后的多个类别；

第一接收模块，用于接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别；

拆分模块，用于根据所述拆分操作，将所述一个类别拆分为至少两个类别；

第一建立模块，用于建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。

9.根据权利要求8所述的图片整理的装置，其特征在于，所述装置还包括：

互斥判断模块，用于再次对已有图片进行聚类处理时，判断需要进行聚类的两个类别中的图片是否分属于所述互斥关系记录的互斥类别；

禁止模块，用于在需要进行聚类的两个类别中的图片分属于所述互斥关系记录的互斥类别时，禁止对所述需要进行聚类的两个类别进行聚类处理。

10.根据权利要求8所述的图片整理的装置，其特征在于，所述装置还包括：

第一统计模块，用于统计所述拆分操作的次数；

第一比值判断模块，用于判断所述拆分操作的次数占总操作次数的比值是否大于预设的第一比例阈值；

调高模块，用于在所述拆分操作的次数占总操作次数的比值大于预设的第一比例阈值时，根据预设的第一步长调高所述聚类算法中的相似度阈值。

11.根据权利要求8所述的图片整理的装置，其特征在于，所述装置还包括：

第二接收模块，用于接收对所述多个类别中的至少两个类别的合并操作。

12.根据权利要求11所述的图片整理的装置，其特征在于，所述装置还包括：

第二统计模块，用于统计所述合并操作的次数；

第二比值判断模块，用于判断所述合并操作的次数占总操作次数的比值是否大于预设的第二比例阈值；

调低模块，用于在所述合并操作的次数占总操作次数的比值大于预设的第二比例阈值时，根据预设的第二步长调低所述聚类算法中的相似度阈值。

13.根据权利要求8所述的图片整理的装置，其特征在于，所述输出模块输出依据聚类算法对已有图片进行聚类处理后相似度最高的多个类别。

14.根据权利要求8所述的图片整理的装置，其特征在于，所述装置还包括：

未操作判断模块，用于针对输出的多个类别，判断是否存在未进行操作的类别；

更新模块，用于在存在未进行操作的类别时，更新所述未进行操作的类别对应的未操作次数；

第二建立模块，用于在所述未操作次数大于预设的未操作次数阈值时，建立所述未进行操作的类别与所述输出的多个类别中的其它类别的互斥关系。

15.一种图片整理的装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

输出依据聚类算法对已有图片进行聚类处理后的多个类别；

接收对所述多个类别中的至少一个类别的拆分操作，所述拆分操作用于将一个类别拆分为至少两个类别；

根据所述拆分操作，将所述一个类别拆分为至少两个类别；

建立所述两个类别之间的互斥关系，所述互斥关系用于记录在后续聚类处理中固定的互斥类别。