CN105224950A - 滤镜类别识别方法及装置 - Google Patents

Abstract

本公开提供了一种滤镜类别识别方法及装置，属于图像处理技术领域。方法包括：提取待识别图像的图像特征，所述待识别图像为经过滤镜处理后的图像；根据滤镜类别数据库和所述待识别图像的图像特征，获取所述待识别图像与所述滤镜类别数据库中各滤镜类别的匹配度；将所述匹配度符合预设标准的滤镜类别确定为所述待识别图像对应的滤镜类别。本公开通过提取待识别图像的图像特征，根据滤镜类别数据库，实现根据图像特征自动匹配滤镜类别的功能。在一实施例中，本公开根据关键字词与图像特征匹配的方法，还可以实现根据滤镜效果图像给对应滤镜类别进行命名的功能。在一实施例中，本公开通过深度学习算法获取滤镜类别数据库。

Description

滤镜类别识别方法及装置

技术领域

本公开涉及图像处理技术领域，尤其涉及一种滤镜类别识别方法及装置。

背景技术

目前，各种终端中都有图像处理应用，随着图像处理技术的发展，这些图像处理应用也具有越来越多的功能，例如滤镜功能，滤镜功能可以用于实现多种具有不同效果的图像。

为了获得更丰富的滤镜效果，终端除了提供一些固有滤镜外，还提供了滤镜参数调节选项，使得用户可以通过调节滤镜参数获得自定义滤镜，进而通过该自定义滤镜获得对应的效果图像。

但是，在现有的图像处理应用中，由于不同滤镜效果的名称多是编号或者与滤镜效果无关的字词，如“生动”“唯美”等，且经过滤镜处理过的图像没有标识出是经过哪种滤镜处理得到，从而导致难以从大量的滤镜中找到对应的滤镜以复现效果。

发明内容

为克服相关技术中存在的问题，本公开提供一种滤镜类别识别方法及装置。

根据本公开实施例的第一方面，提供一种滤镜类别识别方法，包括：

提取待识别图像的图像特征，该待识别图像为经过滤镜处理后的图像；

根据滤镜类别数据库和该待识别图像的图像特征，获取该待识别图像与该滤镜类别数据库中各滤镜类别的匹配度，该滤镜类别数据库至少用于保存多个滤镜类别以及采用该多个滤镜类别处理后图像的图像特征；

将该匹配度符合预设标准的滤镜类别确定为该待识别图像对应的滤镜类别。

在本公开的第一方面的第一种可能实现方式中，该方法还包括：

搜集学习样本，该学习样本为经过多个滤镜类别处理后的图像；

提取该学习样本中每一幅图像的图像特征；

根据该每一幅图像的图像特征与对应滤镜类别，建立该滤镜类别数据库。

在本公开的第一方面的第二种可能实现方式中，该滤镜类别数据库还包括用于描述各个滤镜类别的图像效果的关键字词；

该方法还包括：

根据该滤镜类别数据库和该待识别图像的图像特征，获取与该待识别图像对应的关键字词；

将该待识别图像对应的关键字词确定为该待识别图像对应的滤镜名称。

在本公开的第一方面的第三种可能实现方式中，该根据滤镜类别数据库和该待识别图像的图像特征，获取与该待识别图像对应的关键字词之前，该方法还包括：

构造备选名称集合，该备选名称集合用于存储关键字词；

根据该备选名称集合中的关键字词，收集与每个关键字词匹配的预设数量的图像；

提取该与每个关键字词匹配的图像的图像特征；

根据该备选名称集合中的关键字词和该与每个关键字词匹配的图像的图像特征，建立该滤镜类别数据库。

在本公开的第一方面的第四种可能实现方式中，该方法还包括：

当该待识别图像的图像特征与任一滤镜类别的匹配度均不符合该预设标准时，确定该待识别图像为未经过滤镜处理的图像。

根据本公开实施例的第二方面，提供一种滤镜类别识别装置，包括：

特征提取模块，用于提取待识别图像的图像特征，该待识别图像为经过滤镜处理后的图像；

匹配度获取模块，用于根据滤镜类别数据库和该待识别图像的图像特征，获取该待识别图像与该滤镜类别数据库中各滤镜类别的匹配度，该滤镜类别数据库至少用于保存多个滤镜类别以及采用该多个滤镜类别处理后图像的图像特征；

确定模块，用于将该匹配度符合预设标准的滤镜类别确定为该待识别图像对应的滤镜类别。

在本公开的第二方面的第一种可能实现方式中，该装置还包括：

搜集模块，用于搜集学习样本，该学习样本为经过多个滤镜类别处理后的图像；

该特征提取模块还用于提取该学习样本中每一幅图像的图像特征；

第一建立模块，用于根据该每一幅图像的图像特征与对应滤镜类别，建立该滤镜类别数据库。

在本公开的第二方面的第二种可能实现方式中，该滤镜类别数据库还包括用于描述各个滤镜类别的图像效果的关键字词；

该装置还包括：

关键字词获取模块，用于根据该滤镜类别数据库和该待识别图像的图像特征，获取与该待识别图像对应的关键字词；

该确定模块还用于将该待识别图像对应的关键字词确定为该待识别图像对应的滤镜名称。

在本公开的第二方面的第三种可能实现方式中，该装置还包括：

构造模块，用于构造备选名称集合，该备选名称集合用于存储关键字词；

收集模块，用于根据该备选名称集合中的关键字词，收集与每个关键字词匹配的预设数量的图像；

该特征提取模块还用于提取该与每个关键字词匹配的图像的图像特征；

第二建立模块，用于根据该备选名称集合中的关键字词和该与每个关键字词匹配的图像的图像特征，建立该滤镜类别数据库。

在本公开的第二方面的第四种可能实现方式中，该确定模块还用于：

当该待识别图像的图像特征与任一滤镜类别的匹配度均不符合该预设标准时，确定该待识别图像为未经过滤镜处理的图像。

第三方面，还提供了一种滤镜类别识别装置，包括：

处理器；

用于存储处理器可执行的指令的存储器；

其中，该处理器被配置为：

提取待识别图像的图像特征，该待识别图像为经过滤镜处理后的图像；

根据滤镜类别数据库和该待识别图像的图像特征，获取该待识别图像与该滤镜类别数据库中各滤镜类别的匹配度，该滤镜类别数据库至少用于保存多个滤镜类别以及采用该多个滤镜类别处理后图像的图像特征；

将该匹配度符合预设标准的滤镜类别确定为该待识别图像对应的滤镜类别。

本公开实施例提供的技术方案带来的有益效果是：

本公开通过提取待识别图像的图像特征，根据滤镜类别数据库，实现根据图像特征自动匹配滤镜类别的功能。在一实施例中，本公开根据关键字词与图像特征匹配的方法，还可以实现根据滤镜效果图像给对应滤镜类别进行命名的功能。在一实施例中，本公开通过深度学习算法获取滤镜类别数据库。

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滤镜类别识别方法的流程图。

图2是根据一示例性实施例示出的一种滤镜类别识别方法的流程图。

图3是根据一示例性实施例示出的一种滤镜类别识别装置框图。

图4是根据一示例性实施例示出的一种滤镜类别识别装置400的框图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。

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。

图1是根据一示例性实施例示出的一种滤镜类别识别方法的流程图，如图1所示，滤镜类别识别方法用于终端中，包括以下步骤。

在步骤101中，提取待识别图像的图像特征，该待识别图像为经过滤镜处理后的图像。

在步骤102中，根据滤镜类别数据库和该待识别图像的图像特征，获取该待识别图像与该滤镜类别数据库中各滤镜类别的匹配度，该滤镜类别数据库至少用于保存多个滤镜类别以及采用该多个滤镜类别处理后图像的图像特征。

在步骤103中，将该匹配度符合预设标准的滤镜类别确定为该待识别图像对应的滤镜类别。

本公开实施例提供的方法，通过提取待识别图像的图像特征，根据获取的滤镜类别数据库，实现根据图像特征自动匹配滤镜类别的功能。

在本公开的第一种可能实现方式中，该方法还包括：

搜集学习样本，该学习样本为经过多个滤镜类别处理后的图像；

提取该学习样本中每一幅图像的图像特征；

根据该每一幅图像的图像特征与对应滤镜类别，建立该滤镜类别数据库。

在本公开的第二种可能实现方式中，该滤镜类别数据库还包括用于描述各个滤镜类别的图像效果的关键字词；

该方法还包括：

根据该滤镜类别数据库和该待识别图像的图像特征，获取与该待识别图像对应的关键字词；

将该待识别图像对应的关键字词确定为该待识别图像对应的滤镜名称。

在本公开的第三种可能实现方式中，该根据滤镜类别数据库和该待识别图像的图像特征，获取与该待识别图像对应的关键字词之前，该方法还包括：

构造备选名称集合，该备选名称集合用于存储关键字词；

根据该备选名称集合中的关键字词，收集与每个关键字词匹配的预设数量的图像；

提取该与每个关键字词匹配的图像的图像特征；

根据该备选名称集合中的关键字词和该与每个关键字词匹配的图像的图像特征，建立该滤镜类别数据库。

在本公开的第四种可能实现方式中，该根据滤镜类别数据库和该图像的图像特征，获取该待识别图像与该滤镜类别数据库中各滤镜类别的匹配度之后，该方法还包括：

当该待识别图像的图像特征与任一滤镜类别的匹配度均不符合该预设标准时，确定该待识别图像为未经过滤镜处理的图像。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

图2是根据一示例性实施例示出的一种滤镜类别识别方法的流程图。参照图2，该实施例具体包括：

在步骤201中，搜集学习样本，该学习样本为经过多个滤镜类别处理后的图像。

学习样本的作用是通过部分了解全部。在本实施例中，为了获得经过不同类别滤镜处理后图像的图像特征，可以获取经过每种滤镜处理过的若干幅图像，以组成学习样本。例如，每种类别的滤镜可以处理1000幅对应效果图像，通过这1000幅效果图像，获取每种滤镜处理后图像的图像特征。每种类别滤镜制作的效果图像数量可由相关技术人员自行设置，需要说明的是，在一定范围内，该数量值越大，获得的图像特征越能表示对应滤镜的处理效果。

在另一实施例中，学习样本还可以包括经过自定义滤镜处理的效果图像。示例地，该自定义滤镜的获取方法可以为：终端提供滤镜参数调节选项，使得用户可以通过调节滤镜选项，获取自定义滤镜，并进一步获取经过该自定义滤镜处理的效果图像。通过将该自定义滤镜处理的该效果图像加入该学习样本中，能够提高本实施例中所描述方法的灵活性和适用性。

需要说明的是，该学习样本的获取还可以是一个实时更新的过程。例如，当增加了任一自定义滤镜时，在学习样本中增加该自定义滤镜处理的对应效果图像。该学习样本还可以通过其他方法获取，本公开实施例对此不作限定。

在步骤202中，提取该学习样本中每一幅图像的图像特征。

在提取该学习样本中每一幅图像的图像特征之前，当该学习样本中包括尺寸大小不同的图像时，还需对该学习样本的图像作预处理，例如使该学习样本的各图像大小相同。例如，可将该学习样本中图像的大小重置为256*256，也可以重置为其他合适大小，本公开实施例对此不作限定。

在本公开实施例中，可以采用卷积神经网络提取该学习样本中每一幅图像的图像特征。卷积神经网络因其具有局部权值共享的特性，能够减少网络的训练参数，从而能够降低网络结果的复杂性，加快训练速度。

本公开实施例对该步骤202中涉及卷积神经网络的具体算法方面不作赘述，除采用卷积神经网络提取图像特征外，也可以采用其他深度学习算法实现对图像特征的提取，本公开实施例对此不作限定。

在步骤203中，根据该每一幅图像的图像特征与对应滤镜类别，建立该滤镜类别数据库。在一实施例中，该滤镜类别数据库至少用于保存多个滤镜类别以及采用该多个滤镜类别处理后图像的图像特征。

根据步骤202中提取到的每种类别滤镜处理后的图像特征与对应滤镜类别，建立滤镜类别数据库，该滤镜类别数据库用于根据经过任一类别滤镜处理后图像的图像特征，确定处理该图像所使用滤镜的滤镜类别。

在本公开一实施例中，该滤镜类别数据库还可以包括用于描述各个滤镜类别的图像效果的关键字词。当该滤镜类别数据库还包括用于描述各个滤镜类别的图像效果的关键字词时，该滤镜类别数据库的建立方法还可以包括：构造备选名称集合，该备选名称集合用于存储关键字词；根据该备选名称集合中的关键字词，收集与每个关键字词匹配的预设数量的图像；提取该与每个关键字词匹配的图像的图像特征；根据该备选名称集合中的关键字词和该与每个关键字词匹配的图像的图像特征，建立该滤镜类别数据库。

示例地，备选名称集合中的关键字词用于准确描述经过滤镜处理后图像的图像特征，如“黑白”“阴影”“镜像”等。根据该备选集合中的关键字词，可以从网络上搜索与关键字词匹配的图像，也可以从经过滤镜处理后的图像中选取能够用关键字词描述其图像特征的图像。将获取到的图像组成图像集合ImGroup，提取该图像集合ImGroup中每一幅图像的图像特征，进而建立滤镜类别数据库。在获取与关键字词匹配的图像方面，除采用上述获取方法外，还可以根据实际情况采用其他获取方法，本公开实施例对此不作限定。

在另一实施例中，还可以根据该备选名称集合中的关键字词和该与每个关键字词匹配的图像的图像特征，单独建立用于命名滤镜类别的数据库。

需要说明的是，上述建立数据库的步骤也可认为是通过训练学习样本建立模型的过程。当用于命名滤镜类别的数据库与用于识别滤镜类别的数据库相互独立时，可以认为上述步骤是两个模型的建立过程：一个是通过训练学习样本建立滤镜类别识别模型的过程，一个是根据图像集合ImGroup和备选名称集合建立滤镜类别命名模型的过程。

在步骤204中，提取待识别图像的图像特征，该待识别图像为经过滤镜处理后的图像。

待识别图像的图像特征提取方法与步骤202中图像特征提取方法同理，此处不作赘述。

在步骤205中，根据滤镜类别数据库和该待识别图像的图像特征，获取该待识别图像与该滤镜类别数据库中各滤镜类别的匹配度。

在本公开实施例中，匹配度用于描述两幅图像的图像特征之间的相似程度。根据步骤204中提取到的待识别图像的图像特征，可以分别计算该待识别图像与该滤镜类别数据库中的各滤镜类别对应的图像特征的匹配度。

在步骤206中，将该匹配度符合预设标准的滤镜类别确定为该待识别图像对应的滤镜类别。

根据匹配度确定待识别图像对应滤镜类别的方法可以为：从步骤205获取到的待识别图像与该滤镜类别数据库中的各滤镜类别的匹配度中，获取最大匹配度，并进一步获取与该最大匹配度对应的滤镜类别，该滤镜类别即可确定为该待识别图像对应的滤镜类别。也即是，该预设标准可以为匹配度最大标准。

为了获得更准确的待识别图像对应的滤镜类别，该预设标准还可以设置为：在确定最大匹配度之后，判断该最大匹配度是否大于预设阈值，当该最大匹配度大于该预设阈值时，将该最大匹配度对应的滤镜类别确定为该待识别图像对应的滤镜类别。

当该待识别图像的图像特征与任一滤镜类别的匹配度均不符合该预设标准时，确定该待识别图像为未经过滤镜处理的图像。也即是，根据该待识别图像的图像特征与该滤镜类别数据库中的各滤镜类别的匹配度，获取其中的最大匹配度，当该最大匹配度不大于预设阈值时，确定该待识别图像为未经过滤镜处理的图像。

该预设标准可根据实际情况进行针对性设置，本公开实施例对如何根据匹配度确定待识别图像的滤镜类别不作限定。

在步骤207中，根据该滤镜类别数据库和该待识别图像的图像特征，获取与该待识别图像对应的关键字词；将该待识别图像对应的关键字词确定为该待识别图像对应的滤镜名称。

根据步骤205中提取到的待识别图像的图像特征，使用SVM(支持向量机，SupportVectorMachine)分类器获取该滤镜类别数据库中与该待识别图像的图像特征对应的关键字词，该关键字词即可确定为该待识别图像对应的滤镜名称，除了使用SVM分类器外，还可以使用其他具有类似作用的分类器根据滤镜类别获取对应的关键字词，本公开实施例对此不作限定。

上述滤镜类别识别过程可以应用在任一图像处理应用中，例如，可以在图像处理界面显示识别滤镜类别选项，当检测到对该识别滤镜类别选项的触发操作时，通过上述滤镜类别识别方法对当前界面上显示的图像进行识别，并显示滤镜类别识别结果。在一实施例中，还可以显示命名滤镜类别选项，当检测到对该命名滤镜类别的选项的触发操作时，显示对处理该当前界面上显示图像的滤镜类别的命名结果。示例地，当识别到的滤镜为当前终端已提供的滤镜类别时，还可以在界面上显示该识别到的滤镜类别，以方便用户直接获取具有相同滤镜效果的图像。

在另一实施例中，当用户通过调节滤镜参数获得自定义滤镜后，想要对该自定义滤镜进行命名时，可通过该自定义滤镜处理任一幅图像，并获取滤镜处理后的图像，该图像即可作为用于识别该自定义滤镜类别的图像。示例地，当检测到对命名滤镜类别选项的触发操作时，可以通过上述滤镜类别命名方法进行命名，并在屏幕上显示命名结果。示例地，除了在屏幕上显示命名结果之外，还可同时显示是否更新滤镜名称的选项，当检测到用户选择更新滤镜名称的选项时，将命名结果更新至待命名滤镜图标的对应位置。

本公开实施例提供的方法，通过提取待识别图像的图像特征，根据通过深度学习算法获取的滤镜类别数据库，实现根据图像特征自动匹配滤镜类别的功能。根据关键字词与图像特征匹配的方法，还可以实现根据滤镜效果图像给对应滤镜类别进行命名的功能。进一步地，通过卷积神经网络提取图像特征，还能够降低复杂程度，提高特征提取效率，使用SVM分类器确定关键字词还能够提高命名准确率。

图3是根据一示例性实施例示出的一种滤镜类别识别装置框图。参照图3，该装置包括特征提取模块301，匹配度获取模块302，确定模块303。

特征提取模块301，用于提取待识别图像的图像特征，该待识别图像为经过滤镜处理后的图像；

匹配度获取模块302，用于根据滤镜类别数据库和该待识别图像的图像特征，获取该待识别图像与该滤镜类别数据库中各滤镜类别的匹配度，该滤镜类别数据库至少用于保存多个滤镜类别以及采用该多个滤镜类别处理后图像的图像特征；

确定模块303，用于将该匹配度符合预设标准的滤镜类别确定为该待识别图像对应的滤镜类别。

在本公开提供的第一种可能实现方式中，该装置还包括：

搜集模块，用于搜集学习样本，该学习样本为经过不同类别滤镜处理后的图像；

该特征提取模块301还用于提取该学习样本中每一幅图像的图像特征；

第一建立模块，用于根据该每一幅图像的图像特征与对应滤镜类别，建立该滤镜类别数据库。

在本公开提供的第二种可能实现方式中，该滤镜类别数据库还包括用于描述各个滤镜类别的图像效果的关键字词；

该装置还包括：

关键字词获取模块，用于根据该滤镜类别数据库和该待识别图像的图像特征，获取与该待识别图像对应的关键字词；

该确定模块303还用于将该待识别图像对应的关键字词确定为该待识别图像对应的滤镜名称。

在本公开提供的第三种可能实现方式中，该装置还包括：

构造模块，用于构造备选名称集合，该备选名称集合用于存储关键字词；

收集模块，用于根据该备选名称集合中的关键字词，收集与每个关键字词匹配的预设数量的图像；

该特征提取模块301还用于提取该与每个关键字词匹配的图像的图像特征；

第二建立模块，用于根据该备选名称集合中的关键字词和该与每个关键字词匹配的图像的图像特征，建立该滤镜类别数据库。

在本公开提供的第四种可能实现方式中，该确定模块303还用于：

当该待识别图像的图像特征与任一滤镜类别的匹配度均不符合该预设标准时，确定该待识别图像为未经过滤镜处理的图像。

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4是根据一示例性实施例示出的一种滤镜类别识别装置400的框图。例如，装置400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4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件404，音频组件410，输入/输出(I/O)接口412，传感器组件414，以及通信组件416。

处理组件402通常控制装置400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402可以包括一个或多个处理器420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402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400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404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。

电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理***，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。

多媒体组件408包括在所述装置400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408包括一个前置摄像头和/或后置摄像头。当装置400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410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400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404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。

I/O接口412为处理组件402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414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到装置400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414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414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414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416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400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，通信组件416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，所述通信组件416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400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，用于执行上述滤镜类别识别方法。

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404，上述指令可由装置400的处理器420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。

在示例性实施例中，还提供了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上述滤镜类别识别方法。

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 (11)

1.一种滤镜类别识别方法，其特征在于，所述方法包括：

提取待识别图像的图像特征，所述待识别图像为经过滤镜处理后的图像；

根据滤镜类别数据库和所述待识别图像的图像特征，获取所述待识别图像与所述滤镜类别数据库中各滤镜类别的匹配度，所述滤镜类别数据库至少用于保存多个滤镜类别以及采用所述多个滤镜类别处理后图像的图像特征；

将所述匹配度符合预设标准的滤镜类别确定为所述待识别图像对应的滤镜类别。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

搜集学习样本，所述学习样本为经过多个滤镜类别处理后的图像；

提取所述学习样本中每一幅图像的图像特征；

根据所述每一幅图像的图像特征与对应滤镜类别，建立所述滤镜类别数据库。

3.根据权利要求1所述的方法，其特征在于，所述滤镜类别数据库还包括用于描述各个滤镜类别的图像效果的关键字词；

所述方法还包括：

根据所述滤镜类别数据库和所述待识别图像的图像特征，获取与所述待识别图像对应的关键字词；

将所述待识别图像对应的关键字词确定为所述待识别图像对应的滤镜名称。

4.根据权利要求3所述的方法，其特征在于，所述根据滤镜类别数据库和所述待识别图像的图像特征，获取与所述待识别图像对应的关键字词之前，所述方法还包括：

构造备选名称集合，所述备选名称集合用于存储关键字词；

根据所述备选名称集合中的关键字词，收集与每个关键字词匹配的预设数量的图像；

提取所述与每个关键字词匹配的图像的图像特征；

根据所述备选名称集合中的关键字词和所述与每个关键字词匹配的图像的图像特征，建立所述滤镜类别数据库。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当所述待识别图像的图像特征与任一滤镜类别的匹配度均不符合所述预设标准时，确定所述待识别图像为未经过滤镜处理的图像。

6.一种滤镜类别识别装置，其特征在于，所述装置包括：

特征提取模块，用于提取待识别图像的图像特征，所述待识别图像为经过滤镜处理后的图像；

匹配度获取模块，用于根据滤镜类别数据库和所述待识别图像的图像特征，获取所述待识别图像与所述滤镜类别数据库中各滤镜类别的匹配度，所述滤镜类别数据库至少用于保存多个滤镜类别以及采用所述多个滤镜类别处理后图像的图像特征；

确定模块，用于将所述匹配度符合预设标准的滤镜类别确定为所述待识别图像对应的滤镜类别。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

搜集模块，用于搜集学习样本，所述学习样本为经过多个滤镜类别处理后的图像；

所述特征提取模块还用于提取所述学习样本中每一幅图像的图像特征；

第一建立模块，用于根据所述每一幅图像的图像特征与对应滤镜类别，建立所述滤镜类别数据库。

8.根据权利要求6所述的装置，其特征在于，所述滤镜类别数据库还包括用于描述各个滤镜类别的图像效果的关键字词；

所述装置还包括：

关键字词获取模块，用于根据所述滤镜类别数据库和所述待识别图像的图像特征，获取与所述待识别图像对应的关键字词；

所述确定模块还用于将所述待识别图像对应的关键字词确定为所述待识别图像对应的滤镜名称。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

构造模块，用于构造备选名称集合，所述备选名称集合用于存储关键字词；

收集模块，用于根据所述备选名称集合中的关键字词，收集与每个关键字词匹配的预设数量的图像；

所述特征提取模块还用于提取所述与每个关键字词匹配的图像的图像特征；

第二建立模块，用于根据所述备选名称集合中的关键字词和所述与每个关键字词匹配的图像的图像特征，建立所述滤镜类别数据库。

10.根据权利要求6所述的装置，其特征在于，所述确定模块还用于：

当所述待识别图像的图像特征与任一滤镜类别的匹配度均不符合所述预设标准时，确定所述待识别图像为未经过滤镜处理的图像。

11.一种滤镜类别识别装置，其特征在于，包括：

处理器；

用于存储处理器可执行的指令的存储器；

其中，所述处理器被配置为：

提取待识别图像的图像特征，所述待识别图像为经过滤镜处理后的图像；

根据滤镜类别数据库和所述待识别图像的图像特征，获取所述待识别图像与所述滤镜类别数据库中各滤镜类别的匹配度，所述滤镜类别数据库至少用于保存多个滤镜类别以及采用所述多个滤镜类别处理后图像的图像特征；

将所述匹配度符合预设标准的滤镜类别确定为所述待识别图像对应的滤镜类别。