CN107977463A - 图片处理方法、装置、存储介质及终端 - Google Patents

Abstract

本申请实施例公开了图片处理方法、装置、存储介质及终端。该图片处理方法包括：获取待处理图片；将所述待处理图片输入至图片处理模型；通过所述图片处理模型获取所述待处理图片的处理方式；根据所述处理方式对所述待处理图片进行处理操作。本申请实施例通过采用上述技术方案，可以准确地确定待处理图片具体的处理方式，不仅解决了对需要处理的图片盲目删减造成无法弥补的损失，或剪切移动到其他存储器后图片易丢失的技术问题，而且可以简单、快捷地对待处理图片进行相应的处理操作，有效减少终端***内存占用率，满足用户需求。

Description

图片处理方法、装置、存储介质及终端

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及图片处理方法、装置、存储介质及终端。

背景技术

随着电子技术的快速发展和人们生活水平的日益提高，智能手机、平板电脑等终端已经成为人们生活中必不可少的一部分。现在大多数的终端都具有拍照摄像功能，而且拍照或摄像功能深受用户喜爱，且得到越来越广泛的应用。用户通过终端的拍照摄像功能，记录生活中的点点滴滴，并保存在终端中。

然而，终端存储器容量有限，用户拍摄的照片或视频(后续统称图片)占用终端内存较大，经常会出现终端内存不足的现象，影响用户对终端的正常使用。用户不能无限制地将图片保存在终端中，需要用户不定时地删减终端中保存的图片，或是将部分图片剪切到U盘、移动硬盘等可以插拔的外部存储器中。

用户删减图片的过程中，尤其是需要删减大量图片时，经常会因为删减误操作，删减掉一些非常重要的图片，造成无法弥补的损失。另外，用于将部分图片剪切到可插拔的外部存储器中后，经常会因为外部存储器的丢失，使用户丢失大量图片。

发明内容

本申请实施例提供图片处理方法、装置、存储介质及终端，可以简单、快捷地对图片进行删减、移动或保留等处理操作，有效地减少终端内存占用率，满足用户需求。

第一方面，本申请实施例提供了一种图片处理方法，包括：

获取待处理图片；

将所述待处理图片输入至图片处理模型；

通过所述图片处理模型获取所述待处理图片的处理方式；

根据所述处理方式对所述待处理图片进行处理操作。

第二方面，本申请实施例提供了一种图片处理装置，包括：

待处理图片获取模块，用于获取待处理图片；

待处理图片输入模块，用于将所述待处理图片输入至图片处理模型；

处理方式获取模块，用于通过所述图片处理模型获取所述待处理图片的处理方式；

操作处理模块，用于根据所述处理方式对所述待处理图片进行处理操作。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例第一方面所述的图片处理方法。

第四方面，本申请实施例提供了一种移动终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例第一方面所述的图片处理方法。

本申请实施例提供的图片处理方案，获取待处理图片，并将待处理图片输入至图片处理模型，通过图片处理模型获取待处理图片的处理方式，然后根据处理方式对待处理图片进行处理操作。通过预先生成的图片处理模型对待处理图片进行分析，确定待处理图片具体的处理方式，并基于该处理方式对其执行相应的处理操作，可以准确地确定待处理图片具体的处理方式，不仅解决了对需要处理的图片盲目删减造成无法弥补的损失，或剪切移动到其他存储器后图片易丢失的技术问题，而且可以简单、快捷地对待处理图片进行相应的处理操作，有效减少终端***内存占用率，满足用户需求。

附图说明

图1为本申请实施例提供的一种图片处理方法的流程示意图；

图2为本申请实施例提供的另一种图片处理方法的流程示意图；

图3为本申请实施例提供的又一种图片处理方法的流程示意图；

图4为本申请实施例提供的再一种图片处理方法的流程示意图；

图5为本申请实施例提供的一种图片处理装置的结构示意图；

图6为本申请实施例提供的一种终端的结构框图；

图7为本申请实施例提供的一种移动终端的结构示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

图1为本申请实施例提供的图片处理方法的流程示意图，本申请实施例可适用于对终端的图片进行存储处理或删除的情况，该方法可以由图片处理装置执行，其中该装置可由软件和/或硬件实现，一般可集成在诸如手机、平板电脑等终端中。如图1所示，该方法包括：

步骤101、获取待处理图片。

在本申请实施例中，待处理图片可以包括用户需要进行处理的图片。如用户需要对图片的存储方式或存储位置进行改变的图片，也可以包括用户需要删除的图片，这些需要处理的图片均可以作为待处理图片。例如，将终端中的部分或全部图片移动到百度网盘中，或是将这终端中的部分或全部图片移动到移动硬盘中，或是删除终端中的部分图片，这些图片均可以作为待处理图片。本申请实施例对待处理图片的获取途径不做限定，例如可以是用户在终端设备的图片库中存储的拍摄照片，也可以是从网络平台或服务器下载的感兴趣图片，还可以是应用软件中收藏的各种图片。并且，待处理图片的格式可以为BMP(Bitmap)格式、JPG(JPEG，Joint Photographic Experts Group)格式、TIFF(TagImageFile Format)格式、PSD(Photoshop Document)格式、PNG(Portable Network Graphics)格式以及SWF(Shockwave Format)格式等，本申请实施例对待处理图片的格式不作限定。

具体的，获取待处理图片的操作可以在用户的操作指示下由***或图片处理软件执行。当用户有需求对图片进行处理操作时，通常可以打开图片处理的操作界面，将待处理图片添加至该操作界面中进行操作；或者当用户终端设备中的图片库有新添图片时，可自动将新添图片作为待处理图片。并且，终端在用户的操作指示下可以获取一张待处理图片，或者获取多张待处理图片，对待处理图片的张数不作限定。

需要说明的是，待处理图片可以包括动态图像数据，如视频，也可以包括静态图像数据，如照片。本申请实施例对此不作具体限定。

步骤102、将待处理图片输入至图片处理模型。

其中，图像处理模型可以理解为在输入待处理图片后快速确定该待处理图片的处理方式的学习模型。图像处理模型可以包括神经网络模型、决策树模型及随机森林模型等机器学习模型中的任意一种。图像处理模型可以是对图片样本库中的图片及图片对应的处理方式进行训练生成的。

将待处理图片输入至图片处理模型中，以获取待处理图片对应的处理方式。

步骤103、通过图片处理模型获取待处理图片的处理方式。

在本申请实施例中，将待处理图片输入至图片处理模型后，图片处理模型对待处理图片进行分析、学习，获取待处理图片对应的处理方式。可以理解的是，将待处理图片输入至图片处理模型后，获取图片处理模型输出的待处理图片的处理方式。

其中，处理方式可以包括对待处理图片的存储方式或存储位置的改变，还可以包括对待处理图片的删除操作，即删除待处理图片，也可以包括对待处理图片不做处理，如使待处理图片保留在原来的存储位置。可选的，处理方式可以包括删除、移动及保留中的任意一种。当处理方式为移动时，处理方式还包括移动的具体存储位置，例如，将图片从终端本地移动到百度云盘，又如将图片从终端本地移动到外接的存储设备中，如移动硬盘或U盘。需要说明的是，当待处理图片包含多张图片时，通过图片处理模型获取的每张待处理图片对应的处理方式可以相同，也可以不同，本申请实施例对此不做限定。

步骤104、根据处理方式对待处理图片进行处理操作。

当通过步骤103获得待处理图片的处理方式时，根据得到的处理方式对待处理图片进行相应的处理操作。示例性的，当待处理图片的处理方式为删除时，将待处理图片从终端设备中彻底清除，使待处理图片不再继续占用***内存；当待处理图片的处理方式为移动时，将待处理图片移动(可以理解为剪切)到其他存储区域，如将待处理图片移动到百度云盘、坚果云盘、移动硬盘或U盘中，从而减少图片对终端***内存的占用率；当待处理图片的处理方式为保留时，使待处理图片继续保留在原来存储的位置。

本申请实施例提供的图片处理方法，获取待处理图片，并将待处理图片输入至图片处理模型，通过图片处理模型获取待处理图片的处理方式，然后根据处理方式对待处理图片进行处理操作。通过预先生成的图片处理模型对待处理图片进行分析，确定待处理图片具体的处理方式，并基于该处理方式对其执行相应的处理操作，可以准确地确定待处理图片具体的处理方式，不仅解决了对需要处理的图片盲目删减造成无法弥补的损失，或剪切移动到其他存储器后图片易丢失的技术问题，而且可以简单、快捷地对待处理图片进行相应的处理操作，有效减少终端***内存占用率，满足用户需求。

在一些实施例中，在将待处理图片输入至图片处理模型之前，还包括：获取网络平台图片库中的第一样本图片,并获取第一样本图片的图片信息；根据图片信息确定第一预设周期内第一样本图片的第一处理方式；根据第一处理方式对第一样本图片进行标记，获得第一图片处理样本集；根据第一图片处理样本集，基于设定的第一机器学***台图片库中包含了大量的、各种各样的图片，图片涉及的内容信息也各种各样，将网络平台图片作为图片处理模型的训练样本的来源，可以大大提高图片处理模型训练的准确性。

获取网络平台图片库中的第一样本图片，其中，可以将获取的网络平台图片库中所有的图片作为第一样本图片，也可以将网络平台图片库中的部分图片作为第一样本图片。当将网络平台图片库中的部分图片作为第一样本图片时，可以随机从网络平台图片库中选取若干张图片作为第一样本图片。需要说明的是，第一样本图片中包含的图片涉及的内容越丰富，越多样化，构建的图片处理模型越准确。

获取第一样本图片的图片信息。可选的，将第一样本图片输入至图片识别模型，所述图片识别模型输出第一样本图片中包含的图片信息。其中，图片信息可以包括图片内容信息、图片大小、图片的颜色信息、图片的曝光度信息及图片的格式信息中的任意一个或多个的组合。根据图片信息确定第一预设周期内第一样本图片的第一处理方式。示例性的，获取图片处理方式预设规则，基于所述图片处理方式预设规则及图片信息确定第一样本图片的第一处理方式，其中，第一处理方式可以包括删除、移动和保留，当第一处理方式为移动时还可以包括移动到的具***置，如移动到的存储区域或存储设备。例如，图片处理方式预设规则可以包括根据图片的内容信息确定第一预设周期内图片的处理方式。如，当图片的内容信息涉及风景类(如山川、河流、湖泊、岛屿、沙漠、草原及森林等)、人文景观类(城市夜景、喷泉、雕塑及城市鸟瞰等)及文化娱乐类(如民间文化、民间艺术及手工艺等)等内容时，在第一预设周期内，如一个月后，可以将该类图片移动至除终端本地外的其他存储区域，如移动到百度云盘或坚果云盘，当然，也可以移动到移动硬盘、U盘等可以插拔的外部存储器中；而当图片的内容涉及社会纪实(如记者记录的具有时效性的人或事，灾难，战争等自然灾害)、证件类(身份证、户口本、毕业证及学籍信息)及亲密的人物关系类等内容时，在第一预设周期内，依然可以将该类图片保留在终端本地，以方便用户可以实时查看。当然，这些保留在终端本地的图片可以加密保存，也可以普通保存，本申请实施例对此不做限定。又如，对于图片内容相同或相似的多张图片，可以根据图片信息中的清晰度、图片中景物的自然效果、人物的表情、动作等内容，只保留内容相同或相似的多张图片中的一张，其余的可以删除，这样不仅可以为用户保留与之相关的图片，而且还可以有效减少***内存的占用率，提高终端使用时的流畅性。

在本申请实施例中，根据第一处理方式对第一样本图片进行标记，即标记第一样本图片在第一预设周期内的处理方式。例如，在第一预设周期内，第一处理方式为删除时，用0表示，并将对应的第一样本图片标记为0；第一处理方式为移动时，用1表示，并将对应的第一样本图片标记为1；第一处理方式为保留时，用2表示，并将对应的第一样本图片标记为2。将标记好处理方式的第一样本图片作为第一图片处理样本集，并根据第一图片处理样本集，基于设定的第一机器学习算法对图片处理模型进行训练。可以理解的是，将标记好处理方式的第一样本图片作为训练样本，对设定的第一机器学习模型进行训练，生成图片处理模型。其中，设定的第一机器学习算法或设定的第一机器学习模块可以包括神经网络模型、决策树模型、随机森林模型及朴素贝叶斯模型中的任意一种。本申请实施例对第一机器学习算法的具体算法不做限定。

在一些实施例中，在将待处理图片输入至图片处理模型之前，还包括：获取本地图片库中的第二样本图片；获取第二预设周期内用户对第二样本图片的第二处理方式；根据第二处理方式对第二样本图片进行标记，获得第二图片处理样本集；根据第二图片处理样本集，基于设定的第二机器学习算法对图片处理模型进行训练。这样设置的好处在于，可以将终端本地图片库中的图片作为图片处理模型的样本来源，使得训练的图片处理模型更贴近用户对图片处理操作的真实情况，能够真实反映用户对待处理图片的处理方式的需求，进一步提高图片处理模型对待处理图片的处理方式判断的准确性。

在本申请实施例中，获取本地图片库中的图片，其中，本地图片库中图片可以包括用户终端自身拍摄的图片、其他终端设备拍摄并通过蓝牙等方式传递过来的图片、从公共网络平台下载的图片及终端截屏获取的截屏图片中的任意一种或多种的组合。可以将本地图片库中的部分图片作为第二样本图片，也可以将本地图片库中的全部图片作为第二样本图片，还可以将本地图片库中的获取路径相同的图片作为第二样本图片，如将终端自身拍摄的图片作为第二样本图片。当然，也可以将本地图片库中多种获取路径的图片作为第二样本图片。

其中，在第二预设周期内用户对第二样本图片的处理方式不同。示例性的，第二预设周期为两个月，当用户在一段时间内准备教师资***，将与教师资***相关的一些资料拍摄成图片后保存在终端本地图片库中，以方便用户可以随时查看学习。但是，两个月后，教师资***已过，依然这些与考试有关的图片保存在终端本地图片库中，会大大占用终端内存，使终端使用时不是很流畅，因此，用户可以将这些图片删除。又如，两个月前用户去泰山旅游，拍摄许多与泰山相关的图片，并保存在终端的本地图片库中，两个月后用户去华山旅游，需要拍摄与华山相关的图片以做留念，但是终端内存不足，而此时可以将泰山相关的图片移动到百度云盘中，既保存了泰山旅游的相关记忆，又可以捕获与华山相关的新图片。再如，用户在终端本地图片库中保存有女儿的照片，为了慰藉对女儿的思念，用户需要经常在本地图片库中查看与女儿相关的照片，此时，即使在第二预设周期内，用户也可以将该图片保留在终端本地图片库中。

获取第二预设周期内用户对第二样本图片的处理方式，即第二处理方式。其中，第二处理方式可以包括删除、移动和保留。根据第二处理方式对第二样本图片进行标记，即标记在第二预设周期内用户对第二样本图片的处理方式。例如，第二预设周期内用户对第二样本图片的处理方式，即第二处理方式为删除时，可以用0表示，并将对应的第二样本图片标记为0；第二处理方式为移动时，用1表示，并将对应的第二样本图片标记为1；第二处理方式为保留时，用3表示，并将对应的第二样本图片标记为3。将标记好处理方式的第二样本图片作为第二图片处理样本集，并根据第二图片处理样本集，基于设定的第二机器学习算法对图片处理模型进行训练。可以理解的是，将标记好第二处理方式的第二样本图片作为训练样本，对设定的第二机器学习模型进行训练，生成图片处理模型。其中，设定的第二机器学习算法或设定的第二机器学习模型可以包括神经网络模型、决策树模型、随机森林模型及朴素贝叶斯模型中的任意一种。本申请实施例对第二机器学习算法的具体算法不做限定。

在一些实施例中，还包括：获取第二样本图片的拍摄信息；相应的，根据第二处理方式对第二样本图片进行标记，获得第二图片处理样本集，包括：根据第二处理方式及拍摄信息对第二样本图片进行标记，获得第二图片处理样本集。这样设置的好处在于，可以同时根据图片本身及图片的拍摄信息对图片处理模型进行训练，即增加图片处理模型的训练特征，能够进一步提高图片处理模型训练的精度，从而进一步提高图片处理模型对待处理图片的处理方式判断的准确性。

示例性的，当第二样本图片中包含拍摄图片时，获取第二样本图片的拍摄信息。其中，该拍摄图片可以包括终端本身拍摄的图片，也可以包括其他终端拍摄的图片。另外，拍摄信息可以包括：图片拍摄时间、图片拍摄地点及图片拍摄的环境信息中的任意一种或多种的组合。将第二样本图片中记录的时间信息作为对应的图片拍摄时间，其中，图片拍摄时间可以包括第一时间类别和第二时间类别。可选的，根据图片拍摄时间中的日期，获取第一时间类别，其中，第一时间类别可以包括：工作日及节假日；根据图片拍摄时间中的拍摄时间段，获取第二时间类别，其中，第二时间类别可以包括：早高峰、午间、晚高峰、工作时间以及休息时间。可选的，第二时间类别还可以包括白天、傍晚以及休息时间。当然，第二时间类别也可以对一天24小时0:00-24:00进行均等划分，如划分为6个时间段，每个时间段时长为4小时。其中，第二时间类别可以通过时间戳的形式进行记载。可以将拍摄图片时对应记录的位置信息作为图片拍摄地点，图片的拍摄地点可以包括省、市、区及县，甚至可以具体到街道及大厦名称等。可选的，还可以在对拍摄图片进行拍摄时，可以通过终端的定位模块获取图片拍摄地点。图像拍摄的环境信息可以包括室内环境和室外环境，室内环境又可以包括在家、在办公室或是在商场大楼里等等。当然，图片拍摄的环境信息还可以包括家庭环境、工作环境、餐厅环境以及旅游环境等等。其中，可以通过对图片拍摄地点进行具体分析，确定图片拍摄的环境信息。可选的，图片拍摄的环境信息还可以包括图片拍摄环境的亮度信息，可以结合图片的拍摄地点及图片的亮度信息，确定图片拍摄环境的亮度信息。

由于图片的拍摄信息不同，即图片拍摄时间不同、图片拍摄地点不同及图片拍摄的环境信息不同，在预设时间段内或第二预设周期内用户对该图片的处理方式不同。示例性的，第二样本图片的拍摄时间为五一假期期间早八点，在北京颐和园拍摄的图片，则在第二预设周期内用户对该图片的处理方式可以为移动，即在第二预设周期内可以将该图片移动到百度云盘、坚果云盘、移动硬盘或U盘等除终端本地图片库以为的存储区域中。又如，第二样本图片的拍摄时间为周末晚八点，图片拍摄的环境为家庭环境，则在第二预设周期内用户对该图片的处理方式可以为保留，即在第二预设周期内可以将图片继续保存在终端本地图片库中。再如，第二样本图片的拍摄时间为周末晚10点，图片拍摄的环境为室外漆黑的小路上，则在第二预设周期内用户对该图片的处理方式可以为删除，即在第二预设周期内可以将该图片删除。

根据第二样本图片的拍摄信息及第二处理方式对第二样本图片进行标记，即分别将第二样本图片的拍摄信息及第二处理方式标记至第二样本图片中，将标记后的第二样本图片作为第二图片处理样本集。并根据第二图片处理样本集，基于设定的第二机器学习算法对图片处理模型进行训练。

在一些实施例中，还包括：获取拍摄预览图像；将拍摄预览图像输入至图片保存位置确定模型，获取图片保存位置确定模型输出的拍摄预览图像的第一保存位置；对拍摄预览图像进行拍摄生成目标拍摄图片，并基于第一保存位置对目标拍摄图片进行保存。这样设置的好处在于，在对图片拍摄时，就可以直接根据图片保存位置确定模型确定刚拍摄好的图片的保存位置，从而将其存放在相应的位置，可以减少后续对待处理图片处理的工作量。

在本申请实施例中，待处理照片可以包括终端拍摄的图片，因此，为了减少后续待处理图片处理的工作量，可以在图片进行拍摄时，直接将拍摄的图片保存在相应位置。

当用户需要拍照时，打开终端的拍摄功能，如打开终端中的相机应用，进入拍摄预览界面，获取拍摄预览界面中的图像，即拍摄预览图像。可以理解的是，拍摄预览图像可以包括用户想要拍摄的内容(如人物、风景等)在拍摄预览界面呈现的图像。将拍摄预览图像输入至图片保存位置确定模型中，获取图片保存位置确定模型输出的该拍摄预览图像的第一保存位置。其中，拍摄预览图像的第一保存位置可以理解的为基于拍摄预览图像拍摄生成的图片的保存位置。第一保存位置可以包括终端本地保存(终端本地图片库)和网络保存(如终端设备中的百度云盘、坚果云盘等网盘)。当第一保存位置为终端本地保存时，可以理解的是直接将拍摄的图片保存在终端本地；当第一保存位置为网络保存时，可以理解的是将拍摄的图片保存在百度云盘、坚果云盘等网盘中，此时，拍摄的图片不会占用终端***内存。当然，第一保存位置还可以包括保存在终端的回收站或是垃圾箱等位置，可以理解的是，保存终端回收站或垃圾箱的拍摄图片为用户丢弃或将要删除的图片，用户可以一键将回收站或垃圾箱中的相关图片删除。第一保存位置还可以包括保存在可插拔的外部存储器中，如U盘、移动硬盘等设备中。

其中，图片保存位置确定模型可以理解为在输入拍摄预览图像后快速确定该拍摄预览图像的保存位置的学习模型。图片保存位置确定模型可以包括神经网络模型、决策树模型及随机森林模型等机器学习模型中的任意一种。图片保存位置确定模型可以是对图片样本库中的图片及图片对应的保存位置进行训练生成的。该图片保存位置确定模型的输入量为一张图片，输出量为该图片对应的保存位置。将拍摄预览图像输入至图片保存位置确定模型中，通过图片保存位置确定模型对该拍摄预览图像的分析，确定该拍摄预览图像的保存位置。示例性的，当图片保存位置确定模型分析出该拍摄预览图像的保存位置为终端本地时，可以将该拍摄预览图像进行拍摄生成的目标拍摄图片保存在终端本地；当图片保存位置确定模型分析出该拍摄预览图像的保存位置为网络保存时，可以将该拍摄预览图像进行拍摄生成的目标拍摄图片保存在百度云盘、坚果云盘等网络云盘中。

在一些实施例中，在将拍摄预览图像输入至图片保存位置确定模型之前，还包括：获取终端的拍摄图片，将拍摄图片作为第三样本图片；获取第三样本图片的第二保存位置，其中，第二保存位置包括终端本地保存和网络保存；根据第二保存位置对第三样本图片进行标记，获得图片保存位置确定样本集；根据图片保存位置确定样本集，基于设定的第三机器学习算法对图片保存位置确定模型进行训练。这样设置的好处在于，可以将终端拍摄的图片作为图片保存位置确定模型的样本来源，使得训练的图片保存位置确定模型更贴近用户对图片保存位置的真实情况，能够真实反映用户对拍摄的图片的保存位置的需求，进一步提高图片保存位置确定模型对拍摄预览图像进行拍摄生成的目标拍摄图片的保存位置判断的准确性。

获取终端的拍摄图片，可以理解的是，获取本机用户基于该终端在预设时间段内拍摄的图片。并将终端的拍摄图片作为第三样本图片。其中，终端的拍摄图片，即第三样本图片的保存位置不同，获取第三样本图片的保存位置，即第二保存位置。其中，第二保存位置可以包括终端本地保存和网络保存。第二保存位置为终端本地保存时，可以理解的是，第二样本图片保存在终端的本地，(如本地图片库)，当用户查看该图片时，方便用户直接打开终端点击查看；第二保存位置为网络保存时，可以理解的是，第二样本图片保存在百度云盘、坚果云盘等网络云盘中，当用户查看该图片时，需要在连接有无线网络或移动数据网络开启时，进入网络云盘点击查看。

在本申请实施例中，根据第二保存位置对第三样本图片进行标记，即标记第三样本图片的保存位置。例如，第二保存位置为终端本地保存时，用0表示，并将对应的第三样本图片标记为0；第二保存位置为网络保存时，用1表示，并将对应的第三样本图片标记为1。将标记好保存位置的第三样本图片作为图片保存位置确定样本集，并根据图片保存位置确定样本集，基于设定的第三机器学习算法对图片保存位置确定模型进行训练。可以理解的是，将标记好保存位置的第三样本图片作为训练样本，对设定的第三机器学习模型进行训练，生成图片保存位置确定模型。其中，设定的第三机器学习算法或设定的第三机器学习模型可以包括神经网络模型、决策树模型、随机森林模型及朴素贝叶斯模型中的任意一种。本申请实施例对第三机器学习算法的具体算法不做限定。

需要说明的是，第一机器学习算法、第二机器学习算法及第三机器学习算法可以相同，也可以不同，本申请实施例对此不作限定。

在一些实施例中，在根据处理方式对待处理图片进行处理操作之后，还包括：接收用户对处理方式的反馈信息；将反馈信息发送至图片处理模型进行训练。这样设置的好处在于，通过用户对处理方式的反馈信息，更有利于图片处理模型输出待处理图像正确的处理方式，并且随时根据用户的反馈信息调整图片处理模型的网络参数，能够及时降低待处理图片的处理方式误判断情况发生的概率。

其中，反馈信息可以理解为用户对图片处理模型输出的待处理图片的处理方式的修正信息或者评判信息。示例性的，可以在终端设备的人机交互界面中设置对图片处理模型输出的处理方式的修正选项或评判选项。其中，修正选项可以包括“是”和“否”两个选项，当修正选项为“是”时，表示用户对图片处理模型输出的处理方式是认可的，此时，可以直接基于图片处理模型输出的处理方式对待处理图片进行相应的处理操作。而当修正选项为“是”时，表示用户对图片处理模型输出的处理方式不认可，此时，可以根据用户修改后的处理方式对待处理图片进行相应的处理操作。评判选项可以包括“正确”和“不正确”两个选项，当评判选项为“正确”时，即接收到用户输入“正确”的评判指令时，表示用户对图片处理模型输出的处理方式是认可的，此时，可以直接基于图片处理模型输出的处理方式对待处理图片进行相应的处理操作。而当评判选项为“不正确”时，即接收到用户输入的“不正确”的评判指令时，表示用户对图片处理模型输出的处理方式不认可，此时，接收用户输入的正确的处理方式，并基于正确的处理方式对待处理图片进行相应的处理操作。本申请实施例对接收用户对处理方式的反馈信息的具体形式不作限定。终端接收用户对图片处理模型输出的待处理图片的处理方式的反馈信息，并将反馈信息发送至图片处理模型，以对图片处理模型的网络参数进行适应性调整。

图2为本申请实施例提供的图片处理方法的流程示意图。如图2所示，该方法包括：

步骤201、获取待处理图片。

步骤202、获取网络平台图片库中的第一样本图片,并获取第一样本图片的图片信息。

步骤203、根据图片信息确定第一预设周期内第一样本图片的第一处理方式。

步骤204、根据第一处理方式对第一样本图片进行标记，获得第一图片处理样本集。

步骤205、根据第一图片处理样本集，基于设定的第一机器学习算法对图片处理模型进行训练。

步骤206、将待处理图片输入至图片处理模型。

步骤207、通过图片处理模型获取待处理图片的处理方式。

步骤208、根据处理方式对待处理图片进行处理操作。

需要说明的是，步骤202-步骤205可以在执行本申请实施例提供的技术方案之前执行。可以理解的是，在执行本申请实施例提供的技术方案前，已经根据第一图片处理样本集，基于设定的第一机器学习算法对图片处理模型训练好。当需要将待处理图片输入至图片处理模型时，可以直接调用图片处理模型。

本申请实施例提供的图片处理方法，获取网络平台图片库中的第一样本图片,并获取第一样本图片的图片信息，根据图片信息确定第一预设周期内第一样本图片的第一处理方式，根据第一处理方式对第一样本图片进行标记，获得第一图片处理样本集，根据第一图片处理样本集，基于设定的第一机器学***台图片作为图片处理模型的训练样本的来源，可以大大提高图片处理模型训练的准确性。

图3为本申请实施例提供的图片处理方法的流程示意图。如图3所示，该方法包括：

步骤301、获取待处理图片。

步骤302、获取本地图片库中的第二样本图片。

步骤303、获取第二预设周期内用户对第二样本图片的第二处理方式。

步骤304、获取第二样本图片的拍摄信息。

步骤305、根据第二处理方式及拍摄信息对第二样本图片进行标记，获得第二图片处理样本集。

步骤306、根据第二图片处理样本集，基于设定的第二机器学习算法对图片处理模型进行训练。

步骤307、将待处理图片输入至图片处理模型。

步骤308、通过图片处理模型获取待处理图片的处理方式。

步骤309、根据处理方式对待处理图片进行处理操作。

步骤310、接收用户对处理方式的反馈信息。

步骤311、将反馈信息发送至图片处理模型进行训练。

需要说明的是，本申请实施例对步骤303-步骤304的执行顺序不做限定，可以同时执行步骤303-步骤304，也可以按照一定顺序依次执行。另外，步骤302-步骤306可以在执行本申请实施例提供的技术方案之前执行。可以理解的是，在执行本申请实施例提供的技术方案前，已经根据第二图片处理样本集，基于设定的第二机器学习算法对图片处理模型训练好。当需要将待处理图片输入至图片处理模型时，可以直接调用图片处理模型。

本申请实施例提供的图片处理方法，将终端本地图片库中的图片作为图片处理模型的样本来源，使得训练的图片处理模型更贴近用户对图片处理操作的真实情况，能够真实反映用户对待处理图片的处理方式的需求。同时根据图片本身及图片的拍摄信息对图片处理模型进行训练，即增加图片处理模型的训练特征，能够进一步提高图片处理模型训练的精度，从而进一步提高图片处理模型对待处理图片的处理方式判断的准确性。并通过用户对处理方式的反馈信息，更有利于图片处理模型输出待处理图像正确的处理方式，并且随时根据用户的反馈信息调整图片处理模型的网络参数，能够及时降低待处理图片的处理方式误判断情况发生的概率。

图4为本申请实施例提供的图片处理方法的流程示意图。如图4所示，该方法包括：

步骤401、获取拍摄预览图像。

步骤402、获取终端的拍摄图片，将拍摄图片作为第三样本图片。

步骤403、获取第三样本图片的第二保存位置。

其中，第二保存位置包括终端本地保存和网络保存。

步骤404、根据第二保存位置对第三样本图片进行标记，获得图片保存位置确定样本集。

步骤405、根据图片保存位置确定样本集，基于设定的第三机器学习算法对图片保存位置确定模型进行训练。

步骤406、将拍摄预览图像输入至图片保存位置确定模型，获取图片保存位置确定模型输出的拍摄预览图像的第一保存位置。

步骤407、对拍摄预览图像进行拍摄生成目标拍摄图片，并基于第一保存位置对目标拍摄图片进行保存。

步骤408、获取待处理图片。

步骤409、将待处理图片输入至图片处理模型。

步骤410、通过图片处理模型获取待处理图片的处理方式。

步骤411、根据处理方式对待处理图片进行处理操作。

需要说明的是，步骤402-步骤405可以在执行本申请实施例提供的技术方案之前执行。可以理解的是，在执行本申请实施例提供的技术方案前，已经根据图片保存位置确定样本集，基于设定的第三机器学习算法对图片保存位置确定模型训练好。当需要将拍摄预览图像输入至图片保存位置确定模型时，可以直接调用图片保存位置确定模型。

本申请实施例提供的图片处理方法，在对图片拍摄时，就可以直接根据图片保存位置确定模型确定刚拍摄好的图片的保存位置，从而将其存放在相应的位置，可以减少后续对待处理图片处理的工作量。

图5为本申请实施例提供的一种图片处理装置的结构示意图，该装置可由软件和/或硬件实现，一般集成在移动终端上，可通过执行图片处理方法来确定拍摄预览图像的拍摄方式，并基于拍摄方式对拍摄预览图像进行拍摄，从而实现对拍摄照片的加密保存或普通保存。如图5所示，该装置包括：

待处理图片获取模块501，用于获取待处理图片；

待处理图片输入模块502，用于将所述待处理图片输入至图片处理模型；

处理方式获取模块503，用于通过所述图片处理模型获取所述待处理图片的处理方式；

操作处理模块504，用于根据所述处理方式对所述待处理图片进行处理操作。

本申请实施例提供的图片处理装置，获取待处理图片，并将待处理图片输入至图片处理模型，通过图片处理模型获取待处理图片的处理方式，然后根据处理方式对待处理图片进行处理操作，可以准确地确定待处理图片具体的处理方式，不仅解决了对需要处理的图片盲目删减造成无法弥补的损失，或剪切移动到其他存储器后图片易丢失的技术问题，而且可以简单、快捷地对待处理图片进行相应的处理操作，有效减少终端***内存占用率，满足用户需求。

可选的，该装置还包括：

第一样本图片获取模块，用于将所述待处理图片输入至图片处理模型之前，获取网络平台图片库中的第一样本图片,并获取所述第一样本图片的图片信息；

第一处理方式确定模块，用于根据所述图片信息确定第一预设周期内所述第一样本图片的第一处理方式；

第一样本集获取模块，用于根据所述第一处理方式对所述第一样本图片进行标记，获得第一图片处理样本集；

第一训练模块，用于根据所述第一图片处理样本集，基于设定的第一机器学习算法对图片处理模型进行训练。

可选的，该装置还包括：

第二样本图片获取模块，用于在将所述待处理图片输入至图片处理模型之前，获取本地图片库中的第二样本图片；

第二处理方式获取模块，用于获取第二预设周期内用户对所述第二样本图片的第二处理方式；

第二样本集获取模块，用于根据所述第二处理方式对所述第二样本图片进行标记，获得第二图片处理样本集；

第二训练模块，用于根据所述第二图片处理样本集，基于设定的第二机器学习算法对图片处理模型进行训练。

可选的，该装置还包括：

拍摄信息获取模块，用于获取所述第二样本图片的拍摄信息；

相应的，所述第二样本集获取模块，用于：

根据所述第二处理方式及所述拍摄信息对所述第二样本图片进行标记，获得第二图片处理样本集。

可选的，所述拍摄信息包括：图片拍摄时间、图片拍摄地点及图片拍摄的环境信息中的任意一种或多种的组合。

可选的，该装置还包括：

拍摄预览图像获取模块，用于获取拍摄预览图像；

第一保存位置获取模块，用于将所述拍摄预览图像输入至图片保存位置确定模型，获取所述图片保存位置确定模型输出的所述拍摄预览图像的第一保存位置；

目标拍摄图片保存模块，用于对所述拍摄预览图像进行拍摄生成目标拍摄图片，并基于所述第一保存位置对所述目标拍摄图片进行保存。

可选的，该装置还包括：

第三样本图片获取模块，用于在将所述拍摄预览图像输入至图片保存位置确定模型之前，获取终端的拍摄图片，将所述拍摄图片作为第三样本图片；

第二保存位置获取模块，用于获取所述第三样本图片的第二保存位置，其中，所述第二保存位置包括终端本地保存和网络保存；

第三样本集获取模块，用于根据所述第二保存位置对所述第三样本图片进行标记，获得图片保存位置确定样本集；

第三训练模块，用于根据所述图片保存位置确定样本集，基于设定的第三机器学习算法对图片保存位置确定模型进行训练。

可选的，该装置还包括：

反馈信息接收模块，用于在根据所述处理方式对所述待处理图片进行处理操作之后，接收用户对所述处理方式的反馈信息；

反馈信息发送模块，用于将所述反馈信息发送至所述图片处理模型进行训练。

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于图片处理方法，该方法包括：

获取待处理图片；

将所述待处理图片输入至图片处理模型；

通过所述图片处理模型获取所述待处理图片的处理方式；

根据所述处理方式对所述待处理图片进行处理操作。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机***存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机***中，或者可以位于不同的第二计算机***中，第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的图片处理操作，还可以执行本申请任意实施例所提供的图片处理方法中的相关操作。

本申请实施例提供了一种终端，该终端中可集成本申请实施例提供的图片处理装置。图6为本申请实施例提供的一种终端的结构框图。如图6所示，终端600可以包括：存储器601，处理器602及存储在存储器上并可在处理器运行的计算机程序，所述处理器602执行所述计算机程序时实现如本申请实施例所述的图片处理方法。

本申请实施例提供的终端，首先获取待处理图片，并将待处理图片输入至图片处理模型，通过图片处理模型获取待处理图片的处理方式，然后根据处理方式对待处理图片进行处理操作。通过预先生成的图片处理模型对待处理图片进行分析，确定待处理图片具体的处理方式，并基于该处理方式对其执行相应的处理操作，可以准确地确定待处理图片具体的处理方式，不仅解决了对需要处理的图片盲目删减造成无法弥补的损失，或剪切移动到其他存储器后图片易丢失的技术问题，而且可以简单、快捷地对待处理图片进行相应的处理操作，有效减少终端***内存占用率，满足用户需求。

图7为本申请实施例提供的又一种移动终端的结构示意图，如图7所示，该移动终端可以包括：壳体(图中未示出)、存储器701、中央处理器(central processing unit，CPU)702(又称处理器，以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述CPU702和所述存储器701设置在所述电路板上；所述电源电路，用于为所述移动终端的各个电路或器件供电；所述存储器701，用于存储可执行程序代码；所述CPU702通过读取所述存储器701中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：

获取待处理图片；

将所述待处理图片输入至图片处理模型；

通过所述图片处理模型获取所述待处理图片的处理方式；

根据所述处理方式对所述待处理图片进行处理操作。

所述移动终端还包括：外设接口703、RF(Radio Frequency，射频)电路705、音频电路706、扬声器711、电源管理芯片708、输入/输出(I/O)子***709、其他输入/控制设备710、触摸屏712、其他输入/控制设备710以及外部端口704，这些部件通过一个或多个通信总线或信号线707来通信。

应该理解的是，图示移动终端700仅仅是移动终端的一个范例，并且移动终端700可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。

下面就本实施例提供的用于图片处理的移动终端进行详细的描述，该移动终端以手机为例。

存储器701，所述存储器701可以被CPU702、外设接口703等访问，所述存储器701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，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

外设接口703，所述外设接口703可以将设备的输入和输出外设连接到CPU702和存储器701。

I/O子***709，所述I/O子***709可以将设备上的输入输出外设，例如触摸屏712和其他输入/控制设备710，连接到外设接口703。I/O子***709可以包括显示控制器7091和用于控制其他输入/控制设备710的一个或多个输入控制器7092。其中，一个或多个输入控制器7092从其他输入/控制设备710接收电信号或者向其他输入/控制设备710发送电信号，其他输入/控制设备710可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器7092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。

触摸屏712，所述触摸屏712是用户移动终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。

I/O子***709中的显示控制器7091从触摸屏712接收电信号或者向触摸屏712发送电信号。触摸屏712检测触摸屏上的接触，显示控制器7091将检测到的接触转换为与显示在触摸屏712上的用户界面对象的交互，即实现人机交互，显示在触摸屏712上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。

RF电路705，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路705接收并发送RF信号，RF信号也称为电磁信号，RF电路705将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路705可以包括用于执行这些功能的已知电路，其包括但不限于天线***、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。

音频电路706，主要用于从外设接口703接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器711。

扬声器711，用于将手机通过RF电路705从无线网络接收的语音信号，还原为声音并向用户播放该声音。

电源管理芯片708，用于为CPU702、I/O子***及外设接口所连接的硬件进行供电及电源管理。

上述实施例中提供的图片处理装置、存储介质及终端可执行本申请实施例所提供的对应的图片处理方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的图片处理方法。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (11)

1.一种图片处理方法，其特征在于，包括：

获取待处理图片；

将所述待处理图片输入至图片处理模型；

通过所述图片处理模型获取所述待处理图片的处理方式；

根据所述处理方式对所述待处理图片进行处理操作。

2.根据权利要求1所述的方法，其特征在于，在将所述待处理图片输入至图片处理模型之前，还包括：

获取网络平台图片库中的第一样本图片,并获取所述第一样本图片的图片信息；

根据所述图片信息确定第一预设周期内所述第一样本图片的第一处理方式；

根据所述第一处理方式对所述第一样本图片进行标记，获得第一图片处理样本集；

根据所述第一图片处理样本集，基于设定的第一机器学习算法对图片处理模型进行训练。

3.根据权利要求1所述的方法，其特征在于，在将所述待处理图片输入至图片处理模型之前，还包括：

获取本地图片库中的第二样本图片；

获取第二预设周期内用户对所述第二样本图片的第二处理方式；

根据所述第二处理方式对所述第二样本图片进行标记，获得第二图片处理样本集；

根据所述第二图片处理样本集，基于设定的第二机器学习算法对图片处理模型进行训练。

4.根据权利要求3所述的方法，其特征在于，还包括：

获取所述第二样本图片的拍摄信息；

相应的，根据所述第二处理方式对所述第二样本图片进行标记，获得第二图片处理样本集，包括：

根据所述第二处理方式及所述拍摄信息对所述第二样本图片进行标记，获得第二图片处理样本集。

5.根据权利要求4所述的方法，其特征在于，所述拍摄信息包括：图片拍摄时间、图片拍摄地点及图片拍摄的环境信息中的任意一种或多种的组合。

6.根据权利要求1所述的方法，其特征在于，还包括：

获取拍摄预览图像；

将所述拍摄预览图像输入至图片保存位置确定模型，获取所述图片保存位置确定模型输出的所述拍摄预览图像的第一保存位置；

对所述拍摄预览图像进行拍摄生成目标拍摄图片，并基于所述第一保存位置对所述目标拍摄图片进行保存。

7.根据权利要求6所述的方法，其特征在于，在将所述拍摄预览图像输入至图片保存位置确定模型之前，还包括：

获取终端的拍摄图片，将所述拍摄图片作为第三样本图片；

获取所述第三样本图片的第二保存位置，其中，所述第二保存位置包括终端本地保存和网络保存；

根据所述第二保存位置对所述第三样本图片进行标记，获得图片保存位置确定样本集；

根据所述图片保存位置确定样本集，基于设定的第三机器学习算法对图片保存位置确定模型进行训练。

8.根据权利要求1-7任一所述的方法，其特征在于，在根据所述处理方式对所述待处理图片进行处理操作之后，还包括：

接收用户对所述处理方式的反馈信息；

将所述反馈信息发送至所述图片处理模型进行训练。

9.一种图片处理装置，其特征在于，包括：

待处理图片获取模块，用于获取待处理图片；

待处理图片输入模块，用于将所述待处理图片输入至图片处理模型；

处理方式获取模块，用于通过所述图片处理模型获取所述待处理图片的处理方式；

操作处理模块，用于根据所述处理方式对所述待处理图片进行处理操作。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的图片处理方法。

11.一种终端，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任一所述的图片处理方法。