一种图像分类的方法、装置和存储介质与流程

本申请涉及计算机技术领域，尤其涉及一种图像分类的方法、装置和存储介质。

背景技术：

合成孔径雷达(syntheticapertureradar，sar)是一种高分辨率成像雷达，可以获取到不同分辨率的目标二维图像。由于sar不受天气、光线和其他条件的限制并且能够获得大量的信息，因此通过sar获取信息的方式已经被广泛应用于城市规划、覆被分类、灾害预防、环境风险评估、城市检测与提取等领域。其中，在遥感图像分类领域，为提高分类精度，已经开发出了很多半监督方法，其中大多数方法都集中在半监督分类器上，如基于支持向量机(supportvectormachine,svm)分类器进行改进。

一般来说，这些基于支持向量机的半监督方法主要是通过标记样本和未标记样本的分布来调整学习分类器的边界。支持向量机的半监督方法一般会采用深度学习的方法，计算量大，且对图形处理器(graphicsprocessingunit，gpu)要求较高，训练出来的模型通用性不大，且容易过拟合，且半监督分类器需要考虑具体的分类器选择问题。采用支持向量机的半监督方法在处理待分类图像地物分类问题时可能出现均质区域内像素点错分过多的问题，地物分类的精准度较低。

技术实现要素：

本申请实施例提供了一种图像分类的方法，克服了待分类图像分类均质区域内像素点错分过多的问题。

该方法包括：

获取待分类图像样本；

在所述待分类图像样本中提取强度比特征，其中，至少包含与分类标签的类型相同数量的标记有所述分类标签的所述强度比特征；

根据所述标记有所述分类标签的所述强度比特征，生成多个原型特征集；

将待分类图像样本投影至所述原型特征集，生成所述待分类图像样本中包含的像素点对应的图像特征；

将生成的多个所述图像特征输入分类器，对所述分类器进行训练，并生成图像分类模型；

将获取的待分类图像输入所述图像分类模型，生成与所述待分类图像对应的所述分类标签。

可选地，确定所述待分类图像样本的图像边界，并围绕所述图像边界进行边界扩展；

按照不同的像素规模，分别在经过边界扩展后的所述待分类图像样本中划分出与所述像素规模的大小相同的多个图像块，其中，在同一张所述待分类图像中的相邻的所述图像块之间的部分像素点重合。

可选地，在至少一张按照对应的所述像素规模划分后的所述待分类图像样本中计算至少一个所述图像块的灰度比；

根据所述灰度比确定灰度比区间差值，并按照所述灰度比区间差值划分灰度区间；

统计至少一个所述灰度区间中的所述灰度值的个数，将各个所述灰度区间中确定的灰度值的所述个数组成的数组确定为所述图像块对应的所述强度比特征，并在至少一张所述待分类图像样本中提取包含的所述强度比特征。

可选地，确定所述图像块的灰度向量；

将所述图像块的所述灰度向量和所述图像块的中心像素点的灰度向量的差与所述图像块的中心像素点的灰度向量的比值作为所述图像块的灰度比。

可选地，在至少一张所述待分类图像样本中，计算所述标记有所述分类标签的所述强度比特征与未标记所述分类标签的所述强度比特征的第一相似度，并在所述相似度满足预设阈值的所述未标记所述分类标签的所述强度比特征上标记与所述第一相似度对应的所述分类标签，以将标记有所述分类标签的所述强度比特征作为对应的所述待分类图像样本的所述原型特征集。

可选地，将所述待分类图像样本投影在至少一个所述原型特征集上，计算所述待分类图像样本包含的像素点与所述原型特征集的第二相似度；

将所述待分类图像样本中的至少一个像素点对应在至少一个所述原型特征集中的所述第二相似度进行矢量叠加，生成所述待分类图像样本中包含的像素点对应的图像特征，其中，所述图像特征包含在对应的所述原型特征集中的所述分类标签。

可选地，在每一类所述分类标签对应的所述图像特征中选取预设数量个所述图像特征，并将选取的所述预设数量个所述图像特征输入所述分类器，并对所述分类器进行训练，以生成所述图像分类模型。

在本发明的另一个实施例中，提供了一种图像分类的装置，该装置包括：

获取模块，用于获取待分类图像样本；

提取模块，用于在所述待分类图像样本中提取强度比特征，其中，至少包含与分类标签的类型相同数量的标记有所述分类标签的所述强度比特征；

第一生成模块，用于根据所述标记有所述分类标签的所述强度比特征，生成多个原型特征集；

第二生成模块，用于将待分类图像样本投影至所述原型特征集，生成所述待分类图像样本中包含的像素点对应的图像特征；

第三生成模块，用于将生成的多个所述图像特征输入分类器，对所述分类器进行训练，并生成图像分类模型；

第四生成模块，用于将获取的待分类图像输入所述图像分类模型，生成与所述待分类图像对应的所述分类标签。

可选地，所述装置进一步包括：

确定模块，用于确定所述待分类图像样本的图像边界，并围绕所述图像边界进行边界扩展；

划分模块，用于按照不同的像素规模，分别在经过边界扩展后的所述待分类图像样本中划分出与所述像素规模的大小相同的多个图像块，其中，在同一张所述待分类图像中的相邻的所述图像块之间的部分像素点重合。

可选地，所述提取模块包括：

计算单元，用于在至少一张按照对应的所述像素规模划分后的所述待分类图像样本中计算至少一个所述图像块的灰度比；

划分单元，用于根据所述灰度比确定灰度比区间差值，并按照所述灰度比区间差值划分灰度区间；

确定单元，用于统计至少一个所述灰度区间中的所述灰度值的个数，将各个所述灰度区间中确定的灰度值的所述个数组成的数组确定为所述图像块对应的所述强度比特征，并在至少一张所述待分类图像样本中提取包含的所述强度比特征。

可选地，所述计算单元包括：

第一确定子单元，用于确定所述图像块的灰度向量；

第二确定子单元，用于将所述图像块的所述灰度向量和所述图像块的中心像素点的灰度向量的差与所述图像块的中心像素点的灰度向量的比值作为所述图像块的灰度比。

可选地，所述第一生成模块还用于：

在至少一张所述待分类图像样本中，计算所述标记有所述分类标签的所述强度比特征与未标记所述分类标签的所述强度比特征的第一相似度，并在所述相似度满足预设阈值的所述未标记所述分类标签的所述强度比特征上标记与所述第一相似度对应的所述分类标签，以将标记有所述分类标签的所述强度比特征作为对应的所述待分类图像样本的所述原型特征集。

可选地，所述第二生成模块包括：

计算子单元，用于将所述待分类图像样本投影在至少一个所述原型特征集上，计算所述待分类图像样本包含的像素点与所述原型特征集的第二相似度；

生成子单元，用于将所述待分类图像样本中的至少一个像素点对应在至少一个所述原型特征集中的所述第二相似度进行矢量叠加，生成所述待分类图像样本中包含的像素点对应的图像特征，其中，所述图像特征包含在对应的所述原型特征集中的所述分类标签。

可选地，所述第三生成模块还用于：

在每一类所述分类标签对应的所述图像特征中选取预设数量个所述图像特征，并将选取的所述预设数量个所述图像特征输入所述分类器，并对所述分类器进行训练，以生成所述图像分类模型。

在本发明的另一个实施例中，提供了一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行上述一种图像分类的方法中的各个步骤。

在本发明的另一个实施例中，提供了一种终端设备，包括处理器，所述处理器用于执行上述一种图像分类的方法中的各个步骤。

基于上述实施例，首先获取待分类图像样本，并在待分类图像样本中提取强度比特征，其中，至少包含与分类标签的类型相同数量的标记有分类标签的强度比特征，其次，根据标记有分类标签的强度比特征，生成多个原型特征集，然后，将待分类图像样本投影至原型特征集，生成待分类图像样本中包含的像素点对应的图像特征，进一步地，将生成的多个图像特征输入分类器，对分类器进行训练，并生成图像分类模型，最后，将获取的待分类图像输入图像分类模型，生成与待分类图像的分类标签。本申请实施例通过利用少量的标记有分类标签的样本数据和大量的未标记数据来获得更好的特征表示，充分且准确的提取待分类图像样本的图像特征，并使用图像特征对分类器进行训练，提升图像分类模型分类的精确性，以减少待分类图像在进行地物分类时均质区域内出现像素点错分的问题，提升待分类图像地物分类的精准度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例100所提供的一种图像分类的方法的流程示意图；

图2示出了本申请实施例200提供的一种图像分类的方法的具体流程的示意图；

图3示出了本申请实施例300还提供一种图像分类的装置的示意图；

图4示出了本申请实施例400所提供的一种终端设备的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。

基于现有技术中的问题，本申请实施例提供了一种图像分类的方法，主要适用于互联网技术领域。通过提取待分类图像中的强度比特征，并通过基于集成投影(ensembleprojection，ep)的无监督特征学习方法，构建待分类图像对应的多个图像特征，并根据图像特征训练出分类更为精确的图像分类模型，以实现本申请的一种图像分类的方法。下面以具体实施例对本发明的技术方案进行详细说明，以实现一种图像分类的方法。以下几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。如图1所示，为本申请实施例100提供的一种图像分类的方法的流程示意图。其中，详细步骤如下：

s11，获取待分类图像样本。

本步骤中，这里的待分类样本图像主要为以微波遥感方式采集的待分类图像主要指以合成孔径雷达采集的sar图像。进一步地，通过分辨率较高的相干成像雷达系统获取待分类图像，即通过天线给向拍摄图像发射能量，同时也通过合成孔径雷达接收能量，全部的能量都通过电子设备记录下来，最后形成待分类图像样本。其中，待分类图像样本可以记录包括相位、振幅、强度在内的多种信息，且斑点噪声是其固有特性。另外，待分类图像样本的分辨率相对较低、信噪比较低。

s12，在待分类图像样本中提取强度比特征，其中，至少包含与分类标签的类型相同数量的标记有分类标签的强度比特征。

本步骤中，在待分类图像样本中提取强度比特征，其中，强度比特征用于描述待分类图像样本中的划分的各个像素块的强度比值。进一步地，在待分类图像样本中提取强度比特征后，在其中部分强度比特征上标记与该强度比特征对应的分类标签，且其中包含该待分类图像样本中对应的所有分类标签的类型。

s13，根据标记有分类标签的强度比特征，生成多个原型特征集。

本步骤中，基于部分标记有分类标签的强度比特征，通过相似度算法在其它未标记分类标签的强度比特征中选择与标记有分类标签的强度比特征相似度较高的强度比特征，并为该相似度较高的强度比特征标记该分类标签。此时，从该待分类图像样本中提取出的所有强度比特征均携带有分类标签，组成该待分类图像样本的原型特征集。当有锁哥待分类图像样本时，对应生成多个原型特征集。

s14，将待分类图像样本投影至原型特征集，生成待分类图像样本中包含的像素点对应的图像特征。

本步骤中，基于逻辑回归算法为每种强度比特征训练逻辑回归分类器，并将待分类图像样本通过逻辑回归分类器投影至与该待分类图像样本对应的原型特征集中。可选地，待分类图像样本包含多种强度比特征，因此可以对应训练生成多种逻辑回归分类器。通过各个逻辑回归分类模型将待分类图像样本投影至原型特征集中，生成待分类图像样本上的各个像素点与对应的强度比特征的相似度。进一步地，将在各个逻辑回归分类模型下的各个像素点的相似度进行矢量叠加，作为待分类图像样本中包含的对应的像素点的图像特征。

s15，将生成的多个图像特征输入分类器，对分类器进行训练，并生成图像分类模型。

本步骤中，在对获取的待分类图像样本进行上述处理后，得到每张待分类图像样本的多个图像特征，并将多个图像特征作为样本与每个图像特征对应的分类标签一起输入分类器，对分类器进行训练，生成图像分类模型。

s16,将获取的待分类图像输入图像分类模型，生成与待分类图像对应的分类标签。

本步骤中,获取需要进行分类的待分类图像，并输入上述训练生成的图像分类模型中，生成与该待分类图像对应的分类标签。

如上所述，基于上述实施例，首先获取待分类图像样本，并在待分类图像样本中提取强度比特征，其中，至少包含与分类标签的类型相同数量的标记有分类标签的强度比特征，其次，根据标记有分类标签的强度比特征，生成多个原型特征集，然后，将待分类图像样本投影至原型特征集，生成待分类图像样本中包含的像素点对应的图像特征，进一步地，将生成的多个图像特征输入分类器，对分类器进行训练，并生成图像分类模型，最后，将获取的待分类图像输入图像分类模型，生成与待分类图像的分类标签。本申请实施例通过利用少量的标记有分类标签的样本数据和大量的未标记数据来获得更好的特征表示，充分且准确的提取待分类图像样本的图像特征，并使用图像特征对分类器进行训练，提升图像分类模型分类的精确性，以减少待分类图像在进行地物分类时均质区域内出现像素点错分的问题，提升待分类图像地物分类的精准度。

如图2所示，为本申请实施例200提供的一种图像分类的方法的具体流程的示意图。其中，该具体流程的详细过程如下：

s201，获取待分类图像样本。

这里，获取的以微波遥感方式采集的待分类图像样本，其中，待分类图像样本主要指以合成孔径雷达采集的sar图像。

s202，对待分类图像样本进行预处理。

这里，确定每个待分类图像样本的图像边界，并围绕图像边界进行边界扩展，将经过边界扩展的待分类图像样本划分为多个图像块。可选地，针对每个待分类图像样本中的像素点，围绕像素点的边界进行镜像反射，以对待分类图像样本进行边界扩展。

进一步地，对扩展后的待分类图像样本进行划分，划分为多个图像块。具体的，按照不同的像素规模，分别在经过边界扩展后的待分类图像样本中划分出与像素规模的大小相同的多个图像块。其中，相邻的图像块之间的部分像素点重合。如按照2*2的像素规模，将扩展后的待分类图像样本划分为多个2*2大小的图像块；按照3*3的像素规模，将扩展后的待分类图像划分为多个3*3大小的图像块。经过该步骤的处理，待分类图像块被分别按照不同的像素规模划分为多种不同规模的图像块。

s203，在待分类图像样本中提取强度比特征。

这里，在至少一张按照对应的像素规模划分后的待分类图像样本中计算至少一个图像块的强度比特征。基于按照不同的像素规模划分的图像块，可以在待分类图像中提取出与划分的像素规模类型对应的多种强度比特征。

具体的，在至少一张按照对应的像素规模划分后的待分类图像样本中计算至少一个图像块的灰度比。其中，确定图像块的灰度向量，并将图像块的灰度向量和图像块的中心像素点的灰度向量的差与图像块的中心像素点的灰度向量的比值作为图像块的灰度比。进一步地，根据灰度比确定灰度比区间差值，并按照灰度比区间差值划分灰度区间。统计至少一个灰度区间中的灰度值的个数，将各个灰度区间中确定的灰度值的个数组成的数组确定为图像块对应的强度比特征，并在至少一张待分类图像样本中提取包含的强度比特征。

其中，计算待分类图像样本中不同像素规模下的每个图像块的灰度比的步骤为，首先确定各个图像块的灰度向量int_n，将图像块中的每一个像素对应的灰度向量矢量叠加，生成该图像块的灰度比。进一步地，计算各个图像块的灰度比，将各个图像块的灰度向量和图像块的中心像素点的灰度向量的差与图像块的中心像素点的灰度向量的比值作为各个图像块的灰度比。则灰度比z为其中，intn表示该像素点所对应块的灰度向量，intensity_center表示与intn相同规模的灰度向量，且不为0，其值的大小均为图像块中心像素点的灰度值。

进一步地，对计算得出的灰度z进行标准高斯核函数映射，利用标准高斯核函数g函数对灰度比z进行映射，其中，σ表示正态分布的方差，μ表示正态分布的均值。进一步地，根据各个灰度比确定灰度比区间差值，并计算符合各个灰度比区间内的灰度比的个数。其中最大值为计算出来的每个像素块的灰度比中的最大值，最小值为计算出来的每个像素块的灰度比中的最小值。灰度比区间选取采用均分形式，比如选取10个区间，通过(最大值-最小值)/10来确定灰度比区间差值。统计各个灰度区间的个数并组成数组t＝{t1,t2,...,tn}作为该像素块的强度比特征。其中，下标n就是对应的区间：1-10。

最后，统计不同像素规模下的待分类图像样本包含的所有图像块的强度比特征，并将所有图像块的强度比特征对应的特征向量进行矢量叠加，作为该像素规模下的待分类图像样本的强度比特征。

s204，根据标记有分类标签的强度比特征，生成多个原型特征集。

这里，在按照上述步骤提取出待分类图像样本的强度比特征后，其中部分强度比特征标记有分类标签，且已经标记的分类标签的类型包括该待分类图像样本对应的所有类型。可选地，在至少一张待分类图像样本中，计算标记有分类标签的强度比特征与未标记分类标签的强度比特征的第一相似度，并在相似度满足预设阈值的未标记分类标签的强度比特征上标记与第一相似度对应的分类标签，以将标记有分类标签的强度比特征作为对应的待分类图像样本的原型特征集。其中，本申请实施例优选使用k最近邻(k-nearestneighbor，knn)分类算法在为标记分类标签的强度比特征中选择与标记有分类标签的强度比特征最为相似的强度比特征，并为该未标记分类标签的强度比特征标记最相似的标记有分类标签的强度比特征的分类标签。此时为未标记分类标签的强度比选择的分类标签为预测标签。

对每个不同像素规模下的待分类图像样本进行该步骤处理，生成对应的多个原型特征集。

s205，将待分类图像样本投影至原型特征集，生成待分类图像样本中包含的像素点对应的图像特征。

这里，将待分类图像样本投影在至少一个原型特征集上，计算待分类图像样本包含的像素点与原型特征集的第二相似度。进一步地，将待分类图像样本中的至少一个像素点对应在至少一个原型特征集中的第二相似度进行矢量叠加，生成待分类图像样本中包含的像素点对应的图像特征，其中，图像特征包含在对应的原型特征集中的分类标签。

可选地，在生成多个原型特征集后，采用判别学习作为基础学习方法并选择逻辑回归分类器将待分类图像分别投影在至少一个原型特征集上。进一步地，获取待分类图像上的至少一个像素点在投影后的原型特征集上的第二相似度。其中，第二相似度表示该像素点与投影的原型特征集上的强度比特征的相似度。并将待分类图像样本中的至少一个像素点对应在至少一个原型特征集中的第二相似度进行矢量叠加，作为该像素点对应的图像特征。通过前述方式可以直接针对分类可能性进行建模，无需事先假设数据分布，这样就避免了假设分布不准确所带来的问题，且不仅输出预测类别，还输出了近似的预测概率，提升了需要利用预测概率进行辅助决策的任务的效率。

s206，将生成的多个图像特征输入分类器，对分类器进行训练，并生成图像分类模型。

这里，在每一类分类标签对应的图像特征中选取预设数量个图像特征，并将选取的预设数量个图像特征输入分类器，并对分类器进行训练，以生成图像分类模型。可选地，可以在每一类分类标签对应的图像特征中选取预设数量个图像特征输入分类器，如预设数量为500个，在每一类分类标签中选取500个图像特征，放入分类器中进行训练，生成图像分类模型。

s207，将获取的待分类图像输入图像分类模型，生成与待分类图像对应的分类标签。

本申请基于上述步骤实现上述一种图像分类的方法。与半监督分类器采用深度学习算法，计算量大，训练的模型通用性较差，且容易过拟合的技术效果相比，本申请采用的本监督特征学习的方法，通过引用无监督学习的集成投影(ensembleprojection，ep)方法，利用少量标记分类标签的特征数据和大量未标记分类标签的特征数据共同建立一种判别特征表示，形成原型特征集，使得原型特征集的样本置信度更高且样本更加丰富。进一步地，将该像素点的强度比特征作为低级特征描述符，应用于ep方法。通过对原型特征集进行抽样，然后将待分类图像样本投影到采样原型特征集上，计算相似度，并把计算的概率分布作为最终结果特征表示。同时，选择原型特征集时选择有标记的强度比特征数据集作为评价标准并采取加入少量knn算法选择的无标签特征数据扩充原型数据集。

本申请实施例通过前述图像分类方法解决了应用于待分类图像尤其是sar图像的传统分类方法中图像分类均质区域内像素点错分过多的问题。

基于同一发明构思，本申请实施例300还提供一种图像分类的装置，其中，如图3所示，该装置包括：

获取模块31，用于获取待分类图像样本；

提取模块32，用于在待分类图像样本中提取强度比特征，其中，至少包含与分类标签的类型相同数量的标记有分类标签的强度比特征；

第一生成模块33，用于根据标记有分类标签的强度比特征，生成多个原型特征集；

第二生成模块34，用于将待分类图像样本投影至原型特征集，生成待分类图像样本中包含的像素点对应的图像特征；

第三生成模块35，用于将生成的多个图像特征输入分类器，对分类器进行训练，并生成图像分类模型；

第四生成模块36，用于将获取的待分类图像输入所述图像分类模型，生成与待分类图像对应的分类标签。

本实施例中，获取模块31、提取模块32、第一生成模块33、第二生成模块34、第三生成模块35和第四生成模块36的具体功能和交互方式，可参见图1对应的实施例的记载，在此不再赘述。

可选地，该装置进一步包括：

确定模块37，用于确定待分类图像样本的图像边界，并围绕图像边界进行边界扩展；

划分模块38，用于按照不同的像素规模，分别在经过边界扩展后的待分类图像样本中划分出与像素规模的大小相同的多个图像块，其中，在同一张待分类图像中的相邻的图像块之间的部分像素点重合。

可选地，提取模块32包括：

计算单元，用于在至少一张按照对应的像素规模划分后的待分类图像样本中计算至少一个图像块的灰度比；

划分单元，用于根据灰度比确定灰度比区间差值，并按照灰度比区间差值划分灰度区间；

确定单元，用于统计至少一个灰度区间中的所述灰度值的个数，将各个灰度区间中确定的灰度值的个数组成的数组确定为图像块对应的强度比特征，并在至少一张待分类图像样本中提取包含的强度比特征。

可选地，计算单元包括：

第一确定子单元，用于确定图像块的灰度向量；

第二确定子单元，用于将图像块的灰度向量和图像块的中心像素点的灰度向量的差与图像块的中心像素点的灰度向量的比值作为图像块的灰度比。

可选地，第一生成模块33还用于：

在至少一张待分类图像样本中，计算标记有分类标签的强度比特征与未标记分类标签的强度比特征的第一相似度，并在相似度满足预设阈值的未标记分类标签的强度比特征上标记与第一相似度对应的分类标签，以将标记有分类标签的强度比特征作为对应的待分类图像样本的原型特征集。

可选地，第二生成模块34包括：

计算子单元，用于将待分类图像样本投影在至少一个原型特征集上，计算待分类图像样本包含的像素点与原型特征集的第二相似度；

生成子单元，用于将待分类图像样本中的至少一个像素点对应在至少一个原型特征集中的第二相似度进行矢量叠加，生成待分类图像样本中包含的像素点对应的图像特征，其中，图像特征包含在对应的原型特征集中的分类标签。

可选地，第三生成模块35还用于：

在每一类分类标签对应的图像特征中选取预设数量个图像特征，并将选取的预设数量个图像特征输入所述分类器，并对分类器进行训练，以生成图像分类模型。

如图4所示，本申请的又一实施例400还提供一种终端设备，包括处理器401，其中，处理器401用于执行上述一种图像分类的方法的步骤。从图4中还可以看出，上述实施例提供的终端设备还包括非瞬时计算机可读存储介质402，该非瞬时计算机可读存储介质402上存储有计算机程序，该计算机程序被处理器401运行时执行上述一种图像分类的方法的步骤。实际应用中，该终端设备可以是一台或多台计算机，只要包括上述计算机可读介质和处理器即可。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘和flash等，该存储介质上的计算机程序被运行时，能够执行上述的一种图像分类的方法中的各个步骤。实际应用中，所述的计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的，也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或多个程序被执行时，能够执行上述的一种图像分类的方法中的各个步骤。

根据本申请公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件，或者上述的任意合适的组合，但不用于限制本申请保护的范围。在本申请公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

本申请附图中的流程图和框图，示出了按照本申请公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或者代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应该注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同附图中所标注的顺序发生。例如，两个连接地表示的方框实际上可以基本并行地执行，它们有时也可以按照相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或者流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本申请中。特别地，在不脱离本申请精神和教导的情况下，本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，所有这些组合和/或结合均落入本申请公开的范围。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行变更或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些变更、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。