一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质与流程

本发明涉及图像识别技术领域，特别涉及一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质。

背景技术

图像质量客观评价是指通过设计合理的算法使计算机自动精确地预测图像的感知质量。图像质量的评价结果可以为图像处理算法的参数优化、图像处理系统的性能评估和图像处理设备的质量检测提供重要的指标和依据，已成为图像处理领域的研究热点之一。其中，盲图像质量评价(blindimagequalityassessment，biqa)是指在没有参考图像的情况下对任意输入图像的视觉质量进行精确预测。由于在绝大多数的实际应用场景中，测试图像对应的参考图像是无法或难以得到的，因此对于盲图像质量评价的研究至关重要。

通过对现有文献的检索，目前无参考图像质量评价的代表性方法有两种。一种是anishmittal等人在2012年ieeetransactionsonimageprocessing,vol.21(12),pp.4695-4708(2012年ieee图像处理会刊第21卷12期，4695至4708页)上发表的“no-referenceimagequalityassessmentinthespatialdomain(空间域无参考图像质量评价)”一文中提出的用于无参考图像质量评价的自然图像统计特征构建方法(简称为brisque)。该方法直接对多个不同尺度或方位的预处理图像拟合广义高斯分布模型，将模型参数共计36个系数值作为图像自然统计特征，采用支持向量机(supportvectormachine,简称svm)进行模型训练和测试。然而拟合广义高斯分布模型的步骤对输入图像做了过强的假设，不可避免地降低了图像的原始信息量，进而影响了模型的精度。而且，该方法速度慢、需要用到svm分类器导致模型大。

另一种代表性方法是wufengxue等人在2014年ieeetransactionsonimageprocessing,vol.23(11),pp.4850-4862(2014年ieee图像处理会刊第23卷11期，4850至4862页)上发表的“blindimagequalityassessmentusingjointstatisticsofgradientmagnitudeandlaplacianfeatures(使用梯度幅度和拉普拉斯特征的联合统计量进行盲图像质量评估)”一文中提出的联合梯度和拉普拉斯-高斯信号的盲图像质量评价方法。该方法从人类视觉的处理机制出发，首先提取图像的梯度模值和log信号，通过对这两种信号进行联合自适应归一化消除高阶冗余性，并且，在此基础上分别计算二者的边缘分布概率直方图和条件分布概率直方图作为图像感知特征。该方法符合人类视觉早期处理过程，并且具有更好的区分自然图像与非自然图像的能力。然而，该方法同样地速度慢，且需要用到svm分类器导致模型大。

技术实现要素：

为了克服现有技术中的一个或多个缺陷，本发明提供一种能够基于梯度幅值稀疏特征信息快速地识别模糊图像的方法和装置、计算设备及存储介质，以便于在人脸检测前剔除模糊图像，提高人脸识别率。

根据本发明的第一方面，提供一种基于梯度幅值稀疏特征信息来识别模糊图像的方法。所述方法包括以下步骤：计算待识别图像的梯度幅值；将梯度幅值归一化为0～1；以间隔gap对归一化后的梯度幅值进行量化，即，量化后的梯度幅度范围是0～1/gap；统计量化后的梯度幅度的直方图中的0～rate*1/gap范围内的非空点数，其中，rate为比率常数；将所述非空点数与预定值进行比较；如果所述非空点数小于所述预定值，则判别所述待识别图像为模糊图像，否则判别所述待识别图像为清晰图像。

优选地，所述归一化为最大最小归一化。

优选地，所述间隔gap为0.001，并且所述比率常数rate为0.01。

根据本发明的第二方面，提供一种基于梯度幅值和方向值稀疏特征信息来识别模糊图像的方法。所述方法包括以下步骤：计算待识别图像的梯度幅值；将梯度幅值归一化为0～1；以第一间隔gap0对归一化后的梯度幅值进行量化，即，量化后的梯度幅度范围是0～1/gap0；统计量化后的梯度幅度的直方图中的0～rate*1/gap0范围内的非空点数n0，其中，rate为比率常数；计算所述待识别图像在0～360度范围内的梯度方向值；将梯度方向值归一化为0～1；以第二间隔gap1对归一化后的梯度方向值进行量化，即，量化后的梯度方向值范围是0～1/gap1；统计量化后的梯度方向值的直方图中的所有的非空点数n1；基于非空点数n0和非空点数n1来判别所述待识别图像为模糊图像还是为清晰图像。

优选地，所述基于非空点数n0和非空点数n1来判别所述待识别图像为模糊图像还是为清晰图像的步骤包括：计算下式：rate0×|n0-center0|/(|n0-center0|+|n0-center1|)+

(1-rate0)×|n1-center0’|/(|n1-center0’|+|n1-center1’|)，其中，rate0是交叉验证参数，center0和center0’分别为对训练集中的所有模糊样本计算而得到的非空点数n0和n1的均值，center1和center1’分别为对训练集中的所有清晰样本计算而得到的非空点数n0和n1的均值；将计算出的上式与预定值进行比较；如果计算出的上式大于所述预定值，则判别所述待识别图像为模糊图像，否则判别所述待识别图像为清晰图像。

优选地，所述预定值为0.5。

优选地，所述归一化为最大最小归一化。

优选地，所述第一间隔gap0为0.001，所述比率常数rate为0.01，并且，所述第二间隔gap1为0.00025。

根据本发明的第三方面，提供一种基于梯度幅值稀疏特征信息来识别模糊图像的装置。所述装置包括：梯度幅值计算模块，用于计算待识别图像的梯度幅值；梯度幅值归一化模块，用于将梯度幅值归一化为0～1；梯度幅值量化模块，用于以间隔gap对归一化后的梯度幅值进行量化，即，量化后的梯度幅度范围是0～1/gap；梯度幅值统计模块，用于统计量化后的梯度幅度的直方图中的0～rate*1/gap范围内的非空点数，其中，rate为比率常数；比较模块，用于将所述非空点数与预定值进行比较；判别模块，用于如果所述非空点数小于所述预定值，则判别所述待识别图像为模糊图像，否则判别所述待识别图像为清晰图像。

优选地，所述归一化为最大最小归一化。

优选地，所述间隔gap为0.001，并且所述比率常数rate为0.01。

根据本发明的第四方面，提供一种基于梯度幅值和方向值稀疏特征信息来识别模糊图像的装置。所述装置包括：梯度幅值计算模块，用于计算待识别图像的梯度幅值；梯度幅值归一化模块，用于将梯度幅值归一化为0～1；梯度幅值量化模块，用于以第一间隔gap0对归一化后的梯度幅值进行量化，即，量化后的梯度幅度范围是0～1/gap0；梯度幅值统计模块，用于统计量化后的梯度幅度的直方图中的0～rate*1/gap0范围内的非空点数n0，其中，rate为比率常数；梯度方向值计算模块，用于计算所述待识别图像在0～360度范围内的梯度方向值；梯度方向值归一化模块，用于将梯度方向值归一化为0～1；梯度方向值量化模块，用于以第二间隔gap1对归一化后的梯度方向值进行量化，即，量化后的梯度方向值范围是0～1/gap1；梯度方向值统计模块，用于统计量化后的梯度方向值的直方图中的所有的非空点数n1；判别模块，用于基于非空点数n0和非空点数n1来判别所述待识别图像为模糊图像还是为清晰图像。

优选地，所述判别模块包括：判别式计算单元，用于计算下式：rate0×|n0-center0|/(|n0-center0|+|n0-center1|)+

(1-rate0)×|n1-center0’|/(|n1-center0’|+|n1-center1’|)，其中，rate0是交叉验证参数，center0和center0’分别为对训练集中的所有模糊样本计算而得到的非空点数n0和n1的均值，center1和center1’分别为对训练集中的所有清晰样本计算而得到的非空点数n0和n1的均值；比较单元，用于将计算出的上式与预定值进行比较；综合判别单元，用于如果比较单元计算出的上式大于所述预定值，则判别所述待识别图像为模糊图像，否则判别所述待识别图像为清晰图像。

优选地，所述预定值为0.5。

优选地，所述归一化为最大最小归一化。

优选地，所述第一间隔gap0为0.001，所述比率常数rate为0.01，并且，所述第二间隔gap1为0.00025。

根据本发明的第五方面，提供一种计算设备。所述计算设备包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行上述方法。

根据本发明的第六方面，提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行上述方法。

与现有技术相比，本发明具有以下有益效果：本发明提供一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置。所述方法和装置只需要对梯度幅度特征进行归一化到0-1、量化、直方图统计和计算前rate％直方图稀疏向量稀疏度n1的三个主要步骤，即可判别待识别图像是模糊图像还是清晰图像。由此可知，所述方法和装置不仅识别速度快，而且准确率高，从而可以有效应用到手机终端。

本领域技术人员应当理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

并且，应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。

附图说明

参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：

图1为根据本发明的第一示例性实施例的模糊图像识别方法的流程图；

图2为根据本发明的第一示例性实施例的模糊图像识别装置的框图；

图3为根据本发明的第二示例性实施例的模糊图像识别方法的流程图；

图4为根据本发明的第二示例性实施例的模糊图像识别方法中的判别步骤的流程图；

图5为根据本发明的第二示例性实施例的模糊图像识别装置的框图；

图6为根据本发明的第二示例性实施例的模糊图像识别装置中的判别模块的框图；

图7为根据本发明示例性实施例的可用于实现模糊图像识别方法的计算设备的结构示意图。

具体实施方式

通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。

为了使本发明的技术方案更加清楚、明白，下面将参照附图并结合具体实施例对本发明的模糊图像识别方法和装置进行详细描述。

图1示出了根据本发明的第一示例性实施例的模糊图像识别方法的流程图。如图1所示，所述模糊图像识别方法包括梯度幅值计算步骤s1、梯度幅值归一化步骤s2、梯度幅值量化步骤s3、梯度幅值统计步骤s4、比较步骤s5和判别步骤s6。

首先，在步骤s1中，计算待识别图像的梯度幅值。具体地，利用下式获得待识别图像中每个像素点的梯度幅值：

其中，a(x,y)是待识别图像上的坐标为(x,y)的像素点的梯度幅值，i(x,y)是待识别图像上的坐标为(x,y)的像素点的像素值。

接下来，在步骤s2中，将步骤s1中计算得到的梯度幅值归一化为0～1。具体地，利用下式对梯度幅值进行最大最小归一化：

其中，a^*(x,y)为归一化后的[0,1]范围内的梯度幅值，amax和amin分别是步骤s101中计算得到的梯度幅值中的最大值和最小值。

接着，在步骤s3中，以间隔gap对归一化后的梯度幅值进行量化，即，量化后的梯度幅度范围是0～1/gap。例如，假设取间隔gap为0.001，则量化后的梯度幅度范围是0～1000。然后，在步骤s4中，统计量化后的梯度幅度的直方图中的0～rate*1/gap范围内的非空点数n0，其中，rate为比率常数。例如，假设rate为0.01，即，提取量化后的梯度幅度的直方图中的前1％梯度幅值并统计其中的非空点数。

接着，在步骤s5中，将步骤s4中得到的非空点数n0与预定值进行比较。预定值可以根据经验确定，也可以通过试验来确定。然后，在步骤s6中，基于步骤s5的比较结果来判别待识别图像为模糊图像还是清晰图像。具体地，如果步骤s4中得到的非空点数n0小于预定值，则判别待识别图像为模糊图像。相反地，如果步骤s4中得到的非空点数n0大于等于预定值，则判别待识别图像为清晰图像。

发明人采用上述模糊图像识别方法进行了试验。试验结果是：可达83.6％的识别率。由此可知，本示例性实施例的模糊图像识别方法不仅运算速度快，而且准确率高，从而可以有效应用到手机终端。

另外，本示例性实施例还提供一种用于实现上述模糊图像识别方法的模糊图像识别装置。图2示出了该模糊图像识别装置的框图。如图2所示，所述模糊图像识别装置100包括梯度幅值计算模块101、梯度幅值归一化模块102、梯度幅值量化模块103、梯度幅值统计模块104、比较模块105和判别模块106。

梯度幅值计算模块101用于计算待识别图像的梯度幅值。具体地，利用下式获得待识别图像中每个像素点的梯度幅值：

其中，a(x,y)是待识别图像上的坐标为(x,y)的像素点的梯度幅值，i(x,y)是待识别图像上的坐标为(x,y)的像素点的像素值。

梯度幅值归一化模块102用于将梯度幅值计算模块101得到的梯度幅值归一化为0～1。具体地，利用下式对梯度幅值进行最大最小归一化：

其中，a^*(x,y)为归一化后的[0,1]范围内的梯度幅值，amax和amin分别是梯度幅值计算模块101计算出的梯度幅值中的最大值和最小值。

梯度幅值量化模块103用于以间隔gap对梯度幅值归一化模块102归一化后的梯度幅值进行量化，即，量化后的梯度幅度范围是0～1/gap。例如，假设取间隔gap为0.001，则量化后的梯度幅度范围是0～1000。

梯度幅值统计模块104用于统计梯度幅值量化模块103量化后的梯度幅度的直方图中的0～rate*1/gap范围内的非空点数n0，其中，rate为比率常数。例如，假设rate为0.01，即，提取量化后的梯度幅度的直方图中的前1％梯度幅值并统计其中的非空点数。

比较模块105用于将梯度幅值统计模块104得到的非空点数n0与预定值进行比较。预定值可以根据经验确定，也可以通过试验来确定。

判别模块106用于基于比较模块105的比较结果来判别待识别图像为模糊图像还是清晰图像。具体地，如果梯度幅值统计模块104得到的非空点数n0小于预定值，则判别待识别图像为模糊图像。相反地，如果梯度幅值统计模块104得到的非空点数n0大于等于预定值，则判别待识别图像为清晰图像。

图3示出了根据本发明的第二示例性实施例的模糊图像识别方法的流程图。下面参照图3来描述根据本发明的第二示例性实施例的模糊图像识别方法。

如图3所示，所述模糊图像识别方法包括梯度幅值计算步骤s101、梯度幅值归一化步骤s102、梯度幅值量化步骤s103、梯度幅值统计步骤s104、梯度方向值计算步骤s105、梯度方向值归一化步骤s106、梯度方向值量化步骤s107、梯度方向值统计步骤s108和判别步骤s109。

首先，在步骤s101中，计算待识别图像的梯度幅值。具体地，利用下式获得待识别图像中每个像素点的梯度幅值：

其中，a(x,y)是待识别图像上的坐标为(x,y)的像素点的梯度幅值，i(x,y)是待识别图像上的坐标为(x,y)的像素点的像素值。

接下来，在步骤s102中，将步骤s101中计算得到的梯度幅值归一化为0～1。具体地，利用下式对梯度幅值进行最大最小归一化：

其中，a^*(x,y)为归一化后的[0,1]范围内的梯度幅值，amax和amin分别是步骤s101中计算得到的梯度幅值中的最大值和最小值。

接着，在步骤s103中，以间隔gap0对归一化后的梯度幅值进行量化，即，量化后的梯度幅度范围是0～1/gap0。例如，假设取间隔gap0为0.001，则量化后的梯度幅度范围是0～1000。然后，在步骤s104中，统计量化后的梯度幅度的直方图中的0～rate*1/gap0范围内的非空点数n0，其中，rate为比率常数。例如，假设rate为0.01，即，提取量化后的梯度幅度的直方图中的前1％梯度幅值并统计其中的非空点数。

在步骤s105中，计算待识别图像在0～360度范围内的梯度方向值。具体地，利用下式获得待识别图像中每个像素点在各个方向上的梯度方向值：

其中，t(x,y)是待识别图像上的坐标为(x,y)的像素点的梯度方向值，i(x,y)是待识别图像上的坐标为(x,y)的像素点的像素值。

接下来，在步骤s106中，将步骤s105中计算得到的梯度方向值归一化为0～1。具体地，利用下式对梯度方向值进行最大最小归一化：

其中，t^*(x,y)为归一化后的[0,1]范围内的梯度方向值，tmax和tmin分别是步骤s105中计算得到的梯度方向值中的最大值和最小值。

接着，在步骤s107中，以间隔gap1对归一化后的梯度方向值进行量化，即，量化后的梯度方向值范围是0～1/gap1。例如，假设取间隔gap1为0.00025，则量化后的梯度幅度范围是0～4000。然后，在步骤s108中，统计量化后的梯度方向值的直方图中的所有的非空点数n1。

最后，在步骤s109中，基于步骤s104中得到的非空点数n0和步骤s108中得到的非空点数n1来判别待识别图像为模糊图像还是为清晰图像。具体地，首先，在步骤s109a中，计算计算下式：rate0×|n0-center0|/(|n0-center0|+|n0-center1|)+

(1-rate0)×|n1-center0’|/(|n1-center0’|+|n1-center1’|)，其中，rate0是交叉验证参数，center0和center0’分别为对训练集中的所有模糊样本计算而得到的非空点数n0和n1的均值，center1和center1’分别为对训练集中的所有清晰样本计算而得到的非空点数n0和n1的均值。接着，在步骤s109b中，将步骤s109a中计算出的上式与预定值进行比较。经验上，通常可以将预定值设为0.5。然后，在步骤s109c中，基于步骤s109b的比较结果来判别待识别图像为模糊图像还是清晰图像。具体地，如果步骤s109a中计算出的上式大于预定值，则判别待识别图像为模糊图像。相反地，如果步骤s109a中计算出的上式小于等于预定值，则判别待识别图像为清晰图像。

发明人采用本示例性实施例的模糊图像识别方法进行了试验。试验结果是：可高达89.3％的识别率。相比于第一示例性实施例的模糊图像识别方法，本示例性实施例的模糊图像识别方法还考虑到了梯度方向值稀疏特征信息，因而保留了原始图像的更多信息，从而能够获得更好的评价效果。

另外，本示例性实施例还提供一种用于实现上述模糊图像识别方法的模糊图像识别装置。图5示出了该模糊图像识别装置的框图。如图5所示，所述模糊图像识别装置200包括梯度幅值计算模块201、梯度幅值归一化模块202、梯度幅值量化模块203、梯度幅值统计模块204、梯度方向值计算模块205、梯度方向值归一化模块206、梯度方向值量化模块207、梯度方向值统计模块208和判别模块209。

梯度幅值计算模块201用于计算待识别图像的梯度幅值。具体地，利用下式获得待识别图像中每个像素点的梯度幅值：

其中，a(x,y)是待识别图像上的坐标为(x,y)的像素点的梯度幅值，i(x,y)是待识别图像上的坐标为(x,y)的像素点的像素值。

梯度幅值归一化模块202用于将梯度幅值计算模块201所得到的梯度幅值归一化为0～1。具体地，利用下式对梯度幅值进行最大最小归一化：

其中，a^*(x,y)为归一化后的[0,1]范围内的梯度幅值，amax和amin分别是梯度幅值计算模块201计算出的梯度幅值中的最大值和最小值。

梯度幅值量化模块203用于以间隔gap0对由梯度幅值归一化模块202归一化后的梯度幅值进行量化，即，量化后的梯度幅度范围是0～1/gap0。例如，假设取间隔gap0为0.001，则量化后的梯度幅度范围是0～1000。

梯度幅值统计模块204用于统计梯度幅值量化模块203量化后的梯度幅度的直方图中的0～rate*1/gap0范围内的非空点数n0，其中，rate为比率常数。例如，假设rate为0.01，即，提取量化后的梯度幅度的直方图中的前1％梯度幅值并统计其中的非空点数。

梯度方向值计算模块205用于计算待识别图像在0～360度范围内的梯度方向值。具体地，利用下式获得待识别图像中每个像素点在各个方向上的梯度方向值：

其中，t(x,y)是待识别图像上的坐标为(x,y)的像素点的梯度方向值，i(x,y)是待识别图像上的坐标为(x,y)的像素点的像素值。

梯度方向值归一化模块206用于将梯度方向值计算模块205所得到的梯度方向值归一化为0～1。具体地，利用下式对梯度方向值进行最大最小归一化：

其中，t^*(x,y)为归一化后的[0,1]范围内的梯度方向值，tmax和tmin分别是梯度方向值计算模块205计算出的梯度方向值中的最大值和最小值。

梯度方向值量化模块207用于以间隔gap1对梯度方向值归一化模块206归一化后的梯度方向值进行量化，即，量化后的梯度方向值范围是0～1/gap1。例如，假设取间隔gap1为0.00025，则量化后的梯度幅度范围是0～4000。

梯度方向值统计模块208用于统计梯度方向值量化模块207量化后的梯度方向值的直方图中的所有的非空点数n1。

判别模块209用于基于梯度幅值统计模块204统计得到的非空点数n0和梯度方向值统计模块208统计得到的非空点数n1来判别待识别图像为模糊图像还是为清晰图像。如图6所示，判别模块209包括判别式计算单元209a、比较单元209b和综合判别单元209c。

判别式计算单元209a用于计算下式：

rate0×|n0-center0|/(|n0-center0|+|n0-center1|)+(1-rate0)×|n1-center0’|/(|n1-center0’|+|n1-center1’|)，其中，rate0是交叉验证参数，center0和center0’分别为对训练集中的所有模糊样本计算而得到的非空点数n0和n1的均值，center1和center1’分别为对训练集中的所有清晰样本计算而得到的非空点数n0和n1的均值。

比较单元209b用于将判别式计算单元209a计算出的上式与预定值进行比较。经验上，通常可以将预定值设为0.5。

综合判别单元209c用于基于比较单元209b的比较结果来判别待识别图像为模糊图像还是清晰图像。具体地，如果判别式计算单元209a计算出的上式大于预定值，则判别待识别图像为模糊图像。相反地，如果判别式计算单元209a计算出的上式小于等于预定值，则判别待识别图像为清晰图像。

图8示出了根据本发明示例性实施例的可用于实现上述模糊图像识别方法的计算设备的结构示意图。

参见图8，计算设备1000包括存储器1010和处理器1020。

处理器1020可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器1020可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理器(gpu)、数字信号处理器(dsp)等等。在一些实施例中，处理器1020可以使用定制的电路实现，例如特定用途集成电路(asic，applicationspecificintegratedcircuit)或者现场可编程逻辑门阵列(fpga，fieldprogrammablegatearrays)。

存储器1010可以包括各种类型的存储单元，例如系统内存、只读存储器(rom)，和永久存储装置。其中，rom可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1010可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(dram，sram，sdram，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器1010可以包括可读和/或写的可移除的存储设备，例如激光唱片(cd)、只读数字多功能光盘(例如dvd-rom，双层dvd-rom)、只读蓝光光盘、超密度光盘、闪存卡(例如sd卡、minsd卡、micro-sd卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器1010上存储有可处理代码，当可处理代码被处理器1020处理时，可以使处理器1020执行上文述及的基于机器学习的色情应用识别方法。

上文中已经参考附图详细描述了根据本发明的基于机器学习的色情应用识别方法和装置。

此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。

或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法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、程序段或代码的一部分，所述模块、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。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或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。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。