述至少两个聚类集合包括第一聚类集合和第二聚类集合，所述第一聚类集合为具有标识信息的所述聚类集合，所述第二聚类集合为不具有所述标识信息的所述聚类集合，每个所述聚类集合均包括至少一幅人脸图像，且同一个所述聚类集合中的各幅人脸图像之间的距离不大于第一设定阈值；
[0070]确定所述第二聚类集合与所述第一聚类集合之间的距离；
[0071]将距离不大于第二设定阈值的所述第二聚类集合和所述第一聚类集合合并，所述第二设定阈值大于所述第一设定阈值。
[0072]本公开的实施例提供的技术方案可以包括以下有益效果:通过将具有标识信息的聚类集合中的各幅人脸图像之间的距离从第一设定阈值增大到第二设定阈值，利用用户关注的人的人脸图像在所有人脸图像中所占比例高的特点，使用户关注的人的聚类集合具有标识信息，在对聚类的准确率影响较小的情况下，增大归类为具有标识信息的聚类集合的概率，避免由于人脸姿态、表情、光照等条件不同造成将属于同一个人的两张照片归类到不同的聚类集合中，提高了聚类的召回率(归类到一个聚类集合中的照片数量/属于同一个人的照片数量)和压缩率(I/属于同一个人的照片归类到的聚类集合的数量)。
[0073]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】
[0074]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0075]图1a-图1d是根据一不例性实施例不出的一种图像处理的方法的应用场景图；
[0076]图2是根据一示例性实施例示出的一种图像处理的方法的流程图；
[0077]图3是根据一示例性实施例示出的一种图像处理的方法的流程图；
[0078]图4是根据一示例性实施例示出的一种人脸检测结果的示意图；
[0079]图5是根据一示例性实施例示出的一种图像处理的方法实现过程中的终端界面图；
[0080]图6是根据一示例性实施例示出的一种图像处理的装置的框图；
[0081]图7是根据一示例性实施例示出的一种图像处理的装置的框图；
[0082]图8是根据一示例性实施例示出的一种图像处理的装置的框图。
【具体实施方式】
[0083]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发明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、本发明的一些方面相一致的装置和方法的例子。
[0084]下面先结合图1a-图1d简单介绍一下本公开实施例提供的图像处理的方法的应用场景。
[0085]随着智能手机、平板电脑等移动终端的普及，越来越多的用户选择使用移动终端拍摄照片，移动终端本端或者移动终端通过网络连接的云端存储有大量照片，如图1a所示。这些照片中，有些拍摄的是用户关注的人，如自己、亲人、朋友、同事等；也有些拍摄的是用户不关注的人，如路人、拍摄到的非相关人物等;还有些拍摄的是没有人物的，如风景、名胜古迹等。
[0086]为了方便用户查找和使用，移动终端自身或通过服务器将存储的照片按照拍摄的人物归类形成相册，每个相册包括一个人物的所有照片，各个相册包括的照片所属的人物不同，如图1b所示的小米“面孔相册”。
[0087]其中，各个相册中可以展示一个人物的所有照片，如图1c所示;也可以展示一个人物在所有照片中的人脸图像，如图1d所示的，增加照片的趣味性，提升用户体验。
[0088]图2是根据一示例性实施例示出的一种图像处理的方法的流程图，如图2所示，该图像处理的方法用于移动终端中，包括以下步骤。
[0089]在步骤SlOl中，获取至少两个聚类集合。
[0090]在本实施例中，至少两个聚类集合包括第一聚类集合和第二聚类集合。第一聚类集合为具有标识信息的聚类集合，第二聚类集合为不具有标识信息的聚类集合。每个聚类集合均包括至少一幅人脸图像，且同一个聚类集合中的各幅人脸图像之间的距离不大于第一设定阈值。其中各幅人脸图像之间的距离可以为欧式距离、余弦距离等，本公开对此不作限制。
[0091]结合本公开的应用场景，获取的至少两个聚类集合来自于移动终端存储的照片归类形成的相册，标识信息用于指示其中属于用户关注的人的相册，如用户自己的相册、用户孩子的相册、用户父母的相册、用户死党的相册等。
[0092]在步骤S102中，确定第二聚类集合与第一聚类集合之间的距离。
[0093]需要说明的是，若移动终端的运算能力强大，则步骤S102可以由移动终端独立完成，实现简单方便;若移动终端的运算能力不够，则步骤S102可以由移动终端通过服务器完成，即移动终端向服务器上传第二聚类集合和第一聚类集合并接收服务器确定的第二聚类集合与第一聚类集合之间的距离，降低对移动终端的要求，降低实现成本。
[0094]在步骤S103中，将距离不大于第二设定阈值的第二聚类集合和第一聚类集合合并。
[0095]在本实施例中，第二设定阈值大于第一设定阈值。
[0096]本公开实施例通过将具有标识信息的聚类集合中的各幅人脸图像之间的距离从第一设定阈值增大到第二设定阈值，利用用户关注的人的人脸图像在所有人脸图像中所占比例高的特点，使用户关注的人的聚类集合具有标识信息，在对聚类的准确率影响较小的情况下，增大归类为具有标识信息的聚类集合的概率，避免由于人脸姿态、表情、光照等条件不同造成将属于同一个人的两张照片归类到不同的聚类集合中，提高了聚类的召回率(归类到一个聚类集合中的照片数量/属于同一个人的照片数量)和压缩率(I/属于同一个人的照片归类到的聚类集合的数量)。
[0097]图3是根据一示例性实施例示出的一种图像处理的方法的流程图，如图3所示，该图像处理的方法用于移动终端中，包括以下步骤。
[0098]在步骤S201中，获取若干张照片。
[0099]由本公开应用场景部分可知，移动终端将存储的照片按照拍摄的人物聚类形成相册，每个相册包括一个人物的所有照片，即移动终端会在初始阶段对所有照片进行全量聚类，并在后续阶段对新增照片进行增量聚类。步骤S201中获取的照片为初始阶段中聚类前的所有照片，也可以为后续阶段中聚类前的新增照片。
[0100]在实际应用中，移动终端通常通过名称为“照片”的应用程序(applicat1n，简称app)负责管理移动终端中的所有照片及照片的聚类情况，因此可以直接从“照片” app中获取照片。
[0101]在步骤S202中，采用人脸检测算法，从各张照片中获取人脸图像。
[0102]在本实施例中，人脸图像为照片中包括整个人脸的最小图像，如图4所示的矩形框内的图像。
[0103]在本实施例的一种实现方式中，该步骤S202可以包括:
[0104]提取一张照片的haar特征值；
[0105]根据提取的haar特征值，从该照片中确定出人脸图像。
[0106]容易知道，脸部的一些特征可以由矩形特征简单的描述，如眼睛比脸颊的颜色深，鼻梁两侧比鼻梁颜色深，嘴巴比嘴巴周围颜色深等。haar特征值通过取值为特征模板内白色矩形像素和减去黑色矩形像素和，反映了图像的灰度变化情况，从而可以根据haar特征值确定是否为人脸图像。其中，特征模板可以为左侧白色矩形和右侧白色矩形的组合，上侧白色矩形与下侧黑色矩形的组合，两侧白色矩形与中间黑色矩形的组合，左上侧和右下侧白色矩形与右上侧和左下侧黑色矩形的组合等。
[0107]在实际应用中，也可以采用其它人脸检测算法从一张照片中获取人脸图像，如Adaboost算法，在此不再--列举。
[0108]需要说明的是，若一张照片为至少两个人的合影，则在步骤S202中会从该照片中会相应确定出至少两幅人脸图像。
[0109]在步骤S203中，将获取的各幅人脸图像单独归类为一个聚类集合，得到若干聚类
口 O
[0110]需要说明的是，当获取的照片为初始阶段中聚类前的照片时，步骤S203得到的若干聚类集合就是所有单独归类的聚类集合，以进行全量聚类。例如，步骤S202中获取到N幅人脸图像，则步骤S203中得到N个聚类集合。
[0111]当获取的照片为后续阶段中聚类前的新增照片时，该步骤S203可以包括:
[0112]将获取的各幅人脸图像单独归类为一个聚类集合；
[0113]将单独归类的聚类集合与已进行聚类的聚类集合一起，作为得到的若干聚类集入口 ο
[0114]即步骤S203得到的若干聚类集合除了包括所有单独归类的聚类集合之外，还包括已进行聚类的聚类集合，以进行增量聚类。例如，步骤S202中获取到M幅人脸图像，加上之前聚类得到的L个聚类集合，则步骤S203中得到(M+L)个聚类集合。
[0115]可以理解地，通过步骤S201-步骤S203，可以对移动终端存储的照片进行初始化，使后续聚类时可以获取各个聚类集合进行聚类，详见步骤S204-步骤S207。
[0116]在步骤S204中，获取至少两个聚类集合。
[0117]需要说明的是，该步骤S204中获取的聚类集合来自于步骤S203中得到的若干聚类
口 O
[0118]步骤S205中，计算各个聚类集合之间的距离。当两个聚类集合之间的距离不大于第一设定阈值时，执行步骤S206;当所有聚类集合两两之间的距离均大于第一设定阈值时，执行步骤S207。
[0119]在本实施例的一种实现方式中，该步骤S205可以包括:
[0120]分别提取两个聚类集合中的各幅人脸图像的纹理特征值；
[0121]根据提取的纹理特征值，计算两个聚类集合中的各幅人脸图像之间的距离；
[0122]选择计算出的所有距离中的最小值、平均值或最大值，作为两个聚类集合之间的距离。
[0123]在上述实现方式中，两个聚类集合中的各幅人脸图像之间的距离是指，两个聚类集合中一个聚类集合中的各幅人脸图像，与两个聚类集合中另一个聚类集合的各幅人脸图像之间的距离。例如，一个聚类集合包括人脸图像A和人脸图像B，另一个聚类集合包括人脸图像C和人脸图像D，则计算人脸图像A与人脸图像C之间的距离、人脸图像A与人脸图像D之间的距离、人脸图像B与人脸图像C之间的距离、以及人脸图像B与人脸图像D之间的距离。
[0124]可以理解地，分别按照上述方式计算各个聚类集合两两之间的距离，即可完成步骤S205。
[0125]可选地，分别提取两个聚类集合中的各幅人脸图像的纹理特征值，可以包括:
[0126]对一幅人脸图像采用Gabor小波变换进行特征提取，并将计算得到的Gabor特征向量作为该幅人