本發明涉及圖像處理技術領域，具體而言，涉及一種圖像分類模型的建立方法、一種圖像分類模型的建立裝置和一種具有圖像處理功能的設備。

背景技術：

近年以來，隨著人工智能以及大數據技術的快速發展，越來越多的產品開始向智能化發展，較之非智能化產品，智能化產品多有功能更加強大，用戶的體驗更加舒適等特點。在眾多智能化產品中，圖像識別占有舉足輕重的領域，一個完整的圖像識別系統以圖像作為輸入信息，通過不同的方法對圖像進行識別，最后輸出識別結果。

目前主流的圖片識別方法，多是使用識別算法建立圖像分類模型，具體地，計算每兩個圖像之間的相似度，并將相似度小于某一閾值的圖像全部分為一類，但在為種類繁多的圖像建立圖像分類模型時，由于種類過多，每兩個圖像之間的相似度都計算出來，計算量過于繁重。而且利用相似度建立的圖像分類模型能夠識別出的種類有限。

因此，如何利用較少的計算量建立圖像分類模型，而且該圖像分類模型能夠識別出較多種類的圖像成為亟待解決的技術問題。

技術實現要素：

本發明旨在至少解決現有技術或相關技術中存在的技術問題之一。

為此，本發明的一個目的在于提出了一種圖像分類模型的建立方法。

本發明的另一個目的在于提出了一種圖像分類模型的建立裝置。

本發明的又一個目的在于提出了一種具有圖像處理功能的設備。

為實現上述至少一個目的，根據本發明的第一方面的實施例，提出了一種圖像分類模型的建立方法，包括：針對多種訓練樣本圖像，按種類提取每張訓練樣本圖像的特征向量；根據所述特征向量，計算所述每種訓練樣本圖像的特征均值；根據所述每種訓練樣本圖像的特征均值，建立多層樹狀的圖像分類模型。

根據本發明的一個實施例的圖像分類模型的建立方法，通過計算出每種訓練樣本圖像的特征均值并聚類來建立多層樹狀的圖像分類模型，避免通過計算每兩個圖像之間的相似度的方式來建立圖像分類模型，從而有效地降低了建立圖像分類模型時的處理數據量。另外，通過建立多層樹狀的圖像分類模型，可以有效降低多種類模型過擬合的問題，提高系統識別率。

根據本發明的上述實施例的圖像分類模型的建立方法，還可以具有以下技術特征：

根據本發明的一個實施例，所述圖像分類模型的每一層包括至少一個節點分類器，所述根據所述每種訓練樣本圖像的特征均值，建立多層樹狀的圖像分類模型，具體包括：當訓練所述圖像分類模型的任一節點分類器時，判斷被訓練的節點分類器是否有下一層節點分類器；若判定所述被訓練的節點分類器沒有下一層節點分類器，則將所述被訓練的節點分類器訓練成底層分類器；若判定所述被訓練的節點分類器有下一層節點分類器，則對所述被訓練的節點分類器的識別種類的圖像的特征均值進行聚類來確定所述被訓練的節點分類器的每個下一層節點分類器的識別種類，以對所述每個下一層節點分類器進行訓練。

根據本發明的實施例的圖像分類模型的建立方法，通過聚類算法對節點分類器的識別種類的圖像的特征均值進行聚類，以將相似度較高的圖像歸為一類，從而建立多層樹狀的圖像分類模型，不僅解決了大數據樣本分層困難的技術問題，還保證了圖像分類模型對圖像識別的準確率。

根據本發明的一個實施例，所述判斷被訓練的節點分類器是否有下一層節點分類器，具體包括：獲取所述被訓練的節點分類器的識別種類數和種類閾值；根據所述被訓練的節點分類器的識別種類數和種類閾值，計算所述被訓練的節點分類器的聚類中心個數；根據所述被訓練的節點分類器的聚類中心個數和識別種類數，判斷所述被訓練的節點分類器是否有下一層節點分類器；以及在判定所述被訓練的節點分類器有下一層節點分類器的情況下，所述被訓練的節點分類器的下一層節點分類器的個數等于所述聚類中心個數。

根據本發明的實施例的圖像分類模型的建立方法，通過計算被訓練的節點分類器的聚類中心個數，將該聚類中心個數和識別種類數進行比較，可以準確地判斷出是否為被訓練的節點分類器分配下一層節點分類器，這樣，在保證建立的圖像分類模型識別準確率的情況下，還可以避免進行過多的不必要的分層，進一步地保證了建立圖像分類模型的處理速度。

根據本發明的一個實施例，所述根據所述被訓練的節點分類器的識別種類數和種類閾值，計算所述被訓練的節點分類器的聚類中心個數，具體包括：通過以下公式計算所述聚類中心個數，

其中，ki表示被訓練的第i個節點分類器的聚類中心個數，ceil()為取整公式，ni表示被訓練的第i個節點分類器的識別種類數，ti表示被訓練的第i個節點分類器的種類閾值。

根據本發明的實施例的圖像分類模型的建立方法，通過將識別種類數和種類閾值的比值進行取整作為聚類中心個數，該聚類中心個數不僅可以用來判斷被訓練的節點分類器是否有下一層節點分類器，還可以用于對被訓練的節點分類器進行訓練。

根據本發明的一個實施例，所述判斷被訓練的節點分類器是否有下一層節點分類器，具體包括：獲取所述被訓練的節點分類器的識別種類數和/或識別率；通過判斷所述被訓練的節點分類器的識別種類數和/或識別率是否在預設范圍內，來判斷所述被訓練的節點分類器是否有下一層節點分類器。

根據本發明的實施例的圖像分類模型的建立方法，可以根據被訓練的節點分類器對應的圖像種類數作為判斷依據進行分層，還可以通過被訓練的節點分類器對圖像的識別率確定是否分層，在不進行分層時，將該被訓練的節點分類器訓練成底層分類器，在保證圖像分類模型具有較高的識別性能的情況下，避免進行過多的不必要的分層，進一步地保證了建立圖像分類模型的處理速度。

根據本發明的一個實施例，所述特征向量為bow(bag-of-words)特征向量。

根據本發明的第二方面的實施例，提出了一種圖像分類模型的建立裝置，包括：提取單元，針對多種訓練樣本圖像，按種類提取每張訓練樣本圖像的特征向量；計算單元，用于根據所述特征向量，計算所述每種訓練樣本圖像的特征均值；建立單元，用于根據所述每種訓練樣本圖像的特征均值，建立多層樹狀的圖像分類模型。

根據本發明的一個實施例的圖像分類模型的建立裝置，通過計算出每種訓練樣本圖像的特征均值來建立多層樹狀的圖像分類模型，避免通過計算每兩個圖像之間的相似度的方式來建立圖像分類模型，從而有效地降低了建立圖像分類模型時的處理數據量。另外，通過建立多層樹狀的圖像分類模型，可以有效降低多種類模型過擬合的問題，提高系統識別率。

根據本發明的一個實施例，所述圖像分類模型的每一層包括至少一個節點分類器，所述建立單元包括：判斷子單元，用于當訓練所述圖像分類模型的任一節點分類器時，判斷被訓練的節點分類器是否有下一層節點分類器；訓練子單元，用于若所述判斷子單元判定所述被訓練的節點分類器沒有下一層節點分類器，則將所述被訓練的節點分類器訓練成底層分類器；所述訓練子單元還用于，若所述判斷子單元判定所述被訓練的節點分類器有下一層節點分類器，則對所述被訓練的節點分類器的識別種類的圖像的特征均值進行聚類來確定所述被訓練的節點分類器的每個下一層節點分類器的識別種類，以對所述每個下一層節點分類器進行訓練。

根據本發明的一個實施例的圖像分類模型的建立裝置，通過聚類算法對節點分類器的識別種類的圖像的特征均值進行聚類，以將相似度較高的圖像歸為一類，從而建立多層樹狀的圖像分類模型，不僅解決了大數據樣本分層困難的技術問題，還保證了圖像分類模型對圖像識別的準確率。

根據本發明的一個實施例，所述判斷子單元具體用于，獲取所述被訓練的節點分類器的識別種類數和種類閾值，根據所述被訓練的節點分類器的識別種類數和種類閾值，計算所述被訓練的節點分類器的聚類中心個數，根據所述被訓練的節點分類器的聚類中心個數和識別種類數，判斷所述被訓練的節點分類器是否有下一層節點分類器；以及在判定所述被訓練的節點分類器有下一層節點分類器的情況下，所述被訓練的節點分類器的下一層節點分類器的個數等于所述聚類中心個數。

根據本發明的一個實施例的圖像分類模型的建立裝置，通過計算被訓練的節點分類器的聚類中心個數，將該聚類中心個數和識別種類數進行比較，可以準確地判斷出是否為被訓練的節點分類器分配下一層節點分類器，這樣，在保證建立的圖像分類模型識別準確率的情況下，還可以避免進行過多的不必要的分層，進一步地保證了建立圖像分類模型的處理速度。

根據本發明的一個實施例，所述判斷子單元具體用于，通過以下公式計算所述聚類中心個數，

其中，ki表示被訓練的第i個節點分類器的聚類中心個數，ceil()為取整公式，ni表示被訓練的第i個節點分類器的識別種類數，ti表示被訓練的第i個節點分類器的種類閾值。

根據本發明的一個實施例的圖像分類模型的建立裝置，通過將識別種類數和種類閾值的比值進行取整作為聚類中心個數，該聚類中心個數不僅可以用來判斷被訓練的節點分類器是否有下一層節點分類器，還可以用于對被訓練的節點分類器進行訓練。

根據本發明的一個實施例，所述判斷子單元具體用于，獲取所述被訓練的節點分類器的識別種類數和/或識別率，通過判斷所述被訓練的節點分類器的識別種類數和/或識別率是否在預設范圍內，來判斷所述被訓練的節點分類器是否有下一層節點分類器。

根據本發明的一個實施例的圖像分類模型的建立裝置，可以根據被訓練的節點分類器對應的圖像種類數作為判斷依據進行分層，還可以通過被訓練的節點分類器對圖像的識別率確定是否分層，在不進行分層時，將該被訓練的節點分類器訓練成底層分類器，在保證圖像分類模型具有較高的識別性能的情況下，避免進行過多的不必要的分層，進一步地保證了建立圖像分類模型的處理速度。

根據本發明的一個實施例，所述特征向量為bow特征向量。

根據本發明的第三方面的實施例，提出了一種具有圖像處理功能的設備，包括上述技術方案中任一項所述的圖像分類模型的建立裝置，因此，該設備具有和上述技術方案中任一項所述的圖像分類模型的建立裝置相同的技術效果，在此不再贅述。

本發明的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。

附圖說明

本發明的上述和/或附加的方面和優點從結合下面附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1示出了根據本發明的一個實施例的圖像分類模型的建立方法的示意流程圖；

圖2示出了根據本發明的另一個實施例的圖像分類模型的建立方法的示意流程圖；

圖3示出了根據本發明的又一個實施例的圖像分類模型的建立方法的示意流程圖；

圖4示出了根據本發明的一個實施例的多層樹狀圖像分類模型的示意圖；

圖5示出了根據本發明的實施例的圖像分類模型的建立裝置的示意框圖；

圖6示出了根據本發明的實施例的具有圖像處理功能的設備的示意框圖。

具體實施方式

為了能夠更清楚地理解本發明的上述目的、特征和優點，下面結合附圖和具體實施方式對本發明進行進一步的詳細描述。需要說明的是，在不沖突的情況下，本申請的實施例及實施例中的特征可以相互組合。

在下面的描述中闡述了很多具體細節以便于充分理解本發明，但是，本發明還可以采用其他不同于在此描述的其他方式來實施，因此，本發明的保護范圍并不受下面公開的具體實施例的限制。

實施例一

如圖1所示，根據本發明的一個實施例的圖像分類模型的建立方法，包括：

步驟102，針對多種訓練樣本圖像，按種類提取每張訓練樣本圖像的特征向量。

例如，通過sift(scaleinvariantfeaturetransform，尺度不變特征變換)算法、lbp(localbinarypatterns，局部二值模式)或者顏色直方圖提取每張圖像的特征向量。

優選地，特征向量為bow特征向量。

其中，每種訓練樣本圖像可以是食物圖像，還可以是景物圖像或人物圖像，當然圖像的種類包括但不限于以上的三種。

步驟104，根據所述特征向量，計算所述每種訓練樣本圖像的特征均值。

具體通過以下公式計算每種訓練樣本圖像的特征均值，

其中，ex表示第x種圖像的特征均值，vxj表示第x種圖像包含的第j張圖像的特征向量，nx表示第x種圖像包含的圖像總數量。

步驟106，根據所述每種訓練樣本圖像的特征均值，建立多層樹狀的圖像分類模型。

其中，圖像分類模型的每一層包括至少一個節點分類器，步驟106具體包括：當訓練所述圖像分類模型的任一節點分類器時，判斷被訓練的節點分類器是否有下一層節點分類器；若判定所述被訓練的節點分類器沒有下一層節點分類器，則將所述被訓練的節點分類器訓練成底層分類器；若判定所述被訓練的節點分類器有下一層節點分類器，則對所述被訓練的節點分類器的識別種類的圖像的特征均值進行聚類來確定所述被訓練的節點分類器的每個下一層節點分類器的識別種類，以對所述每個下一層節點分類器進行重復上述步驟的訓練。

另外，在對被訓練的節點分類器的識別種類的圖像的特征均值進行聚類時，該被訓練的節點分類器的聚類中心個數等于該被訓練的節點分類器的下一層節點分類器的個數。

優選地，通過以下公式計算聚類中心個數，

其中，ki表示被訓練的第i個節點分類器的聚類中心個數，ceil()為取整公式，ni表示被訓練的第i個節點分類器的識別種類數，ti表示被訓練的第i個節點分類器的種類閾值。

通過將識別種類數和種類閾值的比值進行取整，作為聚類中心個數，該聚類中心個數不僅可以用來判斷被訓練的節點分類器是否有下一層節點分類器，還可以用于對被訓練的節點分類器進行訓練。

在該技術方案中，通過計算出每種訓練樣本圖像的特征均值來建立多層樹狀的圖像分類模型，避免通過計算每兩個圖像之間的相似度的方式來建立圖像分類模型，從而有效地降低了建立圖像分類模型時的處理數據量。另外，通過建立多層樹狀的圖像分類模型，可以利用較少的工作量實現多種類圖像的分組與分層，從而有效降低多種類模型過擬合的問題，提高系統識別率。

實施例二

如圖2所示，根據本發明的另一個實施例的圖像分類模型的建立方法，包括：

步驟202，針對多種訓練樣本圖像，按種類提取每張訓練樣本圖像的特征向量。

例如，通過sift(scaleinvariantfeaturetransform，尺度不變特征變換)算法、lbp(localbinarypatterns，局部二值模式)或者顏色直方圖提取每張圖像的特征向量。

優選地，特征向量為bow特征向量。

其中，每種訓練樣本圖像可以是食物圖像，還可以是景物圖像或人物圖像，當然圖像的種類包括但不限于以上的三種。

步驟204，根據每種訓練樣本圖像包含的至少一張圖像中的每張圖像的特征向量，計算每種訓練樣本圖像的特征均值。

具體通過以下公式計算每種訓練樣本圖像的特征均值，

其中，ex表示第x種圖像的特征均值，vxj表示第x種圖像包含的第j張圖像的特征向量，nx表示第x種圖像包含的圖像總數量。

步驟206，判斷被訓練的節點分類器對應的圖像種類數和/或當前節點分類器的識別率是否滿足預設條件，在判斷結果為是時，執行步驟210，否則，執行步驟208。

具體地，在首次進行訓練時，被訓練的節點分類器為根節點分類器，被訓練的節點分類器的識別種類數即為步驟202中的多種訓練樣本圖像的種類數，獲取被訓練的節點分類器的識別種類數和/或識別率；若該識別種類數和/或識別率在預設范圍內，則判定被訓練的節點分類器沒有下一層節點分類器，若該圖像種類數和/或識別率不在預設范圍內，則判定被訓練的節點分類器有下一層節點分類器。

其中，在根據圖像種類數判斷被訓練的節點分類器是否有下一層節點分類器的情況下，預設范圍包括：圖像種類數小于預設種類數，在根據識別率判斷被訓練的節點分類器是否有下一層節點分類器的情況下，預設范圍包括識別率大于預設值。

根據被訓練的節點分類器的識別種類數和/或對圖像的識別率作為判斷依據進行分層，在不進行分層時，將該被訓練的節點分類器訓練成底層分類器，在保證圖像分類模型具有較高的識別性能的情況下，避免進行過多的不必要的分層，進一步地保證了建立圖像分類模型的處理速度。

步驟208，對特征均值進行聚類。

具體地，獲取被訓練的節點分類器的識別種類數和種類閾值；根據識別種類數和種類閾值，計算被訓練的節點分類器的聚類中心個數。該聚類中心個數即為被訓練的節點分類器的下一層節點分類器的個數。對被訓練的節點分類器的識別種類的圖像的特征均值進行聚類。

通過聚類算法對節點分類器的識別種類的圖像進行聚類，將相似度較高的圖像歸為一類，從而建立多層樹狀的圖像分類模型，不僅解決了大數據樣本分層困難的技術問題，還保證了圖像分類模型對圖像識別的準確率。

步驟210，將被訓練的節點分類器訓練成底層分類器。

步驟212，圖像重新分組，訓練當前節點分類器的下一層節點分類器。

即根據步驟208中的聚類結果，確定被訓練的節點分類器的每個下一層節點分類器的識別種類的圖像。然后重復步驟206和208，對每個下一層節點分類器進行訓練，直到將所有節點分類器都訓練成底層分類器時為止，從而完成建立多層樹狀的圖像分類模型。

在該技術方案中，通過計算出每種訓練樣本圖像的特征均值來建立多層樹狀的圖像分類模型，避免通過計算每兩個圖像之間的相似度的方式來建立圖像分類模型，從而有效地降低了建立圖像分類模型時的處理數據量。另外，通過建立多層樹狀的圖像分類模型，可以利用較少的工作量實現多種類圖像的分組與分層，從而有效降低多種類模型過擬合的問題，提高系統識別率。

實施例三

如圖3所示，根據本發明的另一個實施例的圖像分類模型的建立方法，包括(在該實施例中訓練樣本圖像為食物圖像)：

步驟302，提取每張食物圖像的bow特征向量。

例如，通過sift(scaleinvariantfeaturetransform，尺度不變特征變換)算法、lbp(localbinarypatterns，局部二值模式)或者顏色直方圖提取每張圖像的特征向量。

步驟304，計算每種食物圖像的特征均值。

具體通過以下公式計算每種訓練樣本圖像的特征均值，

其中，ex表示第x種食物圖像的特征均值，vxj表示第x種食物圖像包含的第j張圖像的特征向量，nx表示第x種食物圖像包含的圖像總數量。

步驟306，判斷被訓練的節點分類器的ni是否大于ki，在判斷結果為是時，執行步驟308，在判斷結果為否時，執行步驟310。

具體地，獲取被訓練的節點分類器的識別種類數和種類閾值；根據識別種類數和種類閾值，計算被訓練的節點分類器的聚類中心個數。ni為識別種類數，ki為聚類中心個數。

步驟308，對特征均值進行聚類。

對被訓練的節點分類器的識別種類的食物圖像的特征均值進行聚類。其中，若被訓練的節點分類器為根節點分類器時，即首次進行訓練時，該被訓練的節點分類器的識別種類即為步驟302中的所有食物圖像的種類。

步驟310，將被訓練的節點分類器訓練成底層分類器。

步驟312，食物圖像重新分組，訓練被訓練的節點分類器的下一層節點分類器。

即根據步驟308中的聚類結果，確定被訓練的節點分類器的每個下一層節點分類器的識別種類的圖像。然后重復步驟306，對每個下一層節點分類器進行訓練，直到將所有節點分類器都訓練成底層分類器時為止，從而完成建立多層樹狀的圖像分類模型。

例如，有50種食物圖像，首先提取每張食物圖像的lbp以及顏色特征，并存入一個向量中，計算每種食物圖像的特征均值。根據該特征均值建立如圖4所示的多層樹狀的圖像分類模型。

如圖4所示，在建立第一層的圖像分類模型時，根節點分類器的識別種類數為50，根節點分類器的種類閾值為10，將根節點分類器的識別種類數與種類閾值的比值取整作為聚類中心個數，即聚類中心個數為5，該根節點分類器的下一層節點分類器的個數為5。對根節點分類器的50種食物圖像的特征均值進行聚類，以將這50種食物圖像分到根節點分類器的下一層節點分類器中。其中，第二層的第一個節點分類器的識別種類數為1，第二個節點分類器的識別種類數為13，第三個節點分類器的識別種類數為10，第四個節點分類器的識別種類數為9，第五個節點分類器的識別種類數為17。由于第一個節點分類器的識別種類數為1，因此，可以直接將該第一個節點分類器訓練成底層分類器。

然后再對第二層中的其他的四個節點分類器進行訓練。由于第二個節點分類器訓練和第五個節點分類器的識別種類數大于10，故需要二次分層，其他節點分類器直接連接底層分類器，第二個節點分類器訓練和第五個節點分類器在第三層后，也訓練成底層分類器。

另外，在建立好圖像分類模型之后，將待識別的圖像載入該圖像分類模型，先進入第1層的節點分類器，進行分類，如果直接得到具體食物類別，識別結束，若圖像被識別出屬于某一類，識別流程進入下一層的屬于該類的節點分類器，進行后續識別，直至得到圖像的最終分類。

圖5示出了根據本發明的實施例的圖像分類模型的建立裝置的示意框圖。

如圖5所示，根據本發明的實施例的圖像分類模型的建立裝置500，包括：提取單元502、計算單元504和建立單元506。

提取單元502，針對多種訓練樣本圖像，按種類提取每張訓練樣本圖像的特征向量；計算單元504，用于根據所述特征向量，計算所述每種訓練樣本圖像的特征均值；建立單元506，用于根據所述每種訓練樣本圖像的特征均值，建立多層樹狀的圖像分類模型。

在該技術方案中，通過計算出每種訓練樣本圖像的特征均值來建立多層樹狀的圖像分類模型，避免通過計算每兩個圖像之間的相似度的方式來建立圖像分類模型，從而有效地降低了建立圖像分類模型時的處理數據量。另外，通過建立多層樹狀的圖像分類模型，可以利用較少的工作量實現多種類圖像的分組與分層，從而有效降低多種類模型過擬合的問題，提高系統識別率。

在上述技術方案中，優選地，所述圖像分類模型的每一層包括至少一個節點分類器，所述建立單元506包括：判斷子單元5062，用于當訓練所述圖像分類模型的任一節點分類器時，判斷被訓練的節點分類器是否有下一層節點分類器；訓練子單元5064，用于若所述判斷子單元5062判定所述被訓練的節點分類器沒有下一層節點分類器，則將所述被訓練的節點分類器訓練成底層分類器；所述訓練子單元5064還用于，若所述判斷子單元5062判定所述被訓練的節點分類器有下一層節點分類器，則對所述被訓練的節點分類器的識別種類的圖像的特征均值進行聚類來確定所述被訓練的節點分類器的每個下一層節點分類器的識別種類，以對所述每個下一層節點分類器進行訓練。

在該技術方案中，通過聚類算法對節點分類器的識別種類的圖像的特征均值進行聚類，以將相似度較高的圖像歸為一類，從而建立多層樹狀的圖像分類模型，不僅解決了大數據樣本分層困難的技術問題，還保證了圖像分類模型對圖像識別的準確率。

在上述任一技術方案中，優選地，所述判斷子單元5062具體用于，獲取所述被訓練的節點分類器的識別種類數和種類閾值，根據所述被訓練的節點分類器的識別種類數和種類閾值，計算所述被訓練的節點分類器的聚類中心個數，根據所述被訓練的節點分類器的聚類中心個數和識別種類數，判斷所述被訓練的節點分類器是否有下一層節點分類器；以及在判定所述被訓練的節點分類器有下一層節點分類器的情況下，所述被訓練的節點分類器的下一層節點分類器的個數等于所述聚類中心個數。

在該技術方案中，通過計算被訓練的節點分類器的聚類中心個數，將該聚類中心個數和識別種類數進行比較，可以準確地判斷出是否為被訓練的節點分類器分配下一層節點分類器，這樣，在保證建立的圖像分類模型識別準確率的情況下，還可以避免進行過多的不必要的分層，進一步地保證了建立圖像分類模型的處理速度。

在上述任一技術方案中，優選地，所述判斷子單元5062具體用于，通過以下公式計算所述聚類中心個數，

其中，ki表示所述被訓練的第i個節點分類器的聚類中心個數，ceil()為取整公式，ni表示所述被訓練的第i個節點分類器的識別種類數，ti表示所述被訓練的第i個節點分類器的種類閾值。

在該技術方案中，通過將識別種類數和種類閾值的比值進行取整作為聚類中心個數，該聚類中心個數不僅可以用來判斷被訓練的節點分類器是否有下一層節點分類器，還可以用于對被訓練的節點分類器進行訓練。

在上述任一技術方案中，優選地，所述判斷子單元5062具體用于，獲取所述被訓練的節點分類器的識別種類數和/或識別率，通過判斷所述被訓練的節點分類器的識別種類數和/或識別率是否在預設范圍內，來判斷所述被訓練的節點分類器是否有下一層節點分類器。

在該技術方案中，可以根據被訓練的節點分類器對應的圖像種類數作為判斷依據進行分層，還可以通過被訓練的節點分類器對圖像的識別率確定是否分層，在不進行分層時，將該被訓練的節點分類器訓練成底層分類器，在保證圖像分類模型具有較高的識別性能的情況下，避免進行過多的不必要的分層，進一步地保證了建立圖像分類模型的處理速度。

在上述任一技術方案中，優選地，所述特征向量為bow特征向量。

圖6示出了根據本發明的實施例的具有圖像處理功能的設備的示意框圖。

如圖6所示，根據本發明的實施例的具有圖像處理功能的設備600，包括上述技術方案中任一項所述的圖像分類模型的建立裝置500，因此，該具有圖像處理功能的設備600具有和上述技術方案中任一項所述的圖像分類模型的建立裝置500相同的技術效果，在此不再贅述。

其中，具有圖像處理功能的設備600包括但不限于：服務器、家用電器和終端。

以上結合附圖詳細說明了本發明的技術方案，通過本發明的技術方案，可以利用較少的工作量實現多種類圖像的分組與分層，并降低過擬合，提系統高識別率。

在本發明中，術語“第一”、“第二”僅用于描述的目的，而不能理解為指示或暗示相對重要性；術語“多個”表示兩個或兩個以上。對于本領域的普通技術人員而言，可以根據具體情況理解上述術語在本發明中的具體含義。

以上所述僅為本發明的優選實施例而已，并不用于限制本發明，對于本領域的技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。