[發明專利]一種用于圖像類別識別的圖像聚類方法

有效

• 申請號: 202010185125.1
• 申請日: 2020-03-17
• 公開（公告）號: CN111428764B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 劉丹;任志愿;趙明;吳超;史夢雨
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06K9/62;G06F16/53;G06F16/55
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 周劉英

本發明公開了一種用于圖像類別識別的圖像聚類方法，屬于于圖像處理技術領域。本發明通過基于泰森多邊形的k均值算法改進，達到更精準和高效地實現數據對象聚類和區分數據對象之間的不同，通過基于加權平均值法的k均值算法改進，進一步提高聚類效率，通過基于主成分分析法的k均值算法改進，把多維的數據特征降維，以方便使用泰森多邊形初始化，最終得到改進的k均值算法，從而基于該改進的k均值算法實現本發明的圖像聚類處理，提升圖像的管理和檢索性能。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種用于圖像類別識別的圖像聚類方法。

背景技術

在如今信息高度膨脹的社會,數字圖像信息迅猛增加。如何對海量的圖像數據進行高效的查詢和處理，并獲得有價值的數據信息至關重要。在圖像檢索處理時，為了提升檢索效率，會應用到圖像類別識別處理，即首先對圖像庫中的圖像進行聚類處理，例如k均值聚類，將圖像庫聚類為K個大類；圖像檢索處理時，先實現待檢索圖像的圖像類別識別處理，即粗略檢索(即在K個大類的中心點圖像中查詢與當前待檢索圖像最相似的中心點圖像)，然后再與待檢索圖像最相似的類簇中對圖像進行遍歷檢索，獲取圖像檢索結果。

目前，對聚類算法的研究包括算法性能的改進、適用于特定數據的聚類算法研究、聚類數目的確定、初始聚類中心的選擇、聚類效果的評價指標等多種研究方向。

k均值聚類算法，是一種無監督的聚類方法，是可以處理大量個案的算法，它也是通過逐步將樣本不斷靠近中心點，又稱逐步樣本聚類算法。根據選定的中心點嘗試發現相對近似的個案組的分析過程。分析方法有幾個優點，相對于分層方法，算法相對簡單，算法效率較高。算法受歡迎的原因一個在于它易于解釋、實現簡單、收斂速度快、對稀疏數據的適應性強。另一個優點是它在接受測量距離方面的靈活性。K-means的主要缺點是，當數據中有異常值時，可能會得到扭曲的結果，即單個異常值可以顯著增加平方誤差。然后，這些更典型的對象將被劃分為非常少的組，但是異常值將被放在非常小甚至單個的集群中。

在k均值聚類處理時，給定一個數據集U，記為U＝{N₁,N₂,N₃,…,N_n}，其中N_i(i＝1,2,…,n)一般是指元組或者記錄。設置K為參數，將數據集中的n個元組或記錄分成K個聚類組，其中Kn，以使各個聚類組組內達到較高的相似度，而各組間具有最大的差異性。聚類得到的這K個分組需要滿足以下幾個條件：每個分組中的數據元組或者記錄數必須大于零；每個數據元組或者記錄有且僅屬于一個分組。

從數據集U＝{N₁,N₂,N₃,…,N_n}中任意選擇K個對象作為初始質心，即所期望的聚類簇個數；而將數據集中其余對象指派到離它們最近的質心所在的聚類組中，其中“最近”是指它們與其中一個聚類中心的相似度最高或者說距離(一般指歐氏距離)最短；根據所得的聚類簇，重新計算每個聚類簇的新質心，即該聚類簇中所有對象的均值；不斷重復上述的指派和更新質心的過程，直到聚類質心不在發生任何變化或者標準測度函數開始收斂，則結束聚類。一般標準測度函數是指均方差，即準則函數。

但是，由于經典k均值聚類算法中初始聚類數目和初始聚類中心點選取困難，從而導致基于k均值聚類算法的圖像聚類處理的準確性和效率有待于進一步提升。

發明內容

本發明的發明目的在于：針對上述存在的問題，對k均值聚類方式進行了改進，從而基于改進的k均值聚類方式，根據圖像的像素特征，實現對圖像的聚類處理，使得相似度高的圖像歸為一類，從而提升圖像的管理和檢索性能。

本發明的用于圖像類別識別的圖像聚類方法包括下列步驟：

步驟S1：對待處理的圖像進行降維處理：

步驟S101：對待處理的圖像的像素值進行歸一化處理；其中，待處理的圖像的尺寸相同，圖像尺寸表示為n×m；