[發明專利]一種基于超高維數據元聚類的圖像匹配方法

有效

• 申請號: 202110667557.0
• 申請日: 2021-06-16
• 公開（公告）號: CN113537290B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 辜方清;劉浩森
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06V10/75
• 分類號: G06V10/75;G06V10/762;G06K9/62
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 張生梅

本發明公開了一種基于超高維數據元聚類的圖像匹配方法，這種方法不需要對超高維數據進行降維，使用元聚類的方法，盡可能的保存了超高維數據的信息特征，同時有效避免了維數災難；本方案中的自適應特征集快速劃分的方法，這種方法首先將特征將相似性差異最大的特征劃分進多個特征子集，然后再將其余特征劃分進相似性差異最小的特征子集，通過這樣的特征集劃分，使得數據的維度降低，同時能夠提供較為豐富的知識信息用于聚類得到較為精確的聚類標簽，避免了聚類過程中的維度災難的影響。

技術領域

本發明涉及算法優化以及圖像匹配技術領域，特別涉及一種基于超高維數據元聚類的圖像匹配方法。

背景技術

隨著深度學習的發展，許多基于聚類的圖像數據挖掘技術被用來進行圖像匹配。然而，圖像的像素通常是巨大的，在訓練模型時通常數據是高維且稀疏的。傳統的聚類算法在處理圖像數據挖掘的高維數據時，由于維數災難，使得樣本之間的距離都非常大，遭遇了極大的挑戰，使得圖像匹配的效果不佳。因此，迫切需要一個高效的超高維數據聚類方法來處理圖像數據聚類，從而實現最優的圖像匹配。

目前，圖像聚類算法主要有以下三種：

基于劃分的聚類算法，如K均值聚類算法(K-means)和K中心聚類算法(K-modes)，這類算法初始挑選隨機點，并通過數據點的迭代重置得到聚類中心，通過把樣本劃分到最近的中心把樣本集劃分為若干類。實現同類點類內距離盡可能地小，不同類的點之間的距離盡可能地大。近年來，針對特定預先給定的聚類簇數的自適應選擇提出了許多改進的算法。然而，這類算法雖然簡單，卻對初始值，噪聲和離群點非常敏感，而且對高維數據的流形要求很嚴格，在非凸數據上效果顯著惡化。

層次聚類算法，如Agglomerative Nesting Divisive Analysis(AGNES)和DIANA聚類算法，其中AGNES使用自底向上的聚合方法，通過計算類與類之間的距離，把相近的類進行合并；而DIANA通過計算樣本之間的距離使用自頂向下的分拆方法。這類算法在不同層次對數據集進行劃分，使數據集形成樹狀的聚類結構。通常，這類方法具有很好的解釋性，可以在任意想要的簇數上選擇聚類的結果。然而，這一類算法時間復雜度比較高，并且是一類貪心算法。這類算法由于需要計算類與類之間的距離，以及樣本之間的距離，同樣存在維數災難的挑戰。

基于密度的聚類算法，如Density-Based Spatial Clustering of Applicationswith Noise(DBSCAN)算法，使用密度來將點聚成簇。其可以根據點的密度劃分簇，使得密度大的區域簇比較小，密度小的區域簇比較大，從而克服有劃分聚類算法中基于距離的算法只能實現“凸”型數據的聚類的缺點。在計算樣本的密度時需要計算樣本之間的距離，這類算法同樣存在維數災難的挑戰，另外，聚類的結果對密度閾值這個參數也比較敏感。

發明內容

本發明的目的是提供一種基于超高維數據元聚類的圖像匹配方法，用以高效的進行圖像數據的聚類，并通過聚類結果確定匹配的圖像，從而實現圖像的有效匹配。

為了實現上述任務，本發明采用以下技術方案：

一種基于超高維數據元聚類的圖像匹配方法，步驟包括以下：

S1，獲取圖像像素數據S＝{x₁,x₂,…,x_D}∈R^N×D，其中x_i表示第i個特征，D為特征數，N為圖像數量，R為實數集；

S2,采用金字塔范式的聚類算法，設置算法的層數為m層，金字塔范式的第一層的輸入特征集為圖像像素數據S，輸出特征集作為第二層的輸入特征集；從第二層至第m-1層，每一層的輸入特征集為上一層的輸出特征集，輸出特征集作為下一層的輸入特征集；

S3,對于第一層至第m-1層，每一層中的處理過程為：