CN109522937B

CN109522937B - 图像处理方法及装置、电子设备和存储介质

Info

Publication number: CN109522937B
Application number: CN201811237469.1A
Authority: CN
Inventors: 蔡晓聪; 侯军; 伊帅; 闫俊杰
Original assignee: Beijing Sensetime Technology Development Co Ltd
Current assignee: Beijing Sensetime Technology Development Co Ltd
Priority date: 2018-10-23
Filing date: 2018-10-23
Publication date: 2021-02-19
Anticipated expiration: 2038-10-23
Also published as: CN109522937A

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，其中所述方法包括：根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵；根据所述第一距离矩阵确定与各图像的特征向量之间的第一距离最小的k1个第一相邻图像，并从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，其中k1大于或者等于k2，且k1和k2均为大于1的整数；基于每个图像的所述k2个第二相邻图像，建立各图像之间的第二距离矩阵；利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类。本公开能够提高聚类分组的精确度。

Description

图像处理方法及装置、电子设备和存储介质

技术领域

本公开涉及图像处理领域，特别涉及一种图像处理方法及装置、电子设备和存储介质。

背景技术

行人聚类是智能视频检索和分析中的一项重要组成部分，行人聚类一般的流程是首先通过行人特征抽取的模型对行人的特征进行抽取，然后通过抽取的特征以及相应的聚类算法对行人的图像进行聚类。

在行人重识别领域，行人聚类的目的主要在于对同一行人的图像进行聚类。目前行人重识别中的行人聚类采用的聚类算法主要是基于迭代的图搜索的方法，其主要缺点在于聚类的周期随行人数量的增加将程指数级增长。

另一方面，如果单纯使用聚类算法对行人进行聚类，无法最有效地抽取图像的特征，行人聚类的精度无法有效得到提升。

发明内容

本公开实施例提供了一种能够快速且有效的实现图像聚类的图像处理方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种图像处理方法，其包括：

根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵，所述第一距离矩阵由各图像的特征向量之间的第一距离构成；

根据所述第一距离矩阵确定与各图像的特征向量之间的第一距离最小的k1个第一相邻图像，并从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，其中k1大于或者等于k2，且k1和k2均为大于1的整数；

基于每个图像的所述k2个第二相邻图像，建立各图像之间的第二距离矩阵，所述第二距离矩阵由各图像的特征向量之间的第二距离构成；

利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类。

在一种可能的实施方式中，所述根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵，包括：

按照第一方式获得各图像的特征向量与其余图像的特征向量之间的第一距离；

利用各图像的特征向量之间的第一距离建立所述第一距离矩阵。

在一种可能的实施方式中，所述利用各图像的特征向量之间的第一距离建立所述第一距离矩阵包括：

将与相同图像的特征向量之间的第一距离以行排列的方式或者以列排列的方式布置，且在按照行排列的方式布置时，针对不同图像的特征向量之间的第一距离位于不同行，以及在按照列排列的方式布置时，针对不同图像的特征向量的第一距离位于不同列；

根据以行排列的方式或者以列排列的方式布置后的各第一距离，形成所述第一距离矩阵。

在一种可能的实施方式中，所述第一方式包括欧式距离计算方式或者马氏距离计算方式。

在一种可能的实施方式中，在所述根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵之前，所述方法还包括：

利用神经网络模型获取图像数据集中各图像的特征向量，且每个图像的特征向量的长度相同。

在一种可能的实施方式中，所述从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，包括：

如果所述图像数据集中的图像与其对应的第一相邻图像互为相邻图像，则将该第一相邻图像确定为所述图像数据集中的该图像的第二相邻图像。

在一种可能的实施方式中，所述基于每个图像的所述k2个第二相邻图像，建立各图像之间的第二距离矩阵，包括：

基于每个图像的所述k2个第二相邻图像，按照第二方式确定各图像的特征向量之间的第二距离；

利用各图像的特征向量之间的第二距离建立所述第二距离矩阵。

在一种可能的实施方式中，所述第二方式包括杰卡德距离计算方式。

在一种可能的实施方式中，所述利用各图像的特征向量之间的第二距离建立所述第二距离矩阵包括：

将与相同图像的特征向量之间的第二距离以行排列的方式或者以列排列的方式布置，且在按照行排列的方式布置时，针对不同图像的特征向量之间的第二距离位于不同行，以及在按照列排列的方式布置时，针对不同图像的特征向量的第二距离位于不同列；

根据以行排列的方式或者以列排列的方式布置后的各第二距离，形成所述第二距离矩阵。

在一种可能的实施方式中，所述利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类，包括：

利用两个图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离；

将与所述图像数据集中的第一图像的特征向量之间的第三距离小于距离阈值的第二图像，作为所述第一图像的相同组的图像。

确定与任一图像的特征向量之间的第三距离最小的k个第三相邻图像，为所述k个第三相邻图像中与所述任一图像之间第三距离小于距离阈值的图像分配聚类标识，并且所述任一图像与被分配聚类标识的图像被分配到相同组，以及被分配聚类标识的图像不再被分配到其他组。

在一种可能的实施方式中，所述第一距离的权值和第二距离的权值相等。

根据本公开的第二方面，提供了一种图像处理方法，其包括：

获取目标图像，并建立所述目标图像与图像数据集中的各图像之间的第一距离矩阵，所述第一距离矩阵由所述目标图像的特征向量与所述图像数据集中各图像的特征向量之间的第一距离构成；

根据所述第一距离矩阵确定与各目标图像的特征向量之间的第一距离最小的k1个第一相邻图像，并从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，其中k1大于或者等于k2，且k1和k2均为大于1的整数；

基于所述目标图像的所述k2个第二相邻图像，建立所述目标图像与所述图像数据集中各图像之间的第二距离矩阵，所述第二距离矩阵由所述目标图像的特征向量与所述图像数据集中各图像的特征向量之间的第二距离构成；

利用所述第一距离矩阵和第二距离矩阵，获取与所述目标图像为相同分组的图像。

在一种可能的实施方式中，所述获取目标图像，并建立所述目标图像与图像数据集中的各图像之间的第一距离矩阵，包括：

获取图像数据集中各图像的特征向量，以及目标图像的特征向量；

按照第一方式获得所述目标图像与图像数据集中各图像的特征向量之间的第一距离；

利用各所述第一距离建立所述第一距离矩阵。

在一种可能的实施方式中，所述获取图像数据集中各图像的特征向量，以及目标图像的特征向量，包括：

利用神经网络模型获取图像数据集中各图像的特征向量以及目标图像的特征向量，且每个图像的特征向量的长度相同。

如果所述目标图像与其第一相邻图像互为相邻图像，如是，则将与所述目标图像互为相邻图像的所述第一相邻图像确定为所述目标图像的第二相邻图像。

在一种可能的实施方式中，所述基于所述目标图像的所述k2个第二相邻图像，建立所述目标图像与所述图像数据集中各图像之间的第二距离矩阵，包括：

基于所述目标图像的所述k2个第二相邻图像，按照第二方式确定所述目标图像与图像数据集中各图像的特征向量之间的第二距离；

利用各所述第二距离建立所述第二距离矩阵。

在一种可能的实施方式中，所述利用所述第一距离矩阵和第二距离矩阵，获取与所述目标图像为相同分组的图像，包括：

利用目标图像的特征向量与图像数据集中各图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离；

将与所述目标图像的特征向量之间的第三距离小于距离阈值的图像确定为与目标图像为相同组的图像。

根据本公开的第三方面，提供了一种图像处理装置，其包括：

第一矩阵建立模块，其用于根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵，所述第一距离矩阵由各图像的特征向量之间的第一距离构成；

选择模块，其用于根据所述第一距离矩阵确定与各图像的特征向量之间的第一距离最小的k1个第一相邻图像，并从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，其中k1大于或者等于k2，且k1和k2均为大于1的整数；

第二矩阵建立模块，其用于基于每个图像的所述k2个第二相邻图像，建立各图像之间的第二距离矩阵，所述第二距离矩阵由各图像的特征向量之间的第二距离构成；

聚类模块，其用于利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类。

在一种可能的实施方式中，所述第一矩阵建立模块还用于按照第一方式获得各图像的特征向量与其余图像的特征向量之间的第一距离，并利用各图像的特征向量之间的第一距离建立所述第一距离矩阵。

在一种可能的实施方式中，所述第一矩阵建立模块还用于将与相同图像的特征向量之间的第一距离以行排列的方式或者以列排列的方式布置，且在按照行排列的方式布置时，针对不同图像的特征向量之间的第一距离位于不同行，以及在按照列排列的方式布置时，针对不同图像的特征向量的第一距离位于不同列，并根据以行排列的方式或者以列排列的方式布置后的各第一距离，形成所述第一距离矩阵。

在一种可能的实施方式中，所述装置还包括：

特征提取模块，其用于利用神经网络模型获取图像数据集中各图像的特征向量，且每个图像的特征向量的长度相同。

在一种可能的实施方式中，所述选择模块还用于如果所述图像数据集中的图像与其对应的第一相邻图像互为相邻图像，则将该第一相邻图像确定为所述图像数据集中的该图像的第二相邻图像。

在一种可能的实施方式中，所述第二矩阵建立模块还用于基于每个图像的所述k2个第二相邻图像，按照第二方式确定各图像的特征向量之间的第二距离，并利用各图像的特征向量之间的第二距离建立所述第二距离矩阵。

在一种可能的实施方式中，所述第二矩阵建立模块还用于将与相同图像的特征向量之间的第二距离以行排列的方式或者以列排列的方式布置，且在按照行排列的方式布置时，针对不同图像的特征向量之间的第二距离位于不同行，以及在按照列排列的方式布置时，针对不同图像的特征向量的第二距离位于不同列；以及

在一种可能的实施方式中，所述聚类模块还用于利用两个图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离，以及将与所述图像数据集中的第一图像的特征向量之间的第三距离小于距离阈值的第二图像，作为所述第一图像的相同组的图像。

在一种可能的实施方式中，所述聚类模块还用于利用两个图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离；以及

根据本公开的第四方面，提供了一种图像处理装置，其包括：

获取模块，其用于获取目标图像和图像数据集；

第一矩阵建立模块，其用于建立所述目标图像与图像数据集中的各图像之间的第一距离矩阵，所述第一距离矩阵由所述目标图像的特征向量与所述图像数据集中各图像的特征向量之间的第一距离构成；

选择模块，其用于根据所述第一距离矩阵确定与各目标图像的特征向量之间的第一距离最小的k1个第一相邻图像，并从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，其中k1大于或者等于k2，且k1和k2均为大于1的整数；

第二矩阵建立模块，其用于基于所述目标图像的所述k2个第二相邻图像，建立所述目标图像与所述图像数据集中各图像之间的第二距离矩阵，所述第二距离矩阵由所述目标图像的特征向量与所述图像数据集中各图像的特征向量之间的第二距离构成；

聚类模块，其用于利用所述第一距离矩阵和第二距离矩阵，获取与所述目标图像为相同分组的图像。

在一种可能的实施方式中，所述第一矩阵建立模块还用于获取图像数据集中各图像的特征向量，以及目标图像的特征向量，并按照第一方式获得所述目标图像与图像数据集中各图像的特征向量之间的第一距离，以及利用各所述第一距离建立所述第一距离矩阵。

在一种可能的实施方式中，所述第一矩阵建立模块还用于利用神经网络模型获取图像数据集中各图像的特征向量以及目标图像的特征向量，且每个图像的特征向量的长度相同。

在一种可能的实施方式中，所述选择模块还用于如果所述目标图像与其第一相邻图像互为相邻图像，如是，则将与所述目标图像互为相邻图像的所述第一相邻图像确定为所述目标图像的第二相邻图像。

在一种可能的实施方式中，所述第二矩阵建立模块还用于基于所述目标图像的所述k2个第二相邻图像，按照第二方式确定所述目标图像与图像数据集中各图像的特征向量之间的第二距离；

利用各所述第二距离建立所述第二距离矩阵。

在一种可能的实施方式中，所述聚类模块还用于利用目标图像的特征向量与图像数据集中各图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离；以及将与所述目标图像的特征向量之间的第三距离小于距离阈值的图像确定为与目标图像为相同组的图像。

根据本公开的第五方面，提供了一种电子设备，其包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行第一方面中任意一项所述的方法，或者执行如第二方面中任意一项所述的方法。

根据本公开的第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法，或者执行如第二方面中任意一项所述的方法。

综上所述，本公开实施例提供的图像处理方法可以通过不同的方式获取两个图像之间的第一距离矩阵以及第二距离矩阵，从而避免由于单一算法所带来的精度低的问题，其中结合第一距离矩阵和第二距离矩阵能够更加精确的确定图像之间的相似度，从而提高图像聚类分析的精确度。

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，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种图像处理方法的流程图；

图2示出根据本公开实施例的图像处理方法中步骤S100的流程图；

图3示出根据本公开实施例的图像处理方法中步骤S102的流程图；

图4示出根据本公开实施例的图像处理方法中步骤S300的流程图；

图5示出根据本公开实施例的图像处理方法中步骤S302的流程图；

图6示出根据本公开实施例的图像处理方法中步骤S400的流程图；

图7示出根据公开实施例的图像处理方法中步骤S400的另一流程图；

图8示出根据本公开实施例的一种图像处理方法的流程图；

图9示出根据本公开实施例的一种图像处理装置的框图；

图10示出根据本公开实施例的一种图像处理装置的另一框图；

图11示出根据本公开实施例的一种电子设备的框图；

图12示出根据本公开实施例的一种电子设备的另一框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开实施例提供了一种图像处理方法，该方法可以应用在任意的电子设备或者服务器中，电子设备可以包括具有数据处理功能的智能设备，例如手机、计算机、平板电脑等，本公开实施例对于电子设备的类型以及服务器的类型不进行限定。

图1示出根据本公开实施例的一种图像处理方法的流程图，其中，本公开实施例提供的图像处理方法可以包括：

S100：根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵，所述第一距离矩阵由各图像的特征向量之间的第一距离构成；

S200：根据所述第一距离矩阵确定与各图像的特征向量之间的第一距离最小的k1个第一相邻图像，并从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，其中k1大于k2，且k1和k2均为大于1的整数；

S300：基于每个图像的所述k2个第二相邻图像，建立各图像之间的第二距离矩阵，所述第二距离矩阵由各图像的特征向量之间的第二距离构成；

S400：利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类。

本公开实施例提供的图像处理方法可以用于对图像数据集中的各图像进行聚类分析或者检索分析，即对包括相同对象的图像进行聚类。其中，图像数据集中可以包括多个图像，且每个图像中都可以包括所要进行聚类的对象。例如，在执行行人聚类分析时，图像数据集中的每个图像中都可以包括行人的图像，即包括人物对象。或者，本公开实施例也可以对其他类型的对象进行聚类分析，例如图像数据集中的各图像可以包括不同类型的植物，通过本公开实施例的方法可以将相同类型的植物图像聚类到一组。本公开实施例对图像中对象的类型不作限定，可以根据不同的需求配置图像数据集。

下面对本公开实施例的各步骤进行详细描述，其中，步骤S100中，可以根据图像数据集中各图像的特征向量，建立第一距离矩阵。其中，第一距离矩阵中的矩阵元素为各图像的特征向量之间的第一距离。例如图像数据集中可以包括图像A、B和C，第一距离矩阵可以为

其中，D_AB为图像A的特征向量与图像B的特征向量之间的第一距离，对应的，D_AC为图像A的特征向量与图像C的特征向量之间的第一距离，D_BA为图像B的特征向量与图像A的特征向量之间的第一距离，D_BC为图像B的特征向量与图像C的特征向量之间的第一距离，D_CA为图像C的特征向量与图像A的特征向量之间的第一距离，D_CB为图像C的特征向量与图像B的特征向量之间的第一距离。即，本公开实施例可以获取图像数据集中每两个图像的特征向量之间的第一距离，并进一步根据第一距离建立第一距离矩阵。

图2示出根据本公开实施例的图像处理方法中步骤S100的流程图，其中所述根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵(步骤S100)可以包括：

S101：按照第一方式获得各图像的特征向量与其余图像的特征向量之间的第一距离；

S102：利用各图像的特征向量之间的第一距离建立所述第一距离矩阵。

首先，在步骤S100之前，本公开实施例还可以获取图像数据集，并且识别图像数据集中每个图像的特征向量，例如可以将图像数据集中的各图像输入至神经网络模型中，利用神经网络模型识别各图像的特征，形成特征向量，通过该方式可以提高特征向量的识别精度，保证后续图像的聚类分析的精确度。其中神经网络模型可以包括卷积神经网络，或者也可以是其他类型的神经网络，例如深度学习神经网络，本公开实施例对此不进行限定。在本公开的其他实施例中也可以利用图像识别算法识别各图像中的特征，例如，面部识别算法、姿势识别算法等等，本领域技术人员也可以选取对应的识别算法执行图像的特征的识别过程，本公开实施例不作具体限定。其中，针对图像数据集中每个图像所获取的特征向量长度相同，从而方便对于各特征向量进行运算。

另外，本公开实施例在S100之前还可以包括获取图像数据集。其中图像数据集可以存储在服务器或者本地设备中，或者也可以基于接收的视频数据转换成图像数据集。

其中，在图像数据集存储在服务器或者本地设备中时，可以直接从服务器或者本地设备请求获取对应的图像数据集。或者也可以接收视频数据并根据视频数据转换形成图像数据集，其中，视频数据可以是由至少一个摄像头采集的视频数据。在行人聚类的实施例中，可以将设置在不同区域位置处采集到的视频数据转换成图像数据集，进行聚类分组识别。本公开实施例中，可以将视频数据的各帧图像内的行人图像分割，获得包括行人对象的多个图像，构成图像数据集。因此基于本公开实施例的方法可以方便的实现行人图像的聚类，获得针对不同对象的相关图像，可以方便的用于行人检测等方面。

在获取图像数据集中各图像的特征向量的情况下，可以执行步骤S101，以进一步的按照第一方式获得各图像的特征向量之间的第一距离。本公开实施例的第一距离可以为马氏距离或者欧式距离。其中，在第一距离为欧式距离时，第一方式的表达式可以包括：

其中，x和y分别为两个图像的特征向量，并且x＝(x₁,x₂,...,x_n)，y＝(y₁,y₂,...,y_n)，n为特征向量的长度，d(x,y)为特征向量x和特征向量y之间的第一距离。通过上述公式(1)即可以确定两个特征向量之间的第一距离(欧氏距离)。

或者，在第一距离为马氏距离时，第一方式的表达式可以包括：

d(x,y)＝(x-y)^TM(x-y) (2)

其中，x和y分别为两个对象的特征向量，并且x＝(x₁,x₂,...,x_n)，y＝(y₁,y₂,...,y_n)，n为特征向量的长度，M为半正定矩阵，d(x,y)为特征向量x和特征向量y之间的第一距离。通过上述公式(2)即可以确定两个特征向量之间的第一距离(马氏距离)，其中半正定矩阵M为图像数据集中全部图像的特征向量的协方差矩阵，本领域技术人员可以根据现有技术手段计算全部图像的特征向量的协方差矩阵得到M，本公开实施例在此不进行详细说明。

在确定了各图像的特征想来那个之间的第一距离之后，可以根据各第一距离建立第一距离矩阵。其中，图3示出根据本公开实施例的图像处理方法中步骤S102的流程图。其中，所述利用各图像的特征向量之间的第一距离建立所述第一距离矩阵(步骤S102)可以包括：

S1021：将与相同图像的特征向量之间第一距离以行排列的方式或者以列排列的方式布置，且在按照行排列的方式布置时，针对不同图像的特征向量的第一距离位于不同行，以及在按照列排列的方式布置时，针对不同图像的特征向量的第一距离位于不同列；

S1022：根据以行排列的方式或者以列排列的方式布置后的各第一距离，形成所述第一距离矩阵。

其中，在一种可能的实施方式中，在确定了各图像的特征向量之间的第一距离之后，可以将针对一个图像的特征向量的第一距离布置在同一行，例如与图像A的特征向量之间的距离D_AB和D_AC位于同一行，且该行仅对应于与图像A的特征向量之间的第一距离。本公开实施例可以将针对不同图像的特征向量的第一距离位于不同行，例如对于A的第一距离位于第一行，对于图像B的各第一距离位于第二行，对于图像C的各第一距离位于第三行，以此类推，第一距离矩阵的行数可以与图像数据集中的图像的数量相同，列数为图像的数量减1。例如在图像数据集中包括n个图像时(n为大于1)，第一距离矩阵可以为

另外，在另一种可能的实施方式中，在确定了各图像的特征向量之间的第一距离之后，可以将针对一个图像的特征向量的第一距离布置在同一列，例如与图像A的特征向量之间的距离D_AB和D_AC位于同一列，且该列对应于与图像A的特征向量之间的第一距离。本公开实施例可以将针对不同图像的特征向量的第一距离位于不同列，例如对于A的第一距离位于第一列，对于图像B的各第一距离位于第二列，对于图像C的各第一距离位于第三列，以此类推，第一距离矩阵的列数可以与图像数据集中的图像的数量相同，行数为图像的数量减1。例如在图像数据集中包括n个图像时(n为大于1)，第一距离矩阵可以为

基于上述配置，即可以实现第一距离矩阵的建立，通过第一距离矩阵可以获得任意两个图像之间的第一距离。

在确定了第一距离矩阵之后，即可以执行步骤S200。其中首先可以根据第一距离矩阵从图像数据集中选择出各图像的相邻图像。其中相邻图像是指两个图像的特征向量之间的第一距离小于阈值，或者与图像的特征向量的距离最为接近的预设个数个图像可以作为相邻图像。本公开实施例中，可以根据所述第一距离矩阵确定与各图像的特征向量之间的第一距离最小的k1个第一相邻图像。即本公开实施例，将与某一图像的特征向量之间的第一距离最小的k1个图像作为该某一图像的k1个第一相邻图像。其中针对每个图像k1的值为固定相同的，但是在不同的实施例中，k1的取值可以不同，具体可以根据需求设定k1的值。

例如，在包括A、B、C和D四个图像时，如果k1取2，则可以在D_AB、D_AC、D_AD中选择出最小的两个距离值，并将最小的两个距离值对应的图像确定为图像A的第一相邻图像，以此类推，可以分别获得图像B、C和D的两个第一相邻图像。上述仅为获取k1个第一相邻图像的示例性说明，不作为本公开实施例的具体限定。

在确定了每个图像的k1个第一相邻图像后，可以进一步确定该k1个第一相邻图像是否符合第一规则，即可以从该k1个第一相邻图像中选择出满足第一规则的第二相邻图像，第二相邻图像的个数k2小于或者等于k1。针对不同的图像，其确定的第二相邻图像的个数k2可以不同，其中k1和k2的取值可以根据实际情况以及需求设定，本公开对此不进行限定。

本公开实施例中，第一规则可以为某一图像与其第一相邻图像是否互为相邻图像，如果是，则该第一相邻图像即可以作为第二相邻图像。例如，图像A的k1个第一相邻图像可以为B和D，此时可以验证B的k1个第一相邻图像中是否包括A，如果包括A，则B可以作为A的第二相邻图像。通过该种方式可以精确的确定互为相邻图像的两个图像，从而可以进一步提高聚类精度。

其中，第一规则的表达式可以包括：

R(p,k1)＝{g_i|(g_i∈N(p,k1))Λ(p∈N(g_i,k1))}

其中，R(p,k1)为图像p的第二相邻图像集，N(p,k1)为图像p的k1个第一相邻图像，N(g_i,k1)为图像g_i的k1个第一相邻图像，g_i为N(p,k1)中的一个图像，i大于0且小于N(p,k)中图像的个数，Λ表示并且的关系。

通过上述方式，即可以获取每个图像的k2个第二相邻图像，该第二相邻图像的获取可以有助于获取匹配度更高的相邻图像，从而提高分组聚类的精度。

进一步地，在确定了各图像的k2个第二相邻图像后，可以执行步骤S300。其中图4示出根据本公开实施例的图像处理方法中步骤S300的流程图。其中，所述基于每个图像的所述k2个第二相邻图像，建立各图像之间的第二距离矩阵(步骤S300)可以包括：

S301：基于每个图像的所述k2个第二相邻图像，按照第二方式确定各图像的特征向量之间的第二距离；

S302：利用各图像的特征向量之间的第二距离建立所述第二距离矩阵。

通过步骤S200可以进一步精确的获得各图像的相邻图像，即由k2个第二相邻图像构成的第二相邻图像集，本公开实施例可以通过第二方式进一步根据各图像的第二相邻图像集计算各图像的特征向量之间的第二距离。其中，第二方式与第一方式不同。并且第二方式可以为杰卡德距离计算方式，其表达式可以包括：

其中，d_J(x,y)为特征向量x和特征向量y之间的第二距离，R(x,k1)为特征向量x对应的图像的第二相邻图像集，R(y,k1)为特征向量y对应的图像的第二相邻图像集，|A|用于计算集合A中图像的数量。

其中，d_J(x,y)可以用于确定两个图像的特征向量x和y之间的第二距离，可以1与第一比值之间的差值确定上述第二距离。其中，第一比值为特征向量x对应的图像的k2个第一相邻图像与特征向量y对应的图像的k2个第一相邻图像的交集图像的第一数量，与利用特征向量x对应的图像的k2个第一相邻图像与特征向量y对应的图像的k2个第一相邻图像的并集图像的第二数量之间的比值。基于上述方式可以确定出任意两个图像的特征向量之间的第二距离。

在确定了各图像的特征向量之间的第二距离后，可以根据第二距离确定第二距离矩阵。图5示出根据本公开实施例的图像处理方法中步骤S302的流程图。其中，与构建第一距离矩阵的方式类似，步骤S302可以包括：

S3021：将与相同图像的特征向量之间第二距离以行排列的方式或者以列排列的方式布置，且在按照行排列的方式布置时，针对不同图像的特征向量的第二距离位于不同行，以及在按照列排列的方式布置时，针对不同图像的特征向量的第二距离位于不同列；

S3022：根据以行排列的方式或者以列排列的方式布置后的各第二距离，形成所述第二距离矩阵。

其中，在一种可能的实施方式中，在确定了各图像的特征向量之间的第二距离之后，可以将针对一个图像的特征向量的第二距离布置在同一行，例如与图像A的特征向量之间的第二距离D_AB和D_AC位于同一行，且该行对应于与图像A的特征向量之间的第二距离。本公开实施例可以将针对不同图像的特征向量的第二距离位于不同行，例如对于A的第二距离位于第一行，对于图像B的各第二距离位于第二行，对于图像C的各第二距离位于第三行，以此类推，第二距离矩阵的行数可以与图像数据集中的图像的数量相同，列数为图像的数量减1。例如在图像数据集中包括n个图像时(n为大于1)，第二距离矩阵可以为

另外，在另一种可能的实施方式中，在确定了各图像的特征向量之间的第二距离之后，可以将针对一个图像的特征向量的第二距离布置在同一列，例如与图像A的特征向量之间的第二距离D_AB和D_AC位于同一列，且该列对应于与图像A的特征向量之间的第二距离。本公开实施例可以将针对不同图像的特征向量的第二距离位于不同列，例如对于A的第二距离位于第一列，对于图像B的各第二距离位于第二列，对于图像C的各第二距离位于第三列，以此类推，第二距离矩阵的列数可以与图像数据集中的图像的数量相同，行数为图像的数量减1。例如在图像数据集中包括n个图像时(n为大于1)，第二距离矩阵可以为

基于上述配置，即可以实现第二距离矩阵的建立，通过第一距离矩阵可以获得任意两个图像之间的第二距离。

进一步地，在确定了第一距离矩阵和第二距离矩阵之后，可以执行步骤S400，执行图像数据集中各图像的分组聚类。

图6示出根据本公开实施例的图像处理方法中步骤S400的流程图。其中，所述利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类(步骤S400)，可以包括：

S401：利用两个图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离；

S402：将与所述图像数据集中的第一图像的特征向量之间的第三距离小于距离阈值的第二图像，作为所述第一图像的相同组的图像。

在一种可能的实施方式中，可以根据针对两个相同的图像获得的第一距离和第二距离的加权和得到该两个图像的特征向量的第三距离。其中获得第三距离的表达式可以包括：d^*(x,y)＝ad_J(x,y)+bd(x,y)，其中d^*(x,y)为特征向量x和特征向量y之间的第三距离，d(x,y)为特征向量x和特征向量y之间的第一距离，d_J(x,y)为特征向量x和特征向量y之间的第二距离，a为第一距离的权值，b为第二距离的权值。本公开实施例中第一距离的权值a和第二距离的权值b之和可以为1，a和b的取值可以根据需求设定，例如a和b可以均为0.5。

基于上述，则可以根据第一距离和第二距离得到两个图像的特征向量之间的第三距离，因此可以减少由于第一距离的计算方式带来的精度低的缺陷，提高两个特征向量之间的距离的计算精确度。

在获得第三距离后，可以得到针对图像数据集中每个图像的相同分组的图像，实现图像数据集中图像的分组聚类。其中针对每个图像(如第一图像)，与该第一图像的第三距离小于距离阈值的任意图像(第二图像)可以作为确定的与第一图像的最终相邻图像，各最终相邻图像即为第一图像的相同组或者相同类的图像，并且相同组内的图像中的对象即可以认为是相同对象。

在另一种可能的实施方式中，为了避免同一图像被分配到不同的分组内的情况，本公开实施例还提供了如图7示出的方案。图7示出根据公开实施例的图像处理方法中步骤S400的另一流程图。其中，所述利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类(步骤S400)，还可以包括：

S403：利用两个图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离；

S404：确定与任一图像的特征向量之间的第三距离最小的k个第三相邻图像，为所述k个第三相邻图像中与所述任一图像之间第三距离小于距离阈值的图像分配聚类标识，并且所述任一图像与被分配聚类标识的图像被分配到相同组，以及被分配聚类标识的图像不再被分配到其他组，其中k为大于1的整数。

其中，步骤S403与步骤S401相同，在此不再重复说明。

在确定了各图像的特征向量之间的第三距离之后，可以针对每个图像，选择出与其第三距离最小的k个第三相邻图像，将该k个第三相邻图像确定为与该图像为相同分组，此时可以为该k个第三相邻图像分配聚类标识，被分配聚类标识的图像不再被分配到其他组，不再参与其他图像的分组聚类。从而可以使得每个图像只被分配到一个聚类一个分组内。

通过上述配置即可以实现图像数据集中各图像的聚类分组，使得包括相同对象的图像被分配到同一分组内，实现图像的聚类分析。

另外，在本公开实施例中，还可以提供一种能够从图像数据集中快速且精确的识别出与目标图像中的对象相同的图像的图像处理方法。图8示出根据本公开实施例的一种图像处理方法的流程图。其中，所述图像处理方法可以包括：

S10：获取目标图像，并建立所述目标图像与图像数据集中的各图像之间的第一距离矩阵，所述第一距离矩阵由所述目标图像的特征向量与所述图像数据集中各图像的特征向量之间的第一距离构成；

S20：根据所述第一距离矩阵确定与各目标图像的特征向量之间的第一距离最小的k1个第一相邻图像，并从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，其中k1大于或者等于k2，且k1和k2均为大于1的整数；

S30：基于每个图像的所述k2个第二相邻图像，建立所述目标图像与所述图像数据集中各图像之间的第二距离矩阵，所述第二距离矩阵由所述目标图像的特征向量与所述图像数据集中各图像的特征向量之间的第二距离构成；

S40：利用所述第一距离矩阵和第二距离矩阵，获取与所述目标图像为相同分组的图像。

其中，本公开实施例所提供的图像处理方法同样可以应用在任意的电子设备和服务器中，其中，可以接收目标图像，并实现从图像数据集中识别出与包括目标图像内的对象的图像的过程。

其中，获取目标图像的过程可以包括利用通信模块接收其他设备传输的目标图像，或者也可以包括图像的选择信息，该图像的选择信息可以用于确定被选择的目标图像。例如，电子设备内可以包括多个图像，用户可以通过输入组件输入图像的选择信息，其中，输入组件可以包括触控屏、键盘、鼠标、音频识别单元等，只要能够确定被选择的目标图像，即可以作为本公开实施例的图像选择信息。

在选择可以目标图像之后，即可以从图像数据集中选择包括相同对象的图像，即获取与其在相同组内的图像。其中，获取目标图像的相同分组内的图像的方式可以与上述实施例所述的方法相同，具体可以参照上述说明，在此不再详细说明。

利用各所述第一距离建立所述第一距离矩阵。

在一种可能的实施方式中，所述第一方式的表达式包括：

其中，x为目标图像的特征向量，y为图像数据集中的图像的特征向量，并且x＝(x₁,x₂,...,x_n)，y＝(y₁,y₂,...,y_n)，n为特征向量的长度，d(x,y)为特征向量x和特征向量y之间的第一距离。

在一种可能的实施方式中，所述第一方式的表达式包括：

d(x,y)＝(x-y)^TM(x-y)

其中，x为目标图像的特征向量，y为图像数据集中的图像的特征向量，并且x＝(x₁,x₂,...,x_n)，y＝(y₁,y₂,...,y_n)，n为特征向量的长度，M为半正定矩阵，d(x,y)为特征向量x和特征向量y之间的第一距离。

利用神经网络模型获取图像数据集中各图像的特征向量以及目标图像的特征向量，且每个图像的特征向量的长度相同；

所述神经网络模型包括卷积神经网络。

在一种可能的实施方式中，所述预设规则的表达式包括：

R(p,k1)＝{g_i|(g_i∈N(p,k1))Λ(p∈N(g_i,k1))}

其中，R(p,k1)为目标图像p的第二相邻图像集，N(p,k1)为目标图像p的k1个第一相邻图像，N(g_i,k1)为图像g_i的k1个第一相邻图像，g_i为N(p,k1)中的一个图像，i大于0且小于N(p,k)中图像的个数，Λ表示并且的关系。

在一种可能的实施方式中，所述基于每个图像的所述k2个第二相邻图像，建立所述目标图像与所述图像数据集中各图像之间的第二距离矩阵，包括：

基于每个图像的所述k2个第二相邻图像，按照第二方式确定所述目标图像与图像数据集中各图像的特征向量之间的第二距离；

利用各所述第二距离建立所述第二距离矩阵。

在一种可能的实施方式中，所述第二方式的表达式包括：

其中，d_J(x,y)为目标图像的特征向量x和图像数据集中的图像的特征向量y之间的第二距离，R(x,k1)为特征向量x对应的目标图像的k1个第二相邻图像，R(y,k1)为特征向量y对应的图像的k个第二相邻图像，|A|用于计算集合A中图像的数量。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图9示出根据本公开实施例的一种图像处理装置的框图，其中，所述图像处理装置，包括：

第一矩阵建立模块10，其用于根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵，所述第一距离矩阵由各图像的特征向量之间的第一距离构成；

选择模块20，其用于根据所述第一距离矩阵确定与各图像的特征向量之间的第一距离最小的k1个第一相邻图像，并从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，其中k1大于或者等于k2，且k1和k2均为大于1的整数；

第二矩阵建立模块30，其用于基于每个图像的所述k2个第二相邻图像，建立各图像之间的第二距离矩阵，所述第二距离矩阵由各图像的特征向量之间的第二距离构成；

聚类模块40，其用于利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类。

在一种可能的实施方式中，所述装置还包括：

图10示出根据本公开实施例的一种图像处理装置的另一框图，其中图像处理装置可以包括：

获取模块100，其用于获取目标图像和图像数据集；

第一矩阵建立模块200，其用于建立所述目标图像与图像数据集中的各图像之间的第一距离矩阵，所述第一距离矩阵由所述目标图像的特征向量与所述图像数据集中各图像的特征向量之间的第一距离构成；

选择模块300，其用于根据所述第一距离矩阵确定与各目标图像的特征向量之间的第一距离最小的k1个第一相邻图像，并从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，其中k1大于或者等于k2，且k1和k2均为大于1的整数；

第二矩阵建立模块400，其用于基于所述目标图像的所述k2个第二相邻图像，建立所述目标图像与所述图像数据集中各图像之间的第二距离矩阵，所述第二距离矩阵由所述目标图像的特征向量与所述图像数据集中各图像的特征向量之间的第二距离构成；

聚类模块500，其用于利用所述第一距离矩阵和第二距离矩阵，获取与所述目标图像为相同分组的图像。

利用各所述第二距离建立所述第二距离矩阵。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图11示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图11，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图12示出根据本公开实施例的一种电子设备的另一框图。例如，电子设备1900可以被提供为一服务器。参照图12，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。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动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。

以上已经描述了本公开的各实施例，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技术改进，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。

Claims

1.一种图像处理方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵，包括：

3.根据权利要求2所述的方法，其特征在于，所述利用各图像的特征向量之间的第一距离建立所述第一距离矩阵包括：

4.根据权利要求2或3所述的方法，其特征在于，所述第一方式包括欧式距离计算方式或者马氏距离计算方式。

5.根据权利要求1-3中任意一项所述的方法，其特征在于，在所述根据图像数据集中各图像的特征向量，建立各图像之间的第一距离矩阵之前，所述方法还包括：

6.根据权利要求1-3中任意一项所述的方法，其特征在于，所述从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，包括：

7.根据权利要求1-3中任意一项所述的方法，其特征在于，所述基于每个图像的所述k2个第二相邻图像，建立各图像之间的第二距离矩阵，包括：

8.根据权利要求7所述的方法，其特征在于，所述第二方式包括杰卡德距离计算方式。

9.根据权利要求7所述的方法，其特征在于，所述利用各图像的特征向量之间的第二距离建立所述第二距离矩阵包括：

10.根据权利要求1所述的方法，其特征在于，所述利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类，包括：

11.根据权利要求1所述的方法，其特征在于，所述利用所述第一距离矩阵和第二距离矩阵，对所述图像数据集中的各图像进行分组聚类，包括：

12.根据权利要求10或11所述的方法，其特征在于，所述第一距离的权值和第二距离的权值相等。

13.一种图像处理方法，其特征在于，包括：

14.根据权利要求13所述的方法，其特征在于，所述获取目标图像，并建立所述目标图像与图像数据集中的各图像之间的第一距离矩阵，包括：

利用各所述第一距离建立所述第一距离矩阵。

15.根据权利要求14所述的方法，其特征在于，所述第一方式包括欧式距离计算方式或者马氏距离计算方式。

16.根据权利要求13-15中任意一项所述的方法，其特征在于，所述获取图像数据集中各图像的特征向量，以及目标图像的特征向量，包括：

17.根据权利要求13-15中任意一项所述的方法，其特征在于，所述从所述k1个第一相邻图像中选择出符合第一规则的k2个第二相邻图像，包括：

18.根据权利要求13-15中任意一项所述的方法，其特征在于，所述基于所述目标图像的所述k2个第二相邻图像，建立所述目标图像与所述图像数据集中各图像之间的第二距离矩阵，包括：

利用各所述第二距离建立所述第二距离矩阵。

19.根据权利要求18所述的方法，其特征在于，所述第二方式包括杰卡德距离计算方式。

20.根据权利要求13-15中任意一项所述的方法，其特征在于，所述利用所述第一距离矩阵和第二距离矩阵，获取与所述目标图像为相同分组的图像，包括：

21.根据权利要求20所述的方法，其特征在于，所述第一距离的权值和第二距离的权值相等。

22.一种图像处理装置，其特征在于，包括：

23.根据权利要求22所述的装置，其特征在于，所述第一矩阵建立模块还用于按照第一方式获得各图像的特征向量与其余图像的特征向量之间的第一距离，并利用各图像的特征向量之间的第一距离建立所述第一距离矩阵。

24.根据权利要求23所述的装置，其特征在于，所述第一矩阵建立模块还用于将与相同图像的特征向量之间的第一距离以行排列的方式或者以列排列的方式布置，且在按照行排列的方式布置时，针对不同图像的特征向量之间的第一距离位于不同行，以及在按照列排列的方式布置时，针对不同图像的特征向量的第一距离位于不同列，并根据以行排列的方式或者以列排列的方式布置后的各第一距离，形成所述第一距离矩阵。

25.根据权利要求23或者24所述的装置，其特征在于，所述第一方式包括欧式距离计算方式或者马氏距离计算方式。

26.根据权利要求22-24中任意一项所述的装置，其特征在于，所述装置还包括：

27.根据权利要求22-24中任意一项所述的装置，其特征在于，所述选择模块还用于如果所述图像数据集中的图像与其对应的第一相邻图像互为相邻图像，则将该第一相邻图像确定为所述图像数据集中的该图像的第二相邻图像。

28.根据权利要求22-24中任意一项所述的装置，其特征在于，所述第二矩阵建立模块还用于基于每个图像的所述k2个第二相邻图像，按照第二方式确定各图像的特征向量之间的第二距离，并利用各图像的特征向量之间的第二距离建立所述第二距离矩阵。

29.根据权利要求28所述的装置，其特征在于，所述第二方式包括杰卡德距离计算方式。

30.根据权利要求28所述的装置，其特征在于，所述第二矩阵建立模块还用于将与相同图像的特征向量之间的第二距离以行排列的方式或者以列排列的方式布置，且在按照行排列的方式布置时，针对不同图像的特征向量之间的第二距离位于不同行，以及在按照列排列的方式布置时，针对不同图像的特征向量的第二距离位于不同列；以及

31.根据权利要求22所述的装置，其特征在于，所述聚类模块还用于利用两个图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离，以及将与所述图像数据集中的第一图像的特征向量之间的第三距离小于距离阈值的第二图像，作为所述第一图像的相同组的图像。

32.根据权利要求22所述的装置，其特征在于，所述聚类模块还用于利用两个图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离；以及

33.根据权利要求31或32所述的装置，其特征在于，所述第一距离的权值和第二距离的权值相等。

34.一种图像处理装置，其特征在于，包括：

获取模块，其用于获取目标图像和图像数据集；

35.根据权利要求34所述的装置，其特征在于，所述第一矩阵建立模块还用于获取图像数据集中各图像的特征向量，以及目标图像的特征向量，并按照第一方式获得所述目标图像与图像数据集中各图像的特征向量之间的第一距离，以及利用各所述第一距离建立所述第一距离矩阵。

36.根据权利要求35所述的装置，其特征在于，所述第一方式包括欧式距离计算方式或者马氏距离计算方式。

37.根据权利要求34-36中任意一项所述的装置，其特征在于，所述第一矩阵建立模块还用于利用神经网络模型获取图像数据集中各图像的特征向量以及目标图像的特征向量，且每个图像的特征向量的长度相同。

38.根据权利要求34-36中任意一项所述的装置，其特征在于，所述选择模块还用于如果所述目标图像与其第一相邻图像互为相邻图像，如是，则将与所述目标图像互为相邻图像的所述第一相邻图像确定为所述目标图像的第二相邻图像。

39.根据权利要求34-36中任意一项所述的装置，其特征在于，所述第二矩阵建立模块还用于基于所述目标图像的所述k2个第二相邻图像，按照第二方式确定所述目标图像与图像数据集中各图像的特征向量之间的第二距离；

利用各所述第二距离建立所述第二距离矩阵。

40.根据权利要求39所述的装置，其特征在于，所述第二方式包括杰卡德距离计算方式。

41.根据权利要求34-36中任意一项所述的装置，其特征在于，所述聚类模块还用于利用目标图像的特征向量与图像数据集中各图像的特征向量之间的第一距离和第二距离的加权和确定两个图像的特征向量之间的第三距离；以及将与所述目标图像的特征向量之间的第三距离小于距离阈值的图像确定为与目标图像为相同组的图像。

42.根据权利要求41所述的装置，其特征在于，所述第一距离的权值和第二距离的权值相等。

43.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至12中任意一项所述的方法，或者执行如权利要求13至21中任意一项所述的方法。

44.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法，或者执行如权利要求13至21中任意一项所述的方法。