CN109948734B - 图像聚类方法、装置及电子设备 - Google Patents
图像聚类方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109948734B CN109948734B CN201910260788.2A CN201910260788A CN109948734B CN 109948734 B CN109948734 B CN 109948734B CN 201910260788 A CN201910260788 A CN 201910260788A CN 109948734 B CN109948734 B CN 109948734B
- Authority
- CN
- China
- Prior art keywords
- sample image
- target
- image set
- similarity
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种图像聚类方法、装置及电子设备,涉及图像处理的技术领域,该方法包括:获取待聚类图像;计算所述待聚类图像和第一样本图像集合之间的相似度,所述第一样本图像集合的数量为一个或多个,且每个第一样本图像集合中包含至少一张样本图像,且相同第一样本图像集合中的样本图像包含相同的对象;根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合,其中,所述待聚类图像和所述目标样本图像集合的样本图像中包含相同的对象。本发明可以降低人像聚类过程中的资源消耗。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种图像聚类方法、装置及电子设备。
背景技术
根据人的特征不同,把同一个人的照片划分为一个图片集合,得到不同的图片集合,简称人像聚类。目前,关于人像聚类有很多成熟的方法,如CRF(Conditional RandomField,条件随机场)算法或K-Means(K均值聚类)算法等,现有方法都能够很好地对图像进行聚类。但是,现有的算法通常复杂度较高,特别是对于图像集合非常大的时候,资源消耗巨大,无法运行。目前,尚未有提出能够在待处理图像集合较大的情况下,降低处理图像资源消耗的技术方案。
发明内容
有鉴于此,本发明的目的在于提供一种图像聚类方法、装置及电子设备,以缓解了现有技术在待处理图像集合较大的情况下,资源消耗较高的技术问题。
第一方面,本发明实施例提供了一种图像聚类方法,包括:获取待聚类图像;计算所述待聚类图像和第一样本图像集合之间的相似度,所述第一样本图像集合的数量为一个或多个,且每个第一样本图像集合中包含至少一张样本图像,且相同第一样本图像集合中的样本图像包含相同的对象;根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合,其中,所述待聚类图像和所述目标样本图像集合的样本图像中包含相同的对象。
进一步地,计算所述待聚类图像和第一样本图像集合之间的相似度包括:计算所述待聚类图像和所述第一样本图像集合中样本图像之间的相似度参数,其中,所述相似度参数包括以下至少之一:目标平均相似度,目标数量;所述目标平均相似度为所述待聚类图像和所述第一样本图像集合中全部图像的平均相似度;所述目标数量包含:所述第一样本图像集合中与所述待聚类图像的相似度大于第一阈值的图像的数量,和/或,所述第一样本图像集合中与所述待聚类图像的相似度小于第二阈值的图像的数量;根据所述相似度参数计算所述待聚类图像和所述第一样本图像集合之间的相似度。
进一步地,根据所述相似度参数计算所述待聚类图像和所述第一样本图像集合之间的相似度包括:对所述相似度参数进行加权求和计算,并将加权求和计算结果确定为所述待聚类图像和所述第一样本图像集合之间的相似度。
进一步地,对所述相似度参数进行加权求和计算包括:计算所述目标数量中第一数量和第二数量之间的差值,得到目标差值,其中,所述第一数量为所述第一样本图像集合中与所述待聚类图像的相似度大于第一阈值的图像的数量,所述第二数量为所述第一样本图像集合中与所述待聚类图像的相似度小于第二阈值的图像的数量;对所述目标差值和所述目标平均相似度进行加权求和计算。
进一步地,所述第一样本图像集合和所述相似度均为多个,且一个第一样本图像集合对应一个相似度;根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合包括:在所述第一样本图像集合中确定最大相似度所对应的第一样本图像集合;若所述最大相似度大于预设相似度阈值,则将确定所述最大相似度所对应的第一样本图像集合为所述目标样本图像集合。
进一步地,所述方法还包括:在目标图像集中抽取多个第一样本图像;利用图像聚类算法对所述多个第一样本图像进行聚类分析,得到一个或多个所述第一样本图像集合。
进一步地,所述方法还包括:在将所述待聚类图像添加到所述目标样本图像集合中之后,若检测到所述目标样本图像集合中样本图像的数量超过预设数量,则更新所述目标样本图像集合中的样本图像。
进一步地,更新所述目标样本图像集合中的样本图像包括:在预设图像集合中选择目标图像组;所述预设图像集合包括:所述目标样本图像集合和/或原始图像集合;所述原始图像集合中包含所属于目标对象的其他图像,和/或,所述原始图像集合中包括目标样本图像集合更新过程中的全部图像;将所述目标图像组更新为所述目标样本图像集合。
进一步地,在预设图像集合中选择目标图像组包括:在所述预设图像集合中选择N个样本图像组,其中,每个样本图像组中所包含图像的数量相同,其中,N为大于零的正整数;对每个样本图像组进行特征提取,得到每个样本图像组的特征值;基于所述每个样本图像组的特征值计算每个样本图像组的方差,得到N个目标方差;在所述N个目标方差中选择目标特征方差,其中,所述目标特征方差为所述多个特征方差中的最大的特征方差;将所述目标特征方差所对应的样本图像组作为所述目标图像组。
进一步地,在预设图像集合中选择第目标图像组包括:在所述预设图像集合中抽取多张样本图像,并基于抽取得到的多张样本图像构建目标图像集合;在所述预设图像集合中选取目标增量图像,所述目标增量图像为所述预设图像集合中除抽取到的样本图像之外与所述目标图像集合相似度最大的样本图像;将所述目标增量图像添加至所述目标图像集合;重复所述在所述预设图像集合中选取目标增量图像和所述将所述目标增量图像添加至所述目标图像集合的步骤,直至所述目标图像集合中的图像个数达到预设目标个数;将达到预设目标个数的目标图像集合作为所述目标图像组。
第二方面,本发明实施例还提供一种图像聚类装置,包括:图像获取单元,用于获取待聚类图像;计算单元,用于计算所述待聚类图像和第一样本图像集合之间的相似度,所述第一样本图像集合的数量为一个或多个,且每个第一样本图像集合中包含至少一张样本图像,且相同第一样本图像集合中的样本图像包含相同的对象;分类单元,用于根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合,其中,所述待聚类图像和所述目标样本图像集合的样本图像中包含相同的对象。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述所述的方法的步骤。
第四方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述所述的方法。
在本发明实施例中,首先,获取待聚类图像;然后,计算待聚类图像和第一样本图像集合之间的相似度,从而得到待聚类图像属于各第一样本图像集合的可能;最后,根据得到相似度在第一样本图像集合中确定待聚类图像所属的目标样本图像集合,从而完成对待聚类图像的聚类。本发明通过计算待聚类图像和第一样本图像集合之间的相似度对待聚类图像所属的目标样本图像集合进行确定的方式,减少了聚类过程的复杂度,缓解了现有技术在待处理图像集合较大的情况下,资源消耗较高的技术问题。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种电子设备的示意图;
图2是根据本发明实施例的一种图像聚类方法的流程图;
图3是根据本发明实施例的一种图像聚类装置的示意图;
图4是根据本发明实施例的另一种图像聚类装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
首先,参照图1来描述用于实现本发明实施例的图像聚类方法的示例电子设备100。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108以及摄像机110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以采用数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)和ASIC(Application Specific Integrated Circuit)中的至少一种硬件形式来实现,所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述摄像机110用于进行获取待聚类图像,其中,摄像机所获取的待聚类图像经过所述图像聚类方法进行处理之后得到待聚类图像所属的目标样本图像集合,例如,摄像机可以拍摄用户期望的图像(例如照片、视频等),然后,将该图像经过所述图像聚类方法进行处理之后得到待聚类图像所属的目标样本图像集合,摄像机还可以将所拍摄的图像存储在所述存储器104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的图像聚类方法的示例电子设备可以被实现为诸如智能手机、平板电脑等移动终端上。
实施例二:
根据本发明实施例,提供了一种图像聚类方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的一种图像聚类方法的流程图,如图2所示,该方法包括如下步骤:
步骤S102,获取待聚类图像。
在本发明实施例中,待聚类图像是即将被添加至一个或多个第一样本图像集合中的图像,其中,第一样本图像集合是预先准备好的。
在每个待聚类图像中,可以包含一个或多个对象,例如可以为一个或多个人像,也可以为一个或多个非人像,其中,非人像可以包括动物,本实施例对此不做具体限定。
需要说明的是,在本实施例中,待聚类图像可以为通过实施例一中的电子设备的摄像机拍摄得到的图像,还可以为预先存储在电子设备中存储器中的图像,本实施例对此不做具体限定。
步骤S104,计算所述待聚类图像和第一样本图像集合之间的相似度,所述第一样本图像集合的数量为一个或多个,且每个第一样本图像集合中包含至少一张样本图像,且相同第一样本图像集合中的样本图像包含相同的对象。
在本发明实施例中,待聚类图像和第一样本图像集合之间的相似度用于描述待聚类图像属于各个第一样本图像集合的可能性。第一样本图像集合是预先准备好的图像集合。第一样本图像集合可以有一个或多个,其具体的数量根据实际需求设置,本发明实施例不做具体限定。
每个第一样本图像集合中包含一张或多张样本图像,其具体的样本图像数量根据实际需求设置,本发明实施例不做具体限定。相同第一样本图像集合中的样本图像包含相同的对象,是指,包含相同的人像或者同一类非人像。
例如,包含相同的人像可以指,在相同第一样本图像集合中的每张样本图像中均包含同一个人脸;包含同一类非人像可以指,在相同第一样本图像集合中的每张样本图像中均包含同一个品种的狗。
步骤S106,根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合,其中,所述待聚类图像和所述目标样本图像集合的样本图像中包含相同的对象。
在本发明实施例中,待聚类图像与各个第一样本图像集合之间的相似度的值不相同,根据相似度确定待聚类图像属于哪个第一样本图像集合,将该第一样本图像集合作为目标样本图像集合。待聚类图像和目标样本图像集合的样本图像中包含相同的对象,是指,待聚类图像中包含一个或多个与目标样本图像集合中相同的对象。
需要说明的是,在本发明实施例中,待聚类图像可以是获取到的原始图像,也可以是从原始图像中提取出的包括一个或多个对象的子图像。可以根据子图像确定待聚类图像所属的目标样本图像集合。
如果原始图像中仅包含一个对象的话,可以将该对象作为要分类的对象,将原始图像作为待聚类图像。
如果原始图像中包含多个对象的话,一种情况,在原始图像中提取前景对象,前景对象作为要分类的对象,包含前景对象的子图像作为待聚类图像。
如果原始图像中包含多个对象的话,另外一种情况,对待聚类图像进行拆分或者切割,切割得到的多个子图像(每个子图像就是一个待聚类图像)中,每个子图像仅包含一个对象。
根据获取到的原始图像中包含的对象的情况不同,同一个原始图像可能属于多个目标样本图像集合。
在本发明实施例中,可以通过上述实施例一中电子设备中的处理器来执行上述步骤S102至步骤S106。
需要说明的是,能够执行上述步骤S102至步骤S106的处理器均可以应用在本发明实施例中,对此不作具体限定。
在本发明实施例中,首先,获取待聚类图像;然后,计算待聚类图像和第一样本图像集合之间的相似度,从而得到待聚类图像属于各第一样本图像集合的可能;最后,根据得到相似度在第一样本图像集合中确定待聚类图像所属的目标样本图像集合,从而完成对待聚类图像的聚类。本发明通过计算待聚类图像和第一样本图像集合之间的相似度对待聚类图像所属的目标样本图像集合进行确定的方式,减少了聚类过程的复杂度,缓解了现有技术在待处理图像集合较大的情况下,资源消耗较高的技术问题。
下面将结合具体的实施方式对本发明实施例进行详细的介绍。
通过上述描述可知,在本实施例中,首先获得待聚类图像,之后,通过计算该待聚类图像与各个第一样本图像集合之间的相似度,即可判断该待聚类图像所属的目标本图像集合,从而完成人像聚类。
在一个可选的实施方式中,步骤S104,计算所述待聚类图像和第一样本图像集合之间的相似度包括如下步骤:
步骤S1041,计算所述待聚类图像和所述第一样本图像集合中样本图像之间的相似度参数,其中,所述相似度参数包括以下至少之一:目标平均相似度,目标数量;所述目标平均相似度为所述待聚类图像和所述第一样本图像集合中全部图像的平均相似度;所述目标数量包含:所述第一样本图像集合中与所述待聚类图像的相似度大于第一阈值的图像的数量,和/或,所述第一样本图像集合中与所述待聚类图像的相似度小于第二阈值的图像的数量;
步骤S1042,根据所述相似度参数计算所述待聚类图像和所述第一样本图像集合之间的相似度。
通过上述描述可知,在本发明实施例中,在计算待聚类图像和第一样本图像集合之间的相似度之前,先计算这二者之间的相似度参数,相似度参数用于更精确全面地描述相似度,可以包括目标平均相似度和目标数量。
具体地,计算目标平均相似度,需要逐个计算待聚类图像与第一样本图像集合中各个图像之间的相似度,得到多个相似度值后取平均值,即为目标平均相似度。
具体地,计算目标数量可以包括多种情况:第一种情况,计算待聚类图像与第一样本图像集合中相似度高的图片的个数,包括:在逐个计算待聚类图像与第一样本图像集合中各个图像之间的相似度之后,计算相似度值大于第一阈值的图像的数量,将该数量作为目标数量。第二种情况,计算待聚类图像与第一样本图像集合中相似度低的图片的个数,包括:在逐个计算待聚类图像与第一样本图像集合中各个图像之间的相似度之后,计算相似度值小于第二阈值的图像的数量,将该数量作为目标数量。第三种情况,分别计算待聚类图像与第一样本图像集合中相似度低和相似度高的图片的个数,包括:在逐个计算待聚类图像与第一样本图像集合中各个图像之间的相似度之后,计算相似度值小于第二阈值的图像的数量和相似度值大于第一阈值的图像的数量,将这两个数量共同作为目标数量。
在得到相似度参数后,根据相似度参数计算待聚类图像和各个第一样本图像集合之间的相似度。
可选地,根据所述相似度参数计算所述待聚类图像和所述第一样本图像集合之间的相似度包括:
对所述相似度参数进行加权求和计算,并将加权求和计算结果确定为所述待聚类图像和所述第一样本图像集合之间的相似度。
在本发明实施例中,对相似度参数进行加权求和,可以提前设置各个相似度参数的权重,设置权重时,可以根据经验分配各个相似度参数的权重值,本发明实施例对此不做具体限定。
需要说明的是,可以对上述全部相似度参数进行加权求和,也可以对上述部分相似度参数进行加权求和,也可以将上述相似度参数组合后赋予一个权重进行加权求和,可以根据实际需要选择参与加权求和的参数及其权重,本发明实施例对比不做具体限定。
可选地,对所述相似度参数进行加权求和计算包括:
步骤S11,计算所述目标数量中第一数量和第二数量之间的差值,得到目标差值,其中,所述第一数量为所述第一样本图像集合中与所述待聚类图像的相似度大于第一阈值的图像的数量,所述第二数量为所述第一样本图像集合中与所述待聚类图像的相似度小于第二阈值的图像的数量;
步骤S12,对所述目标差值和所述目标平均相似度进行加权求和计算。
在本发明实施例中,可以按照如下公式对相似度参数进行加权求和计算相似度:
Similarity=(Same_Count_P1_m-Diff_Count_P1_m)*Weight_Count+Average_P1_m*Weight_Similarity
其中,Similarity表示待聚类图像与第一样本图像集合之间的相似度,Same_Count_P1_m表示待聚类图像与第一样本图像集合中相似度高的图像的个数,即第一数量,Diff_Count_P1_m表示待聚类图像与第一样本图像集合中相似度低的图像的个数,即第二数量,Weight_Count表示个数的权重,Average_P1_m表示待聚类图像与第一样本图像集合中所有图像的平均相似度,Weight_Similarity表示平均相似度的权重。
可以根据上述公式逐个计算待聚类图像与各个第一样本图像集合之间的相似度。
在一个可选的实施方式中,所述第一样本图像集合和所述相似度均为多个,且一个第一样本图像集合对应一个相似度,步骤S106,根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合包括如下步骤:
步骤S21,在所述第一样本图像集合中确定最大相似度所对应的第一样本图像集合;
步骤S22,若所述最大相似度大于预设相似度阈值,则将确定所述最大相似度所对应的第一样本图像集合作为所述目标样本图像集合。
在本发明实施例中,在逐个计算待聚类图像与各个第一样本图像集合之间的相似度之后,通过对比,确定各相似度中的最大值,得到最大相似度,并确定与最大相似度对应的第一样本图像集合。
为了对带聚类图像与第一样本图像集合之间相似度进行控制,从而得到更符合用户需求的聚类结果,可以预先设置相似度阈值,如果上述步骤中得到的最大相似度大于预设相似度阈值,可以将其对应的第一样本图像集合作为所述目标样本图像集合。
在计算待聚类图像与第一样本图像集合之间的相似度之前,需要预先获取第一样本图像集合,获取第一样本图像集合的过程包括以下步骤:
步骤S31,在目标图像集中抽取多个第一样本图像;
步骤S32,利用图像聚类算法对所述多个第一样本图像进行聚类分析,得到一个或多个所述第一样本图像集合。
在本发明实施例中,目标图像集合可以指待处理的海量图片。可以在目标图像集中随机抽取一定数量的图片,也可以基于人脸特征相似度抽取一定数量的图片,实际抽取数量根据需求设定。
可以利用图像聚类算法对抽取的一定数量的图片进行聚类分析,其中,聚类算法可以为常用的算法,例如,可以为K均值聚类算法(K-means clustering algorithm,K-means)或均值漂移聚类算法等。经过聚类,得到一个或多个第一样本图像集合。
随着待聚类图像不断加入目标样本图像集合,目标样本图像集合中的图片数量不断增加。为了节约资源,需要对目标样本图像进行取样和更新,具体包括如下步骤:
在将所述待聚类图像添加到所述目标样本图像集合中之后,若检测到所述目标样本图像集合中样本图像的数量超过预设数量,则更新所述目标样本图像集合中的样本图像。
在本发明实施例中,在将所述待聚类图像添加到所述目标样本图像集合中之后,对目标样本图像集合中样本图像的数量进行检测,如果目标样本图像集合中样本图像的数量在预设数量范围内,可以执行后续步骤;如果目标样本图像集合中样本图像的数量超过预设数量,则对目标样本图像集合中的样本图像进行更新。
需要说明的是,预设数量根据本发明方法实施所在终端设备的性能进行调整,以保证本方法的适用范围和人像聚类效果。
可以按照以下步骤更新目标样本图像集合中的样本图像:
步骤S41,在预设图像集合中选择目标图像组;所述预设图像集合包括:所述目标样本图像集合和/或原始图像集合;所述原始图像集合中包含所属于目标对象的其他图像,和/或,所述原始图像集合中包括目标样本图像集合更新过程中的全部图像;
步骤S42,将所述目标图像组更新为所述目标样本图像集合。
在本发明实施例中,在目标样本图像集合中样本图像的数量超过预设数量之后,每次向目标样本图像集合中增加新的样本图像前,在预设图像集合中重新随机选取样本,得到目标图像组。
需要说明的是,预设图像集合包括三种情况,一种情况,预设图像集合为目标样本图像集合,另一种情况,预设图像集合为原始图像集合;另一种情况,预设图像集合为目标样本图像集合和原始图像集合。
例如,当预先设定目标样本图像集合中图像数量不能超过100张时,某个时刻,目标样本图像集合中图像数量正好为100张,那么在将待聚类图像添加到该集合中之后,将触发更新目标样本图像集合中的样本图像的步骤。从101张图像中选择100张图像作为更新之后的目标样本图像集合。此时,预设图像集合即为目标样本图像集合,即该101张图像。
但是,这种选择方式所选择的出的目标样本图像集合差异不大,会影响后续的聚类效果,为了提升后续的聚类效果,可以将原始图像集合作为预设图像集合,也可以将原始图像集合与目标样本图像集合共同作为预设图像集合。在本申请中,原始图像集合中包含所属于目标对象的其他图像,该目标对象为目标样本图像集合所属对象。或者,在对目标样本图像集合进行更新的过程中,全部图像均包含在原始图像集合中。
在一个可选的实施方式中,更新所述目标样本图像集合中的样本图像包括如下步骤:
步骤S51,在所述预设图像集合中选择N个样本图像组,其中,每个样本图像组中所包含图像的数量相同,其中,N为大于零的正整数;
步骤S52,对每个样本图像组进行特征提取,得到每个组样本图像组的特征值;
步骤S53,基于所述每个样本图像组的特征值计算每个组样本图像组的方差,得到N个目标方差;
步骤S54,在所述N个目标方差中选择目标特征方差,其中,所述目标特征方差为所述多个特征方差中的最大的特征方差;
步骤S55,将所述目标特征方差所对应的样本图像组作为所述目标图像组。
在预设图像集合中随机选取N个样本图像组,每个样本图像组中图像的数量相同,例如,均为m张图像。对每个样本图像组中的m张图像分别进行特征提取,例如,如果图像组中包括人像,则可提取人像特征,如果图像组中包括非人像,如动物,则可提取该动物的品种特征等。对每个样本图像组得到一个样本图像组的特征值,样本图像组的特征值的个数与样本图像组的个数相同。对N个样本图像组分别计算特征方差,得到N个特征方差,比较N个特征方差之间的大小,将其中最大的特征方差所对应的样本图像组作为所述目标图像组。其中,最大的特征方差所对应的样本图像组包括的图像之间的相似度较高。
在一个可选的实施方式中,在预设图像集合中选择目标图像组包括如下步骤:
步骤S61,在所述预设图像集合中抽取多张样本图像,并基于抽取得到的多张样本图像构建目标图像集合;
步骤S62,在所述预设图像集合中选取目标增量图像,所述目标增量图像为所述预设图像集合中除抽取到的样本图像之外与所述目标图像集合相似度最大的样本图像;
步骤S63,将所述目标增量图像添加至所述目标图像集合;
步骤S64,重复步骤S62和步骤S63,直至所述目标图像集合中的图像个数达到预设目标个数;
步骤S65,将达到预设目标个数的目标图像集合作为所述目标图像组。
在本发明实施例中,在预设图像集合中随机抽取多张样本图像,将抽取的多张样本图像构建目标图像集合。其中,抽取的样本数量根据实际需求进行设定,本发明实施例不做具体限定。在除去目标图像集合中样本图像之外的预设图像集合的剩余图像中,选取一张目标增量图像,选取该目标增量图像的步骤为:逐个计算上述剩余图像中各图像与步骤S61中构建的目标图像集合之间的相似度,确定最大相似度对应的图像,将该图像作为目标增量图像。将目标增量图像增加至目标图像集合,从而目标图像集合中图像数量增加一张,再基于增加了一张图像的目标图像集合,重复步骤S62和步骤S63,逐张增加目标图像集合中的图像个数,直至达到预设的目标个数。
需要说明的是,目标图像组中图像目标个数的值不超过目标样本图像集合中样本图像的预设数量的最大值。
在本发明实施例中,比起现有的人像聚类算法复杂度较高,本发明实施例提供的方法,可以通过计算待聚类图像与第一样本图像集合之间的相似度来确定带聚类图像所述的目标样本图像集合,在目标样本图像集合达到预设值之后,还可以对目标样本图像集合进行图像的更新,降低计算的复杂度,从而可以在图像集合非常大的时候,保证聚类效果,同时,降低资源消耗。
实施例三:
本发明实施例还提供了一种图像聚类装置,该图像聚类装置主要用于执行本发明实施例上述内容所提供的图像聚类方法,以下对本发明实施例提供的图像聚类装置做具体介绍。
图4是根据本发明实施例的一种图像聚类装置的示意图,如图4所示,该图像聚类装置主要包括:图像获取单元10,计算单元20,分类单元30,其中:
图像获取单元10,用于获取待聚类图像;
计算单元20,用于计算所述待聚类图像和第一样本图像集合之间的相似度,所述第一样本图像集合的数量为一个或多个,且每个第一样本图像集合中包含至少一张样本图像,且相同第一样本图像集合中的样本图像包含相同的对象;
分类单元30,用于根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合,其中,所述待聚类图像和所述目标样本图像集合的样本图像中包含相同的对象。
在本发明实施例中,首先,获取待聚类图像;然后,计算待聚类图像和第一样本图像集合之间的相似度,从而得到待聚类图像属于各第一样本图像集合的可能;最后,根据得到相似度在第一样本图像集合中确定待聚类图像所属的目标样本图像集合,从而完成对待聚类图像的聚类。本发明通过计算待聚类图像和第一样本图像集合之间的相似度对待聚类图像所属的目标样本图像集合进行确定,减少了聚类过程的复杂度,缓解了现有技术在待处理图像集合较大的情况下,资源消耗较高的技术问题。
可选地,计算单元20,还用于:计算所述待聚类图像和所述第一样本图像集合中样本图像之间的相似度参数,其中,所述相似度参数包括以下至少之一:目标平均相似度,目标数量;所述目标平均相似度为所述待聚类图像和所述第一样本图像集合中全部图像的平均相似度;所述目标数量包含:所述第一样本图像集合中与所述待聚类图像的相似度大于第一阈值的图像的数量,和/或,所述第一样本图像集合中与所述待聚类图像的相似度小于第二阈值的图像的数量;根据所述相似度参数计算所述待聚类图像和所述第一样本图像集合之间的相似度。
可选地,计算单元20,还用于:对所述相似度参数进行加权求和计算,并将加权求和计算结果确定为所述待聚类图像和所述第一样本图像集合之间的相似度。
可选地,计算单元20,还用于:计算所述目标数量中第一数量和第二数量之间的差值,得到目标差值,其中,所述第一数量为所述第一样本图像集合中与所述待聚类图像的相似度大于第一阈值的图像的数量,所述第二数量为所述第一样本图像集合中与所述待聚类图像的相似度小于第二阈值的图像的数量;对所述目标差值和所述目标平均相似度进行加权求和计算。
所述第一样本图像集合和所述相似度均为多个,且一个第一样本图像集合对应一个相似度;可选地,分类单元30,还用于:在所述第一样本图像集合中确定最大相似度所对应的第一样本图像集合;若所述最大相似度大于预设相似度阈值,则将确定所述最大相似度所对应的第一样本图像集合为所述目标样本图像集合。
可选地,所述装置还包括抽样单元40,用于:在目标图像集中抽取多个第一样本图像;利用图像聚类算法对所述多个第一样本图像进行聚类分析,得到一个或多个所述第一样本图像集合。
可选地,所述装置还包括第一更新单元50,用于:在将所述待聚类图像添加到所述目标样本图像集合中之后,若检测到所述目标样本图像集合中样本图像的数量超过预设数量,则更新所述目标样本图像集合中的样本图像。
可选地,所述装置还包括第二更新单元60,用于:在预设图像集合中选择目标图像组;所述预设图像集合包括:所述目标样本图像集合和/或原始图像集合;所述原始图像集合中包含所属于目标对象的其他图像,和/或,所述原始图像集合中包括目标样本图像集合更新过程中的全部图像;将所述目标图像组更新为所述目标样本图像集合。
可选地,所述第二更新单元60,还用于:在所述预设图像集合中选择N个样本图像组,其中,每个样本图像组中包含图像的数量相同,其中,N为大于零的正整数;对每个样本图像组进行特征提取,得到每个样本图像组的特征值;基于所述每个样本图像组的特征值计算每个样本图像组的方差,得到N个目标方差;在所述N个目标方差中选择目标特征方差,其中,所述目标特征方差为所述多个特征方差中的最大的特征方差;将所述目标特征方差所对应的样本图像组作为所述目标图像组。
可选地,所述第二更新单元60,还用于:在所述预设图像集合中抽取多张样本图像,并基于抽取得到的多张样本图像构建目标图像集合;在所述预设图像集合中选取目标增量图像,所述目标增量图像为所述预设图像集合中除抽取到的样本图像之外与所述目标图像集合相似度最大的样本图像;将所述目标增量图像添加至所述目标图像集合;重复所述在所述预设图像集合中选取目标增量图像和所述将所述目标增量图像添加至所述目标图像集合的步骤,直至所述目标图像集合中的图像个数达到预设目标个数;将达到预设目标个数的目标图像集合作为所述目标图像组。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明实施例所提供的一种图像聚类方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种图像聚类方法,其特征在于,包括:
获取待聚类图像;
计算所述待聚类图像和第一样本图像集合之间的相似度,所述第一样本图像集合的数量为一个或多个,且每个第一样本图像集合中包含至少一张样本图像,且相同第一样本图像集合中的样本图像包含相同的对象;
根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合,其中,所述待聚类图像和所述目标样本图像集合的样本图像中包含相同的对象;
将所述待聚类图像添加到所述目标样本图像集合中;
若检测到所述目标样本图像集合中样本图像的数量超过预设数量,则在所述目标样本图像集合中选择目标图像组,并将所述目标图像组更新为所述目标样本图像集合;
其中,在所述目标样本图像集合中选择目标图像组,包括:
在所述目标样本图像集合中选择N个样本图像组,每个样本图像组中所包含图像的数量相同,N为大于零的正整数;
对每个样本图像组进行特征提取,得到每个样本图像组的特征值;
基于所述每个样本图像组的特征值计算每个样本图像组的方差,得到N个目标方差;
在所述N个目标方差中选择目标特征方差,所述目标特征方差为所述N个目标方差中的最大的目标方差;
将所述目标特征方差所对应的样本图像组作为所述目标图像组。
2.根据权利要求1所述的方法,其特征在于,计算所述待聚类图像和第一样本图像集合之间的相似度包括:
计算所述待聚类图像和所述第一样本图像集合中样本图像之间的相似度参数,其中,所述相似度参数包括以下至少之一:目标平均相似度,目标数量;所述目标平均相似度为所述待聚类图像和所述第一样本图像集合中全部图像的平均相似度;所述目标数量包含:所述第一样本图像集合中与所述待聚类图像的相似度大于第一阈值的图像的数量,和/或,所述第一样本图像集合中与所述待聚类图像的相似度小于第二阈值的图像的数量;
根据所述相似度参数计算所述待聚类图像和所述第一样本图像集合之间的相似度。
3.根据权利要求2所述的方法,其特征在于,根据所述相似度参数计算所述待聚类图像和所述第一样本图像集合之间的相似度包括:
对所述相似度参数进行加权求和计算,并将加权求和计算结果确定为所述待聚类图像和所述第一样本图像集合之间的相似度。
4.根据权利要求3所述的方法,其特征在于,对所述相似度参数进行加权求和计算包括:
计算所述目标数量中第一数量和第二数量之间的差值,得到目标差值,其中,所述第一数量为所述第一样本图像集合中与所述待聚类图像的相似度大于第一阈值的图像的数量,所述第二数量为所述第一样本图像集合中与所述待聚类图像的相似度小于第二阈值的图像的数量;
对所述目标差值和所述目标平均相似度进行加权求和计算。
5.根据权利要求1所述的方法,其特征在于,所述第一样本图像集合和所述相似度均为多个,且一个第一样本图像集合对应一个相似度;
根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合包括:
在所述第一样本图像集合中确定最大相似度所对应的第一样本图像集合;
若所述最大相似度大于预设相似度阈值,则将所述最大相似度所对应的第一样本图像集合作为所述目标样本图像集合。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在目标图像集中抽取多个第一样本图像;
利用图像聚类算法对所述多个第一样本图像进行聚类分析,得到一个或多个所述第一样本图像集合。
7.一种图像聚类装置,其特征在于,包括:
图像获取单元,用于获取待聚类图像;
计算单元,用于计算所述待聚类图像和第一样本图像集合之间的相似度,所述第一样本图像集合的数量为一个或多个,且每个第一样本图像集合中包含至少一张样本图像,且相同第一样本图像集合中的样本图像包含相同的对象;
分类单元,用于根据所述相似度在所述第一样本图像集合确定所述待聚类图像所属的目标样本图像集合,其中,所述待聚类图像和所述目标样本图像集合的样本图像中包含相同的对象;
更新单元,用于将所述待聚类图像添加到所述目标样本图像集合中;若检测到所述目标样本图像集合中样本图像的数量超过预设数量,则在目标样本图像集合中选择目标图像组,并将所述目标图像组更新为所述目标样本图像集合;
其中,在目标样本图像集合中选择目标图像组时,所述更新单元具体用于:
在所述目标样本图像集合中选择N个样本图像组,每个样本图像组中所包含图像的数量相同,N为大于零的正整数;
对每个样本图像组进行特征提取,得到每个样本图像组的特征值;
基于所述每个样本图像组的特征值计算每个样本图像组的方差,得到N个目标方差;
在所述N个目标方差中选择目标特征方差,所述目标特征方差为所述N个目标方差中的最大的目标方差;
将所述目标特征方差所对应的样本图像组作为所述目标图像组。
8.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-6中任一项所述的方法的步骤。
9.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-6中任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260788.2A CN109948734B (zh) | 2019-04-02 | 2019-04-02 | 图像聚类方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260788.2A CN109948734B (zh) | 2019-04-02 | 2019-04-02 | 图像聚类方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948734A CN109948734A (zh) | 2019-06-28 |
CN109948734B true CN109948734B (zh) | 2022-03-29 |
Family
ID=67013416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910260788.2A Active CN109948734B (zh) | 2019-04-02 | 2019-04-02 | 图像聚类方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948734B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853000B (zh) * | 2019-10-30 | 2023-08-11 | 北京中交国通智能交通系统技术有限公司 | 一种车辙的检测方法 |
CN111444366B (zh) * | 2020-04-10 | 2024-02-20 | Oppo广东移动通信有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN111915842B (zh) * | 2020-07-02 | 2021-11-05 | 广东技术师范大学 | 异常监控方法、装置、计算机设备及存储介质 |
CN112560963A (zh) * | 2020-12-17 | 2021-03-26 | 北京赢识科技有限公司 | 大规模人脸图像聚类方法、装置、电子设备及介质 |
CN113111934B (zh) * | 2021-04-07 | 2023-08-08 | 杭州海康威视数字技术股份有限公司 | 一种图像分组方法、装置、电子设备及存储介质 |
CN114299194B (zh) * | 2021-12-23 | 2023-06-02 | 北京百度网讯科技有限公司 | 图像生成模型的训练方法、图像生成方法及装置 |
CN114329023A (zh) * | 2021-12-28 | 2022-04-12 | 北京市商汤科技开发有限公司 | 档案处理方法、装置、电子设备及计算机存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7715598B2 (en) * | 2006-07-25 | 2010-05-11 | Arsoft, Inc. | Method for detecting facial expressions of a portrait photo by an image capturing electronic device |
CN104408402A (zh) * | 2014-10-29 | 2015-03-11 | 小米科技有限责任公司 | 人脸识别方法及装置 |
CN105243098A (zh) * | 2015-09-16 | 2016-01-13 | 小米科技有限责任公司 | 人脸图像的聚类方法及装置 |
CN105608425A (zh) * | 2015-12-17 | 2016-05-25 | 小米科技有限责任公司 | 对照片进行分类存储的方法及装置 |
CN105608430A (zh) * | 2015-12-22 | 2016-05-25 | 小米科技有限责任公司 | 人脸聚类方法及装置 |
CN108280477A (zh) * | 2018-01-22 | 2018-07-13 | 百度在线网络技术(北京)有限公司 | 用于聚类图像的方法和装置 |
CN108875834A (zh) * | 2018-06-22 | 2018-11-23 | 北京达佳互联信息技术有限公司 | 图像聚类方法、装置、计算机设备及存储介质 |
CN109002843A (zh) * | 2018-06-28 | 2018-12-14 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
CN109165696A (zh) * | 2018-09-29 | 2019-01-08 | 联想(北京)有限公司 | 一种聚类方法及电子设备 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096800B (zh) * | 2009-12-14 | 2014-11-19 | 北京中星微电子有限公司 | 一种图像信息获取方法及装置 |
CN102184404B (zh) * | 2011-04-29 | 2012-11-28 | 汉王科技股份有限公司 | 掌纹图像中手掌区域的获取方法及装置 |
CN102360434B (zh) * | 2011-10-09 | 2013-08-21 | 江苏大学 | 一种智能交通监控中车辆和行人的目标分类方法 |
CN103207870B (zh) * | 2012-01-17 | 2020-06-02 | 华为技术有限公司 | 一种照片分类管理方法、服务器、装置及系统 |
CN103414840B (zh) * | 2013-07-25 | 2015-09-23 | 西安空间无线电技术研究所 | 一种基于图像集的数据隐藏方法 |
CN103473570A (zh) * | 2013-08-16 | 2013-12-25 | 电子科技大学 | 自适应视频场景的行人检测方法 |
CN104298713B (zh) * | 2014-09-16 | 2017-12-08 | 北京航空航天大学 | 一种基于模糊聚类的图片检索方法 |
CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
CN107346410B (zh) * | 2016-05-05 | 2020-03-06 | 杭州海康威视数字技术股份有限公司 | 图片处理方法及装置 |
CN105913051B (zh) * | 2016-05-26 | 2019-10-18 | 京东方科技集团股份有限公司 | 一种识别人脸图像的模版库的更新装置及方法 |
CN107798354B (zh) * | 2017-11-16 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 一种基于人脸图像的图片聚类方法、装置及存储设备 |
CN108170732A (zh) * | 2017-12-14 | 2018-06-15 | 厦门市美亚柏科信息股份有限公司 | 人脸图片检索方法及计算机可读存储介质 |
CN108563651B (zh) * | 2017-12-19 | 2021-05-11 | 深圳云天励飞技术有限公司 | 一种多视频的目标搜索方法、装置及设备 |
CN108875522B (zh) * | 2017-12-21 | 2022-06-10 | 北京旷视科技有限公司 | 人脸聚类方法、装置和系统及存储介质 |
CN109213732B (zh) * | 2018-06-28 | 2022-03-18 | 努比亚技术有限公司 | 一种改善相册分类的方法、移动终端及计算机可读存储介质 |
CN109086739A (zh) * | 2018-08-23 | 2018-12-25 | 成都睿码科技有限责任公司 | 一种无人脸数据训练的人脸识别方法和系统 |
CN109242018B (zh) * | 2018-08-31 | 2024-08-27 | 平安科技(深圳)有限公司 | 图像验证方法、装置、计算机设备及存储介质 |
-
2019
- 2019-04-02 CN CN201910260788.2A patent/CN109948734B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7715598B2 (en) * | 2006-07-25 | 2010-05-11 | Arsoft, Inc. | Method for detecting facial expressions of a portrait photo by an image capturing electronic device |
CN104408402A (zh) * | 2014-10-29 | 2015-03-11 | 小米科技有限责任公司 | 人脸识别方法及装置 |
CN105243098A (zh) * | 2015-09-16 | 2016-01-13 | 小米科技有限责任公司 | 人脸图像的聚类方法及装置 |
CN105608425A (zh) * | 2015-12-17 | 2016-05-25 | 小米科技有限责任公司 | 对照片进行分类存储的方法及装置 |
CN105608430A (zh) * | 2015-12-22 | 2016-05-25 | 小米科技有限责任公司 | 人脸聚类方法及装置 |
CN108280477A (zh) * | 2018-01-22 | 2018-07-13 | 百度在线网络技术(北京)有限公司 | 用于聚类图像的方法和装置 |
CN108875834A (zh) * | 2018-06-22 | 2018-11-23 | 北京达佳互联信息技术有限公司 | 图像聚类方法、装置、计算机设备及存储介质 |
CN109002843A (zh) * | 2018-06-28 | 2018-12-14 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
CN109165696A (zh) * | 2018-09-29 | 2019-01-08 | 联想(北京)有限公司 | 一种聚类方法及电子设备 |
Non-Patent Citations (3)
Title |
---|
Dual Linear Regression Based Classification for Face Cluster Recognition;Liang Chen 等;《2014 IEEE Conference on Computer Vision and Pattern Recognition》;20140925;第2673-2680页 * |
关于聚类分析中相似度的讨论;李桂林 等;《计算机工程与应用》;20050104;第40卷(第31期);第64-82页 * |
基于SOFM的人脸图像聚类方法比较;刘燕子 等;《信息技术》;20130520;第2013年卷(第4期);第162-165页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109948734A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948734B (zh) | 图像聚类方法、装置及电子设备 | |
CN108961303B (zh) | 一种图像处理方法、装置、电子设备和计算机可读介质 | |
JP2020516188A (ja) | 顔画像重複削除方法及び装置、電子機器、記憶媒体、プログラム | |
CN116188805B (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
JP2020515983A (ja) | 対象人物の検索方法および装置、機器、プログラム製品ならびに媒体 | |
CN110969170B (zh) | 一种图像主题色提取方法、装置及电子设备 | |
US11321287B2 (en) | Data noise reduction method, device, computer apparatus and storage medium | |
CN109598250B (zh) | 特征提取方法、装置、电子设备和计算机可读介质 | |
US8953877B2 (en) | Noise estimation for images | |
CN112419342A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN115115855A (zh) | 图像编码器的训练方法、装置、设备及介质 | |
CN112257801A (zh) | 图像的增量聚类方法、装置、电子设备及存储介质 | |
CN106844727B (zh) | 海量图像特征数据分布式采集处理和分级应用系统及方法 | |
CN110569765B (zh) | 图片识别方法、图片比对方法及装置 | |
CN109886239B (zh) | 人像聚类方法、装置及系统 | |
CN110689496B (zh) | 降噪模型的确定方法、装置、电子设备和计算机存储介质 | |
CN113298122B (zh) | 目标检测方法、装置和电子设备 | |
CN110727810A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108764206B (zh) | 目标图像识别方法和系统、计算机设备 | |
CN109871814B (zh) | 年龄的估计方法、装置、电子设备和计算机存储介质 | |
JP2012003358A (ja) | 背景判別装置、方法及びプログラム | |
CN114549884A (zh) | 一种异常图像检测方法、装置、设备及介质 | |
CN109947803B (zh) | 一种数据处理方法、系统及存储介质 | |
CN112733565A (zh) | 二维码粗定位方法、设备及存储介质 | |
CN114401122B (zh) | 一种域名检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |