CN114428871A - 图像聚类方法、装置、计算机设备及存储介质 - Google Patents
图像聚类方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114428871A CN114428871A CN202111567496.7A CN202111567496A CN114428871A CN 114428871 A CN114428871 A CN 114428871A CN 202111567496 A CN202111567496 A CN 202111567496A CN 114428871 A CN114428871 A CN 114428871A
- Authority
- CN
- China
- Prior art keywords
- image
- node
- edge
- relation
- relationship
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种图像聚类方法、装置、计算机设备及存储介质,该方法通过获取样本图像集群;所述样本图像集群中包括多个样本图像节点;对各所述样本图像节点进行图像聚类得到图像连通图之后,对所述图像连通图进行分割,得到至少一个图像连通子图;一个所述图像连通子图中包括至少一个连通两个所述样本图像节点的节点关系边;确定与各所述图像连通子图中的所有节点关系边一一对应的最短路径数值以及关系边牢固数值;根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,自所述图像连通图中确定与所述样本图像集群对应的目标连通图。本发明提高了图像聚类分割的准确率以及精确度。
Description
技术领域
本发明涉及聚类分析技术领域,尤其涉及一种图像聚类方法、装置、计算机设备及存储介质。
背景技术
聚类在商业、医学诊断、图像处理、信息检索和生物信息学等领域都有广泛的应用,聚类可以根据集群中各节点的属性将节点划分为若干簇,使得每一个簇中的节点具有较高的相似性,便于进行如信息推送,商品推荐,关系网络分析等。
现有技术中,往往是根据节点之间的相似度进行聚类分割,并根据聚类分割之后各个节点之间的连通性进行聚类。但是该方法存在如下不足:其一:首先,根据节点之间的相似度进行聚类分割可能出现部分节点异常分割的情况,进而导致聚类的准确率较低;其二:其次,根据连通性进行聚类可能会将同一个集合中的节点分裂为若干各小集合,从而降低了聚类的精确性。
发明内容
本发明实施例提供一种图像聚类方法、装置、计算机设备及存储介质,以解决现有技术中聚类的准确率以及精确性较低的问题。
一种图像聚类方法,包括:
获取样本图像集群;所述样本图像集群中包括多个样本图像节点;
对各所述样本图像节点进行图像聚类得到,图像连通图;
对所述图像连通图进行分割,得到至少一个图像连通子图;一个所述图像连通子图中包括至少一个连通两个所述样本图像节点的节点关系边;
确定与各所述图像连通子图中的所有节点关系边一一对应的最短路径数值以及关系边牢固数值;
根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,自所述图像连通图中确定与所述样本图像集群对应的目标连通图。
一种图像聚类装置,包括:
集群获取模块,用于获取样本图像集群;所述样本图像集群中包括多个样本图像节点;
图像聚类模块,用于对各所述样本图像节点进行图像聚类,得到图像连通图;
连通图分割模块,用于对所述图像连通图进行分割,得到至少一个图像连通子图;一个所述图像连通子图中包括至少一个连通两个所述样本图像节点的节点关系边;
关系边分析模块,用于确定与各所述图像连通子图中的所有节点关系边一一对应的最短路径数值以及关系边牢固数值;
连通图分割模块,用于根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,自所述图像连通图中确定与所述样本图像集群对应的目标连通图。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并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图像聚类方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图像聚类方法。
上述图像聚类方法、装置、计算机设备及存储介质,该方法在对样本图像节点进行图像聚类得到图像连通图之后,基于图像连通图的连通性进行分割得到图像连通子图;进而确定图像连通子图中的节点关系边对应的最短路径数值以及关系边牢固数值;其中,由于最短路径数值较大的节点关系边对图像聚类的影响较小,进而可以通过剔除最短路径数值较大的节点关系边的方式对图像连通子图进行分割,提高图像聚类中对图像连通图进行分割时的精度以及准确率,从而提高图像聚类的准确率;但是由于各节点关系边是基于各样本图像节点的相似度构建的,在确定样本图像节点的相似度时可能存在误差,因此仅通过最短路径数值对图像连通图进行分割可能会存在偏差,进而通过各样本图像节点的出度和入度确定各节点关系边的关系边牢固数值,可以减小最短路径数值对聚类分割带来的误差,如此,通过最短路径数值以及关系边牢固数值两部分结合对图像连通图进行聚类分割,可以提高图像聚类分割的准确率以及精确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中图像聚类方法的一流程图;
图2是本发明一实施例中图像聚类方法中步骤S20的一流程图;
图3是本发明一实施例中图像聚类方法中步骤S30的一流程图;
图4是本发明一实施例中图像聚类方法中步骤S30的另一流程图;
图5是本发明一实施例中图像聚类方法中步骤S40的一流程图;
图6是本发明一实施例中图像聚类装置的一原理框图;
图7是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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作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。
在一实施例中,如图1所示,提供一种图像聚类方法,包括如下步骤:
S10:获取样本图像集群;样本图像集群中包括多个样本图像节点。
可以理解地,在社会关系网络分析、社区人员分析等场景中均会采用聚类分析技术,例如在社区人员分析场景下需要通过对成千上万的图像进行聚类,进而确定社区内人员情况,因此,本发明即以在图像聚类应用场景下为例进行聚类分析。其中,样本图像集群可以由若干样本图像构成,在该样本图像集群中可以将一个样本图像视为一个样本图像节点。
进一步地,假设将本发明的图像聚类方法应用在如社区网络分析,则样本图像集群可以更换为社区网络集群,一个社区即可视为一个社区节点,并通过下述步骤S20至S40确定与社区网络集群对应的目标连通图。
S20:对各样本图像节点进行图像聚类,得到图像连通图;
S30:对图像连通图进行分割,得到至少一个图像连通子图;一个图像连通子图中包括至少一个连通两个样本图像节点的节点关系边。
可以理解地,图像聚类即为确定各样本图像节点之间的相似度关系,进而根据该相似度关系将样本图像节点通过节点关系边的方式连接,从而形成图像连通图,该图像连通图为有向连通图。进一步地,在形成图像连通图之后,可以根据图像连通图中各个样本图像节点之间的连通性对图像连通图进行分割,也即在图像连通图中会存在多个较为密集的样本图像节点(此处定义的密集是指这些样本图像节点之间的节点关系边的数量较多),可能存在两部分较为密集的样本图像节点之间通过一个节点关系边连接,如假设一个部分A中存在1万个样本图像节点之间通过若干节点关系边连接,另一个部分B中存在1000个样本图像节点之间通过若干节点关系边连接,而部分A中的其中一个样本图像节点a,与部分B中的其中一个样本图像节点b通过一个节点关系边连接,从而造成部分A和部分B的密集程度降低,因此可以删除样本图像节点a与样本图像节点b之间的节点关系边,从而使得部分A和部分B的密集程度还原,如此通过对图像连通图进行分割,即可得到至少一个图像连通子图,且每一个图像连通子图中均存在至少一个连通两个样本图像节点的节点关系边。
S40:确定与各图像连通子图中的所有节点关系边一一对应的最短路径数值以及关系边牢固数值。
可以理解地,在图像连通子图中可能包括若干样本图像节点,一个样本图像节点通往其它样本图像节点可能存在多条路径,且每一条路径至少包含一个节点关系边,而最短路径即为包含节点关系边的数量最少的路径;假设其中一个样本图像节点通往另一个样本图像节点存在三条路径,且该三条路径中包含的节点关系边的数量分别为:第一条路径包含三个节点关系边,第二条路径包含两个节点关系边,第三条路径包含四个节点关系边,则该第二条路径即为这两个样本图像节点对应的最短路径。在确定出图像连通子图中任意两个样本图像节点之间的最短路径之后,即可确定各节点关系边在所有最短路径中出现的次数,即为最短路径数值。
进一步地,在上述说明中指出本实施例的图像连通图为有向连通图,因此可以确定每一个样本图像节点的出度(出度即为该样本图像节点指向至其它样本图像节点的节点关系边的数量)以及入度(入度即为其它样本图像节点指向该样本图像节点的节点关系边的数量),进而可以根据与节点关系边对应的两个样本图像节点的出度和入度确定与该节点关系边的关系边牢固数值。
S50:根据与各节点关系边对应的最短路径数值以及关系边牢固数值,自图像连通图中确定与样本图像集群对应的目标连通图。
具体地,在确定与各图像连通子图中的所有节点关系边一一对应的最短路径数值以及关系边牢固数值之后,即可根据与同一个节点关系边对应的最短路径数值以及关系边牢固数值,确定与各节点关系边对应的合并数值,并根据该合并数值对图像连通图进行分割,从而确定出与样本图像集群对应的目标连通图。其中,目标连通图即为在样本图像集群中密集程度最高且在目标连通图中的每一个样本图像节点之间的牢固性最高,且每两个样本图像节点之间连通的节点关系边最稳定的连通图。如此,步骤S30中确定的是处于每一个图像连通子图中的各节点关系边的最短路径数值以及关系边牢固数值,进而通过该最短路径数值以及关系边牢固数值对图像连通图进行分割,而不需要每一次都对样本图像节点进行相似度计算,再根据相似度计算的结果进行连通性分析,如此可以减少聚类分割的时间,从而提高了图像聚类的效率。
在本实施例中,在对样本图像节点进行图像聚类得到图像连通图之后,基于图像连通图的连通性进行分割得到图像连通子图;进而确定图像连通子图中的节点关系边对应的最短路径数值以及关系边牢固数值;其中,由于最短路径数值较大的节点关系边对图像聚类的影响较小,进而可以通过剔除最短路径数值较大的节点关系边的方式对图像连通子图进行分割,提高图像聚类中对图像连通图进行分割时的精度以及准确率,从而提高图像聚类的准确率;但是由于各节点关系边是基于各样本图像节点的相似度构建的,在确定样本图像节点的相似度时可能存在误差,因此仅通过最短路径数值对图像连通图进行分割可能会存在偏差,进而通过各样本图像节点的出度和入度确定各节点关系边的关系边牢固数值,可以减小最短路径数值对聚类分割带来的误差,如此,通过最短路径数值以及关系边牢固数值两部分结合对图像连通图进行聚类分割,可以提高图像聚类分割的准确率以及精确度。
在一实施例中,步骤S20中,如图2所示,也即对各样本图像节点进行图像聚类,得到图像连通图,包括:
S201:在所有样本图像节点中选取一个样本图像节点,作为图像顶点。
可以理解地,在样本图像集群中包括多个样本图像节点,进而可以在所有样本图像节点中任意选取一个样本图像节点,并将选取的样本图像节点作为图像顶点。
S202:分别确定图像顶点与未选取的所有样本图像节点之间的图像相似度。
可以理解地,图像相似度即为图像顶点对应的样本图像,与未选取的所有样本图像节点对应的样本图像之间的相似程度,该图像相似度可以通过如余弦相似度、结构相似性度量方法确定。
S203:根据图像相似度在未选取的所有样本图像节点中,将图像相似度最大的预设边数个样本图像节点,作为图像顶点对应的图像连接节点,并将图像顶点与该图像顶点对应的图像连接节点进行有向边连接,得到节点关系边。
可以理解地,预设边数用于限定每一个样本图像节点与其它样本图像节点之间的节点关系边的数量,该预设边数可以根据需求进行设定,示例性地,该预设边数阈值可以设定为100,200等。
具体地,在分别确定第一图像顶点与未选取的所有样本图像节点之间的图像相似度之后,可以将各图像相似度按照从大到小的顺序进行排序,并从未选取的所有样本图像节点中,选取排序靠前的预设边数个(也即图像相似度最大的预设边数个)样本图像节点,作为图像顶点对应的图像连接节点,并将图像顶点与该图像顶点对应的图像连接节点之间进行有向边连接,得到节点关系边。示例性地,假设预设边数为100,则选取图像相似度最大的前100个样本图像节点作为该图像顶点的图像连接节点。
S204:在所有样本图像节点中重新选取一个样本图像节点,作为新的图像顶点,新的样本图像节点为所有样本图像节点中未被选取过的样本图像节点。
S205:继续确定新的图像顶点对应的节点关系边,直至所有样本图像节点均被选取完为止。
具体地,在将图像顶点与该图像顶点对应的图像连接节点进行有向边连接,得到节点关系边之后,即可从所有的样本图像节点中选取一个新的样本图像节点作为新的图像顶点(该新的图像顶点与上述步骤中的图像顶点不是同一个样本图像节点),并通过上述步骤S202-S203确定与该新的图像顶点对应的节点关系边,并继续取另一个样本图像节点(与上述新的图像顶点和图像顶点均不是同一个样本图像节点),如此在所有的样本图像节点均被选取完成,也即每一个样本图像节点均具有预设边数个对应的节点关系边,即表征样本图像集群中的所有样本图像节点均选取完成。
S206:基于得到的所有节点关系边,生成图像连通图。
具体地,在所有的样本图像节点均具有预设边数个对应的节点关系边时,即可基于得到的所有节点关系边,构建出包含所有样本图像节点,以及与各样本图像节点对应的节点关系边的图像连通图。
在本实施例中,通过引入预设边数阈值的方式,减少每一个样本图像节点的节点关系边的构建,如此提高了图像连通图的构建效率,并且可以选取样本相似度较高的样本图像节点之间进行节点关系边的有向边连接,减小了相似度低的两个样本图像节点的节点关系边对图像连通图的影响,从而提高图像连通图构建的准确性。
在一实施例中,步骤S40中,如图3所示,也即确定与各图像连通子图中的所有节点关系边一一对应的最短路径数值,包括:
S401:确定图像连通子图中所有连通最短路径;一个连通最短路径是指图像连通子图中任意两个样本图像节点之间的最短路径;一个连通最短路径包含至少一个节点关系边。
可以理解地,在图像连通子图中可能包括若干样本图像节点,一个样本图像节点通往其它样本图像节点可能存在多条路径,且每一条路径至少包含一个节点关系边,而最短路径即为包含节点关系边的数量最少的路径;假设其中一个样本图像节点通往另一个样本图像节点存在三条路径,且该三条路径中包含的节点关系边的数量分别为:第一条路径包含三个节点关系边,第二条路径包含两个节点关系边,第三条路径包含四个节点关系边,则该第二条路径即为这两个样本图像节点对应的最短路径。因此,在对图像连通图进行分割得到图像连通子图之后,即可确定在图像连通子图中任意两个样本图像节点之间的连通最短路径,也即在图像连通子图中的每两个样本图像节点之间均对应于第一个连通最短路径。
S402:将节点关系边出现在所有连通最短路径中的总次数记录为与该节点关系边对应的关系边路径数值。
具体地,在确定图像连通子图中所有任意两个样本图像节点之间的连通最短路径之后,由于连通最短路径中记录其包含的节点关系边,进而可以确定节点关系边出现在所有连通最短路径中的总次数,并将该总次数记录为与该节点关系边对应的关系边路径数值,也即一个节点关系边对应于第一关系边路径数值。
S403:判断是否存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边。
可以理解地,预设最短路径边数阈值用于限定节点关系边在所有最短路径中出现的次数,示例性地,该预设最短路径边数阈值可以设定为5,10等。例如,预设最短路径边数阈值设定为5时,即表征每一个节点关系边在所有最短路径中出现的次数不能超过5次。
S404:若不存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,则将与各节点关系边对应的关系边路径数值记录为与其对应的最短路径数值。
具体地,在将节点关系边出现在所有连通最短路径中的总次数记录为与该节点关系边对应的关系边路径数值之后,获取预设最短路径边数阈值,并将各关系边路径数值与预设最短路径边数阈值进行比较,若关系边路径数值均小于或等于预设最短路径边数阈值,也即不存在节点关系边对应的关系边路径数值大于预设最短路径边数阈值,表征所有节点关系边均满足预设最短路径边数阈值的要求,也即反应了该图像连通子图中各样本图像节点之间密集程度较高,进而可以将与各节点关系边对应的关系边路径数值记录为与节点关系边对应的最短路径数值。
S405:若存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,则将最大的关系边路径数值对应的节点关系边记录为最大关系边,并自图像连通子图中删除最大关系边,继续确定删除最大关系边后的图像连通子图的节点关系边对应的关系边路径数值,直至不存在至少一个节点关系边对应的关系边路径数值大于预设最短路径边数阈值的节点关系边,将与各节点关系边对应的关系边路径数值记录为与其对应的最短路径数值。
具体地,在判断是否存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边之后,若存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,则直接将最大的关系边路径数值对应的节点关系边记录为最大关系边,并从图像连通子图中删除该最大关系边。
进一步地,在将最大的关系边路径数值对应的节点关系边记录为最大关系边,并自图像连通子图中删除最大关系边之后,确定删除最大关系边后的图像连通子图中任意两个样本图像节点之间的关系边路径数值,可以理解地,该关系边路径数值与步骤S402中的关系边路径数值可能相同,也可能不同,因为在对该图像连通子图中的最大关系边进行删除之后,可能会影响部分样本图像节点之间的连通,如假设图像连通子图中包括两个部分,其中一个部分A中包括7个样本图像节点,这7个样本图像节点中包括一个样本图像节点a,另一个部分B中包括8个样本图像节点,这8个样本图像节点中包括一个样本图像节点b,且这两个部分通过样本图像节点a和样本图像节点b之间的节点关系边连通,因此部分A中的样本图像节点与部分B中的样本图像节点之间的路径一定会通过样本图像节点a和样本图像节点b之间的节点关系边,假设样本图像节点a和样本图像节点b之间的节点关系边即为最大关系边,则在该图像连通子图中删除该最大关系边之后,部分A中的样本图像节点则无法抵达部分B中的样本图像节点,因此未删除最大关系边之前的图像连通子图中各节点关系边的关系边路径数值,与删除最大关系边之后的图像连通子图中各节点关系边的关系边路径数值可能相同,也可能不同。
进一步地,在确定删除最大关系边后的图像连通子图的节点关系边对应的关系边路径数值之后,若仍有至少一个关系边路径数值大于预设最短路径边数阈值的节点,则继续删除最大的关系边路径数值的节点关系边(与上述最大关系边不同),直至不存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,将与各节点关系边对应的关系边路径数值记录为与其对应的最短路径数值。
可以理解地,在每一次删除最大关系边之后的图像连通子图中各节点关系边对应的关系边路径数值是会相应更新的。示例性地,假设一个图像连通子图中共有10条最短路径,假设与其中一个节点关系边E对应的关系边路径数值为9,另一节点关系边F对应的关系边路径数值为8,其它节点关系边E对应的关系边路径数值为4时,若预设最短路径边数阈值设定为3,则删除节点关系边E,且确定节点关系边E对应的最短路径数值为9;并假设删除节点关系边E之后的图像连通子图中节点关系边F对应的关系边路径数值为5,其它节点关系边对应的关系边路径数值均小于或等于3(如1,2,3等),则删除节点关系边F,且确定节点关系边F对应的最短路径数值为5(而不是上面的8);假设删除节点关系边F之后的图像连通子图中所有节点关系边对应的关系边路径数值均为2,则确定剩余的节点关系边对应的最短路径数值为2。也即,若在需要删除最大关系边时,则直接将当前确定的与该最大关系边对应的关系边路径数值记录为与该最大关系边对应的最短路径数值,并继续确定图像连通子图中剩余的节点关系边的新的关系边路径数值,直到所有节点关系边的关系边路径数值均小于或等于预设最短路径边数阈值即可。
在本实施例中,通过确定与各节点关系边对应的最短路径数值,并引入预设最短路径边数阈值与最短路径数值进行比较,从而通过不断筛选出大于预设最短路径边数阈值的最短路径数值,并将最短路径数值最大的节点关系边删除后对新的图像连通子图进行最短路径数值计算,如此即可不断排除最短路径数值较大的节点关系边对图像连通子图进行分割的影响,使得分割后的图像连通子图中的样本图像节点之间的密集程度更高,为后续对图像连通图进行聚类分割提供基础,进而提高了对图像连通图进行聚类分割的准确率以及精确度。
在一实施例中,如图4所示,步骤S40中,也即确定与各图像连通子图中的所有节点关系边一一对应的关系边牢固数值,包括:
S406:将节点关系边所连通的两个样本图像节点分别记录为第一图像节点以及第二图像节点。
可以理解地,在上述说明中指出每一个节点关系边均连通两个样本图像节点,因此将节点关系边所连通的两个样本图像节点分别记录为第一图像节点以及第二图像节点。
S407:确定第一图像节点在其所属的图像连通子图中的第一节点牢固系数,以及第二图像节点在其所属的图像连通子图中的第二节点牢固系数。
可以理解地,第一节点牢固系数可以根据第一图像节点在其所属的图像连通子图中的节点出度和节点入度确定;第二节点牢固系数可以根据第二图像节点在其所属的图像连通子图中的节点出度和节点入度确定。
在一实施例中,确定第一图像节点在图像连通子图中的第一节点牢固系数,包括:
获取第一图像节点在其所属的图像连通子图中的第一节点出度以及第一节点入度。
可以理解地,在上述说明中指出图像连通图为有向连通图,因此各图像连通子图也为有向连通图。第一节点出度即为第一图像节点在其所属的图像连通子图中该第一图像节点指向其它其所属的图像连通子图中其它样本图像节点的节点关系边的数量;第一节点入度即为第一图像节点在其所属的图像连通子图中其它在其所属的图像连通子图中样本图像节点指向该第一图像节点的节点关系边的数量。
将第一节点出度以及第一节点入度之和记录为第一出入度和,并根据节点入度以及第一出入度和,确定第一图像节点在其所属的图像连通子图中的第一节点牢固系数。
具体地,在获取第一图像节点在其所属的图像连通子图中的第一节点出度以及第一节点入度之后,将第一节点出度以及第一节点入度之和记录为第一出入度和,并将节点入度与第一出入度和之间的商确定为第一图像节点在其所属的图像连通子图中的第一节点牢固系数。
进一步地,确定第二图像节点在其所属的图像连通子图中的第二节点牢固系数,包括:
获取第二图像节点在其所属的图像连通子图中的第二节点出度以及第二节点入度。
可以理解地,在上述说明中指出图像连通图为有向连通图,因此各图像连通子图也为有向连通图。第二节点出度即为第二图像节点在其所属的图像连通子图中该第二图像节点指向其它其所属的图像连通子图中其它样本图像节点的节点关系边的数量;第二节点入度即为第二图像节点在其所属的图像连通子图中其它在其所属的图像连通子图中样本图像节点指向该第二图像节点的节点关系边的数量。
将第二节点出度以及第二节点入度之和记录为第二出入度和,并根据第二节点入度以及第二出入度和,确定第二图像节点在其所属的图像连通子图中的第二节点牢固系数。
具体地,在获取第二图像节点在其所属的图像连通子图中的第二节点出度以及第二节点入度之后,将第二节点出度以及第二节点入度之和记录为第二出入度和,并将节点入度与第二出入度和之间的商确定为第二图像节点在其所属的图像连通子图中的第二节点牢固系数。
S408:根据第一节点牢固系数以及第二节点牢固系数,确定与节点关系边对应的关系边牢固系数。
具体地,在确定第一图像节点在其所属的图像连通子图中的第一节点牢固系数,以及第二图像节点在其所属的图像连通子图中的第二节点牢固系数之后,将第一节点牢固系数和第二节点牢固系数之差的绝对值记录为关系边牢固系数,该关系边牢固系数越大,对应的节点关系边越不稳定,反之,关系边牢固系数越小,对应的节点关系边越稳定。
在本实施例中,通过各节点关系边所连通的两个样本图像节点在其所属的图像连通子图中的节点出度和节点入度,确定与各节点关系边对应的关系边牢固系数,进而可以通过关系边牢固系数反应各节点关系边的稳定程度,如此即可通过关系边牢固系数弥补最短路径数值对图像连通图进行聚类分割带来的不足,为后续步骤中将最短路径数值和关系边牢固系数结合对图像连通图进行聚类分割提供数据基础,从而提高了聚类分割的准确率。
在一实施例中,如图5所示,步骤S50中,也即根据与各节点关系边对应的最短路径数值以及关系边牢固数值,自图像连通图中确定与样本图像集群对应的目标连通图,包括:
S501:根据与各节点关系边对应的最短路径数值以及关系边牢固数值,确定与各节点关系边对应的关系边合并数值。
在一实施例中,根据与各节点关系边对应的最短路径数值以及关系边牢固数值,确定与各节点关系边对应的关系边合并数值,包括:
获取与最短路径数值对应的第一权重值,以及与关系边牢固数值对应的第二权重值。
可以理解地,第一权重值和第二权重值为预设值,且第一权重值和第二权重值之和为1,该第一权重值或第二权重值可以根据图像连通子图中所包含的样本图像节点等进行设定。
将最短路径数值以及第一权重值之积记录为第一关系边数值,并将关系边牢固数值以及第二权重值之积记录为第二关系边数值。
将与同一节点关系边对应的第一关系边数值以及第二关系边数值之和,记录为与该节点关系边对应的关系边合并数值。
具体地,在获取与最短路径数值对应的第一权重值,以及与关系边牢固数值对应的第二权重值之后,即可根据与各节点关系边的最短路径数值、关系边牢固数值、第一权重值以及第二权重值,确定关系边合并数值。如将最短路径数值以及第一权重值之积记录为第一关系边数值,并将关系边牢固数值以及第二权重值之积记录为第二关系边数值,进而将与同一节点关系边对应的第一关系边数值以及第二关系边数值之和,记录为与该节点关系边对应的关系边合并数值。
进一步地,如通过下述表达式确定与各节点关系边对应的关系边合并数值:
Vij=α*Iij+(1-α)*Bij
其中,Vij即为连通样本图像节点i以及样本图像节点j的节点关系边对应的关系边合并数值;α为归一化系数,该归一化系数可以根据图像连通子图中所包含的样本图像节点等进行设定(α即为上述第二权重值,1-α即为上述第一权重值);Iij即为连通样本图像节点i以及样本图像节点j的节点关系边对应的关系边牢固系数;Bij即为连通样本图像节点i以及样本图像节点j的节点关系边对应的最短路径数值。
S502:判断最小的关系边合并数值是否大于或等于预设聚类阈值。
可以理解地,预设聚类阈值可以根据如图像连通子图中所包含的样本图像节点进行设定。
S503:若最小的关系边合并数值大于或等于预设聚类阈值,则将图像连通图记录为目标连通图。
具体地,在根据与同一个节点关系边对应的最短路径数值以及关系边牢固数值,确定与各节点关系边对应的关系边合并数值之后,获取预设聚类阈值,并将最小的关系边合并数值与预设聚类阈值进行比较,若最小的关系边合并数值大于或等于预设聚类阈值,表明现有的图像连通图中的样本图像节点之间的密集程度较好以及节点关系边的稳定性较高,进而可以直接将图像连通图记录为目标连通图。
S504:若最小的关系边合并数值小于预设聚类阈值,则将最大的关系边合并数值对应的节点关系边记录为待删除关系边,并自图像连通图中删除待删除关系边,继续确定删除待删除关系边后的图像连通图中的节点关系边对应的关系边合并数值,直至最小的关系边合并数值大于或等于预设聚类阈值,将最小的关系边合并数值大于或等于预设聚类阈值对应的图像连通图记录为目标连通图。
具体地,在最小的关系边合并数值小于预设聚类阈值时,表征该图像连通图的密集程度以及节点关系边的稳定性可以改善,也即图像连通图还可以继续进行聚类分割。在上述说明中,在确定节点关系边对应的最短路径数值时,当存在节点关系边的最短路径数值大于预设最短路径边数阈值时,应删除最大的最短路径数值对应的节点关系边,且在确定节点关系边的关系边牢固系数时,表明关系边牢固系数越大,对应的节点关系边越不稳定,如此即可在最小的关系边合并数值小于预设聚类阈值时,将最大的关系边合并数值对应的节点关系边记录为待删除关系边,并自图像连通图中删除待删除关系边,并根据上述步骤确定删除待删除关系边后的图像连通图中的节点关系边对应的关系边合并数值,也即重新对删除待删除关系边后的图像连通图进行分割,确定最短路径数值以及关系边牢固数值,以及确定删除待删除关系边后的图像连通图中各节点关系边的关系边合并数值等步骤,直至最小的关系边合并数值大于或等于预设聚类阈值,并将最小的关系边合并数值大于或等于预设聚类阈值时的图像连通图记录为目标连通图。
示例性地,假设删除待删除关系边后的图像连通图中最小的关系边合并数值大于或等于预设聚类阈值,则可以将删除待删除关系边后的图像连通图记录为目标连通图。若删除待删除关系边后的图像连通图中最小的关系边合并数值仍小于预设聚类阈值,则继续删除最大的关系边合并数值对应的节点关系边(该节点关系边不是上述步骤中的待删除关系边),并重新计算删除后的新的图像连通图中所有节点关系边的关系边合并数值,若该新的图像连通图中最小关系边合并数值大于或等于预设聚类阈值,则将该新的图像连通图记录为目标连通图。
在本实施例中,通过根据与各节点关系边对应的最短路径数值以及关系边牢固数值确定与各节点关系边的合并数值,并引入预设聚类阈值,进而在最小的合并数值大于预设聚类阈值时,从图像连通图中确定与样本图像集群对应的目标连通图,如此即可通过最短路径数值以及关系边牢固数值结合的方式对图像连通图进行聚类分割的方式,提高了聚类分割的准确率以及精确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种图像聚类装置,该图像聚类装置与上述实施例中图像聚类方法一一对应。如图6所示,该图像聚类装置包括集群获取模块10、图像聚类模块20、连通图分割模块30、关系边分析模块40和连通图分割模块50。各功能模块详细说明如下:集群获取模块10,用于获取样本图像集群;所述样本图像集群中包括多个样本图像节点;图像聚类模块20,用于对各所述样本图像节点进行图像聚类,得到图像连通图;连通图分割模块30,用于对所述图像连通图进行分割,得到至少一个图像连通子图;一个所述图像连通子图中包括至少一个连通两个所述样本图像节点的节点关系边;关系边分析模块40,用于确定与各所述图像连通子图中的所有节点关系边一一对应的最短路径数值以及关系边牢固数值;连通图分割模块50,用于根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,自所述图像连通图中确定与所述样本图像集群对应的目标连通图。
优选地,图像聚类模块20中包括:第一图像顶点选取单元,用于在所有样本图像节点中选取一个样本图像节点,作为图像顶点;图像相似度确定单元,用于分别确定所述图像顶点与未选取的所有样本图像节点之间的图像相似度;第一节点关系边生成单元,用于根据所述图像相似度在未选取的所有样本图像节点中,将图像相似度最大的预设边数个样本图像节点,作为所述图像顶点对应的图像连接节点,并将所述图像顶点与该图像顶点对应的图像连接节点进行有向边连接,得到节点关系边;第二图像顶点选取单元,用于在所有样本图像节点中重新选取一个样本图像节点,作为新的图像顶点,所述新的样本图像节点为所有样本图像节点中未被选取过的样本图像节点;第二节点关系边生成单元,用于继续确定所述新的图像顶点对应的节点关系边,直至所有样本图像节点均被选取完为止;图像连通图生成单元,用于基于得到的所有节点关系边,生成所述图像连通图。
优选地,关系边分析模块40包括:最短路径确定单元,用于确定所述图像连通子图中所有连通最短路径;一个所述连通最短路径是指所述图像连通子图中任意两个样本图像节点之间的最短路径;一个所述连通最短路径包含至少一个所述节点关系边;关系边路径数值确定单元,用于将所述节点关系边出现在所有所述连通最短路径中的总次数记录为与该节点关系边对应的关系边路径数值;数值比较单元,用于判断是否存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边;第一最短路径数值确定单元,用于若不存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,则将与各所述节点关系边对应的关系边路径数值记录为与其对应的最短路径数值;第二最短路径数值确定单元,用于若存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,则将最大的关系边路径数值对应的节点关系边记录为最大关系边,并自所述图像连通子图中删除所述最大关系边,继续确定删除最大关系边后的图像连通子图的节点关系边对应的关系边路径数值,直至不存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,将与各所述节点关系边对应的关系边路径数值记录为与其对应的最短路径数值。
优选地,关系边分析模块40还包括:节点记录单元,用于将所述节点关系边所连通的两个样本图像节点分别记录为第一图像节点以及第二图像节点;节点牢固系数确定单元,用于确定所述第一图像节点在其所属的图像连通子图中的第一节点牢固系数,以及所述第二图像节点在其所属的图像连通子图中的第二节点牢固系数;关系边牢固系数确定单元,用于根据所述第一节点牢固系数以及所述第二节点牢固系数,确定与所述节点关系边对应的关系边牢固系数。
优选地,节点牢固系数确定单元包括:第一节点出入度获取子单元,用于获取所述第一图像节点在其所属的图像连通子图中的节点出度以及节点入度;第一节点牢固系数确定子单元,用于将所述节点出度以及所述节点入度之和记录为出入度和,并根据所述节点入度以及所述出入度和,确定所述第一图像节点在其所属的图像连通子图中的第一节点牢固系数;第二节点出入度获取子单元,用于获取所述第二图像节点在其所属的图像连通子图中的第二节点出度以及第二节点入度;第二节点牢固系数确定子单元,用于将所述第二节点出度以及所述第二节点入度之和记录为第二出入度和,并根据所述第二节点入度以及所述第二出入度和,确定所述第二图像节点在其所属的图像连通子图中的第二节点牢固系数。
优选地,连通图分割模块50包括:关系边合并数值确定单元,用于根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,确定与各所述节点关系边对应的关系边合并数值;数值比较单元,用于判断最小的关系边合并数值是否大于或等于预设聚类阈值;第一目标连通图确定单元,用于若最小的关系边合并数值大于或等于所述预设聚类阈值,则将所述图像连通图记录为所述目标连通图;第二目标连通图确定单元,用于若最小的关系边合并数值小于所述预设聚类阈值,则将最大的关系边合并数值对应的节点关系边记录为待删除关系边,并自所述图像连通图中删除所述待删除关系边,继续确定删除待删除关系边后的图像连通图中的节点关系边对应的关系边合并数值,直至最小的关系边合并数值大于或等于预设聚类阈值,将最小的关系边合并数值大于或等于预设聚类阈值时的图像连通图记录为所述目标连通图。
在一个实施例中,关系边合并数值确定单元,包括:权重获取子单元,用于获取与所述最短路径数值对应的第一权重值,以及与所述关系边牢固数值对应的第二权重值;关系边数值确定子单元,用于将所述最短路径数值以及所述第一权重值之积记录为第一关系边数值,并将所述关系边牢固数值以及所述第二权重值之积记录为第二关系边数值;关系边合并数值确定子单元,用于将与同一节点关系边对应的第一关系边数值以及第二关系边数值之和,记录为与该节点关系边对应的关系边合并数值。
关于图像聚类装置的具体限定可以参见上文中对于图像聚类方法的限定,在此不再赘述。上述图像聚类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储上述实施例中的图像聚类方法所使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像聚类方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中的图像聚类方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中的图像聚类方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像聚类方法,其特征在于,包括:
获取样本图像集群;所述样本图像集群中包括多个样本图像节点;
对各所述样本图像节点进行图像聚类,得到图像连通图;
对所述图像连通图进行分割,得到至少一个图像连通子图;一个所述图像连通子图中包括至少一个连通两个所述样本图像节点的节点关系边;
确定与各所述图像连通子图中的所有节点关系边一一对应的最短路径数值以及关系边牢固数值;
根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,自所述图像连通图中确定与所述样本图像集群对应的目标连通图。
2.如权利要求1所述的图像聚类方法,其特征在于,所述对各所述样本图像节点进行图像聚类,得到图像连通图,包括:
在所有样本图像节点中选取一个样本图像节点,作为图像顶点;
分别确定所述图像顶点与未选取的所有样本图像节点之间的图像相似度;
根据所述图像相似度在未选取的所有样本图像节点中,将图像相似度最大的预设边数个样本图像节点,作为所述图像顶点对应的图像连接节点,并将所述图像顶点与该图像顶点对应的图像连接节点进行有向边连接,得到节点关系边;
在所有样本图像节点中重新选取一个样本图像节点,作为新的图像顶点,所述新的样本图像节点为所有样本图像节点中未被选取过的样本图像节点;
继续确定所述新的图像顶点对应的节点关系边,直至所有样本图像节点均被选取完为止;
基于得到的所有节点关系边,生成所述图像连通图。
3.如权利要求1所述的图像聚类方法,其特征在于,所述确定与各所述图像连通子图中的所有节点关系边一一对应的最短路径数值,包括:
确定所述图像连通子图中所有连通最短路径;一个所述连通最短路径是指所述图像连通子图中任意两个样本图像节点之间的最短路径;一个所述连通最短路径包含至少一个所述节点关系边;
将所述节点关系边出现在所有所述连通最短路径中的总次数记录为与该节点关系边对应的关系边路径数值;
判断是否存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边;
若不存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,则将与各所述节点关系边对应的关系边路径数值记录为与其对应的最短路径数值;
若存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,则将最大的关系边路径数值对应的节点关系边记录为最大关系边,并自所述图像连通子图中删除所述最大关系边,继续确定删除最大关系边后的图像连通子图的节点关系边对应的关系边路径数值,直至不存在至少一个关系边路径数值大于预设最短路径边数阈值的节点关系边,将与各所述节点关系边对应的关系边路径数值记录为与其对应的最短路径数值。
4.如权利要求1所述的图像聚类方法,其特征在于,所述确定与各所述图像连通子图中的所有节点关系边一一对应的关系边牢固数值,包括:
将所述节点关系边所连通的两个样本图像节点分别记录为第一图像节点以及第二图像节点;
确定所述第一图像节点在其所属的图像连通子图中的第一节点牢固系数,以及所述第二图像节点在其所属的图像连通子图中的第二节点牢固系数;
根据所述第一节点牢固系数以及所述第二节点牢固系数,确定与所述节点关系边对应的关系边牢固系数。
5.如权利要求4所述的图像聚类方法,其特征在于,所述确定所述第一图像节点在其所属的图像连通子图中的第一节点牢固系数,包括:
获取所述第一图像节点在其所属的图像连通子图中的第一节点出度以及第一节点入度;
将所述第一节点出度以及所述第一节点入度之和记录为第一出入度和,并根据所述第一节点入度以及所述第一出入度和,确定所述第一图像节点在其所属的图像连通子图中的第一节点牢固系数;
所述确定第二图像节点在其所属的图像连通子图中的第二节点牢固系数,包括:
获取所述第二图像节点在其所属的图像连通子图中的第二节点出度以及第二节点入度;
将所述第二节点出度以及所述第二节点入度之和记录为第二出入度和,并根据所述第二节点入度以及所述第二出入度和,确定所述第二图像节点在其所属的图像连通子图中的第二节点牢固系数。
6.如权利要求1所述的图像聚类方法,其特征在于,所述根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,自所述图像连通图中确定与所述样本图像集群对应的目标连通图,包括:
根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,确定与各所述节点关系边对应的关系边合并数值;
判断最小的关系边合并数值是否大于或等于预设聚类阈值;
若最小的关系边合并数值大于或等于所述预设聚类阈值,则将所述图像连通图记录为所述目标连通图;
若最小的关系边合并数值小于所述预设聚类阈值,则将最大的关系边合并数值对应的节点关系边记录为待删除关系边,并自所述图像连通图中删除所述待删除关系边,继续确定删除待删除关系边后的图像连通图中的节点关系边对应的关系边合并数值,直至最小的关系边合并数值大于或等于预设聚类阈值,将最小的关系边合并数值大于或等于预设聚类阈值时的图像连通图记录为所述目标连通图。
7.如权利要求6所述的图像聚类方法,其特征在于,所述根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,确定与各所述节点关系边对应的关系边合并数值,包括:
获取与所述最短路径数值对应的第一权重值,以及与所述关系边牢固数值对应的第二权重值;
将所述最短路径数值以及所述第一权重值之积记录为第一关系边数值,并将所述关系边牢固数值以及所述第二权重值之积记录为第二关系边数值;
将与同一节点关系边对应的第一关系边数值以及第二关系边数值之和,记录为与该节点关系边对应的关系边合并数值。
8.一种图像聚类装置,其特征在于,包括:
集群获取模块,用于获取样本图像集群;所述样本图像集群中包括多个样本图像节点;
图像聚类模块,用于对各所述样本图像节点进行图像聚类,得到图像连通图;
连通图分割模块,用于对所述图像连通图进行分割,得到至少一个图像连通子图;一个所述图像连通子图中包括至少一个连通两个所述样本图像节点的节点关系边;
关系边分析模块,用于确定与各所述图像连通子图中的所有节点关系边一一对应的最短路径数值以及关系边牢固数值;
连通图分割模块,用于根据与各所述节点关系边对应的最短路径数值以及关系边牢固数值,自所述图像连通图中确定与所述样本图像集群对应的目标连通图。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并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如权利要求1至7任一项所述图像聚类方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图像聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567496.7A CN114428871A (zh) | 2021-12-20 | 2021-12-20 | 图像聚类方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567496.7A CN114428871A (zh) | 2021-12-20 | 2021-12-20 | 图像聚类方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114428871A true CN114428871A (zh) | 2022-05-03 |
Family
ID=81312009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111567496.7A Pending CN114428871A (zh) | 2021-12-20 | 2021-12-20 | 图像聚类方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114428871A (zh) |
-
2021
- 2021-12-20 CN CN202111567496.7A patent/CN114428871A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110554958B (zh) | 图数据库测试方法、系统、设备和存储介质 | |
CN110990390B (zh) | 数据协同处理方法、装置、计算机设备和存储介质 | |
CN109471853B (zh) | 数据降噪方法、装置、计算机设备和存储介质 | |
CN109325118B (zh) | 不平衡样本数据预处理方法、装置和计算机设备 | |
CN110471945B (zh) | 活跃数据的处理方法、系统、计算机设备和存储介质 | |
CN114610635A (zh) | 接口测试用例生成方法、装置、计算机设备及存储介质 | |
CN112948504B (zh) | 数据采集方法、装置、计算机设备和存储介质 | |
CN114610825A (zh) | 关联网格集的确认方法、装置、电子设备及存储介质 | |
CN113283973A (zh) | 对账差异数据的处理方法、装置、计算机设备和存储介质 | |
CN117391306A (zh) | 国土空间规划成果审查方法、装置、设备以及存储介质 | |
CN114428871A (zh) | 图像聚类方法、装置、计算机设备及存储介质 | |
CN112464006A (zh) | 基于人工智能和互联网的数据分析方法及系统 | |
CN111158732A (zh) | 访问数据处理方法、装置、计算机设备及存储介质 | |
CN111258968A (zh) | 企业冗余数据清理方法、装置及大数据平台 | |
CN110598194A (zh) | 一种非满格表格内容提取方法、装置及终端设备 | |
CN115098503A (zh) | 空值数据处理方法、装置、计算机设备以及存储介质 | |
CN113434769A (zh) | 数字化与人工智能结合的互动行为画像分析方法及系统 | |
CN109032922B (zh) | 接口诊断方法、装置、设备和存储介质 | |
CN116719896B (zh) | Poi数据的挖掘方法及其装置、计算机设备及存储介质 | |
CN110991473A (zh) | 图像样本的特征选择方法、装置、计算机设备及存储介质 | |
CN109635286B (zh) | 政策热点分析的方法、装置、计算机设备和存储介质 | |
WO2022217419A1 (zh) | 神经网络模型推理方法、装置、计算机设备和存储介质 | |
CN117421565B (zh) | 基于马尔可夫毯的装备评估方法、装置和计算机设备 | |
CN117389908B (zh) | 接口自动化测试用例的依赖关系分析方法、系统及介质 | |
CN115994194B (zh) | 政务大数据的数据质量检查方法、系统、设备及介质 |
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 |