CN1996343A - 数据处理,图像处理和图像分类方法及设备,及存储介质 - Google Patents

数据处理,图像处理和图像分类方法及设备,及存储介质 Download PDF

Info

Publication number
CN1996343A
CN1996343A CN 200610000338 CN200610000338A CN1996343A CN 1996343 A CN1996343 A CN 1996343A CN 200610000338 CN200610000338 CN 200610000338 CN 200610000338 A CN200610000338 A CN 200610000338A CN 1996343 A CN1996343 A CN 1996343A
Authority
CN
China
Prior art keywords
cluster
arbitrary
data
image
center
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.)
Granted
Application number
CN 200610000338
Other languages
English (en)
Other versions
CN100535926C (zh
Inventor
王健民
纪新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Inc
Original Assignee
Canon Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Canon Inc filed Critical Canon Inc
Priority to CNB2006100003382A priority Critical patent/CN100535926C/zh
Publication of CN1996343A publication Critical patent/CN1996343A/zh
Application granted granted Critical
Publication of CN100535926C publication Critical patent/CN100535926C/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种数据处理方法，图像处理方法，图像分类方法及装置，以及存储介质。通过本发明，基于标准K－均值方法提出了一种新的数据聚类方法。在图像处理以及图像分类中使用该新的数据聚类方法产生良好的性能。

Description

数据处理，图像处理和图像分类方法及设备，及存储介质
技术领域
本发明涉及数据处理方法，图像处理方法，图像分类方法及设备，以及存储介质。
背景技术
作为一种数据处理方法，K-均值聚类(K-means Cluster)方法是到目前为止应用非常广泛的用以发现数据中的聚类的方法。K-均值聚类方法被应用在很多领域，包括图形，计算机视觉，信号处理，压缩，以及计算几何(参见Anne-Claude Doux，Jean-Philippe Laurent，和Jean-Pierre Nadal，Symbolic Data Analysis with the K-Means Algorithm，Paris，France)。有很多发表的论文集中在如何加快该方法(参见BarbaraHohlt，Pthread Parallel K-means，CS267 Applications of ParallelComputing UC Berkeley December 14，2001；Jesse D.Hall John C.Hart，University of Illinois at Urbana-Champaign，GPU Acceleration ofIterative Clustering，June 4，2004)。但是本发明所提出的进一步的问题是如何更均匀地聚类数据。因此有必要开发一种改进的数据聚类方法以解决问题。至于数据聚类方法的使用，研究如何在图像处理甚至图像分类中有效地使用该改进的数据聚类方法也是有益的。
发明内容
本发明的一个目的是根据标准K-均值方法开发一种新的数据聚类方法。
本发明的另一个目的是在图像处理以及图像分类中使用新的数据聚类方法。
本发明提供了一种数据处理方法，包括步骤：
输入包括了数个数据元素的数据集；
将该数据集聚类到聚类中，满足以下的条件：对于所述的数个数据元素的任一数据元素，所述任一数据元素和该任一数据元素所属的聚类的中心之间的加权距离小于等于该任一数据元素和该任一数据元素不属于的任一其它聚类的中心之间的加权距离，并且选择加权因数和中心使得该聚类均匀；
对于所聚类的数据集进行后处理。
本发明还提供了一种图像处理方法，包括步骤：
输入包括数个图像元素的图像；
将该图像元素聚类到聚类中，满足以下的条件：对于所述的数个图像元素的任一图像元素，所述任一图像元素和该任一图像元素所属的聚类的中心之间的加权距离小于等于该任一图像元素和该任一图像元素不属于的任一其它聚类的中心之间的加权距离，并且选择加权因数和中心使得该聚类均匀；
对于所聚类的图像元素进行进一步的处理。
本发明进一步提供了一种图像分类方法，包括步骤：
输入有待分类的图像，该图像包括数个图像元素；
将该数个图像元素聚类到聚类中，满足以下条件：对于所述的数个图像元素的任一图像元素，所述任一图像元素和该任一图像元素所属的聚类的中心之间的加权距离小于等于该任一图像元素和该任一图像元素不属于的任一其它聚类的中心之间的加权距离，并且事先确定加权因数和中心；
从聚类中提取特征；
使用所提取的特征对图像进行分类。
通过本发明，开发了一种根据标准K-均值方法的新的数据聚类方法。
在图像处理以及图像分类中使用新的数据聚类方法产生了很好的性能。
从以下参照附图对优选实施例所作的说明，本发明的其它特征和优势将明显可见，该附图通过示例描述了本发明的原理。
附图说明
图1是标准K-均值聚类方法的流程图；
图2的流程图表示了根据本发明的一种新的数据聚类方法以及根据该新的数据聚类方法的数据处理方法的流程图；
图3是本发明的数据处理设备；
图4表示使用了许多数据集的标准K-均值聚类方法的性能；
图5表示使用了许多数据集的本发明的新的数据聚类方法的性能；
图6表示根据本发明的一种图像处理方法；
图7表示执行图6所示的图像处理方法的图像处理装置；
图8表示根据本发明的图像分类方法；
图9表示根据本发明的图像分类设备，用以执行图8所示的图像分类方法。
具体实施方式
根据本发明，标准K-均值数据聚类方法被进一步地开发为一种新的数据聚类方法。
首先结合附图1对作为一种旧的数据处理方法的标准K-均值聚类方法进行简要的描述。
标准的K-均值数据聚类方法是一种迭代的非层级方法。其由J.B.MacQueen在1976年提出。
在步骤S10，输入包括有待聚类的n个数据元素(例如，矢量)的数据集{v}(v1v2...vn)，使用下面的方法得到k个聚类，其中k为一给定的数目，并且k小于n。
在步骤S11，给出了初始的k个中心数据元素(例如，矢量)(在任何方法中，例如，从数据集{v}中随机地选择k个数据元素)。
令m1m2...mk为这k个中心数据元素。
在步骤S12，将该数据集{v}聚类到k个聚类{v}1，{v}2...{v}k中。该k个聚类满足条件：
对于{v}i中的任意数据元素v以及任意的j≠i，
dis(v，mi)≤dis(v，mj)。
这里dis(v1，v2)意味着数据元素v1和数据元素v2之间的距离。其可以是任何类型的距离测量，例如，Euclidean距离。
在步骤s13，如下再次计算k个中心数据元素：
mi＝mean({v}i)，也就是数据集{v}i的均值。
在步骤s14，除非满足某些条件，例如，所有的迭代的次数大于固定值或是在本次迭代中m1m2...mk没有发生变化，否则进行到步骤s12。
下面描述本发明的新的数据聚类方法。
本发明的目的在于非常均匀地聚类数据，但是标准的K-均值算法不能做到。为了达到该目的，本发明介绍了一种新的数据聚类方法以及根据新的数据聚类方法的数据处理方法，如图2所示，由图3所示的数据处理设备30执行。
在步骤s20，包括有数个数据元素vi(i＝1..n)的数据集{v}由数据输入装置31输入。
通过数据聚类装置32，所输入的数据集被如下聚类：
在步骤s21，给出了初始k个中心数据元素(例如，矢量)，(在任何方法中，例如，从数据集{v}中随机地选择k个数据元素)。
令m1m2...mk为这k个中心数据元素(矢量)。
在步骤s22，给出了初始k个系数或是加权因数c1c2...ck。
对于i＝1，2...k，令ci＝1/k。
在步骤s23，数据集{v}被聚类到k个聚类{v}1，{v}2...{v}k中。该聚类满足条件：
对于{v}i中的任意数据元素v，以及任意的j≠i，ci×dis(v，mi)≤cj×dis(v，mj)。
这里dis(v1，v2)意味着数据元素v1和数据元素v2之间的距离。其可以是任何类型的距离测量，例如，Euclidean距离。
在步骤S24，如下再次计算k个中心数据元素：
mi＝mean({v}i)，也就是数据集{v}i的均值。
在步骤s25，如下再次计算k个系数或加权因数c1c2...ck：
c i = 1 - k log ( 1 - c i ) / ( log ( n ) - log ( numberof ( { v } i ) ) )
其中，numberof({v}i)意味着数据集{v}i中的数据元素的数目。接着如下将k个系数或加权因数标准化：
c i = c i / Σ j = 1 k c j
在步骤s26，除非满足某些条件，例如，所有的迭代的次数大于一固定值或是在本次迭代中m1m2...mk不发生改变，否则进行到步骤s23。
在步骤s27，聚类的数据集接受后处理装置33的后处理，例如特征提取，数据分类等等。
对本发明的新的数据聚类方法的分析如下：
该新的数据聚类方法的关键点在于系数或是加权因数：c1c2...ck以及得到该系数的方法。
通过该新的数据聚类方法，结果聚类非常均匀。
为了更清晰地描述该新的数据聚类方法，我们假定k＝2。换句话说，我们将整个数据集{v}分成两个聚类{v}1，{v}2。令c1和c2成为在一些迭代之后的系数或是加权因数，c1′和c2′是经过这次迭代之后的更新的系数或加权因数。
c 1 ′ = 1 - 2 log ( 1 - c 1 ) / ( log ( n ) - log ( numberof ( { v } 1 ) ) )
c 2 ′ = 1 - 2 log ( 1 - c 2 ) / ( log ( n ) - log ( numberof ( { v } 2 ) ) )
如果某些聚类的计数，例如第一聚类的计数大于平均计数n/2，换句话说，numberof({v}1)＞n/2，那么可以推出下面的表达式：
numberof({v}2)＝n-numberof({v}1)＜n-n/2＝n/2
c 1 ′ = 1 - 2 log ( 1 - c 1 ) / ( log ( n ) - log ( numberof ( { v } 1 ) ) )
> 1 - 2 log ( 1 - c 1 ) / ( log ( n ) - log ( n / 2 ) )
= 1 - 2 log ( 1 - c 1 ) / log ( 2 )
= 1 - ( 1 - c 1 )
= c 1
c 2 ′ = 1 - 2 log ( 1 - c 2 ) / ( log ( n ) - log ( numberof ( { v } 2 ) ) )
< 1 - 2 log ( 1 - c 2 ) / ( log ( n ) - log ( n / 2 ) )
= 1 - 2 log ( 1 - c 2 ) / log ( 2 )
= 1 - ( 1 - c 2 )
= c 2
对于聚类{v}2中的满足c2×dis(v，m2)≤c1×dis(v，m1)的数据元素v，可以推出，c2′×dis(v，m2)＜c2×dis(v，m2)≤c1×dis(v，m1)＜c1′×dis(v，m1)。根据上述的推导，数据元素v在本次迭代之后仍然属于{v}2。
也就是说，较小聚类中的数据元素在本次迭代之后将仍属于其聚类。
另一方面，{v}1中的数据元素v满足c1×dis(v，m1)≤c2×dis(v，m2)。
如上所述，经过上述迭代之后，c’2小于c2，并且c’1大于c1。对于{v}1中的某些数据元素v，可能发生下面的情况：
c2′×dis(v，m2)＜c1′×dis(v，m1)
因此经过本次迭代之后，矢量v属于{v}2而不是{v}1。
总而言之，可以得出结论：在本次迭代之后，{v}1可能变小而{v}2可能变大，因此结果聚类就变得越来越均匀。
当结果聚类变得越来越均匀时，根据下面的公式，系数或加权因数c1c2...ck变化较小：
lim numberof ( { v } i ) - > n / 2 1 - 2 log ( 1 - c i ) / ( log ( n ) - log ( numberof ( { v } i ) ) )
= 1 - 2 log ( 1 - c i ) / ( log ( n ) - log ( n / 2 ) )
= 1 - 2 log ( 1 - c i ) / log ( 2 )
= 1 - ( 1 - c i )
= c i
这表明当聚类变得均匀时，系数或加权因数以及聚类都稳定。并且其可以作为均匀聚类的标准。
新的数据聚类方法和标准K-均值聚类方法的比较如下所示：
标准K-均值方法不能使数据集的结果聚类为均匀的。通过使用本发明的数据聚类方法，结果聚类的尺寸将会变得越来越均匀，但是旧的方法并没有追求这个目的。
另一方面，通过本发明的步骤，新的数据聚类方法可以使得结果聚类越来越均匀。
通过使用许多数据集，对标准K-均值聚类方法和本发明的新的数据聚类方法进行比较。图4和图5可以清楚地描述两种方法的结果之间的差距。图4表示标准K-均值方法可以对输入的数据进行聚类。但是聚类的尺寸不均匀，参见图4的直方图。本发明的新的数据聚类方法同样对输入的数据进行聚类。进一步地聚类的尺寸几乎相同，如图5所示。
在图4和图5中，x轴表示聚类的指数，y轴表示聚类尺寸。
根据以上的描述进行总结：
如果聚类结果不均匀，一些结果聚类的尺寸可能相较于其他聚类而言很小；
如果聚类结果均匀，根据信息理论，能越均匀，平均信息量越大。而平均信息量越大，则得到更多的信息，在均匀的情况下，可以带来更多的信息，因此数据处理方法可以得到更好的性能。
根据以上的数据处理方法，本发明还开发了一种通过使用本发明的数据聚类方法的图像处理方法。在很多图像处理方法中，例如，图像识别，图像分类，图像编码，图像转换等等，有待处理的图像需要接受聚类处理。
图6表示了根据本发明的图像处理方法。图7表示了执行图6所示的图像处理方法的图像处理设备70。在步骤s61，有待处理的图像被图像输入装置71输入。所述输入的图像包括数个图像元素{v}(v1v2...vn)，例如，图像的像素，用每个像素的r，g，b值表达为((r，g，b)}((r，g，b)1，(r，g，b)2，...(r，g，b)n)。在步骤s62，通过图像元素聚类装置72，数个图像元素{v}(v1v2...vn)根据上述的新的数据聚类方法被聚类。从步骤s20到步骤s26，图像元素被聚类到k个聚类{v}1，{v}2...{v}k。对于{v}i中的任意图像元素v以及任意j≠i，ci×dis(v，mi)≤cj×dis(v，mj)。
这里dis(v1，v2)意味着图像元素v1和v2，也就是，(r，g，b)1和(r，g，b)2之间的距离。其可以为任何类型的距离测量.例如，Euclidean距离。Mj为{v}i的中心。
较之标准的K-均值聚类方法，这样聚类的图像元素{(r，g，b)}((r，g，b)1，(r，g，b)2，...(r，g，b)n)将会更加均匀。并且在步骤s63，均匀的聚类随后被用于由进一步处理装置73执行的进一步的处理，例如输出，存储，图像识别或图像分类，并且带来图像处理的较佳性能。
上述图像处理的较佳性能将在以下根据本发明的图像元素聚类方法开发出来的图像分类方法中得以示例性地显示。
在以下的实施例中，新的图像元素聚类方法用于图像分类，以确定一个图像是否属于例如蓝天图像或非蓝天图像。本发明从图像中得到颜色直方图特征并且使用Fisher线性分类器以确定图像的类别。新的图像元素聚类方法用以将像素(表述为颜色空间值r，g，b)分配为均匀的聚类，为计算颜色直方图特征做准备。
本发明的图像分类方法如图8所示地被详细描述并且如图9所示地由图像分类设备执行。
作为一个可选的步骤，在步骤s81，优选地由图像输入装置91输入的输入图像被重调尺寸到一个特殊的尺寸，例如19200像素。图像的宽高比在重调尺寸之后没有发生变化。
在步骤s82，重调尺寸的图像中的像素由图像元素聚类装置92通过使用上面的新的图像元素聚类方法进行聚类。
本发明使用了矢量v＝[r，g，b]，其中r，g，以及b为颜色像素的r，g，和b颜色分量值。令像素集{v}由从重调尺寸的图像像素得到的矢量组成。本发明使用上面的新的图像元素聚类方法将像素集{v}聚类到k个聚类{v}i，{v}2...{v}k，对于{v}i中的任意v以及j≠i，满足条件ci×dis(v，mi)≤cj×dis(v，mj)(如果聚类方法为标准k-均值聚类方法，则条件变为dis(v，mi)≤ dis(v，mj))，其中m1m2...mk以及c1c2...ck为提前得到的。在下面的描述中将描述对于m1m2...mk以及c1c2...ck的训练方法。这里dis(v1，v2)意味着v1和v2之间的距离。其可以为任何类型的距离测量，在本方法中，使用了Euclidean距离。
在步骤s83，图像特征提取装置93提取图像特征。
这里，提取出了名为imf(i)的k-dim特征，其中对于i＝1，2，3...k-1，imf(i)＝numberof({v}i)，且numberof({v}i)意味着像素集{v}i的计数。
在步骤s84，图像分类装置94通过使用上面提取的特征对图像进行分类。
定义k-dim权重w(i)。并且“th”被定义为阈值。
如果 &Sigma; i = 1 k imf ( i ) &times; w ( i ) &GreaterEqual; th , 则该图像为正片，否则不是。
计算下面参数m1m2...mk，c1c2...ck，w(i)(i＝1，2，3...k-1)以及“th”的方法如下所述：
首先，描述计算m1m2...mk和c1c2...ck的方法。
在步骤s81选择许多图像并对其重调尺寸。
如在步骤s82所述，令像素集{v}由从重调尺寸后的图像的像素中得到的矢量组成。
接着使用本发明的新的图像元素聚类方法将像素集{v}聚类到k个聚类：{v}1，{v}2...{v}k。并且也得到m1m2...mk和c1c2...ck。
下面描述计算w(i)(i＝1，2，3...k-1)的方法。
1.得到许多蓝天图像和非蓝天图像；
2.对于每个图像，得到矢量imf(i)(i＝1，2，3...k-1)。于是，对于上面的两种图像，得到两种矢量。每一种都来自于对应种类的图像。
3.使用Fisher线性分类器训练两种类型的矢量，得到权重矢量w(i)(i＝1，2，3...k-1)。
获得“th”的方法在下面进行描述。
选择“th”作为imf(i)和w(i)的内积，标准是在先步骤中得到的Fisher线性分类器可以得到对于使用该阈值的训练集而言为最好的结果(真实率和错误率之间的差值最大)。
下面的表格描述了使用上面两种聚类方法的图像分类算法的性能。该两种方法意在确定蓝天图像或非蓝天图像。示例性地，k在此处取为64。
算法                返回率      错误率
使用标准k-均值      85.45％     20.00％
使用新的聚类算法    88.80％     18.19％
从结果我们可以得到，在图像分类方法中使用了新的聚类方法可以得到比使用标准K-均值聚类方法更佳的性能。
接着解释上面的返回率和错误率。
当在一种类别上适用时，本发明使用两个值来评估分类算法的能力。一个是所谓的“Recall”。假设n为一个类别中图像的数目并且NTure表示由该算法正确分类到该类别中的图像的数目。于是返回率r是NTure与n的比值。也就是：
r＝NTrue/n
另一个值称为“错误率”。假定不属于一个类别的图像的数目为m，且NFalse表示由该算法错误分类到该类别中的图像的数目，于是错误率fr是NFalse与m的比值。也就是：
fr＝NFalse/m
这两个值被用来评估和比较使用标准K-均值聚类方法和本发明的新的数据聚类方法的图像分类。
根据上面的描述，新的数据聚类方法对于图像分类可以产生好的性能。
原因在于新的聚类算法可以得到均匀的聚类结果。
如果聚类结果不均匀，一些结果聚类的尺寸相较于其它的聚类可能会非常小。当在图像分类算法中使用了这样的结果聚类时，小尺寸聚类的对应图像特征imf(i)会非常小，甚至在某些输入图像中为零，这就意味着某些聚类没有很好地使用，这将削弱该方法的性能。而当聚类结果均匀时，就不会存在这样的问题。
如果聚类结果均匀，图像特征imf(i)一般也均匀。根据信息理论，能越均匀，平均信息量就越大。于是当imf(i)取做能时，均匀的imf(i)的平均信息量就大于不均匀的imf(i)的平均信息量，而当平均信息量越大时，就可以得到更多的信息，在均匀的情况下，imf(i)可以带来更多的信息，因此算法可以得到更好的性能。
数据处理方法，图像处理方法，以及图像分类方法在以下图像分类的例子中用数字进行显示。
从3470个样本图像中，在每个样本图像中随机地选择出100像素的(r，g，b)矢量作为样本矢量。这样就可以获得总共347000个这样的样本矢量，其中的十个列举如下：
79    127    176
129   144    175
163   178    209
4     9      38
80    102    123
5     8      13
21    32     60
96    167    221
63    124    187
51    72     91
...   ...
首先，通过使用标准K-均值聚类方法将上面的347000个矢量聚类到64个聚类中。
K个中心m1m2...mk如下初始化(每一行为m，一共64个m)：
191    189    176
61     76     45
50     20     10
81     132    189
126    141    134
215    170    105
72     78     52
132    136    161
26     24     25
201    186    189
129    112    66
1      2      7
217    227    226
24     41     119
4      35     102
142    91     70
137    136    131
51     38     29
95     25     17
80     76     65
25     20     27
4      39     67
26     3      13
155    152    169
16     30     5
192    187    183
103    70     53
86     42     39
119    120    112
15     24     33
140    152    142
40     71     11
76     81     100
7      5      6
129    150    135
106    21     18
111    69     53
133    112    95
185    90     70
150    140    115
29     27     41
20     24     25
87     128    132
3      64     56
96     131    150
29     59     132
197    186    184
44     63     59
152    137    134
10     111    139
85     70     27
48     53     33
118    105    70
232    223    228
90     99     192
13    0     3
69    47    34
110   64    38
8     9     4
208   201   149
212   156   105
98    23    17
70    62    60
104   73    55
关于每个中心聚类的样本矢量的数目分别为：
4452，3137，7247，8391，2195，5009，3871，6644，6968，7721，4963，11833，11702，2153，1636，5204，3171，7317，2407，8911，2280，2922，6106，14650，3793，8463，1417，2309，10856，4220，3031，1703，15665，7608，575，2857，2279，6504，10099，6840，7057，5951，5231，768，5064，5139，809，9136，4186，2428，3727，7242，8564，7131，3055，2838，4873，5180，8335，4602，5392，529，7597，3057
根据上面聚类的样本矢量，新中心(m1m2...mk)计算为：
185    181    166
59     77     41
51     19     10
84     141    200
121    132    136
223    185    84
75     86     50
126    138    168
29     27     21
201    196    201
133    126    55
1      2      3
208    217    221
27     43    113
10     35    99
145    88    62
135    130   130
48     36    28
86     29    13
81     80    70
25     15    25
13     33    68
26     8     10
152    162   181
19     28    7
170    187   201
95     65    52
87     43    40
113    114   112
10     19    36
148    155   144
43     69    12
76     85    102
7      5     8
124    162   127
131    20    19
121    69    55
135    112   94
196    95    48
156    142   105
31     31    44
17     20    20
84     110    131
10     68     59
99     121    154
34     68     138
203    182    177
45     56     65
163    141    135
16     101    166
85     73     23
46     51     36
106    103    73
237    232    228
79     98     181
14     2      2
68     47     33
125    64     28
10     12     7
218    199    147
208    146    91
93     12     12
67     59     62
102    82     60
关于每个新中心聚类的样本矢量的数目分别为：
6362，3349，5698，6362，4167，4070，4209，6587，7925，7364，4382，12206，10393，2910，1674，5455，5339，6350，3018，8492，2708，3050，5854，9360，3060，9514，3447，2456，9596，4020，5536，1954，11003，7139，912，2594，2699，7312，7641，5975，6610，7343，6258，1068，5000，4502，2969，8094，5088，3093，3025，7680，9015，7634，3516，3196，5102，4461，7715，4226，5317，115，8348，4083
经过100次的重复，最后一次的中心为：
170    168    167
61     74     30
65     13     10
95     151    209
119    123    132
230    177    46
80     102    43
117    135    170
30     28     23
187    188    194
110    128    56
2      2      2
208    212    215
38     66     113
11     41     125
167    106    49
138    129    112
47     32     21
82     37     14
73     75     71
19     19     23
15     25     75
34     12     8
138    161    195
19     31     8
157    191    217
83     61     48
115    48     33
100    105    110
9      17     41
147    146    146
38     56     17
70     82     100
5      4      10
148    163    81
190    34     39
131    83     56
126    106    86
219    104    36
165    118    90
29     33     43
14     13     14
63     89     138
16     57     71
92     113    145
19     80     165
219    199    166
47     54     77
184    157    126
25     123    203
102    71     22
44     46     43
95     93     83
234    233    232
76     113    181
1      4      3
65     45     35
154    70     24
8      12    5
230    193   108
211    136   80
122    16    17
59     60    55
100    79    60
关于在最后一次获得的每个中心聚类的样本矢量的数目分别为：
9065，3734，3 522，4253，7488，2322，3513，6667，7144，8675，3393，12317，12737，3730，2305，4234，7960，6166，3891，8715，7125，2553，5892，7043，2965，5861，5406，2942，9125，3406，9250，2949，6622，5739，2127，1904，5322，7853，3491，5149，5962，8874，4849，2408，5364，2619，5420，5623，6599，1833，2770，8560，8710，8155，4342，4680，5367，2923，4498，3308，3518，1978，8145，5940
其次，通过使用本发明的方法，将上面347000个矢量聚类到64个聚类中。
K个中心m1m2...mk如下初始化(每一行为一个m，共有64个m)：
191    189    176
61     76     45
50     20     10
81     132    189
126    141    134
215    170    105
72     78     52
132    136    161
26     24     25
201    186    189
129    112    66
1      2      7
217    227    226
24     41     119
4      35     102
142    91     70
137    136    131
51     38     29
95     25     17
80     76     65
25     20     27
4      39     67
26     3      13
155    152    169
16     30     5
192    187    183
103    70     53
86     42     39
119    120    112
15     24     33
140    152    142
40     71     11
76     81     100
7      5      6
129    150    135
106    21     18
111    69     53
133    112    95
185    90     70
150    140    115
29     27     41
20     24     25
87     128    132
3      64     56
96     131    150
29     59     132
197    186    184
44     63     59
152    137    134
10     111    139
85     70     27
48     53     33
118    105    70
232    223    228
90     99     192
13     0      3
69     47     34
110    64     38
8      9      4
208    201    149
212    156    105
98     23     17
70     62     60
104    73     55
加权因数c1c2...ck的每一个都被初始化为1/64，也就是，0.015625。
关于每个中心聚类的样本矢量的数目分别为：
4452，3137，7247，8391，2195，5009，3871，6644，6968，7721，4963，11833，11702，2153，1636，5204，3171，7317，2407，8911，2280，2922，6106，14650，3793，8463，1417，2309，10856，4220，3031，1703，15665，7608，575，2857，2279，6504，10099，6840，7057，5951，5231，768，5064，5139，809，9136，4186，2428，3727，7242，8564，7131，3055，2838，4873，5180，8335，4602，5392，529，7597，3057
根据上面聚类的样本矢量，新的中心(m1m2...mk)计算为：
185   181    166
59    77     41
51    19     10
84    141    200
121   132    136
223   185    84
75    86     50
126   138    168
29    27     21
201   196    201
133   126    55
1     2      3
208   217    221
27    43     113
10    35     99
145   88     62
135   130    130
48    36     28
86    29     13
81    80     70
25    15     25
13    33     68
26    8      10
152   162    181
19    28     7
170   187    201
95    65     52
87    43     40
113   114    112
10     19    36
148    155   144
43     69    12
76     85    102
7      5     8
124    162   127
131    20    19
121    69    55
135    112   94
196    95    48
156    142   105
31     31    44
17     20    20
84     110   131
10     68    59
99     121   154
34     68    138
203    182   177
45     56    65
163    141   135
16     101   166
85     73    23
46     51    36
106    103   73
237    232   228
79     98    181
14     2     2
68     47    33
125    64    28
10     12     7
218    199    147
208    146    91
93     12     12
67     59     62
102    82     60
加权因数c1c2...ck再次计算为：
0.015471，0.014912，0.016414，0.016746，0.014422，0.015679，0.015237，0.016229，0.016330，0.016555，0.015662，0.017636，0.017604，0.014398，0.014067，0.015749，0.014928，0.016435，0.014542，0.016890，0.014471，0.014809，0.016057，0.018285，0.015205，0.016766，0.013908，0.014487，0.017397，0.015380，0.014862，0.014113，0.018507，0.016522，0.013068，0.014777，0.014470，0.016185，0.017205，0.016290，0.016357，0.016006，0.015759，0.013311，0.015699，0.015726，0.013357，0.016951，0.015366，0.014554，0.015177，0.016413，0.016794，0.016379，0.014874，0.014768，0.015629，0.015741，0.016730，0.015528，0.015816，0.013002，0.016518，0.014874，
关于每个新的中心聚类的样本矢量的数目分别为：
6296，3510，5516，6224，4490，4102，4361，6673，7614，7173，4506，11965，10010，3267，1745，5518，5465，6233，3081，8301，3170，3141，5723，8299，3241，9701，3783，2550，9032，4037，5882，2141，10013，7183，1218，2711，2890，7409，7173，5656，6473，7261，6668，1255，4945，4406，3883，7670，5116，3226，2984，7541，8709，7774，3725，3543，5129，4300，7521，4084，5437，1714，8220，4413
经过100次的重复，最后一次的中心为：
176    174    174
58     70     40
65     19     11
123    165    207
113    122    137
215   189    151
84    100    43
120   137    170
20    18     20
190   207    221
118   137    65
2     1      1
217   219    221
56    71     99
18    53     126
167   109    58
130   125    117
36    24     17
117   27     21
65    69     70
13    13     12
15    30     68
34    10     7
150   157    174
18    28     11
157   184    210
75    62     52
103   65     47
107   109    110
12    17     36
141   141    145
41    56     19
78    85     90
2     2      2
153    145    118
220    124    44
124    88     66
121    105    90
228    188    82
152    117    93
27     30     32
6      7      14
86     98     117
37     54     77
87     113    158
59     86     139
190    191    194
38     42     45
172    161    144
28     104    185
84     52     20
44     35     28
98     96     84
237    237    236
87     134    200
16     5      4
61     43     37
136    78     31
5      6      4
219    210    195
193    144    104
189    57     39
53     53     55
87    80    68
加权因数c1c2...ck为：
0.020386，0.013524，0.013216，0.015904，0.018817，0.014602，0.012724，0.017542，0.020310，0.020817，0.010569，0.013418，0.032077，0.013229，0.009845，0.012358，0.019450，0.014492，0.008763，0.018671，0.021267，0.010576，0.012992，0.020416，0.011769，0.018941，0.016793，0.013405，0.018815，0.011659，0.020423，0.011007，0.016835，0.021746，0.015626，0.010632，0.015364，0.016376，0.009660，0.014614，0.017199，0.013569，0.017204，0.012987，0.015573，0.012106，0.021543，0.018072，0.018799，0.008236，0.012332，0.015587，0.019748，0.018140，0.012617，0.014484，0.015205，0.011090，0.018991，0.018533，0.012981，0.008019，0.017797，0.019559，
在最后一次获得的关于每个中心聚类的样本矢量的数目分别为：
5958，5219，5178，5502，5807，5351，5113，5681，5952，5997，4804，5262，6862，5180，4689，5064，5870，5337，4505，5793，6041，4805，5149，5962，4983，5821，5600，5203，5811，4968，5963，4871，5605，6082，5470，4814，5440，5555，4659，5352，5640，5222，5644，5148，5464，5029，6066，5739，5808，4409，5061，5461，5899，5741，5098，5339，5421，4883，5766，5781，5147，4368，5706，5882
w(i)(i＝1，2，3...k-1)和th如下计算：
根据上面获得的m1m2...mk和c1c2...ck，获得1001个蓝天样本的imf(i)，其中的三个如下所列出的：
0 0    0    0    0     0       0    0     8     2    0
  0    0    667  0     0       0    459   156   0      517
  0    11   79   0     103     438  62    507   3000 348
  0    908  0    346   0       391  1120 0436   38   63
  360  3066 584  0     561     19   847   286   206  10
  563  29   674  0  71 267     0    339   39    0    556
0 0    0    4    0     0       0    0     0     0    0
  0    0    0    0     0       93   226   78    0    30
  77    811  128   1823   354  18   317  126   145   42
  1152  0    249   0      241  946  324  365   540   176
  1426  997  1256  319    71   152  107  1     27    392
  205   3    673   66 782      21   24   1168  1383  0
  1217
0 534  0     2    3     0    0     0    0    0
  0    0     22   0     0    0     109  85   0 92 0
  33   1130  102  1183  403  170   113  148  800  65
  145  0     1404 0     683  2654  0    924  340  63
  1153 1227  1701       953  20    171  124  0    55
  209  259   0 498      8    190   36   0    62   200
  0    414
获得2469个非蓝天样本的imf(i)，其中三个如下面所列出的：
0 0    0     0    0    0    0     0    0     0    6
  0    0     0    0    0    0     301  12    0    00
  9    556   1831 616  77   5     76   494   203  2319
  172  213   7    0    13   214   0    0     332  425
  143  715   987  0    733  95    2    0     53   94
  181  3629  0    20   58   453   1475 552   0    0
  1599
0 116   106  0     0     0     0     0     0    0     0
  0     0    196   0     0     0     91    94   0     110
  1     4    1949  132   3704  75    273   138  51    131
  78    225  0     152   0     732   634   9    326   251
  68    314  1047  2032  1230  2424  22    127  507   111
  13    56   192   490   0     26    36    33   493   15
  0     177
0 0     0     0     0    0    0     0    0    0    0
  0     0     0     0    0    0     48   0    0    4104
  0     494   2533       470  0     0    93   649  342
  35    184   2     3    0    0     55   0    0    4088
  1572  167   2057  105  41   1542  43   7    0    0
  0     62    1982  0    1    0     0    884  1046 0
  0     381
通过Fisher训练获得w(i)(i＝1，2，3...k-1)如下：
-0.35227   3.3024     3.9073     -1.7244     -2.8985
-2.4238    -58.575    -0.53182   4.3216      -12.966
-0.78011   -2.9213    4.2854     5.5448      5.5226
-5.2381    1.1366     1.4633     3.388       -0.16725
-0.49971   2.7099     0.10198    0.92013     -0.31077
5.9307     1.879      0.43546    0.52366     0.30042
0.62112    3.2043     0.98369    -0.62325    -0.73779
-0.59747   1.6149     0.30388    -0.64783    1.3017
-0.28726   -0.13114   -0.42833   1.7196      3.9782
4.5136     0.4049     0.46941    2.9196      4.7745
-1.7852    0.81059    2.398      -1.1094     5.2159
0.82322    0.83805    0.25749    -0.020983   0.1336
-0.3263    0.080883   -0.00065881
Th＝17433
根据上面的计算，下面给出分类的数字性例子：
给出一个蓝天样本，其特征为：
0 0    0     0     0   0     0     0    0     0    0
  0    0     0     0   0     0     0    12    0    309
  0    530   62    26  2480  1051  167  142   0    152
101  179    0     968    0   257    713   0    685    36
0    195    20    192    19  176    22    670  2691   125
820  169    491   2932   0   1216   0     0    121    445
0    234
该特征与w(i)的内积为50384，其大于th并且分类为蓝天。
给出一个非蓝天样本，其特征为：
0 0     0     0     0     20    0     14    0     0     0
  0     0     0     0     0     9     0     190   0     57  0
  1959  385   7     347   144   411   42    3     131   0
  11    1     131   2041  247   164   5707  305   77    486
7 0     0     0     97    3     145   0     1206  1323  49
  0 0   1171  1047  625   140   0     265   10    19
该特征与w(i)的内积为901.8，其小于th并且分类为非蓝天。
本发明还可以通过将存储有执行上述实施例的功能的软件的程序编码的存储介质(或记录介质)提供给一系统或设备，以及提供该系统或设备的读出并执行存储在存储介质中的程序码的计算机(或CPU或MPU(微处理单元))，而实现。在这种情况下，从存储介质中读出的程序编码本身实现了上述实施例的功能。本发明并不局限于其中计算机执行已经读出的程序码，并且上述实施例的功能被实现的情况，以及其中运行在计算机上的操作系统或类似执行实际处理的部分或全部，使得上述实施例的功能得以实现的情况。
进一步，本发明还包括这样的安排，其中上述实施例的功能由从记录介质中读出并写入到包括在插在计算机上的功能扩展卡或连接到计算机上的功能扩展单元中的存储器中的程序码实现，接着提供给该功能扩展卡或功能扩展单元的CPU或类似完成部分或者全部的实际处理，使得上述实施例的功能得以实现。
将本发明应用在上述的存储介质上时，对应于在先描述的流程图的程序码存储在该存储介质中。
虽然本发明的描述参考了示例性的实施例，应当理解的是本发明并不限于所披露的实施例。相反，本发明意在覆盖包括在所附权利要求的精神和范围内的各种修改和等同安排。对于随后的权利要求的范围应当给与最为广泛的解释，从而包含所有这样的修改和等同结构和功能。

Claims (37)

1.一种数据处理方法，包括步骤：
输入包括了数个数据元素的数据集；
将该数据集聚类到聚类中，满足以下的条件：对于所述的数个数据元素的任一数据元素，所述任一数据元素和该任一数据元素所属的聚类的中心之间的加权距离小于等于该任一数据元素和该任一数据元素不属于的任一其它聚类的中心之间的加权距离，并且选择加权因数和中心使得该聚类均匀；
对于所聚类的数据集进行后处理。
2.根据权利要求1的数据处理方法，其中所述的距离为Euclidean距离。
3.根据权利要求1的数据处理方法，其中聚类步骤被执行数次。
4.根据权利要求3的数据处理方法，其中在第一次执行该聚类步骤时，对加权因数和中心进行初始化。
5.根据权利要求3的数据处理方法，其中在每一次执行聚类步骤结束时，中心被重新计算为各个聚类的平均值，并且加权因数c1c2...ck由下面的表达式进行重新计算：
c i = 1 - k log ( 1 - c i ) / ( log ( n ) - log ( numberof ( { v } i ) ) ) ,
其中{v}i意味着第i个聚类，numberof({v}i)意味着聚类{v}i中数据元素的数目，ci意味着对应于聚类{v}i的加权因数，n意味着在该数据集中数据元素的数目，k意味着聚类的数目。
6.根据权利要求5的数据处理方法，其中c1c2...ck经过下面的等式标准化：
c i = c i / &Sigma; j = 1 k c j .
7.根据权利要求5的数据处理方法，其中重新计算过的加权因数和中心用于下一次的聚类步骤。
8.一种数据处理设备，包括：
数据输入装置，用于输入包括数个数据元素的数据集；
数据聚类装置，用于将该数据集聚类到聚类中，满足以下的条件：
对于所述的数个数据元素的任一数据元素，所述任一数据元素和该任一数据元素所属的聚类的中心之间的加权距离小于等于该任一数据元素和该任一数据元素不属于的任一其它聚类的中心之间的加权距离，并且选择加权因数和中心使得该聚类均匀；
后处理装置，用于对所聚类的数据集进行后处理。
9.根据权利要求8的数据处理设备，其中所述的距离为Euclidean距离。
10.根据权利要求8的数据处理设备，其中的数据聚类装置执行数次聚类。
11. 根据权利要求10的数据处理设备，其中在第一次聚类时，数据聚类装置对加权因数和中心进行初始化。
12.根据权利要求10的数据处理设备，其中在每一次执行聚类步骤结束时，聚类装置重新计算中心为各个聚类的平均值，并且通过下面的表达式对加权因数c1c2...ck进行重新计算：
c i = 1 - k log ( 1 - c i ) / ( log ( n ) - log ( numberof ( { v } i ) ) ) ,
其中{v}i意味着第i个聚类，numberof({v}i)意味着聚类{v}i中数据元素的数目，ci意味着对应于聚类{v}i的加权因数，n意味着在该数据集中数据元素的数目，k意味着聚类的数目。
13.根据权利要求12的数据处理设备，其中数据聚类装置经过下面的等式对c1c2...ck进行标准化：
c i = c i / &Sigma; j = 1 k c j .
14.根据权利要求12的数据处理设备，其中数据聚类装置使用重新计算过的加权因数和中心用于下一次的聚类。
15.一种存储介质，其上编码有机器可读的计算机程序码用于图像分类，该存储介质包括用于使处理器完成根据权利要求1到7的任意一个的方法的指令。
16.一种图像处理方法，包括步骤：
输入包括数个图像元素的图像；
将该图像元素聚类到聚类中，满足以下的条件：对于所述数个图像元素的任一图像元素，所述任一图像元素和该任一图像元素所属的聚类的中心之间的加权距离小于等于该任一图像元素和该任一图像元素不属于的任一其它聚类的中心之间的加权距离，并且选择加权因数和中心使得该聚类均匀；
对于所聚类的图像元素进行进一步的处理。
17.根据权利要求16的图像处理方法，其中的图像元素vi为图像的像素，表示为矢量(r，g，b)i，其中r，g，b为每个像素的红色，绿色和蓝色值。
18.根据权利要求16的图像处理方法，其中所述距离为Euclidean距离。
19.根据权利要求16的图像处理方法，其中的聚类步骤执行数次。
20.根据权利要求19的图像处理方法，其中在第一次执行聚类步骤时，对加权因数和中心进行初始化。
21.根据权利要求19的图像处理方法，其中在每一次执行聚类步骤结束时，中心重新计算为各个聚类的平均值，并且通过下面的表达式对加权因数c1c2...ck进行重新计算：
c i = 1 - k log ( 1 - c i ) / ( log ( n ) - log ( numberof ( { v } i ) ) ) ,
其中{v}i意味着第i个聚类，numberof({v}i)意味着聚类{v}i中图像元素的数目，ci意味着对应于聚类{v}i的加权因数，n意味着在该图像中图像元素的数目，k意味着聚类的数目。
22.根据权利要求21的图像处理方法，其中通过下面的等式对c1c2...ck进行标准化：
c i = c i / &Sigma; j = 1 k c j .
23.根据权利要求21的图像处理方法，其中重新计算过的加权因数和中心用于下一次的聚类步骤。
24.一种图像处理设备，包括：
图像输入装置，用于输入包括数个图像元素的图像；
图像元素聚类装置，用于将该图像元素聚类到聚类中，满足以下的条件：对于所述的数个图像元素的任一图像元素，所述任一图像元素和该任一图像元素所属的聚类的中心之间的加权距离小于等于该任一图像元素和该任一图像元素不属于的任一其它聚类的中心之间的加权距离，并且选择加权因数和中心使得该聚类均匀；
进一步处理装置，用于对所聚类的图像元素进行进一步的处理。
25.根据权利要求24的图像处理设备，其中图像元素Vi为图像的像素，表示为矢量(r，g，b)i，其中r，g，b为每个像素的红色，绿色和蓝色值。
26.根据权利要求24的图像处理设备，其中所述的距离为Euclidean距离。
27.根据权利要求24的图像处理设备，其中图像元素聚类装置执行数次聚类。
28.根据权利要求27的图像处理设备，其中在第一次聚类时，图像元素聚类装置对加权因数和中心进行初始化。
29.根据权利要求27的图像处理设备，其中在每一次聚类结束时，图像元素聚类装置重新计算中心为各个聚类的平均值，并且通过下面的表达式对加权因数c1c2...ck进行重新计算：
c i = 1 - k log ( 1 - c i ) / ( log ( n ) - log ( numberof ( { v } i ) ) ) ,
其中{v}i意味着第i个聚类，numberof({v}i)意味着聚类{v}i中图像元素的数目，ci意味着对应于聚类{v}i的加权因数，n意味着在该图像中图像元素的数目，k意味着聚类的数目。
30.根据权利要求29的图像处理设备，其中图像元素聚类装置经过下面的等式对c1c2...ck进行标准化：
c i = c i / &Sigma; j = 1 k c j .
31.根据权利要求29的数据处理设备，其中图像元素聚类装置使用重新计算过的加权因数和中心用于下一次的聚类。
32.一种存储介质，其上编码有机器可读的计算机程序码用以分类图像，该存储介质包括用于使处理器完成根据权利要求16到23的任意一个的方法的指令。
33.一种图像分类方法，包括步骤：
输入有待分类的图像，该图像包括数个图像元素；
将该图像元素聚类到聚类中，满足以下条件：对于所述的数个图像元素的任一图像元素，所述任一图像元素和该任一图像元素所属的聚类的中心之间的加权距离小于等于该任一图像元素和该任一图像元素不属于的任一其它聚类的中心之间的加权距离，并且事先确定加权因数和中心；
从聚类中提取特征；
使用所提取的特征对图像进行分类。
34.根据权利要求33的图像分类方法，其中提取特征为k-dim特征imf(i)，其中对于i＝1，2，3...k-1，imf(i)＝numberof({v}i)；且numberof({v}i)意味着第i个聚类{v}i的计数；k意味着聚类的数目。
35.一种图像分类设备，包括：
图像输入装置，用于输入有待分类的图像，该图像包括数个图像元素；
图像元素聚类装置，用于将该图像元素聚类到聚类中，满足以下条件：对于所述的数个图像元素的任一图像元素，所述任一图像元素和该任一图像元素所属的聚类的中心之间的加权距离小于等于该任一图像元素和该任一图像元素不属于的任一其它聚类的中心之间的加权距离，并且事先确定加权因数和中心；
特征提取装置，用于从聚类中提取特征；
图像分类装置，用于使用所提取的特征对图像进行分类。
36.根据权利要求35的图像分类设备，其中由特征提取装置提取的特征为k-dim特征imf(i)，其中对于i＝1，2，3...k-1，imf(i)＝numberof({v}i)；且numberof({v}i)意味着第i个聚类{v}i的计数；k意味着聚类的数目。
37.一种存储介质，其上编码有机器可读计算机程序码用以分类图像，该存储介质包括用于使处理器完成根据权利要求33到34的任意一个的方法的指令。
CNB2006100003382A 2006-01-06 2006-01-06 数据处理,图像处理和图像分类方法及设备 Expired - Fee Related CN100535926C (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CNB2006100003382A CN100535926C (zh) 2006-01-06 2006-01-06 数据处理,图像处理和图像分类方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CNB2006100003382A CN100535926C (zh) 2006-01-06 2006-01-06 数据处理,图像处理和图像分类方法及设备

Publications (2)

Publication Number Publication Date
CN1996343A true CN1996343A (zh) 2007-07-11
CN100535926C CN100535926C (zh) 2009-09-02

Family

ID=38251423

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2006100003382A Expired - Fee Related CN100535926C (zh) 2006-01-06 2006-01-06 数据处理,图像处理和图像分类方法及设备

Country Status (1)

Country Link
CN (1) CN100535926C (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102245082A (zh) * 2008-12-19 2011-11-16 佳能株式会社 眼底图像显示装置、其控制方法和计算机程序
CN102479247A (zh) * 2010-11-29 2012-05-30 财团法人工业技术研究院 数据分群方法与装置、数据处理装置及图像处理装置
CN103458242A (zh) * 2013-07-02 2013-12-18 北京京北方信息技术有限公司 基于颜色分类与聚类的图像压缩和解压缩方法
CN103503469A (zh) * 2011-05-06 2014-01-08 微软公司 分阶段元素分类
CN111476253A (zh) * 2019-01-23 2020-07-31 阿里巴巴集团控股有限公司 服装图像分类、图像分类方法、装置及设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102245082A (zh) * 2008-12-19 2011-11-16 佳能株式会社 眼底图像显示装置、其控制方法和计算机程序
CN102245082B (zh) * 2008-12-19 2014-03-26 佳能株式会社 图像处理装置、其控制方法和图像处理系统
CN102479247A (zh) * 2010-11-29 2012-05-30 财团法人工业技术研究院 数据分群方法与装置、数据处理装置及图像处理装置
US9058540B2 (en) 2010-11-29 2015-06-16 Industrial Technology Research Institute Data clustering method and device, data processing apparatus and image processing apparatus
CN103503469A (zh) * 2011-05-06 2014-01-08 微软公司 分阶段元素分类
CN103458242A (zh) * 2013-07-02 2013-12-18 北京京北方信息技术有限公司 基于颜色分类与聚类的图像压缩和解压缩方法
CN111476253A (zh) * 2019-01-23 2020-07-31 阿里巴巴集团控股有限公司 服装图像分类、图像分类方法、装置及设备
CN111476253B (zh) * 2019-01-23 2024-04-02 阿里巴巴集团控股有限公司 服装图像分类、图像分类方法、装置及设备

Also Published As

Publication number Publication date
CN100535926C (zh) 2009-09-02

Similar Documents

Publication Publication Date Title
Hidaka et al. Consecutive dimensionality reduction by canonical correlation analysis for visualization of convolutional neural networks
Sánchez et al. High-dimensional signature compression for large-scale image classification
Tuzel et al. Global-local face upsampling network
Bristow et al. Why do linear SVMs trained on HOG features perform so well?
Uricchio et al. Fisher encoded convolutional bag-of-windows for efficient image retrieval and social image tagging
CN104661037B (zh) 压缩图像量化表篡改的检测方法和系统
Priyanka et al. An improved block based copy-move forgery detection technique
CN113536990A (zh) 深度伪造人脸数据鉴别方法
Lu et al. A novel LBP-based color descriptor for face recognition
Kastaniotis et al. HEp-2 cell classification with vector of hierarchically aggregated residuals
CN100535926C (zh) 数据处理,图像处理和图像分类方法及设备
Ge et al. Product sparse coding
Qi et al. Hep-2 cell classification: The role of gaussian scale space theory as a pre-processing approach
Prabhu et al. U-finger: Multi-scale dilated convolutional network for fingerprint image denoising and inpainting
CN114332544A (zh) 一种基于图像块评分的细粒度图像分类方法和装置
Peng et al. Detection of double JPEG compression with the same quantization matrix based on convolutional neural networks
Thiagarajan et al. Supervised local sparse coding of sub-image features for image retrieval
Zong et al. Transductive transfer lda with riesz-based volume lbp for emotion recognition in the wild
CN111275070A (zh) 一种基于局部特征匹配的签名验证方法及设备
CN108052867B (zh) 一种基于词袋模型的单样本人脸识别方法
CN101216878A (zh) 基于广义非线性判别分析的人脸识别方法
Singh et al. Performance analysis of ELA-CNN model for image forgery detection
CN111401485A (zh) 实用的纹理分类方法
Wei et al. Auto-generating neural networks with reinforcement learning for multi-purpose image forensics
Ameur et al. Hybrid descriptors and weighted PCA-EFMNet for face verification in the wild

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20090902

Termination date: 20170106