CN103390165B - 一种图片聚类的方法及装置 - Google Patents
一种图片聚类的方法及装置 Download PDFInfo
- Publication number
- CN103390165B CN103390165B CN201210144457.0A CN201210144457A CN103390165B CN 103390165 B CN103390165 B CN 103390165B CN 201210144457 A CN201210144457 A CN 201210144457A CN 103390165 B CN103390165 B CN 103390165B
- Authority
- CN
- China
- Prior art keywords
- picture
- cluster
- global characteristics
- cluster result
- result
- 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
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种图片聚类的方法及装置,其中图片聚类的方法包括:A.提取多张输入图片的全局特征和局部特征;B.根据所述全局特征对所述输入图片进行初次聚类,以得到初步聚类结果,其中所述初步聚类结果包括一个以上的图片组;C.根据所述局部特征分别对每个图片组内的图片进行二次聚类,以将每个图片组内的图片分为一个以上的集合,得到所述输入图片的二次聚类结果。通过上述方式,可以有效提高对海量图片聚类时的准确度和召回率。
Description
【技术领域】
本发明涉及图片处理技术,特别涉及一种图片聚类的方法及装置。
【背景技术】
对海量图片进行聚类,根据聚类结果对同一类的图片进行相应处理,是图片搜索引擎向用户返回准确的检索结果的前提。例如,对海量图片进行聚类处理,根据聚类结果,将同一类中的重复图片去除,可以实现对海量图片的去重工作,这样用户在海量图片数据库中进行图片检索时,针对相同关键词可以得到尽可能丰富的结果。
在现有技术中,对海量图片进行聚类,通常采用的方法是抽取图片的全局特征,然后通过比较不同图片的全局特征的相似度将相似图片聚为一类。在现有技术的方法对海量图片进行聚类时,准确度和召回率都不够高。
【发明内容】
本发明所要解决的技术问题是提供一种图片聚类的方法及装置,以解决现有技术对海量图片进行聚类时,准确度和召回率较低的缺陷。
本发明为解决技术问题而采用的技术方案是提供一种图片聚类方法,包括:A.提取多张输入图片的全局特征和局部特征;B.根据所述全局特征对所述输入图片进行初次聚类,以得到初步聚类结果,其中所述初步聚类结果包括一个以上的图片组;C.根据所述局部特征分别对每个图片组内的图片进行二次聚类,以将每个图片组内的图片分为一个以上的集合,得到所述输入图片的二次聚类结果。
根据本发明之一优选实施例,所述步骤A中提取所述输入图片的多个全局特征;所述步骤B中根据每个全局特征分别对所述输入图片进行初次聚类,以得到与每个全局特征对应的初次聚类结果,其中每个初次聚类结果包含一个以上的图片组;所述步骤C中针对与每个全局特征对应的初次聚类结果,根据所述局部特征分别对该初次聚类结果中的每个图片组内的图片进行二次聚类,以将每个图片组内的图片分为一个以上的集合,得到所述输入图片与每个全局特征对应的二次聚类结果;所述方法进一步包括:将各二次聚类结果进行合并,得到所述输入图片的最终聚类结果。
根据本发明之一优选实施例,将各二次聚类结果进行合并的步骤具体包括:将各二次聚类结果包含的集合中,两两之间存在交集的多个集合合并为一个集合。
根据本发明之一优选实施例,所述多个全局特征中包含第一全局特征,其中所述第一全局特征融合了颜色特征描述子、纹理特征描述子、形状特征描述子或空间关系特征描述子中的至少两个。
根据本发明之一优选实施例,所述多个全局特征中包含第二全局特征,其中所述第二全局特征为Gist特征。
根据本发明之一优选实施例,所述步骤B中采用K-means方法对所述输入图片进行初次聚类。
根据本发明之一优选实施例,所述全局特征为:颜色、纹理或形状特征;所述局部特征为SIFT特征。
根据本发明之一优选实施例,根据所述局部特征分别对每个图片组内的图片进行二次聚类的步骤具体包括:针对每个图片组,建立所述局部特征中各特征分量与图片组中的各图片之间的倒排索引;利用所述倒排索引,将拥有共同特征分量数超过预设值的图片归为一类,得到每个图片组内的一个以上的集合。
根据本发明之一优选实施例,所述方法进一步包括:将所述二次聚类结果中的包含图片数量大于设定值的集合中的图片作为热门图片,所述热门图片用于在搜索引擎***中作为优先返回的检索结果。
本发明还提供了一种图片聚类的装置,包括:特征提取单元,用于提取多张输入图片的全局特征和局部特征;分组单元,用于根据所述全局特征对所述输入图片进行初次聚类,以得到初步聚类结果,其中所述初步聚类结果包括一个以上的图片组;确定单元,用于根据所述局部特征对每个图片组内的图片进行二次聚类,以将每个组内的图片分为一个以上的集合,得到所述输入图片的二次聚类结果。
根据本发明之一优选实施例,所述特征提取单元提取所述输入图片的多个全局特征;所述分组单元根据每个全局特征分别对所述输入图片进行初次聚类,以得到与每个全局特征对应的初次聚类结果,其中每个初次聚类结果包含一个以上的图片组;所述确定单元针对与每个初次聚类结果,根据所述局部特征分别对该初次聚类结果中的每个图片组内的图片进行二次聚类,以将每个图片组内的图片分为一个以上的集合,得到所述输入图片与每个全局特征对应的二次聚类结果;所述装置进一步包括:合并单元,用于将各二次聚类结果进行合并,得到所述输入图片的最终聚类结果。
根据本发明之一优选实施例,所述合并单元将各二次聚类结果进行合并的方式具体包括:将各二次聚类结果包含的集合中,两两之间存在交集的多个集合合并为一个集合。
根据本发明之一优选实施例,所述多个全局特征中包含第一全局特征,其中所述第一全局特征融合了颜色特征描述子、纹理特征描述子、形状特征描述子或空间关系特征描述子中的至少两个。
根据本发明之一优选实施例,所述多个全局特征中包含第二全局特征,其中所述第二全局特征为Gist特征。
根据本发明之一优选实施例,所述分组单元采用K-means方法对所述输入图片进行初次聚类。
根据本发明之一优选实施例,所述全局特征为:颜色、纹理或形状特征;所述局部特征为SIFT特征。
根据本发明之一优选实施例,所述确定单元具体包括:索引单元,用于针对每个图片组,建立所述局部特征中各特征分量与图片组中的各图片之间的倒排索引;归类单元,用于利用所述倒排索引,将拥有共同特征分量数超过预设值的图片归为一类,得到每个图片组内的一个以上的集合。
根据本发明之一优选实施例,所述装置进一步包括:选取单元,用于将所述二次聚类结果中的包含图片数量大于设定值的集合中的图片作为热门图片,所述热门图片用于在搜索引擎***中作为优先返回的检索结果。
由以上技术方案可以看出,通过采用全局特征对海量图片初次聚类以对输入图片进行分组,再通过局部特征对每组内的图片进行二次聚类,可以有效提高对海量图片聚类时的准确度和召回率。
【附图说明】
图1是本发明中图片聚类的方法的实施例的流程示意图;
图2是本发明中图片聚类效果示意图;
图3是本发明中为图片及其特征分量建立的普通索引的示意图;
图4是本发明中为图片及其特征分量建立的倒排索引的示意图;
图5是本发明中图片聚类装置的实施例一的结构示意框图;
图6是本发明中图片聚类装置的实施例二的结构示意框图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
请参考图1和图2,图1为本发明中图片聚类的方法的实施例的流程示意图,图2为本发明中图片聚类效果示意图。如图1所示,该实施例包括:
步骤S101:提取多张输入图片的全局特征和局部特征。
步骤S102:根据上述全局特征对上述输入图片进行初次聚类,以得到与上述全局特征对应的初步聚类结果,其中初步聚类结果包括一个以上的图片组。
步骤S103:根据上述局部特征分别对每个图片组内的图片进行二次聚类,以将每个组内的图片分为一个以上的集合,得到输入图片的二次聚类结果。
作为一个实施例,步骤S101中,为每张输入图片提取一个全局特征和一个局部特征。全局特征可以是图片的颜色、纹理、形状等特征,具体地,如MPEG-7的各种颜色或纹理描述符、LBP(Local Binary Patterns)特征、距特征、小波特征等。局部特征可以是SIFT(Scale Invariant Feature Transform,尺度不变特征转换)特征、SURF(Speeded UpRobust Features)特征、color-SIFT特征、PCA-SIFT特征等。
提取图片的颜色特征,可以采用颜色直方图、颜色集、颜色距、颜色聚合向量等方法;提取图片的纹理特征,可以采用灰度共生矩阵、自回归纹理模型、小波变换等方法;提取图片的形状特征,可以采用边界特征法、傅里叶形状描述符法等。由于上述各种特征提取方法都属于现有技术,在此不再赘述。
SIFT特征是采用SIFT算法提取的一种局部特征,对旋转、尺度缩放、亮度变化具有不变性。由于SIFT特征的提取算法属于现有技术,本说明书在此不再做进一步的介绍。
步骤S102中可以采用K-means聚类法对输入图片进行聚类,聚类采用的特征就是步骤S101中提取的全局特征。K-means聚类法以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通过迭代的方法,逐次更新各聚类中心的值,直至得到最好的聚类结果。
具体地,对输入图片进行初次聚类包括:
从输入图片中选取一定数量的图片作为样本图片,利用样本图片确定K个聚类中心,其中K为自然数;将输入图片中除样本外的剩余图片分为K份,其中每份图片对应一个聚类中心,利用分布式计算平台,将每份图片中的每张图片分别与对应的聚类中心进行相似度比较,并将当前比较的图片归到最相似的聚类中心所在类。
上述过程中,确定K个聚类中心,以及将每张图片分别与对应的聚类中心进行比较过程中,依据的都是图片的全局特征。
应该理解,本发明中用于聚类的输入图片,数量很可能是巨大的,在上述实施方式中,对所有输入图片进行初次聚类采用了分布式计算的方式进行,这样能够使得对海量图片的聚类处理所需时间保持在可接受的范围之内。
输入图片在经过初次聚类后,被分为了若干个图片组。每个组内的图片具有一定的相似性,但不一定是相同内容的图片,例如一个组内的图片都是圆形的物体,但是里面有的是富士苹果,有的是蛇果,并不完全一致。
接下来,步骤S103中,将根据图片的局部特征对该图片组内的图片进行二次聚类。
具体地,对图片组内的图片进行二次聚类的步骤包括:
针对每个图片组,建立局部特征中各特征分量与图片组中的各图片之间的倒排索引;
利用该倒排索引,将拥有共同特征分量数超过预设值的图片归为一类,得到每个图片组内的一个以上的集合。
在步骤S101中提取的局部特征为SIFT特征,该特征以特征向量的形式表示,为了后续处理的方便,优选地,本发明还在步骤S103之前对SIFT特征向量进行了量化处理。对SIFT特征进行量化处理,就是将SIFT特征的各特征分量变为010101序列,即将SIFT特征中以实数表示的特征分量转化为二进制序列表示的特征分量。
请参考图3和图4,其中图3是本发明中为图片及其特征分量建立的普通索引的示意图,图4是本发明中为图片及其特征分量建立的倒排索引的示意图。其中图3所示的普通索引可以通过图片的ID确定该图片的各特征分量,而图4所示的倒排索引则可以通过已知的特征分量,确定与该特征分量对应的各图片ID。
本发明中,为图片及其局部特征的特征分量,建立如图3所示的倒排索引,在得到该倒排索引之后,查找该倒排索引,就可以确定拥有相同特征分量的图片,例如查询特征分量1,对应找到的图片有图片A、B、C,则图片A、B、C就是拥有相同特征分量的图片。当几张图片拥有相同特征分量的数目大于一个设定的阈值时,这几张图片就可以聚为一个集合,从而把初次聚类结果中的每个组内的图片进行了划分,得到了输入图片的二次聚类结果。这时输入图片的二次聚类结果与初次聚类结果相比,拥有更小粒度的集合。由于采用了局部特征进行二次聚类,在二次聚类结果的每个集合中,可以得到相同内容而版本可能不同的图片,例如一个集合中的图片表达的都是相同一只苹果,各个图片上加印了一些不同文字等。
在另一个实施例中,步骤S101中提取输入图片的多个全局特征和一个局部特征。步骤S102中根据每个全局特征分别对输入图片进行初次聚类,以得到与每个全局特征对应的初次聚类结果,其中每个初次聚类结果包含多个图片组。步骤S103中针对与每个全局特征对应的初次聚类结果,根据步骤S101中提取的局部特征分别对初次聚类结果中的每个图片组内的图片进行二次聚类,以将每个图片组内的图片分为多个集合,得到输入图片与每个全局特征对应的二次聚类结果。此外,在本实施例中,在步骤S103后还包括步骤S104:将各个二次聚类结果合并,得到输入图片的最终聚类结果。
其中所述多个全局特征中包括第一全局特征,该第一全局特征融合了颜色特征描述子、纹理特征描述子、形状特征描述子或空间关系特征描述子中的至少两个。
上述各个特征描述子,即对应特征的特征向量,用于描述对应特征。前文已经介绍了颜色特征、纹理特征及形状特征的提取方式,在此不再重复。通常空间关系特征的提取方式有两种:一种是对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征;一种是简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,由于都属于现有技术,在此不再展开描述。
以优选的实施方式为例,第一全局特征融合了上述四个特征描述子,具体地,在得到上述四个特征描述子后,将这四个特征描述子融合为第一全局特征的步骤包括:
将上述四个特征描述子组合为一个特征向量;
对该特征向量进行降维处理;
对降维之后的特征向量进行量化处理,得到第一全局特征。
其中降维处理是为了保留原特征向量中特征分量值高的特征分量,这些特征分量包含了第一全局特征的主要信息。由于降维处理和量化处理的算法均可采用现有技术进行,在此不再做过多的描述。
步骤S101中提取的多个全局特征,除了上述方式得到的第一全局特征,还包括第二全局特征,所述第二全局特征可以是Gist(概要)特征。
Gist特征是描述图片概要信息的一种全局特征,其具体的算法可以参考http://ilab.usc.edu/siagian/Research/Gist/Gist.html中的介绍,在此不做重复说明。
在本实施例中,通过采用两种不同的全局特征分别进行初次聚类,然后利用局部特征在两个初次聚类结果内分别进行二次聚类,得到两个二次聚类结果,通过将这两个二次聚类结果合并,可以有效地扩大召回,本领域技术人员应该能够理解,在其他的实施例中,采用多种全局特征分别进行初次聚类也是可行的。
在上述的实施例中,将多个聚类结果进行合并的方式具体包括:将各个二次聚类结果包含的集合中,两两之间存在交集的多个集合合并为一个集合。以两个聚类结果为例进行说明,如果聚类结果A包含集合A1、A2、A3,聚类结果B包含集合B1、B2、B3,其中集合A1中包含图片4、5、6,集合B2中包含图片4、5、7,则集合A1和B2存在交集图片4和5,将集合A1和B2合并后得到的集合C1包含图片4、5、6、7,假设集合A2、A3与B1、B3之间没有交集,则将聚类结果A和聚类结果B合并后的最终聚类结果包含的集合为C1、A2、A3、B1、B3。
在另一个实施例中,在对输入图片进行聚类之后,还可以对聚类结果中相同集合的图片赋予统一标识,以方便搜索引擎接收到用户的搜索关键字后,根据统一标识向用户返回该标识对应集合中的图片。
在另一个实施例中,在对输入图片进行聚类后,还可以将聚类结果中包含图片数量大于设定值的集合中的图片作为热门图片,这些热门图片可用于在搜索引擎***中作为优先返回的检索结果。
请参考图5,图5是本发明中图片聚类装置的实施例一的结构示意框图。如图5所示,该实施例包括特征提取单元201、分组单元202及确定单元203。
其中特征提取单元201,用于提取多张输入图片的全局特征和局部特征。分组单元202,用于根据所述全局特征对输入图片进行初次聚类,以得到与所述全局特征对应的初步聚类结果,其中初步聚类结果包括一个以上的图片组。确定单元203,用于根据所述局部特征对每个图片组内的图片进行二次聚类,以将每个组内的图片分为一个以上的集合,得到输入图片的二次聚类结果。
其中,特征提取单元201提取的全局特征,可以是图片的颜色纹理、形状等特征,如MPEG-7的各种颜色或纹理描述符、LBP特征、距特征、小波特征等。局部特征可以是SIFT特征、SURF特征、color-SIFT特征、PCA-SIFT特征等。
分组单元202可以采用K-means聚类法对输入图片进行聚类,聚类采用的特征就是特征提取单元201提取的全局特征。
具体地,分组单元202可以包括聚类中心确定单元(图中未示出)和比较单元(图中未示出)。
其中聚类中心确定单元用于从输入图片中选取一定数量的图片作为样本图片,利用样本图片确定K个聚类中心,其中K为自然数。比较单元用于将输入图片中除样本外的剩余图片分为K份,其中每份图片对应一个聚类中心,利用分布式计算平台,将每份图片中的每张图片分别与对应的聚类中心进行相似度比较,并将当前比较的图片归到最相似的聚类中心所在类。
具体地,确定单元203包括索引单元(图中未示出)和归类单元(图中未示出),其中索引单元用于针对分组单元203得到的每个图片组,建立局部特征中各特征分量与图片组中的各图片之间的倒排索引。归类单元用于利用上述倒排索引,将拥有共同特征分量数超过预设值的图片归为一类,得到每个图片组内的一个以上的集合。
请参考图6,图6为本发明中图片聚类装置的实施例二的结构示意框图。如图6所示,该装置包括:特征提取单元3011、第一分组单元3021、第二分组单元3022、第一确定单元3031、第二确定单元3032及合并单元3041。
其中特征提取单元3011,用于提取输入图片的第一全局特征、第二全局特征及局部特征。第一分组单元3021,用于根据第一全局特征对输入图片进行初次聚类,得到与第一全局特征对应的初次聚类结果。第二分组单元3022,用于根据第二全局特征对输入图片进行初次聚类,得到与第二全局特征对应的初次聚类结果。其中第一分组单元3021和第二分组单元3022得到的聚类结果中均包含有一个以上的图片组。
第一确定单元3031,用于针对第一分组单元3021得到的初次聚类结果,根据特征提取单元3011提取的局部特征对该初次聚类结果中的每个图片组内的图片进行二次聚类,得到输入图片与第一全局特征对应的二次聚类结果。第二确定单元3032,用于针对第二分组单元3022得到的初次聚类结果,根据特征提取单元3011提取的局部特征对该初次聚类结果中的每个图片组内的图片进行二次聚类,得到输入图片与第二全局特征对应的二次聚类结果。
合并单元3041,用于将与第一全局特征对应的二次聚类结果和与第二全局特征对应的二次聚类结果合并,得到输入图片的最终聚类结果。其中合并的具体方式包括:将两个聚类结果各自包含的集合中存在交集的两个集合合并为一个集合。基于相似的方法,如果在其他实施例中存在两个以上的二次聚类结果,则合并的具体方式包括:将各聚类结果包含的集合中,两两之间存在交集的多个集合合并为一个集合。
在本实施例中,特征提取单元3011中提取的第一全局特征包括颜色特征描述子、纹理特征描述子、形状特征描述子或空间关系特征描述子中的至少两个。第二全局特征为Gist特征。局部特征为SIFT特征。
在本发明的另一个实施例中,本发明的装置还可以包括标识单元(图中未示出)或选取单元(图中未示出)。其中标识单元用于为聚类结果中的相同集合的图片赋予统一标识。选取单元用于将聚类结果中包含图片数量大于设定值的集合中的图片作为热门图片,其中热门图片用于在搜索引擎***中作为优先返回的检索结果。可以理解,这里的聚类结果对实施例一而言指的是输入图片的二次聚类结果,对实施例二而言是输入图片的最终聚类结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (16)
1.一种图片聚类方法,包括:
A.提取多张输入图片的全局特征和局部特征;
B.根据所述全局特征对所述输入图片进行初次聚类,以得到初步聚类结果,其中所述初步聚类结果包括一个以上的图片组;
C.根据所述局部特征分别对每个图片组内的图片进行二次聚类,以将每个图片组内的图片分为一个以上的集合,得到所述输入图片的二次聚类结果;
其中,根据所述局部特征分别对每个图片组内的图片进行二次聚类的步骤具体包括:
针对每个图片组,建立所述局部特征中各特征分量与图片组中的各图片之间的倒排索引;利用所述倒排索引,将拥有共同特征分量数超过预设值的图片归为一类,得到每个图片组内的一个以上的集合;
所述方法进一步包括:在对输入图片进行聚类之后,对聚类结果中相同集合的图片赋予统一标识;
对输入图片进行初次聚类包括:
从输入图片中选取一定数量的图片作为样本图片,利用样本图片确定K个聚类中心,其中K为自然数;将输入图片中除样本外的剩余图片分为K份,其中每份图片对应一个聚类中心,利用分布式计算平台,将每份图片中的每张图片分别与对应的聚类中心进行相似度比较,并将当前比较的图片归到最相似的聚类中心所在类。
2.根据权利要求1所述的方法,其特征在于,所述步骤A中提取所述输入图片的多个全局特征;
所述步骤B中根据每个全局特征分别对所述输入图片进行初次聚类,以得到与每个全局特征对应的初次聚类结果,其中每个初次聚类结果包含一个以上的图片组;
所述步骤C中针对与每个全局特征对应的初次聚类结果,根据所述局部特征分别对该初次聚类结果中的每个图片组内的图片进行二次聚类,以将每个图片组内的图片分为一个以上的集合,得到所述输入图片与每个全局特征对应的二次聚类结果;
所述方法进一步包括:将各二次聚类结果进行合并,得到所述输入图片的最终聚类结果。
3.根据权利要求2所述的方法,其特征在于,将各二次聚类结果进行合并的步骤具体包括:
将各二次聚类结果包含的集合中,两两之间存在交集的多个集合合并为一个集合。
4.根据权利要求2所述的方法,其特征在于,所述多个全局特征中包含第一全局特征,其中所述第一全局特征融合了颜色特征描述子、纹理特征描述子、形状特征描述子或空间关系特征描述子中的至少两个。
5.根据权利要求2所述的方法,其特征在于,所述多个全局特征中包含第二全局特征,其中所述第二全局特征为Gist特征。
6.根据权利要求1所述的方法,其特征在于,所述步骤B中采用K-means方法对所述输入图片进行初次聚类。
7.根据权利要求1所述的方法,其特征在于,所述全局特征为:颜色、纹理或形状特征;所述局部特征为SIFT特征。
8.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
将所述二次聚类结果中的包含图片数量大于设定值的集合中的图片作为热门图片,所述热门图片用于在搜索引擎***中作为优先返回的检索结果。
9.一种图片聚类的装置,包括:
特征提取单元,用于提取多张输入图片的全局特征和局部特征;
分组单元,用于根据所述全局特征对所述输入图片进行初次聚类,以得到初步聚类结果,其中所述初步聚类结果包括一个以上的图片组;所述对输入图片进行初次聚类包括:从输入图片中选取一定数量的图片作为样本图片,利用样本图片确定K个聚类中心,其中K为自然数;将输入图片中除样本外的剩余图片分为K份,其中每份图片对应一个聚类中心,利用分布式计算平台,将每份图片中的每张图片分别与对应的聚类中心进行相似度比较,并将当前比较的图片归到最相似的聚类中心所在类;
确定单元,用于根据所述局部特征对每个图片组内的图片进行二次聚类,以将每个组内的图片分为一个以上的集合,得到所述输入图片的二次聚类结果;
所述确定单元具体包括:
索引单元,用于针对每个图片组,建立所述局部特征中各特征分量与图片组中的各图片之间的倒排索引;
归类单元,用于利用所述倒排索引,将拥有共同特征分量数超过预设值的图片归为一类,得到每个图片组内的一个以上的集合;
所述装置进一步包括:标识单元,用于为聚类结果中的相同集合的图片赋予统一标识。
10.根据权利要求9所述的装置,其特征在于,所述特征提取单元提取所述输入图片的多个全局特征;
所述分组单元根据每个全局特征分别对所述输入图片进行初次聚类,以得到与每个全局特征对应的初次聚类结果,其中每个初次聚类结果包含一个以上的图片组;
所述确定单元针对与每个初次聚类结果,根据所述局部特征分别对该初次聚类结果中的每个图片组内的图片进行二次聚类,以将每个图片组内的图片分为一个以上的集合,得到所述输入图片与每个全局特征对应的二次聚类结果;
所述装置进一步包括:
合并单元,用于将各二次聚类结果进行合并,得到所述输入图片的最终聚类结果。
11.根据权利要求10所述的装置,其特征在于,所述合并单元将各二次聚类结果进行合并的方式具体包括:
将各二次聚类结果包含的集合中,两两之间存在交集的多个集合合并为一个集合。
12.根据权利要求10所述的装置,其特征在于,所述多个全局特征中包含第一全局特征,其中所述第一全局特征融合了颜色特征描述子、纹理特征描述子、形状特征描述子或空间关系特征描述子中的至少两个。
13.根据权利要求10所述的装置,其特征在于,所述多个全局特征中包含第二全局特征,其中所述第二全局特征为Gist特征。
14.根据权利要求9所述的装置,其特征在于,所述分组单元采用K-means方法对所述输入图片进行初次聚类。
15.根据权利要求9所述的装置,其特征在于,所述全局特征为:颜色、纹理或形状特征;所述局部特征为SIFT特征。
16.根据权利要求9所述的装置,其特征在于,所述装置进一步包括:
选取单元,用于将所述二次聚类结果中的包含图片数量大于设定值的集合中的图片作为热门图片,所述热门图片用于在搜索引擎***中作为优先返回的检索结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210144457.0A CN103390165B (zh) | 2012-05-10 | 2012-05-10 | 一种图片聚类的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210144457.0A CN103390165B (zh) | 2012-05-10 | 2012-05-10 | 一种图片聚类的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103390165A CN103390165A (zh) | 2013-11-13 |
CN103390165B true CN103390165B (zh) | 2017-08-22 |
Family
ID=49534432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210144457.0A Active CN103390165B (zh) | 2012-05-10 | 2012-05-10 | 一种图片聚类的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103390165B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205054A (zh) * | 2014-06-04 | 2015-12-30 | 阿里巴巴集团控股有限公司 | 用于展示图片的方法和获取图片色相特征值的方法及装置 |
CN106203459B (zh) * | 2015-04-29 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 图片处理方法及装置 |
CN104933445B (zh) * | 2015-06-26 | 2019-05-14 | 电子科技大学 | 一种基于分布式K-means的海量图像分类方法 |
CN105072337B (zh) * | 2015-07-31 | 2019-03-26 | 小米科技有限责任公司 | 图片处理方法及装置 |
CN108733819B (zh) * | 2018-05-22 | 2021-07-06 | 深圳云天励飞技术有限公司 | 一种人员档案建立方法和装置 |
CN109101633B (zh) * | 2018-08-15 | 2019-08-27 | 北京神州泰岳软件股份有限公司 | 一种层次聚类方法及装置 |
CN110442738A (zh) * | 2019-07-31 | 2019-11-12 | 北京明略软件***有限公司 | 图片去重方法和装置,存储介质及电子装置 |
CN112070144A (zh) * | 2020-09-03 | 2020-12-11 | Oppo广东移动通信有限公司 | 图像聚类方法、装置、电子设备以及存储介质 |
CN112861966A (zh) * | 2021-02-05 | 2021-05-28 | 浙江新再灵科技股份有限公司 | 图片去重方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002046962A1 (fr) * | 2000-12-08 | 2002-06-13 | Nagoya Industrial Science Research Institute | Procede de regroupement de genes |
CN101576932A (zh) * | 2009-06-16 | 2009-11-11 | 阿里巴巴集团控股有限公司 | 近重复图片的计算机查找方法和装置 |
CN101697232A (zh) * | 2009-09-18 | 2010-04-21 | 浙江大学 | 面向近重复图像匹配的sift特征裁减方法 |
CN101777059A (zh) * | 2009-12-16 | 2010-07-14 | 中国科学院自动化研究所 | 一种提取地标性场景摘要的方法 |
CN101814147A (zh) * | 2010-04-12 | 2010-08-25 | 中国科学院自动化研究所 | 一种实现场景图像的分类方法 |
-
2012
- 2012-05-10 CN CN201210144457.0A patent/CN103390165B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002046962A1 (fr) * | 2000-12-08 | 2002-06-13 | Nagoya Industrial Science Research Institute | Procede de regroupement de genes |
CN101576932A (zh) * | 2009-06-16 | 2009-11-11 | 阿里巴巴集团控股有限公司 | 近重复图片的计算机查找方法和装置 |
CN101697232A (zh) * | 2009-09-18 | 2010-04-21 | 浙江大学 | 面向近重复图像匹配的sift特征裁减方法 |
CN101777059A (zh) * | 2009-12-16 | 2010-07-14 | 中国科学院自动化研究所 | 一种提取地标性场景摘要的方法 |
CN101814147A (zh) * | 2010-04-12 | 2010-08-25 | 中国科学院自动化研究所 | 一种实现场景图像的分类方法 |
Non-Patent Citations (2)
Title |
---|
全局与局部特征相结合的遥感影像检索方法研究;刘实;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120215;第I140-833页 * |
网络安全高级软件编程技术;吴功宜等;《北京:清华大学出版社》;20100430;第243-244页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103390165A (zh) | 2013-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103390165B (zh) | 一种图片聚类的方法及装置 | |
Zhong et al. | An end-to-end dense-inceptionnet for image copy-move forgery detection | |
CN102129451B (zh) | 图像检索***中数据聚类方法 | |
CN104834693B (zh) | 基于深度搜索的视觉图像检索方法及*** | |
CN104199931B (zh) | 一种商标图像一致语义提取方法及商标检索方法 | |
CN104679818B (zh) | 一种视频关键帧提取方法及*** | |
Zhou et al. | Sketch-based image retrieval on a large scale database | |
CN107145503A (zh) | 基于word2vec的远监督非分类关系提取方法及*** | |
CN110502664A (zh) | 视频标签索引库创建方法、视频标签生成方法及装置 | |
CN102289522A (zh) | 一种对于文本智能分类的方法 | |
CN110110113A (zh) | 图像搜索方法、***及电子装置 | |
DE102013221125A1 (de) | System, Verfahren und Computer-Programm-Produkt zum Durchführen einer Zeichenkette-Suche | |
CN111325245A (zh) | 重复图像识别方法、装置、电子设备及计算机可读存储介质 | |
CN109408821A (zh) | 一种语料生成方法、装置、计算设备及存储介质 | |
CN106951551A (zh) | 联合gist特征的多重索引图像检索方法 | |
CN105046720B (zh) | 基于人体运动捕捉数据字符串表示的行为分割方法 | |
CN103440501A (zh) | 基于非参数空间判决隐狄利克雷模型的场景分类方法 | |
CN102955784A (zh) | 一种基于数字签名对多个图像进行相似判断的设备和方法 | |
CN103942274B (zh) | 一种基于lda的生物医疗图像的标注***及方法 | |
CN107330009A (zh) | 主题词分类模型创建方法、创建装置及存储介质 | |
CN115204413A (zh) | 基于人工智能的智能学习数据处理方法 | |
CN107180079A (zh) | 基于卷积神经网络以及树与哈希结合索引的图像检索方法 | |
CN108319518A (zh) | 基于循环神经网络的文件碎片分类方法及装置 | |
CN111125396B (zh) | 一种单模型多分支结构的图像检索方法 | |
CN108241662A (zh) | 数据标注的优化方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |