CN110991514B - 图像聚类方法及装置、电子设备和存储介质 - Google Patents
图像聚类方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110991514B CN110991514B CN201911183240.9A CN201911183240A CN110991514B CN 110991514 B CN110991514 B CN 110991514B CN 201911183240 A CN201911183240 A CN 201911183240A CN 110991514 B CN110991514 B CN 110991514B
- Authority
- CN
- China
- Prior art keywords
- image
- images
- clustered
- determining
- density
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像聚类方法及装置、电子设备和存储介质。所述方法包括:确定待聚类的图像集中的各图像的密度;将各所述图像分别作为有向图中的节点,根据各所述图像的密度,确定所述图像的父节点;基于所述图像的父节点,确定所述图像所属的类别。本公开实施例能够提高图像聚类的鲁棒性和准确性。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种图像聚类方法及装置、电子设备和存储介质。
背景技术
图像聚类是指将图像的集合划分为由相似的图像组成的多个类别的过程。在图像聚类得到的多个类别中,同一类别的图像之间相似,不同类别的图像之间相异。人脸图像聚类是计算机视觉中的一个经典问题,其目的在于将海量的人脸图像按照身份进行划分,把属于同一个人的人脸图像划分至同一类别中。如何提高图像聚类的准确性,是亟待解决的技术问题。
发明内容
本公开提供了一种图像聚类技术方案。
根据本公开的一方面,提供了一种图像聚类方法,包括:
确定待聚类的图像集中的各图像的密度;
将各所述图像分别作为有向图中的节点,根据各所述图像的密度,确定所述图像的父节点;
基于所述图像的父节点,确定所述图像所属的类别。
通过上述方式,能够根据待聚类的图像的密度,找到图像的父节点,由此找到图像的归属方向,从而能够提高图像聚类的鲁棒性和准确性。
在一种可能的实现方式中,所述根据各所述图像的密度,确定所述图像的父节点,包括:
针对所述待聚类的图像集中的任一图像,根据所述图像与所述待聚类的图像集中的其他图像的特征之间的距离,以及各所述图像的密度,确定所述图像的父节点。
在该实现方式中,通过所述图像与所述待聚类的图像集中的其他图像的特征之间的距离,以及各所述图像的密度,确定所述图像的父节点,由此能够保证所确定的父节点是与所述图像相似的其他图像,从而避免将不相似的图像归为同一类,提高了图像聚类的准确度。
在一种可能的实现方式中,所述根据所述图像与所述待聚类的图像集中的其他图像的特征之间的距离,以及各所述图像的密度,确定所述图像的父节点,包括:
将所述待聚类的图像集中密度大于所述图像的其他图像中与所述图像的特征的距离最近、且与所述图像的特征的距离小于或等于第一阈值的图像确定为所述图像的父节点。
根据该实现方式,能够保证在图像的附近找该图像的归属方向,从而避免将不相似的图像归为同一类,提高了图像聚类的准确度。
在一种可能的实现方式中,所述确定待聚类的图像集中的各图像的密度,包括:
根据所述待聚类的图像集中图像的特征之间的距离,确定各所述图像的密度。
采用该实现方式确定的待聚类的图像集中的任一图像的密度,能够反映所述待聚类的图像集中与该图像相似的图像的数量。
在一种可能的实现方式中,所述根据所述待聚类的图像集中图像的特征之间的距离,确定各所述图像的密度,包括:
针对所述待聚类的图像集中的任一图像,根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,确定所述图像的密度。
通过上述方式,能够使与较多的图像相似的图像获得较大的密度。
在一种可能的实现方式中,所述基于所述图像的父节点,确定所述图像所属的类别,包括:
基于所述图像的父节点,确定所述图像的根节点;
将所述图像的根节点所属的类别,确定为所述图像所属的类别。
在该实现方式中,可以将根节点的类别赋予该根节点的所有子节点,由此使该根节点的所有子节点与该根节点属于同一类别。
在一种可能的实现方式中,所述基于所述图像的父节点,确定所述图像的根节点,包括:
在所述有向图中,建立所述待聚类的图像集中的图像至父节点的有向边;
基于与任一图像连通的有向边,查找所述图像的根节点。
通过上述方式,对于有向图中不为根节点的图像,均能通过与该图像连通的有向边,查找到该图像的根节点。
在一种可能的实现方式中,还包括:
针对所述待聚类的图像集中的任一图像,若与所述图像的特征的距离小于或等于第一阈值的其他图像的密度均小于或等于所述图像的密度,则将所述图像确定为根节点。
在该实现方式中,可以将待聚类的图像集中的每个根节点分别看作是类中心,而对于不为根节点的图像而言,可以根据密度找到一条密度提升的路径,从而进行归类。
在一种可能的实现方式中,所述针对所述待聚类的图像集中的任一图像,根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,确定所述图像的密度,包括:
针对所述待聚类的图像集中的任一图像,在预设区间中生成所述图像对应的随机数;
根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,以及所述图像对应的随机数,确定所述图像的密度。
通过该实现方式,能够使得近邻个数相等的图像的密度不同,从而能够将相似的图像归至同一类别中,而避免由于密度相同而将相似的图像归至不同类别。
在一种可能的实现方式中,所述预设区间的长度小于1,且所述预设区间的上界的绝对值与下界的绝对值均小于或等于1。
通过该实现方式能够保证近邻个数较大的图像的密度大于近邻个数较小的图像的密度,从而能够提高图像聚类的准确性。
根据本公开的一方面,提供了一种图像聚类装置,包括:
第一确定模块,用于确定待聚类的图像集中的各图像的密度;
第二确定模块,用于将各所述图像分别作为有向图中的节点,根据各所述图像的密度,确定所述图像的父节点;
第三确定模块,用于基于所述图像的父节点,确定所述图像所属的类别。
在一种可能的实现方式中,所述第二确定模块用于:
针对所述待聚类的图像集中的任一图像,根据所述图像与所述待聚类的图像集中的其他图像的特征之间的距离,以及各所述图像的密度,确定所述图像的父节点。
在一种可能的实现方式中,所述第二确定模块用于:
将所述待聚类的图像集中密度大于所述图像的其他图像中与所述图像的特征的距离最近、且与所述图像的特征的距离小于或等于第一阈值的图像确定为所述图像的父节点。
在一种可能的实现方式中,所述第一确定模块用于:
根据所述待聚类的图像集中图像的特征之间的距离,确定各所述图像的密度。
在一种可能的实现方式中,所述第一确定模块用于:
针对所述待聚类的图像集中的任一图像,根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,确定所述图像的密度。
在一种可能的实现方式中,所述第三确定模块用于:
基于所述图像的父节点,确定所述图像的根节点;
将所述图像的根节点所属的类别,确定为所述图像所属的类别。
在一种可能的实现方式中,所述第三确定模块用于:
在所述有向图中,建立所述待聚类的图像集中的图像至父节点的有向边;
基于与任一图像连通的有向边,查找所述图像的根节点。
在一种可能的实现方式中,还包括:
第四确定模块,用于针对所述待聚类的图像集中的任一图像,若与所述图像的特征的距离小于或等于第一阈值的其他图像的密度均小于或等于所述图像的密度,则将所述图像确定为根节点。
在一种可能的实现方式中,所述第一确定模块用于:
针对所述待聚类的图像集中的任一图像,在预设区间中生成所述图像对应的随机数;
根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,以及所述图像对应的随机数,确定所述图像的密度。
在一种可能的实现方式中,所述预设区间的长度小于1,且所述预设区间的上界的绝对值与下界的绝对值均小于或等于1。
根据本公开的一方面,提供了一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过根据待聚类的图像的密度,找到图像的父节点,由此找到图像的归属方向,从而能够提高图像聚类的鲁棒性和准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的图像聚类方法的流程图。
图2示出本公开实施例提供的图像聚类方法的一示意图。
图3示出本公开实施例提供的图像聚类方法的另一示意图。
图4示出本公开实施例提供的图像聚类装置的框图。
图5示出本公开实施例提供的一种电子设备800的框图。
图6示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
相关技术通常采用K-Means(K均值)聚类方法、Mean-Shift(均值漂移)聚类方法或者DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)进行图像聚类。K-Means方法和Mean-Shift方法都假设待聚类的图像服从高斯分布,然而在实际应用中,待聚类的图像的分布形式可能是多样的,因此这种假设较为不可靠。DBSCAN不需要预先假设待聚类的图像服从高斯分布,其根据待聚类的图像的特征的两两之间的距离来判断是否属于同一类别。然而,DBSCAN假设所有待聚类的图像的密度均是相似的,能用统一的阈值来进行区分,因此DBSCAN的鲁棒性较差。
在本公开实施例提供的图像聚类方法中,无需预先假设待聚类的图像服从高斯分布,且不依赖于所有待聚类的图像的密度均为相似的假设。在本公开实施例中,根据待聚类的图像的密度,找到图像的父节点,由此找到图像的归属方向,从而能够提高图像聚类的鲁棒性和准确性。下述实施例将对本公开实施例提供的图像聚类方法作详细说明。
图1示出本公开实施例提供的图像聚类方法的流程图。所述图像聚类方法的执行主体可以是图像聚类装置。例如,所述图像聚类方法可以由终端设备或服务器或其它处理设备执行。其中,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中,所述图像聚类方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,所述图像聚类方法包括步骤S11至步骤S13。
在步骤S11中,确定待聚类的图像集中的各图像的密度。
在本公开实施例中,待聚类的图像集中包括多个待聚类的图像。待聚类的图像集中的任一图像的密度,可以反映所述待聚类的图像集中与该图像相似的图像的数量。所述待聚类的图像集中与该图像相似的图像的数量越多,则该图像的密度越大。
在一种可能的实现方式中,所述确定待聚类的图像集中的各图像的密度,包括:根据所述待聚类的图像集中图像的特征之间的距离,确定各所述图像的密度。
在该实现方式中,待聚类的图像集中的任一图像的密度,可以根据该图像与所述待聚类的图像集中的其他图像的特征之间的距离确定。例如,待聚类的图像集中第一图像的密度,可以根据第一图像与待聚类的图像集中的其他图像的特征之间的距离确定。其中,两个图像的特征之间的距离可以反映两个图像的相似度。其中,相似度与距离负相关,即,距离越小,则相似度越大。
在一种可能的实现方式中,所述根据待聚类的图像集中图像的特征之间的距离,确定各所述图像的密度,包括:针对所述待聚类的图像集中的任一图像,根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,确定所述图像的密度。
在一个例子中,第二阈值可以等于0.4。当然,本领域技术人员可以根据实际应用场景需求灵活设置第二阈值,本公开实施例对此不作限定。
在该实现方式中,通过根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,确定所述图像的密度,由此能够使与较多的图像相似的图像获得较大的密度。
作为该实现方式的一个示例,针对所述待聚类的图像集中的任一图像,该图像的密度可以等于所述待聚类的图像集中与该图像的特征的距离小于或等于第二阈值的图像的个数。图2示出本公开实施例提供的图像聚类方法的一示意图。在图2所示的示例中,与图像A的特征的距离小于或等于第二阈值的图像的个数为6,则可以确定图像A的密度为6;与图像B的特征的距离小于或等于第二阈值的图像的个数为2,则可以确定图像B的密度为2。
作为该实现方式的另一个示例,所述针对所述待聚类的图像集中的任一图像,根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,确定所述图像的密度,包括:针对所述待聚类的图像集中的任一图像,在预设区间中生成所述图像对应的随机数;根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,以及所述图像对应的随机数,确定所述图像的密度。
例如,可以将所述图像的近邻个数与所述图像对应的随机数之和,确定为所述图像的密度。又如,可以将所述图像的近邻个数与所述图像对应的随机数之差,确定为所述图像的密度。其中,任一图像的近邻个数表示与该图像的特征的距离小于或等于第二阈值的图像的个数。例如,第一图像的近邻个数等于与第一图像的特征的距离小于或等于第二阈值的图像的个数。
例如,预设区间为(0,0.001),图像A的近邻个数为6(即与图像A的特征的距离小于或等于第二阈值的图像的个数为6),图像A对应的随机数为0.000234,则图像A的密度可以为6.000234;图像B的近邻个数为2(即与图像B的特征的距离小于或等于第二阈值的图像的个数为2),图像B对应的随机数为0.000512,则图像B的密度可以为2.000512。
在该示例中,通过根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,以及所述图像对应的随机数,确定所述图像的密度,由此能够使得近邻个数相等的图像的密度不同,从而能够将相似的图像归至同一类别中,而避免由于密度相同而将相似的图像归至不同类别。
在一个例子中,所述预设区间的长度小于1,且所述预设区间的上界的绝对值与下界的绝对值均小于或等于1。
在这个例子中,通过使所述预设区间的长度小于1,且所述预设区间的上界的绝对值与下界的绝对值均小于或等于1,由此保证近邻个数较大的图像的密度大于近邻个数较小的图像的密度,从而能够提高图像聚类的准确性。
在步骤S12中,将各所述图像分别作为有向图中的节点,根据各所述图像的密度,确定所述图像的父节点。
在一种可能的实现方式中,所述根据各所述图像的密度,确定所述图像的父节点,包括:针对所述待聚类的图像集中的任一图像,根据所述图像与所述待聚类的图像集中的其他图像的特征之间的距离,以及各所述图像的密度,确定所述图像的父节点。
在该实现方式中,通过所述图像与所述待聚类的图像集中的其他图像的特征之间的距离,以及各所述图像的密度,确定所述图像的父节点,由此能够保证所确定的父节点是与所述图像相似的其他图像,从而避免将不相似的图像归为同一类,提高了聚类的准确度。
作为该实现方式的一个示例,所述根据所述图像与所述待聚类的图像集中的其他图像的特征之间的距离,以及各所述图像的密度,确定所述图像的父节点,包括:将所述待聚类的图像集中密度大于所述图像的其他图像中与所述图像的特征的距离最近、且与所述图像的特征的距离小于或等于第一阈值的图像确定为所述图像的父节点。
在一个例子中,第一阈值可以等于第二阈值。在该例子中,图像的父节点为该图像的近邻图像。其中,任一图像的近邻图像表示与该图像的特征的距离小于或等于第二阈值的图像。在另一个例子中,第一阈值可以不等于第二阈值,例如,第一阈值可以大于第二阈值,或者,第一阈值可以小于第二阈值。
在该示例中,针对所述待聚类的图像集中的任一图像,若在与所述图像的特征的距离小于或等于第一阈值的其他图像中,存在密度大于所述图像的图像,则将密度大于所述图像的其他图像与所述图像的特征的距离最近的图像确定为所述图像的父节点。根据该示例,能够在任一图像的附近找到该图像的归属方向,从而能够基于图像的归属方向进行聚类。
图3示出本公开实施例提供的图像聚类方法的另一示意图。如图3所示,可以将待聚类的图像集中的各图像分别作为有向图中的节点。在图3中,对于图像D,图像C是密度大于图像D的图像中与图像D的特征的距离最近的图像,且图像D与图像C的特征的距离小于或等于第一阈值,因此将图像C确定为图像D的父节点;对于图像C,图像A是密度大于图像C的图像中与图像C的特征的距离最近的图像,且图像C与图像A的特征的距离小于或等于第一阈值,因此将图像A确定为图像C的父节点。
在一个例子中,第一阈值可以等于0.4。当然,本领域技术人员可以根据实际应用场景需求灵活设置第一阈值,本公开实施例对此不作限定。
在步骤S13中,基于所述图像的父节点,确定所述图像所属的类别。
在一种可能的实现方式中,所述基于所述图像的父节点,确定所述图像所属的类别,包括:将所述图像的父节点所属的类别,确定为所述图像所属的类别。例如,在图3中,图像D的父节点为图像C,则可以将图像C所属的类别确定为图像D所属的类别。
在一种可能的实现方式中,所述基于所述图像的父节点,确定所述图像所属的类别,包括:基于所述图像的父节点,确定所述图像的根节点;将所述图像的根节点所属的类别,确定为所述图像所属的类别。在该实现方式中,可以将根节点的类别赋予该根节点的所有子节点,由此使该根节点的所有子节点与该根节点属于同一类别。
作为该实现方式的一个示例,所述基于所述图像的父节点,确定所述图像的根节点,包括:基于所述图像的父节点向上遍历,确定所述图像的根节点。
作为该实现方式的另一个示例,所述基于所述图像的父节点,确定所述图像的根节点,包括:在所述有向图中,建立所述待聚类的图像集中的图像至父节点的有向边;基于与任一图像连通的有向边,查找所述图像的根节点。
在该示例中,对于待聚类的图像集中的每个图像,可以分别建立该图像至该图像的父节点的有向边。例如,在图3中,建立图像D至图像C的有向边,建立图像C至图像A的有向边,以此类推,建立待聚类的图像集中各图像至其父节点的有向边。在图3所示的有向图中,对于图像D,与图像D连通的有向边为aDC和aCA,基于与图像D连通的有向边aDC、aCA,可以找到图像D的根节点A。
在该示例中,通过在所述有向图中,建立所述待聚类的图像集中的图像至父节点的有向边,并基于与任一图像连通的有向边,查找所述图像的根节点,由此对于有向图中不为根节点的图像,均能通过与该图像连通的有向边,查找到该图像的根节点。
在该示例中,根据图像之间的有向边,可以确定有向图中的连通块。例如,在图3中,根据图像之间的有向边,可以得到连通块31、连通块32和连通块33。其中,任一连通块中的不同图像均属于同一类别,不同连通块中的图像属于不同类别。例如,连通块31中的各个图像均属于同一类别,连通块31与连通块33中的图像属于不同的类别。在一个例子中,可以将每个连通块中密度最大的图像的类别赋予该连通块中的其他图像,从而实现图像聚类。
在一种可能的实现方式中,还包括:针对所述待聚类的图像集中的任一图像,若与所述图像的特征的距离小于或等于第一阈值的其他图像的密度均小于或等于所述图像的密度,则将所述图像确定为根节点。例如,在图3中,对于图像A,在与图像A的特征的距离小于或等于第一阈值的图像中,不存在密度大于图像A的图像,则将图像A确定为根节点。在图3所示的示例中,虽然图像E的密度大于图像A的密度,但图像E与图像A的特征的距离大于第一阈值,因此不将图像E作为图像A的父节点。
在该实现方式中,可以将待聚类的图像集中的每个根节点分别看作是类中心,而对于不为根节点的图像而言,可以根据密度找到一条密度提升的路径,从而进行归类。
在本公开实施例中,图像可以在其附近(与该图像的特征的距离小于或等于第一阈值的区域内)确定该图像的父节点,由此找到该图像的归属方向,并将该图像的父节点的类别赋予该图像。基于本公开实施例,图像之间有明确的归属关系,从而能够很好地区分两个类别之间的边缘。
本公开实施例提供的图像聚类方法可以应用于人脸图像聚类、车辆图像聚类等各种图像的应用场景中。以人脸图像聚类为例,人脸图像聚类可以应用于多种应用场景中。例如,在手机领域中,人脸图像聚类可以把人物的照片按照身份进行归类整理,将属于同一个人的照片归至同一类,从而能够方便用户查看。又如,在安防领域中,人脸图像聚类能够帮助进行实有人口管理、安防监控等。采用本公开实施例提供的图像聚类方法进行人脸图像聚类,能够在不同的人脸图像之间存在姿态、光照、表情、遮挡、清晰度等差异时,仍然获得较为准确的人脸图像聚类结果。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了图像聚类装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像聚类方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图4示出本公开实施例提供的图像聚类装置的框图。如图4所示,所述图像聚类装置包括:第一确定模块41,用于确定待聚类的图像集中的各图像的密度;第二确定模块42,用于将各所述图像分别作为有向图中的节点,根据各所述图像的密度,确定所述图像的父节点;第三确定模块43,用于基于所述图像的父节点,确定所述图像所属的类别。
在一种可能的实现方式中,所述第二确定模块42用于:针对所述待聚类的图像集中的任一图像,根据所述图像与所述待聚类的图像集中的其他图像的特征之间的距离,以及各所述图像的密度,确定所述图像的父节点。
在一种可能的实现方式中,所述第二确定模块42用于:将所述待聚类的图像集中密度大于所述图像的其他图像中与所述图像的特征的距离最近、且与所述图像的特征的距离小于或等于第一阈值的图像确定为所述图像的父节点。
在一种可能的实现方式中,所述第一确定模块41用于:根据所述待聚类的图像集中图像的特征之间的距离,确定各所述图像的密度。
在一种可能的实现方式中,所述第一确定模块41用于:针对所述待聚类的图像集中的任一图像,根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,确定所述图像的密度。
在一种可能的实现方式中,所述第三确定模块43用于:基于所述图像的父节点,确定所述图像的根节点;将所述图像的根节点所属的类别,确定为所述图像所属的类别。
在一种可能的实现方式中,所述第三确定模块43用于:在所述有向图中,建立所述待聚类的图像集中的图像至父节点的有向边;基于与任一图像连通的有向边,查找所述图像的根节点。
在一种可能的实现方式中,还包括:第四确定模块,用于针对所述待聚类的图像集中的任一图像,若与所述图像的特征的距离小于或等于第一阈值的其他图像的密度均小于或等于所述图像的密度,则将所述图像确定为根节点。
在一种可能的实现方式中,所述第一确定模块41用于:针对所述待聚类的图像集中的任一图像,在预设区间中生成所述图像对应的随机数;根据所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数,以及所述图像对应的随机数,确定所述图像的密度。
在一种可能的实现方式中,所述预设区间的长度小于1,且所述预设区间的上界的绝对值与下界的绝对值均小于或等于1。
在本公开实施例中,通过根据待聚类的图像的密度,找到图像的父节点,由此找到图像的归属方向,从而能够提高图像聚类的鲁棒性和准确性。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。其中,所述计算机可读存储介质可以是非易失性计算机可读存储介质,或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的图像聚类方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的图像聚类方法的操作。
本公开实施例还提供一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出本公开实施例提供的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如Wi-Fi、2G、3G、4G/LTE、5G或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出本公开实施例提供的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows Mac OS />或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种图像聚类方法,其特征在于,包括:
针对待聚类的图像集中的任一图像,在预设区间中生成所述图像对应的随机数,其中,所述预设区间的长度小于1,且所述预设区间的上界的绝对值与下界的绝对值均小于或等于1;将所述图像的近邻个数与所述图像对应的随机数之和,确定为所述图像的密度,其中,所述图像的近邻个数表示所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数;
将所述待聚类的图像集中的各图像分别作为有向图中的节点;
针对所述待聚类的图像集中的任一图像,若与所述图像的特征的距离小于或等于第一阈值的其他图像的密度均小于或等于所述图像的密度,则将所述图像确定为根节点;
针对所述待聚类的图像集中的任一图像,在所述图像不为根节点的情况下,将所述待聚类的图像集中密度大于所述图像的其他图像中与所述图像的特征的距离最近、且与所述图像的特征的距离小于或等于所述第一阈值的图像确定为所述图像的父节点,在所述有向图中,建立所述待聚类的图像集中的图像至父节点的有向边,基于与任一图像连通的有向边,查找所述图像的根节点,并将所述图像的根节点所属的类别,确定为所述图像所属的类别。
2.一种图像聚类装置,其特征在于,包括:
第一确定模块,用于针对待聚类的图像集中的任一图像,在预设区间中生成所述图像对应的随机数,其中,所述预设区间的长度小于1,且所述预设区间的上界的绝对值与下界的绝对值均小于或等于1;将所述图像的近邻个数与所述图像对应的随机数之和,确定为所述图像的密度,其中,所述图像的近邻个数表示所述待聚类的图像集中与所述图像的特征的距离小于或等于第二阈值的图像的个数;
第二确定模块,用于将所述待聚类的图像集中的各图像分别作为有向图中的节点;
第四确定模块,用于针对所述待聚类的图像集中的任一图像,若与所述图像的特征的距离小于或等于第一阈值的其他图像的密度均小于或等于所述图像的密度,则将所述图像确定为根节点;
所述第二确定模块还用于:针对所述待聚类的图像集中的任一图像,在所述图像不为根节点的情况下,将所述待聚类的图像集中密度大于所述图像的其他图像中与所述图像的特征的距离最近、且与所述图像的特征的距离小于或等于所述第一阈值的图像确定为所述图像的父节点;
第三确定模块,用于针对所述待聚类的图像集中的任一图像,在所述图像不为根节点的情况下,在所述有向图中,建立所述待聚类的图像集中的图像至父节点的有向边,基于与任一图像连通的有向边,查找所述图像的根节点,并将所述图像的根节点所属的类别,确定为所述图像所属的类别。
3.一种电子设备,其特征在于,包括:
一个或多个处理器;
用于存储可执行指令的存储器;
其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行权利要求1所述的方法。
4.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911183240.9A CN110991514B (zh) | 2019-11-27 | 2019-11-27 | 图像聚类方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911183240.9A CN110991514B (zh) | 2019-11-27 | 2019-11-27 | 图像聚类方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991514A CN110991514A (zh) | 2020-04-10 |
CN110991514B true CN110991514B (zh) | 2024-05-17 |
Family
ID=70087423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911183240.9A Active CN110991514B (zh) | 2019-11-27 | 2019-11-27 | 图像聚类方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991514B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093198A (zh) * | 2013-01-15 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 一种人群密度监测方法及装置 |
DE102013012780A1 (de) * | 2013-07-31 | 2015-02-05 | Connaught Electronics Ltd. | Verfahren zum Detektieren eines Zielobjekts durch Clusterbildung aus charakteristischen Merkmalen eines Bilds, Kamerasystem und Kraftfahrzeug |
CN104899899A (zh) * | 2015-06-12 | 2015-09-09 | 天津大学 | 一种基于密度峰值的颜色量化方法 |
CN105631416A (zh) * | 2015-12-24 | 2016-06-01 | 华侨大学 | 采用新型密度聚类进行人脸识别的方法 |
CN105631465A (zh) * | 2015-12-18 | 2016-06-01 | 中国科学院重庆绿色智能技术研究院 | 一种基于密度峰值的高效层次聚类方法 |
CN105740842A (zh) * | 2016-03-01 | 2016-07-06 | 浙江工业大学 | 基于快速密度聚类算法的无监督人脸识别方法 |
CN105930862A (zh) * | 2016-04-13 | 2016-09-07 | 江南大学 | 一种基于密度自适应距离的密度峰聚类算法 |
CN108090514A (zh) * | 2017-12-27 | 2018-05-29 | 西南石油大学 | 基于两阶段密度聚类的红外图像识别方法 |
CN109697451A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 相似图像聚类方法及装置、存储介质、电子设备 |
WO2019080411A1 (zh) * | 2017-10-23 | 2019-05-02 | 平安科技(深圳)有限公司 | 电子装置、人脸图像聚类搜索方法和计算机可读存储介质 |
CN109840558A (zh) * | 2019-01-25 | 2019-06-04 | 南京航空航天大学 | 基于密度峰值-核心融合的自适应聚类方法 |
CN109948534A (zh) * | 2019-03-19 | 2019-06-28 | 华侨大学 | 采用快速密度峰值聚类进行人脸识别的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8571331B2 (en) * | 2009-11-30 | 2013-10-29 | Xerox Corporation | Content based image selection for automatic photo album generation |
-
2019
- 2019-11-27 CN CN201911183240.9A patent/CN110991514B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093198A (zh) * | 2013-01-15 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 一种人群密度监测方法及装置 |
DE102013012780A1 (de) * | 2013-07-31 | 2015-02-05 | Connaught Electronics Ltd. | Verfahren zum Detektieren eines Zielobjekts durch Clusterbildung aus charakteristischen Merkmalen eines Bilds, Kamerasystem und Kraftfahrzeug |
CN104899899A (zh) * | 2015-06-12 | 2015-09-09 | 天津大学 | 一种基于密度峰值的颜色量化方法 |
CN105631465A (zh) * | 2015-12-18 | 2016-06-01 | 中国科学院重庆绿色智能技术研究院 | 一种基于密度峰值的高效层次聚类方法 |
CN105631416A (zh) * | 2015-12-24 | 2016-06-01 | 华侨大学 | 采用新型密度聚类进行人脸识别的方法 |
CN105740842A (zh) * | 2016-03-01 | 2016-07-06 | 浙江工业大学 | 基于快速密度聚类算法的无监督人脸识别方法 |
CN105930862A (zh) * | 2016-04-13 | 2016-09-07 | 江南大学 | 一种基于密度自适应距离的密度峰聚类算法 |
CN109697451A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 相似图像聚类方法及装置、存储介质、电子设备 |
WO2019080411A1 (zh) * | 2017-10-23 | 2019-05-02 | 平安科技(深圳)有限公司 | 电子装置、人脸图像聚类搜索方法和计算机可读存储介质 |
CN108090514A (zh) * | 2017-12-27 | 2018-05-29 | 西南石油大学 | 基于两阶段密度聚类的红外图像识别方法 |
CN109840558A (zh) * | 2019-01-25 | 2019-06-04 | 南京航空航天大学 | 基于密度峰值-核心融合的自适应聚类方法 |
CN109948534A (zh) * | 2019-03-19 | 2019-06-28 | 华侨大学 | 采用快速密度峰值聚类进行人脸识别的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110991514A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7171884B2 (ja) | 歩行者認識方法及び装置 | |
CN109089133B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN113538519B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN112001321B (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
CN110472091B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110009090B (zh) | 神经网络训练与图像处理方法及装置 | |
CN110781957B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111581488B (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN110569777B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
KR102412397B1 (ko) | 연관된 사용자를 추천하는 방법 및 디바이스 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112101238A (zh) | 聚类方法及装置、电子设备和存储介质 | |
CN112219224B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN109522937B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111310664B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113065591B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN111625671A (zh) | 数据处理方法及装置、电子设备及存储介质 | |
CN110781842A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111062407B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110781975B (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 |