CN111062431A - 图像聚类方法、图像聚类装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种图像聚类方法、图像聚类装置、电子设备及计算机可读存储介质，属于信息处理技术领域。该方法包括：获取多个待聚类图像，并确定各所述待聚类图像所对应的特征节点；分别以一个或多个所述特征节点为中心节点，在所述中心节点及其邻近节点中按照预设规则进行连接，以生成所述中心节点的网络图；计算各所述网络图中的边连接概率；根据所述边连接概率，确定所述多个待聚类图像的聚类结果。本公开可以对大量图像进行聚类，且具有较高的准确性和效率。

Description

图像聚类方法、图像聚类装置、电子设备及存储介质

技术领域

本公开涉及信息处理技术领域，尤其涉及一种图像聚类方法、图像聚类装置、电子设备及计算机可读存储介质。

背景技术

随着信息时代的来临，互联网及各个企业内部出现了大量的图像数据，为了便于进行及时整理及有效决策，通常会对图像进行聚类处理，例如对获取的人脸图像进行聚类，以为不同类别的用户提供多样化的服务等。

现有的图像聚类方法，主要依赖于传统的聚类算法，通过使用卷积神经网络对图像进行特征提取后，采用例如HDBSCAN(Hierarchical Density-Based SpatialClustering of Applications with Noise，基于层次密度的聚类算法)、CURE(ClusteringUsing Representatives，针对大型数据库的高效的聚类算法)、Chinese Whisper等传统聚类算法对图像进行聚类。但是由于传统算法的计算量一般非常大，当样本量增加时，其计算量会呈指数级增长，聚类效率较低且难以应用于大规模的图像聚类的应用场景下。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种图像聚类方法、图像聚类装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服现有的图像聚类方法中计算量较大导致聚类效率较低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种图像聚类方法，包括：获取多个待聚类图像，并确定各所述待聚类图像所对应的特征节点；分别以一个或多个所述特征节点为中心节点，在所述中心节点及其邻近节点中按照预设规则进行连接，以生成所述中心节点的网络图；计算各所述网络图中的边连接概率；根据所述边连接概率，确定所述多个待聚类图像的聚类结果。

根据本公开的第二方面，提供一种图像聚类装置，包括：图像映射模块，用于获取多个待聚类图像，并确定各所述待聚类图像所对应的特征节点；网络图生成模块，用于分别以一个或多个所述特征节点为中心节点，在所述中心节点及其邻近节点中按照预设规则进行连接，以生成所述中心节点的网络图；概率计算模块，用于计算各所述网络图中的边连接概率；结果确定模块，用于根据所述边连接概率，确定所述多个待聚类图像的聚类结果。

根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述图像聚类方法。

根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像聚类方法。

本公开的示例性实施例具有以下有益效果：

获取多个待聚类图像，并确定各待聚类图像所对应的特征节点，分别以一个或多个特征节点为中心节点；然后在中心节点及其邻近节点中按照预设规则进行连接，以生成中心节点的网络图；再计算各网络图中的边连接概率；最后根据边连接概率，确定多个待聚类图像的聚类结果。一方面，本示例性实施例通过构建以待聚类图像的特征节点为中心节点的网络图，对其进行处理，确定待聚类图像的聚类结果，其过程基于特征空间中各个特征节点的连接关系，聚类的准确度较高。另一方面，随着待聚类图像数量的增加，网络图的数量以及图神经网络的处理量呈现线性增长，因而效率较高，特别适用于大规模图像聚类的场景下。

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，并不能限制本公开。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本示例性实施例中一种图像聚类方法的流程图；

图2示意性示出本示例性实施例中一种图像聚类方法的子流程图；

图3示意性示出本示例性实施例中一种图像聚类装置的结构框图；

图4示意性示出本示例性实施例中一种用于实现上述方法的电子设备；

图5示意性示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种图像聚类方法，本示例性实施例可以应用于终端或服务器等设备中，其中，终端可以包括但不限于智能手机、平板电脑、笔记本电脑或个人计算机等等。应用场景可以是：在进行用户人脸图像采集后，通过本示例性实施例的图像聚类方法，对人脸图像进行聚类，以对用户进行分类，根据不同的聚类结果进行决策等。

下面结合附图1对本示例性实施例做进一步说明，如图1所示，图像聚类方法可以包括以下步骤S110～S140：

步骤S110，获取多个待聚类图像，并确定各待聚类图像所对应的特征节点。

其中，待聚类图像是指需要进行聚类处理的图像，例如人脸图像。待聚类图像可以通过图像采集设备采集获取，例如由摄像头采集等；也可以通过接收图像采集设备或其他终端设备发送的图像获取等。本示例性实施例可以基于每一张待聚类图像，提取其中包含的图像特征，再以特定的方式，将其映射至特征空间中，以实现在特征空间中，以特征节点的形式表征其对应的待聚类图像。例如获取多张人脸图像，针对每一张人脸图像，提取其中的人脸特征，将人脸特征转换为矩阵或向量等，映射至特征空间中，以特征空间中的每个特征节点表征一张人脸图像等。

在一示例性实施例中，上述步骤S110，可以包括以下步骤：

利用预先训练的卷积神经网络分别对每个待聚类图像进行处理，通过卷积神经网络的全连接层输出待聚类图像对应的特征向量；

将每个特征向量映射到特征空间，得到每个待聚类图像对应的特征节点。

通常，卷积神经网络可以用于对输入的数据进行处理，以实现语音识别、图像分类或目标检测等功能，在本示例性实施例中，可以基于卷积神经网络的原理，对获取的待聚类图像进行处理，以得到从待聚类图像中提取的图像特征所对应的特征向量。具体的，可以通过卷积神经网络的卷积层对获取的原始的待聚类图像进行多层次的特征提取，再经过卷积神经网络中多个中间层的处理。必要时，还可以通过下采样层对图像进行下采样，以减少图像数据处理量的同时，保留更多的有效信息，最后通过全连接层将卷积层产生的特征图映射成固定长度的待聚类图像对应的特征向量。

步骤S120，分别以一个或多个特征节点为中心节点，在中心节点及其邻近节点中按照预设规则进行连接，以生成中心节点的网络图。

其中，邻近节点是指在特征空间中，与中心节点空间距离较近的特征节点。在本示例性实施例中，可以以特征空间中的一个或多个特征节点为中心节点，在中心节点及其邻近节点中按照预设规则进行连接，建立中心节点的一个或多个网络图，即以获取的多个待聚类图像中的一个或多个图像为基准，建立与其有关联的图像之间的连接图。通过判断两个特征节点之间是否连接，其连接是否有意义，确定两个特征节点所对应的待聚类图像是否具有关联，对于存在连接的两个特征节点，可以认为这两个特征节点所对应的待聚类图像属于同一类。

特别的，在本示例性实施例中，可以分别以每个特征节点为中心节点，在中心节点及其邻近节点中按照预设规则进行连接，以生成每个中心节点的网络图。即为每一个待聚类图像对应的特征节点生成以其为中心节点的网络图，例如获取了N个待聚类图像，则将生成N个网络图。

在一示例性实施例中，上述邻近节点可以通过以下方式确定：

步骤S210，获取距离中心节点最近的h个特征节点，作为中心节点的一级邻近节点；

步骤S220，对每个一级邻近节点，分别获取k个距离最近的特征节点，作为中心节点的二级邻近节点；

步骤S230，将中心节点的一级邻近节点和二级邻近节点均确定为中心节点的邻近节点；

其中，h和k均为正整数。

其中，一级邻近节点是指与中心节点距离最近的特征节点，二级近邻节点是指与一级近邻节点距离最近的特征节点。为了对获取的待聚类图像进行更为准确的分类，本示例性实施例可以通过确定中心节点的多级邻近节点的方式确定中心节点的邻近节点。具体的，可以以中心节点为基准，在其周围确定h个距离最近的特征节点，作为一级邻近节点，再以每一个一级邻近节点为基准，在其周围确定k个距离最近的特征节点，作为二级邻近节点。其中，一级邻近节点的数量h与二级近邻节点的数量k可以根据需要进行自定义设置，例如当获取的待聚类图像较多，或需要获取较多的图像分析数据时，可以设置较多的数量h或k等。需要说明的是，每一个一级邻近节点可以确定不同数量k的二级邻近节点。例如对于一级近邻节点a可以确定k1个二级邻近节点，对于一级邻近节点b可以确定k2个二级近邻节点等等，其中k1与k2可以相同，也可以不相同，则在本示例性实施例中，可以确定中心节点的邻近节点数量为F＝h+k1+k2+……+kh个。

进一步的，在一示例性实施例中，上述步骤S120还可以包括以下步骤，即网络图的具体生成过程可以是：

在中心节点及其邻近节点中，分别连接每个节点和距离最近的u个特征节点，生成中心节点的网络图，u为正整数。

根据上述步骤S210～S230可以确定中心节点相关的F个邻近节点，本示例性实施例可以基于这些邻近节点生成中心节点的网络图。具体可以是，针对每个近邻节点，在其周围连接距离最近的u个特征节点。其中，这u个特征节点可以是上述F个邻近节点中的特征节点，且每一邻近节点连接u个特征节点的数量可以相同也可以不同。

另外，在一示例性实施例中，在生成中心节点的网络图时，若网络图为非连通图，则将网络图拆分为多个连通图，将每个连通图均确定为中心节点的网络图，其中，在连通图中，任意两个特征节点之间均具有连通关系。

其中，连通图是指，从图中任一节点出发遍历图，可以访问到图中的所有节点，即连通图中任意两节点之间都是有路径可达的。非连通图，是指从图中某个节点出发遍历图，只能访问到包含该节点在内的部分节点，而会出现访问不到某些节点的情况。考虑到本示例性实施例中，在生成的网络图中，并非所有的特征节点都能够进行完全连接。因此，当网络图中出现非连通图时，可以将网络图拆分为多个连通图，并以每个连通图作为网络图输入图神经网络中进行分析计算，以得到进行连接的特征节点之间的连接概率。

通过将非连通图拆分为连通图，可以简化非连通图中节点之间的关系，使其在连通图中更加集中地体现出来，以便于图神经网络识别与提取连接关系，且有利于降低图神经网络的处理量。

步骤S130，计算各网络图中的边连接概率。

在本示例性实施例中，可以通过图神经网络对网络图进行处理，以得到网络图中的边连接概率。其中，图神经网络是一种连接模型，它可以根据输入的网络图中各个特征节点的状态，以及特征节点之间的连接状态确定各个特征节点之间的关系，从而可以确定待聚类图像之间的关系。根据上述步骤S120可以生成多个网络图，每个网络图中都包含了多个特征节点互相连接的情况，本示例性实施例可以将生成的网络图作为图神经网络模型的输入，经过图神经网络模型的处理得到每张网络图中，每个相连的特征节点之间的连接概率，即网络图中的边连接概率。

步骤S140，根据边连接概率，确定多个待聚类图像的聚类结果。

在本示例性实施例中，聚类结果可以是直接能够表示待聚类图像分类的结果，也可以是以各个特征节点的聚类结果表征的待聚类图像的分类结果等，其不仅可以包括哪些待聚类图像可以分为一类，还可以包括分为一类的待聚类图像的分类概率或可信度等。基于步骤S130得到的边连接概率，对特征节点进行合并，可以得到特征节点对应的待聚类图像的聚类结果。例如如果多个图像中出现超过预设数量的两个节点相连接的情况，或者这两个节点相连接时，其连接概率超过预设阈值，可以认为这两个节点所对应的待聚类图像为一类。

在一示例性实施例中，上述步骤S140可以包括以下步骤：

统计全部网络图中每两个特征节点之间的连接次数，以及每两个特征节点的连接概率；

根据连接次数和连接概率对特征节点进行聚类，以得到对应的待聚类图像的聚类结果。

在本示例性实施例中，根据一个或多个待聚类图像可以生成一个或多个网络图，每个网络图中包括多个特征节点之间的连接，通过图神经网络可以得到每张网络图中连接节点之间是否连接以及其连接概率。基于此，可以统计生成的所有网络图中每两个特征节点之间的连接次数，未连接的记录为0，连接的记录为1，且连接的还可以记录其连接概率，因而可以建立一张包括连接次数与连接概率的连接情况统计表。

根据连接次数与连接概率可以对各个特征节点进行聚类，具体的，可以设置多种聚类条件，例如在多个网络图中，某两个节点之间的连接次数超过一定数量，或者其连接概率超过一定阈值，满足其中任意一个条件，即可以判断该两个特征节点所对应的待聚类图像为一类等。

举例来说，假设生成了100张网络图，经过图神经网络的处理后，得到每张图中的边连接概率。统计每两个特征节点之间的连接情况，例如特征节点A和B，先统计在多少张网络图中出现了A和B连接的情况，若共有Z张图中出现了A和B连接的情况，得到A和B的连接次数Z；再统计这Z张图中，A和B的连接概率分别是多少，得到Z个连接概率值P1、P2、…、PZ；计算Z在100张网络图中所占的比例，得到第一指标值Y1(A-B)＝Z/100；计算P1～PZ的平均值，得到第二指标值

(分母Z可以换成网络图的总数100)。可以事先设置两个阈值，分别针对于第一指标值和第二指标值，若Y1(A-B)达到第一阈值，且Y2(A-B)达到第二阈值，则确定A和B为一类；也可以对Y1(A-B)和Y2(A-B)进行加权，计算综合指标值Y(A-B)，再通过阈值对综合指标值进行衡量判断。

基于上述说明，在本示例性实施例中，获取多个待聚类图像，并确定各待聚类图像所对应的特征节点，分别以一个或多个特征节点为中心节点；然后在中心节点及其邻近节点中按照预设规则进行连接，以生成中心节点的网络图；再计算各网络图中的边连接概率；最后根据边连接概率，确定多个待聚类图像的聚类结果。一方面，本示例性实施例通过构建以待聚类图像的特征节点为中心节点的网络图，对其进行处理，确定待聚类图像的聚类结果，其过程基于特征空间中各个特征节点的连接关系，聚类的准确度较高。另一方面，随着待聚类图像数量的增加，网络图的数量以及图神经网络的处理量呈现线性增长，因而效率较高，特别适用于大规模图像聚类的场景下。

基于本示例性实施例的方法与传统聚类算法HDBSCAN，从VGG Face人脸数据集中抽取10万张人脸图像进行测试，测试显示，HDBSCAN准确率为0.76，召回率为0.48，而本示例性实施例的准确率为0.82，召回率为0.92，均优于HDBSCAN，且具有较快的计算速度，效率更高。

本公开的示例性实施例还提供了一种图像聚类装置。参照图3，该装置400可以包括，图像映射模块310，用于获取多个待聚类图像，并确定各待聚类图像所对应的特征节点；网络图生成模块320，用于分别以一个或多个特征节点为中心节点，在中心节点及其邻近节点中按照预设规则进行连接，以生成中心节点的网络图；概率计算模块330，用于计算各网络图中的边连接概率；结果确定模块340，用于根据边连接概率，确定多个待聚类图像的聚类结果。

在一示例性实施例中，邻近节点可以通过以下方式确定：获取距离中心节点最近的h个特征节点，作为中心节点的一级邻近节点；对每个一级邻近节点，分别获取k个距离最近的特征节点，作为中心节点的二级邻近节点；将中心节点的一级邻近节点和二级邻近节点均确定为中心节点的邻近节点；其中，h和k均为正整数。

在一示例性实施例中，网络图生成模块可以包括：节点连接单元，用于在中心节点及其邻近节点中，分别连接每个节点和距离最近的u个特征节点，生成中心节点的网络图，u为正整数。

在一示例性实施例中，在生成中心节点的网络图时，若网络图为非连通图，则将网络图拆分为多个连通图，将每个连通图均确定为中心节点的网络图，其中，在连通图中，任意两个特征节点之间均具有连通关系。

在一示例性实施例中，结果确定模块可以包括：数据统计单元，用于统计全部网络图中每两个特征节点之间的连接次数，以及每两个特征节点的连接概率；聚类单元，用于根据连接次数和连接概率对特征节点进行聚类，以得到对应的待聚类图像的聚类结果。

在一示例性实施例中，图像映射模块可以包括：向量确定单元，用于利用预先训练的卷积神经网络分别对每个待聚类图像进行处理，通过卷积神经网络的全连接层输出待聚类图像对应的特征向量；向量映射单元，用于将每个特征向量映射到特征空间，得到每个待聚类图像对应的特征节点。

在一示例性实施例中，待聚类图像为人脸图像。

上述装置中各模块/单元的具体细节在方法部分的实施例中已经详细说明，未披露的细节内容可以参见方法部分的实施例内容，因此此处不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为***、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。

下面参照图4来描述根据本公开的这种示例性实施例的电子设备400。图4显示的电子设备400仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同***组件(包括存储单元420和处理单元410)的总线430、显示单元440。

其中，存储单元存储有程序代码，程序代码可以被处理单元410执行，使得处理单元410执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元410可以执行图1所示的步骤S110～S140，也可以执行图2所示的步骤S210～S230等。

存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)421和/或高速缓存存储单元422，还可以进一步包括只读存储单元(ROM)423。

存储单元420还可以包括具有一组(至少一个)程序模块425的程序/实用工具424，这样的程序模块425包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备400也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且，电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器460通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图5所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种图像聚类方法，其特征在于，包括：

获取多个待聚类图像，并确定各所述待聚类图像所对应的特征节点；

分别以一个或多个所述特征节点为中心节点，在所述中心节点及其邻近节点中按照预设规则进行连接，以生成所述中心节点的网络图；

计算各所述网络图中的边连接概率；

根据所述边连接概率，确定所述多个待聚类图像的聚类结果。

2.根据权利要求1所述的方法，其特征在于，所述邻近节点通过以下方式确定：

获取距离所述中心节点最近的h个特征节点，作为所述中心节点的一级邻近节点；

对每个所述一级邻近节点，分别获取k个距离最近的特征节点，作为所述中心节点的二级邻近节点；

将所述中心节点的一级邻近节点和二级邻近节点均确定为所述中心节点的邻近节点；

其中，h和k均为正整数。

3.根据权利要求1所述的方法，其特征在于，所述在所述中心节点及其邻近节点中按照预设规则进行连接，以生成所述中心节点的网络图，包括：

在所述中心节点及其邻近节点中，分别连接每个所述节点和距离最近的u个特征节点，生成所述中心节点的网络图，u为正整数。

4.根据权利要求3所述的方法，其特征在于，在生成所述中心节点的网络图时，若所述网络图为非连通图，则将所述网络图拆分为多个连通图，将每个所述连通图均确定为所述中心节点的网络图，其中，在所述连通图中，任意两个特征节点之间均具有连通关系。

5.根据权利要求1所述的方法，其特征在于，所述根据所述边连接概率，确定所述多个待聚类图像的聚类结果，包括：

统计全部所述网络图中每两个所述特征节点之间的连接次数，以及所述每两个所述特征节点的连接概率；

根据所述连接次数和所述连接概率对所述特征节点进行聚类，以得到对应的所述待聚类图像的聚类结果。

6.根据权利要求1所述的方法，其特征在于，所述将多个待聚类图像分别映射到特征空间，得到每个所述待聚类图像对应的特征节点，包括：

利用预先训练的卷积神经网络分别对每个所述待聚类图像进行处理，通过所述卷积神经网络的全连接层输出所述待聚类图像对应的特征向量；

将每个所述特征向量映射到特征空间，得到每个所述待聚类图像对应的特征节点。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述待聚类图像为人脸图像。

8.一种图像聚类装置，其特征在于，包括：

图像映射模块，用于获取多个待聚类图像，并确定各所述待聚类图像所对应的特征节点；

网络图生成模块，用于分别以一个或多个所述特征节点为中心节点，在所述中心节点及其邻近节点中按照预设规则进行连接，以生成所述中心节点的网络图；

概率计算模块，用于计算各所述网络图中的边连接概率；

结果确定模块，用于根据所述边连接概率，确定所述多个待聚类图像的聚类结果。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。

Images