[发明专利]一种基于自编码神经网络的图像聚类方法

说明书

[技术领域]

本发明涉及图像处理、机器学习，特别涉及基于自编码神经网络的图像聚类方法。

[背景技术]

随着信息处理需求的增长，图像聚类亟需高效准确的算法。传统类算法如K均值算法等均存在准确率低和计算复杂度高的限制。随着非监督学习和自编码神经网络的兴起，基于自编码神经网络的图像聚类得到了研究者的重视。

不同的聚类约束直接影响聚类效果，我们提出一种新的基于自编码神经网络且同时考虑类内和类间约束的聚类算法。该方法可以将图像从原始数据空间通过自编码网络映射到特征空间，并在特征空间加入类内和类间约束，通过迭代更新自编码网络以得到最佳聚类效果。其中，类内约束可以保证同类样本的紧致分布，类间约束可以达到不同类样本互相远离。这种方法既实现了将图像从原始空间映射到特征空间，也实现了在特征空间的类内和类间约束，很好的解决了大数据背景下的图像聚类问题。

[发明内容]

为了解决现有技术存在的问题，本发明的目的是提供一种基于自编码神经网络的图像聚类方法，如图1所示，包括以下步骤：

步骤S1，利用八层自编码网络建立聚类网络结构，并利用此网络的权重作为初始权重。

步骤S2，在自编码网络的编码层加入类内和类间约束函数，使同类样本靠近其聚类中心，不同聚类中心相互远离。

步骤S3，将所有样本随机分组，并分别通过自编码网络映射到特征空间，然后计算所有组的特征表达的平均值，作为该组的聚类中心。

步骤S4，利用加入类内约束和类间约束训练自编码网络，更新网络权重，进行图像聚类。

步骤S5，利用S4得到的更新后的网络，计算所有样本的特征表达，与之前的聚类中心进行比较，将样本分配至距离最近的聚类中心。

步骤S6，利用S5中得到特征表达按新的分组计算每组的特征表达的均值作为新的聚类中心。

步骤S7，利用S6中更新的聚类中心代替S2中聚类约束函数的聚类中心。

步骤S8，转到S4并循环，直到达到训练次数或聚类网络收敛。

根据本发明的方法，可以将样本从原始图像空间通过自编码神经网络投影至特征空间，并在特征空间加入类内和类间约束，使得样本在特征空间的类内分布更加紧致，不同聚类中心互相远离，实现了较好的图像聚类结果。

[附图说明]

图1是基于自编码神经网络的图像聚类方法的流程图。

[具体实施方式]

以下结合附图详细说明本发明技术方案中所涉及的各个细节问题。应当指出的是，所描述的实施例仅旨在便于理解，对本发明不起任何限定作用。图1是本发明的流程图，如图1所示，所述方法包括以下步骤：

步骤S1，建立八层的自编码神经网络，网络的传递函数均为s i gmoi d函数。其中前4层为编码网络，后4层为解码网络，初始网络权重随机给定。

步骤S2，加入在自编码网络的编码层加入类内和类间约束函数，这样整个网络的目标函数包含三个部分：自编码约束、类内约束、类间约束。目标函数可具体表示为：

其中是对应第n个样本x_n在特征空间的聚类中心，c_i表示第i个聚类中心，f(x_n)表示样本x_n在经过编码网络在特征空间的表达，表示样本的特征表达f(x_n)经过解码网络的输出。

步骤S3，将所有样本随机分为k组，得到每个样本的初始聚类标签L＝[l₁,l₂,…,l_N]，其中N表示N个样本，l表示样本的标签，即所属的分类。然后，将所有样本通过初始网络得到对应的特征层表达，计算每组表达的均值作为初始的聚类中心C。

步骤S4，利用所有样本迭代训练自编码神经网络，优化步骤S2中的目标函数。

步骤S5，利用更新后的网络权重，重新计算所有样本的特征表达，并与之前的聚类中心进行比较，根据距离远近重新分组。

步骤S6，利用更新后分组中的样本计算每组均值，作为更新后的聚类中心。

步骤S7，利用更新后的聚类中心更新目标函数的约束。

步骤S8，转到步骤S4并循环迭代，直到自编码网络收敛，或者训练次数达到上限。

[实施例]