[发明专利]一种实时影像聚类方法

说明书

本发明公开了一种实时影像聚类方法，包括以下步骤：A、批量输入影像，通过边缘特征提取获得影像全局描述符；B、通过低分辨率影像特征提取获得影像局部特征描述符；C、输入影像全局描述符和影像局部特征描述符；D、创建三层自组织映射神经网络，利用影像全局描述符选取前N个竞争层神经元进入激活状态；E、计算影像局部特征描述符与每个激活神经元下的各个神经末梢间的距离，获得整体响应成功的激活神经元；F、根据整体响应成功的激活神经元的个数进行影像的聚类以及激活神经元的学习或合并，或者利用影像全局描述符和影像局部特征描述符创建新的竞争层神经元。本发明从整体上提高影像聚类结果的准确性与聚类过程的实时性和稳定性。

技术领域

本发明涉及摄影测量与遥感测绘技术领域，尤其涉及一种实时影像聚类方法。

背景技术

近年来，信息网络技术的广泛应用不断推动生活方式发生变化，互联网、物联网、知识服务、智能服务已成为人们生活必不可少的一部分，由此也组成了一个庞大的微型传感器网络，产生了难以计量的非结构化影像数据。这些影像数据类型复杂、体量巨大、时效性较强，具有明显的大数据表象，已成为一个重要的研究对象。处理这些不精确、非结构化的影像大数据的首要一步是进行影像间的自主聚类，找出同一目标区域具有相似内容的影像集合。进行影像间的聚类可大致分为两个步骤：一是生成影像全局描述符，二是利用相应聚类方法进行影像描述符的聚类。

关于影像的全局描述符，一般是通过影像的局部描述符聚合整理得到，有不少学者进行了相关研究。Csurka等人提出利用视觉词袋模型(Bag ofwords，BoW)生成全局描述符，其简单、有效近年来得到了广泛应用；Lazebnik等人提出利用空间金字塔匹配(Spatialpyramid matching，SPM)进行局部描述符聚合，有效的补充了视觉词袋模型中的空间信息，使描述子的描述能力得到增强；Yang等人将稀疏编码(Sparse coding)用于影像全局描述，使整体算法的训练复杂度得到大幅降低；Wang等人提出了局部约束线性编码(Localityconstrained linear encoding，LLC)进行影像描述，进一步降低了算法时间复杂度，其整体性能也有所提升；Perronnin等人将Fisher编码(Fisher coding)运用在了影像检索与聚类领域，并进行了一些改进；Russakovsky等人则提出以目标物体为中心的空间聚合编码方法，突出了目标区域的编码表达；Alex等人提出了一种通过卷积神经网络进行海量影像编码与分类的算法，并在超大数据集上取得了较好的试验结果。关于影像的聚类方法，按照聚类特性可分为不同的种类，主要包括以下几种类型：基于划分的聚类算法，如k-means算法等；基于层次的聚类算法，如CURE(Clustering Using Representatives)算法等；基于密度的聚类算法，如DBSCAN(Density-Based Spatial Clustering ofApplications withNoise)算法等；基于网格的聚类算法，如STING(Statistical Information Grid)算法等；基于模型的聚类算法，如SOM(Self-organizing feature map)算法等。现行的影像全局描述方式虽在一定程度上能够较好的表征原始影像，但仍缺乏原始影像的语义信息。因此，如何生成具有优良性质的影像全局描述符，使影像编码包含一定的语义信息，且具有明显的类间特征和较好的类内描述，仍是当今研究的热点。另外，当前聚类算法的计算正确率与实时性仍有待提高，如何将神经网络更好的引入当前算法之中，以提升聚类的正确率与实时性是值得研究的问题。

发明内容

本发明的目的在于提供一种实时影像聚类方法，能够提高影像整体聚类结果的准确性，同时提高聚类过程的实时性和稳定性。

为实现上述目的，本发明采用的技术方案是：

一种实时影像聚类方法，包括以下步骤：