[发明专利]一种鞋底花纹图像的特征弱相关聚类方法

权利要求书

1.一种鞋底花纹图像的特征弱相关聚类方法，其特征在于，步骤包括：

S1、采用非迭代式聚类模型对待聚类鞋底花纹图像集进行引导聚类，得到聚类后的图像I_i簇标签其中Lm代表最大聚类数；

S2、提取聚类结果并对每个图像簇的聚类信息进行描述，并以同簇特征的中心描述作为判定基准来评估该样本的聚类簇标签是否可信，若可信，则认为该样本为优秀聚类结果，否则为非优秀聚类结果；

S3、对优秀聚类结果进行迁移学习，所述迁移学习的初始化参数参考步骤S1中所述聚类模型的分类参数，以得到新的聚类模型；

S4、根据步骤S3得到的新的聚类模型，对非优秀聚类结果进行图像特征提取与再聚类；

S5、反复执行步骤S2至步骤S4,直至聚类结果满足迭代终止条件，则判定得到的聚类标签为聚类结果。

2.根据权利要求1所述的一种鞋底花纹图像的特征弱相关聚类方法，其特征在于，所述步骤S2中判定优秀聚类结果的步骤包括：

以同簇特征的中心描述来做判定基准，依据每个样本特征与中心描述的距离远近表征其聚类结果的可信度高低，并根据距离由低到高的排序结果，判断排名在样本序列长度前Δ％的为优秀聚类结果，其他为非优秀聚类结果。

3.根据权利要求2所述的一种鞋底花纹图像的特征弱相关聚类方法，其特征在于，步骤S2中所述同簇特征的中心描述为每个簇的簇中心或最密集区域中心或最远特征样本中心。

4.根据权利要求2或3所述的一种鞋底花纹图像的特征弱相关聚类方法，其特征在于，步骤S2中所述每个样本特征与中心描述的距离为欧式距离或马氏距离或棋盘距离。

5.根据权利要求1所述的一种鞋底花纹图像的特征弱相关聚类方法，其特征在于，步骤S3还包括在迁移学习过程中对各特征层级添加同簇与非同簇的样本特征训练约束，以尽可能拉大簇间特征距离，并缩小簇内特征距离。

6.根据权利要求1所述的一种鞋底花纹图像的特征弱相关聚类方法，其特征在于，步骤S5中所述迭代终止条件为所有鞋底花纹图像均判定为优秀聚类结果图像集或者达到迭代最大次数限制。

7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时，执行上述任一项所述的方法。

8.一种电子装置，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器通过所述计算机程序运行执行上述任一项所述的方法。