[发明专利]一种鞋底花纹图像的特征弱相关聚类方法

说明书

本发明提供一种鞋底花纹图像的特征弱相关聚类方法，包括：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；提取聚类结果判断样本是否为优秀聚类结果；对优秀聚类结果进行迁移学习，以得到新的聚类模型；根据新的聚类模型，对非优秀聚类结果的图像特征提取与再聚类；反复执行上述步骤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。本发明具有聚类特征弱相关特性，削弱了现有聚类方法对聚类特征的依赖性，并且通过调整迁移学习的目标模型，可以提高学习特征的鲁棒性，达到簇内“高内聚”、簇间“低耦合”的状态。此外，本发明添加了聚类迭代加速因子，可以依据需求加快聚类速度，提高聚类效率。

技术领域

本发明涉及图像处理技术领域，具体而言，尤其涉及一种鞋底花纹图像的特征弱相关聚类方法。

背景技术

目前在鞋底花纹图像的聚类算法体系中，主要主要包括以下两个研究方向：

1.基于多标签的模糊聚类算法，专利号CN201710446061.4公开了一种鞋底花纹图像的多标签聚类方法，其主要思路是利用鞋底花纹图像的局部或者整体特征，进行鞋底花纹图像的相似度计算，根据花纹图像间的相似度进行单标签聚类，然后根据每类与鞋底花纹的相似性做类别间关联，从而达到多标签聚类的目的。

2.非模糊聚类算法，其主要思路是：提取鞋底花纹图像的局部或者整体特征，利用每幅图特征间的距离，进行距离量化，从而得到多个有关联或者完全独立的聚类簇，从而完成鞋底花纹图像聚类。这里聚类的特征有：傅里叶梅林变换特征、基于Vgg或者AlexNet的训练网络提取特征、MSER特征等，聚类方法有：K-means、GMM(高斯混合模型聚类)、层次聚类方法等。

但是由于缺乏花纹图像的先验知识与深入研究，以上两类算法中需要的局部或者整体特征直接影响到聚类结果，而且在聚类后往往需要人工或者算法处理来确保聚类结果是准确的，增加了应用的复杂度。

发明内容

根据上述提出算法应用复杂、聚类结果准确性差的技术问题，而提供一种鞋底花纹图像的特征弱相关聚类方法。本发明主要依据引导特征进行初始聚类，采用迁移学习的方式做迭代聚类，最大化地提高了聚类精度。

本发明采用的技术手段如下：

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。

进一步地，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。

进一步地，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。

进一步地，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。