[发明专利]基于谱聚类的图像数据快速聚类方法及装置

说明书

本发明公开了一种基于谱聚类的图像数据快速聚类方法及装置，其中，方法包括：输入图像数据集X，并使用改进的谱聚类算法从数据集X中提取m个初始中心点I；计算图像数据集X和每个I每个初始中心点之间的距离，得到数据集Dist；根据数据集Dist归一化矩阵D，得到第二数据集Dist’，并计算第二数据集Dist’的归一化拉普拉斯矩阵L；求解归一化拉普拉斯矩阵L的前k个特征值和特征向量E，并使用改进的谱聚类算法从特征向量E中挑选k个初始中心点，以使用k‑means进行聚类，得到聚类结果。该方法不仅够保证谱聚类算法的准确率，而且有效提高了图像数据聚类的效率和应用，简单易实现。

技术领域

本发明涉及图像数据聚类分析技术领域，特别涉及一种基于谱聚类的图像数据快速聚类方法及装置。

背景技术

由于谱聚类算法对图像数据的聚类效果显著，因此被广泛应用于图像数据的聚类分析中。其中，数字图像数据可以用矩阵来表示，最典型的例子是灰度图像。灰度图像的像素数据就是一个矩阵，矩阵的行对应图像的高(单位为像素)，矩阵的列对应图像的宽(单位为像素)，矩阵的元素对应图像的像素，矩阵元素的值就是像素的灰度值。通常用二维数组来存放图像数据，符合二维图像的行列特性，因此可以采用矩阵理论和矩阵运算对图像数据进行分析和处理。

对图像数据进行聚类时，往往需要计算数据之间的距离或者相似性，然而图像数据通常具有维度高、规模大等特点，导致图像数据的聚类计算开销大、聚类速度慢、聚类效果差等问题。因此，如何在保证聚类效果的前提下，提高聚类效率在图像数据聚类分析中具有重要的研究意义。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于谱聚类的图像数据快速聚类方法，该方法不仅够保证谱聚类算法的准确率，而且有效提高了图像数据聚类的效率和应用，简单易实现。

本发明的另一个目的在于提出一种基于谱聚类的图像数据快速聚类装置。

为达到上述目的，本发明一方面实施例提出了一种基于谱聚类的图像数据快速聚类方法，包括以下步骤：输入图像数据集X，并使用改进的谱聚类算法从所述数据集X中提取m个初始中心点I；计算所述图像数据集X和每个I每个初始中心点之间的距离，得到数据集Dist；根据所述数据集Dist归一化矩阵D，得到第二数据集Dist’，并计算所述第二数据集Dist’的归一化拉普拉斯矩阵L；求解所述归一化拉普拉斯矩阵L的前k个特征值和特征向量E，并使用所述改进的谱聚类算法从所述特征向量E中挑选k个初始中心点，以使用k-means(k-means clustering algorithm，k均值聚类算法)进行聚类，得到聚类结果，其中，m与k均为正整数。

本发明实施例的基于谱聚类的图像数据快速聚类方法，通过一种简单快速的谱聚类算法进行图像数据聚类，解决了传统谱聚类算法进行图像数据聚类时计算开销大、复杂度高的问题，从而不仅够保证谱聚类算法的准确率，而且算法易于理解和实现，使算法能够更有效地进行使用，提高了图像数据聚类的效率和应用。

另外，根据本发明上述实施例的基于谱聚类的图像数据快速聚类方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述使用k-means进行聚类，包括：随机选取k个对象作为初始的聚类中心；计算每个对象到各个种子聚类中心之间的距离，并将所述每个对象分配给距离最近的聚类中心。

进一步地，在本发明的一个实施例中，在输入所述图像数据集X之后，还包括：根据所述图像数据集X的图像的高、图像的宽和图像的像素得到矩阵。

进一步地，在本发明的一个实施例中，所述改进的谱聚类算法为：对输入的图像数据集进行重新表示得到新的数据集，对所述新的数据集进行相似矩阵、拉普拉斯矩阵的计算和拉普拉斯矩阵的特征求解，对得到的特征向量矩阵使用新的初始中心点的选取方式代替随机选点，最后使用k-means聚类得到聚类结果。