[发明专利]一种图像数据的聚类方法及装置

权利要求书

1.一种图像数据的聚类方法，其特征在于，该聚类方法包括以下步骤：

1)获取待聚类的图像数据，对图像数据做降维处理，将每幅图像作为一个数据点，确定每个数据点的密度；

2)对于每一个数据点，判断其密度是否大于其邻域中数据点的密度，若是，则将其推荐为局部中心点，以所述局部中心点作为中心，将剩余数据点分配至局部中心点，生成微簇；

3)按照第一设定比例确定边界点的数量，选取边界度较大的相应数量的点作为边界点，在不考虑边界点的情况下，确定两个微簇之间是否构成邻簇关系；

4)按照第二设定比例确定边界点，判断确定的边界点中是否包含局部中心点，若边界点中包含局部中心点，则对于这些局部中心点所在的微簇，从其邻簇中选取与其结合度最高的微簇进行合并，并删除边界点；

继续按照第二设定比例从剩余点中再次确定边界点，得到下一层边界点，判断所述下一层边界点中是否包含局部中心点，若包括，则对于这些局部中心点所在的微簇，从其邻簇中选取与其结合度最高的微簇进行合并，并删除该层边界点，直到删除完设定次数的边界点为止，删除完设定次数的边界点后，对于局部中心点还存在的微簇，若其邻簇中还有数据点存在，则将该微簇与其邻簇合并。

2.根据权利要求1所述的图像数据的聚类方法，其特征在于，步骤1)中各点的密度值根据该点的互邻度和该点与其邻域中各点的距离的平均值来确定。

3.根据权利要求2所述的图像数据的聚类方法，其特征在于，密度值的计算公式为：

其中ρ(x_p)表示数据点x_p的密度，MND(x_p)表示数据点x_p的互邻度，NG(x_p)表示数据点x_p的邻域，|NG(x_p)|表示数据点x_p邻域中数据点的个数，表示数据点x_p到数据点x_q的加权欧式距离，在数据点x_p的k个邻居中，如果x_q是数据点的x_p第ε个邻居，那么ε_pq的值就是ε，ε的值越大，x_q到x_p的距离就越远；若x_p是数据点的x_q第ε个邻居，ε_qp的值就是ε。

4.根据权利要求2所述的图像数据的聚类方法，其特征在于，两个数据点之间的距离采用加权欧式距离，以两点之间的皮尔逊相关系数作为权值。

5.根据权利要求1-4中任一项所述的图像数据的聚类方法，其特征在于，所述数据点的边界度的计算公式为：

其中bp(x_p)表示数据点x_p的边界度，|kNN(x_p)|表示数据点x_p的邻居的个数，kNN(x_p)表示数据点x_p的k个邻居点，为数据点x_p和数据点x_q之间的皮尔逊相关系数，m为数据集的维度。

6.根据权利要求1-4中任一项所述的图像数据的聚类方法，其特征在于，所述邻簇关系的判断依据为：

其中NG(x_p)表示数据点x_p的邻域，c_i表示形成的第i个微簇，R(c_i,c_j)表示微簇c_i和微簇c_j之间构成了邻簇关系。

7.根据权利要求1所述的图像数据的聚类方法，其特征在于，该方法还包括对得到的微簇进行中心点调整，将微簇的局部中心点更改为微簇中所有数据点的均值点，如果这个均值点不存在，则更改为微簇中距离均值点最近的数据点。