[发明专利]图像聚类方法、装置、计算机设备及存储介质

权利要求书

1.一种图像聚类方法，其特征在于，包括：

获取待聚类的目标图像集，其中，所述目标图像集中包括多张目标图像；

基于预设的特征提取模型，分别提取所述多张目标图像的特征向量，并根据所述特征向量构建特征距离矩阵，其中，所述特征提取模型为预先训练至收敛状态，用于提取图像特征的神经网络模型；

根据预设的特征阈值对所述特征距离矩阵进行归一化处理生成拓扑矩阵，并提取所述拓扑矩阵的三角矩阵；

通过所述三角矩阵中表征的目标图像之间的拓扑关系，生成所述多张目标图像的聚类信息。

2.根据权利要求1所述的图像聚类方法，其特征在于，所述获取待聚类的目标图像集包括：

获取待处理的样本图集，其中，所述样本图集中包括多张样本图像；

基于预设的图像检测模型，对所述样本图像进行目标物图像检测，其中，所述图像检测模型为预先训练至收敛状态，用于对指定的目标物图像进行检测的神经网络模型；

删除所述样本图集中不包括所述目标物图像的样本图像，生成所述目标图像集。

3.根据权利要求1或2所述的图像聚类方法，其特征在于，所述基于预设的特征提取模型，分别提取所述多张目标图像的特征向量之前，包括：

基于预设的关键点定位模型，分别定位所述多张目标图像中的关键点位置，其中，所述关键点定位模型为预先训练至收敛状态，用于定位图像关键点位置的神经网络模型；

将所述关键点位置输和对应的目标图像入至预设的图像对齐模型中，对所述多张目标图像进行图像对齐处理，其中，所述图像对齐模型为预先训练至收敛状态，用于根据图像关键点位置进行图像对齐处理的神经网络模型。

4.根据权利要求1所述的图像聚类方法，其特征在于，所述根据所述特征向量构建特征距离矩阵包括：

以所述多张目标图像作为图像矩阵的行和列构建对称矩阵；

计算对称矩阵中各目标图像对应的特征向量之间的余弦距离，并将所述余弦距离作为所述对称矩阵的元素构建所述特征距离矩阵。

5.根据权利要求1所述的图像聚类方法，其特征在于，所述根据预设的特征阈值对所述特征距离矩阵进行归一化处理生成拓扑矩阵，并提取所述拓扑矩阵的三角矩阵包括：

读取预设的特征阈值；

将所述特征距离矩阵中的各元素逐一与所述特征阈值进行比对；

根据所述比对结果逐一对所述特征距离矩阵中的各元素进行归一化处理生成所述拓扑矩阵；

提取所述拓扑矩阵的上三角特征或下三角特征。

6.根据权利要求1所述的图像聚类方法，其特征在于，所述通过所述三角矩阵中表征的目标图像之间的拓扑关系，生成所述多张目标图像的聚类信息包括：

根据所述多张目标图像构建多个根节点；

根据所述三角矩阵中表征的目标图像之间的相似度，在各根节点的基础上拓扑出聚类拓扑关系图；

根据所述聚类拓扑关系图生成所述多张目标图像的聚类信息。

7.根据权利要求6所述的图像聚类方法，其特征在于，所述根据所述三角矩阵中表征的目标图像之间的相似度，在各根节点的基础上拓扑出聚类拓扑关系图包括：

读取所述多张目标图像中待聚类目标图像；

根据所述三角矩阵中表征的目标图像之间的相似度，在所述聚类拓扑关系图中查找与所述待聚类目标图像满足相似度条件的目标节点；

比对所述待聚类目标图像与所述目标节点以及目标节点的祖节点的目标图像是否一致；

当所述待聚类目标图像与所述目标节点以及目标节点的祖节点的目标图像均不一致，将所述待聚类目标图像拓扑至所述目标节点的父节点上。