[发明专利]图像聚类方法、装置、计算机设备及存储介质

说明书

本申请公开一种图像聚类方法、装置、计算机设备及存储介质，所述方法包括：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；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。通过三角矩阵中记载的各个目标图像之间的拓扑关系，将拓扑关系一致的目标图像进行聚类，完成对图集中目标图像的聚类，实现了无指定聚类簇和类别数进行图像聚类，提高了聚类的效率和图像聚类的适用范围。

技术领域

本发明实施例涉及图像分类领域，尤其是一种图像聚类方法、装置、计算机设备及存储介质。

背景技术

图像聚类是指根据图像的内在性质将图像分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大。聚类分析的目的是分析图像是否属于各个独立的分组，使一组中的成员彼此相似，而与其他组中的成员不同。它对一个图像对象的集合进行分析，但与分类分析不同的是，所划分的类是未知的，因此，聚类分析也称为无指导或无监督的学习。

但是，本发明创造的发明人在研究中发现，现有技术中，图像聚类算法都是需要指定聚类的簇或者类别数，例如kmeans算法和DBSCAN算法等，对于未知的类别无法进行有效的聚类，而指定类别的聚类方式，会降低图像聚类的效率。

发明内容

本发明实施例提供一种能够对图像进行无指定聚类的图像聚类方法、装置、计算机设备及存储介质。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种图像聚类方法，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。

可选地，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。

可选地，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。

可选地，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。