[发明专利]一种图像聚类方法及系统

权利要求书

1.一种图像聚类方法，其特征在于，所述方法包括：

获取物联网系统平台采集的图像数据集和截距；

对所述图像数据集进行筛选和更新；

将筛选和更新后的图像数据集按高密度最小距离降序排列，并选取前个图像数据作为聚类中心点；

计算聚类的簇间分散度、簇内聚合度和评判值；

将所述评判值赋值给初始评判值；

输出当前图像像素点及其所属图像数据聚类中心对；

计算图像数据聚类中心点之间的距离；

基于所述距离合并最接近的聚类，并求出新的聚类中心点，再次聚类；

计算新聚类的簇间分散度、簇内聚合度和评判值E；

判断合并是否满足E＜2E₀；E₀为初始评判值；

若满足，则合并合理，跳转至“将所述评判值赋值给初始评判值”，否则完成聚类，输出结果，以实现同类图像数据像素点的融合。

2.根据权利要求1所述的图像聚类方法，其特征在于，对所述图像数据集进行筛选和更新具体包括以下步骤：

计算所述图像数据集中每个像素点i的高密度最小距离Δ_i和局部密度ρ_i；

基于所述高密度最小距离Δ_i和局部密度ρ_i确定更新条件；

对所述图像数据集进行搜索，判断是否满足更新条件，将满足所述更新条件的图像像素点进行删除，并更新图像数据集。

3.根据权利要求2所述的图像聚类方法，其特征在于，计算所述图像数据集中每个像素点i的高密度最小距离Δ_i和局部密度ρ_i具体采用以下公式：

高密度最小距离的表达式为：

其中，d_i,j表示图像数据集中像素点i到像素点j之间的距离，ρ_i表示以图像像素点i为中心，以截距d_r为半径的图像数据集中图像像素点个数，即为局部密度；

局部密度的表达式为：

其中，d_r为截距。

4.根据权利要求2所述的图像聚类方法，其特征在于，所述更新条件为：

其中，ρ_i为局部密度，Δ_i为高密度最小距离，μ(ρ)和μ(Δ)分别为所有图像数据ρ和Δ相应平均值，σ(ρ)和σ(Δ)分别为所有图像数据ρ和Δ相应标准差。

5.根据权利要求1所述的图像聚类方法，其特征在于，所述簇间分散度的表达式为：

其中d_i表示第i个图像数据聚类中心点位置，k为图像数据聚类数目。

6.根据权利要求1所述的图像聚类方法，其特征在于，所述簇内聚合度的表达式为：

其中，g_i表示第i个图像数据聚类中所有图像像素点到聚类中心点的平均距离，k为图像数据聚类数目。

7.根据权利要求1所述的图像聚类方法，其特征在于，所述评判值的表达式为：

其中，g_k和g_k-1分别表示第k次和第k-1次的簇内聚合度；d_k和d_k-1分别表示第k次和第k-1次的簇间分散度。

8.一种基于图像聚类系统，其特征在于，所述系统包括：

数据获取模块，用于获取物联网系统平台采集的图像数据集和截距；

更新筛选模块，用于对所述图像数据集进行筛选和更新；

排序模块，用于将筛选和更新后的图像数据集按高密度最小距离降序排列，并选取前个图像数据作为聚类中心点；

第一簇间分散度、簇内聚合度和评判值计算模块，用于计算聚类的簇间分散度、簇内聚合度和评判值；

赋值模块，用于将所述评判值赋值给初始评判值；

输出模块，用于输出当前图像像素点及其所属图像数据聚类中心对；

距离计算模块，用于计算图像数据聚类中心点之间的距离；

聚类模块，用于基于所述距离合并最接近的聚类，并求出新的聚类中心点，再次聚类；

第二簇间分散度、簇内聚合度和评判值计算模块，用于计算新聚类的簇间分散度、簇内聚合度和评判值E；

判断模块，用于判断合并是否满足E＜2E₀；E0为初始评判值；

跳转模块，用于当满足时，则合并合理，跳转至“赋值模块”，否则完成聚类，输出结果，以实现同类图像数据像素点的融合。