图像聚类

摘要： 近年来,基于联合训练的深度聚类方法,如DEC(Deep Embedding Clustering)和DDC(Deep Denoising Clustering)算法,使基于特征提取的图像聚类取得了很多新进展,带来了聚类性能的突破,而且特征提取环节对后续聚类任务有直接影响。但是,这些方法的泛化能力较差,在不同数据集使用不同的网络结构,聚类性能相比分类性能仍有很大的提升空间。为此,文中提出了一种基于自注意力的自监督深度聚类方法(Self-attention Based Self-supervised Deep Clustering,SADC)。首先设计一个深度卷积自编码器用于提取特征,并且用带噪声的输入数据训练该网络来增强模型的鲁棒性;其次引入自注意力机制,辅助网络捕获对聚类有用的信息;最后编码器部分结合K-means算法形成一个深度聚类器,用于进行特征表示和聚类分配,通过迭代更新网络参数来提高聚类精度和网络的泛化能力。在6个图像数据集上验证所提聚类算法的性能,并与深度聚类算法DEC,DDC等进行比较。实验结果表明,SADC能提供令人满意的聚类结果,而且聚类性能与DEC和DDC相当。总之,统一的网络结构在保证聚类精度的同时降低了深度聚类算法的复杂度。

摘要： 非负矩阵分解(NMF)是一种有效的数据降维方法,广泛应用于图像聚类等领域。然而,NMF不能捕获数据固有的几何结构,所以基于图的非负矩阵分解被提出。基于图的算法大多使用K-近邻来构造相似度图。由于数据中的异常值和错误特征,直接构造图是不准确的。针对上述问题,提出了基于学习一致性相似度矩阵的图非负矩阵分解方法。该方法首先通过自适应学习来获得相似度矩阵,然后通过相似度矩阵构造拉普拉斯图正则项,最后将该正则项加入原始的非负矩阵分解模型中。优化了之前直接使用K-近邻构图的弊端,并且能很好地保持数据的几何结构。新提出的算法在USPS、yale、faces以及ORLdata数据集上进行聚类试验并与一些先进算法进行了比较。数值试验结果证明了本文提出的算法性能很好。

摘要： 由于众测人员测试水平层次不齐,导致测试步骤不统一、冗余操作过多,因此无法直接利用众测人员的操作序列生成测试用例。通过对现有测试过程研究进行分析,提出一种适用于众测场景的GUI软件的操作序列记录方法。通过基于图像与坐标信息的方法获取众测人员的操作信息,采用图像聚类划分操作信息和时间划分方法优化聚类结果,以时间先后将操作信息组合众测操作序列。实验选取6种不同的GUI软件进行验证,实验结果表明,所提方法能够记录规范化操作序列,为后续工作提供可靠数据来源。

摘要： 获取周围环境中的语义信息是语义同时定位与建图(Simultaneous Localization and Mapping,SLAM)的重要任务,然而,采用语义分割或实例分割网络会影响系统的时间性能,采用目标检测方法又会损失一部分精度.因此,文中提出联合深度图聚类与目标检测的像素级分割算法,在保证实时性的前提下,提高当前语义SLAM系统的定位精度.首先,采用均值滤波算法对深度图的无效点进行修复,使深度信息更真实可靠.然后,分别对RGB图像和对应的深度图像进行目标检测和K-means聚类处理,结合两者结果,得出像素级的物体分割结果.最后,利用上述结果剔除周围环境中的动态点,建立完整、不含动态物体的语义地图.在TUM数据集和真实家居场景中分别进行深度图修复、像素级分割、估计相机轨迹与真实相机轨迹对比实验,结果表明,文中算法具有较好的实时性与鲁棒性.

摘要： 图像去噪是图像处理领域的重要研究方向,局部块匹配和主成分分析法是图像去噪处理的重要手段,传统的块匹配算法只在固定的窗口范围内进行一次相似度的块筛选,这种搜索方式保留了图像的局部特征但对纹理的保护较差,图像存在失真模糊的现象.为解决这一问题,将聚类匹配和局部筛选相结合,通过聚类类别对样本块进行进一步筛选,同时对匹配窗口的大小进行自适应调整,这种方法可以更好地平衡图像的纹理细节与整体噪声去除之间的矛盾.借助自适应块聚类匹配和主成分分析法对图像进行降噪处理,实验表明,改进后的算法比传统块匹配PCA算法具有更好的去噪效果.

摘要： 由于传统的非光滑非负矩阵分解(nsNMF)算法未考虑数据之间的几何结构,当数据处于线性不可分的流形结构时,该算法无法有效挖掘高维数据中所蕴含的信息,无法高效完成聚类任务。为此,提出一种新的非光滑非负矩阵分解算法,使用平滑因子对分解得到的基底矩阵和系数矩阵同时进行稀疏性约束,在目标函数中引入核函数处理高维与低维数据之间的映射,加入局部相似性约束项挖掘数据之间的结构化信息,并设计乘性迭代更新方法对算法的目标函数进行迭代求解。研究结果表明,新算法在迭代过程中能够达到收敛,在公开数据集上有着良好的聚类效果。

摘要： 近年来,聚类作为机器学习、数据挖掘等领域的基本问题受到广泛的关注及研究,然而数据中普遍存在的噪声和异常值严重影响聚类结果.提出一个基于相关熵和流形正则化的聚类框架CRNMF(Correntropy and Manifold Regularization Non-Negative Matrix Factorization).首先,采用基于相关熵的非负矩阵分解(Non-Negative Matrix Factorization,NMF)作为损失函数来抑制非高斯噪声和异常值的影响;其次,充分考虑数据的结构信息,采用流形正则化学习数据的局部结构,并通过l2,1-范数对非负矩阵进行稀疏约束;最后,利用半二次优化技术(Half-Quadratic Optimization Technique,HQ)进行优化,并分析了收敛性和计算复杂度.在五个图像数据集上进行测试,实验结果表明,提出的框架在图像聚类任务中具有较好的有效性和鲁棒性.

摘要： 对于图像的聚类,现有方法在特征提取方面或难以选择合适的维度转换方法,或提取的特征对图像特征的表达较弱且不够丰富,对图像的聚类效果产生了较大影响,导致了聚类精度较低。为此,提出一种基于多尺度残差卷积自编码器的图像聚类方法,通过构建具有若干个含有残差连接的多尺度卷积模块,获得中间层的高维特征表达,并以此进行图像聚类。实验结果表明,在MNIST数据集上的聚类准确率为82.2%,ARI(Adjusted Rand Index)值为0.7810,NMI(Normalized Mutual Information)值为0.8532,模型达到了较好的聚类效果。

摘要： 足迹图像是公安在串并案的侦破过程中最为重要的线索,且每年各处公安都会收集很多犯罪现场的足迹,如何自动化地整理和归类这些足迹图像成为当前公安信息化的一个难点.面向公安实战需求,文中结合卷积神经网络和DBSCAN算法,提出了一种对足迹图像聚类的方法.首先,对足迹图像进行预处理以便满足模型训练要求;接着,通过模型预训练改进了Resnnet50和Densenet121两类卷积神经网络模型结构,提取足迹图像特征并建立特征向量库;随后,基于DBSCAN聚类算法,利用上述特征向量库实现对足迹图像的整理归类.实验结果表明,该方法具有良好的实用性和有效性.

摘要： 中国古壁画历经千百年历史,不可避免地出现了不同程度的破损,其修复研究具有重要的历史价值和文化价值。传统的手工修复直接作用于壁画,操作不当会造成保护性破坏,所以采用数字虚拟修复,提出了基于边缘重建的多尺度壁画修复方法。由于现存壁画数量较少,通过收集与整理我国不同地域年代的壁画获得了实验数据。对自由裁剪后的壁画进行滤波平滑图像细节并保留其边缘,为破损区域的图像分割提供良好的初始化条件,经过图像聚类自动计算待修复掩膜;修复过程以边缘重建为基础,对破损壁画在多尺度空间中提取纹理特征,充分挖掘图像已知的可用信息进行其缺失内容的填补。实验结果表明,该方法不受壁画种类和破损程度的限制,整个重建过程更加通用和有效,能够恢复得到具有结构完整和纹理清晰的图像,并取得较好的修复效果。

摘要： 高光谱图像聚类算法可以从海量的高光谱图像数据中提取有用的信息,传统的聚类方法只单纯地利用了高光谱图像的空间信息或者光谱信息,并不能达到理想的聚类效果.基于此,提出了一种新的融合高光谱图像的空间信息和光谱信息的聚类方法,加权空—谱谱聚类(WSS-SC)算法,该方法通过引入样本点的近邻窗口尺度和光谱因子2个参数实现将高光谱图像的空间信息和光谱信息有效结合起来对高光谱图像进行重构,对重构后的图像进行谱聚类,有利于提高分类精度.在SalinasA数据库上的实验结果表明,由WSS-SC算法得到的OA为84.44％,kappa系数为0.8101,分别较K均值算法提高了17.54％,0.2012,聚类效果较好.

摘要： 聚类分析作为一种重要的非指导学习方法,在多媒体数据管理中得到越来越多的应用,如对图像进行聚类预处理,有助于发现图像之间的语义相似性、减少检索代价等.但是,由于图像语义与视觉特征之间的差异,使得图像聚类的效果还有待进一步提高.聚类分析中,图像通常用高维特征向量表示,显然,在描述图像的相似性方面,各个维所代表的视觉特征的重要性是不一样的,甚至彼此矛盾.传统方法通过权重调整或降维并不能很好地解决上述问题.本文提出一种新的动态子空间距离计算公式(DSDF),根据任意两幅图像之间关联比较密切的维度,计算出图像之间的相似子空间距离,并利用Clarans聚类算法进行图像子空间聚类.实验表明,该方法在图像聚类效果上明显优于传统聚类方法.

摘要： SAR成像以其全天时、全天候的成像特点,在民用和军事领域中广泛应用.得益于成像技术的快速发展以及发射平台的增多,SAR图像的数目明显增加,同时也增加了人工分析SAR图像的困难.目前,SAR图像目标分类/识别任务中,多采用监督学习方式来实现分类/识别,即需要具有类别标签的目标图像作为训练样本.但是,获取和标注SAR图像成本很高,对图像进行人工标注极其耗费时间.不同于监督学习依赖大量标签数据,非监督学习可以通过不同的数据变换,寻找变换空间下相似的样本来实现样本类别赋值,也称为聚类.传统的数据变换方法有PCA、kernel-based等.在本论文中,提出使用t-SNE算法进行非线性降维,配合k-means算法实现聚类任务.在MSTAR数据集上进行聚类实验,相较于在原始图像空间和PCA特征空间进行k-means聚类,提出方法的聚类准确率分别提高了2.25%和5.5%.

摘要： 在图像分类和自动标注系统中,多例学习(MIL)是研究的热点.分别在基于EM算法和启发式迭代优化算法的框架下,提出了6种非监督的多例聚类算法,并对web图像进行聚类以分析用户的搜索兴趣.一幅图像含有若干个区域,每个区域可被看作为一个样例,属于同一个图像的区域组成一个包.这样如何理解图像语义内容的问题即可转化为多例学习.在多例学习的经典数据集MUSK和web图像集上的比较实验表明,在不同类别数目下本文的多例聚类算法性能更好.

摘要： 本文对基于移动Agent和最优搜索理论的CBIR系统进行了研究。文章提出了一种最优的搜索资源分配方案,使得用户在有限的搜索时间内能获取最好的搜索结果。文章重点讨论了基于移动Agent的搜索引擎模型、最优搜索理论和搜索资源的最优分配。

摘要： 本文对基于移动Agent和最优搜索理论的CBIR系统进行了研究。文章提出了一种最优的搜索资源分配方案,使得用户在有限的搜索时间内能获取最好的搜索结果。文章重点讨论了基于移动Agent的搜索引擎模型、最优搜索理论和搜索资源的最优分配。

摘要： 本文对基于移动Agent和最优搜索理论的CBIR系统进行了研究。文章提出了一种最优的搜索资源分配方案,使得用户在有限的搜索时间内能获取最好的搜索结果。文章重点讨论了基于移动Agent的搜索引擎模型、最优搜索理论和搜索资源的最优分配。

摘要： 本文对基于移动Agent和最优搜索理论的CBIR系统进行了研究。文章提出了一种最优的搜索资源分配方案,使得用户在有限的搜索时间内能获取最好的搜索结果。文章重点讨论了基于移动Agent的搜索引擎模型、最优搜索理论和搜索资源的最优分配。

摘要： 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。

摘要： 一种基于谱聚类和增强学习的自适应人脸图像聚类方法，包括以下步骤：1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示；2)应用谱聚类算法实现对图像表征的聚类；3)基于增强学习算法自适应搜索最优的聚类数目和谱聚类降维参数，首先，给定期望聚类搜索范围，设定搜索步长及搜索起始点；接着执行Q‑Learning算法，在搜索范围内尝试所有可能的调参行为，并选择使得聚类性能最优的行为给予最大正向回报；直至所有行为都无法使得性能优化，或满足最大迭代次数，结束搜索；多次训练后搜索结束点即为最优参数的设定值。本发明通过动态调参和自适应搜索，能够帮助找到全局最优聚类数目和降维数，提升人脸图像聚类性能。

摘要： 本申请涉及一种图像聚类方法、图像聚类模型的训练方法和装置，其中，该图像聚类方法包括：将待聚类的多个待处理图像输入训练后的图像聚类模型，利用图像聚类模型进行如下处理：对各个待处理图像进行特征处理，得到各个待处理特征对应的编码特征；对各个待处理特征对应的编码特征进行聚类处理，得到多个待处理图像的聚类结果。通过本申请，解决了相关技术中基于原始特征进行相似度计算，多算法的耗时、内存等资源占用较高的问题，搭建多算法聚类框架实现了聚档的应用，而且提高聚档计算效率，降低资源占用。

摘要： 本申请涉及一种图像聚类方法、图像聚类模型训练方法和计算机设备。方法包括：获取多个待聚类档案；待聚类档案包括多张待聚类图像；获取待聚类图像对应的第一时空信息，以及第一时空信息与每个待聚类档案之间的第一映射关系；第一时空信息包括待聚类图像的拍摄时间和待聚类图像的拍摄地点；根据第一映射关系、第一时空信息、以及第一时空信息之间的关联度关系构建第一图结构数据；根据第一图结构数据，确定待聚类档案之间的第一相似度；根据待聚类档案之间的第一相似度，对待聚类档案进行聚类，采用本方法提高待聚类档案聚类的准确度。

摘要： 本发明涉及图像聚类技术领域，具体涉及一种图像聚类方法、图像增量聚类方法、计算机设备及介质，旨在解决提高图像聚类准确性的问题。为此目的，本发明提供的图像聚类方法包括采用最近邻算法在图像底库中分别对每个待聚类图像进行最近邻检索，以确定每个待聚类图像的最近邻矩阵；根据待聚类图像与底库图像的图像属性，判断待聚类图像与底库图像是否冲突，根据判断的结果选择性地对图像相似度进行修正；根据修正后图像相似度对待聚类图像与底库图像进行聚类；本发明提供的图像增量聚类方法可以利用上述图像聚类方法实现图像增量聚类。通过上述方式，可以避免存在冲突的底库图像对聚类结果的准确性产生较大的影响，从而提高图像聚类准确性。

摘要： 本公开提供了一种图像聚类方法、图像聚类装置、电子设备及计算机可读存储介质，属于信息处理技术领域。该方法包括：获取多个待聚类图像，并确定各所述待聚类图像所对应的特征节点；分别以一个或多个所述特征节点为中心节点，在所述中心节点及其邻近节点中按照预设规则进行连接，以生成所述中心节点的网络图；计算各所述网络图中的边连接概率；根据所述边连接概率，确定所述多个待聚类图像的聚类结果。本公开可以对大量图像进行聚类，且具有较高的准确性和效率。

摘要： 本发明公开了一种基于深度子空间模糊聚类的图像聚类方法及系统，涉及图像聚类技术领域。本发明包括：设计深度自编码器模型，初始化网络；基于输入样本与重构输出样本误差最小化，构建自表达模块损失函数，并对自编码器模型预训练，学习图像的低维空间特征表示；在自编码器模型目标函数中加入模糊聚类模块损失，构建基于模糊聚类的自编码器目标函数，对自编码器进行训练，进行网络参数再学习，并同时实现图像模糊聚类；输出图像聚类结果。实现了图像特征学习和模糊聚类同时进行，在深度自编码器特征学习过程中，增加权值正则化约束和非负权值约束，并在模糊聚类过程中，进行深度自编码器低维特征再学习，有效提高深度子空间聚类的性能。

摘要： 本发明涉及一种基于模糊聚类的全局子空间人脸图像聚类方法，将包含n个a×b像素规模的数据集拉长为一个数据矩阵，在得到预处理后图像数据矩阵X的基础上，构建基于模糊聚类的子空间人脸图像聚类模型：交替迭代优化构建得到的目标函数，通过Y和W,M的交替优化可以得到目标函数收敛后的隶属度矩阵Y和低维投影矩阵W，Z＝WTX为原始样本经过降维得到的低维数据矩阵。对隶属度矩阵Y按行选取最大值所在列，即可得到最后的聚类结果。本发明图像数据处理效率显著提升，将模糊聚类思想引入到低维子空间中，保持了数据的全局结构，并直接探索了低维子空间中最不相关的数据，避免了对数据进行降维操作，可以很好地处理高维度数据集。

摘要： 本发明涉及一种基于模糊聚类的图像鲁棒聚类方法，在聚类图像数据的同时，筛选出被噪声污染的图像，保留了纯净无污染的图像数据，对噪声变化具有较高的鲁棒性。并且本发明是一种无监督的算法，不需要用到标签数据，减小了大量的获取标签数据所用到的时间。算法在求解过程中不需要更新图矩阵，因此降低了算法的计算复杂度，加快了运算速度。因此可以实现对被噪声污染图像进行快速、有效且鲁棒的聚类。本发明可以通过迭代优化目标函数的正则化参数，自适应地计算出每个样本相应正则化参数，的在应用过程中极大地降低了调节正则化参数难度，节省了人力成本，在鲁棒地筛选出被噪声污染图像数据同时，提高了图像聚类准确度。

摘要： 本发明公开一种基于深度子空间聚类顺序集成的图像聚类方法及系统，方法包括：基于输入图像数据与重建图像数据获得初始的图像编码器网络和图像解码器网络；基于随机遮掩视觉特征向量和自我表达的视觉特征向量获得初始的自我表达系数矩阵；固定自我表达系数矩阵，迭代更新图像编码器网络和图像解码器网络；固定图像编码器网络和图像解码器网络，迭代更新自我表达系数矩阵；基于自我表达系数矩阵，迭代更新图像相似度矩阵以及图像集成相似度矩阵；将最终得到的图像集成相似度矩阵作为谱聚类算法的输入，获得图像聚类结果。本发明采用顺序方式依次生成自我表达系数矩阵并直接集成，进而提升深度子空间聚类网络对于图像聚类的性能。