[发明专利]基于社团划分的无监督图像分类方法

权利要求书

1.基于社团划分的无监督图像分类方法，其特征在于：该方法包括以下步骤：

步骤1，将图像数据集中每张图像作为网络中的一个节点，使用规则图进行网络结构初始化；在规则图内，每个节点的度相等，即有相同数量的连边；

步骤2，使用SSIM的结构相似性检测来评价图像之间相似性，通过相似性评价计算两张图像即两个节点之间连边的权重；

步骤3，将网络中所有连边的权重排序，删除权重小于阈值的连边，得到新的网络；

步骤4，在得到新的网络后，使用社团发现算法中的louvain算法进行社团发现，将每张图像即每个节点归类到若干社团当中；

步骤5，将得到的社团按社团节点个数在总节点中占比划分为大社团与小社团；在小社团中再次按相似性进行聚合，得到若干个大社团；

步骤6，将最终得到的若干个大社团作为分类结果，每个社团表示具有一定相似性的图像集合，对各个分类结果分别进行标注，输出标签，得到标注结果。

2.根据权利要求1所述的基于社团划分的无监督图像分类方法，其特征在于：所述步骤2中连边的权重计算方法如下：

W_j＝SSIM(x_j,y_j),j＝1,2,...J

其中，W_j代表网络中第j条边的权重；x_j,y_j代表第j条边的两个端点；J为网络中现有边的数量；u_x,u_y分别表示图像x,y的均值，分别表示图像x,y的方差，σ_xy表示图像x,y的协方差；c₁,c₂为正常数。

3.根据权利要求2所述的基于社团划分的无监督图像分类方法，其特征在于：该方法还包括如下步骤：

通过最小最大归一化方法将相似性，即连边的权重，归一化至[0,1]区间，为社团发现算法提供归一化后的权重；

其中，W_j代表网络中第j条边的权重；W_min,W_max分别代表权重的最小和最大值；J₂为网络中现有边的数量。

4.根据权利要求1-3任一所述的基于社团划分的无监督图像分类方法，其特征在于：所述步骤4使用社团发现算法中的louvain算法进行社团发现，将每张图像即每个节点归类到若干社团当中，具体包括：

Step1，令每个节点自己属于一个社区，此时网络中节点数与社区数相等，计算当前的网络模块度Q；

Step2，令节点i和节点j属于一个社区，再计算当前的网络模块度Q，网络出现模块度增量，将节点i划分到使模块度增量最大的该节点所在社区；

Step3，将Step2划分出来的社区聚合为一个节点，重构整个网络，并重新计算当前的网络模块度Q；

Step4，判断网络模块度Q与上一轮迭代相比是否发生变化，如果变化，返回Step1，否则，停止迭代，得到社团划分结果。

5.根据权利要求4所述的基于社团划分的无监督图像分类方法，其特征在于：模块度计算方法如下：

其中，v和w是网络中任意两节点，当它们有连接时，A_vw＝1，否则A_vw＝0；m是网络中的连接数，k_v,k_w分别代表节点v和w的度；δ(c_v,c_w)表示节点v和w是否在同一社区内，在同一社区则δ(c_v,c_w)＝1，否则δ(c_v,c_w)＝0。