[发明专利]一种图像聚类方法、装置、电子设备及存储介质

说明书

本发明公开了一种图像聚类方法、装置、电子设备及存储介质，包括：获取图像数据；构建图像数据的初始数据相似矩阵；基于初始数据相似矩阵和因子矩阵生成优化相似矩阵；采用图像数据、因子矩阵、初始数据相似矩阵和优化相似矩阵生成误差函数；优化误差函数，得到最小误差函数值和优化参数；判断最小误差函数值是否满足预设迭代终止条件；当最小误差函数值不满足预设迭代终止条件时，采用优化参数更新因子矩阵、优化相似矩阵，并返回采用图像数据、因子矩阵、初始数据相似矩阵和优化相似矩阵生成误差函数的步骤；当最小误差函数值满足预设迭代终止条件时，输出优化参数；对优化参数进行聚类，得到图像聚类信息。从而有效提高图像的聚类效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像聚类方法、装置、电子设备及存储介质。

背景技术

随着大数据时代的到来，数据的获取越来越方便，这也使得数据的规模越来越大，多样化的数据的类型也因此显得越来越复杂，如各种类型的贸易交易数据、Web文档、基因表达数据、文档词频数据、用户评分数据、Web使用数据及多媒体数据等。张量通常指二维以上的数组，而在许多实际应用中，数据更自然地以高阶张量的形式被记录下来。例如，一张彩色图像可以视为三阶张量，而脑电图信号可以视为五阶张量。高阶数据固然包含更丰富的信息，然而其带来的是高度冗余的缺陷。

现实数据通常以非负形式存在，这意味着其包含了大量的结构化信息。但是非负高维数据的信息数量众多且杂乱无章，而且还包含着大量冗余的信息。如何在保留数据空间结构信息的前提下，捕获更多的数据信息，已成为当下备受关注的焦点。

目前处理非负高维数据的侧重点是利用特征降维算法提取非负高维数据的非负低维特征，而提取特征的有效性则由特征聚类实验来验证。现有的基于相似图的方法有基于图的非负矩阵分解，基于图的非负张量塔克分解，基于拉普拉斯正则化的非负塔克分解。三者的共同之处都在于把高维数据降维成低维的基于特征的多线性乘积，以达到降维与提取低维特征的目的。然而，上述方法由于固定相似图这一限制，使得分解过程中学习到的图结构信息受相似图的初始化效果的优劣的影响。

发明内容

本发明提供了一种图像聚类方法、装置、电子设备及存储介质，用于解决现有的图像聚类方法由于固定相似图这一限制，使得分解过程中学习到的图结构信息受相似图的初始化效果的优劣的影响，图像聚类效果较差的技术问题。

本发明提供了一种图像聚类方法，包括：

获取图像数据；所述图像数据具有多个维度的因子矩阵；

构建所述图像数据的初始数据相似矩阵；

基于所述初始数据相似矩阵和所述因子矩阵生成优化相似矩阵；

采用所述图像数据、所述因子矩阵、所述初始数据相似矩阵和所述优化相似矩阵生成误差函数；

优化所述误差函数，得到最小误差函数值和优化参数；

判断所述最小误差函数值是否满足预设迭代终止条件；

当所述最小误差函数值不满足预设迭代终止条件时，采用所述优化参数更新所述因子矩阵、所述优化相似矩阵，并返回采用所述图像数据、所述因子矩阵、所述初始数据相似矩阵和所述优化相似矩阵生成误差函数的步骤；

当所述最小误差函数值满足预设迭代终止条件时，输出所述优化参数；

对所述优化参数进行聚类，得到图像聚类信息。

可选地，所述判断所述最小误差函数值是否满足预设迭代终止条件的步骤，包括：

判断所述最小误差函数值与前一次迭代的误差函数值之间的差值的绝对值是否小于预设阈值。

可选地，所述优化所述误差函数，得到最小误差函数值和优化参数的步骤，包括：