[发明专利]一种图像聚类方法及系统

说明书

本发明涉及一种图像聚类方法及系统属于物联网数据挖掘技术领域，方法包括：获取物联网系统平台采集的图像数据集和截距并筛选、更新及排序，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；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；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。本发明中的上述方法能够提升海量数据的处理能力和效率。

技术领域

本发明涉及物联网数据挖掘技术领域，特别是涉及一种图像聚类方法及系统。

背景技术

随着物联网技术及物联网产业发展，越来越多的终端设备连接到物联网中，产生海量的通信数据。数据种类繁多、类型复杂、数据维度增加等等特性提高了抽取有价值信息的挑战，对数据挖掘技术也提出了更高的要求。传统数据挖掘技术一般采用高性能计算机来处理完成，而随着物联网数据量的急剧增加，传统数据处理平台已无法满足挖掘需求，体现在数据处理时间过长、内存不足、磁盘存储空间不足等方面。开发新的数据挖掘技术对物联网中海量数据进行数据挖掘是值得研究的问题之一。

数据挖掘是从海量的、复杂的物联网数据中提取有价值的信息，并用于指导决策。广泛应用于空间地理、电子信息、金融分析等各个领域，符合物联网智能化方向发展的需求。目前，各行各业都可以利用数据挖掘技术来理解和处理自身业务需求。作为一种强大的技术工具，数据挖掘技术可从帮助从物联网海量数据中提取信息和知识。然而随着数据量爆炸式增加，传统意义上的数据挖掘技术已无法满足行业需求，因此，寻找一种有效地大规模数据挖掘技术是面临地一项严峻挑战。

聚类算法是数据挖掘技术中的一个重要算法。它能把数据集按照一定的规律分成若干类，并且选择合适的相似度度量公式，表征所属同一类的数据相互之间近似，而不同类的数据则并不相近。聚类的目的便是将所处理数据集中相近的数据对象划分到同一类中。k-means算法是研究聚类分析的一种经典聚类算法。该算法可处理数据广泛，简单有效，且数据处理收敛速度快。然而，该算法需要预先确定数据集分类数，且对初始聚类较为敏感，直接影响不同的聚类结果和不同精度。随机选择初始聚类中心的方式可能导致算法不稳定，使得找不到全局最优点，而停留在局部最优点情况。k-means算法将簇的质心作为聚类中心点，并参与下一轮计算，将对噪声和异常值数据敏感，显著影响平均值。此外，k-means算法在执行过程中存在计算量过大的问题。LDC(Local Density Clustering)-means算法利用数据局部密度来确定聚类中心，划分聚类，解决k-means算法随机选择初始中心点导致聚类结果无法达到全局最优及噪声和异常数据值对聚类结果产生影响的问题。因此，本发明将LDC-means算法和k-means算法结合，并进行改进，提出ILDCK-means算法，解决聚类中心点选择和噪声点过滤问题。在此基础上，考虑将ILDCK算法并行化，提升海量数据处理能力和效率问题。

发明内容

本发明的目的是提供一种图像聚类方法及系统，提升海量数据的处理能力和效率。

为实现上述目的，本发明提供了如下方案：

一种图像聚类方法，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；