[发明专利]一种深度图像聚类方法、系统及存储介质

权利要求书

1.一种深度图像聚类方法，其特征在于，包括以下步骤：

步骤一，将含有n个样本的图像数据集输入编码器；

步骤二，编码器将步骤一输入的原始图像转化为低维嵌入特征，再分别输出给解码器和维度约减模块，解码器将低维嵌入特征恢复为原始图像，维度约减模块将低维嵌入特征转化为聚类友好的二维表示，形成聚类空间，并输出给聚类划分模块；

步骤三，聚类划分模块根据每个样本的低维嵌入特征将图像数据集中的n个样本划分为K个子簇，得到聚类结果；

步骤四，网络开始优化，并不断更新网络，直到满足迭代停止条件，否则返回步骤一。

2.根据权利要求1所述的深度图像聚类方法，其特征在于，所述步骤二中，所述编码器运行如下步骤：

步骤1，由Patch-Embedding层将输入的原始图像分割为多个补丁块，并利用卷积运算将每个补丁块转换为一维向量；

步骤2，将步骤1转换的一维向量顺序送入线性组合、Encoding-layer层，得到原始图像的低维嵌入特征；

步骤3，将步骤2获得的低维嵌入特征分别输出给解码器和维度约减模块。

3.根据权利要求2所述的深度图像聚类方法，其特征在于，所述编码器由一个Patch-Embedding层、5个Transformer构成的线性组合，一个Encoding-layer层组成。

4.根据权利要求1所述的深度图像聚类方法，其特征在于，所述步骤二中，所述解码器将得到的重构损失用于训练网络，重构损失定义如下：

（1）

其中，表示图像i ，g_u表示解码器 ，表示数据样本i的图像增强版本，f_w表示编码器，n表示样本个数。

5.根据权利要求1所述的深度图像聚类方法，其特征在于，所述步骤二中，所述维度约减模块中的维度约减损失定义如下：

 （2）

和分别代表输入的嵌入特征和输出的聚类特征的整体分布，通过最小化两个分布的KL散度得到友好的二维特征；其中表示嵌入特征z_i和嵌入特征z_j之间联合概率分布，表示二维嵌入特征z_i和二维嵌入特征z_j联合概率分布。

6.根据权利要求1所述的深度图像聚类方法，其特征在于，所述步骤三还包括：

步骤S1，依据网络产生的图像数据集X的二维特征，聚类划分模块计算每个图像样本的密度，然后选取K个簇中心；

步骤S2，度量每个图像样本到每个簇的概率，最终得到聚类结果。

7.根据权利要求6所述的深度图像聚类方法，其特征在于，所述步骤S1中，密度定义如下：

 （5）

其中，dc表示密度计算时的采样半径；

距高密度样本的最小距离计算如下：

（6）

其中，表示图像x_j的密度_；

簇中心的决策值定义如下：

 （7）

图像数据集X中具有K个最大决策值的图像即为簇中心。