[发明专利]一种基于分层聚类的均衡图像聚类方法

摘要

本发明公开了一种基于分层聚类的均衡图像聚类方法，主要包括：步骤1：提取图像的特征数据；步骤2：对图像的特征数据进行聚类；步骤3：对步骤2得到的每个聚类簇进行切分。本发明的一种基于分层聚类的均衡图像聚类方法，可以实现效率高、节省成本以及实用性强的优点。 1

主权项

1.一种基于分层聚类的均衡图像聚类方法，其特征在于，主要包括：

步骤1：提取图像的特征数据；

步骤2：对图像的特征数据进行聚类；

步骤3：对步骤2得到的每个聚类簇进行切分。

2.根据权利要求1所述的一种基于分层聚类的均衡图像聚类方法，其特征在于，所述步骤1还包括将特征数据转换成特征矢量数据。

3.根据权利要求2所述的一种基于分层聚类的均衡图像聚类方法，其特征在于，所述特征矢量的每一维数值都用来表征图像的特征，包括形状、颜色、纹理和结构。

4.根据权利要求1所述的一种基于分层聚类的均衡图像聚类方法，其特征在于，所述步骤2中所述聚类采用K‑Means算法。

5.根据权利要求4所述的一种基于分层聚类的均衡图像聚类方法，其特征在于，所述K‑Means算法将输入的特征数据划分为多个聚类，且同一聚类中的对象相似度较高，不同聚类中的聚类相似度较低。

6.根据权利要求1所述的一种基于分层聚类的均衡图像聚类方法，其特征在于，所述步骤3具体包括：

步骤3.1：检查聚类所包含的图像个数；

步骤3.2：在聚类簇进行二次中心聚类；

步骤3.3：将该聚类簇的中心坐标写入聚类文件中。

7.根据权利要求6所述的一种基于分层聚类的均衡图像聚类方法，其特征在于，所述步骤3还包括：

如果步骤3.1中聚类中心包含的图像个数小于设置的阈值则跳转到步骤3.3，否则跳转到步骤3.2。

8.根据权利要求6所述的一种基于分层聚类的均衡图像聚类方法，其特征在于，所述步骤3.1具体包括：

阈值的设定取决于服务器的计算及接口性能，由于高维空间距离计算的复杂性，我们在计算的时候忽略距离排序及归并的计算量，而着眼于使单次查询距离计算次数最小，设单次查询遍历的聚类簇个数为n。

9.根据权利要求6所述的一种基于分层聚类的均衡图像聚类方法，其特征在于，所述步骤3.2具体包括：

我们的目标是保证每一个聚类簇包含的数据量不超过阈值；因此，对于包含数据量超过阈值的聚类簇，我们在该聚类簇内部进行聚类中心的k‑Means聚类，聚类得到新的聚类簇，并且这新的聚类簇包含的数据量仍可能超过阈值；对于数据量超过阈值的新聚类簇，重复执行步骤3.2的操作，直到没有聚类簇包含的数据量超过阈值。

10.根据权利要求6所述的一种基于分层聚类的均衡图像聚类方法，其特征在于，所述步骤3.3具体包括：

对于包含数据量小于等于阈值的聚类簇，将该聚类簇的中心坐标写入到聚类中心文件中；聚类中心的维数与特征文件的维数相等，为了保证精度，我们将聚类中心的每一维数据保存为一个浮点数，一个聚类中心文件可能包含多个类目的聚类中心数据，而一个类目包含多个聚类中心点的坐标。