【技术实现步骤摘要】
基于神经网络的图像聚类的方法、装置与存储介质
本申请涉及图像处理领域，具体而言，涉及一种基于神经网络的图像聚类的方法、装置、存储介质与处理器。
技术介绍
图像处理是人工智能发展的热门领域，随着移动互联网的普及以及物联网的兴起，人们传统的检索方式也越来越丰富。目前比较成熟的新兴检索手段是“图像检索”。实现大规模图像数据的高效聚类，是图像检索成功的重要保证。当前公认有效的图像聚类流程是先对图片降维，提取低维特征，然后根据提取的特征进行聚类。特征提取主要有两个方法：特征工程和神经网络。特征工程是通过特定公式计算获取的某些可解释的图像特征数据，比如拍摄时间，图像频率，图像灰度直方图等等，特征工程缺点是人工很难寻找有效的特征，而且图像情况一变，精心调配的特征也要变，灵活性差。神经网络是通过神经网络将图片变成一个特征向量，而特征向量每个维度的具体含义无法解释，神经网络的选择也是多种多样。聚类算法目前常用的有“K-means”，“DB-Scan”等，聚类算法的两个最大挑战是运算速度和聚类效果。在
技术介绍
部分中公开的以上信息...
【技术保护点】
1.一种基于神经网络的图像聚类的方法，其特征在于，包括：/n获取包括多个图像的图像数据库；/n建立所述图像数据库对应的哈希列表；/n利用所述哈希列表确定图像相似度模型；/n根据所述图像相似度模型构建聚类数据库。/n
【技术特征摘要】
1.一种基于神经网络的图像聚类的方法，其特征在于，包括：
获取包括多个图像的图像数据库；
建立所述图像数据库对应的哈希列表；
利用所述哈希列表确定图像相似度模型；
根据所述图像相似度模型构建聚类数据库。
2.根据权利要求1所述的方法，其特征在于，建立所述图像数据库对应的哈希列表，包括：
对各所述图像进行预处理；
根据所述预处理后的各所述图像建立所述图像数据库对应的哈希列表。
3.根据权利要求1所述的方法，其特征在于，建立所述图像数据库对应的哈希列表，包括：
对各所述图像的各像素点在多个图像通道上的像素值进行划分，得到多个划分区域，一个所述图像通道中的相邻的所述划分区域的所述像素值之间有重叠；
使用预定标识分别表示各所述图像通道的各所述划分区域，确定各所述像素点在各所述图像通道上的标识；
根据各所述像素点在多个所述图像通道上的多个所述标识，确定各所述像素点的联合区域标识，所述联合区域标识为哈希值；
根据所述联合区域标识建立所述图像数据库对应的哈希列表。
4.根据权利要求3所述的方法，其特征在于，在形成各所述像素点的联合区域标识之后，建立所述图像数据库对应的哈希列表，还包括：
根据各所述像素点的所述联合区域标识，确定所述图像的灰度分布特征；
根据各所述图像的所述灰度分布特征构建所述哈希列表。
5.根据权利要求4所述的方法，其特征在于，根据各所述像素点的所述联合区域标识，确定所述图像的灰度分布特征，包括：
确定各所述图像中的各所述联合区域标识出现的频率；
根据所述频率和所述图像的像素点总数确定所述各所述联合区域标识的似然概率；
根据所述图像的所述似然概率、ID以及所述联合区域标识确定所述图像的灰度分布特征。
6.根据权利要求4或5所述的方法，其特征在于，在确定所述图像的灰度分布特征之后，建立所述图像数据库对应的哈希列表，还包括：
根据所述图像数据库中的各所述图像的所述灰度分布特征，建立所述图像数据库对应的哈希列表。
7.根据权利要求3至5中任一项所述的方法，其特征在于，所述图像通道有三个，分别为第一通道、第二通道和第三通道。
8.根据权利要求1所述的方法，其特征在于，利用所述哈希列表确定图像相似度模型，包括：
构建图像特征预训练模型；
根据所述图像特征预训练模型构建所述图像相似度模型。
9.根据权利要求8所述的方法...
【专利技术属性】
技术研发人员：贠瑞峰，刘粉香，彭翔，张炎红，
申请(专利权)人：智慧神州北京科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。