图像聚类方法、图像聚类模型的训练方法和装置与流程

技术特征：
1.一种图像聚类方法，其特征在于，包括：将待聚类的多个待处理图像输入训练后的图像聚类模型，利用所述图像聚类模型进行如下处理：对各个所述待处理图像进行特征处理，得到各个所述待处理特征对应的编码特征；其中，所述编码特征是对对应的待处理图像的多个原始特征进行编码得到的，所述多个原始特征是利用各类聚类算法对所述对应的待处理图像进行特征提取得到的；对所述各个待处理特征对应的编码特征进行聚类处理，得到所述多个待处理图像的聚类结果。2.根据权利要求1所述的图像聚类方法，其特征在于，所述聚类图像模型是通过如下方式进行训练得到的：确定多个样本图像；利用训练中的图像聚类模型对各个所述样本图像进行特征处理，得到各个所述样本图像对应的所述编码特征；对各个所述样本图像对应的所述编码特征进行聚类处理；对聚类处理的结果进行度量学习，以完成聚类图像模型的训练。3.根据权利要求2所述的图像聚类方法，其特征在于，所述样本图像至少包括两个种类的样本图像。4.根据权利要求2所述的图像聚类方法，其特征在于，所述编码特征是根据编码器和预设编码特征的维度，对对应的样本图像的多个原始特征进行无监督自编码得到。5.根据权利要求4所述的图像聚类方法，其特征在于，所述编码特征的维度为所述原始特征的维度除以聚类算法的种类。6.根据权利要求2所述的图像聚类方法，其特征在于，所述对聚类处理的结果进行度量学习，以完成聚类图像模型的训练，包括：对聚类处理的结果进行度量学习，在满足预设损失函数时，以完成聚类图像模型的训练；所述损失函数为对比损失函数。7.根据权利要求1所述的图像聚类方法，其特征在于，还包括：利用训练后的所述聚类图像模型，对待处理图像进行类中心和相似度计算，得到聚档结果。8.一种图像聚类模型的训练方法，其特征在于，包括：确定多个样本图像；利用训练中的图像聚类模型对各个所述样本图像进行特征处理，得到各个所述样本图像对应的编码特征；对各个所述样本图像对应的所述编码特征进行聚类处理；对聚类处理的结果进行度量学习，以完成聚类图像模型的训练。9.一种图像聚类装置，其特征在于，包括：聚类应用模块；所述聚类应用模块，用于将待聚类的多个待处理图像输入训练后的图像聚类模型，利用所述图像聚类模型进行如下处理：对各个所述待处理图像进行特征处理，得到各个所述待处理特征对应的编码特征；其中，所述编码特征是对对应的待处理图像的多个原始特征进行编码得到的，所述多个原始
特征是利用各类聚类算法对所述对应的待处理图像进行特征提取得到的；对所述各个待处理特征对应的编码特征进行聚类处理，得到所述多个待处理图像的聚类结果。10.一种图像聚类模型的训练装置，其特征在于，包括：确定模块、特征处理模块、聚类处理模块以及度量学习模块；所述确定模块，用于确定多个样本图像；所述特征处理模块，用于利用训练中的图像聚类模型对各个所述样本图像进行特征处理，得到各个所述样本图像对应的编码特征；所述聚类处理模块，用于对各个所述样本图像对应的所述编码特征进行聚类处理；所述度量学习模块，用于对聚类处理的结果进行度量学习，以完成聚类图像模型的训练。11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的图像聚类方法的步骤，或执行权利要求8所述的图像聚类模型的训练方法的步骤。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的图像聚类方法的步骤，或权利要求8所述的图像聚类模型的训练方法的步骤。

技术总结
本申请涉及一种图像聚类方法、图像聚类模型的训练方法和装置，其中，该图像聚类方法包括：将待聚类的多个待处理图像输入训练后的图像聚类模型，利用图像聚类模型进行如下处理：对各个待处理图像进行特征处理，得到各个待处理特征对应的编码特征；对各个待处理特征对应的编码特征进行聚类处理，得到多个待处理图像的聚类结果。通过本申请，解决了相关技术中基于原始特征进行相似度计算，多算法的耗时、内存等资源占用较高的问题，搭建多算法聚类框架实现了聚档的应用，而且提高聚档计算效率，降低资源占用。低资源占用。低资源占用。


技术研发人员：郝敬松 朱树磊 殷俊
受保护的技术使用者：浙江大华技术股份有限公司
技术研发日：2021.12.24
技术公布日：2022/5/5