[发明专利]一种鞋底花纹图像的多标签聚类方法

摘要

本发明公开了一种鞋底花纹图像的多标签聚类方法，包括以下步骤：选取鞋底花纹图像库中各个图像的基元图像，并计算基元图像的特征选取代表图，统计得到鞋印图像库的语义词汇表；根据语义词汇表，运用PLSA模型计算鞋底花纹图像‑潜在语义主题之间的概率矩阵，去除重复的主题得到最终的概率矩阵；根据不同鞋底花纹图像属于相同潜在语义主题可能性的大小，对鞋印图像库进行单标签聚类；根据最初概率矩阵和索引矩阵，实现鞋底花纹图像的多标签聚类。本发明将鞋印图像划分为基元图像进行处理，并且考虑鞋底花纹图像之间关联性的同时也考虑了类别间的关联性，是鞋底花纹图像多标签分类的基础，可以在一定程度上提高鞋底花纹图像识别和检索的正确率。

主权项

一种鞋底花纹图像的多标签聚类方法，其特征在于：包括以下步骤：A、选取鞋底花纹图像库中各个图像的基元图像，并计算基元图像的特征选取代表图，统计得到鞋印图像库的语义词汇表Ln×c；A1、根据鞋底花纹制作工艺，预先定义鞋底花纹基元的类别及其代表图像，并自动提取代表代表图像的小波‑傅里叶梅林变换特征；A2、根据鞋底花纹图像的连通特性，将鞋底花纹图像划分为不同区域；选取面积即像素点个数大于阈值th1的连通区域，取其外接矩形作为目标区域，即基元图像；A3、对于每幅鞋底花纹图像的基元图像，提取小波‑傅里叶梅林变换特征，并与不同语义类别中的代表图像做比较，然后根据比较结果将基元图像划分到不同的语义类别中；A4、汇集所有语义类别合成语义词汇表Ln×c，其中，n为鞋印图像库图像总个数，c为基元图像的个数；B、根据语义词汇表Ln×c，运用PLSA模型计算鞋底花纹图像‑潜在语义主题之间的概率矩阵，去除重复的主题得到最终的概率矩阵P(z|d)；B1、设定不同的潜在语义主题个数，对语义词汇表Ln×c运用PLSA模型并利用EM算法进行模型优化和拟合，得到鞋底花纹图像‑潜在语义主题之间的联合概率矩阵；其中，将每幅鞋底花纹图像看作一个单独的文档，用d来表示，而视觉词汇即基元图像就看作文档中的词汇，潜在语义主题用z表示；B2、确定重复主题；所有鞋底花纹图像在两个不同潜在语义主题上的概率分布差别小于阈值th2，这两个潜在语义主题就被称为重复主题，即|zi‑zj|＜th2，其中zi、zj为所有鞋底花纹图像在两个不同潜在语义主题zi、zj上的概率分布；B3、去除重复主题；将每幅鞋底花纹图像属于重复主题概率的平均值作为该鞋底花纹图像属于新主题的概率，得到最终的概率矩阵P(z|d)；C、根据不同鞋底花纹图像属于相同潜在语义主题可能性的大小，对鞋印图像库进行单标签聚类；C1、将概率矩阵P(z|d)按照同一鞋底花纹图像属于各个潜在语义主题的可能性从大到小排序，得到矩阵P0和矩阵I0,其中，P0的每列是鞋底花纹图像属于各个潜在语义主题可能性从大到小的排序，pi,k是指第i幅鞋底花纹图像di概率排名第k的潜在语义主题的概率；I0是对应潜在语义主题的索引，Ii,k是指第i幅鞋底花纹图像di概率排名第k的潜在语义主题的索引；C2、以每幅鞋底花纹图像作为处理对象，将潜在语义主题排名前两名中有相同主题，并且属于该主题的概率大于阈值th3的所有鞋底花纹图像聚为一类，将没有处理的鞋底花纹图像每幅图像看作一个类别，得到聚类结果C1、C2…Ci…,即：Ci=(∪pq,Iq,1>th3dq)∪(∪pq,Iq,2>th3dq)]]>C3、更新概率矩阵和索引矩阵；去除每幅鞋底花纹图像排名前两名的潜在语义主题的概率和索引，得到新的概率矩阵P和索引矩阵I；C4、以每个类别作为处理对象，将潜在语义主题排名前两名中有相同主题，并且属于该主题的概率大于阈值th3的所有类别聚为一类，仍然将没有处理的鞋底花纹图像每幅图像看作一个类别，更新聚类结果C1'、C2'…Ci'…,即：Ci′=(∪pq,Iq,1>th3,dq∈CqCq)∪(∪pq,Iq,2>th3,dq∈CqCq)]]>C5、用C1'、C2'…Ci'…代替C1、C2…Ci…，并将C1'、C2'…Ci'…将命名为C1、C2…Ci…；C6、重复步骤C3‑C5，直到矩阵P的最大值pmax小于阈值th3，得到最后更新单标签聚类结果C1、C2…Ci…；D、根据最初概率矩阵P0和索引矩阵I0，将C1、C2…Ci…进行处理，实现鞋底花纹图像的多标签聚类；D1、更新概率矩阵和索引矩阵；根据最初概率矩阵P0和索引矩阵I0，按照从大到小的顺序重新排列各个类别中所有鞋底花纹图像潜在语义主题的可能性，得到新的概率矩阵CP和索引矩阵CI；D2、找到各个类别的代表潜在语义主题z*及其概率p(z*|C)；类别的代表潜在语义主题为该类别排名前th4个中出现次数最多的主题，其概率是所有类别成员属于该主题概率的平均值，即：p(z*|Ci)=1NΣd∈Cip(z|d)]]>式中，N为z*在Ci出现的次数；D3、处理具有相同代表潜在语义主题的类别；找到具有相同代表潜在语义主题的类别，并将这些类别按照代表潜在语义主题的概率由大到小进行排序，将排序后的类别两两依次按如下方式进行处理；假定R1、R2、R3是具有相同代表潜在语义主题z*的类别排序后的结果，p1、p2、p3是z*对应于各个类别的概率；首先比较p1和p2，如果p1和p2都大于th5并且p1‑p2＜th6，将两个类别合并，并保留成员个数较少的类别，即：R1＝R1∪R2p1=p1+p22]]>R2更新为原R1或R2中成员个数较少的一个；然后比较p1和p3，如果p1和p3都大于th5并且：p1‑p3＜th6则：R1＝R1∪R3p1=p1+p32]]>R3更新为原R1或R3中成员个数较少的一个；最后比较p2和p3，如果p2和p3都大于th5并且：p2‑p3＜th6则：R2＝R2∪R3p2=p2+p32]]>R3更新为原R2或R3中成员个数较少的一个，依此类推，将代表潜在语义主题为z*的各类别中各个成员重新标记完；D4、对所有具有相同代表潜在语义主题的类别进行步骤D3操作，得到鞋印图像库多标签聚类结果D1、D2…Di…。