技术摘要：
本发明提供一种基于卷积神经网络和连通图的图片归类方法及相关设备。所述图片归类方法包括：获取多个待归类图片；将所述多个待归类图片进行预处理；将每个预处理后的待归类图片输入卷积神经网络进行特征提取，得到每个待归类图片的特征向量；计算每两个待归类图片的特  全部
背景技术：
随着图像处理技术的发展，相似图片归类的需求日益剧增。相似图片归类就是将 大量图片进行分组，每组为相似图片。相似图片的来源有很多，以拍照为例，对于同一个实 物，拍摄角度的不同，拍摄时光照的不同，照相机距离物体的远近都会形成相似图片。报纸 广告、公章、商标的去重问题中也会包含大量相似图片。相似图片归类主要有如下两个特 征。第一，待处理图片量很大，人工处理非常困难。第二，同属一类的图片整体上具有较强的 相似性，但在大小尺寸、明暗对比、摆放角度、拍摄形变、背景噪声等细节上有诸多不同。现 有的相似图片归类方法正确率不高，容易出现错分的情况。
技术实现要素：
鉴于以上内容，有必要提出一种基于卷积神经网络和连通图的图片归类方法及相 关设备，其可以实现快速、准确的相似图片归类。 本申请的第一方面提供一种基于卷积神经网络和连通图的图片归类方法，所述方 法包括： 获取多个待归类图片； 将所述多个待归类图片进行预处理； 将每个预处理后的待归类图片输入卷积神经网络进行特征提取，得到每个待归类 图片的特征向量； 计算每两个待归类图片的特征向量之间的距离； 根据每两个待归类图片的特征向量之间的距离构建至少一个连通图，所述至少一 个连通图的每个顶点对应一个待归类图片，若两个待归类图片的特征向量之间的距离小于 或等于预设阈值，则所述两个待归类图片对应的顶点用边相连； 对每个连通图进行减边处理，对于该连通图中的每条边，判断该条边的两个顶点 所连接的顶点数是否小于该连通图的总顶点数，若该条边的两个顶点所连接的顶点数小于 该连通图的总顶点数，则删除该条边； 根据所有减边处理后的连通图，输出所述多个待归类图片的归类结果。 另一种可能的实现方式中，所述将所述多个待归类图片进行预处理包括： 将所述多个待归类图片转换为预设图片格式；和/或 将所述多个待归类图片转换为预设尺寸；和/或 将所述多个待归类图片转换为预设颜色。 另一种可能的实现方式中，所述卷积神经网络包括AlexNet网络、VGGNet网络、 GoogleNet网络、ResNet网络。 4 CN 111597373 A 说　明　书 2/13 页 另一种可能的实现方式中，所述将每个预处理后的待归类图片输入卷积神经网络 进行特征提取之前，所述方法还包括： 使用公共图片库对所述卷积神经网络进行预训练； 使用已标注相似图片类别的图片对预训练后的卷积神经网络进行相似图片归类 任务微调。 另一种可能的实现方式中，所述对每个连通图进行减边处理之后，所述方法还包 括： 对每个减边处理后的连通图进行增边处理，若两个顶点在一个连通图中但是没有 相连的边，则在所述两个顶点之间增加一条边。 另一种可能的实现方式中，所述将每个预处理后的待归类图片输入卷积神经网络 进行特征提取之前，所述方法还包括： 判断每个预处理后的待归类图片是否为遮挡图片； 若所述预处理后的待归类图片为遮挡图片，则对所述预处理后的待归类图片进行 去遮挡处理。 另一种可能的实现方式中，所述方法还包括： 从每个减边处理后的连通图中确定一个代表图片； 输出所述代表图片。 本申请的第二方面提供一种基于卷积神经网络和连通图的图片归类装置，所述装 置包括： 获取模块，用于获取多个待归类图片； 预处理模块，用于将所述多个待归类图片进行预处理； 特征提取模块，用于将每个预处理后的待归类图片输入卷积神经网络进行特征提 取，得到每个待归类图片的特征向量； 计算模块，用于计算每两个待归类图片的特征向量之间的距离； 构建模块，用于根据每两个待归类图片的特征向量之间的距离构建至少一个连通 图，所述至少一个连通图的每个顶点对应一个待归类图片，若两个待归类图片的特征向量 之间的距离小于或等于预设阈值，则所述两个待归类图片对应的顶点用边相连； 减边模块，用于对每个连通图进行减边处理，对于该连通图中的每条边，判断该条 边的两个顶点所连接的顶点数是否小于该连通图的总顶点数，若该条边的两个顶点所连接 的顶点数小于该连通图的总顶点数，则删除该条边； 输出模块，用于根据所有减边处理后的连通图，输出所述多个待归类图片的归类 结果。 另一种可能的实现方式中，所述将所述多个待归类图片进行预处理包括： 将所述多个待归类图片转换为预设图片格式；和/或 将所述多个待归类图片转换为预设尺寸；和/或 将所述多个待归类图片转换为预设颜色。 另一种可能的实现方式中，所述卷积神经网络包括AlexNet网络、VGGNet网络、 GoogleNet网络、ResNet网络。 另一种可能的实现方式中，所述装置还包括： 5 CN 111597373 A 说　明　书 3/13 页 训练模块，用于使用公共图片库对所述卷积神经网络进行预训练；使用已标注相 似图片类别的图片对预训练后的卷积神经网络进行相似图片归类任务微调。 另一种可能的实现方式中，所述装置还包括： 增边模块，用于对每个减边处理后的连通图进行增边处理，若两个顶点在一个连 通图中但是没有相连的边，则在所述两个顶点之间增加一条边。 另一种可能的实现方式中，所述装置还包括： 去遮挡模块，用于判断每个预处理后的待归类图片是否为遮挡图片；若所述预处 理后的待归类图片为遮挡图片，则对所述预处理后的待归类图片进行去遮挡处理。 另一种可能的实现方式中，所述输出模块用于： 从每个减边处理后的连通图中确定一个代表图片； 输出所述代表图片。 本申请的第三方面提供一种计算机设备，所述计算机设备包括处理器，所述处理 器用于执行存储器中存储的计算机程序时实现所述基于卷积神经网络和连通图的图片归 类方法。 本申请的第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算 机程序被处理器执行时实现所述基于卷积神经网络和连通图的图片归类方法。 本发明获取多个待归类图片；将所述多个待归类图片进行预处理；将每个预处理 后的待归类图片输入卷积神经网络进行特征提取，得到每个待归类图片的特征向量；计算 每两个待归类图片的特征向量之间的距离；根据每两个待归类图片的特征向量之间的距离 构建至少一个连通图，所述至少一个连通图的每个顶点对应一个待归类图片，若两个待归 类图片的特征向量之间的距离小于或等于预设阈值，则所述两个待归类图片对应的顶点用 边相连；对每个连通图进行减边处理，对于该连通图中的每条边，判断该条边的两个顶点所 连接的顶点数是否小于该连通图的总顶点数，若该条边的两个顶点所连接的顶点数小于该 连通图的总顶点数，则删除该条边；根据所有减边处理后的连通图，输出所述多个待归类图 片的归类结果。本发明可以实现快速、准确的相似图片归类。 附图说明 图1是本发明实施例提供的基于卷积神经网络和连通图的图片归类方法的流程 图。 图2是本发明实施例提供的基于卷积神经网络和连通图的图片归类装置的结构 图。 图3是本发明实施例提供的计算机设备的示意图。 图4是对图片构建连通图的示意图。 图5是对连通图进行删边处理的示意图。 图6是对连通图进行增边处理的示意图。