图像检索方法、装置、介质及电子设备与流程

本发明涉及数据检索技术领域，具体而言，涉及一种图像检索方法、图像检索装置、计算机可读介质及电子设备。

背景技术：

随着机器学习的发展，使用机器学习模型来提取图像特征的图像检索算法的应用领域越来越广泛。

然而，随着图像量级的不断增加，系统需要支持上亿级别的图像检索，每个存储节点要存储千万量级的图像特征。千万量级的图像特征不仅需要大量的存储空间，在图像检索时，速度也非常慢。目前，通过将图像特征进行降维可以增加单台机器能够存储的特征量，但是该方法仍然不能满足实际数据量的需求；并且，特征量的增多会导致检索时间越来越长，用户体验差。

因此，图像检索效率过低的问题仍有待解决。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本发明实施例的目的在于提供一种图像检索方法、图像检索装置、计算机可读介质及电子设备，进而至少在一定程度上克服图像检索效率低的问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明实施例的第一方面，提供了一种图像检索方法，包括：对样本图像进行聚类得到多个类簇；基于各所述类簇将各所述样本图像分别存储在不同的数据集群中；获取待检索图像，提取所述待检索图像的第一图像特征；对所述待检索图像进行聚类，根据聚类结果确定目标数据集群；从所述目标数据集群中确定所述待检索图像对应的目标图像。

在示例性实施例中，所述对样本图像进行聚类得到多个类簇，包括：对所述样本图像进行聚类，得到多个样本子集；对所述样本子集进行聚类，得到所述样本子集对应的多个类簇。

在示例性实施例中，所述对所述待检索图像进行聚类，根据聚类结果确定目标数据集群包括：基于样本图像，对所述待检索图像进行聚类，确定所述待检索图像对应的目标样本子集；基于所述目标样本子集，对所述待检索图像再次进行聚类，确定所述待检索图像对应的目标类簇；根据所述目标类簇的标识号，确定保存所述目标类簇中包含的样本图像的目标数据集群。

在示例性实施例中，对所述样本图像进行聚类，得到多个样本子集之后，还包括：分别确定多个所述样本子集的聚类中心，以基于所述聚类中心，确定出所述待检索图像的目标样本子集。

在示例性实施例中，所述基于各所述类簇将各所述样本图像分别存储在不同的数据集群中，包括：将各所述样本子集分别存储在第一数据集群中；基于所述第一数据集群，将所述样本子集对应的多个类簇存储在第二数据集群中。

在示例性实施例中，所述基于各所述类簇将各所述样本图像分别存储在不同的数据集群中，包括：对各所述样本图像的特征数据进行量化，得到各所述样本图像的量化特征；对于各所述类簇中包含的所述量化特征，分别通过分布式文件系统进行保存，得到多个数据集群。

在示例性实施例中，所述从所述目标数据集群中确定所述待检索图像对应的目标图像包括：对所述待检索图像的特征数据进行量化，得到第一图像特征；计算所述目标数据集群中的量化特征与所述第一图像特征的相似度；根据所述相似度计算结果确定所述待检索图像对应的目标图像。

在示例性实施例中，所述根据所述相似度计算结果确定所述待检索图像对应的目标图像包括：确定所述相似度计算结果满足预设阈值的特征数据对应的图像样本为目标图像。

在示例性实施例中，所述获取待检索图像，包括：将所述待检索图像输入机器学习模型中，得到所述待检索图像的第二图像特征。

在示例性实施例中，所述方法还包括：每隔预设时间段对所述样本图像进行更新，利用更新后的样本图像重新获取所述类簇。

在示例性实施例中，所述方法还包括：采用滚动更新机制对各个数据集群分别进行更新，以更新所述目标数据集群。

根据本发明实施例的第二方面，提供了一种图像检索装置，包括：样本聚类单元，用于对样本图像进行聚类得到多个类簇；集群获取单元，用于基于各所述类簇将各所述样本图像分别存储在不同的数据集群中；图像聚类单元，用于获取待检索图像，对所述待检索图像进行聚类，根据聚类结果确定目标数据集群；图像确定单元，用于从所述目标数据集群中确定所述待检索图像对应的目标图像。

根据本发明实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的图像检索方法。

根据本发明实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的图像检索方法。

本发明实施例提供的技术方案可以包括以下有益效果：

在本发明的一些实施例所提供的技术方案中，一方面，通过数据集群来存储图像特征，可以增加存储的图像特征的量级，有利于提高图像检索的全面性。另一方面，对待检索图像进行聚类确定出目标数据集群，然后在目标数据集群中确定目标图像，可以缩小图像检索的范围，有利于提高图像检索的速度，从而提高检索效率，提高用户体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本发明的实施例中用于实现图像检索方法的系统架构示意图；

图2示意性示出了根据本发明的实施例的图像检索方法的第一个流程图；

图3示意性示出了根据本发明的实施例的图像检索方法的第二个流程图；

图4示意性示出了根据本发明的实施例的图像检索方法的第三个流程图；

图5示意性示出了根据本发明的实施例的图像检索方法的第四个流程图；

图6示意性示出了根据本发明的实施例的图像检索方法的第五个流程图；

图7示意性示出了根据本发明的实施例的图像检索方法的第六个流程图；

图8示意性示出了根据本发明的实施例的图像检索装置的框图；

图9示意性示出一种用于实现本发明的实施例的图像检索方法的计算机可读存储介质；

图10示出了适于用来实现本发明实施例的电子设备的示例框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本示例实施方式中首先提供了一种用于实现图像检索方法的系统架构。参考图1所示，该系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送请求指令等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图片处理应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本申请实施方式所提供的图像检索方法一般由服务器105执行，相应地，图像检索装置一般设置于终端设备101中。

基于上述系统架构100，本示例实施方式提出一种图像检索方法。该图像检索方法的执行主体可以是具有计算处理功能的设备，例如服务器等。

如图2所示，该图像检索方法可以包括步骤s210、步骤s220、步骤s230以及步骤s240。其中：

步骤s210，对样本图像进行聚类得到多个类簇；

步骤s220，基于各所述类簇将各所述样本图像分别存储在不同的数据集群中；

步骤s230，获取待检索图像，对所述待检索图像进行聚类，根据聚类结果确定目标数据集群；

步骤s240，从所述目标数据集群中确定所述待检索图像对应的目标图像。

根据本示例性实施方式中的图像检索方法，一方面，通过数据集群来存储图像特征，可以增加存储的图像特征的量级，有利于提高图像检索的全面性。另一方面，利用第一图像特征对待检索图像进行聚类确定出目标数据集群，从而可以缩小图像检索的范围，然后在目标数据集群中确定待检索图像对应的目标图像，有利于提高图像检索的速度，进而提高检索效率，提高用户体验。

下面，将结合图2至图7对本示例性实施方式中的图像检索方法的各个步骤进行更加详细的说明。

如图2所示，在步骤s210中，对样本图像进行聚类得到多个类簇。

样本图像可以指图像数据库中的图像，在图像检索时需要在该数据库中检索出目标图像。该图像样本可以包括多个属性信息，例如图像标识号、图像大小、图像类型等等。样本图像还可以包括其他信息，例如图像特征等，本实施方式对此不做限定。用户可以输入希望查找的目标图像的信息，基于该信息在数据库中查找目标图像，即，找出符合条件的样本图像，例如，通过输入的关键词查找样本图像中的目标图像，通过图像特征查找目标图像等。并且，用户还可以输入一图像，通过该输入的图像查找符合的目标图像，例如，用户可以输入一人物图像，能够从样本图像中查找到包含该人物的目标图像等，因此本示例实施方式的图像检索方法可以用于各种检索场景，例如通过关键词的检索、通过图像的检索、通过图像特征的检索等。此外，可以每隔预设时间段对样本图像进行更新，以保证图像资源的全面性和有效性。

通过聚类模型可以对样本图像进行聚类获得多个类簇，其中，每一类簇包含一定数量的样本图像。通过聚类可以将数量庞大的样本图像分为多个包含的图像数量较少的类，并且，图像特征相同或相似的样本图像能够被分在同一类，以便于在进行图像匹配时能够先缩小需要匹配的样本图像的范围，从而减少图像匹配的计算次数，提高检索的效率。

对于步骤s220，基于各类簇将样本图像分别存储在不同的数据集群中。

由于样本图像的数量巨大，即使通过聚类后，每一类簇包含的图像数量也比较大，因此可以通过数据集群的方式对图像进行分布存储。属于同一类簇的样本图像可以存储在同一数据集群中，数据集群可以包括至少两台或者多台服务器，该多台服务器可以构成虚拟单一数据库逻辑映像。即，将多个服务器集中起来统一管理，并一起进行数据库服务。从而使得保存的图像特征的量级大大增加，提高图像检索的全面性，进而有利于提高图像检索的准确性。

示例性实施方式中，可以通过对样本图像进行多次聚类进一步缩小每一类中包含的图像数量，如图3所示。具体地：

步骤s301.对所述样本图像进行聚类，得到多个样本子集；

步骤s302.对所述样本子集进行聚类，得到所述样本子集对应的多个类簇。

对所有的样本图像可以进行一次聚类分为多个类，即，样本子集，每个子集中包含的一定数量的样本图像。分别对每一子集再次进行聚类将每一子集分为多个类，即类簇，使得每一类簇中包含的样本图像的数量小于子集中包含的样本图像的数量。然后，可以将不同的类簇中包含的样本图像存储在不同的数据集群中，从而减小对数据集群的存储空间的要求。并且，可以对样本图像的图像特征进行量化，进而将量化后的特征数据保存在数据集群中，以节省存储空间。此外，对样本图像的聚类以及对样本子集的聚类可以使用不同的聚类模型，例如用训练完成的第一聚类模型对样本图像进行聚类得到多个样本子集，再用训练过的第二聚类模型对样本子集进行聚类得到多个类簇。

示例性地，如图5所示，在步骤s501中，可以根据第一次聚类的聚类结果将样本子集中的图像存储在第一数据集群中，属于不同样本子集的图像存储在不同的数据集群中。然后在步骤s502中，根据第二次聚类的结果再将第一数据集群中保存的数据分为多个类存在第二数据集群中。

并且，可以通过容器工具将每类簇中包含的样本图像进行保存，或者将样本图像的特征数据进行保存，以得到各类簇对应的各数据集群。容器工具可以包括各种容器管理平台，例如kubernetes等。利用各数据集群的地址或者端口来标识不同的数据集群，并与各类簇建立映射关系。例如，通过容器管理平台可以创建多个数据集群，通过各个数据集群的地址可以标识各个数据集群，并且，可以预先将每一的标识号与数据集群的地址建立映射关系。在得到目标特征集后，根据目标特征集的标识号可以查找到目标特征集对应的数据集群的地址，该数据集群为目标数据集群。

对于步骤s230，获取待检索图像，对待检索图像进行聚类，根据聚类结果确定目标数据集群。

本示例实施方式中，可以提供一接口，通过该接口来获取检索条件，检索条件可以包括关键词、图像特征、图像等数据。如果用户采用图像进行检索，则用户可以将待检索的图像上传到该接口，或者也可以将待检索的图像的标识号上传到接口。示例性的，该接口可以包括一图形用户界面。在该图形用户界面中可以包括一搜索框，用户在该搜索框中输入待检索图像的标识号，然后通过该标识号在存储图像的数据库中获取对应的待检索图像。或者，该图形用户界面也可以包括一上传图像的控件，用户通过该控件将待检索图像进行上传，进而获取该待检索图像。

获取待检索图像后，可以通过各种算法提取待检索图像的图像特征，例如特征变换方法(scale-invariantfeaturestransform，简称为sift)、直方图法(histogramoforientedgradient，简称为hog)等等。提取图像特征也可以通过其他算法，例如局部二值法等。本示例实施方式中，通过机器学习模型可以提取待检索图像的图像特征。具体的，可以预先获取大量的样本图像，利用样本图像训练机器学习模型，再将待检索图像输入到训练后的机器学习模型中，从而得到图像特征。例如，可以利用深度学习googlenet算法来训练一googlenet模型，利用该模型提取待检索图像的图像特征。

利用图像特征能够对待检索图像进行分类，根据分类结果确定目标数据集群。根据图像特征的属性可以对图像特征进行聚类，例如颜色特征、纹理特征、形状特征等。或者，利用机器学习模型对图像特征进行分类。具体地，如图4所示，对待检索图像进行分类，从而确定目标数据集群的方法可以包括步骤s401、步骤s402以及步骤s403。

由上述步骤可知，可以通过第一聚类模型对样本图像进行聚类得到多个样本子集，再用第二聚类模型对样本子集进行聚类得到多个类簇。因此，利用第一聚类模型可以对待检索图像进行第一次聚类，确定目标样本子集，即，确定该待检索图像属于多个样本子集中的哪一类。确定目标样本子集后，可以基于第二聚类模型再次对待检索图像进行聚类确定待检索图像对应目标类簇。根据目标类簇的标识号可以确定保存目标类簇的目标数据集群。

示例性的，采用k-means算法训练第一聚类模型，利用训练后的第一模型对多个样本图像进行聚类，得到n个类。若样本图像为1000万时，设n为20，则分类后每个样本子集平均可以包含50万特征数据。第二次聚类后将样本子集可以分为10个类簇，则每一类簇可以包括5万特征数据。每一类簇的标识号可以是“1、2、3、4…”等，每个标识号与一数据集群地址具有映射关系，每个类簇包含的图像或者图像的特征数据保存在数据集群中，即每个数据集群可以保存约5万份特征数据，对存储空间的要求大大降低。

以便在步骤示例性实施方式中，对样本图像可以定时更新，则类簇中包含的图像也相应地更新，那么各类簇对应的各数据集群也需要进行更新。对各个数据集群可以分别进行滚动更新，以使得目标数据集群进行更新。例如，kubernetes集群中，每个数据集群中若有10个pod，则可以先更新前两个pod，此时还有8个pod可以提供数据服务，前两个更新完成后，再依次更新接下来的两个，以此类推，直至所有的pod更新完成，即，更新的过程中至少有8个pod能够提供数据服务。采用滚动更新的方法能够避免数据服务中断，造成用户体验较差的问题，并且还能够提高系统的健壮性。

确定待检索图像对应的目标数据集群可以通过各类簇的聚类中心来确定。对于聚类模型分类得到的多个样本子集，可以分别确定各样本子集的聚类中心。计算样本子集中各样本的距离均值，可以得到聚类中心。基于聚类中心确定待检索图像对应的目标样本子集。分别计算各聚类中心与待检索图像的图像特征的距离，将距离最小的聚类中心对应的样本子集确定目标样本子集。同理地，通过各类簇的聚类中心也可以确定待检索图像对应的目标类簇。或者，将待检索图像输入该第一聚类模型后，该第一聚类模型将会根据图像特征与各聚类中心的距离对该第一图像特征进行分类，然后输出该待检索图像所属的目标样本子集。

在示例实施方式中，基于对样本图像的聚类结果将样本图像存储在不同的数据集群中可以包括步骤s601和步骤s602，如图6所示。

在步骤s601中，对样本图像的特征数据可以进行量化，从而得到量化特征。通过降维算法对特征数据进行量化，例如通过低方差滤波、反向特征消除等算法对特征数据进行降维。通过对特征数据进行量化，可以将浮点数特征量化为0或者1。量化后可以得到每个图像特征对应的量化特征。

在步骤s602中，通过分布式文件系统将量化特征进行保存，能够得到多个数据集群。每一数据集群保存同一类簇中的量化特征，量化特征相比与图像的原始特征来说，所需的存储空间大大减小，从而满足数据量级增长的要求。

继续参考图2，在步骤s240中，从目标数据集群中确定待检索图像对应的目标图像。

本示例实施方式中，通过目标数据集群的地址可以访问目标数据集群上保存的数据，进而根据待检索图像的图像特征与目标数据集群中的特征数据确定出目标图像。示例性的，利用分布式文件系统可以对目标类簇中的样本图像特征进行保存，进而在确定待检索图像对应的目标类簇后，可以确定出目标类簇所属的文件系统。如果每个样本子集包含10000个样本图像，第二聚类模型将样本子集可以分为10类，那么每个类簇中可以包含约1000个图像，则目标类簇所属的文件系统中保存的样本图像约为1000，需要与待检索图像的图像特征计算相似度的特征数据约为1000，从而可以大大减少计算量，提高数据计算速度，从而提高图像检索效率。

提取待检索图像的图像特征，通过计算目标类簇中的特征数据与待检索图像的图像特征的相似度，进而确定出目标图像。如果数据集群中保存了样本图像量化后的特征，则可以将提取出的检索图像的图像特征进行量化，通过量化后的特征与数据集群中的特征进行相似度计算。相似度的计算可以通过欧式距离、汉明距离等，也可以通过其他算法，例如余弦距离、马氏距离等。计算出相似度之后，可以按照相似度从高到低进行排序，选取前n个特征数据对应的图像样本作为目标图像。或者，将相似度满足阈值的特征数据对应的图像样本作为目标图像。

示例性实施方式中，本公开上述的图像检索方法还可以包括步骤s701至步骤s705，如图7所示。

在步骤s701中，用户可以通过一用户界面发起图像检索的请求，从而获取用户上传的检索图像；或者根据用户输入的图像标识号从数据库中获取对应的图像作为检索图像。在步骤s702中，在确定了检索图像之后，提取检索图像的图像特征，并在gpu中启动第一聚类模型预测该检索图像所属的分类。第一聚类模型可以输出检索图像的图像特征对应的分类的标识号。

在步骤s703中，第一聚类模型可以将数据库中的样本图像分为多个类，每一分类对应kubernetes集群中的一副本集，该副本集中包含一定数量的样本图像。kubernetes是管理容器集群的开源平台。在步骤s704中，确定了上述图像特征对应的副本集后，将图像特征在该副本集中进行再一次聚类，确定glusterfs中的特征集。glusterfs是一个分布式文件系统，部署了多个样本图像，或者样本图像的特征数据。将该文件系统挂载到pod上，pod就可以访问上面存储的数据，服务启动时每个pod可以将自己负责的数据加载到内存中。

为了节省存储空间，数据集群中无需保存样本图像的原始图像特征，可以对图像特征提取出来后进行量化，将量化后的特征数据保存在数据集群中。同理的，分布式文件系统中保存的特征数据也可以是对样本图像的图像特征量化后的特征数据。也就是说，在第一聚类模型对样本图像进行聚类后，可以得到各样本子集的聚类中心，然后根据该聚类中心确定目标样本子集，对于目标样本子集中包含的样本图像利用第二聚类模型进行聚类，聚类之后得到多个类簇，然后将各类簇中包含的样本的图像特征进行量化，利用分布式文件系统保存量化后的特征数据。

可选地，如果样本图像的数据量非常巨大，经过两次聚类后，每个类中的样本量仍然在千万量级，那么可以再次聚类，直到最终每个子集的样本量在百万量级或者更少。

在步骤s705中，确定了待检索图像对应的类簇后，读取加载到内存中的特征数据，计算待检索图像的图像特征与读取到的特征数据的相似度，根据相似度计算结果确定出检索图像对应的目标图像。该目标图像可以通过用户界面展示给用户。

以下介绍本发明的装置实施例，可以用于执行本发明上述的图像检索方法。如图8所示，该图像检索装置800可以包括：样本聚类单元810、集群获取单元820、图像聚类单元830以及图像确定单元840。

具体的，样本聚类单元810，用于对样本图像进行聚类得到多个类簇；集群获取单元820，用于基于各所述类簇将各所述样本图像分别存储在不同的数据集群中；图像聚类单元830，用于获取待检索图像，对所述待检索图像进行聚类，根据聚类结果确定目标数据集群；图像确定单元840，用于从所述目标数据集群中确定所述待检索图像对应的目标图像。

在示例性实施例中，基于前述方案，样本聚类单元810可以包括：第一聚类单元，用于对所述样本图像进行聚类，得到多个样本子集；第二聚类单元，用于对所述样本子集进行聚类，得到所述样本子集对应的多个类簇。

在示例性实施例中，基于前述方案，图像聚类单元830可以包括：第一子集确定单元，用于基于样本图像，对所述待检索图像进行聚类，确定所述待检索图像对应的目标样本子集；类簇确定单元，用于基于所述目标样本子集，对所述待检索图像再次进行聚类，确定所述待检索图像对应的目标类簇；集群确定单元，用于根据所述目标类簇的标识号，确定保存所述目标类簇中包含的样本图像的目标数据集群。

在示例性实施例中，基于前述方案，所述装置800还可以包括：第二子集确定单元，用于分别确定多个所述样本子集的聚类中心，以基于所述聚类中心，确定出所述待检索图像的目标样本子集。

在示例性实施例中，基于前述方案，集群获取单元820可以包括：第一存储单元，用于将各所述样本子集分别存储在第一数据集群中；第二存储单元，用于基于所述第一数据集群，将所述样本子集对应的多个类簇存储在第二数据集群中。

在示例性实施例中，基于前述方案，集群获取单元820可以包括：数据量化单元，用于对各所述样本图像的特征数据进行量化，得到各所述样本图像的量化特征；数据保存单元，用于通对于各所述类簇中包含的所述量化特征，分别通过分布式文件系统进行保存，得到多个数据集群。

在示例性实施例中，基于前述方案，图像确定单元840可以包括：图像特征量化单元，用于对所述待检索图像的特征数据进行量化，得到第一图像特征；相似度计算单元，用于计算所述目标数据集群中的量化特征与所述第一图像特征的相似度；目标图像确定单元，用于根据所述相似度计算结果确定所述待检索图像对应的目标图像。

在示例性实施例中，基于前述方案，目标图像确定单元可以用于：确定所述相似度计算结果满足预设阈值的特征数据对应的图像样本为目标图像。

在示例性实施例中，基于前述方案，图像聚类单元830可以用于：将所述待检索图像输入机器学习模型中，得到所述待检索图像的第二图像特征。

在示例性实施例中，基于前述方案，图像检索装置800还可以包括：数据更新单元，用于每隔预设时间段对所述样本集进行更新，利用更新后的样本集重新获取所述特征集。

在示例性实施例中，基于前述方案，图像检索装置800还可以包括：数据集群更新单元，用于采用滚动更新机制对各个数据集群进行更新，以更新目标数据集群。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的对象控制方法。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图9所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1010可以执行如图2中所示的：步骤s210，对样本图像进行聚类得到多个类簇；步骤s220，基于各所述类簇将各所述样本图像分别存储在不同的数据集群中；步骤s230，获取待检索图像，对所述待检索图像进行聚类，根据聚类结果确定目标数据集群；步骤s240，从所述目标数据集群中确定所述待检索图像对应的目标图像。

存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(rom)10203。

存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。