圖像語義自動標(biāo)注過程研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)、智能通訊手段等的快速發(fā)展，數(shù)字圖像已成為網(wǎng)絡(luò)資源中的主要表現(xiàn)形式。圖像資源的爆炸式增長，就需要有與之相適應(yīng)的圖像資源管理體系。為滿足用戶對圖像的多元化需求，從浩如煙海的網(wǎng)絡(luò)圖像資源中便捷地找到所需圖像成為亟待解決的問題。當(dāng)前的圖像檢索技術(shù)存在諸多問題，如人工標(biāo)注的主觀性和低效率問題以及根據(jù)內(nèi)容檢索面臨無法跨越的“語義鴻溝”現(xiàn)象等，圖像語義自動標(biāo)注則是解決這一系列問題的有效途徑。本文在總結(jié)圖像語義自動標(biāo)注技術(shù)的研究進(jìn)展和面

2、臨的突出問題后，提出一系列有針對性的改進(jìn)方法，主要研究工作如下:
　　標(biāo)注模型的生成階段:
　　(1)不同特征對聚類影響的大小是不同的，本文提出一種新的特征加權(quán)算法—基于類內(nèi)類間距離的權(quán)重分析，該算法彌補(bǔ)了ReliefF算法抗噪性能弱和容易陷入局部最優(yōu)的缺陷，實(shí)驗(yàn)結(jié)果表明該算法極大提高聚類準(zhǔn)確性。
　　(2)本文提出2D視覺特征聚類算法（Cluster based on Depth and Density），該算法分兩

3、步分別確定聚類類別數(shù)和初始聚類中心，克服了K-means算法對初值依賴性過強(qiáng)，且不穩(wěn)定的缺陷。最后通過聚類熵評價(jià)不同方法的聚類效果。
　　(3)本文在利用視覺特征聚類之后進(jìn)行了基于語義的再聚類，該過程充分利用語義信息將視覺特征相似但語義特征不同的樣本區(qū)分開。該模型能夠克服傳統(tǒng)的生成模型利用大量“無關(guān)”的訓(xùn)練樣本對待標(biāo)注圖像進(jìn)行概率計(jì)算的不足，有效地縮減了“語義鴻溝”。
　　圖像語義的標(biāo)注階段:
　　(4)通常并不能將圖