[发明专利]一种基于决策树的图像自动标注方法和装置

权利要求书

1.一种基于决策树的图像自动标注方法，其特征在于，该方法包括以下步骤：

步骤S1：输入图像集；

步骤S2：对所述图像集中的图像进行预处理；

步骤S3：采用N-cut算法对图像进行分割，分别对分割后的区域进行视觉特征提取和量化，然后根据量化后的特征信息计算出特征相似性，根据所述特征相似性将图像的有效区域进行聚类，形成视觉词元；

步骤S4：统计所述图像集中的训练图像的关键词和视觉词元信息，利用后验概率知识对图像进行初始标注，计算出每个关键词作为所述图像集中的测试图像标注的标注概率P(w|I)，w为关键词，I为测试图像；

步骤S5：根据所述标注概率P(w|I)，设立阈值将所述标注概率P(w|I)分为三个部分，生成左子树和右子树；

步骤S6：利用词间相关性计算所述左子树和右子树之间的词间相关性；

步骤S7：将满足一定条件的关键词再形成新的左子树和右子树，选择所有的左子树里面的关键词作为待标注图像的关键词；

所述步骤S3包括以下步骤：

步骤S31：采用N-cut算法将所述图像集中的每幅图像都进行分割，选择图像的有效区域；

步骤S32：对分割后的图像的有效区域提取颜色特征和纹理特征作为局部特征描述算子，提取主成分分析的尺度不变特征作为全局特征，将所述局部特征和所述全局特征归一化之后融合成一个长特征向量；

步骤S33：根据所述长特征向量计算特征相似性；

步骤S34：根据所述特征相似性，采用K-均值方法对分割区域进行聚类，使得分割后的区域属于某一类别，同时赋予每一类一个唯一的整数编号，得到视觉词元。

2.根据权利要求1所述的一种基于决策树的图像自动标注方法，其特征在于，

所述步骤S2包括以下步骤：

步骤S21：对所述图像集中的所有图像，包括训练图像和测试图像，进行尺寸大小归一化；

步骤S22：对所述测试图像中的模糊图像利用维纳滤波法进行图像修复。

3.根据权利要求2所述的一种基于决策树的图像自动标注方法，其特征在于，所述步骤S4包括以下步骤：

步骤S41：统计出每个关键词出现在每幅图像的标注中的次数，记为#(w,J)；统计出关键词在训练集标注中的总次数，记为#(w,T)；统计出视觉词元b出现在每幅图像中的次数#(b,J)；最后统计出视觉词元b出现在全部训练集中的次数#(b,T)；

步骤S42：计算

然后根据公式将关键词与视觉词元的联合分布边缘化求得P(w|b₁L b_m)≈P(w|I)；其中w_i(i＝1L n)为关键词，b_i(i＝1L m)为视觉词元，训练图像为J_i＝{b₁L b_m,w₁L w_n}，T为训练图像集，I＝{b₁L b_m}为测试图像。

4.根据权利要求3所述的一种基于决策树的图像自动标注方法，其特征在于，所述步骤S5包括以下步骤：

步骤S51：设置双阈值ε₁，ε₂；

步骤S52：根据

将关键词分为三部分，当P(w|I)＞ε₁时，直接选取相应的关键词作为待标注图像的关键词，设为左子树，当ε₂＜P(w|I)＜ε₁时将这些关键词置于同一集合中，作为右子树，当P(w|I)＜ε₂时直接舍弃这一部分关键词信息；其中S(w)、Q(w)表示满足条件的关键词集合，表示不包含任何关键词。