[发明专利]基于标注重要性次序的图像语义自动标注方法

摘要

本发明公开了一种基于标注重要性次序的图像语义自动标注方法，包括以下步骤：(1)对训练图像集进行分类，形成一系列内容一致的图像集；(2)对每一个图像集构建语义骨架，将其中的图像用语义骨架表示，同时计算图像的关键词重要性次序和图像子块的重要性次序；(3)用统计学习的方法进行图像自动标注。本发明在图像自动标注时，考虑了图像区域子块的重要性和训练集中文本的重要性次序，有效的解决了图像自动标注准确性和词频畸形分布的问题，从而支持基于语义的图像检索。

主权项

1.一种基于标注重要性次序的图像语义自动标注方法，其特征在于它包括训练标注图像集和图像自动标注两部分，其中(1)训练标注图像集包括如下步骤：a)对于训练图像集分类，用支持向量机分类算法将标注图像集分成内容一致的图像集；b)用关键词集合和图像语义子块来表示语义骨架；(2)图像自动标注包括如下步骤：a)对于图像自动标注，先将未标注的图像分类到已构造语义骨架的某一个图像集中；b)再将该图像进行分割，并用语义骨架中的语义子块进行表示，计算语义骨架中每一个关键词w可以表示该未标注图像I的概率P(w|I)，P(w|I)的计算公式如下所示：P(w|I)≈P(w|b1，b2...bm)≈p(w，b1，b2...bm) 1$P\left(w\right|b_1,b_2...b_m)=\underset{J\in T_i}{\Sigma }P\left(J\right)P(w,b_1,b_2...b_m|J)...2$ $P\left(w\right|b_1,b_2...b_m)=\underset{J\in T_i}{\Sigma }P\left(J\right)P\left(w\right|J)\underset{k=1}{\overset{m}{\Pi }}P\left(b_k\right|J)...3$ $P(w/J)=\frac{(1-\alpha )\times \#(w,J)\times \mathrm{Order}(w,J)}{\left|J\right|}+\frac{\alpha \times \#(w,T_i)\times \mathrm{AvgOrder}(w,T_i)}{\left|T_i\right|}...4$ $P(b/J)=\frac{(1-\beta )\times \#(b,J)\times \mathrm{OrderB}(b,J)}{\left|J\right|}+\frac{\beta \times \#(b,T_i)\times \mathrm{AvgOrderB}(b,T_i)}{\left|T_i\right|}...5$ 其中Ti表示待标注图像I被分到的图像语义类；|Ti|表示语义骨架Ti中的图像的个数；J为图像语义类Ti中的图像；|J|是图像J中的语义子块和关键词数目总和；w为语义骨架Ti中关键词集合中的词；b为图像语义子块；#(w，J)是w在J中出现的次数，#(w，Ti)是w在语义Ti中出现的次数；#(b，J)是b在J中出现的次数，#(b，Ti)是b在语义Ti中出现的次数；Order(w，J)为w在图像J中的位置信息，表示w在J中的语义重要性；AvgOrder(w，Ti)为w在语义类别Ti中的语义重要性的均值；OrderB(b，J)表示b在图像J中的视觉重要性；AvgOrderB(b，Ti)为b在语义类别Ti中的视觉重要性的均值；先验概率P(J)保持唯一，用J在语义类别Ti中的出现概率表示；c)选择最大概率的若干关键词作为该未标注图像的标注词。