基于Web的圖像自動標注方法.pdf

1、基于內(nèi)容的圖像檢索存在圖像原始的底層特征與用戶抽象的深層語義之間的“語義鴻溝”,目前縮小“語義鴻溝”的方法還不夠理想。隨著Web2.0的發(fā)展,越來越多的互聯(lián)網(wǎng)用戶在向互聯(lián)網(wǎng)上傳圖片時,同時會附加相應的文本信息對圖片予以描述或說明。這些信息對于分析圖像的語義內(nèi)容、挖掘圖像檢索用戶意圖具有重要作用。以往研究者主要偏重從機器學習的角度對圖像自動標注進行研究,對于如何有效利用這些信息并沒有給予充分的考慮與重視。
　　基于機器學習的圖片自動

2、標注方法需要大量的參數(shù)優(yōu)化與復雜的學習過程,不能快速的對大量網(wǎng)絡圖片進行有效的標注,基于此本文設計并實現(xiàn)了基于 Web的圖像自動標注方法。該方法首先利用圖像的文本化表示對圖像進行特征提取;然后使用圖像檢索技術,檢索出與要標注的圖像相似的圖像列表;通過對這些圖像的周圍文本信息進行綜合處理,最后挖掘出待標注圖像豐富的語義標注。本文的主要貢獻概括為如下幾部分:
　　(1)首先,通過使用圖像處理技術和快速流式K-means聚類算法,實現(xiàn)圖

3、像的文本化表示,將文本領域的方法應用到圖像處理中,從而簡化圖像檢索與處理時的工作。
　　(2)再次,為有效的分析基于機器學習的圖像自動標注方法的特點,在圖像文本化的基礎上，實現(xiàn)兩種當前效果較好的多類標分類方法MLKNN和MFoM。在此基礎上分析基于機器學習的圖像自動標注方法的優(yōu)缺點。
　　(3)最后,為克服基于機器學習的圖像自動標注方法的缺點,解決快速增長的互聯(lián)網(wǎng)圖片的自動標注問題。本文通過利用互聯(lián)網(wǎng)圖片的周圍文本信息對圖像

4、進行有效的語義標注,設計并實現(xiàn)了基于 Web的圖像語義自動標注方法的整體架構以及詳細算法。該方法綜合利用圖像的文本化表示、基于內(nèi)容的圖像檢索方式以及自然語言處理技術對圖像進行自動標注。
　　實驗結果表明,當圖像數(shù)據(jù)規(guī)模較大、圖片語義標簽較多的情況下,基于Web的圖像自動標注方法在準確率和召回率方面,都明顯優(yōu)于基于機器學習的圖像自動標注方法。該方法不需要大量的參數(shù)優(yōu)化和復雜的學習過程,避免對訓練集進行大量的人工標注過程,能夠從相對“