圖像語(yǔ)義自動(dòng)標(biāo)注過(guò)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(zhǎng)，就需要有與之相適應(yīng)的圖像資源管理體系。為滿足用戶(hù)對(duì)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(wèn)題。當(dāng)前的圖像檢索技術(shù)存在諸多問(wèn)題，如人工標(biāo)注的主觀性和低效率問(wèn)題以及根據(jù)內(nèi)容檢索面臨無(wú)法跨越的“語(yǔ)義鴻溝”現(xiàn)象等，圖像語(yǔ)義自動(dòng)標(biāo)注則是解決這一系列問(wèn)題的有效途徑。本文在總結(jié)圖像語(yǔ)義自動(dòng)標(biāo)注技術(shù)的研究進(jìn)展和面

2、臨的突出問(wèn)題后，提出一系列有針對(duì)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(duì)聚類(lèi)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(lèi)內(nèi)類(lèi)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(lèi)準(zhǔn)確性。
　　(2)本文提出2D視覺(jué)特征聚類(lèi)算法（Cluster based on Depth and Density），該算法分兩

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