基于Semi-CCA的自動圖像標注研究.pdf

1、隨著信息技術(shù)的快速發(fā)展，信息獲取和信息存儲能力的不斷提高，從海量數(shù)據(jù)中獲取我們感興趣的信息成為當(dāng)前研究的熱點之一。
　　 同樣，在計算機視覺和圖像處理及模式識別領(lǐng)域，圖像檢索也成為重要的研究方向之一。在早期，因為數(shù)據(jù)量并不十分龐大，人們考慮使用基于文本的圖像檢索方式，這種檢索方式，優(yōu)點是檢索準確且直觀。然而，隨著信息量的指數(shù)級增長，對圖像進行手工標注，工作量巨大，且存在因為不同標注者主觀感覺不同導(dǎo)致的標注二義性。于是，基于內(nèi)容的

2、圖像檢索方式被提出并得到了很快發(fā)展，它主要是從圖像中提取低層特征，包括顏色、紋理、空間關(guān)系等，然后計算圖像之間的特征相似性，找到對應(yīng)圖像。這種方法靈活，豐富，但是也存在一個很大的問題，就是“語義鴻溝”，即相同或相似的低層特征往往對應(yīng)完全不同的高層語義特征。為了解決這個問題，人們提出了基于自動圖像標注的檢索，用與圖像檢索等方面。這種方法核心是學(xué)習(xí)一個已經(jīng)標注好的圖像庫，找到圖像低層特征和標注詞之間的對應(yīng)模型，再用該模型，計算出最適合待標注

3、圖像的關(guān)鍵詞。于是，基于標注的圖像檢索就轉(zhuǎn)換成了已經(jīng)發(fā)展成熟的基于文本的圖像檢索了。
　　 本文，借助于統(tǒng)計學(xué)中的典型相關(guān)分析工具，可以得到標注庫中標注詞向量組和圖像低層特征向量組之間的相關(guān)性，從而得到投影的特征向量，再使用k-means聚類，得到若干概念類，將概念類中的圖像進行分割，提取這些區(qū)域的低層特征，繼續(xù)進行k-means聚類，這樣，每一個概念類中，得到若干特征相似的塊blob，最后，利用多伯努利模型，就可以計算的到塊b