[发明专利]一种基于Wiki的图像分类体系动态演化方法

说明书

技术领域

本发明涉及一种基于Wiki的图像分类体系动态演化方法。

背景技术

图像分类是Web数据挖掘领域的一个重要研究方向，是一种非常重要的图像信息组织和管理手段。通过对图像进行合理的分类不仅可以将图像按照类别信息建立相应的信息资源库，更好地提供图像检索和管理服务，方便科研人员进行研究和利用，而且可以用来提高搜索引擎的搜索准确性，便于普通用户查找及使用，最大程度上满足用户的需求。

关于图像分类体系的构建一般有两种方式，一种是参照传统的文献分类法或主题词分类法来进行分类。如ImageNet，其是跟据WordNet的词汇树进行分类的，是一种层次结构。此结构很方便用于信息的查询和存储，但由于其体系比较固定，不适应网络的动态发展。另一种分类方式是Folksonomy大众分类法，即个人用户为满足自身检索的需要，对信息或对象自由添加标签(Tag)的结果。如Flickr就是采用这种方法，允许用户上传照片，添加标签，对所浏览的照片进行评论，并进行标注。Folksonomy具有共享性、自由性、动态性等特点。但由于Folksonomy中标引词的模糊性、标注的自由性及非规范性，导致其标签的组织与检索缺乏效率。

Wiki因其遵循“平等、开放、自由、共享”等理念[而广泛应用于知识管理、教学、软件开发、语义网构建[等领域。而其在图像等非结构化数据管理方面的应用还比较少。

发明内容

有鉴于此，本发明采用Wiki方式搜集用户对图像分类体系的反馈，并对用户反馈进行分析整理，实现分类体系的动态演化。其特征在于在图像所属类别的动态演化部分设计了一套机器自动判定模型；在类别自身组织结构的动态演化部分，主要以Wiki方式搜集用户对类别结构的反馈，并且记录反馈信息及对日志进行挖掘，由系统管理员去决定类别关系的调整。其步骤如下：

(1)通过图像分类器和语义关联矩阵自动产生相关的类别建议词汇，  得到图像的初始类别标注，包括主类别和副类别，主类别即图像所属的类别，副类别指图像所属的候选类别，即此图像有可能属于此类别，用来和主类别竞争；其具体过程为，用户在上传图像时，抽取图像的底层SIFT特征，用特征向量X表示，将此特征向量与训练好的图像SIFT特征集Y＝{y1，y2，...yn}计算其相似度，Y中的每一个特征向量对应着一个类别词，将此图像赋予与特征向量X最相似的向量yk的类别词，将此类别词提交给语义关联推荐模块，根据系统中维护的语义关系表，向用户推荐类别词，由用户选择主类别或者副类别，也允许用户添加未推荐的类别词；这些由上传图像的用户确定的图像主类别C_main和副类别初始类别词，作为图像的初始类别标注，构成一个图像所属类别初始版本L0；

(2)基于维基(wiki)模式，即大规模的开放协作和资源共享模式，允许并鼓励普通用户大众对大规模图像数据管理系统的数据进行类别更新操作，包括所属类别判定，投票，标签添加以及语义描述等方式；

(3)对于步骤2的更新操作，根据本发明提出的图像所属类别的动态演化模型，进行图像所属类别的判定；

(4)对于步骤2的更新操作，根据本发明提出的类别自身组织结构动态演化模型，调整类别组织结构；

(5)基于统计模型对用户的操作进行统计，用来调整步骤3和步骤4的演化模型的相关参数。

根据本发明的又一个方面，所述的步骤(1)包括：

(1.a)图像分类器的训练部分。训练部分过程主要包括采用如下算法提取训练图像的SIFT特征：

(a.1)生成图像尺度空间。假设方差为δ的二位高斯函数为G(x，y)，其中给定二维图像I(x，y)，在不同尺度下的尺度空间表示L(x，y，δ)可由I(x，y)与高斯核G(x，y)卷积得到L(x，y，δ)＝G(x，y)*I(x，y)。其中*表示卷积操作。(x，y)代表图像像素的位置，δ称为尺度空间因子。其值越小则表征该图像被平滑的越少，相应的尺度也就越小。

(a.2)建立图像DOG金字塔。对尺度空间图像序列进行DOG(Difference of Gaussian)操作，找到具有稳定尺度特征的关键点。定义高斯差分如下：D(x，y，δ)＝L(x，y，kδ)-L(x，y，δ)，其中k为尺度因子比例系数，用来等比例地改变尺度空间的值。