[发明专利]一种基于激活扩散理论的图像标注方法

说明书

技术领域

本发明涉及计算机技术领域的图像标注方法，具体是一种基于激活扩散理论的图像标注方法。

背景技术

随着越来越多的数字图像出现在网络、个人电脑和数字设备上，要求基于图像内容分析技术能够有效地组织、管理和利用如此海量信息的愿望也越来越强烈。其中，图片标注的研究是实现基于内容的图像索引，检索及其它相关应用的最重要和最关键的一步，其目的是要在感性层面的视觉信息和语义层面的语言描述间建立一种精确的对应关系。

从模式识别的角度来看，图像标注问题可以看作模式分类问题，利用机器学习技术和概率建模方法完成，例如翻译模型，连续相关性模型，贝叶斯点机,多实例学习，概率模型，概率协作多标签模型，视觉内容模型等。由于众所周知的语义鸿沟问题，用这些方法进行注释都不能达到令人满意的结果。为减少不精确和不完整语义注释，学者们做出了很多努力来完成标签细化的问题。

经对现有技术文献的检索发现，Jin等人通过基于定义的近义词来估计标签间语义相关性的方法，可在保留那些具有较高相关度标签的同时，过滤掉那些相关度较低的标签。然而这种方法并未考虑视觉信息对标签细化的影响，因此它的成功只是片面的或有限的。为利用视觉信息提高标注质量，Wang等人提出了基于内容标注的细化方案，该方法主要通过视觉信息和文字信息来提高标注性能。Xu等人利用统计标注和视觉图像间的相互关系，提出一个规范、潜在的狄利克雷分布模型。近日，Liu等人提出通过视觉相似性和语义相似性的结合，以达到改善注释质量的目的。Zhu等人通过将用户提供的标签矩阵分解成一个低秩细化矩阵和一个稀疏误差矩阵，来重新排列图像标签。由于在图像内容的底层特征刻画和语义概念描述间存在着很大的差异，使得现有自动图像标注算法性能不甚理想。

发明内容

本发明针对现有技术的问题和不足，提出一种基于激活扩散理论的图像标注方法，采用以下技术方案：

一种基于激活扩散理论的图像标注方法，其特征是：首先，利用渐进相关性模型得到多个标签间的联合概率，产生候选标签；然后，通过激活扩散过程计算每个候选标签的相关值，细化每个候选标签的有效传播性。每幅图像的最终标签就是相关值最高的那些标签。

包括如下具体步骤：

（1）输入未标注的图像集；

（2）确定候选图像标签

确定候选图像标签过程是一个将合适标签分配给未标注图像的过程，在这个过程中要同时考虑视觉信息和标签信息的影响，假设Q为一幅测试图像，S为训练集T中的一幅图像且S的标签集为：

A_s=(a₁,a₂，...,a_m)    (1)

其中，m是标签个数；

通过如下过程计算测试图像Q的标签集的联合分布概率A_Q：

第一步：从训练集T中选取图像S的均匀概率为：

P(S)=1|T|---(2)]]>

其中，|T|表示训练集的大小；

第二步：把S选为测试图像Q的概率P(Q|S)为：