[发明专利]基于压缩域的社会图像标签排序方法

权利要求书

1.基于压缩域的社会图像标签排序方法，其特征在于包括：

压缩域描述性词包构建

1）重建低分辨率图像

对8×8的图像块构建出原图像分辨率的1/2×1/2版本的图像；

2）提取SIFT描述算子

3）生成视觉单词

从图像中提取SIFT特征数据库，采用k均值聚类方法进行聚类分析，并选取每类中心作为视觉单词，构建视觉单词库；

4）构建描述性视觉词包

提出了描述性视觉词包建立方案，包括描述性视觉单词DVW和描述性视觉单词对DVP；DVW指能够高效描述某类目标或者场景的特定视觉单词，DVP指在某类别的图像中经常出现的视觉单词对；

针对DVW，依据网页排序的原理提出一种视觉单词排序算法，挑选出各个图像类别中具有描述性的视觉单词，也即得到DVW；针对DVP，首先通过检测一定的空间距离内经常成对出现的视觉单词得到DVP候选词，然后计算每个DVP候选词的重要性并进行排序，从中挑选出各类别中具有描述性的候选词对，得到DVP；最后将DVW和DVP集中起来，形成最终的描述性视觉词包；

还包括标签排序：

在描述性视觉词包基础上，进行相似性匹配得到查询图像的k近邻图像子集；引入近邻投票模型进行标签排序，通过近邻图像的标签对关键图的标签进行投票，进行投票统计，也即计算标签的相关度得分，按照最终的相关度得分对标签排序，得到图像新的标签列表；

具体说来，给定图像I和相应的标签列表T={t₁,t₂,…,t_n}，首先，根据图像的低层特征寻找图像I的k近邻图像集；然后，统计标签列表T={t₁,t₂,…,t_n}中各标签在图像I的k近邻图像集中的出现次数，计算相关度得分；最后，依据各标签的相关度得分将标签进行降序排列，得到最终的排序结果。

2.根据权利要求1所述的基于压缩域的社会图像标签排序方法，其特征在于：

生成视觉单词具体为：

对图像库中的每类图像进行SIFT特征的提取；假定该类图像共N幅，首先检测每幅图像的关键点，得到每幅图像各个关键点的描述算子，即128维的SIFT特征向量；然后将所有图像的所有关键点的描述算子集中起来，采用K均值聚类方法进行聚类分析，选取每个聚类中心作为视觉单词，也就得到了该类别N幅图像的视觉单词库。