[发明专利]基于贝叶斯算法对图像语义数据的概率潜在参数估计模型

说明书

技术领域

本发明涉及的是关于贝叶斯概率估计算法。

背景技术

概率论是逻辑严谨推理性强的一门数学分科，贝叶斯公式是概率论中较为重要的公式，贝叶斯所采用的许多术语被沿用至今。机器学习的主要难点在于“被阐述”的词法和“真正要表达”的语义的区别。产生这个问题的原因主要是：1.一个单词能有多个意思和多个用法。2.同义词和近义词，而且根据不同的语境或其他因素，不同的单词也有可能表示相同的意思。

利用贝叶斯概率估计原理来计算机器学习的主要难点是很方便的，也是目前最优秀的方法。

图像的内容特征检索，到目前为止是一种很成熟的检索系统，但他的检索效果是不尽人意的。主要问题就是机器学习所产生的问题，本发明就是利用贝叶斯概率估计算法来解决机器学习的问题。

发明内容

本发明通过贝叶斯概率潜在语义分析对无监督学习图像的语义特征进行语义数据的挖掘，建立一个概率潜在语义算法的模型。主要解决了图像检索中的主要问题1、语义鸿沟；2、一义多词和一词多义所产生的检索数据不到位和重复检索。

设一幅图像对应一篇文档，设图像语义特征对应文档的关键单词，建立一个文档-关键单词语义向量共现矩阵。根据贝叶斯概率估计原理，条件概率的计算方法，应用概率潜在主题词来计算文档的最大相似度。

本发明的技术方案为基于机器学习的贝叶斯估计算法建立概率潜在语义模型，包括以下步骤：

步骤1，通过概率潜在语义分析方法（PLSA）对无监督图像语义知识库数据进行挖掘，建立文档（图像）---潜在语义---词（图像语义特征）之间的概率语义关系，就是每一组（D，W）都与潜在语义Z有关联；

步骤2，用贝叶斯概率估计算法计算出潜在语义主体词最大似然估计和期望最大化；

步骤3，建立概率潜在语义模型。

而且，步骤1中，无监督学习是一种基于图像语义知识库，它的生成是由计算机用高斯混合模型（GaussianMixtureModel,GMM）的图像语义标注方法自动生成的；

而且，步骤2中，在贝叶斯估计计算时，先验概率分布符合BETA分布，根据先验概率、似然函数计算出后验概率；

而且，步骤2中，潜在函数Z用最大似然估计来训练，最大似然估计中比较常用的算法就是期望最大化算法。期望最大化算法分为两步：

1.ExpectationStep——隐含参数的估计

2.MaximizationStep——确定实际参数，然后根据实际参数做最大似然估计。

附图说明

附图1潜在主题词图。

附图2不对称概率潜在语义模型。

附图3对称概率潜在语义模型。

附图4为本发明实施原理图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

本发明提出基于贝叶斯概率算法对无监督图像语义数据的概率潜在语义的参数估计模型，假设图像语义知识库已经由计算机用高斯混合模型（GaussianMixtureModel,GMM）的图像语义标注方法自动生成的，标注语义之间互相独立，没用前后顺序。为了更为详细的阐述本发明的具体实施方案，下面基于附图进行进一步的叙述，实施流程如下。

步骤１，设一幅图像对应一篇文档空间，图像的特征映射到文档的关键词空间。使用bag-of-word模型来表示一个文档，即一个由单词组成的向量。单词独立于文本语义，忽略了单词在文档中的顺序，只表现单词在文档中出现的频率，一个单词表示空间的一个维度，从而得到文档—单词共现矩阵，这个矩阵的每一项代表了第i个单词在第j篇文档中的权重。共现矩阵已经通过词频-逆文档频率（TF—IDF）降维。