[发明专利]标注图像中区域与标注对应关系的确定方法

摘要

本发明提供的是一种标注图像中区域与标注对应关系的确定方法。首先，将视觉描述转换为标注字的权值，代表与视觉的相关程度，利用Topic模型提取场景类别，并将场景内图像的区域聚类为视觉概念。然后在不同场景中，采用信度传播方法降低视觉概念的标注不确定性，即在不同场景间寻找相同或同义的标注字，令其在视觉相似的区域间传播。最后，构建每个场景下的贝叶斯网络，获得视觉概念的标注结果。通过对图像分割区域的标识结果进行融合，最终可以获得图像物体语义级的分割与识别结果。本发明避免了对单幅图像的每个区域单独进行标注，能够有效地提高算法效率。能够方便有效地实现非标注图像的语义内容分析。

主权项

一种标注图像中区域与标注对应关系的确定方法，其特征是：步骤1，特征提取：对学习用的标注图像，采用模糊K‑均值方法进行图像过分割，获得区域视觉描述，并利用信度传播方法，使标注字在视觉近邻间传播，将视觉描述转换标注字权值；步骤2，提取场景语义类别：获得所需的图像特征后，利用概率潜在语义分析模型对学习用的标注图像进行自动场景语义分类，即合理地运用图像的视觉和标注字之间高、低级语义信息的互补性，有效地自动构建出图像语义类别；步骤3，生成视觉概念：在确定了图像的场景语义类别后，按高斯混合模型对场景内的视觉分布进行建模，模型个数由场景内标注字个数指导确定，每个视觉高斯分布模型对应一个视觉概念；步骤4，构建不同场景间的视觉概念近邻图：近邻图中的每个节点对应一个视觉概念，视觉概念分布的相似性采用彼此的KL距离；步骤5，场景间视觉概念的标注传播：利用数据字典在不同场景间寻找相同或同义的标注字，令其在视觉相似的区域间传播；步骤6，场景下的贝叶斯网络构造：构造场景内视觉概念的贝叶斯网络结构，通过场景内概念间的贝叶斯推理，获得确切的标注信息；步骤7，视觉语义网络的建立：将视觉近邻图中具有连接关系、并最终具有一致标注的视觉概念合并成一个节点，形成一个视觉语义网络图；步骤8，对非标注图像的区域标注：对非标注图像进行语义内容分析时，待分析图像每个区域的视觉描述激活多个语义概念，采用信度传播方法让可能的标注在激活的语义网络中传播，收敛后获得分割区域的标注结果；图像间的相似性度量采用推土机距离方法。