[发明专利]一种基于多示例包特征学习的图像多标签标注算法

摘要

本发明公开了一种基于多示例包特征学习的图像多标签标注算法，包括：得到所有训练图像的图像分块的集合；对训练图像的图像分块的集合中的每个图像分块提取颜色直方图特征和方向梯度直方图特征；将一个训练图像看作一个图像包，得到多示例学习框架所需的图像包结构；将训练图像集合中所有图像包中的示例组成投影示例集合，每个图像包通过向该投影示例集合投影得到图像包的投影特征；选择出判别性高的特征作为图像包的分类特征；将学习出的训练图像集合的图像包的分类特征送入SVM分类器进行训练，得到训练模型的参数，用训练好的SVM分类器对测试图像标签进行预测。本发明的标注算法实现简单，训练器成熟可靠，预测快捷，更好的完成图像多标签。

主权项

1.一种基于多示例包特征学习的图像多标签标注算法，其特征是，包括以下步骤：步骤一：获得训练图像集合并对其中的所有训练图像进行分割，得到所有训练图像的图像分块的集合；步骤二：对训练图像的图像分块的集合中的每个图像分块提取颜色直方图特征和方向梯度直方图特征；步骤三：将一个训练图像看作一个图像包，该训练图像的颜色直方图特征和方向梯度直方图特征看作图像包内的示例，则得到多示例学习框架所需的图像包结构；步骤四：将训练图像集合中所有图像包中的示例组成投影示例集合，每个图像包通过向该投影示例集合投影得到图像包的投影特征；步骤五：将图像包的投影特征经过范式约束的稀疏表示模型进行特征学习，选择出判别性高的特征作为图像包的分类特征；步骤六：将学习出的训练图像集合的图像包的分类特征送入SVM分类器进行训练，得到训练模型的参数，用训练好的SVM分类器对未知标签信息的测试图像标签进行预测；所述步骤一中，对训练图像进行分割时，以像素RGB颜色值作为聚类目标，采用模糊C均值聚类算法进行图像分割；所述步骤二中，颜色直方图特征和方向梯度直方图特征的提取具体步骤如下：步骤2.1：分别提取图像分块中每个像素的R，G，B颜色值；步骤2.2：将颜色值平均分为16组，以16作为组距，分别统计R，G，B三种颜色值在每组颜色值范围内的像素数，并采用最大值归一化后，得到R，G，B三种颜色的直方图；步骤2.3：将R，G，B三种颜色直方图首尾相接得到48维的分块图像的颜色直方图特征列向量，继而得到颜色直方图；步骤2.4：将图像分块进行灰度化，并提取每个像素灰度值；步骤2.5：采用Gamma校正法对输入图像分块进行颜色空间的标准化；步骤2.6：计算图像分块每个像素的梯度；步骤2.7：将梯度方向360度分为12组，组距30度，来统计每个图像分块的方向梯度直方图；步骤2.8：将颜色直方图与方向梯度直方图首尾相接，则得到图像分块的特征值向量，用列向量表示。