[发明专利]一种网络图像自主收集与筛选方法

说明书

技术领域

本发明涉及构建计算机视觉与模式识别图像数据库领域，特别涉及一种用于构建图像目标类别数据库的网络图像自主收集与筛选方法。

背景技术

图像目标类别数据库是进行计算机视觉与模式识别研究的必要条件，研究建立高质量图像目标类别数据库的方法和系统对于计算机视觉与模式识别的研究工作具有重要的意义。目前，建立图像数据库的绝大多数方法均出现以下问题：

1）收集图像数据以及数据的标记工作需要大量的人工劳动，极大的限制了数据库的规模，这成为扩大图像数据库规模时一个很难突破的瓶颈。

2）人工收集和标记图像数据库的过程并非一个完全客观地过程，不同知识文化背景的人所收集的图像数据以及对其进行的标记总是不同的，这就导致建立的图像数据库往往是有偏的，即无法确保对各种计算机视觉和模式识别算法进行评测的客观性。

发明内容

本发明的目的在于提供一种网络图像自主收集与筛选方法。

为达到上述目的，本发明采用了以下技术方案：

1）图像主题提取

选取单幅图像，然后选择网络搜索引擎对单幅图像进行检索得到搜索结果，对搜索结果进行提取后得到图像主题；

2）网络图像及相关文本信息自动下载

根据图像主题从网络下载图像及与图像相关的文本信息至本地数据库得数据集；

3）图像数据筛选

利用图像信息及与图像相关的文本信息对数据集内的图像进行筛选得目标图像集。

所述图像主题提取的步骤为：首先，借助网络上的以图搜图服务对选取的单幅图像进行检索，得到与单幅图像相关的文本检索信息；其次，利用先验语义知识以及统计方法对文本检索信息进行提取处理得到图像主题。

所述对文本检索信息进行提取处理包括以下步骤：

调用WordNet的语义网络对文本检索信息进行过滤，滤除介词、冠词、抽象名词、动词、形容词以及副词；如果过滤后只剩一个单词，那么该单词便是图像主题；如果过滤后剩余多个单词，以剩余的单词作为关键词分别在基于文本的图像检索中搜索图像的网址，获取前15-20幅图像的网址；将图像的网址分别利用以图搜图服务进行检索，得到与网址相关的文本检索信息；对所有与网址相关的文本检索信息进行分词后统计词频，词频最高的单词即为单幅图像的图像主题。

所述自动下载中，如果因下载请求遭到拒绝或读取流失败导致下载失败，并且重试三次仍下载失败，那么跳过对此图像的下载程序，直接进入下一张图像的下载程序；下载某一图像时，如果在设定时间内图像下载完成，则进入下一张图像的下载程序，若在设定时间内没有完成图像下载，则抛弃此次下载结果，然后进入下一张图像的下载程序。

所述图像数据筛选的步骤为：首先，利用图像的归一化灰度直方图分布信息剔除数据集中的非自然图像；其次，利用与图像相关的文本信息剔除数据集中偏离图像主题的图像。

所述文本信息为图像Tag信息。

所述非自然图像包括卡通画、图标、手绘或合成的图像。

所述非自然图像的判断依据为：在图像的归一化灰度直方图中，频率阈值取0.06，即当出现频率大于0.06的灰度级数量小于60时图像被判定为非自然图像。

所述剔除数据集中偏离图像主题的图像包括以下步骤：

对与图像相关的文本信息进行分词得多个单词；利用WordNet的语义网络从多个单词中筛选表示Object的词；若表示Object的词属于同一个同义词集合，那么保留与文本信息相关的图像，否则剔除与文本信息相关的图像。

本发明的有益效果为：

首先，互联网上的图像数据信息日渐庞大，网络传输协议更加标准和完善，图像搜索引擎飞速发展，在一定的时间段内，搜索引擎在特定搜索条件下的返回结果是不变的，即不论何人进行图像检索，得到的返回结果在一定时间段内是相同的，这样就能消除由于人工收集数据集而带来的有偏性。其次，将搜索引擎返回的图像搜索结果自动的并具有针对性的下载至本地数据库中，这样能避免大量的人工收集工作。

附图说明

图1为网络图像自主收集与筛选系统框图。

图2为图像主题提取流程图。

图3为网络图像及其Tag信息自动下载流程图。

图4为图像数据筛选流程图。

图5为Google返回结果中的非自然图像。

图6为Tag信息及其对应图像示例。

图7为自然图像的灰度直方图示例。

图8为卡通图等非自然图像的灰度直方图示例。