[发明专利]基于WordNet语义相似度的多特征图像标签排序方法

权利要求书

1.基于WordNet语义相似度的多特征图像标签排序方法，其特征在于包括以下步骤：

步骤1，建立训练样本库；

利用现有的数据库NS-WIDE中的图像建立一个专门应用于SVM线性分类器训练的样本图像库，包括场景类图像和对象类图像；

步骤2，提取样本库中图像的显著性区域图；

步骤2.1，获取初级视觉特征；

利用现有的Itti模型原理方法，通过计算中央周边差分采样，分别得到亮度、颜色和方向特征图N(I)、N(C)和N(O)，并将三种特征图组合成显著性区域图S；

S＝α*N(I)+β*N(C)+γ*N(O)

其中，N(·)为归一化函数，α、β和γ分别代表亮度、颜色和方向特征图的权值系数；

步骤2.2，基于人脑过滤冗余信息机制过滤冗余噪声信息；

步骤2.3，通过禁止返回的检测机制、就近转移的原则和注意尺寸的确定实现焦点的注意和转移；

步骤3，训练SVM分类器；

步骤3.1，获取显著性区域图的灰度直方图特征；

分别提取对象类和场景类图像的显著性区域直方图特征Object_Bw_SaliencyMap{O₁,O₂,O₃,…,O_m}和Sense_Bw_SaliencyMap{S₁,S₂,S₃,…,S_n}；对象类、场景类图像灰度直方图特征向量分别为：

OBw_f＝{OBw_f₁,OBw_f₂,OBw_f₃,...,OBw_f_i,...,OBw_f_m}

SBw_f＝{SBw_f₁,SBw_f₂,SBw_f₃,...,SBw_f_i,...,SBw_f_n}

其中，OBw_f_i与SBw_f_i分别为某幅对象类和场景类图像的灰度直方图特征向量；

步骤3.2，训练SVM分类器；

将对象类与场景类图像作为SVM线性分类器的正负样本，其对应的灰度直方图特征向量OBw_f、SBw_f作为SVM分类器的输入特征向量，通过SVM线性分类器训练得到一个线性分类器，其表达式为：

f=Bw_f*Σi=1nWeighti+bias]]>

其中，Bw_f=OBw_f或SBw_f；Weight＝{Weight₁,Weight₂,...,Weight_n}为分类器的权重，n为灰度直方图的特征维数，bias为偏置；

步骤4，测试图像标签预处理；

在对测试图像标签排序之前，对测试图像原有标签的不准确性、不全面性进行预处理；

步骤5，判断测试图像的类型；

利用所述步骤2的方法提取测试图像的显著性区域图，并提取显著性区域图的灰度直方图特征；将此特征向量输入SVM分类器，求出f的值，并根据f的值判断测试图像是场景类图像还是对象类图像；图像类型的判别公式如下：

Type=1,f∈[α1,β1]0f∈[α2,β2]]]>

其中，α₁和β₁、α₂和β₂表示对象类、场景类图像经过SVM分类器分类取值范围上、下限，α₂＜β₂≤α₁＜β₁；Type表示图像类型，Type=1表示测试图像为对象类图像，Type=0为场景类图像；

步骤6，测试图像标签排序；

根据图像的类型选择不同的标签投票方法，对于场景类图像采用不同维数全局特征进行标签投票，对象类图像采用测试图像的显著图不同维数特征进行标签投票；然后对投票结果处理并进行排序。