[发明专利]基于WordNet语义相似度的多特征图像标签排序方法

说明书

技术领域

本发明属于互联网社群图像标签处理领域，涉及一种利用现有数据库（NS-WIDE）图像与对应的标签列表基于WordNet语义相似度的多特征图像标签排序方法。

背景技术

随着互联网技术的不断发展，尤其是web2.0的快速发展，我们步入了信息化时代。同时社交网络的数量也在不断增多，而其中最具代表性的社交媒体网站有Facebook，Google的视频分享网站YouTube以及Yahoo的社交图像分享网站Flicker。这一类的社交网站都允许网络用户自行上传图像或者视频，用户可以通过关键字对图像的内容、时间、地点等信息进行标注，这些标注的信息被称为“标签（Tag）”，而为媒体添加关键字标签的过程被称为“Tagging”。由于大部分网络用户没有受过专门的媒体信息标注训练，同时也受到其个人的文化背景、个人因素等影响，故图像存在标注信息与图像本身相关度不大等问题，并且标签的相关性、重要性等方面不能够由现有的标签次序所反映。

为解决这个问题，近些年来大量的学者对此问题进行了研究，目前已有的对图像标签排序办法大致可以分为两类：一、基于全局特征的标签处理办法，即利用图像的全局特征对标签进行处理。二、利用显著图特征进行图像标签排序处理，此种方法首先必须从各图像提取相应的显著图，然后利用图像显著图特征找到k个最近邻显著图像，最后使用这k个图像的标签对目标图像的标签的相关性进行投票。上述两类方法在很大程度上都将标签改善与标签排序分为两个不同的研究内容，故它们在标签排序的过程中很少对图像标签本身做太多的处理，只是对图像标签进行简单的预处理。

发明内容

针对现有技术存在的上述问题，本发明提出了一种基于WordNet语义相似度的多特征图像标签排序方法，在对图像标签进行排序之前，对图像标签的不正确性和标签的不全面性等问题进行改进，提高图像标签与图像内容之间的相关度，以及图像标签的准确性和全面性；同时在图像标签排序的过程中，将图像划分为场景类与对象类图像，场景类图像利用图像的全局特征进行处理，对象类图像利用图像的显著图进行处理。

为了实现上述目的，本发明采取了如下技术方案：

步骤1，建立训练样本库。

利用现有的数据库NS-WIDE中的图像建立一个应用于SVM线性分类器训练的样本图像库，包括场景类图像(Sense Image)和对象类图像(Object Image)。

步骤2，提取样本库中图像的显著性区域图。

利用现有的Itti模型原理方法，提取两类图像的显著性区域图。对象类和场景类图像显著图分别为和Sense_SaliencyMap{S₁,S₂,S₃,……,S_n}，其中，O、S分别表示对象类、场景类图像集合，图像样本数目大小分别为m、n，O_i、S_i分别表示对象类、场景类图像集合中某一幅图像。

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。

任何一幅图像的灰度直方图都包含了丰富的信息，它表示一幅图像灰度分布情况。本发明利用图像灰度直方图上述特点，分别提取对象类和场景类图像的显著性区域直方图特征。

步骤3.2，训练SVM分类器。

两类图像的灰度直方图具有明显的区别，因此可以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，其权重与偏置分别为Weight＝{Weight₁、Weight₂、Weight₃……Weight_n}、Bias，其中，n的大小等于灰度直方图特征向量的维数。

步骤4，对测试图像标签进行预处理。