[发明专利]面向图像语义标注的规则库结构优化与生成方法及系统

权利要求书

1.一种面向图像语义标注的规则库结构优化与生成方法，其特征在于，包括以下步骤：

利用图像分割算法对给定的原始训练样本集中的每幅图像进行分割，每个分割子区域均由低层视觉特征表示，并定义每个分割子区域的语义概念，对分割子区域进行聚类，对不同类别的分割子区域的语义概念进行合并，得到具有新的语义概念的所有类别的分割子区域集合，将其作为待过滤训练样本集；通过前馈神经网络对待过滤训练样本集进行分类，删除分类错误的样本，将剩余分类正确的样本作为初始训练样本集；

将每个初始训练样本用向量表示成粒子的位置，构成粒子群；按照量子粒子群优化方法优化粒子群，并输出粒子的最优位置，对输出粒子的每一维的值与阈值比较，小于阈值的取为0，大于等于阈值的取为1，与1对应的特征集合为所选择的特征子集，得到经过特征选择后的起点训练样本集；

按照起点训练样本集自身的特性选择分裂特征，用分裂特征分割起点训练样本集，得到若干训练样本子集，对分割后的每个训练样本子集，递归地获得它的分裂特征，并再次用分裂特征分割起点训练样本子集，直到所有训练样本子集的元素属于相同类为止，得到终点样本子集；

将起点训练样本集到终点样本子集的每条路径转换为一条标注规则，从起点训练样本集到终点样本子集的所有路径构成的规则集就是规则库。

2.根据权利要求1所述的方法，其特征在于，利用生成的规则库对图像进行标注的步骤为：

将待标注的图像通过分割算法得到多个分割子区域；

提取每个分割子区域的低层视觉特征，按照预先选择的特征子集重新表示分割子区域；

根据预先生成的规则库，将待标注图像的特征子集输入到规则库，得到语义概念集，该语义概念集就是待标注图像的语义。

3.根据权利要求1所述的方法，其特征在于，生成具有新的语义概念的所有类别的分割子区域集合的具体步骤为：

对训练样本集中所有图像的分割子区域按照低层视觉特征进行聚类；

将具有相同类别的分割子区域的聚类中心作为该类别的代表，而将所有语义概念进行合并，得到该类别的语义概念集；

将所获得的具有新的语义概念的所有类别的分割子区域集合作为待过滤训练样本集，所有语义概念构成词汇表。

4.根据权利要求3所述的方法，其特征在于，前馈神经网络的输入为待过滤训练样本集，前馈神经网络的输出为词汇表。

5.根据权利要求4所述的方法，其特征在于，所述前馈神经网络为多层前馈神经网络。

6.一种面向图像语义标注的规则库结构优化与生成系统，其特征在于，该系统包括：

去除噪声样本的过滤器，用于利用图像分割算法对给定的原始训练样本集中的每幅图像进行分割，每个分割子区域均由低层视觉特征表示，并定义每个分割子区域的语义概念，对分割子区域进行聚类，对不同类别的分割子区域的语义概念进行合并，得到具有新的语义概念的所有类别的分割子区域集合，将其作为待过滤训练样本集；通过前馈神经网络对待过滤训练样本集进行分类，删除分类错误的样本，将剩余分类正确的样本作为初始训练样本集；

训练样本特征选择模块，用于将每个初始训练样本用向量表示成粒子的位置，构成粒子群；按照量子粒子群优化方法优化粒子群，并输出粒子的最优位置，对输出粒子的每一维的值与阈值比较，小于阈值的取为0，大于等于阈值的取为1，与1对应的特征集合为所选择的特征子集，得到经过特征选择后的起点训练样本集；

规则库生成模块，用于按照起点训练样本集自身的特性选择分裂特征，用分裂特征分割起点训练样本集，得到若干训练样本子集，对分割后的每个训练样本子集，递归地获得它的分裂特征，并再次用分裂特征分割起点训练样本子集，直到所有训练样本子集的元素属于相同类为止，得到终点样本子集；该规则库生成模块还用于将起点训练样本集到终点样本子集的每条路径转换为一条标注规则，从起点训练样本集到终点样本子集的所有路径构成的规则集就是规则库。