[发明专利]一种基于生成图像标注库的图像自动标注的方法

说明书

本发明公开了一种基于生成图像标注库的图像自动标注的方法，主要包括三个过程：(1)建立并改善自动标注的基准图像标注库；(2)利用提取的图像特征信息，构建图像近邻传播模型(3)在图像近邻传播模型的框架下，对未标注图像进行图像标签推断。本发明可以在一般图像原始标注库的基础上，减少甚至避免图像弱标签性，自动填补缺失标签，过滤明显噪声标签；增加图像标签权重，使图像标签在进行近邻传播时，更加有层次和目标性，增加图像标签传递的准确性。

技术领域

本发明涉及一种基于生成图像标注库的图像自动标注方法，属于数字图像处理技术领域。

背景技术

目前，随着网络时代的发展，信息量呈爆炸趋势增长，每天都有海量图片产生出来。如何有效的管理这些图片，查找符合自己需求的目标图片成了急需解决的问题。目前，主流的做法是给这些图片加上合适的语义标签，以供用户进行管理和检索。由于图像数据的庞大性，提高图像语义自动标注的丰富度和准确性都十分迫切。

在此之前，对于固定的图像库标注的方法中，主要采用概率模型，计算对应图像特征的标签最大可能性，但是由于模型参数的复杂度有限，并不能准确描述图像特征和标签之间的关系，这种概率模型可能不是最好的模型。另外，如果过分追求训练模型的复杂度和参数调整，又会出现过拟合现象，使模型的适用性十分低。

发明内容

本发明的目的是为了解决对大量图像进行计算机自动标注的问题，通过构建相关的图像标注库，训练标注模型，提出了一种基于图像近邻传播的一种图像自动标注算法，该方法是在一个良好的图像标注库的构建基础上，通过近邻传播对未标注图像的标签推断，完成图像的自动标注。

本发明方法包含了图像标签库构建、图像近邻传播模型学习和图像标签概率计算三个过程，图像标签库构建主要对初始图像标签库进行优化处理，补充图像缺失标签，增加图像标签等级，过滤错误标签；图像近邻传播模型的学习构建，主要采用机器学习的方法，在采集图像颜色特征、纹理特征以及局部兴趣点特征等多种图像特征的基础上，对训练集图像进行距离学习，得到一个可以计算图像近邻图像的模型；图像标签推断是通过图像近邻传播模型的计算，得到与未标注图像最相似的图像标注库中的图像，通过相关公式完成图像标签推断。

一种图像自动标注方法，包括以下几个步骤：

步骤1：图像标签库的构建。

首先要构建一个图像标签库，作为后续图像自动标注的基础。图像标签库由图像库，对应的标签标注矩阵以及标签列表构成。标签列表包含所有用于图像标注的标签。标签标注矩阵由所有图像对应的标注向量构成，图像的标注向量为一个0,1串，标明图像是否存在标签列表对应的标签，如存在则为1，不存在则为0。例如，如果标签集为{sea,tree,sun,plane,sand}({海洋，树，太阳，飞机，沙子})，那么一幅拥有海洋和落日的图像的标注向量为{1,0,1,0,0}。

原始图像标签库由人工手动标注，每幅图像含有3-5个图像标签，图像标签为对应图像所包含的图像元素，相关场景以及与图像主体相关的信息。但是由于图像人工标注是一件极其繁琐、费力的工作，人工标注给出的标签存在标签不完整以及不正确等弱标签情况，为了改善这种情况，针对图像标签库做进一步处理。