[发明专利]基于非欧空间差异性度量的图像标注方法

摘要

社会媒体共享网站上数字图像数量的飞速发展，极大地促进了人们对图像语义检索的研究热情。然而，由于图像低层特征和高层语义模式间的鸿沟，使得许多现有的自动图像标注技术不能达到令人满意的检索效果。因此，本发明提出一种基于非欧空间差异性度量的图像标注方法。该方法首先使用高阶统计法计算图像的三阶差异性特征，以达到更好描述图像间相关性的目的；然后，使用基于高斯混合模型和差异性增量扩散的最大后验概率算法，来估计每个标签与图像内容的相关值。

主权项

基于非欧空间差异性度量的图像标注方法，其特征在于，包括如下步骤：第一步：改进的欧氏空间；伪欧空间E可表示为两实向量x和y的伪内积：<x,y>Ε＝xTΥrsy   (1)上式中，γrs的表达形式为Υrs＝[Ir×r 0； 0 ‑Is×s]   (2)如实向量x为一有序的实向量对：x＝(x+,x‑)，其中xi+和xi‑分别是x+和x‑的元素，则公式(1)写为：<x,y>E=Σi=1rxi+yi+-Σj=1sxj-yj----(3)]]>及有格拉姆矩阵G，其中G的元素Gij＝xiTxj；假设格拉姆矩阵G中有r个正的最大特征值和s个负的最小特征值，则需增加一个常量以将所有的特征值都调整为正，所述方法中，该常量取为1.5|t|，其中t为最小的负特征值，这种改进的具有r+s个特征值的欧氏空间称为改进的欧氏空间；差异性度量空间包括：在改进的欧氏空间中，计算所有图像间的欧氏距离，且用得到的欧氏距离表示图像的新特征；所述方法采用一种改进的近邻法，对于输入的待标注图像xi，经近邻运算后，将只保留数据库中前k个最相似图像，在得到k个最相似图像后，输入的待标注图像xi与这k个最相似图像间的距离度量将作为新的特征表示；第二步：基于高阶统计的最大后验概率算法；高阶统计包括：设(ai,aj,ak)为标注集Y中的三个关联标注，其中aj是ai的最近邻，ak是aj的最近邻，则这三个关联标注间的差异性度量为：difi＝|d(ai,aj)‑d(aj,ak)|   (4)与两个关联标注间差异性距离度量不同的是，公式(4)描述了三个关联标注间的差异性距离度量；假设图像标注信息服从高斯分布，则标注ai与差异性度量difi之间的差异性扩散分布概率p(difi|λj)表示为：p(difi|λj)=πξ24λj2×difi×exp(-πξ24λj2difi2)+(4λj2πξ2-difi2)×exp(-πξ28λj2difi2)×ercf(πξ2λjdifi)---(5)]]>上式中，λj为包含标注ai的图像yj的高斯分布的均值，ercf(·)为误差函数，ξ＝sqrt(2)；基于高阶统计的最大后验概率算法包括：设{ai,yj,ddi}为标注ai的差异性扩散信息，其中yj是包含ai的第j个图像，ddi是通过标注ai中的三个关联标注获得的扩散集，ai和ddi有条件地独立于图像yj，假设每个标注ai有各自的统计模型，该模型有一个相关联的扩散参数λi，则差异性扩散分布为一种对数据的高阶统计，即差异性扩散分布描述了数据的三阶差异性信息；第三步：计算包含标注ai图像yj的先验概率p(yj)：p(yj)=|yj|N---(6)]]>上式中，|yj|为包含标注ai的图像数，N为数据库中总的图像数；第四步：计算标注ai与图像数据yj、差异性度量difi间的似然概率p(ai,difi|yj)：p(ai,difi|yj)＝p(ai|yj)p(difi|yj)    (7)上式中，p(ai|yj)为包含标注ai的图像yj的类条件密度，p(difi|yj)为标注aj所属扩散集的类条件密度；第五步：依据标注数据服从高斯概率分布的假设，则图像yj与标注ai的类条件密度p(ai|yj)：上式中，K为属于包含标注ai的那些图像数据分布的高斯分量的个数，φk为各个高斯分量的权重，p(yi|∑k,μk)为高斯分布；第六步：计算图像yj与标注ai所在扩散集的类条件密度p(difi|yj)：p(difi|yj)=1LΣl=1Lp(difil|yj)---(9)]]>上式中，L为标注ai所在扩散集difi的个数，为difi中第n个扩散值；第七步：计算图像yj与标注ai间的最大后验概率p(yj|ai,difi)：p(yj|ai,difi)=p(ai,difi|yj)p(yj)p(ai,difi)=p(ai,difi|yj)p(yj)=p(yi|cj)p(difi|cj)p(cj)---(10)]]>上式中的p(ai,difi)为一常量。