[发明专利]基于WordNet语义相似度的多特征图像标签排序方法

摘要

本发明涉及一种基于WordNet语义相似度的多特征图像标签排序方法，包括建立训练样本库，提取样本库中图像的显著性区域图，训练SVM分类器，测试图像标签预处理，判断测试图像的类型，测试图像标签排序。本发明融合相关性、视觉性、多特征等方法，不仅考虑了场景类图像整幅图像的不同特征，而且考虑了对象类图像显著图的不同特征。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；本发明不仅考虑了图像视觉特征之间的相似度，而且考虑了标签文本之间的语义相似度，使图像标签的排序更准确。

主权项

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,...,Om}和Sense_Bw_SaliencyMap{S1,S2,S3,...,Sn}；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_fi,...,OBw_fm}SBw_f＝{SBw_f1,SBw_f2,SBw_f3,...,SBw_fi,...,SBw_fn}其中，OBw_fi与SBw_fi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,...,Weightn}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]0,f∈[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。