[发明专利]一种基于加权图像金字塔结构和模糊支持向量机的图像语义索引方法

说明书

技术领域

本发明涉及图像索引方法，特别是一种基于加权图像金字塔结构和模糊支持向量机的图像语义索引方法。

背景技术

在图像检索领域，一般认为用户倾向于在语义层次上判断检索结果的好坏。这就是说，用户所认为的好结果必然是与用户查询在语义上(而不是在其它方面)高度相关的。由于基于内容的图像检索建立在对图像底层特征的提取和分析，匹配的基础之上，而图像资源底层特征与高层语义之间固有的“语义鸿沟”决定了仅仅从图像底层特征这一方面着手的检索方式无法取得满意的效果。

随着互联网和数字图书馆之类的数字化信息库的出现带来了海量的图像数据，同时由于图像信息的底层特征具有高维数的特点，使基于内容的图像检索受到“维数灾难”和高计算复杂度等难以克服的难点。因此图像如果缺少了语义的支持，那么对它们的检索无论在准确率和效率上都无法满足用户的需求。所以图像的语义检索逐渐成为了近年来图像分析检索研究的热点，建立图像的语义表示和检索机制也势在必行。

基于文本信息的图像检索具有用户界面友好、处理速度快以及可应用于大规模数据集等优点，这一检索方式在目前和将来都具有非常广泛的应用和研究价值。图像索引这个直观地想法能有效地弥补语义缺失给检索带来的麻烦，现有系统主要依靠手工标注和半自动方式获取图像的索引信息，巨大的人力，物力代价使得纯手工的图像索引变得不切实际，因此研究人员将统计模型引入标注研究领域，希望通过机器学习方法自动索引图像。这些模型将索引的过程看成将图像内容翻译成文本内容的过程。在这类模型中，如何精确描述图像的视觉特征及如何建立图像与文本之间的对关系成了各研究人员的研究热点。

本发明提出了一种基于加权图像金字塔结构和模糊支持向量机的图像语义索引方法。首先根据训练样本集建立概念模型库，分别训练各个概念语义所对应的模型；其次计算样本图像与概念模型库中各个模型的关联程度；最后根据关联程度对样本图像进行索引，实现图像的自动语义索引。

发明内容

为更好的满足用户的要求，本发明要设计并实现一种基于加权图像金字塔结构和模糊支持向量机的图像语义索引方法，包括以下步骤：

A、建立概念模型库：

概念库中的每一个概念都对应于一组图像样本数据；对于训练集中的每一幅图像，处理流程为：

A1、构造加权图像金字塔：

把整个图像当成金字塔第一层；其次，采用对图像进行切分，作为金字塔结构的第二层；最后，将图像切割成4*4个小块，作为金字塔结构的第三层；

其中金字塔中的每一层来都代表着整幅图像，在图像理解过程中都发挥着相同的作用；

对每个图像块进行加权处理；

设每层结构的整体权重W_g＝1，显然：Σi=13Wg=3,(i=1,2,3),]]>同时，对于每层中的子图像块，设其权重为：

Wi=1Ni(i=1,2,3)]]>

其中N_i为第i层上子图像块的数目N＝{1,5,16}；

A2、图像特征提取：

提取每一幅子图像颜色、纹理、边缘方向等低层特征，子图像之间的特征提取及不同底层特征提取都是彼此独立的；将低层特征提出后，将每一个样本图像的内容转化成为22组数值向量，作为该样本图像的特征向量组；

A3、训练分类模型