[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

摘要

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。本发明介绍了概念模型库的构造及为了衡量图像内容与概念模型之间的关联程度推出的关联度计算方法，并通过实验数据验证了本发明提出的方法的准确性。与其他方法相比，本发明提供的方法在一系列相似程度不太大的图像集中能够取得很好的效果。

主权项

1.一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，其特征在于：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、训练分类模型将提取的所有样本的特征向量组作为支持向量机的训练数据，训练出分类模型并存储在概念模型库中；采用一对一策略来训练支持向量机的分类模型，即为每个图像类别构造K-1个分类模型；B、计算关联程度：关联度定义为图像与概念模型的相似程度，是衡量图像与模型相似的一种量化指标；本发明将关联度定义如下：F(i)=w1*SN(i,1,1)+w2*Σk=15SN(i,2,k)+w3Σk=116SN(i,3,k)]]>w_i代表加权图像金字塔结构中不同层次中的图像权值；本发明设定的权值为：w₁＝1,w₂＝0.2,w₃＝0.0625SN(i,j,k)结果判定函数的定义如下：SN(i,j,k)=1Ifimagek∈modeli0Otherwise]]>其中k(k＝1,2,..,22)为子图像编号，j(j＝1,2,3)为子图像k在加权图像金字塔中所处的层次，i为概念模型编号；SN(i,j,k)用来判定处于金字塔j层的子图像k是否属于概念模型i；C、索引样本图像：F(i)作为图像与概念模型的关联度，其取值范围为[0,3]；在计算出样本图像与所有概念模型之间的关联度后，将关联度进行排序，找出尽量少而又能最大程度表示图像内容的概念模型，将其所对应的概念作为图像的索引；同时，引入关联度阈值t，所有大于等于t的关联度都意味着该模型所对应的概念可以作为图像样本的索引；t的值根据实验数据总结得出。