基于概率建模图像标注算法的研究及实现

论文摘要

自动图像标注是解决人工标注问题的具有挑战性的工作,它试图在高层语义特征和底层视觉特征之间建立一座桥梁。特别随着机器学习理论的不断发展,很多学者设计出了不同的学习模型,大致可分为两类,即基于概率建模的图像标注和基于分类器的图像标注。本文首先研究两种具有代表性的基于概率建模的标注算法,分别是共现模型和翻译模型。共现模型将图像划分成规则区域,根据图像区域和关键词的共现概率来标注图像,即观察关键词与图像区域的联合发生概率。翻译模型改进了共现模型,提供一种描述图像的新概念——视觉词元。视觉词元通过图像特征聚类后得到,那么每幅图像都包含一个视觉词元集合,图像标注可以看作是从视觉词元“翻译”成为关键词的过程。结合共现模型和翻译模型的思想,本文设计了一种改进相关模型。假设有一个已标注的训练图像集合,通过图像划分聚类后可获得其视觉词元集合,那么每幅图片就可以用视觉词元和关键字两个集合联合表示。再给定一个测试图像,使用语言生成模型方法假设存在一个潜在的概率分布,即相关模型,其包含所有可能出现在图像中的关键词和视觉词元,那么标注过程就是对这个概率分布进行随机抽样。通过训练集可以近似估计这个联合分布,再通过抽样概率值大小提取最有代表性的关键词作为图像的标注结果。这种改进相关模型技术可以有效地利用大规模的带标注的训练图像集,达到更好的标注效果。最后,在Corel数据集上的实验证实了该模型的有效性。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 研究内容
• 1.4 论文结构
• 2 基础知识
• 2.1 图像特征概述
• 2.1.1 颜色特征
• 2.1.2 纹理特征
• 2.1.3 形状特征
• 2.1.4 空间关系
• 2.2 概率论基础
• 3 基于概率模型的自动图像标注
• 3.1 共现模型
• 3.1.1 模型思想
• 3.1.2 模型实现
• 3.1.3 基于共现模型的图像标注
• 3.1.4 实验分析
• 3.2 机器翻译模型
• 3.2.1 模型思想
• 3.2.2 建立概率表
• 3.2.3 基于翻译模型的图像标注
• 3.2.4 实验分析
• 3.3 本章小结
• 4 基于改进相关模型的自动图像标注
• 4.1 改进的相关模型
• 4.1.1 改进模型的提出
• 4.1.2 改进相关模型推导
• 4.2 基于改进相关模型的图像标注
• 4.2.1 离散图像特征
• 4.2.2 生成视觉词元
• 4.2.3 基于改进模型的图像标注
• 4.3 本章小结
• 5 系统实现及结果分析
• 5.1 实验环境
• 5.2 系统设计
• 5.2.1 数据库连接
• 5.2.2 训练过程
• 5.2.3 标注过程
• 5.3 实验结果分析
• 5.3.1 实验数据集
• 5.3.2 评价标准
• 5.3.3 确定模型参数
• 5.3.4 基于改进相关模型的标注特点
• 5.3.5 模型比较
• 5.4 讨论
• 5.5 本章小结
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 作者简历
• 学位论文数据集