建模连续视觉特征的图像语义标注方法

针对图像检索中存在的"语义鸿沟"问题,提出一种对连续视觉特征直接建模的图像自动标注方法.首先对概率潜语义分析(PLSA)模型进行改进,使之能处理连续量,并推导对应的期望最大化算法来确定模型参数;然后根据不同模态数据各自的特点,提出一个对不同模态数据分别处理的图像语义标注模型,该模型使用连续PLSA建模视觉特征,使用标准PLSA建模文本关键词,并通过不对称的学习方法学习2种模态之间的关联,从而能较好地对未知图像进行标注.通过在一个包含5000幅图像的标准Corel数据集中进行实验,并与几种典型的图像标注方法进行比较的结果表明,文中方法具有更高的精度和更好的效果.     

基于相关视觉关键词的图像自动标注方法研究

图像自动标注是计算机视觉与模式识别等领域中的重要问题.针对现有模型未对文本关键词的视觉描述形式进行建模,导致标注结果中大量出现与图像视觉内容无关的标注词等问题,提出了基于相关视觉关键词的图像自动标注模型VKRAM.该模型将标注词分为非抽象标注词与抽象标注词.首先建立非抽象标注词的视觉关键词种子,并提出了一个新方法抽取非抽象标注词对应的视觉关键词集合;接着根据抽象关键词的特点,运用提出的基于减区域的算法抽取抽象关键词对应的视觉关键词种子与视觉关键词集合;然后提出一个自适应参数方法与快速求解算法用于确定不同视觉关键词的相似度阈值;最后将上述方法相结合并用于图像自动标注中.该模型能从一定程度上解决标注结果中出现的大量无关标注词问题.实验结果表明,该模型在大多数指标上相比以往模型均有所提高.     

基于图语法的视觉知识表达与标注图像数据库*

莲花山数据集采用与或图作为视觉知识模型,实现对客观世界中视觉模式的多层次表达,从而将多种标注任务统一到图像语法模型框架下。配套数据库通过两层模型分别管理视觉模型与标注数据,提供了灵活方便的数据导入、管理、查阅、输出功能,这是其他数据集所不具备的。最后给出基于该数据集标注结果的内容检索实验,该算法加入到标注工具中,作为一种自动功能用于辅助加速人工标注过程。     

基于关键词的图像标注综述

图像标注的目标是针对每幅图像,利用相对应的文本信息进行描述,从而能够对海量的图像数据进行有效的管理和检索。尽管图像标注已经被研究了若干年,然而它仍然是机器视觉和机器学习领域中一个非常具有挑战性的问题。各种各样的算法被用于图像的标注工作。对目前基于关键词的图像标注的一些常用的算法和模型进行了综述,包括传统的基于分类的方法、相关模型、主题模型、基于随机场的上下文信息的处理以及利用Internet上海量的数据来辅助图像标注等等。讨论了目前图像标注研究中遇到的一些具有挑战性的问题。     

基于视觉语义主题的图像自动标注

为减小图像检索中语义鸿沟的影响,提出了一种基于视觉语义主题的图像自动标注方法.首先,提取图像前景与背景区域,并分别进行预处理;然后,基于概率潜在语义分析与高斯混合模型建立图像底层特征、视觉语义主题与标注关键词间的联系,并基于该模型实现对图像的自动标注.采用corel 5数据库进行验证,实验结果证明了本文方法的有效性.     

基于文本和视觉特征融合的Web动画素材标注

为了提高对Web动画素材的组织、管理,该文提出了基于文本特征和视觉特征融合的Web动画素材标注算法。首先利用自动提取的Web动画素材上下文信息,结合Web动画素材名称、页面主题、URL以及ALT等属性组成特征集,提取出文本关键字;然后利用视觉与标注字之间的相关性,对自动提取的标注字进行过滤,实现Web动画素材的自动标注。实验表明该文提出的基于文本特征和视觉特征融合的Web动画素材标注算法可有效地应用于Web动画素材自动标注。     

基于遗传特征选择和支持向量机的图像标注

为了提高图像标注系统的精度和效率,提出了基于遗传特征选择和支持向量机的图像标注方法。该方法从多媒体描述接口（MPEG-7）标准中抽取图像的视觉特征,采用双编码遗传算法从MPEG-7标准中选择最优的加权特征子集,并训练支持向量机分类器用于图像标注,支持向量机分类器采用多数投票机制。对2 000幅Corel图像的标注结果表明：该方法可以获得最优的加权特征子集,提高了图像标注系统的精度和效率。     

卷积网络和SIFT特征融合的图像自动标注研究

近年来,图像自动标注成了当下机器学习最热门的研究方向之一.图像自动标注技术能够将互联网上海量的图像信息转换为文本信息,方便进行图像检索、图像分类等应用.现在主流的图像自动标注模型大部分都采用基于编码器—解码器框架的深度学习网络构建而成.本文主要是在编码器的基础上进行研究改进,从而提出了将卷积网络和SIFT特征进行融合的...     

基于视觉注意机制和条件随机场的图像标注

传统的图像标注方法对图像各个区域同等标注,忽视了人们对图像的理解方式。为此提出了基于视觉注意机制和条件随机场的图像标注方法。首先,由于人们在对图像认识的过程中,对显著区域会有较多的关注,因此通过视觉注意机制来取得图像的显著区域,用支持向量机对显著区域赋予语义标签;再利用k-NN聚类算法对非显著区域进行标注;最后,又由于显著区域的标注词与非显著区域的标注词在逻辑上存在一定的关联性,因此条件随机场模型可以根据标注词的关联性校正并确定图像的最终标注向量。在Corel5k、IAPR TC-12和ESP Game图像库上进行实验并且和其他方法进行比较,从平均查准率、平均查全率和F1的实验结果验证了本文方法的有效性。     

基于视觉传达的显著图像特征权重自匹配仿真

采用当前方法对图像特征权重进行匹配时,未使用可控滤波器提取图像特征,进行了重复多次的卷积运算,导致特征权重自匹配所用的时间较长、权重自匹配精度较低。提出基于视觉传达的显著图像特征权重自匹配方法,在高斯函数二阶导数的基础上建立可控滤波器,通过建立的可控滤波器提取图像的特征,获取显著图像特征能量值,为图像特征权重的匹配提供依据。计算图像特征对应的自适应权值,采用比值方法获取待匹配点的相关度,结合待匹配点的相关度和自适应权值构建聚合代价函数,通过聚合代价函数完成图像特征权重自匹配。仿真结果表明,所提方法的匹配时间短、匹配精准度高。     

考虑视觉焦点权重和词相关性的图像标注方法

为了弥补图像底层特征到高层语义之间的语义鸿沟,提出一种基于视觉焦点权重模型和词相关性的图像标注方法。由于人们对图像的认识过程中,对焦点区域有比较多的关注,因此可以通过视觉焦点权重模型计算图像各区域的视觉焦点权重来提取图像的焦点区域。同时焦点区域的标注词和其他区域的标注词在逻辑上是相关的,因此通过WordNet根据词汇相关性确定图像的最终标注向量。实验结果表明,通过该方法能提高图像自动语义标注的准确率。     

面向图像视觉特征检索的高维索引结构研究

由于图像信息在人们的生活中变得越来越重要,我们需要从大量图像数据库中检索到自己感兴趣的信息,那么研究面向图像视觉特征检索的高维索引结构就成为一个非常重要的研究课题。本文首先从图像视觉特征检索原理和高维索引领域研究基础知识出发,主要分析数据间距离公式以及几种常见高维索引结构,并且基于公式和常见的VP-tree结构,用c语言设计出一种高维索引结构SY-tree,并将它运用到面向视觉特征的检索,最后根据得到的数据用Matlab将SY-tree结构与VP-tree结构进行对比,分析两者的异同点和性能优化。     

一种基于图划分和图像搜索引擎的图像标注改善算法

提出了一种基于图划分和图像搜索引擎的图像标注改善算法,通过对待标注图像的候选标注词进行去噪处理,提高标注的准确性.算法的核心思想是将候选标注词作为图的顶点,将标注词间的相关度作为边的权值,从而把图像标注改善问题转换为图划分问题.用2个参数对标注词间的相似度进行加权处理后计算出边的权值:参数1是根据图像搜索引擎返回结果计算出的候选标注词与待标注图像视觉特征之间的相关度;参数2是候选标注词在待标注图像所属页面中的重要程度,此参数仅适用于Web图像.然后,用启发式最大割算法对构造出的图进行二划分,最后从划分出的2个顶点集中选择其一作为最终标注.实验结果表明,对比已有方法,使用本算法对非Web图像和Web图像进行标注改善后,最终的标注结果都更加准确.     

基于改进视觉词袋模型的图像标注方法

针对传统视觉词袋模型对图像尺度变化较为敏感的缺点,提出一种基于改进视觉词袋模型的图像标注方法。该方法引入图像的多尺度空间信息,对图像进行多尺度变换并构建多尺度视觉词汇表,将图像表示为不同尺度特征,结合多核学习的方法优化各尺度特征的相应权重,获取特征表示。实验结果验证了该方法的有效性,其标注准确率比传统BoVW模型提高17.8%~25.7%。     

基于MATLAB/GUI的图像语义自动标注系统

图像语义自动标注系统对大量图像数据库的图像检索起到重要的作用,并能将图像的视觉特征转化为图像的标注字信息,给检索用户带来了很大的便利。文中研究了图像自动语义标注系统的实现及有关技术,通过matlab中GUI的图形用户界面设计并实现了图像自动标注系统,该系统能较好的实现图像轮廓与颜色特征的提取。提取图像轮廓是由颜色空间来获取整体轮廓,该方法对于颜色变化比较明显的图像可以很好的提取轮廓。结合颜色特征与图像轮廓进行相似度量,从而较好的将待标注图像分类,采用特征点匹配标注图像语义关键词能够比较准确的对图像进行标注。     

基于SVM算法的图像自动标注

伴随着存储技术以及网络技术的飞速发展,以图像形式来表现大量有效信息成为有效手段。这样一来,怎样实现对海量图像库的有效检索和管理已经非常重要,而其中语义清晰又是重中之重。在图像自动标注技术中,基于图像底层视觉特征的标注技术能够完成,利用图像的底层特征中提取出高级语义信息来标注待标注图像。通过SVM(Support Vector Machine)支持向量机学习方法来自动获取图像高级语义信息关键字,来完成图像的自动标注具有深远的研究意义。     

自动图像标注技术综述

图像自动标注技术是减少图像数据与内容之间“语义鸿沟”的其中一种最有效途径,对于帮助人类理解图像内容,从海量图像数据中检索感兴趣的信息具有重要现实意义.通过研究近20年公开发表的图像标注文献,总结了图像标注模型的一般性框架;并通过该框架结合各种具体工作,分析出在图像标注研究过程中需要解决的一般性问题;将各种图像标注模型所采用的主要方法归为9种类型,分别为相关模型、隐Markov模型、主题模型、矩阵分解模型、近邻模型、基于支持向量机的模型、图模型、典型相关分析模型以及深度学习模型,并对每种类型的图像标注模型,按照“基本原理介绍—具体模型差异—模型总结”3个层面进行了研究与分析.此外,总结了图像标注模型常用的一些数据集、评测指标,对一些比较著名的标注模型的性能进行了比较,并据此对各种类型的标注模型做了优缺点分析.最后,提出了图像标注领域一些开放式问题和研究方向.     

多媒体视觉VR重构算法的改进与仿真

传统图像重构噪声偏大,图像离群点较多,导致重构效果与实际图像偏差大,研究提出多媒体视觉VR重构算法。利用双目偏移定位重新校正VR图像,对重构后的VR图像进行去噪处理,完成基于高通滤波矩阵加强的重构图像纹路细节特征,采用三维重构相关性检索方法,获得合群点与离群点,确定其最大最小深度范围,对错误识别和峰值进行重新定位,完成算法设计。为验证研究的有效性,进行实验验证。通过实验结果数据分析可证明,研究算法大大提升了重构图像的真实度,图像角点检测准确,重构后图像噪声更小。