自动图像标注论文：基于Semi-CCA的自动图像标注研究

1、自动图像标注论文：基于semi-cca的自动图像标注研究【中文摘要】随着信息技术的快速发展，信息获取和信息存储能 力的不断提高，从海量数据中获取我们感兴趣的信息成为当前研究的 热点之(?)同样,在计算机视觉和图像处理及模式识别领域，图像检索 也成为重要的研究方向之一。在早期，因为数据量并不十分庞大，人们 考虑使用基于文本的图像检索方式，这种检索方式，优点是检索准确 且直观。然而，随着信息量的指数级增长，对图像进行手工标注，工作 量巨大，且存在因为不同标注者主观感觉不同导致的标注二义性。于 是，基于内容的图像检索方式被提出并得到了很快发展，它主要是从 图像中提取低层特征，包括颜色、纹理、空间关系

2、等，然后计算图像之 间的特征相似性，找到对应图像。这种方法灵活，丰富，但是也存在一 个很大的问题，就是“语义鸿沟”，即相同或相似的低层特征往往对应 完全不同的高层语义特征。为了解决这个问题,人们提出了基于自动 图像标注的检索，用与图像检索等方面。这种方法核心是学习一个已 经标注好的图像库，找到图像低层特征和标注词之间的对应模型，再 用该模型,计算岀最适合待标注图像的关键词。于是，基于标注的图像 检索就转换成了已经发展成熟的基于文本的图像检索了。本文，借助 于统计学中的典型相关分析工具,可以得到标注库中标注词向量组和 图像低层特征向量组之间的相关性，从而得到投影的特征向量，再使 用k-means

3、聚类，得到若干概念类,将概念类中的图像进行分割，提取 这些区域的低层特征，继续进行k-means聚类，这样，每一个概念类中, 得到若干特征相似的块blob,最后，利用多伯努利模型，就可以计算的 到块bi与每个关键词之间的联合概率分布表。对于待标注的图像， 首先进行基于改进的jseg算法的图像分割，对分割的每个区域，提取 贡献最大的低层特征的semi-cca投影，找到区域所属于的块,结合已 经得到的联合概率分布表,我们就可以找出最合适的标注词了。【英文摘要】with the rapid development of information technology and the improving

4、 ability of information acquisition and infonnation storage, the method to acquire our interesting information has became one of the most hot research f i el d. tn the field of cvpr, image retrieval has al so being one of the most important research directions during the early period, people conside

5、red to use' text based image retrieval? because of the not too much data this kind of method has the advantage of accuracy and intuition. however, with the sharply increment of information, it is a chai 1 enging task to add annotation manual1y. besides, it will cause ambiguity for different peop

6、le has different views on the same image sometimes so, a new method of content based image retrieval was proposed and developed quickly. in lhe paper, with the aid of the canonical correlation analysis tools in statisties, we will get the correlation between annotation vector and low-level character

7、 vector then, we use kmeans clustering toward the new vector projected by semi-cca to get several conceptclass now, we continue to segment all of the images in every cc (conceptclass) to get the segmented regions we extract low-level character vector of every regions as the input of k-means clusteri

8、ng to require several blobs which has similar character individua1. at last, we harvest associated probability distribution list between blobs and key words through multiple bernoulli mode1.in terms of the un-annotated image, we firstly get the segmentation of image through improved jseg algorithm.

9、as to each region, we extract the semi-cca character projection and find which blob this region belongs to. combining the associated probability distribution lis t, we can fin ally find out the mos t proper annotation words for un-annotated image【关键词】自动图像标注图像分割jseg lbp cca semi-cca【英文关键词】automatic i

10、mage annotationimagesegmentationjseg algorithmlbp algorithmcca algorithmsemi-cca algorithm【目录】基于semi-cca的自动图像标注研究摘要3-4 abstract 4 口录 57 第一章 绪论7-111.1研究背景及选题意义7-91.2国内外研究现状91.3论文的主要内容9-11 第二章自动图像标注研究概述11-182.1引言112.2共生模型11-142. 3机器翻译模型14-152. 4跨媒体相关模型15-162.5连续空间相关模型162.6多伯努利相关模型162. 7互和关标签传播模型16-172

11、.8小结17-18第三章 图像分割与特征提取18-363. 1引言183. 2基于改进的jseg方法的图像分割18-283. 2. 1图像分割方法概述19-213. 2. 2强化边缘信息的jseg改进算法21-273.2.3实验结果与分析对比27-283.3图像低层特征信息提取方法概述28-343. 3.1基于颜色的图像特征捉取28-313. 3.2基于纹理的图像特征提取31-343.4木文图像低层特征向量的模型构建343.5小结34-36 第四章基于semi-cca的自动图像标注的实现36-534. 1 引言 364.2 cca 简介 36-394. 3 基于cca的自动图像标注原理39-464. 3. 1文本特征向量空间模型39-404. 3.2图像低层特征空间模型404. 3.3cca投影40-414. 3. 4基于k-means的标注聚类41-444. 3. 5基于k-means的分割图像区域聚类444. 3. 6关键词和块之间的联合概率分布模型构建44-464. 4 semi-cca 的基本原理 46-474. 5 基于semi-cca的自动图像标注原理47-484. 6成对约朿信息的提取484. 7大概率标注词输出模型48-504. 8实验结果性能指标504.