BP神经网络在图像语义自动标注的应用.docVIP

BP神经网络在图像语义自动标注的应用 　　摘要：由于传统的基于内容图像检索存在的“语义鸿沟”问题，其在某些特定的领域无法满足用户的需求。图像语义自动标注的出现能够有效地解决这方面的问题。该文提出了先使用Normalized Cuts方法对图像进行区域分割并提取出每个区域的低层视觉特征，再利用BP神经网络算法来学习图像区域和标注字的对应关系来进行图像语义的自动标注的方法，实验结果证明了此方法的有效性和准确性。 　　关键词：图像标注；BP神经网络；Normalized Cuts；图像低层特征 　　中图分类号：TP391文献标识码：A文章编号：1009-3044(2011)14-3399-02 　　Image Semantic Annotation Based on BP Neural Network Algorithm 　　WU Yu-hua 　　(Department of information Technology, Hengyang Technician College, Hengyang 421008, China) 　　Abstract: Because of the Semantic gab problem in the traditional CBIR(content-based image retrieval ) systems, they are not fit in some special areas. The appearance of Image-Semantic-Annotation can effectively resolve this problem. This paper represents a method that first uses the Normalized Cuts to cut the image into several areas and then extract the low-level features, last use BP neural network algorithm to learn the relations between the areas and the annotation words. The experiments results proved this method is valid and efficient. 　　Key words: image annotation; BP neural network; normalized cuts; low-level feature 　　基于内容的图像检索近10年来得到了研究者的关注,一系列的基于内容的图像检索方法和检索系统被提出来。然而由于计算机对图像信息的理解和人对图像信息的理解存在着客观区别, 检索系统中就难免存在计算机认为的“视觉相似”和人们所理解的“语义相似”之间的“语义鸿沟( Semantic gap )”。如何解决“语义鸿沟”问题是目前CBIR系统亟待解决的技术难题。图像标注这个直观的想法能有效地弥补语义的缺失,它可以利用已标注的图像集自动学习语义概念空间与视觉特征空间的关系模型,并用此模型标注未知语义的图像,即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。因此,它可以一定程度解决大多基于内容图像检索方法存在的语义鸿沟问题。如果能实现自动图像标注,那么现有的图像检索问题实际上就可以转化成技术已经相当成熟的文本检索问题。它的潜在应用领域包括生物医学、商业、军事、教育、数字图书馆和互联网检索等。 　　1 相关研究工作 　　图像自动标注技术可以利用已标注的图像集自动学习语义概念空间与视觉特征空间的关系模型,并用此模型标注未知语义的图像,即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。近年来图像自动标注技术正成为国际上图像检索领域的一个研究热点。许多机器学习方法由于能很好地获取图像特征和文本描述之间的对应关系,因而被引入这一领域，并且已经出了一些成果，例如同现模型(Co-occurrence Model)[1],基于机器翻译的对象识别模型[2]，跨媒体相关模型(Cross-Media Relevance, CMR)[3]等等。 　　本文中我们提出了先使用Normalized Cuts[4]方法对图像进行分割并提取出每个区域的低层特征，再利用BP神经网络算法来学习图像区域特征和标注字的对应关系模型并用此模型来对未知语义图像进行自动标注的方法，实验证明该方法能够取得很好的效果。 　　2 Normalized Cuts及图像区域特征选择 　　因为Normalized Cuts在图像分割这块有强的优势，所以本文中我们选择其作为图像的分割方法。先对图像进行