基于图理论的自动图像标注分析-automatic image annotation analysis based on graph theory.docx

研究的难点之一。本文在详细分析现有基于聚类的图像标注方法优缺点的基础上，提出了一种谱聚类图像标注方法。该方法采用以下两种有效途径建立图像的高层语义和低层特征之间的内在联系：首先利用多元统计学中的典型相关性分析（CCA）对图像的语义特征和低层特征进行关联分析，以便建立图像的低层特征与语义特征间的相关性。然后，在CCA空间内，对训练图像先按语义聚类，使得语义相同或相近的图像处于同一类中，再对每个语义类按区域特征聚类，通过这两次聚类能有效地建立图像的低层特征与语义特征间的一致性。实验结果表明所提出的方法明显提高了标注准确度。前述的标注方法都存在需要大量的已标注图像的缺点，如何通过对少量典型的样本图像进行人工标注作为训练集，实现精确的图像自动标注，已成为当前图像标注领域中研究热点之一。本文在基于图的标签传播的原理与机制的基础上，提出一种利用Voronoi图的构图方法。该方法利用Voronoi图表达了空间目标的影响区域，将图像数据点在特征空间内的分布信息融合到点对间的相似性表示中。利用未标注图像与已标注图像的内在相关性，将半监督学习和多标记学习有效结合起来，为图像进行标注。实验结果表明，提出的标注方法效率高，同时标注结果与传统的标注方法相比得到了明显改善。传统的标注算法的标注结果都不可避免地存在较大噪声，如标注词之间的不一致性，标注词无意义等现象。因此有必要对各类方法输出的结果进一步优化处理