面向互聯(lián)網(wǎng)社會化圖像的標(biāo)簽優(yōu)化算法研究.pdf

1、隨著互聯(lián)網(wǎng)Web2.0技術(shù)的出現(xiàn)，F(xiàn)lickr等社會化圖像分享網(wǎng)站開始興起，允許人們上傳、共享以及使用自定義的標(biāo)簽管理圖像。基于社會化圖像標(biāo)簽的圖像標(biāo)注和檢索技術(shù)開始成為研究熱點。但是，由于用戶使用自定義的語言來描述標(biāo)簽，社會化圖像的標(biāo)簽出現(xiàn)不正確、欠完備、不準(zhǔn)確和模糊等問題，降低了標(biāo)簽的質(zhì)量，限制了基于標(biāo)簽的圖像標(biāo)注和檢索技術(shù)的發(fā)展。因此，如何提高社會化標(biāo)簽的質(zhì)量成為圖像檢索領(lǐng)域研究的前沿性熱點問題。
　　針對提高社會化圖像的標(biāo)

2、簽質(zhì)量這一優(yōu)化問題，本文根據(jù)標(biāo)簽噪聲類型的不同，將其分解為四個關(guān)鍵子問題，并提出了多個優(yōu)化算法提高標(biāo)簽的質(zhì)量：
　　1.針對錯誤標(biāo)簽的去除這一問題，本文提出了一種基于多層聚類的標(biāo)簽優(yōu)化算法。在該算法中，提出了一種結(jié)合標(biāo)簽間相關(guān)性和圖像視覺內(nèi)容相似性雙模態(tài)信息的聚類框架，利用該框架可將整個圖像集劃分為不同的圖像子集。并提出了一種標(biāo)簽與圖像子集的聯(lián)合概率模型，利用圖像子集內(nèi)標(biāo)簽的頻率與相關(guān)關(guān)系進行標(biāo)簽的凈化。與基于K近鄰的算法相比，該

3、算法引入了融合雙模態(tài)信息的多層聚類結(jié)構(gòu)，能適用于更大規(guī)模的圖像數(shù)據(jù)集。并且由于該算法融入了標(biāo)簽間的相關(guān)性，算法增強了低頻的正確標(biāo)簽的相關(guān)程度，從而提高了錯誤標(biāo)簽的凈化增益。
　　2.針對圖像標(biāo)簽缺失這一問題，本文提出了一種基于正則化最優(yōu)化框架的標(biāo)簽優(yōu)化算法。在該算法中，提出使用非負矩陣分解算法挖掘標(biāo)簽間缺失的關(guān)系；提出并利用圖像的視覺多樣性增強標(biāo)簽與圖像之間的關(guān)系；最后提出使用正則化項的約束作用調(diào)整優(yōu)化模型復(fù)雜度，完成圖像缺失標(biāo)簽

4、的完備。與傳統(tǒng)算法相比，該算法能有效融合標(biāo)簽間的語義相關(guān)性和視覺內(nèi)容上的離散性，增強了圖像視覺內(nèi)容的整體刻畫能力，提高了標(biāo)簽完備的準(zhǔn)確率，并且計算簡潔，實時性較好。
　　3.針對用戶使用抽象標(biāo)簽的問題，本文提出了一種基于語義本體和近鄰?fù)镀钡臉?biāo)簽優(yōu)化算法。在算法中，構(gòu)建了反映標(biāo)簽語義層次關(guān)系的語義本體，利用該本體進行抽象標(biāo)簽候選者的判定。提出了抽象標(biāo)簽候選者的標(biāo)簽上下文和圖像上下文，并利用兩種上下文信息尋找特定標(biāo)簽，提出利用近鄰?fù)镀?/p>

5、算法為過于抽象的標(biāo)簽尋找描述更為精確的特定標(biāo)簽，從而增強標(biāo)簽的描述能力，增加描述圖像內(nèi)容的標(biāo)簽。本文首次提出了抽象標(biāo)簽的優(yōu)化問題及其算法。實驗表明，利用該算法提出的語義本體能準(zhǔn)確地檢測出抽象標(biāo)簽，并且使用近鄰?fù)镀彼惴ǐ@得較為準(zhǔn)確的特定標(biāo)簽，提高了圖像檢索的查全率。
　　4.針對標(biāo)簽與圖像區(qū)域無法對應(yīng)的問題，本文提出了一種基于多示例學(xué)習(xí)的標(biāo)簽優(yōu)化算法。在算法中，一方面提出了兩種擴展多樣性密度的策略，加快多樣性密度函數(shù)的計算速度。另一

6、方面，提出了邊界閾值的自動選擇算法，提高多示例學(xué)習(xí)算法的效果。改進的多示例學(xué)習(xí)算法將圖像標(biāo)簽與圖像區(qū)域進行一一對應(yīng)，從而使得標(biāo)簽描述圖像內(nèi)容的能力進一步精確化，也使得基于標(biāo)簽的圖像對象檢索成為可能。與傳統(tǒng)的算法相比，該算法將多示例學(xué)習(xí)算法引入進標(biāo)簽優(yōu)化問題中，更精確地描述圖像區(qū)域與標(biāo)簽之間的對應(yīng)關(guān)系。與現(xiàn)有的多示例學(xué)習(xí)算法相比，該算法采用的兩種擴展策略，保證了多示例學(xué)習(xí)過程能更快地計算出全局最優(yōu)解，計算過程更加簡潔。相對于固定的邊界閾值