An automatic digital image annotation method based on uncertainty analysis includes image feature extraction based on depth convolution neural network, image automatic annotation system based on variable precision neighborhood rough set and annotation of unannotated image. This method collects image data and labels them to get training set, extracts image feature vectors by depth convolution neural network, obtains classification model based on neighborhood estimation class conditional probability density, extracts image features, estimates the position of the image to be classified by using the concept of upper and lower approximation of rough set, and locates in positive domain. The membership of the marker is directly judged by the image in the negative domain, while the image in the boundary domain is judged by Bayesian decision rules. By introducing the upper and lower approximation concepts of rough sets to estimate the position of the image to be annotated in the sample space, the method reduces the error prediction rate of the uncorrelated markers, and solves the uncertainty problem between the bottom image features and the high-level semantics in the automatic image annotation.
【技术实现步骤摘要】
一种基于不确定性分析的数字图像自动标注方法
本专利技术涉及一种基于不确定性分析的数字图像自动标注方法,属计算机图像处理
技术介绍
随着计算机技术的迅猛发展以及多媒体应用和社交网络的风靡流行,互联网上的多媒体数据呈指数级增长。海量的数据给多媒体应用研究,尤其是基于图像的应用研究带来新的机遇和挑战。为了从海量的图像数据中挖掘出所需要的图像,必须要有一套有效的图像检索机制。图像自动标注技术可以让计算机自动地给无标注的图像加上能够反映图像内容的语义标签,是实现图像检索的关键。它试图在图像的高层语义信息和低层视觉特征之间建立一种映射关系,通过已标注图像或其它可获得的信息,自动学习语义概念空间与视觉特征空间的关系模型,并利用此模型标注未知语义的图像。自Mori等人在1999年提出共生模型(Co-occurrenceModel)以来,各种新颖的图像自动标注算法不断涌现,众多的研究者从不同的角度分析和解决标注问题,期望能找到良好的标注方法。有的将图像自动标注看成是从视觉语言到文本语言的翻译问题,有的学者则认为图像自动标注是一个图学习的过程。此外,由于图像标注具有多标记的特性,因此也有学者将它看作多标记学习问题。然而现有的方法存在着一些缺陷:首先,图像的底层特征不能完全反映和匹配用户的检索意图。当前已有的图像自动标注系统的特征表达依然采用人工设计的方式,例如SIFT、HOG等。这些特征在特定类型对象中能够达到较好的识别效果,基本能够满足现实需求。但这些算法提取的只是一些低层次(low-level)特征,抽象程度不高,包含的可区分性信息不足。例如算法经常基于像素灰度 ...
【技术保护点】
1.一种基于不确定性分析的数字图像自动标注方法,其特征在于,所述方法包括基于深度卷积神经网络的图像特征提取、基于变精度邻域粗糙集的图像自动标注系统构建和对未标注图像进行标注;所述方法采集图像数据并进行标注得到训练集,通过深度卷积神经网络提取图像的特征向量;再基于邻域估计类条件概率密度得到分类模型;预测时,提取图像特征,利用粗糙集上、下近似的概念估计待分类图像的位置;位于正域和负域的图像直接判断标记的隶属关系,而位于边界域中的图像则利用贝叶斯决策规则进行判断。
【技术特征摘要】
1.一种基于不确定性分析的数字图像自动标注方法,其特征在于,所述方法包括基于深度卷积神经网络的图像特征提取、基于变精度邻域粗糙集的图像自动标注系统构建和对未标注图像进行标注;所述方法采集图像数据并进行标注得到训练集,通过深度卷积神经网络提取图像的特征向量;再基于邻域估计类条件概率密度得到分类模型;预测时,提取图像特征,利用粗糙集上、下近似的概念估计待分类图像的位置;位于正域和负域的图像直接判断标记的隶属关系,而位于边界域中的图像则利用贝叶斯决策规则进行判断。2.根据权利要求1所述的一种基于不确定性分析的数字图像自动标注方法,其特征在于,所述基于深度卷积神经网络的图像特征提取步骤如下:(1)将图片大小调整到224×224,把每个像素看作一个神经元输入到卷积神经网络中,其中设定四个卷积层,每层的卷积核个数分别为64,64,128,128,分别表示在对应层上提取的特征个数;(2)卷积核大小都为3×3,步长为1,表示每个卷积核和特征图上邻域9个像素相连,且对每个特征图都权值共享;(3)卷积后加上一个可训练的偏置参数,再经过ReLU激活函数,得到卷积层的结果,代表该卷积层所提取的特征。3.根据权利要求1所述的一种基于不确定性分析的数字图像自动标注方法,其特征在于,所述基于变精度邻域粗糙集的图像自动标注系统构建包括以下步骤:(1)在包含n个样本的训练集中,计算每个类别lj的先验概率和每一个样本对应着一个m维的标记向量y=[y1,y2,....,ym];如果样本具有类别标记lj,则yj=1;反之,则yj=0;表示类别标记lj出现的概率;表示类别标记lj不出现的概...
【专利技术属性】
技术研发人员:余鹰,喻建云,伍国华,王乐为,吴新念,
申请(专利权)人:华东交通大学,
类型:发明
国别省市:江西,36
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。