一种基于Web社交化媒体的图像自动标注方法

摘要

一种基于Web社交化媒体的图像自动标注方法,首先通过图像处理工具把基于Web的图像按照设定的需要划分的区域划块，然后依次进行每个区域块K

说明书

技术领域

本发明属于图像自动标注技术领域，涉及一种基于Web社交化媒 体的图像自动标注方法。

背景技术

基于内容的图像检索存在图像原始的底层特征与用户抽象的深 层语义之间的“语义鸿沟”，目前缩小“语义鸿沟”的方法还不够理 想。随着Web2.0的发展，越来越多的互联网用户在向互联网上传图片 时，同时会附加相应的文本信息对图片予以描述或说明。这些信息对 于分析图像的语义内容、挖掘图像检索用户意图具有重要作用。以往 研究者主要偏重从机器学习的角度对图像自动标注进行研究，基于机 器学习的图片自动标注方法需要大量的参数优化与复杂的学习过程， 不能快速的对大量网络图片进行有效的标注。

发明内容

本发明的目的为提供了一种基于Web社交化媒体的图像自动标注 方法,首先通过图像处理工具把基于Web的图像按照设定的需要划分 的区域划块，然后依次进行每个区域块Kh的R分量属性、G分量属性和 B分量属性的确认，相对横向位移的属性和相对纵向位移属性的确定， 接着进行对轮廓属性的确定，最后结合多类标分类方法来进行图像的 标注，就能有效地缩小“语义鸿沟”，并能快速的对大量网络图片进 行有效的标注。

为了实现所述目的，本发明提供了一种按时基于Web社交化媒体 的图像自动标注方法，步骤如下:

步骤1:首先通过图像处理工具把基于Web的图像按照设定的需 要划分的区域划块，区域划分后得到的区域块数为m，每个区域块用 K_h代表h为小于等于m的自然数；

步骤2：然后再利用RGB三原色决定的色域的R分量数值、G分量数 值以及B分量数值构成色域要素，该色域要素表示成T(L)＝{T_R(L)、 T_G(L)、T_B(L)}，T_R(L)、T_G(L)和T_B(L)分别表示为R分量数 值、G分量数值和B分量数值，由此获取每个区域块K_h的R分量属性、G 分量属性和B分量属性，每个区域块K_h的R分量属性、G分量属性和B分 量属性各自由N_h1、N_h2和N_h3如公式(1)、公式(2)和公式(3)表示 如下：

$N_{h1}=0.025\frac{{\Sigma }_{L\in R}{T}_R\left(L\right)+75}{B_h}---\left(1\right)$

$N_{h2}=0.025\frac{{\Sigma }_{L\in G}{T}_G\left(L\right)+75}{B_h}---\left(2\right)$

$N_{h3}=0.025\frac{{\Sigma }_{L\in B}{T}_B\left(L\right)+75}{B_h}---\left(3\right)$

其中B_h为区域块K_h的画素的数量，L表示同设定的原点的相对横向 位移和相对纵向位移的集合；

步骤3：相对横向位移的属性和相对纵向位移属性的确定，把设 置设定的色差范围内的区域块的中点作为相对横向位移的属性g_h1和 相对纵向位移的属性g_h2的选择点,按照如下公式(4)和公式(5)分 别导出相对横向位移的属性g_h1和相对纵向位移的属性g_h2：

$g_{h1}=\frac{1}{B_h*K1}{\Sigma }_{L\in G}\mathrm{KH}---\left(4\right)$

$g_{h2}=\frac{1}{B_h*K2}{\Sigma }_{L\in G}\mathrm{KZ}---\left(5\right)$

其中K1表示基于Web的图像的横向跨度大小，K2表示基于Web的图 像的纵向跨度大小，KH表示设置设定的色差范围内的区域块的画素的 同设定的原点的相对横向位移，KZ表示设置设定的色差范围内的区域 块的画素的同设定的原点的相对纵向位移；

步骤4：接着进行对轮廓属性的确定，即把设置设定的色差范围 内的区域块的轮廓和同基于Web的图像偏移量作为轮廓属性，这个就 通过图像处理工具来获取该轮廓属性；

步骤5：通过步骤2-步骤4的处理后所得的结果，结合多类标分类 方法来进行图像的标注。

所述的图像处理工具为photoshop或者coredraw工具。

本发明能够就能有效地缩小“语义鸿沟”，并能快速的对大量网 络图片进行有效的标注。

具体实施方式

本发明按照如下的具体实施方式做进一步说明

基于Web社交化媒体的图像自动标注方法，步骤如下:

步骤1:首先通过图像处理工具把随机选取的基于Web的图像按 照设定的需要划分的区域划块，区域划分后得到的区域块数为1000， 每个区域块用K_h代表h为小于等于1000的自然数；

步骤2：然后再利用RGB三原色决定的色域的R分量数值、G分量数 值以及B分量数值构成色域要素，该色域要素表示成T(L)＝{T_R(L)、 T_G(L)、T_B(L)}，T_R(L)、T_G(L)和T_B(L)分别表示为R分量数 值、G分量数值和B分量数值，由此获取每个区域块K_h的R分量属性、G 分量属性和B分量属性，每个区域块K_h的R分量属性、G分量属性和B分 量属性各自由N_h1、N_h2和N_h3如公式(1)、公式(2)和公式(3)表示 如下：

$N_{h1}=0.025\frac{{\Sigma }_{L\in R}{T}_R\left(L\right)+75}{B_h}---\left(1\right)$

$N_{h2}=0.025\frac{{\Sigma }_{L\in G}{T}_G\left(L\right)+75}{B_h}---\left(2\right)$

$N_{h3}=0.025\frac{{\Sigma }_{L\in B}{T}_B\left(L\right)+75}{B_h}---\left(3\right)$

其中B_h为区域块K_h的画素的数量，L表示同设定的原点的相对横向 位移和相对纵向位移的集合；

步骤3：相对横向位移的属性和相对纵向位移属性的确定，把设 置设定的色差范围内的区域块的中点作为相对横向位移的属性g_h1和 相对纵向位移的属性g_h2的选择点,按照如下公式(4)和公式(5)分 别导出相对横向位移的属性g_h1和相对纵向位移的属性g_h2：

$g_{h1}=\frac{1}{B_h*K1}{\Sigma }_{L\in G}\mathrm{KH}---\left(4\right)$

$g_{h2}=\frac{1}{B_h*K2}{\Sigma }_{L\in G}\mathrm{KZ}---\left(5\right)$

其中K1表示基于Web的图像的横向跨度大小，K2表示基于Web的图 像的纵向跨度大小，KH表示设置设定的色差范围内的区域块的画素的 同设定的原点的相对横向位移，KZ表示设置设定的色差范围内的区域 块的画素的同设定的原点的相对纵向位移；

步骤4：接着进行对轮廓属性的确定，即把设置设定的色差范围 内的区域块的轮廓和同基于Web的图像偏移量作为轮廓属性，这个就 通过图像处理工具来获取该轮廓属性；

步骤5：通过步骤2-步骤4的处理后所得的结果，结合多类标分类 方法来进行图像的标注。所述的图像处理工具为photoshop或者 coredraw工具。

根据本实施例随机选取的基于Web的图像在区域划分后得到的区 域块数为1000，并结合对应的步骤方法所得到的基于Web社交化媒体 的图像自动标注方法后最终通过micro-AUC评价标准得到基于Web的 图像标注的关联度为0.819，具有显著的缩小“语义鸿沟”的技术效 果。

以上所述，仅为本发明的更佳实施例而已，并非对本发明作任何 形式上的限制，虽然本发明已以更佳实施例揭露如上，然而并非用以 限定本发明，任何熟悉本专业的技术人员，于不脱离本发明技术方案 范围内，当可利用所述揭示的技术内容做出些许更动或修饰为同变化 的效实施例，但凡为未脱离本发明技术方案内容，靠本发明的技术实 质，于本发明的精神以及原就之内，对以上实施例所作的任何简单的 修改、同替换与改进，均仍属于本发明技术方案的保护范围之内。