图像语义自动标注介绍

6 特征提取的主要方法
（2）基于纹理的特征提取
纹理是物体表面固有的一种特性，它具有区域特性和 旋转不变性，反映了不同对象之间的区分。所以纹理也是 图像的主要提取特征。 常用的纹理特征提取方法有：
●局部二值模式法 ●灰度共生矩阵法 ●随机场模型法法
●基于小波变化法 ●基于Gabor滤波器法 ●自回归纹理模型法 ●结构法 ● ……
8 图像标注的主要方法
（1）基于分类的标注算法
将标注问题看成是图像语义分类问题。将每个语义关键词 都看成是一个类别标记，则图像标注问题就转化为图像分类问 题。
①按照每个标注词将训练集分为正例和反例；
②提取所有正例的全局特征和反例的全局特征； ③根据正反例特征值构造分类器； ④用每个标注词分类器为待标注图像分类； ⑤在所有标注词中选取分类值最高的几个作为标注词；
6 特征提取的主要方法
（1）基于颜色的特征提取
由于颜色特征具有对尺度、平移和旋转等不变的特性， 同时颜色特征是我们辨别物体的主要方法，所以基于颜色的 特征提取是目前图像特征提取的最常用方法。 常用的颜色特征提取方法有：
●颜色直方图法 ●颜色相关图法 ●颜色矩法 ●颜色集法 ●颜色聚合向量法 ● ……
②提取每幅图像的区域视觉特征；（颜色、纹理、形状等；即提取视觉单词） ③将所有图像的区域视觉特征聚类； （即建立视觉单词字典） ④用统计方法计算每个区域视觉特征与标注词的相关概率； （？） ⑤根据待标注图像的区域视觉特征对其标注最相关的几个标注词；
（具体方法模型：Co-occurrence模型、翻译模型、LDA、CMRM、CRM、MBRM模型）
图像。即试图在图像的高层语义和低层视觉特征之间建立一种 映射关系，一定程度上解决“语义鸿沟”问题。
（1）基于整幅图特征的语义映射；（自然场景、纹理、建筑，不区分前后景） （2）基于规则块或同质区域的语义映射；
（比（1）多了位置区分）
（3）基于图中物体识别的语义词射；（语义更准确、更丰富）
5 用于标注实验的数据集
电脑）。
11 课题研究可能的切入点
（1）颜色、纹理、形状这些底层特征间的权重、优先序。 （2）文本检索比较成熟，从文本检索中找一些启发。 （3）基于区域的不均匀块分割（快速、易分割、位置相关） （4）基于视觉权重的图像特征提取（基于心理学的视觉焦点） （5）从图像+相关文本+人反馈的综合角度提出新的方法思路，从质上 改变鸿沟现状。
目前较为公认的图像集是Corel-5k
◆它由科雷尔公司收集整理，分成三部分：
（1）4000张像作为训练集；
（2）500张作为验证集用来估计模型参数；
（3）500张作为测试集评价算法性能； ◆5000张图片按照每100张一个主题，共分为50个主题。 ◆图像库中的每张图片被标注3∽5个标注词，训练集中 总共有374个标注词，在测试集中总共使用了263个标注词。
答案：让机器进行多示例学习。
结论： 让机器通过多示例学习后自动完成图像内容 语义的标注，即图像语义自动标注。
3 什么是图像语义自动标注
图像自动标注（Automatic
Image Annotation，AIA）就是让计算机自动地给
图像加上能够反映其内容的语义关键词。自动标注的使用可以有效改善目前
的图像检索困境。使检索在保留基于文本关键词搜索的同时，免去了人工标 注的巨大工作量，也一定程度的跨越了“语义鸿沟”。
（3）目前的训练集是否具有一般性？ （4）大众标注与专家标注差异较大。（提出两者互为补充）
困难？机遇？ 现有的自动图像标注方法多数停留在理论研究上，还无法进行具体应用，甚至目前还 没有一个被学界普遍接受的已标注图像库。
感谢各位的聆听！
由于查阅文献资料的有限性，以及个人水 平所限，报告中必然有不妥或错误之处，恳请
12 问题与疑惑
（1）“语义鸿沟”似乎永远无法逾越，目前所有工作只是缩小“鸿沟”而 已。人工标注的训练集也不是最客观、无“鸿沟”的。
（特征语义，对象语义，空间关系语义，场景语义，行为语义以及情感语义）
（2）若训练集共有500个标注词，那么构造出的分类器给出的词也就是那
500个，这如何足够去描绘丰富的现实呢？
批评与指正。
图像语义自动标注 课题介绍
介绍人：李思辉
1 问题提出背景
随着数字影像技术与互联网技术的迅速发展，
互联网上有约数以百亿记的图像，如何快速的检
索到用户需要的图片成为一个关键问题。
目 前 商 业 化 的 图 像 搜 索 引 擎 如 baidu 、
Google、Yahoo等都是以文本关键字的形式来查
询，其关键字主要依靠人工标注及 Web 文本，工
8 图像标注的主要方法
（3）基于图学习的标注算法
将已标注图像和未标注图像放在一起，将每一幅图像 视为一个图节点，以图像间的相似关系作为边，实现标注 信息从已标注图像到未知图像的传播，从而完成对待标注
图像的标注任务。
同样的方法也可用于标注词，并依据标注词之间的语 义相关性进一步改善基于图学习生成的标注。
9 标注的评价指标
相关
检索到 未检索到 A C
不相关
B D
（1）查全率 = A/(A+C)
（2）查准率 = A/(A+B) 该评价指标主要借鉴于文本检索领域的查全率和查准率，针对图 像的非精确度匹配原则，有待于寻找一种更适合的评价标准。
10 WordNet在标注中的作用
WordNet是由Princeton大学的心理学家、语言学家和计算 机工程师联合设计的一种基于认知语言学的英语词典。它按
（4）基于空间关系的特征提取
空间关系是指图像中多个目标之间的相互位置或方向 关系。这些关系可分为连接、邻接、交叠、包含等。空间 关系加强了图像内容的描述和区分能力。
空间关系特征提取方法：
●基于图像的规则子块分割，建立子块索引法。
●基于图像中对象或区域的分割，建立对象索引。
7 图像相似度的计算
判断两幅图像是否相似，就是计算两幅图像的特征向量， 然后将特征向量看做多维空间中的点，然后计算两点之间的
6 特ຫໍສະໝຸດ Baidu提取的主要方法
（3）基于形状的特征提取
形状是刻画物体的基本特征之一，用形状区别物体非 常直观。通过形状特征的提取可以识别图像中所包含的事 物或对象，从而提取出其中感兴趣的目标。 常用的形状特征提取方法有：
●边界特征值法 ●形状不变矩法 ● …… ●几何参数法 ●傅里叶形状描述法
6 特征提取的主要方法
照单词的语义将其组成一个“单词网络”，体现了不同单词
间的语义层次和关系（相近、对立、包容等）。在自然语言 理解和人工智能的应用研究上都具有重要的价值。 在图像语义自动标注中，可以借助WordNet的结构化语 义信息来衡量词汇之间的关系，从而更好的选取适当的语义
词（生物、鸟类、白鸽），以及剔除冗余的语义词（计算机、
基于内容的检索结果 2
此概念于1992年由T.Kato在论文“Query by Visual Example
- Content based Image Retrieval”中提出。最早应用是IBM的 QBIC系统，是为一个俄国博物馆制作的绘画作品查询系统。
目前基于内容的图像检索系统，例如：谷歌搜图、百度
识图等，因为“语义鸿沟”的原因，都不能很好的匹配用户
的检索意图。
所谓“语义鸿沟”是指基于图像底层可视特征（颜色、
纹理、形状等）的匹配，并不能完全反映用户更高层次的语
义查询，例如：生命、呵护、沉思…
图像检索问题的思考？
（1）如何克服方式1中人工标注的难题？
答案：让机器代替人去做。
（2）如何克服方式2中“语义鸿沟问题”？
作量巨大，且缺乏一定的客观性。
2 目前图像检索方式
（1）基于文本的图像检索（Text-based Image Retrieval——TBIR）
通过关键字检索，图像库中的关键字由人工标注，现有互联网搜索 引擎主要使用此方式。
优点：将图的检索问题转为文本的检索问题，效率高，技术成熟。
缺点：需要人工给每幅图片标注对应的若干个语义词，工作量巨大。
（具体方法模型：多示例学习、SVM、语言索引法、多样性密度法、高斯混合模型等）
8 图像标注的主要方法
（2）基于概率关联模型的标注算法
在概率统计模型的基础上，分析图像区域特征与语义关键 词之间的共生概率关系，并以此为待标注图像进行语义标注。
（两篇内容最相似的文章，其相同单词出现的概率就最高）
①将训练集中每幅图像进行区域分割；（每个区域可为一个视觉单词）
（2）基于内容的图像检索（Content-based Image Retrieval—— CBIR）
输一幅图像，通过计算图像的可视特征（如颜色、纹理、形状等） 来实现图像的匹配与检索。
优点：无需人工标注，由计算机自动计算特征并匹配。 缺点：“语义鸿沟”使检索出的结果不能完全反映检索者的意图。
基于内容的检索结果 1
它是图像语义理解研究领域的一个热点。由Mori等人在1999年提出。
涉及技术：图像处理（增强、去噪、分割等）、计算机视觉（特征提取）、模式 识别（分类和理解）、机器学习（建立分类器）等。
4自动标注方法原理
利用已标注图像集或其他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，并用此模型标注未知语义的
距离，距离越短越相似。常用的距离度量公式有：
Minkkowsky 距 离 ， Manhattan 距 离 ， Euclidean 距 离 ， 加 权 Euclidean距离，Chebyshev距离，Mahalanobis距离等。 当然还有其它方法，例如：支持向量机的分类学习方法， 它将图像的匹配过程看成是相似图像的分类过程。