基于SVM算法的圖像自動(dòng)標(biāo)注

摘 要：伴隨著存儲(chǔ)技術(shù)以及網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，以圖像形式來(lái)表現(xiàn)大量有效信息成為有效手段。這樣一來(lái)，怎樣實(shí)現(xiàn)對(duì)海量圖像庫(kù)的有效檢索和管理已經(jīng)非常重要，而其中語(yǔ)義清晰又是重中之重。在圖像自動(dòng)標(biāo)注技術(shù)中，基于圖像底層視覺(jué)特征的標(biāo)注技術(shù)能夠完成，利用圖像的底層特征中提取出高級(jí)語(yǔ)義信息來(lái)標(biāo)注待標(biāo)注圖像。通過(guò)SVM（Support Vector Machine）支持向量機(jī)學(xué)習(xí)方法來(lái)自動(dòng)獲取圖像高級(jí)語(yǔ)義信息關(guān)鍵字，來(lái)完成圖像的自動(dòng)標(biāo)注具有深遠(yuǎn)的研究意義。

關(guān)鍵詞：SVM算法；特征子集；圖像標(biāo)注

中圖分類號(hào)：TP391.41

早期的圖像標(biāo)注主要是人手工來(lái)完成，即通過(guò)人為手工來(lái)對(duì)圖形尺寸、名稱、作者等信息的文本注釋，完成文本信息和圖形的聯(lián)系，最后借助手工標(biāo)注的信息實(shí)現(xiàn)對(duì)圖形的文本檢索。借助手工完成的標(biāo)注信息的檢索方式，有很多缺點(diǎn)，第一，現(xiàn)在網(wǎng)絡(luò)圖像的數(shù)量是巨大的，更新快速，所以單純手工標(biāo)注根本無(wú)法完成[1]，第二，每個(gè)人都有自己的物質(zhì)觀和價(jià)值觀，所以每個(gè)人的主觀感情色彩肯定存在差異，這樣一來(lái)，個(gè)人對(duì)圖像的解讀也就不可能完全一樣，所以不同個(gè)體對(duì)同一幅圖像的標(biāo)注就有可能不同[2]，最后標(biāo)注結(jié)果的客觀性和統(tǒng)一性很難得到保障。本文提出一種基于SVM學(xué)習(xí)方法的圖像自動(dòng)標(biāo)注系統(tǒng)，經(jīng)過(guò)相關(guān)數(shù)據(jù)訓(xùn)練集（有完整的標(biāo)簽信息）的訓(xùn)練，得到有類似分類器功能的圖像自動(dòng)標(biāo)注器，來(lái)標(biāo)注待標(biāo)注圖像的文本關(guān)鍵字。借助SVM學(xué)習(xí)方法的圖像自動(dòng)標(biāo)注系統(tǒng)，這樣圖像檢索也會(huì)有更高的效率。

1 SVM算法

2 SVM算法在圖像標(biāo)注中的應(yīng)用

圖像自動(dòng)標(biāo)注系統(tǒng)是通過(guò)計(jì)算機(jī)訓(xùn)練學(xué)習(xí)，實(shí)現(xiàn)用能夠表達(dá)圖像內(nèi)容的文本關(guān)鍵詞來(lái)標(biāo)注待標(biāo)注的圖像[5]，本文實(shí)現(xiàn)的自動(dòng)圖像標(biāo)注系統(tǒng)的框架如圖1所示。本文主要通過(guò)SVM算法對(duì)圖像標(biāo)注進(jìn)行分析。

圖1 圖像標(biāo)注系統(tǒng)的框架

借助SVM學(xué)習(xí)方法模型，可實(shí)現(xiàn)圖像視覺(jué)特征和關(guān)鍵詞之間的映射關(guān)系，完成預(yù)定義關(guān)鍵詞和對(duì)應(yīng)組特征值的映射關(guān)系，而對(duì)應(yīng)組特征值又映射到特定的圖像待標(biāo)注區(qū)域，最終實(shí)現(xiàn)了圖像的標(biāo)注問(wèn)題演變?yōu)榱藞D像的自動(dòng)分類問(wèn)題。

基于SVM的自動(dòng)圖像標(biāo)注框架如圖2所示，其采用分類的方法，每一個(gè)預(yù)定義關(guān)鍵詞被當(dāng)作一個(gè)類別進(jìn)行分類，主要包括兩個(gè)步驟：標(biāo)注模型訓(xùn)練階段和圖像標(biāo)注階段。

圖2 基于SVM的圖像標(biāo)注流框架

圖像標(biāo)注系統(tǒng)如圖3所示：

圖3 圖像標(biāo)注系統(tǒng)

3 結(jié)束語(yǔ)

本文主要介紹實(shí)現(xiàn)基于SVM圖像自動(dòng)標(biāo)注。本文論述的自動(dòng)圖像標(biāo)注，分為兩個(gè)階段來(lái)實(shí)現(xiàn)：第一，訓(xùn)練階段，第二，標(biāo)注測(cè)試階段。在第一階段，利用圖像訓(xùn)練數(shù)據(jù)集來(lái)訓(xùn)練SVM分類器模型，生成需要的標(biāo)注模型。在第二階段，針對(duì)需要標(biāo)注的圖像，經(jīng)圖像分割、特征提取等處理后，成功實(shí)現(xiàn)圖像區(qū)域的標(biāo)注。

參考文獻(xiàn)：

[1]S.Amorl，P.Kraipeerapun.Bagging of duo output neural networks for single output regression problem[C].proceeding of the 2010 IEEE interational conference on Computer Science and Information Technology.Washington.Finland，2010：135-139.

[2]陳燁，邵健，朱科.基于社群隱含主題挖掘和多社群信息融合的自動(dòng)圖像標(biāo)注[J].中國(guó)圖象圖形學(xué)報(bào)，2010（06）：17-24.

[3]張曉明，付強(qiáng).SVM算法在Web服務(wù)蜜罐日志分析中的應(yīng)用[J].沈陽(yáng)大學(xué)學(xué)報(bào)，2013（01）.

[4]陶新民，郝思媛，張冬梅.核聚類集成失衡數(shù)據(jù)SVM算法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2013（03）.

[5]P.Duygulu，K.Barnard，D.A.Forsyth.Object recognition as machine translation：Learning a lexicon for a fixed image vocabulary[C].proceeding of the Seventh European Conference on Computer Vision，Copenhagen，Kongeriget Danmark：ECCV，2002：97-112.

作者簡(jiǎn)介：張華忠（1989-），男，四川廣漢人，助教，碩士，研究方向：數(shù)據(jù)挖掘和圖像處理。

作者單位：中國(guó)民用航空飛行學(xué)院，四川廣漢 618300

基金項(xiàng)目：由中國(guó)民航飛行學(xué)院青年基金支持（項(xiàng)目編號(hào)：XM0892）。