1、“語義清晰”是大規(guī)模數(shù)字圖像管理的重要前提,現(xiàn)有的基于底層特征的圖像內(nèi)容和高級(jí)人為理解的圖像語義之間存在巨大的鴻溝,因此通過計(jì)算機(jī)自動(dòng)獲取圖像語義內(nèi)容的研究具有十分重要的意義。自動(dòng)圖像標(biāo)注的實(shí)質(zhì)是通過對(duì)圖像的底層視覺特征的處理和分析來獲取高層語義關(guān)鍵詞,用這組語義關(guān)鍵詞表示圖像的含義。基于分類的自動(dòng)圖像標(biāo)注方法是當(dāng)前圖像標(biāo)注領(lǐng)域中使用最廣泛的方法之一。
　　 本文的研究目標(biāo)是結(jié)合當(dāng)前標(biāo)注模型的特點(diǎn)應(yīng)用機(jī)器學(xué)習(xí)算法對(duì)圖像進(jìn)行標(biāo)注,

2、與前期基于分類模型的自動(dòng)圖像標(biāo)注經(jīng)典算法相比,本文采用的決策樹改進(jìn)算法在分類精度和時(shí)間上有所改善,并且該系統(tǒng)可以利用人能理解的規(guī)則模型來標(biāo)注圖像。為了獲取標(biāo)注規(guī)則,本文將采集到的圖像數(shù)據(jù)庫(kù)預(yù)定義一組需要的關(guān)鍵詞(或語義概念)。利用圖像分割技術(shù)將數(shù)據(jù)庫(kù)中的圖像分割成許多不同的區(qū)域,每個(gè)區(qū)域大致對(duì)應(yīng)于一個(gè)語義對(duì)象。然后對(duì)圖像分割后所得到的各個(gè)區(qū)域提取出底層視覺特征,包括顏色、紋理和形狀特征等。提取出區(qū)域的特征屬性后,手動(dòng)將有意義的區(qū)域歸并為

3、幾個(gè)類,這幾個(gè)類均為預(yù)定義的語義概念。特征屬性數(shù)據(jù)可以作為后續(xù)機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)。然后該系統(tǒng)可以通過機(jī)器學(xué)習(xí)方法從這些特征數(shù)據(jù)中學(xué)習(xí)到語義概念,利用預(yù)定義關(guān)鍵詞來標(biāo)注各個(gè)區(qū)域,最后圖像就可以被這些關(guān)鍵詞標(biāo)注出來。本文主要關(guān)注的機(jī)器學(xué)習(xí)算法為改進(jìn)后的NewNBtree算法、SimpleC4.5算法和FastRandomForest算法,通過訓(xùn)練可以得到相應(yīng)的標(biāo)注模型,最終實(shí)現(xiàn)自動(dòng)圖像標(biāo)注。在自動(dòng)語義標(biāo)注階段,本文利用圖像信息熵的概念對(duì)噪聲