基于稀疏表达的污损图像标注算法

本文提出了污损图像的自动标注算法.首先确定待标注图像的污损区域,根据污损区域的位置和比例划分字典中的图像,提取图像的底层特征,基于底层视觉特征构建稀疏模型,确立污损图像与字典中图像的相似关系,对字典中的相似图像进行分块处理,由污损图像与字典图像的子块特征确定其可能相关的标注词.最后通过概率统计完成污损图像的自动标注.实验表明该方法在一定程度上弱化污损区域对图像标注的不利影响,较好地实现了污损图像的自动标注.     

基于Co-training的图像自动标注

图像自动标注是图像理解与模式识别等领域中具有挑战性的关键研究问题.目前图像自动标注领域存在着一些问题,如未标注数据规模要远大于标注数据规模,只能单独使用某种图像分割策略与某类图像表示方法.针对上述问题,提出了基于Co-training的图像自动标注方法,通过构建4个独立的特征属性进而建立4个子分类器,将不同的图像分割方法与特征表示方法整合到一个统一框架中,利用提出的基于投票与一致性相结合的自适应算法扩展原始训练集.该方法通过使用Co-training算法,利用大量未标注数据来提升图像自动标注的性能.通过在Corel 5K数据库上进行实验,验证了提出方法的有效性.     

基于风格建模的图像自动标注

传统的自动图像标注假设图像相对独立,在训练和标注阶段,图像之间的联系都被忽略.然而在实际应用中,用户往往倾向于将来自同源(如同一次旅行,同一次庆典等)的图像存储在一起,组成一个图像子集,来自同一个图片子集的图像享有共同的"风格".以传统的基于PLSA模型的自动图像标注为基础,提出为图像集的"风格"建模,在风格模型的基础上进行自动图像标注.不同数据集上的实验证明,提出的风格化图像自动标注可以为传统的基于PLSA模型的自动图像标注带来80%左右的性能提升.     

基于Vague融合的自动图像标注方法

提出了一种基于Vague融合的自动图像标注方法,通过有效区域匹配方式,利用近邻语义信息来平衡正负样本数目,并且首次利用Vague集的真假隶属度融合图像的区域信息,从而获得更准确的标注结果.实验结果表明,该标注方法是可行的,同时,与传统的标注方法相比,标注结果得到了明显的提高.     

基于感兴趣区域的图像自动标注算法研究

提出一种基于感兴趣区域(ROI)的图像自动标注算法.首先利用JPEG 2000中的Maxshift算法提取出图像的感兴趣区域,建立感兴趣图像库;之后对图像库中的图像利用SIFT算法提取图像的特征向量;并利用支持向量机对图像进行标注;最后应用Corel图像数据库进行自动标注仿真试验,结果表明,所设计算法有较好的效果.     

基于头饰特征的肖像类唐卡图像自动标注

人机交互选择肖像类唐卡图像的头饰区域,采用最大类间方差法取得阈值对图像进行分割,得到初始的唐卡分割图.计算头饰区域的欧拉数、头饰轮廓内部的颜色分布,综合这两个维度的特征刻画头饰的整体特征.头饰特征到肖像类唐卡图像名称具有对应规则.结合这一规则,实现肖像类唐卡图像的名称标注.实验结果表明,整合多特征,利用底层特征到名称的映射,可以有效地对肖像类唐卡图像进行标注.     

基于区域空间与词汇加权的图像自动标注

图像自动标注是图像检索与图像理解中重要而又极具挑战性的问题.针对现有模型忽略了图像不同区域对图像整体贡献程度的差异性,提出了基于区域空间加权的标注方法,改善了图像的区域特征生成概率估计.此外,针对现有模型未考虑词汇本身重要性以及词汇分布对标注性能的影响,提出了基于词汇固定权值的标注方法、基于平滑词汇频率的标注方法以及基于词汇TF-IDF加权的标注方法,对词汇的生成概率估计部分进行了改进.综合以上区域空间改进与词汇改进,提出了WDVRM图像标注模型.通过在Corel数据库进行的实验,验证了WDVRM模型的有效性.     

基于分水岭的图像分割训练样本的自动选择和标注

图像分割是图像理解、模式识别、计算机视觉等研究方向的一个重要研究内容。图像分割的方法有很多,将支持向量机(Support Vector Machine,SVM)应用于图像分割已是一种较为广泛的分割方法,但该方法大多采用人工方式来选取训练样本,降低了图像分割的自适应性,且有可能影响图像分割的质量,因此基于支持向量机的图像分割方法的研究内容是如何自动选择足够多且分布良好的训练样本,并自动进行类别标注。文章提出一种基于分水岭的图像分割训练样本的自动选择和标注方法,分水岭分割区域的中心点可以看作支持向量机的训练样本,将选取的训练样本对照分割参考图中的像素点进行类别标记。然后对训练样本进行训练,其中选择图像的颜色特征和纹理特征作为训练样本的特征属性。文章采用的彩色图像来自Berkeley图像数据库以及互联网,从实验结果可以看出文中提出的方法可取得很好的分割结果。     

基于图理论学习模型的胃窥镜图像自动标注

为了解决目前医学图像检索领域不能有效缓解“语义鸿沟”的问题,提出基于图理论学习模型的图像自动标注方法.首先讨论了医学图像的标注问题,总结了现有关医学图像标注的研究工作.以胃窥镜图像为具体研究对象,针对图学习模型中的图像-标注词间的关系提取以及图像相似度计算进行了详细分析,并有效地融合进医生的诊断信息作为图像的高级语义特征,更有效地计算出图像间相似度.最后,在Toy data数据集和临床胃窥镜图像集上进行了一系列的实验,结果表明本文方法优越于传统图像标注方法.     

基于张量罚偏最小二乘的自动图像标注

如何有效地挖掘变量与标签之间的相互关系和处理高维数据是自动图像标注的两个具有挑战性的问题。以往的自动图像标注都是基于向量模式的学习算法,这样一方面产生高维数据,另一方面破坏了图像数据的高阶结构和内在相关性,导致信息丢失。向量模式下的罚偏最小二乘算法(penalized partial least square,PPLS)可以在获取变量和标签相关性的同时,进行维度约简。在PPLS的基础上,提出基于张量罚偏最小二乘算法(tensor-PPLS)。首先构造图像的张量数据形式,然后采用多线性主成分分析(MPCA)进行降维预处理,最后用tensor-PPLS进行图像标注。在图像标注的三个标准数据集上,提出的算法标注结果明显优于传统的基于向量模式的学习算法。     

基于深度学习的图像标注

随着个人计算机和互联网上数字图像数量的快速增长,用户越来越多借助于"语义概念"来检索感兴趣图像。然而由于图像底层特征刻画和高层语义概念描述间存在很大的差异,使得现有图像标注算法性能不甚理想。因此,文中提出基于多模态深度学习的图像标注框架,旨在应用卷积神经网络技术优化深层神经网络的参数,提高标注精度。具体地,文中提出的多模态深度学习标注框架利用两阶段学习,优化神经网络参数:(1)利用深度神经网络,优化各单模态参数;(2)利用相关性,实现多模态的最优组合。公共数据集的实验表明,该方案可以有效地提高图像标注的性能。     

基于稀疏组Lasso与支持向量机的肺结节CT征象自动标注

为减少人工读片的工作量及医生对肺结节解释的差异性,提出一种基于稀疏组Lasso特征选择与支持向量机分类器的肺结节CT征象自动标注方法.首先,采用基于多专家标注的阈值概率图方法从肺部CT图像中分割肺结节,并提取专家标注的CT征象;其次,提取肺结节图像的形状、大小、灰度、纹理4种底层特征,通过稀疏组Lasso方法对4种特征进行选择;然后利用支持向量机建立选择后底层特征与CT征象之间的关系模型;最后利用此模型标注肺结节CT征象.LIDC数据库上的实验结果表明,本文方法具有较高的标注精度,能够实现肺结节CT征象的自动标注,辅助医生解释.     

基于相似性迁移学习的图像标注

提出一种基于相似性迁移学习的图像标注算法.首先建立图像间的特征相似度量,引入相似性迁移学习算法,将图像的底层特征相似度量迁移到图像所对应标注词的相似度量,通过统计方法实现图像的自动标注.实验表明,本文方法能够有效提高图像的标注质量,减少噪声干扰.     

基于叙词查询的图像标注方法

为了能更好地反映图像标注之间的关系,将叙词查询的概念引人到传统的基于查询的图像标注领域,通过已标注图像的关键词建立标注之间的关系,从而构建了基于叙词查询的图像自动标注方法.最后在Corel图像数据库中对所提出方法的有效性进行了验证.     

基于稀疏组Lasso与支持向量机的肺结节CT征象自动标注简

为减少人工读片的工作量及医生对肺结节解释的差异性,提出一种基于稀疏组Lasso特征选择与支持向量机分类器的肺结节CT征象自动标注方法.首先,采用基于多专家标注的阈值概率图方法从肺部CT图像中分割肺结节,并提取专家标注的CT征象;其次,提取肺结节图像的形状、大小、灰度、纹理4种底层特征,通过稀疏组Lasso方法对4种特征进行选择;然后利用支持向量机建立选择后底层特征与CT征象之间的关系模型;最后利用此模型标注肺结节CT征象.LIDC数据库上的实验结果表明,本文方法具有较高的标注精度,能够实现肺结节CT征象的自动标注,辅助医生解释.     

基于混合搜索算法的图像稀疏分解

为了提高图像稀疏分解的效果,降低其计算时间,提出一种基于量子进化算法(quantum-inspired evolutionary algorithm,QIEA)和改进差分进化算法(improved differential evolution,IDE)的混合搜索算法,并应用到图像稀疏分解中。该方法将IDE引入到QIEA中,前期进行QIEA寻优,当寻优搜索到的最优解经过多次进化后没有变化时,引入IDE以提高搜索解的精度和质量。图像稀疏分解的仿真实验结果表明,与QIEA和IDE相比,混合搜索算法的图像稀疏分解方法获得的重构图像具有最好的图像视觉质量和最高的峰值信噪比,且具有相对较低的计算时间。     

基于谱特征参数的图像稀疏降噪

提出一种基于谱特征参数的图像稀疏降噪算法。其采用稀疏重构理论为图像降噪框架,并将图论中的谱特征参数作为一约束条件,以有效克服传统稀疏重构中稀疏解不稳定的问题。该降噪算法将噪声图像块作为基础元素进行关系图构建,进而得到邻接矩阵。然后,求解该邻接矩阵对应的拉普拉斯矩阵,并对其进行特征分解,得到对应的特征向量,即谱特征参数。最后,将图像块矩阵与一定数目该高频谱特征参数所组成矩阵的乘积作为稀疏模型的正则项形成提出的算法模型。实验结果表明,与基于K-SVD的稀疏表示降噪算法相比,在相同参数的情况下提出的算法在多种类型噪声下对多幅图像的降噪效果都有着显著的提高。     

基于混合搜索算法的图像稀疏分解

为了提高图像稀疏分解的效果,降低其计算时间,提出一种基于量子进化算法(quantum-inspired evolutionaryalgorithm,QIEA)和改进差分进化算法(improved differential evolution,IDE)的混合搜索算法,并应用到图像稀疏分解中.该方法将1DE引入到QIEA中...     

基于字典稀疏表示和梯度稀疏的图像盲去模糊

基于超完备字典稀疏表示的图像复原利用字典的冗余性能够有效地恢复出图像的结构特征,但由于使用字典稀疏表示时需要对整幅图像进行分块处理,导致复原后的图像块之间重构图像常出现"伪像"效应。针对这一问题,本文将图像梯度稀疏统计特性作为先验知识加入稀疏表示图像盲去模糊模型中,提出了一种基于字典稀疏表示和梯度稀疏的图像盲去模糊算法,同时分析了算法的整体优化求解方法。实验分析和结果表明,本文算法能在一定程度上去除图像块之间的"伪像"效应,保持图像的结构特征和整体平滑。本文算法的去模糊图像在峰值信噪比和视觉效果两方面均有显著提高。