專利名稱：一種交互式圖像檢索方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及基于移動虛擬分類面的交互式 圖像檢索方法。
背景技術(shù)：
隨著多媒體技術(shù)的發(fā)展和計(jì)算機(jī)數(shù)據(jù)處理能力的提高，網(wǎng)絡(luò)上的各 類資源日益豐富，尤其是直觀形象的數(shù)字圖像更是以驚人的速度增長。 在全世界范圍內(nèi)，每天都會產(chǎn)生數(shù)量巨大的圖像，這就要求有一種能夠 快速而且準(zhǔn)確地查找訪問圖像的技術(shù)，也就是所謂的圖像檢索技術(shù)。
基于內(nèi)容的圖像檢索(Content-Based Image Retrieval,簡稱CBIR)，
是當(dāng)前較為常用的一種有效的圖像檢索方法，其主要的難點(diǎn)在于如何跨 越圖像高層語義和底層特征的鴻溝。相關(guān)反饋(Relevance Feedback)己 被證明是一種能夠較好地處理上述問題的技術(shù)，其主要思想是在圖像檢 索過程中引入人機(jī)交互，每次返回一些圖像給用戶標(biāo)注，然后利用這些 己標(biāo)注圖像的信息去提高圖像檢索的準(zhǔn)確度。在每輪相關(guān)反饋中，返回 給用戶標(biāo)注的圖像相對于龐大的圖像數(shù)據(jù)庫而言是非常少的，如何有效 利用有限的標(biāo)注圖像和大量的未標(biāo)注圖像以盡可能地提高圖像檢索系 統(tǒng)的性能，是相關(guān)反饋技術(shù)中的一個(gè)關(guān)鍵問題。
主動學(xué)習(xí)(Active Learning)是針對機(jī)器學(xué)習(xí)中"標(biāo)注數(shù)據(jù)少，未 標(biāo)注數(shù)據(jù)多"的情況提出的一種有效的學(xué)習(xí)算法，其主要思想是只選 取"最有信息"的數(shù)據(jù)進(jìn)行標(biāo)注，使得由這些數(shù)據(jù)所訓(xùn)練出的新分類器其 性能得到盡可能大的提高。將主動學(xué)習(xí)運(yùn)用到相關(guān)反饋中以提高圖像檢 索的效果，是當(dāng)前圖像檢索的一個(gè)趨勢，其中最具代表性的是S.Tong 和E.Chang提出的SVM勿^他們認(rèn)為距離當(dāng)前訓(xùn)練所得分類超平面最 近的數(shù)據(jù)點(diǎn)為"最有信息"的數(shù)據(jù)，因此在每輪相關(guān)反饋中，他們返回一 批距離分類面最近的圖像給用戶標(biāo)注，并用這些標(biāo)注圖像訓(xùn)練出一個(gè)新
的分類器。本發(fā)明認(rèn)為，上述傳統(tǒng)的"成批標(biāo)注"的選點(diǎn)策略忽略了未標(biāo) 注數(shù)據(jù)點(diǎn)之間的相互關(guān)系，因此減少了所標(biāo)注數(shù)據(jù)總的信息量，進(jìn)而影 響了整個(gè)圖像檢索系統(tǒng)的性能。

發(fā)明內(nèi)容
傳統(tǒng)的選點(diǎn)方法往往選取距離當(dāng)前分類面最近的一批數(shù)據(jù)進(jìn)行一 次性標(biāo)注，這種成批標(biāo)注的方法忽略了數(shù)據(jù)點(diǎn)之間的關(guān)系，使得系統(tǒng)檢 索不夠高效，為了解決現(xiàn)有技術(shù)的問題，本發(fā)明的目的是采用高效選點(diǎn) 策略、增加所標(biāo)注數(shù)據(jù)總的信息量，提高整個(gè)圖像檢索系統(tǒng)的性能，為
此，本發(fā)明提出了一種基于新型的移動虛擬分類面策略(Moving Virtual Boundary策略，簡稱MVB策略)的交互式圖像檢索方法。
為了實(shí)現(xiàn)所述的目的，本發(fā)明交互式圖像檢索方法的技術(shù)方案如下 所述
步驟h采用移動虛擬分類面選取圖像的數(shù)據(jù)點(diǎn)； 步驟2:對圖像數(shù)據(jù)點(diǎn)進(jìn)行逐一標(biāo)注；
步驟3:利用前一個(gè)標(biāo)注的圖像數(shù)據(jù)點(diǎn)選取下一個(gè)圖像數(shù)據(jù)點(diǎn)； 步驟4:利用標(biāo)注的圖像數(shù)據(jù)點(diǎn)作為訓(xùn)練樣本對分類器進(jìn)行更新，
得到改進(jìn)后的檢索結(jié)果，完成交互式圖像檢索。
根據(jù)本發(fā)明的實(shí)施例，所述的圖像數(shù)據(jù)點(diǎn)，所述的圖像數(shù)據(jù)點(diǎn)，是 用圖像數(shù)據(jù)點(diǎn)到分類面的距離度量圖像數(shù)據(jù)點(diǎn)信息量，即利用圖像數(shù)據(jù) 點(diǎn)到分類面的距離判斷分類類別的不確定性，從而作為標(biāo)注該圖像數(shù)據(jù) 點(diǎn)所能獲得的信息量。距離越近，不確定性越大，從而標(biāo)注該圖像數(shù)據(jù) 點(diǎn)所能獲得的信息量越大。
根據(jù)本發(fā)明的實(shí)施例，所述的圖像數(shù)據(jù)點(diǎn)的標(biāo)注步驟 步驟31:標(biāo)注一個(gè)圖像數(shù)據(jù)點(diǎn)；
步驟32:用移動的虛擬分類面適時(shí)調(diào)整其它各圖像數(shù)據(jù)點(diǎn)的信息
步驟33:選取靠近真實(shí)分類面的圖像數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)注。 根據(jù)本發(fā)明的實(shí)施例，所述的虛擬分類步驟如下 步驟41:將所有圖像數(shù)據(jù)點(diǎn)按照其到當(dāng)前分類面的距離映射到一維
坐標(biāo)軸上，被分為正類的圖像數(shù)據(jù)點(diǎn)映射到正半軸，被分為負(fù)類的圖像 數(shù)據(jù)點(diǎn)映射到負(fù)半軸，原點(diǎn)對應(yīng)于當(dāng)前分類面；
步驟42:每次移動選取一個(gè)數(shù)軸上坐標(biāo)絕對值最小即距離原點(diǎn)最近 的圖像數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)注；
步驟43:如果標(biāo)注結(jié)果即該圖像數(shù)據(jù)點(diǎn)的真實(shí)類別與當(dāng)前分類面的 分類結(jié)果一致，則保持原點(diǎn)位置不變；否則，移動原點(diǎn)位置使得移動后 該圖像數(shù)據(jù)點(diǎn)的分類結(jié)果與其真實(shí)類別一致。
根據(jù)本發(fā)明的實(shí)施例，所述在每次移動虛擬分類面，使原先被錯(cuò)分 的標(biāo)注點(diǎn)被虛擬分類面正確地分類。
根據(jù)本發(fā)明的實(shí)施例，所述的交互式圖像檢索方法，其特征在于 所述每次移動虛擬分類面的步長選取是將原點(diǎn)移至標(biāo)注點(diǎn)與其相鄰數(shù) 據(jù)點(diǎn)的中點(diǎn)處。
根據(jù)本發(fā)明的實(shí)施例，所述原點(diǎn)移動步驟-
步驟71:原點(diǎn)移動到多個(gè)圖像數(shù)據(jù)點(diǎn)并被標(biāo)注；
步驟72:將這些標(biāo)注好的圖像數(shù)據(jù)點(diǎn)加入訓(xùn)練集；
步驟73:利用訓(xùn)練集訓(xùn)練出一個(gè)新的分類器。
根據(jù)本發(fā)明的實(shí)施例，所述信息量中未標(biāo)注數(shù)據(jù)的信息量在每輪相 關(guān)反饋中隨標(biāo)注動態(tài)變化。 本發(fā)明的積極效果
在圖像檢索的相關(guān)反饋過程中，主動學(xué)習(xí)常常被用來減輕人工標(biāo)注 的數(shù)據(jù)量，其主要思想是每次僅僅選取信息量最大的數(shù)據(jù)進(jìn)行標(biāo)注。傳 統(tǒng)的選點(diǎn)方法往往選取距離當(dāng)前分類面最近的一批數(shù)據(jù)迸行一次性標(biāo) 注，這種"成批標(biāo)注"的方法忽略了數(shù)據(jù)點(diǎn)之間的關(guān)系，因此不夠高效。 本發(fā)明提出了一種新型的選點(diǎn)策略"移動虛擬分類面"策略(Moving Virtual Boundaiy策略，簡稱MVB策略)。采用了"逐一標(biāo)注"的策略取代 了傳統(tǒng)的"成批標(biāo)注"的方法，利用前一個(gè)標(biāo)注的數(shù)據(jù)去為下一個(gè)數(shù)據(jù)的 選取提供指導(dǎo)，從而在不增加標(biāo)注數(shù)據(jù)量的條件下提高了所標(biāo)注數(shù)據(jù)總 的信息量。本發(fā)明中，未標(biāo)注數(shù)據(jù)的信息量在每輪相關(guān)反饋中是隨標(biāo)注 動態(tài)變化的，而非固定不變的常量。本發(fā)明采用的移動的"虛擬分類面" 去逼近數(shù)據(jù)的真實(shí)分類面，并在此過程中選取最有信息數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)
注。實(shí)驗(yàn)證明，采用了MVB選點(diǎn)策略的主動學(xué)習(xí)算法性能得到了顯著提 高。實(shí)驗(yàn)證明，該策略對于改進(jìn)相關(guān)反饋中主動學(xué)習(xí)算法的效率、提高 圖像檢索系統(tǒng)的性能具有重要的理論和實(shí)際意義。


圖1所示為距離當(dāng)前分類面最近的數(shù)據(jù)點(diǎn)往往不是"最有信息"的數(shù)
據(jù)點(diǎn)；
圖2所示為MVB選點(diǎn)策略與傳統(tǒng)選點(diǎn)策略的比較；
圖3所示為原點(diǎn)移動示意圖；圖4所示為帶相關(guān)反饋的圖像檢索系統(tǒng)流程圖 圖5采用MVB選點(diǎn)策略的相關(guān)反饋流程圖 圖6a和圖6b所示分別為三輪和五輪相關(guān)反饋后的精確度曲線； 圖7a和圖7b所示為30和50幅圖像精確度與相關(guān)反饋輪數(shù)的關(guān)系 曲線。
具體實(shí)施例方式
下面結(jié)合附圖詳細(xì)說明本發(fā)明技術(shù)方案中所涉及的各個(gè)細(xì)節(jié)問題。 應(yīng)指出的是，所描述的實(shí)施例僅旨在便于對本發(fā)明的理解，而對其不起 任何限定作用。
在圖像檢索的相關(guān)反饋過程中，主動學(xué)習(xí)常常被用來減輕人工標(biāo)注 的數(shù)據(jù)量，其主要思想是每次僅僅選取信息量最大的數(shù)據(jù)進(jìn)行標(biāo)注。傳 統(tǒng)的選點(diǎn)方法往往選取距離當(dāng)前分類面最近的一批數(shù)據(jù)進(jìn)行一次性標(biāo) 注，這種"成批標(biāo)注"的方法忽略了數(shù)據(jù)點(diǎn)之間的關(guān)系，因此不夠高效。 本發(fā)明提出了一種新型的選點(diǎn)策略"移動虛擬分類面"策略(Moving Virtual Boundary策略，簡稱MVB策略)。本發(fā)明采用了"逐一標(biāo)注"的 方法，利用前一個(gè)標(biāo)注的數(shù)據(jù)去為下一個(gè)數(shù)據(jù)的選取提供指導(dǎo)，從而在 不增加標(biāo)注數(shù)據(jù)量的條件下提高了所標(biāo)注數(shù)據(jù)總的信息量。實(shí)驗(yàn)證明， 采用了 MVB選點(diǎn)策略的主動學(xué)習(xí)算法性能得到了顯著提高。
主動學(xué)習(xí)的關(guān)鍵問題在于如何選取"最有信息"的數(shù)據(jù)，在圖像檢索 中當(dāng)前流行的選點(diǎn)策略通常選取一批距離當(dāng)前訓(xùn)練所得分類面最近的圖像給用戶標(biāo)注。但是，如圖l所示為距離當(dāng)前分類面最近的數(shù)據(jù)點(diǎn)往 往不是"最有信息"的數(shù)據(jù)點(diǎn)，由于當(dāng)前訓(xùn)練所得分類面實(shí)線所示往往不 是數(shù)據(jù)點(diǎn)真實(shí)的分類面虛線所示，而事實(shí)上距離真實(shí)分類面最近的圖像 才是"最有信息"的數(shù)據(jù)，所以按照傳統(tǒng)的選點(diǎn)策略選取的數(shù)據(jù)點(diǎn)其信息 量往往不是很大，從而對于分類器性能的改善非常有限。
如圖l所示A表示負(fù)類數(shù)據(jù)；《表示正類數(shù)據(jù)；*表示最有信息數(shù) 據(jù)；o表示未標(biāo)注數(shù)據(jù)；
本發(fā)明提出了"移動虛擬分類面"(Moving Virtual Boundary,簡稱 MVB)的選點(diǎn)策略。不同于以往的"成批標(biāo)注"，本發(fā)明采用了"逐一標(biāo) 注"的方法，利用前一個(gè)標(biāo)注的數(shù)據(jù)去為下一個(gè)數(shù)據(jù)的選取提供指導(dǎo)， 如圖2所示為MVB選點(diǎn)策略與傳統(tǒng)選點(diǎn)策略的比較，從而在不增加標(biāo) 注數(shù)據(jù)量的條件下提高了所標(biāo)注數(shù)據(jù)總的信息量。
如圖2所示，MVB選點(diǎn)策略與傳統(tǒng)選點(diǎn)策略的比較，和傳統(tǒng)的方 法一樣，本發(fā)明把數(shù)據(jù)點(diǎn)距離分類面的距離作為其信息量的一種度量.-數(shù)據(jù)點(diǎn)距離分類面越近，其類別的不確定性就越大，從而標(biāo)注該點(diǎn)所能 獲得的信息量就越大。不同之處在于在一輪相關(guān)反饋中，傳統(tǒng)方法把 數(shù)據(jù)點(diǎn)的信息量看作是不變的常量，每次選取距離當(dāng)前分類面最近的一 批數(shù)據(jù)點(diǎn)標(biāo)注；而本發(fā)明則在每標(biāo)注一個(gè)數(shù)據(jù)點(diǎn)之后，適時(shí)地對其它各 點(diǎn)的信息量進(jìn)行調(diào)整，使得選出的數(shù)據(jù)點(diǎn)盡可能更靠近真實(shí)分類面，而 非當(dāng)前分類面。
下面詳細(xì)介紹本發(fā)明的MVB選點(diǎn)策略
首先，本發(fā)明將所有數(shù)據(jù)點(diǎn)按照其到當(dāng)前分類面的距離映射到一維 坐標(biāo)軸上，被分為正類的數(shù)據(jù)點(diǎn)映射到正半軸，被分為負(fù)類的數(shù)據(jù)點(diǎn)映 射到負(fù)半軸，原點(diǎn)對應(yīng)于當(dāng)前分類面。
每次，本發(fā)明選取一個(gè)數(shù)軸上坐標(biāo)絕對值最小(即距離原點(diǎn)最近) 的數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)注。如果標(biāo)注結(jié)果(即該點(diǎn)的真實(shí)類別)與當(dāng)前分類面 的分類結(jié)果一致，則保持原點(diǎn)位置不變；否則，本發(fā)明移動原點(diǎn)位置使 得移動后該數(shù)據(jù)點(diǎn)的分類結(jié)果與其真實(shí)類別一致。以圖3所示原點(diǎn)移動 示意圖為例，在標(biāo)注之前，距離原點(diǎn)最近的數(shù)據(jù)點(diǎn)為點(diǎn)A，它被當(dāng)前分 類面分為正類，而標(biāo)注之后的結(jié)果卻是點(diǎn)A屬于負(fù)類，因此需要將原點(diǎn)
向數(shù)軸正方向移動，使得點(diǎn)A相對于移動后的原點(diǎn)而言屬于負(fù)類。上述 移動原點(diǎn)的過程實(shí)質(zhì)上相當(dāng)于在高維空間中移動一個(gè)"虛擬分類面"的 過程(之所以稱之為"虛擬分類面"，是因?yàn)樗⒉皇峭ㄟ^訓(xùn)練所獲得的 分類面，而是對真實(shí)分類面可能位置的一種更為合理的假設(shè))，這也就 是MVB選點(diǎn)策略名稱的由來。在每次移動之后，都保證原先被錯(cuò)分的 標(biāo)注點(diǎn)能夠被虛擬分類面正確地分類。對于每次移動的步長，有不同的 選取方法， 一種最簡單、最穩(wěn)定的方法是將原點(diǎn)移至標(biāo)注點(diǎn)與其相鄰數(shù) 據(jù)點(diǎn)的中點(diǎn)處。
如圖3所示原點(diǎn)移動示意圖，重復(fù)以上過程，直到一定數(shù)目的數(shù)據(jù)
點(diǎn)被標(biāo)注。然后將這些標(biāo)注好的數(shù)據(jù)點(diǎn)加入訓(xùn)練集，從而訓(xùn)練出一個(gè)新 的分類器。
現(xiàn)將圖像檢索過程中MVB選點(diǎn)策略的具體實(shí)施步驟總結(jié)如下 已知當(dāng)前分類面f，訓(xùn)練圖像集合L(己標(biāo)注)，未標(biāo)注圖像集
合U，每一輪相關(guān)反饋所需標(biāo)注的圖像數(shù)N。
步驟1:初始化虛擬分類面fv為當(dāng)前分類面f;將未標(biāo)注圖像集合U 中每一幅未標(biāo)注圖像映射到一維坐標(biāo)軸上，圖像x對應(yīng)于坐標(biāo)軸上坐標(biāo) 為f"x)的點(diǎn)；原點(diǎn)對應(yīng)于虛擬分類面fv。
步驟2:重復(fù)以下流程N(yùn)次
(1) 選擇距離原點(diǎn)最近的圖像數(shù)據(jù)點(diǎn)，即坐標(biāo)絕對值lfv(X)l最小的
圖像數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)注，假設(shè)為x,。
(2) 如果x,位于原點(diǎn)的正方向(即右側(cè))，但被標(biāo)注為"不相關(guān)"
(即負(fù)樣本)，則將原點(diǎn)移至x,及其右鄰點(diǎn)的中點(diǎn)處； 如果x,位于原點(diǎn)的負(fù)方向(即左側(cè))，但被標(biāo)注為"相關(guān)" (即正樣本)，則將原點(diǎn)移至X,及其左鄰點(diǎn)的中點(diǎn)處；
否則，保持原點(diǎn)位置不變。
('3)將Xl從未標(biāo)注圖像集合U中剔除，并加入訓(xùn)練圖像集合L。 (4)根據(jù)新的原點(diǎn)位置重新計(jì)算各未標(biāo)注圖像數(shù)據(jù)點(diǎn)x的坐標(biāo) f、,(x)。
步驟3:用訓(xùn)練圖像集合L訓(xùn)練出一個(gè)新的分類面f 。
由于虛擬分類面始終向能夠正確分類標(biāo)注點(diǎn)的方向移動，故可以認(rèn)
為它是在盡可能地趨近于真實(shí)的分類面，從而使得每次選出的距離虛擬 分類面最近的數(shù)據(jù)點(diǎn)也在不斷地靠近真實(shí)分類面附件的最有信息數(shù)據(jù) 點(diǎn)。顯然，通過MVB策略選取出來的數(shù)據(jù)點(diǎn)比僅僅局限在當(dāng)前分類面 附件選取的數(shù)據(jù)點(diǎn)具有更多的信息量，因此對于分類器性能的提高更有 幫助。
帶相關(guān)反饋的圖像檢索系統(tǒng)流程如圖4所示，具體解釋如下
① 利用特征提取技術(shù)，從數(shù)據(jù)庫圖像中提取出圖像特征(如顏色、 紋理、形狀等)，并保存在圖像特征數(shù)據(jù)庫中，該步驟可以離 線完成。
② 對于用戶提交的查詢圖像，需要通過特征提取獲得與圖像特征 數(shù)據(jù)庫中相對應(yīng)的特征，該步驟在線完成。
③ 將圖像特征輸入分類器，得到査詢結(jié)果，即數(shù)據(jù)庫中圖像按照 與査詢圖像相關(guān)性的降序排列。如果用戶對査詢結(jié)果滿意，則
査詢結(jié)束；否則，用戶需要提供反饋信息，以使分類器獲得更
好的結(jié)果。
采用MVB選點(diǎn)策略的相關(guān)反饋流程如圖5所示，具體解釋如下
(1) 使用MVB選點(diǎn)策略，從圖像庫中選取一幅"最有信息"的圖像(即 距離分類面最近的圖像)，由用戶進(jìn)行標(biāo)注，標(biāo)注結(jié)果將決定 虛擬分類面的移動與否及移動方向、位置，進(jìn)而指導(dǎo)下一幅"最 有信息"的圖像的選取。該步驟可以循環(huán)N次，從而獲得N幅已 標(biāo)注圖像。
(2) MVB選點(diǎn)標(biāo)注過程結(jié)束后，將標(biāo)注好的N幅圖像作為訓(xùn)練圖像， 對分類器進(jìn)行訓(xùn)練，以獲得更新后的分類器。
實(shí)施效果
為證明MVB選點(diǎn)策略的有效性，本發(fā)明在Coral圖像集的一個(gè)子 類上運(yùn)用不同的選點(diǎn)策略進(jìn)行圖像檢索實(shí)驗(yàn)。在本發(fā)明的圖像集中有 5000幅圖像，分為50個(gè)具有不同語義的類別，每類100幅圖像。實(shí)驗(yàn) 中，本發(fā)明用每類的前IO幅圖像作為査詢圖像，最后計(jì)算出平均的檢 索精確度。
本發(fā)明選取顏色和紋理特征作為圖像的底層特征表達(dá)。顏色特征由
RGB空間125維的顏色直方圖和6維的顏色矩組成。紋理特征按如下
方法提取首先對圖像進(jìn)行3層的離散小波變換，然后用IO個(gè)子帶上
各自的均值和方差組成共20維的特征向量，作為圖像的紋理特征。
本發(fā)明將MVB選點(diǎn)策略應(yīng)用于SVM^,w，和采用傳統(tǒng)選點(diǎn)策略原
始SVM,自進(jìn)行比較。采用的分類器是圖像檢索中常用的SVM分類器，
選擇RBF核，參數(shù)通過交叉驗(yàn)證獲得。在每輪相關(guān)反饋中，兩種方法
均標(biāo)注相同數(shù)量的圖像(20幅)。
圖6a和圖6b給出了分別經(jīng)過三輪和五輪相關(guān)反饋后圖像檢索精確
度的曲線，其中縱坐標(biāo)為精確度值，橫坐標(biāo)表示在返回的前x幅圖像范
圍內(nèi)的精確度。
圖7a和圖7b所顯示的分別是返回的前30和50幅圖像中精確度與 相關(guān)反饋輪數(shù)的關(guān)系曲線，其中縱坐標(biāo)為精確度值，橫坐標(biāo)為相關(guān)反饋 的輪數(shù)。
圖6a和圖6b、圖7a和圖7b中帶o的曲線表示采用MVB選點(diǎn)策略 的SVM^,w，帶A的曲線表示原始SVM,c^。從圖中本發(fā)明可以看出采 用MVB選點(diǎn)策略之后，SVM力^的性能得到了明顯改進(jìn)，返回圖像的 精確度比原始的SVM^,w有了顯著提高。例如，在經(jīng)過3輪相關(guān)反饋之 后，返回的前30幅圖像的準(zhǔn)確率由原來的33.97%提高到43.69%;而在 5輪相關(guān)反饋之后，返回的前50幅圖像的準(zhǔn)確率由原來的37.45%提高 到49.58%。這說明了運(yùn)用MVB策略選取出來標(biāo)注的數(shù)據(jù)點(diǎn)比傳統(tǒng)選點(diǎn) 策略具有更多的信息量，從而能夠更加有效地提高圖像檢索系統(tǒng)的性 能。
以上所述，僅為本發(fā)明中的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍并 不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理 解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā) 明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1、一種交互式圖像檢索方法，其特征在于，步驟1采用移動虛擬分類面選取圖像的數(shù)據(jù)點(diǎn)；步驟2對圖像數(shù)據(jù)點(diǎn)進(jìn)行逐一標(biāo)注；步驟3利用前一個(gè)標(biāo)注的圖像數(shù)據(jù)點(diǎn)選取下一個(gè)圖像數(shù)據(jù)點(diǎn)；步驟4利用標(biāo)注的圖像數(shù)據(jù)點(diǎn)作為訓(xùn)練樣本對分類器進(jìn)行更新，得到改進(jìn)后的檢索結(jié)果，完成交互式圖像檢索。
2、 根據(jù)權(quán)利要求1所述的交互式圖像檢索方法，其特征在于所 述的圖像數(shù)據(jù)點(diǎn)，是用圖像數(shù)據(jù)點(diǎn)到分類面的距離度量圖像數(shù)據(jù)點(diǎn)信息 量，即利用圖像數(shù)據(jù)點(diǎn)到分類面的距離判斷分類類別的不確定性，從而 作為標(biāo)注該圖像數(shù)據(jù)點(diǎn)所能獲得的信息量。距離越近，不確定性越大， 從而標(biāo)注該圖像數(shù)據(jù)點(diǎn)所能獲得的信息量越大。
3、 根據(jù)權(quán)利要求1所述的交互式圖像檢索方法，其特征在于所 述的圖像數(shù)據(jù)點(diǎn)的標(biāo)注步驟步驟31:標(biāo)注一個(gè)圖像數(shù)據(jù)點(diǎn)；步驟32:用移動的虛擬分類面適時(shí)調(diào)整其它各圖像數(shù)據(jù)點(diǎn)的信息步驟33:選取靠近虛擬分類面的圖像數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)注。
4、 根據(jù)權(quán)利要求2所述的交互式圖像檢索方法，其特征在于所 述的虛擬分類步驟如下步驟41:將所有圖像數(shù)據(jù)點(diǎn)按照其到當(dāng)前分類面的距離映射到一維 坐標(biāo)軸上，被分為正類的圖像數(shù)據(jù)點(diǎn)映射到正半軸，被分為負(fù)類的圖像 數(shù)據(jù)點(diǎn)映射到負(fù)半軸，原點(diǎn)對應(yīng)于當(dāng)前分類面；步驟42:每次移動選取一個(gè)數(shù)軸上坐標(biāo)絕對值最小即距離原點(diǎn)最近的圖像數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)注；步驟43:如果標(biāo)注結(jié)果即該圖像數(shù)據(jù)點(diǎn)的真實(shí)類別與當(dāng)前分類面的分類結(jié)果一致，則保持原點(diǎn)位置不變；否則，移動原點(diǎn)位置使得移動后 該圖像數(shù)據(jù)點(diǎn)的分類結(jié)果與其真實(shí)類別一致。
5、 根據(jù)權(quán)利要求3所述的交互式圖像檢索方法，其特征在于所 述在每次移動虛擬分類面，使原先被錯(cuò)分的標(biāo)注點(diǎn)被虛擬分類面正確地 分類。
6、 根據(jù)權(quán)利要求4所述的交互式圖像檢索方法，其特征在于所 述每次移動虛擬分類面的步長選取是將原點(diǎn)移至標(biāo)注點(diǎn)與其相鄰數(shù)據(jù) 點(diǎn)的中點(diǎn)處。
7、 根據(jù)權(quán)利要求6所述的交互式圖像檢索方法，其特征在于所 述原點(diǎn)移動步驟步驟71:原點(diǎn)移動到多個(gè)圖像數(shù)據(jù)點(diǎn)并被標(biāo)注； 步驟72:將這些標(biāo)注好的圖像數(shù)據(jù)點(diǎn)加入訓(xùn)練集； 步驟73:利用訓(xùn)練集訓(xùn)練出一個(gè)新的分類器。..
8、 根據(jù)權(quán)利要求2所述的交互式圖像檢索方法，其特征在于所述信息量中未標(biāo)注數(shù)據(jù)的信息量在每輪相關(guān)反饋中隨標(biāo)注動態(tài)變化。
全文摘要
本發(fā)明基于移動虛擬分類面的交互式圖像檢索方法，采用移動虛擬分類面選取圖像的數(shù)據(jù)點(diǎn)；對圖像數(shù)據(jù)點(diǎn)進(jìn)行逐一標(biāo)注；利用前一個(gè)標(biāo)注的圖像數(shù)據(jù)點(diǎn)選取下一個(gè)圖像數(shù)據(jù)點(diǎn)；利用標(biāo)注的圖像數(shù)據(jù)點(diǎn)查找訪問圖像，完成交互式圖像檢索。在圖像檢索的相關(guān)反饋過程中，主動學(xué)習(xí)常常被用來減輕人工標(biāo)注的數(shù)據(jù)量，其主要思想是每次僅僅選取信息量最大的數(shù)據(jù)進(jìn)行標(biāo)注。傳統(tǒng)的成批標(biāo)注的方法忽略了數(shù)據(jù)點(diǎn)之間的關(guān)系，因此不夠高效。本發(fā)明提出移動虛擬分類面選點(diǎn)策略，利用前一個(gè)標(biāo)注的數(shù)據(jù)去為下一個(gè)數(shù)據(jù)的選取提供指導(dǎo)，從而在不增加標(biāo)注數(shù)據(jù)量的條件下提高了所標(biāo)注數(shù)據(jù)總的信息量。移動虛擬分類面選點(diǎn)策略使主動學(xué)習(xí)算法性能得到了顯著提高。
文檔編號G06F17/30GK101377776SQ200710121079
公開日2009年3月4日 申請日期2007年8月29日 優(yōu)先權(quán)日2007年8月29日
發(fā)明者盧漢清, 張曉宇, 健 程, 馬頌德 申請人:中國科學(xué)院自動化研究所