基于决策融合的图像自动标注方法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (21): 156-159.

基于决策融合的图像自动标注方法

欧阳宁1，2，罗晓燕1，莫建文1，2，张彤3

1.桂林电子科技大学信息与通信学院，广西桂林 541004
2.桂林电子科技大学图像信息研究所，广西桂林 541004
3.桂林电子科技大学机电工程学院，广西桂林 541004

出版日期:2013-11-01 发布日期:2013-10-30

Method of automatic image annotation based on decision fusion

OUYANG Ning1，2, LUO Xiaoyan1, MO Jianwen1，2, ZHANG Tong3

1.School of Information & Communication, Guilin University of Electronic Technology, Guilin, Guangxi 541004, China
2.Institute of Image Information, Guilin University of Electronic Technology, Guilin, Guangxi 541004, China
3.School of Mechatronic Engineering, Guilin University of Electronic Technology, Guilin, Guangxi 541004, China

Online:2013-11-01 Published:2013-10-30

摘要/Abstract

摘要： 结合多媒体描述接口（MPEG-7）和MM（Mixture Model）混合模型，实现了基于决策融合的图像自动标注。在图像标注过程中，分别利用颜色描述子和纹理描述子为每个主题下的图像建立MM混合模型，实现低层视觉特征到高层语义空间的映射，利用局部决策融合方式融合在颜色和纹理MM混合模型下的标注结果，实现图像自动标注。通过在corel图像数据集上的实验，表明提出的局部决策融合方式能更充分利用图像的颜色和纹理信息，提高了图像标注性能。

关键词: 图像自动标注, MPEG-7描述子, 混合模型, 决策融合

Abstract: A method for automatic image annotation based on decision fusion is proposed combining the Multimedia Description Interface（MPEG-7） and MM（Mixture Model）. In the process of image annotation, two independent MM mixture models are estimated for the images belonging to a theme and mapping is setted up from low-level features to high-level semantics space. Automatic image annotation is achieved by fusing the annotation results from color and text MM mixture model in the way of local decision fusion. The way of local decision fusion is proven to utilize fully the color feature and texture feature and improve the performance of image annotation by the experiments on the image data sets.

Key words: automatic image annotation, MPEG-7 descriptor, Mixture Model（MM）, decision fusion

欧阳宁1，2，罗晓燕1，莫建文1，2，张彤3. 基于决策融合的图像自动标注方法[J]. 计算机工程与应用, 2013, 49(21): 156-159.

OUYANG Ning1，2, LUO Xiaoyan1, MO Jianwen1，2, ZHANG Tong3. Method of automatic image annotation based on decision fusion[J]. Computer Engineering and Applications, 2013, 49(21): 156-159.

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	89

来源	本网站	其他网站

次数	75	14
比例	84%	16%

摘要

最新录用	在线预览	正式出版

0	0	41

	来源	本网站

	次数	41
	比例	100%

[1]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[2]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[3]	李文亮，杨秋翔，秦权. 多特征混合模型文本情感分析方法[J]. 计算机工程与应用, 2021, 57(19): 205-213.
[4]	李松，周亚同，池越，何静飞，张世立. 高斯过程混合模型应用于网络流量预测研究[J]. 计算机工程与应用, 2020, 56(5): 186-193.
[5]	王晰，袁绍欣. 从车牌识别数据中提取有效旅行时间算法研究[J]. 计算机工程与应用, 2020, 56(16): 241-247.
[6]	贾兵兵，曹辉，秦驰杰. 基于SGMM和DNN结合提高音素识别率的研究[J]. 计算机工程与应用, 2019, 55(24): 117-121.
[7]	陈超. 高斯混合模型结合加权似然的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(12): 124-131.
[8]	仇功达1，何明1，祝朝政1，杨杰2，刘勇1. 基于稀疏交界最大密度连通的模糊聚类方法[J]. 计算机工程与应用, 2018, 54(14): 82-88.
[9]	董育宁，朱善胜，赵家杰. 基于[t]分布混合模型的半监督网络流分类方法[J]. 计算机工程与应用, 2018, 54(10): 31-38.
[10]	梁恺彬，管一弘. 基于隐高斯混合模型的人脑MRI分割方法[J]. 计算机工程与应用, 2018, 54(10): 196-203.
[11]	陈卉，胡立坤，黄钰雯. 采用高斯混合模型及树结构的立体匹配算法[J]. 计算机工程与应用, 2017, 53(20): 195-200.
[12]	潘主强1，张林1，颜仕星2，张磊 3. 中医临床数据疾病分类机器学习方法研究[J]. 计算机工程与应用, 2017, 53(13): 146-154.
[13]	牛艺蓉，王士同. 基于噪音受益的快速图像分割算法[J]. 计算机工程与应用, 2016, 52(21): 195-201.
[14]	胡志立，郭敏. 基于SLIC的改进GrabCut彩色图像快速分割[J]. 计算机工程与应用, 2016, 52(2): 186-190.
[15]	杜楠楠，赵晖. 维吾尔语情感语音韵律转换研究[J]. 计算机工程与应用, 2016, 52(19): 154-160.