第4期 刘咏梅，等：词间相关性的CMRM图像标注方法 ·353· 本文方法的标注性能.与CMRM算法相比，部分关 占的比重，各种特征直接影响聚类的效果；2)对于 键字的查全率与查准率有明显的提高，如图1及图 词间关系的提取不够全面；3)所有图像的标注长度 2所示， 相同，影响了最终的查全率与查准率， 1.0T⑧CMRM 表2标注结果举例 0.8圆本文方法 Table 2 Examples of annotation results 赞0.6 CMRM 术文方法 如0.4 测试图像 标注结果 标注结果 人工标注结果 0.2 sun sun cloud 0 water sky sea cloud cloud 81n tree water tree (a) lake tree 关键字 grass grass gorest cars 图1本文方法与CMRM模型的部分关键字的 grass cars tracks cars 查全率对比 hear bear tracks Fig.1 Recall contrast results of partial words with (b) water people CMRM model sky sky plane clouds jet jet plane plane 1.2 CMRM clouds jet sky 1.0F 08⑧本文方法 (c】 water eagle 0.6 0.4 4 结论 本文在CMRM模型基础上，利用标注字之间的 关键字 词间相关性对CMRM标注方法进行了改进，取得了 更好的标注效果.下一步的研究工作可以从以下几 图2本文方法与CMRM模型的部分关键字的 查准率对比 个方面进行. Fig.2 Precision contrast results of partial words with 1)优化图像的特征提取方法，在不影响算法性 CMRM model 能的前提下，尽量全面地采用各种特征，以消除某些 对测试图像集中500幅图像的标注结果进行统 特征对聚类的影响 计，对标注性能最好的前49个标注字的平均查全率 2)对于共生关系矩阵的提取，可以借助一些结 为0.375，平均查准率为0.38.本文方法与CMRM 构化的词典来进行，普林斯顿大学开发的WorldNet 模型的标注性能进行了对比，见表1. 就是一个不错的选择，该词典收录了大量的单词，且 表1与CMRM模型的性能对比 按语义对单词进行组织，能够更加全面地衡量关键 Table 1 Efficiency contrast results with CMRM model 字之间的相关性。 方法名称 平均查全率 平均查准率 3)可以对图像进行长度不固定的标注，例如对 CMRM模型 0.370 0.33 图像中每个区域进行单独的标注，然后对于标注相 同的区域进行融合，这样可以更好地消除噪声关键 本文方法 0.375 0.38 字对查全率和查准率的影响、 本文方法充分考虑了标注关键字之间的相关 性，这种相关性反映了各个关键字之间的语义联系， 参考文献： 通过相关性将2个紧密联系的关键字的标注概率进 [1]陈世亮，李战怀，袁柳.一种基于区域特征关联的图像语 行调整，并对CMRM的标注结果进行调整，使得标 义标注方法[J].计算机工程与应用，2007,43(2)：53- 注结果在查准率和查全率上较CMRM有所提高，表 57. 2给出了部分图像的标注结果 CHEN Shiliang,LI Zhanhuai,YUAN Liu.Image semantic 本方法无论在查全率还是查准率方面，都较 annotating method based on region features relevancy[J]. CMRM模型有所提高.但是由于图像的视觉词元对 Computer Engineering and Applciations,2007,43(2):53- 最终标注结果的影响是非常大的，不可避免地出现 57. 了一些标注效果不理想的情况.标注性能受以下几 [2]YU Feiyang,HORACE H S.Semantic content analysis and 方面因素影响：1)颜色、形状特征在全部特征中所 annotation of histological images[J].Computers in Biology