第4期 李志欣，等：基于模糊关联规则和决策树的图像自动标注 ·641· 引别] 3.2参数设置 (8) 方法中最小模糊支持度(mS)、最小模糊置信 综上所述，新属性的近似信息增益为 度(mF℃)和分区大小K3个参数都将影响图像标注 Gain(AN,)=G-G,-G2,其中，若Gain(AN)> 性能。为了获得最优参数，在Corel5k和IAPR TC 0,表示属性AN有效，应该保留，否则，删除该条规 12数据集下，分别设置不同mFS和mFC的参数值， 则。详细描述如算法3所示。 如图4所示，当mFS=0.05,mFC=0.85时，标注的精 算法3根据新规则删减FARs 度最高，为92.5%。从结果可以看到mFS越大，对 Input:FARs 于标注的性能更敏感。因此实验中选择更小的 Output:决策树 mFS。另一方面，mFS越高，标注的性能更加健壮。 Process: 从表中可以看到最好的标注准确率92.5%满足的条 1)Generate new candidate attribute in the fuzzy 件是(mFS,mFC)=(0.05,0.85)。同样，把这2个 association rules F 最优参数用于后续分区最佳大小K的确定实验中。 2)for every candidate attribute AN,do 图5给出了当分区数分别为3、4、5、6、7、8时，标注 3)if Gain(AN,)>0 then 的性能比较。从结果看出，K为6满足最佳效果。 4)Keep AN;in use; 综上，实验将每个低维图像特征属性划分为6个模 5)else abandon AN, 糊分区。由原来的22维低维图像特征，模糊分割 6)Delete the FARs which including the AN,o 后，得到22×6维的模糊特征向量。 3 实验结果分析 .-mFS=0.05 100 nF=0.10 95 3.1数据集 .20 90 实验采用Corel5k[)和IAPR TC-1222个数据 85 集来进行图像标注测试，这2个数据集在近年的图 80 像标注研究中被广泛应用于标注算法性能的比较。 70 自从被提出用于图像标注实验后，已经成为图像实 0.50 0.600.70 0.800.90 mFC 验的标准数据集。 图4不同mFC和mFS下的图像标注精度 Corel5k图像集涵盖多个主题的5000幅图 Fig.4 Precisions of image annotation with different 片，Corel5k由50张CD组成，包含50个语义主 mFC and mFS 题。每个CD包含100张大小相等的图像，每张 CD代表一个语义主题，例如天空、非洲、海滩、建 100i 筑、城市等。Corl5k图像库通常分成3个部分： 90 4000张图像作为训练集，500张图像作为验证 集用来估计模型参数，其余500张作为测试集评 70 价算法性能。 使用验证集寻找到最优模型参数后4000张 60 3 4 5678 训练集和500张验证集混合起来组成新的训练 集。该图像库中的每张图片被标注1~5个标注 图5不同K值下的图像标注精度(mFS=0.05,mFC=0.85) 词，训练集中总共有374个标注词，在测试集中 Fig.5 Precisions of image annotation with different K 总共使用了263个标注词。 (mFS=0.05,mFC=0.85) IAPR TC-12数据集应用在自动图像标注并扩 3.3评价标准 展到多媒体信息检索影响的评估上，该数据集包括 实验在机器系统Windows7,软件Visual Studio 20000幅分割图像，包括不同的动物，城市和许多其 2012下测试运行，使用ntel2.66 GHz Pentium4 他类别的图像。在特征提取阶段，每个区域的特征 CPU。实验给出了标注的评价标准、精确率、召回率 向量具有99535个属性，所述特征由已提取的颜色 以及综合评价指标F-measure,公式如下： 空间LAB、纹理和空间位置表示。 precision =a/b (9) recall a/c (10)Ｇ２ ＝ Ｔ３ Ｔ － ∑ ｎ ｋ ＝ １ Ｔ３ｋ Ｔ３ ｌｂ Ｔ３ｋ Ｔ３ é ë ê ê ù û ú ú （８） 综 上 所 述， 新 属 性 的 近 似 信 息 增 益 为 Ｇａｉｎ（ＡＮｊ） ＝ Ｇｒｏｏｔ –Ｇ１ –Ｇ２ ，其中，若 Ｇａｉｎ（ＡＮｊ） ＞ ０ ，表示属性 ＡＮｊ 有效，应该保留，否则，删除该条规 则。 详细描述如算法 ３ 所示。 算法 ３ 根据新规则删减 ＦＡＲｓ Ｉｎｐｕｔ： ＦＡＲｓ Ｏｕｔｐｕｔ： 决策树 Ｐｒｏｃｅｓｓ： １） Ｇｅｎｅｒａｔｅ ｎｅｗ ｃａｎｄｉｄａｔｅ ａｔｔｒｉｂｕｔｅ ｉｎ ｔｈｅ ｆｕｚｚｙ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ Ｆ ； ２） ｆｏｒ ｅｖｅｒｙ ｃａｎｄｉｄａｔｅ ａｔｔｒｉｂｕｔｅ ＡＮｊ ｄｏ ３）ｉｆ Ｇａｉｎ（ ＡＮｊ） ＞ ０ ｔｈｅｎ ４）Ｋｅｅｐ ＡＮｊ ｉｎ ｕｓｅ； ５）ｅｌｓｅ ａｂａｎｄｏｎ ＡＮｊ ； ６）Ｄｅｌｅｔｅ ｔｈｅ ＦＡＲｓ ｗｈｉｃｈ ｉｎｃｌｕｄｉｎｇ ｔｈｅ ＡＮｊ 。 ３ 实验结果分析 ３．１ 数据集 实验采用 Ｃｏｒｅｌ ５ｋ ［５］和 ＩＡＰＲ ＴＣ⁃１２ ［１２］ ２ 个数据 集来进行图像标注测试，这 ２ 个数据集在近年的图 像标注研究中被广泛应用于标注算法性能的比较。 自从被提出用于图像标注实验后，已经成为图像实 验的标准数据集。 Ｃｏｒｅｌ ５ｋ 图像集涵盖多个主题的 ５ ０００ 幅图 片，Ｃｏｒｅｌ ５ｋ 由 ５０ 张 ＣＤ 组成，包含 ５０ 个语义主 题。 每个 ＣＤ 包含 １００ 张大小相等的图像，每张 ＣＤ 代表一个语义主题，例如天空、非洲、海滩、建 筑、城市等。 Ｃｏｒｅｌ ５ｋ 图像库通常分成 ３ 个部分： ４ ０００ 张图像作为训练集，５００ 张图像作为验证 集用来估计模型参数，其余 ５００ 张作为测试集评 价算法性能。 使用验证集寻找到最优模型参数后 ４ ０００ 张 训练集和 ５００ 张验证集混合起来组成新的训练 集。 该图像库中的每张图片被标注 １ ～ ５ 个标注 词，训练集中总共有 ３７４ 个标注词，在测试集中 总共使用了 ２６３ 个标注词。 ＩＡＰＲ ＴＣ⁃１２ 数据集应用在自动图像标注并扩 展到多媒体信息检索影响的评估上，该数据集包括 ２０ ０００ 幅分割图像，包括不同的动物，城市和许多其 他类别的图像。 在特征提取阶段，每个区域的特征 向量具有 ９９ ５３５ 个属性，所述特征由已提取的颜色 空间 ＬＡＢ、纹理和空间位置表示。 ３．２ 参数设置 方法中最小模糊支持度（ｍＦＳ）、最小模糊置信 度（ｍＦＣ）和分区大小 Ｋ ３ 个参数都将影响图像标注 性能。 为了获得最优参数，在 Ｃｏｒｅｌ ５ｋ 和 ＩＡＰＲ ＴＣ⁃ １２ 数据集下，分别设置不同 ｍＦＳ 和 ｍＦＣ 的参数值， 如图 ４ 所示，当 ｍＦＳ ＝ ０．０５，ｍＦＣ ＝ ０．８５ 时，标注的精 度最高，为 ９２．５％。 从结果可以看到 ｍＦＳ 越大，对 于标注的性能更敏感。 因此实验中选择更小的 ｍＦＳ。 另一方面，ｍＦＳ 越高，标注的性能更加健壮。 从表中可以看到最好的标注准确率 ９２．５％满足的条 件是（ｍＦＳ， ｍＦＣ）＝ （０．０５， ０．８５）。 同样，把这 ２ 个 最优参数用于后续分区最佳大小 Ｋ 的确定实验中。 图 ５ 给出了当分区数分别为 ３、４、５、６、７、８ 时，标注 的性能比较。 从结果看出， Ｋ 为 ６ 满足最佳效果。 综上，实验将每个低维图像特征属性划分为 ６ 个模 糊分区。 由原来的 ２２ 维低维图像特征，模糊分割 后，得到 ２２×６ 维的模糊特征向量。 图 ４ 不同 ｍＦＣ 和 ｍＦＳ 下的图像标注精度 Ｆｉｇ．４ Ｐｒｅｃｉｓｉｏｎｓ ｏｆ ｉｍａｇｅ ａｎｎｏｔａｔｉｏｎ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｍＦＣ ａｎｄ ｍＦＳ 图 ５ 不同 Ｋ 值下的图像标注精度（ｍＦＳ＝ ０．０５， ｍＦＣ＝ ０．８５） Ｆｉｇ．５ Ｐｒｅｃｉｓｉｏｎｓ ｏｆ ｉｍａｇｅ ａｎｎｏｔａｔｉｏｎ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ Ｋ （ｍＦＳ＝ ０．０５， ｍＦＣ＝ ０．８５） ３．３ 评价标准 实验在机器系统 Ｗｉｎｄｏｗｓ ７，软件 Ｖｉｓｕａｌ Ｓｔｕｄｉｏ ２０１２ 下测试运行， 使用 Ｉｎｔｅｌ ２． ６６ ＧＨｚ Ｐｅｎｔｉｕｍ４ ＣＰＵ。 实验给出了标注的评价标准、精确率、召回率 以及综合评价指标 Ｆ⁃ｍｅａｓｕｒｅ，公式如下： ｐｒｅｃｉｓｉｏｎ ＝ ａ ／ ｂ （９） ｒｅｃａｌｌ ＝ ａ ／ ｃ （１０） 第 ４ 期 李志欣，等：基于模糊关联规则和决策树的图像自动标注 ·６４１·