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 .643 表8 Corel5k和IAPR TC-12上不同模型的分类结果比较 Table 8 Classification results comparison of different models on Corel 5k and IAPR TC-12 SVM CFAR 类别 数据集 图像数 Our approach 精确度 精确度 规则数 精确度 规则数 天空 Corel 5k 100 0.85 0.83 12 0.83 9 大海 Corel 5k 56 0.76 0.82 > 0.83 5 人 Corel 5k 78 0.80 0.81 9 0.82 7 树 Corel 5k 90 0.69 0.77 6 0.80 6 花 Corel 5k 30 0.69 0.75 4 0.77 5 运动 IAPR TC-12 86 0.71 0.80 10 0.82 8 人 IAPR TC-12 55 0.70 0.74 > 0.80 6 景 IAPR TC-12 90 0.71 0.80 9 0.79 6 动物 IAPR TC-12 60 0.72 0.82 8 0.80 > 表9 Corel5k中图像自动标注结果 Table 9 Results of automatic image annotation on Corel 5k boat,sky, tiger,snow, sun,water, 本文方法 birds,tree, cars,road, snow,mountain, buildings,water stone seabeach branchleaf buildings stone,sky boat,city, sun,water, birds, 人工标注 cars,grass snow,mountain, tiger,snow buildings seabeach,sky branchleaf buildings,road stone,sky and Data Engineering,1992,4(5):431-442 4 结束语 [2]MARKKULA M,SORMUNEN E.End-user searching chal- 本文提出基于FARs和决策树的图像自动标注 lenges indexing practices in the digital newspaper photo ar- chive[J].Information Retrieval,2000,1(4):259-285. 方法，在该标注模型中，FARs提取低维图像特征和 [3]JEON J,LAVRENKO V,MANMATHA R.Automatic image 高维语义间的联系，在现实世界中，由于面对的是海 annotation and retrieval using cross-media relevance models 量的图像数据集，将决策树方法应用到约简FARs [C]//Proceedings of the 26th Annual International ACM 中。实验证明此标注模型不仅大大减少了标注的时 SIGIR Conference on Research and Development in Informa- tion Retrieval.New York.USA.2003:119-126. 间，也提高了标注的准确性。与经典的机器学习方 [4]WANG Yong,MEI Tao,GONG Shaogang,et al.Combining 法SVM、boosting、neutral network等比较，优势在于 global,regional and contextual features for automatic image 运用模糊关联规则方法直观的获取了低维特征和高 annotation[J].Pattern Recognition,2009,42(2):259- 维语义间的联系：与传统的关联规则方法相比，增加 266. 了决策树对模糊关联规则的处理，提高了标注性能： [5]DUYGULU P,BARNARD K,DE FREITAS J F G,et al. Object recognition as machine translation:learning a lexicon 在未来的研究方向中，重点放在图像低维属性的模 for a fixed image vocabulary M]//HEYDEN A,SPARR 糊分割上，尝试更多的隶属度函数将低维特征模糊 G,NIELSEN M,et al.Lecture Notes in Computer Science, 化，获得更准确的模糊分割函数：另一方面，在对 vol.2353.Berlin:Springer-Varlag,2002:97-112. FARs评价的准则上，加入更多可靠的标准，以达到 [6]MONAY F,GATICA-PEREZ D.Modeling semantic aspects 更高的标注精度和更好的检索效果。 for cross-media image indexing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(10): 参考文献： 1802-1817. [7]李志欣，施智平，李志清，等.融合语义主题的图像自 [1]CHANG S K,HSU A.Image information systems:where do 动标注[J].软件学报，2011,22(4)：801-812. we go from here?[J].IEEE Transactions on Knowledge LI Zhixin,SHI Zhiping,LI Zhiqing,et al.Automatic image表 ８ Ｃｏｒｅｌ ５ｋ 和 ＩＡＰＲ ＴＣ⁃１２ 上不同模型的分类结果比较 Ｔａｂｌｅ ８ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｏｄｅｌｓ ｏｎ Ｃｏｒｅｌ ５ｋ ａｎｄ ＩＡＰＲ ＴＣ⁃１２ 类别 数据集 图像数 ＳＶＭ 精确度 ＣＦＡＲ 精确度 规则数 Ｏｕｒ ａｐｐｒｏａｃｈ 精确度 规则数 天空 Ｃｏｒｅｌ ５ｋ １００ ０．８５ ０．８３ １２ ０．８３ ９ 大海 Ｃｏｒｅｌ ５ｋ ５６ ０．７６ ０．８２ ７ ０．８３ ５ 人 Ｃｏｒｅｌ ５ｋ ７８ ０．８０ ０．８１ ９ ０．８２ ７ 树 Ｃｏｒｅｌ ５ｋ ９０ ０．６９ ０．７７ ６ ０．８０ ６ 花 Ｃｏｒｅｌ ５ｋ ３０ ０．６９ ０．７５ ４ ０．７７ ５ 运动 ＩＡＰＲ ＴＣ⁃１２ ８６ ０．７１ ０．８０ １０ ０．８２ ８ 人 ＩＡＰＲ ＴＣ⁃１２ ５５ ０．７０ ０．７４ ７ ０．８０ ６ 景 ＩＡＰＲ ＴＣ⁃１２ ９０ ０．７１ ０．８０ ９ ０．７９ ６ 动物 ＩＡＰＲ ＴＣ⁃１２ ６０ ０．７２ ０．８２ ８ ０．８０ ７ 表 ９ Ｃｏｒｅｌ ５ｋ 中图像自动标注结果 Ｔａｂｌｅ ９ Ｒｅｓｕｌｔｓ ｏｆ ａｕｔｏｍａｔｉｃ ｉｍａｇｅ ａｎｎｏｔａｔｉｏｎ ｏｎ Ｃｏｒｅｌ ５ｋ 本文方法 ｂｏａｔ， ｓｋｙ， ｂｕｉｌｄｉｎｇｓ， ｗａｔｅｒ ｔｉｇｅｒ， ｓｎｏｗ， ｓｔｏｎｅ ｓｕｎ， ｗａｔｅｒ， ｓｅａｂｅａｃｈ ｂｉｒｄｓ， ｔｒｅｅ， ｂｒａｎｃｈｌｅａｆ ｃａｒｓ， ｒｏａｄ， ｂｕｉｌｄｉｎｇｓ ｓｎｏｗ， ｍｏｕｎｔａｉｎ， ｓｔｏｎｅ， ｓｋｙ 人工标注 ｂｏａｔ， ｃｉｔｙ， ｂｕｉｌｄｉｎｇｓ ｔｉｇｅｒ，ｓｎｏｗ ｓｕｎ， ｗａｔｅｒ， ｓｅａｂｅａｃｈ， ｓｋｙ ｂｉｒｄｓ， ｂｒａｎｃｈｌｅａｆ ｃａｒｓ， ｇｒａｓｓ ｂｕｉｌｄｉｎｇｓ， ｒｏａｄ ｓｎｏｗ， ｍｏｕｎｔａｉｎ， ｓｔｏｎｅ， ｓｋｙ ４ 结束语 本文提出基于 ＦＡＲｓ 和决策树的图像自动标注 方法，在该标注模型中，ＦＡＲｓ 提取低维图像特征和 高维语义间的联系，在现实世界中，由于面对的是海 量的图像数据集，将决策树方法应用到约简 ＦＡＲｓ 中。 实验证明此标注模型不仅大大减少了标注的时 间，也提高了标注的准确性。 与经典的机器学习方 法 ＳＶＭ、ｂｏｏｓｔｉｎｇ、ｎｅｕｔｒａｌ ｎｅｔｗｏｒｋ 等比较，优势在于 运用模糊关联规则方法直观的获取了低维特征和高 维语义间的联系；与传统的关联规则方法相比，增加 了决策树对模糊关联规则的处理，提高了标注性能； 在未来的研究方向中，重点放在图像低维属性的模 糊分割上，尝试更多的隶属度函数将低维特征模糊 化，获得更准确的模糊分割函数；另一方面，在对 ＦＡＲｓ 评价的准则上，加入更多可靠的标准，以达到 更高的标注精度和更好的检索效果。 参考文献： ［１］ＣＨＡＮＧ Ｓ Ｋ， ＨＳＵ Ａ． Ｉｍａｇｅ ｉｎｆｏｒｍａｔｉｏｎ ｓｙｓｔｅｍｓ： ｗｈｅｒｅ ｄｏ ｗｅ ｇｏ ｆｒｏｍ ｈｅｒｅ？ ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｋｎｏｗｌｅｄｇｅ ａｎｄ Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ， １９９２， ４（５）： ４３１⁃４４２ ［２］ＭＡＲＫＫＵＬＡ Ｍ， ＳＯＲＭＵＮＥＮ Ｅ． Ｅｎｄ⁃ｕｓｅｒ ｓｅａｒｃｈｉｎｇ ｃｈａｌ⁃ ｌｅｎｇｅｓ ｉｎｄｅｘｉｎｇ ｐｒａｃｔｉｃｅｓ ｉｎ ｔｈｅ ｄｉｇｉｔａｌ ｎｅｗｓｐａｐｅｒ ｐｈｏｔｏ ａｒ⁃ ｃｈｉｖｅ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ Ｒｅｔｒｉｅｖａｌ， ２０００， １（４）： ２５９⁃２８５． ［３］ＪＥＯＮ Ｊ， ＬＡＶＲＥＮＫＯ Ｖ， ＭＡＮＭＡＴＨＡ Ｒ． Ａｕｔｏｍａｔｉｃ ｉｍａｇｅ ａｎｎｏｔａｔｉｏｎ ａｎｄ ｒｅｔｒｉｅｖａｌ ｕｓｉｎｇ ｃｒｏｓｓ⁃ｍｅｄｉａ ｒｅｌｅｖａｎｃｅ ｍｏｄｅｌｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２６ｔｈ Ａｎｎｕａｌ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＡＣＭ ＳＩＧＩＲ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ ｉｎ Ｉｎｆｏｒｍａ⁃ ｔｉｏｎ Ｒｅｔｒｉｅｖａｌ． Ｎｅｗ Ｙｏｒｋ， ＵＳＡ， ２００３： １１９⁃１２６． ［４］ＷＡＮＧ Ｙｏｎｇ， ＭＥＩ Ｔａｏ， ＧＯＮＧ Ｓｈａｏｇａｎｇ， ｅｔ ａｌ． Ｃｏｍｂｉｎｉｎｇ ｇｌｏｂａｌ， ｒｅｇｉｏｎａｌ ａｎｄ ｃｏｎｔｅｘｔｕａｌ ｆｅａｔｕｒｅｓ ｆｏｒ ａｕｔｏｍａｔｉｃ ｉｍａｇｅ ａｎｎｏｔａｔｉｏｎ［ Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２００９， ４２ （ ２）： ２５９⁃ ２６６． ［５］ＤＵＹＧＵＬＵ Ｐ， ＢＡＲＮＡＲＤ Ｋ， ＤＥ ＦＲＥＩＴＡＳ Ｊ Ｆ Ｇ， ｅｔ ａｌ． Ｏｂｊｅｃｔ ｒｅｃｏｇｎｉｔｉｏｎ ａｓ ｍａｃｈｉｎｅ ｔｒａｎｓｌａｔｉｏｎ： ｌｅａｒｎｉｎｇ ａ ｌｅｘｉｃｏｎ ｆｏｒ ａ ｆｉｘｅｄ ｉｍａｇｅ ｖｏｃａｂｕｌａｒｙ ［ Ｍ］ ／ ／ ＨＥＹＤＥＮ Ａ， ＳＰＡＲＲ Ｇ， ＮＩＥＬＳＥＮ Ｍ， ｅｔ ａｌ． Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， ｖｏｌ． ２３５３． Ｂｅｒｌｉｎ： Ｓｐｒｉｎｇｅｒ⁃Ｖａｒｌａｇ， ２００２： ９７⁃１１２． ［６］ＭＯＮＡＹ Ｆ， ＧＡＴＩＣＡ⁃ＰＥＲＥＺ Ｄ． Ｍｏｄｅｌｉｎｇ ｓｅｍａｎｔｉｃ ａｓｐｅｃｔｓ ｆｏｒ ｃｒｏｓｓ⁃ｍｅｄｉａ ｉｍａｇｅ ｉｎｄｅｘｉｎｇ ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００７， ２９（１０）： １８０２⁃１８１７． ［７］李志欣， 施智平， 李志清， 等． 融合语义主题的图像自 动标注［Ｊ］． 软件学报， ２０１１， ２２（４）： ８０１⁃８１２． ＬＩ Ｚｈｉｘｉｎ， ＳＨＩ Ｚｈｉｐｉｎｇ， ＬＩ Ｚｈｉｑｉｎｇ， ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ ｉｍａｇｅ 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 ·６４３·