基于Matlab的圖像自動標注

張軒+臧淼+李金泉

摘 要： 圖像自動標注在檢索大量數字圖像時起到關鍵作用，它能將圖像的視覺特征轉化為圖像的標注字信息，為用戶的使用及檢索帶來極大的方便。研究了圖像自動語義標注方法，設計并實現了基于Matlab 圖像自動標注系統，能夠提取圖像顏色特征和紋理特征，與已標注圖像進行相似性度量并標注出圖像語義關鍵詞

關鍵字： Matlab； 自動標注； 視覺特征； 圖像檢索

中圖分類號： TN711.73?34 文獻標識碼： A 文章編號： 1004?373X（2014）03?0073?03

Image automatic annotation based on Matlab

ZHANG Xuan， ZANG Miao， LI Jin?quan

（North China University of Technology， Beijing 100041， China）

Abstract： Automatic image annotation plays a key role in retrieving large amounts of digital images， which can transform the visual characteristics of image into annotation word information and brings great convenience for users in retrieving. The automatic image semantic annotation method is researched， and the automatic image annotation system based on Matlab is designed and implemented， which can extract image color and texture features， and make similarity measure between labeled images and mark out the image semantic keywords.

Keywords： Matlab； automatic annotation； visual characteristics； image retrieval

0 引 言

近年來，隨著多媒體技術和互聯網的快速發展，世界范圍內數字圖像的容量正以驚人的速度增長。為了有效地組織、查詢與瀏覽如此大規模的圖像資源，圖像檢索技術應運而生， 已成為一個研究熱點。

在早期的基于內容的圖像檢索中，人們利用傳統的文本檢索技術，為圖像做出文字化的注釋，以詮釋圖像的內容。主要做法是從內容方面對圖像進行手工標注，然后根據標注信息利用文本檢索技術對圖像進行檢索。人工標注雖然可以較為準確的對圖像進行檢索，但這項工作耗時費力，尤其面對大規模的圖像時，顯然它已經無法勝任。因此，如何快速、有效地實現對圖像的自動語義標注，變得十分有意義。

目前，圖像自動標注技術已經得到了廣泛研究，這些方法有著各自不同的出發點和解決方案。本文所實現的圖像語義自動標注，就是為了自動獲取圖像的語義信息，并對待標注圖像予以關鍵字標注，對標注的關鍵字進行存儲，從而對檢索做出支持。本文主要研究了圖像語義自動標注基本流程、基本原理，基于Matlab通過GUI界面實現了圖像標注與簡單檢索系統，完成圖像底層特征的提取、特征匹配相似度測量、圖像標注并研究對標注結果進行存儲和管理的方法。

1 系統設計

本系統共有三個模塊，即圖像特征提取模塊、圖像特征匹配模塊、自動標注和相似圖像輸出模塊。系統設計方框圖如圖1所示。由圖可見，系統首先將標準圖像庫中的圖像進行顏色、紋理特征的提取，存儲成圖像特征庫。其中已標注圖像構成訓練集，利用其圖像特征和標注關鍵詞的關系對待標注圖像進行自動標注。通過計算待標注圖像與訓練集中所有圖像對應的特征矢量之間的歐氏距離，把歐氏距離最小、即相似度最高的圖像的關鍵字標注給該待標注圖像，同時排序輸出相似度最高的三幅圖像，并存儲關鍵詞。

圖1 系統概要設計方框圖

2 圖像特征提取

圖像的視覺特征主要包括顏色、紋理、形狀和空間關系等。顏色特征是被廣泛使用的視覺特征，主要原因在于顏色特征的定義比較明確，特征提取方法比較簡單，并且顏色特征能較好地體現出圖像中所包含的物體或場景。紋理特征是一種不依賴于亮度或顏色的反映圖像中物質現象的視覺特征。此特征包含了物體表面結構組織排列的重要信息以及它們與周圍環境的聯系。

2.1 顏色特征提取

對顏色特征的研究，必須在圖像的特定色彩空間中進行，常用的色彩空間有RGB、HSI、HSV等。其中HSI和HSV色彩空間很適合人眼的分辨，能較好地反映人對顏色的感知和鑒別能力。因此本文采用HSI顏色空間。通過式（1）～（3），圖像可以從RGB色彩空間轉換到HSI色彩空間[1]。

[H=arccosR-G+R-B2R-GR-G+R-BG-B， R≠G或R≠B2π-arccosR-G+R-B2R-GR-G+R-BG-B， B>G]（1）

[S = MAX（R，G，B）-MIN（R，G，B）] （2）

[I= R+G+B3] （3）

為了使HSI顏色模型能夠更好地符合人眼的視覺特性，首先將圖像中每一像素的紅、綠、藍分量值R，G，B轉化為色調、飽和度和強度分量值H、S、I（h[0，360]，[s [0，1]，][v[0，1]]），然后根據HSI顏色空間中顏色特征進行非等間隔量化，見公式（4）～（6）所示：

[H=0，h∈（315，20]1，h∈（20，40]2，h∈（40，75]3，h∈（75，155]4，h∈（155，190]5，h∈（190，270]6，h∈（270，295]7，h∈（295，315]] （4）

[S=0，s∈[0，0.2）1，s∈[0.2，0.7）2，s∈[0.7，1）] （5）

[I=0，i∈0，0.21，i∈0.2，0.72，i∈0.7，1] （6）

對HSI空間進行量化后，[H]的取值范圍為[0，1，…，7]，[S]的取值范圍為[0，1，2]，[I]的取值范圍為[0，1，2]。通過公式（7）將 HSI 合成為一維特征矢量，則[B]的取值范圍為[0，71]，是一個72柄的一維直方圖，再對特征矢量[B]構造直方圖作為圖形的顏色特征。

[B=9H+3S+I] （7）

2.2 紋理特征提取

本文采用小波分解提取圖形的紋理特征，首先通過Daubechies4小波對圖像進行分解，然后提取一層分解的4個頻帶小波系數的均值和方差作為圖像的紋理特征。一幅圖像的4個頻帶分布圖示如圖2所示。

[[ILL]＼&[ILH]＼&[IHL]＼&[IHH]＼&]

圖2 頻帶分布圖

進行一層變換后，[（i，j）]點的小波系數為[Cij，]則任一頻帶的均值和方差計算公式分別為式（8），式（9）：

[μ=1MNi=1Mj=1NCi，j] （8）

[D=i=1Mj=1N（Ci，j-μ）2MN] （9）

紋理特征向量表示為：[T=[μLL，DLL，μHL，DHL，μLH，DLH，][μHH，DHH]，]小波分解提取紋理特征的方法適用于紋理特征比較復雜的圖像。

2.3 圖像特征相似性度量以及自動標注

圖像特征的相似性度量有很多方法，如歐氏距離法、絕對值距離、切比雪夫距離、馬氏距離、蘭氏距離等。本文采用的是歐氏距離法。計算公式如（10）所示，歐氏距離越小，兩幅圖像越匹配，歐氏距離越大，兩幅圖像越不匹配。因此選擇與已標注圖像集中歐氏距離最小的圖像的標注關鍵詞作為待標注圖像的語義關鍵詞。兩個[n]維向量[a（x11，x12，…，x1n）]與[b（x21，x22，…，x2n）]間的歐氏距離：

[d12=k=1n（x1k-x2k）2] （10）

圖像自動標注與檢索的流程如下：首先計算待標注圖像特征與訓練集中所有圖像特征之間的歐氏距離；將所有距離按照從小到大的順序排列；把歐氏距離最小的圖像的關鍵字賦給待標注的圖像；顯示與待標注圖像最相近的三幅圖像。

2.4 數據存儲與管理

對圖像完成顏色特征和紋理特征提取，以及特征向量的計算后，所得到的數據需要進行存儲，以便進行圖像特征匹配。自動標注的關鍵字也需要存儲。在Matlab中，數據一般都存儲在.mat格式的文件里，如有需要可以轉換成.txt格式文件。本系統使用結構體存儲圖像特征和關鍵字。圖像顏色特征存儲的結構體各字段見表1。

表1 圖像顏色特征存儲結構體

[imgID＼&1＼&2＼&……＼&Filename＼&1001.jpg＼&1002.jpg＼&……＼&cfv_HSV＼&顏色特征向量1＼&顏色特征向量1＼&……＼&]

圖像關鍵字存儲的結構體各字段見表2。

表2 圖像關鍵字存儲結構體

[imgID＼&1＼&2＼&……＼&Filename＼&1001.jpg＼&1002.jpg＼&……＼&Keywords＼&people，tree＼&flower，bird＼&……＼&]

數據存儲在.mat文件中的形式如圖3所示，十分方便查詢和管理。

圖3 顏色特征在.mat文件中存儲形式

3 實驗結果

本實驗使用的訓練集是Corel5K圖像庫[2]。該圖像集中有5 000張圖像，內容涵蓋人物、動物、植物、自然風光等，共包含50個語義類，每個類包含100張圖像[3]。其中4 500張圖像進行人工標注，500張作為待測試圖像。訓練集中有374個關鍵字，每個圖像一般有3～5個關鍵字。自動標注的性能使用查準率和查全率來評價。查準率和查全率的定義見式（11）（12）：

[查全率（R）=相關的正確標注結果所有相關的結果=AA+C] （11）

[查準率（P）=相關的正確標注結果所有標注的結果=AA+B] （12）

其中A為正確標注數目，B為誤標注數目，C為漏標注數目。系統測試結果見表3。

表3 標注性能比較 %

[＼&查準率＼&查全率＼&紋理特征＼&1.52＼&2.24＼&顏色特征＼&15.4＼&16.1＼&兩種特征結合

（顏色權重0.85，紋理權重0.15）＼&16.14＼&17.51＼&]

本文的圖像特征提取分別使用的三種方法中，實驗發現，顏色特征對圖像的影響較大，當顏色特征向量設置權重為0.85，對紋理特征向量設置權重為0.15時，標注和檢索效果達到最優，標注結果能夠反映原圖像的語義內容。如圖4所示給出了系統使用第三種特征提取方法自動標注和查詢的結果示例。

圖4 基于GUI界面的實驗結果

4 結 語

本文設計并實現了基于GUI的圖像自動標注和檢索系統，完成對圖像底層特征的提取、特征匹配相似度測量、圖像自動標注，并研究了對標注結果進行存儲和管理的方法。本系統標注性能良好，文中只對顏色和紋理兩種圖像特征進行了提取和匹配并且采用的自動標注算法較為簡單，系統的標注性能有待于進一步提高。下一步研究方向是選擇更多的圖像特征并且改進標注算法。

本文受到2013年國家級大學生創新創業訓練計劃項目“圖像自動標注研究”的資助，在此表示感謝。

參考文獻

[1] 徐紅霞，鄭龍，王廳列，等.基于HSI顏色空間統計直方圖的圖像檢索[J].電腦知識與技術，2009（31）：8801?8804.

[2] University of California Berkeley. Corel dataset website [EB /OL]. [2006?02?04]. http： / / elib. cs. berkeley. edu /photos/ corel /.

[3] 伍宇花.BP神經網絡在圖像語義自動標注的應用[J].電腦知識與技術，2011（14）：25?28.

[4] 盧漢清，劉靜.基于圖學習的自動圖像標注[J].計算機學報，2008，31（9）：1629?1632.

[5] 萬華林，CHOWDHURY M U.基于支持向量機的圖像語義分類[J].軟件學報，2003，14（11）：1891?1899.

[6] 向日華，王潤生.一種基于高斯混合模型的距離圖像分割算法[J].軟件學報，2003，14（7）：1250?1257.

[7] 張華，梁宇生.基于實例圖像自動語義標注方法的研究[J].山東農業大學學報：自然科學版，2011（2）：255?258.

[8] 朱文球，劉強.一種新的圖像語義自動標注與檢索算法[J].計算機應用研究，2007（7）：318?320.

[9] 王妍寧，郭雷，方俊.一種新的圖像語義自動標注模型[J].計算機工程與應用，2011（7）：193?197.

[10] 韋布.統計模式識別[M].王萍，楊培龍，羅穎昕，等譯.2版.北京：電子工業出版社，2004.

[H=0，h∈（315，20]1，h∈（20，40]2，h∈（40，75]3，h∈（75，155]4，h∈（155，190]5，h∈（190，270]6，h∈（270，295]7，h∈（295，315]] （4）

[S=0，s∈[0，0.2）1，s∈[0.2，0.7）2，s∈[0.7，1）] （5）

[I=0，i∈0，0.21，i∈0.2，0.72，i∈0.7，1] （6）

對HSI空間進行量化后，[H]的取值范圍為[0，1，…，7]，[S]的取值范圍為[0，1，2]，[I]的取值范圍為[0，1，2]。通過公式（7）將 HSI 合成為一維特征矢量，則[B]的取值范圍為[0，71]，是一個72柄的一維直方圖，再對特征矢量[B]構造直方圖作為圖形的顏色特征。

[B=9H+3S+I] （7）

2.2 紋理特征提取

本文采用小波分解提取圖形的紋理特征，首先通過Daubechies4小波對圖像進行分解，然后提取一層分解的4個頻帶小波系數的均值和方差作為圖像的紋理特征。一幅圖像的4個頻帶分布圖示如圖2所示。

[[ILL]＼&[ILH]＼&[IHL]＼&[IHH]＼&]

圖2 頻帶分布圖

進行一層變換后，[（i，j）]點的小波系數為[Cij，]則任一頻帶的均值和方差計算公式分別為式（8），式（9）：

[μ=1MNi=1Mj=1NCi，j] （8）

[D=i=1Mj=1N（Ci，j-μ）2MN] （9）

紋理特征向量表示為：[T=[μLL，DLL，μHL，DHL，μLH，DLH，][μHH，DHH]，]小波分解提取紋理特征的方法適用于紋理特征比較復雜的圖像。

2.3 圖像特征相似性度量以及自動標注

圖像特征的相似性度量有很多方法，如歐氏距離法、絕對值距離、切比雪夫距離、馬氏距離、蘭氏距離等。本文采用的是歐氏距離法。計算公式如（10）所示，歐氏距離越小，兩幅圖像越匹配，歐氏距離越大，兩幅圖像越不匹配。因此選擇與已標注圖像集中歐氏距離最小的圖像的標注關鍵詞作為待標注圖像的語義關鍵詞。兩個[n]維向量[a（x11，x12，…，x1n）]與[b（x21，x22，…，x2n）]間的歐氏距離：

[d12=k=1n（x1k-x2k）2] （10）

圖像自動標注與檢索的流程如下：首先計算待標注圖像特征與訓練集中所有圖像特征之間的歐氏距離；將所有距離按照從小到大的順序排列；把歐氏距離最小的圖像的關鍵字賦給待標注的圖像；顯示與待標注圖像最相近的三幅圖像。

2.4 數據存儲與管理

對圖像完成顏色特征和紋理特征提取，以及特征向量的計算后，所得到的數據需要進行存儲，以便進行圖像特征匹配。自動標注的關鍵字也需要存儲。在Matlab中，數據一般都存儲在.mat格式的文件里，如有需要可以轉換成.txt格式文件。本系統使用結構體存儲圖像特征和關鍵字。圖像顏色特征存儲的結構體各字段見表1。

表1 圖像顏色特征存儲結構體

[imgID＼&1＼&2＼&……＼&Filename＼&1001.jpg＼&1002.jpg＼&……＼&cfv_HSV＼&顏色特征向量1＼&顏色特征向量1＼&……＼&]

圖像關鍵字存儲的結構體各字段見表2。

表2 圖像關鍵字存儲結構體

[imgID＼&1＼&2＼&……＼&Filename＼&1001.jpg＼&1002.jpg＼&……＼&Keywords＼&people，tree＼&flower，bird＼&……＼&]

數據存儲在.mat文件中的形式如圖3所示，十分方便查詢和管理。

圖3 顏色特征在.mat文件中存儲形式

3 實驗結果

本實驗使用的訓練集是Corel5K圖像庫[2]。該圖像集中有5 000張圖像，內容涵蓋人物、動物、植物、自然風光等，共包含50個語義類，每個類包含100張圖像[3]。其中4 500張圖像進行人工標注，500張作為待測試圖像。訓練集中有374個關鍵字，每個圖像一般有3～5個關鍵字。自動標注的性能使用查準率和查全率來評價。查準率和查全率的定義見式（11）（12）：

[查全率（R）=相關的正確標注結果所有相關的結果=AA+C] （11）

[查準率（P）=相關的正確標注結果所有標注的結果=AA+B] （12）

其中A為正確標注數目，B為誤標注數目，C為漏標注數目。系統測試結果見表3。

表3 標注性能比較 %

[＼&查準率＼&查全率＼&紋理特征＼&1.52＼&2.24＼&顏色特征＼&15.4＼&16.1＼&兩種特征結合

（顏色權重0.85，紋理權重0.15）＼&16.14＼&17.51＼&]

本文的圖像特征提取分別使用的三種方法中，實驗發現，顏色特征對圖像的影響較大，當顏色特征向量設置權重為0.85，對紋理特征向量設置權重為0.15時，標注和檢索效果達到最優，標注結果能夠反映原圖像的語義內容。如圖4所示給出了系統使用第三種特征提取方法自動標注和查詢的結果示例。

圖4 基于GUI界面的實驗結果

4 結 語

本文設計并實現了基于GUI的圖像自動標注和檢索系統，完成對圖像底層特征的提取、特征匹配相似度測量、圖像自動標注，并研究了對標注結果進行存儲和管理的方法。本系統標注性能良好，文中只對顏色和紋理兩種圖像特征進行了提取和匹配并且采用的自動標注算法較為簡單，系統的標注性能有待于進一步提高。下一步研究方向是選擇更多的圖像特征并且改進標注算法。

本文受到2013年國家級大學生創新創業訓練計劃項目“圖像自動標注研究”的資助，在此表示感謝。

參考文獻

[1] 徐紅霞，鄭龍，王廳列，等.基于HSI顏色空間統計直方圖的圖像檢索[J].電腦知識與技術，2009（31）：8801?8804.

[2] University of California Berkeley. Corel dataset website [EB /OL]. [2006?02?04]. http： / / elib. cs. berkeley. edu /photos/ corel /.

[3] 伍宇花.BP神經網絡在圖像語義自動標注的應用[J].電腦知識與技術，2011（14）：25?28.

[4] 盧漢清，劉靜.基于圖學習的自動圖像標注[J].計算機學報，2008，31（9）：1629?1632.

[5] 萬華林，CHOWDHURY M U.基于支持向量機的圖像語義分類[J].軟件學報，2003，14（11）：1891?1899.

[6] 向日華，王潤生.一種基于高斯混合模型的距離圖像分割算法[J].軟件學報，2003，14（7）：1250?1257.

[7] 張華，梁宇生.基于實例圖像自動語義標注方法的研究[J].山東農業大學學報：自然科學版，2011（2）：255?258.

[8] 朱文球，劉強.一種新的圖像語義自動標注與檢索算法[J].計算機應用研究，2007（7）：318?320.

[9] 王妍寧，郭雷，方俊.一種新的圖像語義自動標注模型[J].計算機工程與應用，2011（7）：193?197.

[10] 韋布.統計模式識別[M].王萍，楊培龍，羅穎昕，等譯.2版.北京：電子工業出版社，2004.

[H=0，h∈（315，20]1，h∈（20，40]2，h∈（40，75]3，h∈（75，155]4，h∈（155，190]5，h∈（190，270]6，h∈（270，295]7，h∈（295，315]] （4）

[S=0，s∈[0，0.2）1，s∈[0.2，0.7）2，s∈[0.7，1）] （5）

[I=0，i∈0，0.21，i∈0.2，0.72，i∈0.7，1] （6）

對HSI空間進行量化后，[H]的取值范圍為[0，1，…，7]，[S]的取值范圍為[0，1，2]，[I]的取值范圍為[0，1，2]。通過公式（7）將 HSI 合成為一維特征矢量，則[B]的取值范圍為[0，71]，是一個72柄的一維直方圖，再對特征矢量[B]構造直方圖作為圖形的顏色特征。

[B=9H+3S+I] （7）

2.2 紋理特征提取

本文采用小波分解提取圖形的紋理特征，首先通過Daubechies4小波對圖像進行分解，然后提取一層分解的4個頻帶小波系數的均值和方差作為圖像的紋理特征。一幅圖像的4個頻帶分布圖示如圖2所示。

[[ILL]＼&[ILH]＼&[IHL]＼&[IHH]＼&]

圖2 頻帶分布圖

進行一層變換后，[（i，j）]點的小波系數為[Cij，]則任一頻帶的均值和方差計算公式分別為式（8），式（9）：

[μ=1MNi=1Mj=1NCi，j] （8）

[D=i=1Mj=1N（Ci，j-μ）2MN] （9）

紋理特征向量表示為：[T=[μLL，DLL，μHL，DHL，μLH，DLH，][μHH，DHH]，]小波分解提取紋理特征的方法適用于紋理特征比較復雜的圖像。

2.3 圖像特征相似性度量以及自動標注

圖像特征的相似性度量有很多方法，如歐氏距離法、絕對值距離、切比雪夫距離、馬氏距離、蘭氏距離等。本文采用的是歐氏距離法。計算公式如（10）所示，歐氏距離越小，兩幅圖像越匹配，歐氏距離越大，兩幅圖像越不匹配。因此選擇與已標注圖像集中歐氏距離最小的圖像的標注關鍵詞作為待標注圖像的語義關鍵詞。兩個[n]維向量[a（x11，x12，…，x1n）]與[b（x21，x22，…，x2n）]間的歐氏距離：

[d12=k=1n（x1k-x2k）2] （10）

圖像自動標注與檢索的流程如下：首先計算待標注圖像特征與訓練集中所有圖像特征之間的歐氏距離；將所有距離按照從小到大的順序排列；把歐氏距離最小的圖像的關鍵字賦給待標注的圖像；顯示與待標注圖像最相近的三幅圖像。

2.4 數據存儲與管理

對圖像完成顏色特征和紋理特征提取，以及特征向量的計算后，所得到的數據需要進行存儲，以便進行圖像特征匹配。自動標注的關鍵字也需要存儲。在Matlab中，數據一般都存儲在.mat格式的文件里，如有需要可以轉換成.txt格式文件。本系統使用結構體存儲圖像特征和關鍵字。圖像顏色特征存儲的結構體各字段見表1。

表1 圖像顏色特征存儲結構體

[imgID＼&1＼&2＼&……＼&Filename＼&1001.jpg＼&1002.jpg＼&……＼&cfv_HSV＼&顏色特征向量1＼&顏色特征向量1＼&……＼&]

圖像關鍵字存儲的結構體各字段見表2。

表2 圖像關鍵字存儲結構體

[imgID＼&1＼&2＼&……＼&Filename＼&1001.jpg＼&1002.jpg＼&……＼&Keywords＼&people，tree＼&flower，bird＼&……＼&]

數據存儲在.mat文件中的形式如圖3所示，十分方便查詢和管理。

圖3 顏色特征在.mat文件中存儲形式

3 實驗結果

本實驗使用的訓練集是Corel5K圖像庫[2]。該圖像集中有5 000張圖像，內容涵蓋人物、動物、植物、自然風光等，共包含50個語義類，每個類包含100張圖像[3]。其中4 500張圖像進行人工標注，500張作為待測試圖像。訓練集中有374個關鍵字，每個圖像一般有3～5個關鍵字。自動標注的性能使用查準率和查全率來評價。查準率和查全率的定義見式（11）（12）：

[查全率（R）=相關的正確標注結果所有相關的結果=AA+C] （11）

[查準率（P）=相關的正確標注結果所有標注的結果=AA+B] （12）

其中A為正確標注數目，B為誤標注數目，C為漏標注數目。系統測試結果見表3。

表3 標注性能比較 %

[＼&查準率＼&查全率＼&紋理特征＼&1.52＼&2.24＼&顏色特征＼&15.4＼&16.1＼&兩種特征結合

（顏色權重0.85，紋理權重0.15）＼&16.14＼&17.51＼&]

本文的圖像特征提取分別使用的三種方法中，實驗發現，顏色特征對圖像的影響較大，當顏色特征向量設置權重為0.85，對紋理特征向量設置權重為0.15時，標注和檢索效果達到最優，標注結果能夠反映原圖像的語義內容。如圖4所示給出了系統使用第三種特征提取方法自動標注和查詢的結果示例。

圖4 基于GUI界面的實驗結果

4 結 語

本文設計并實現了基于GUI的圖像自動標注和檢索系統，完成對圖像底層特征的提取、特征匹配相似度測量、圖像自動標注，并研究了對標注結果進行存儲和管理的方法。本系統標注性能良好，文中只對顏色和紋理兩種圖像特征進行了提取和匹配并且采用的自動標注算法較為簡單，系統的標注性能有待于進一步提高。下一步研究方向是選擇更多的圖像特征并且改進標注算法。

本文受到2013年國家級大學生創新創業訓練計劃項目“圖像自動標注研究”的資助，在此表示感謝。

參考文獻

[1] 徐紅霞，鄭龍，王廳列，等.基于HSI顏色空間統計直方圖的圖像檢索[J].電腦知識與技術，2009（31）：8801?8804.

[2] University of California Berkeley. Corel dataset website [EB /OL]. [2006?02?04]. http： / / elib. cs. berkeley. edu /photos/ corel /.

[3] 伍宇花.BP神經網絡在圖像語義自動標注的應用[J].電腦知識與技術，2011（14）：25?28.

[4] 盧漢清，劉靜.基于圖學習的自動圖像標注[J].計算機學報，2008，31（9）：1629?1632.

[5] 萬華林，CHOWDHURY M U.基于支持向量機的圖像語義分類[J].軟件學報，2003，14（11）：1891?1899.

[6] 向日華，王潤生.一種基于高斯混合模型的距離圖像分割算法[J].軟件學報，2003，14（7）：1250?1257.

[7] 張華，梁宇生.基于實例圖像自動語義標注方法的研究[J].山東農業大學學報：自然科學版，2011（2）：255?258.

[8] 朱文球，劉強.一種新的圖像語義自動標注與檢索算法[J].計算機應用研究，2007（7）：318?320.

[9] 王妍寧，郭雷，方俊.一種新的圖像語義自動標注模型[J].計算機工程與應用，2011（7）：193?197.

[10] 韋布.統計模式識別[M].王萍，楊培龍，羅穎昕，等譯.2版.北京：電子工業出版社，2004.