基于径向基函数神经网络的多样化图像标注和检索方法

摘要

本发明公开了一种基于RBFNN的多样化图像标注和检索方法，包括：（1）构建和学RBFNN模型，构建出能覆盖图像“子概念”的RBFNN模型；（2）将检索资料库预处理后的数据输入步骤（1）构建的RBFNN模型中，对图像库中图片进行多样化标注，同时给图像库中图片标注“概念”和“子概念”标签；（3）根据检索关键词和步骤（2）的标注结果，对标注后的图像库进行多样化检索：首先查找所有标注检索关键词的图片，并根据“概念”相似度进行排序；然后，将分属不同“子概念”的图片按照“概念”相似度由高到低的顺序置前；（4）输出检索结果。本发明的优点在于：提高了图像检索精度，同时大大提高了图像检索结果多样性，节约了检索时间，具有较高的鲁棒性和实用性。

主权项

一种基于径向基函数神经网络的多样化图像标注和检索方法，其特征在于：包括以下步骤：(1)构建和学习RBFNN模型，构建出能够覆盖图像“子概念”的RBFNN模型；(2)根据步骤(1)构建的RBFNN模型，将检索资料库预处理后的数据输入到RBFNN模型中，对图像库中图片进行多样化标注，同时给图像库中图片标注“概念”和“子概念”标签；(3)根据检索关键词和步骤(2)的标注结果，对标注后的图像库进行多样化检索：首先查找所有标注检索关键词的图片，并根据“概念”相似度进行排序；然后，将分属不同“子概念”的图片按照“概念”相似度由高到低的顺序置前；(4)输出检索结果；所述步骤(1)具体包括：首先输入训练图像样本，并对图像进行预处理，并提取特征，然后基于这些训练图像样本，采用如下步骤学习RBFNN模型：1)基于检索相关性和多样性目标的RBF网络结构优化：首先对训练图像样本聚类，得到N_c个聚类中心作为RBFNN初始化的候选隐中心，结合粒子群优化PSO算法来对RBF网络结构中的随机选取的隐中心位置、数目以及宽度参数进行并行优化，采用离散和连续混合编码形式，其中离散部分是对隐中心位置和数目的二进制编码，长度为候选隐中心的个数，基因值为“1”表示对应的候选隐中心被选中，否则表示未被选中；而连续部分是对宽度参数的编码；所述基于检索相关性和多样性目标的RBF网络结构优化的具体步骤如下：①适应度函数的设计使用代价学习误差CE作为适应度函数的自变量，使正类以及正类中“非占优”“子概念”内的样本误差代价增大，而其它样本误差代价减小，CE表示为：$E_{\cos t}=\underset{i=1}{\overset{N}{\Sigma }}{\beta }_i\underset{j=1}{\overset{s}{\Sigma }}{(t_{ij}-y_{ij})}^2---\left(1\right)$式中β_i是各样本的误差代价，t_ij，y_ij分别表示输入第i个样本时，网络第j个输出节点的期望输出值和实际输出值，N表示样本总数，此外，采用“M交叉认证”M‑FOLD‑CV对网络的泛化能力进行表达，并定义一种“M交叉认证”代价误差为$E_{\cos t}^{M-FOLD-CV}=\underset{m=1}{\overset{M}{\Sigma }}\underset{i=1}{\overset{N_m}{\Sigma }}{\beta }_i^m\underset{j=1}{\overset{s}{\Sigma }}{(t_{ij}^m-y_{ij}^{(-S_m)})}^2---\left(2\right)$公式中表示排除第m个子集S_m，由剩余M‑1个子集学习RBFNN分类器连接权值后输入子集S_m中第i个样本时，网络第j个输出节点的输出值，综上，根据优化目标，设计适应度函数为$fitness=f\left(E_{\cos t}^{M-FOLD-CV}\right)=-E_{\cos t}^{M-FOLD-CV}---\left(3\right)$其中，各样本的误差代价β_i根据样本分布情况定义；②RBF网络连接权值的学习网络的代价误差是网络连接权值矩阵W的函数，公式(1)可表示为以下形式：$E_{\cos t}\left(W\right)=\underset{i=1}{\overset{N}{\Sigma }}{\beta }_i\underset{j=1}{\overset{s}{\Sigma }}{(t_{ij}-\underset{k=1}{\overset{c}{\Sigma }}{\phi }_{ik}{w}_{kj})}^2=\left|\right|B^{1/2}(T-\Phi W)|{|}^2---\left(4\right)$其中t_ij表示输入第i个样本时，网络第j个输出节点的期望输出值，φ_ik表示网络输入第i个样本时第k个隐节点的响应输出，w_kj是网络第k个隐节点到第j个输出节点间的连接权值，T是矩阵(t_ij)，Φ是矩阵(φ_ik)，Β是对角阵$B=\left[\begin{array}{cccc}{\beta }_1& 0& ...& 0\\ 0& {\beta }_2& ...& 0\\ ...& ...& ...& ...\\ 0& ...& 0& {\beta }_N\end{array}\right]---\left(5\right)$按函数求解极值法，求E_cost(W)对W的偏导数，且令其为0，可得到(Φ^TΒΦ)W^T＝Φ^TΒT，解得W^T＝(Φ^TΒΦ)^‑1Φ^TΒT          (6)。