图像多尺度自动标注方法
专利汇可以提供图像多尺度自动标注方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种图像多尺度自动标注方法，步骤包括：在训练集中寻找待标注图像的K近邻图像；全局标注在K近邻图像中出现的 频率 作为第一权重；选择匹配度最高的M个K近邻图像加入候选集；依据候选集图像的每个全局标注出现的频率更新第一权重获得第二权重；利用候选集图像对待标注图像进行局部标注；计算待标注图像的每个局部标注在训练集图像中与训练集图像的所有全局标注的平均相关度系数，与第一权重和第二权重加权求和得到第三权重，取第三权重最大的t个全局标注作为待标注图像的全局标注。本发明方法实现了图像的局部语义与全局语义的多尺度标注。在进行全局标注时，利用了局部标注与全局标注间的关联度信息，提高了全局标注的准确性。，下面是图像多尺度自动标注方法专利的具体信息内容。
1.一种图像多尺度自动标注方法，其特征在于，包括以下步骤：
第1步、在训练集中寻找待标注图像的K近邻图像，所述训练集包含N个图像，每个图像对应若干全局标注，每个图像的每个像素对应一个局部标注；
第2步、每个全局标注在K近邻图像中出现的频率作为该全局标注的第一权重；
第3步、对待标注图像和每个K近邻图像建立逐像素的密集匹配，选择匹配度最高的M个K近邻图像加入候选集；
第4步、计算候选集中图像的每个全局标注出现的频率，与对应全局标注的第一权重加权求和得到该全局标注的第二权重；
第5步、利用候选集图像的局部标注信息对待标注图像进行逐像素的局部标注赋值；
第6步、计算待标注图像的每个局部标注在训练集图像中与训练集图像的所有全局标注的平均相关度系数，与对应全局标注的第一权重和第二权重加权求和得到对应全局标注的第三权重，训练集图像的全局标注根据第三权重从大到小进行排序，取前t个全局标注作为待标注图像的全局标注。
2.根据权利要求1的图像多尺度自动标注方法，其特征在于：所述第1步中，提取待标注图像和训练集中所有图像的特征向量，计算待标注图像的特征向量与训练集中所有图像的特征向量之间的欧氏距离，选取欧氏距离最小的K个图像为所述的K近邻图像，所述特征向量为GIST特征向量、或HOG特征向量、或视觉词包特征向量。
3.根据权利要求1的图像多尺度自动标注方法，其特征在于：所述第2步中，全局标注的第一权重计算方法如下：
设训练集图像的全局标注全集为{y1,y2,...,yL}，L为训练集图像的全局标注种类数；
对K近邻图像集合中每个图像的全局标注进行提取和排列并建立索引，获得与所述训练集图像的全局标注全集对应的L维向量Yi，Yi∈{0,1}L，向量Yi的第l维个元素Yi(l)＝1，则表示第i个训练集图像含有全局标注yl，向量Yi的第l维个元素Yi(l)＝0，则表示第i个训练集图像不含有全局标注yl，对于待标注图像的K近邻图像集合{X1,X2,...,XK}，建立其全局标注的索引，用{Y1,Y2,...,YK}进行表示，令 为K近邻图像集中的全局标注的总数，令为K近邻图像集合中第l个全局标注yl的总数，则第l个全局标注的第一权重为
4.根据权利要求1的图像多尺度自动标注方法，其特征在于：所述第3步中使用SIFT流方法，通过最小化两图间SIFT流能量，对待标注图像和每个K近邻图像之间建立逐像素的密集匹配。
5.根据权利要求1的图像多尺度自动标注方法，其特征在于：所述第4步中，全局标注的第二权重计算方法如下：
对候选集中每个图像的全局标注进行提取和排列并建立索引，获得与所述训练集图像的L
全局标注全集对应的L维向量Zi，Zi∈{0,1} ，向量Zi的第l维个元素Zi(l)＝1，则表示第i个候选集图像含有全局标注yl，向量Zi的第l维个元素Zi(l)＝0，则表示第i个候选集图像不含有全局标注yl，对于待标注图像的候选集{X1,X2,...,XM}，建立其全局标注的索引，用{Z1,Z2,...,ZM}进行表示，令 为候选集中所有图像的全局标注的总数，令 为第l个全
局标注在候选集中的总数，则第l个全局标注的第二权重
6.根据权利要求1的图像多尺度自动标注方法，其特征在于：第5步中，建立Markov随机场模型，根据待标注图像与候选集图像的匹配信息，计算待标注图像所有的像素点的每种局部标注的后验概率，取后验概率最大的局部标注作为对应像素的局部标注。
7.根据权利要求1的图像多尺度自动标注方法，其特征在于：第6步中，全局标注的第三权重的计算方法如下：
设训练集图像的局部标注全集为ly＝{ly1,ly2,...,lyP}，P为训练集图像的局部标注种类数；对训练集中每个图像的局部标注进行提取、去重和排列并建立索引，获得与所述局部标注全集对应的P维向量LYi，LYi∈{0,1}P，向量LYi的第p维个元素LYi(p)＝1，则表示第i个训练集图像含有局部标注lyp，向量LYi的第p维个元素LYi(p)＝0，则表示第i个训练集图像不含有局部标注lyp，用{LY1,LY2,...,LYN}表示训练集图像局部标注的索引，计算训练集图像的局部标注索引{LY1,LY2,...,LYN}和训练集图像的全局标注索引{Y1,Y2,...,YN}的关联矩阵W，Wij表示第i个局部标注lyi和第j个全局标注yj在训练集中的相关度系数，相关度系数使用余弦相似度计算，关联矩阵W中第i行第j列的元素 其中，LYi为矩阵[LY1,LY2,...,LYN]中第i行的行向量，Yj为矩阵[Y1,Y2,...,YN]中第j行的行向量；
对待测图像的局部标注进行提取、去重和排列并建立索引，获得与所述局部标注全集对应的P维向量LY，LY∈{0,1}P，向量LY的第p维个元素LY(p)＝1，则表示待测图像含有局部标注lyp，向量LY的第p维个元素LY(p)＝0，则表示待测图像不含有局部标注lyp，则第l个全局标注的第三权重 其中，v∈{v|LY(v)＝1}，|LY|表示待测
图像的局部标注的种类数，α1+α2+α3＝1。
图像多尺度自动标注方法
技术领域
背景技术
发明内容
具体实施方式
证，一般应取大于0.5的值。
0.05，取值可用验证集图像进行验证，一般应取α1>α2>α3。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种微纳尺度的图形绘制方法 | 2020-05-11 | 735 |
| 图像同一性尺度计算系统 | 2020-05-12 | 555 |
| 一种多尺度图像增强方法 | 2020-05-12 | 43 |
| 一种多尺度的图像分割方法 | 2020-05-13 | 669 |
| 一种图像多尺度特征提取方法 | 2020-05-13 | 655 |
| 一种多尺度SAR图像边缘检测方法 | 2020-05-11 | 491 |
| 用于图像拼接的多尺度不变ORB算法 | 2020-05-11 | 909 |
| 多尺度的图像分割方法 | 2020-05-11 | 765 |
| 生成多尺度对比度增强的图像的方法 | 2020-05-12 | 83 |
| 生成多尺度对比增强图像的方法 | 2020-05-12 | 574 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
