[發明專利]基于典型相關性分析的圖像優化聚類方法

在審

• 申請號: 201410304578.6
• 申請日: 2014-06-30
• 公開（公告）號: CN104166982A
• 公開（公告）日: 2014-11-26
• 發明（設計）人: 張玥杰;毛文輝;朱勤恩;李楊;金城;薛向陽;張濤
• 申請（專利權）人: 復旦大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;王潔平

技術領域

本發明屬于跨媒體信息技術領域，具體涉及一種基于典型相關性分析的圖像優化聚類方法。?

背景技術

隨著Internet和信息化的發展，數字圖像的容量和數量都在高速增長，每天都有海量圖像數據產生。圖像的增多雖然提供更多資源，但人們發現想要獲得自己所需要的圖像信息卻變得越來越困難，這就意味著給網絡上圖像組織、管理、處理帶來一個越來越難以解決的難題。在這樣的一個背景下，通過有效算法對大量圖像進行組織和管理，并為人們提供有效獲取圖像服務的途徑顯得尤為重要^[1]。?

現在網絡上的圖像組織和管理體系中，可獲得兩類不同的信息，即基于圖像標注的語義信息和基于圖像底層視覺特征的視覺信息^[2，3]。這兩類信息從不同角度對圖像進行描述，只利用其中任何一種信息都只是從單一視角去理解圖像，很難對圖像有一個整體上的認識，綜合多類信息和跨越多個模態去對圖像認知，能對圖像形成一個更好的、整體性的理解，很好地利用這兩類信息毫無疑問對于處理圖像的相關工作都能帶來很好的效果^[4，5，6]。?

然而，圖像標注的語義信息和圖像的底層視覺信息是在兩個不同視角上描述圖像的信息，又考慮到兩類信息對圖像描述的異構性存在，很難為語義信息和視覺信息直接建立相應的對應關系，這就迫切需要研究一種算法能夠在對圖像的相關處理時很好地將兩類信息都應用起來。支持不同模態的跨媒體信息表示方法，能夠同時有效的顧及地圖像標注得到的語義信息和從圖像中提取得到的底層視覺信息，突破傳統的只是基于單模態數據的限制^[6，7]。?

采用圖像底層的多模態信息，即圖像的語義特征和視覺特征來表示圖像的內容?^{[8，9，10，11]}，需要建立一種統一的數據模型，以反映數據集之間的潛在關系^[12，13]。如果不同類別的數據集被映射到一個統一的表達框架中，但破壞數據集之間的相互關系，那么在此基礎上得到的跨媒體數據集將受到嚴重影響。因此，在用統一的模型來表達不同類別的信息時，應盡可能地發現和保持數據之間潛在相關性^[14]。?

在當前的跨媒體聚類方法中，都通過建立一個數據模型框架來很好的表達多類信?息。如ZhenyongFu等利用圖像數據的成對約束這種弱化的監督關系，通過建立多圖上的映射關系，利用多圖上的隨機游走算法來傳遞少量的成對約束關系到每個數據節點，得到多模態下成對約束傳遞后的相似度矩陣，再通過利用譜聚類算法得到最終的聚簇結果^[15，16]。ManjeetRege等通過三部圖建立語義信息、圖像和視覺信息之間的映射關系，然后通過等周圖分割算法得到最終的聚簇結果^{[17，18，19]}。上述方法都是通過尋找視覺信息、語義信息及圖像之間的相關性，建立它們之間的映射關系，。但圖的建立和保存都會要求大量的內存支持，隨著數量的增多、維數的增大都會給當前問題帶來新的困難和影響。?

典型相關性分析(Canonical?Correlation?Analysis，CCA)是一種用于多視角信息數據維數約減的方法，被廣泛的應用于跨媒體信息處理與檢索領域的相關問題研究中。如在文獻[20]中，作者采用圖像的標注信息生成文本特征空間特征，從而通過CCA的方法來優化圖像分類結果；而文獻[21]則采用一種有監督的CCA方法，該方法利用圖像標注信息來實現圖像檢索。事實上，CCA算法在很多方面與PCA算法有相似之處，但PCA算法只能解決單一視角信息的空間降維問題，而CCA算法則能夠應用在兩個或多個數據空間的組合維數約減問題中。因此，對于多模態圖像信息融合而言，CCA是一個更好的辦法^{[22，23，24]}。?

聚類分析是一個應用很廣泛的無監督學習方法，在機器學習、模式識別、數據挖掘等領域中，數據的聚類分析是一個極其重要的工具^{[25，26，27，28]}。因為聚類分析是不需要任何的監督信息就可識別出數據的主要模式和類的總體分布，早期對于圖像的聚類被看作為一個文本聚類問題，圖像的語義信息用來參與聚類，但是圖像并非實實在在的文本文檔，所以這并不是一個很好的解決方案。因而，跨模態的數據聚類應運而生，開始嶄露頭角，對于跨模態數據的聚類研究也越來越受到領域內各專家學者的重視。?

對于跨模態數據的聚類分析除要建立一個符合跨媒體特性的數據表達機制，建立統一的數據模型，聚類的技術和方法也異常重要。因為在現實生活當中，數據的爆炸性增長迫切要求能在可接受的時間和空間復雜性內盡量快地得到聚簇結果。?