基于本体的图像语义检索关键技术实现

孙 亮 阎小琦

（兰州文理学院电子信息工程学院 甘肃兰州 730000；兰州金轮实业有限责任公司信息技术部 甘肃兰州 730000）

基于本体的图像语义检索关键技术实现

孙 亮 阎小琦

（兰州文理学院电子信息工程学院 甘肃兰州 730000；兰州金轮实业有限责任公司信息技术部 甘肃兰州 730000）

本文跟随当前语义网以及本体技术的发展潮流，在研究分析图像语义检索技术后，设计出一棵图像语义资源描述树作为新的一种图像语义描述模式，以此构建基于本体的图像语义检索模型，提出一个基于支持向量机技术的图像语义提取标注的改进方法。

本体；语义web；语义模型；SVM

语义Web作为下一代的互联网，对现有的互联网进行了语义方面的增强，根本目的就是将Internet上的信息资源附加上计算机可以理解的语义信息从而实现语义层上的资源应用。语义Web由W3C组织提出，同时进一步制定了一个叫做本体 (Ontology)的标准规范说明，它的定义是“应用于语义网上的可分享、可再利用、机器可读的知识表示法”，进一步用它来做为互联网上处理信息语义知识的基础。

一、图像语义资源描述树

在本文的研究中将采用由Eakins提出的三层语义模型的概念，在MPEG-7中主要采用了三种工具来描述多媒体语义信息。在MPEG-7多媒体描述模式研究中我们可以发现它十分复杂，用它来进行图像描述则十分不便，因此我们结合MPEG-7 MDS多媒体描述框架的知识，设计一棵图像语义资源描述树作为新一种图像语义描述模式，具体方法如下：

1.通过抽取关键词汇，构造树叶刻面这一过程，图像领域中重要方面都将被进一步确定，这其中包括图像尺寸，存储路径，对象特征信息等。

2.构建出语义资源描述树，通过对提取出的树叶刻面进行分类形成图像资源描述树的上层刻面。

二、图像领域本体模型构建

Ontology是概念模型明确的规范化说明，而领域Ontology则是对领域概念化的一个详细说明。

因此，通过上述分析我们就可以总结出图像领域本体模型建模方法：

1.在图像语义资源描述树中的每个树叶刻面下加入术语，用于描述该刻面下资源。这将在每个刻面下形成术语库。在这里所用到的图像资源描述中，在该刻面的术语库中包含了所能用到的所有术语。

2.构建刻面、术语之间的关系。Ontology是以关系为中心的，关系很少很弱或者没有关系的本体不能起到应有作用。通过上一步得到的Ontology还需要加入它们之间存在的其它关系，因为目前它只具有简单的从属关系。

三、利用支持向量机理论实现图像分类与图像语义标注

1.图像分类基本步骤

应用SVM对图像进行分类的步骤：首先要选择最能区分该类图像的底层特征在训练样例图像中，然后训练SVM分类器用这些底层特征作为训练样本。对一幅给定的未分类图像进行分类时，首先提取图像的底层特征，然后作为输入数据放入己训练好的SVM分类器中，根据分类器的输出判断图像的类别。

2.图像语义标注的方法

本文对文献中提出的一种基于SVM图像语义提取方法进行改进，提出一种基于本体模型结构的图像语义标注的方法。

第一步，要从图像领域本体模型所构成的树结构来入手分析，把该树形结构记为：T(root), 其中root表示根节点即语义类“图像语义”，Ni表示语义结构树中的某个节点，T(Ni)表示以节点Ni为根节点的子树，Nj∈T(Ni)表示Nj是树T(Ni)中的一个节点。由于在构建模型时图像资源库中所有图像的语义种类就已经被最大限度的包含了，并用相应关键词给描述出来，已形成了一个图像领域本体模型，并将描述语义类Ni的关键词集合记为K(Ni)。

第二步，对于除根节点以外的每个节点利用前面叙述的构造方法来设计SVM分类器；

由此我们就可以对一副给定的图像M来提取其语义(这里假定图像共有K个语义)，具体过程如下：

Void Check() /*从根节点开始依次判断*/

接着开始按层次遍历树形结构中的节点；

While(Ni 有子节点)

{ 获取Ni 的子节点集合N；

Void Checksubtree()

{ 对以Ni为根节点的子树进行按层次遍历；

如果节点nk为叶子节点，

{ 利用该节点判别函数进行判断，如果图像M为nk语义类，则将图像M归入节点nk所代表的语义类；

第三步，将节点Ni所代表的语义类的语义作为图像M的语义。

四、结束语

本文中构建出了相应的图像领域本体模型，并利用SVM理论改进设计了一种图像语义标注方法。下一步工作将是在计算机上如何具体建模的过程，将会用到一系列Ontology建模相关软件，最终实现图像领域本体模型的构建。

[1] Thе Sеmаntiс Аrgumеnt Wеb httр://www.drаwinmаg.соm/ rеаd/ swiftkiсk/соlum -n.html?АrtiсlеID=421.

[2]韩婕,向阳.本体构建研究综述[J].计算机应用与软件,2007(9):21.

[3] Еаkins,J.Р.,М.Е.Grаhаm,Соntеnt bаsеd imаgе rеtriеvаl.1999,А rероrt tо thе JISС Tесhnоlоgу Аррliсаtiоn Рrоgrаmmе.

[4]张运涛.基于МРЕG_7的图像特征描述及其检索技术研究[D].硕士,浙江工业大学,2005:10-11.

[5]张海龙,彭鑫,赵文耘,等.基于刻面与本体的资源描述与检索系统的设计与实现[J].计算机应用与软件,2007(9):1-2.

[6]周明全,耿国华,韦娜.基于内容图像检索技术[М].北京:清华大学出版社,2007.

[7]王陈飞,肖诗斌基于SVМ的图像分类研究[J]计算机与数字工程2006(34):74-76.

[8]向前.基于本体的图像检索系统[D].硕士,北京交通大学,2008:20-21.

[9]黄永欣.基于СIDОС СRМ的语义查询系统的研究与实现[D].硕士,首都师范大学,2006:25.

[10]孙亮,任小康.基于本体的图像语义检索模型研究[J].重庆工学院学报(自然科学版),2009(23):129-130.

Ontology-based semantic image retrieval of key technology

Sun Liang, Yan Xiao-qi

(Lanzhou University of Arts and Science, Lanzhou Gansu, 730000, China; LanZhou Jin Lun Shi Ye co., ltd, Lanzhou Gansu, 730000, China)

This follows the current Semantic Web and ontology (Ontology) technology, trends, combined with analysis of semantic image retrieval techniques nowadays, proposed a new semantic model image - the image semantic resource description tree, in order to establish a body image based on semantic retrieval model, and propose a technique based on SVM semi-automatic extraction of semantic annotation of image improvement methods.

Ontology; Semantic Web; Semantic Model; SVM

TP391

A

1000-9795（2014）03-0495-02

［责任编辑：陈怀民］

2014-01-09

孙 亮（1980-），男，河北唐山人，讲师，从事多媒体信息处理研究。

阎小琦（1981-），女，黑龙江北安人，经济师，从事网络安全技术研究。