基于语义签名的网页图像重排序研究

巴克提·p·布切，v.s.南德卡尔
计算机科学系，P.Vasantdada Patil工程技术学院，浦那大学。MH，印度

摘要

图像重排序作为一种提高网络图像搜索结果的有效方法，已被目前的商业搜索引擎所采用。一个查询关键字，一个图像池，首先由搜索引擎根据文本信息检索。要求用户从集合中选择一个查询图像，减号图像将根据它们与查询图像的视觉相似性重新排序。基于查询和图像的推荐采用重排序的方法，根据查询图像的视觉语义特征对图像进行准确的输出。在基于查询的推荐中，关键字扩展有助于提供更好的结果，而在图像推荐中，基于其他用户访问的图像的优先级进行重排序可以提供更准确的结果。在在线阶段，通过比较从查询关键字指定的视觉语义空间中获得的图像的语义签名，对图像进行重新排名。

介绍

本文的主要目的是基于关键词展开提供准确的搜索结果，同时比较图像的语义特征，为用户提供重新排序的图像。该应用程序将有一个搜索框，用于输入查询，并有一个选项来浏览和打开用户需要在网络上搜索的图像。有两个阶段:线下阶段和线上阶段。离线阶段对用户查询的任意图像进行语义签名计算并存储在数据库中。大部分工作都是在离线阶段完成的。在在线阶段，用户接收到重新排序的图像，这些图像是在离线阶段使用语义签名计算出来的。提出了一种新的网络图像重排序框架。它没有开发一个通用的概念字典，而是针对不同的查询关键字自动学习不同的视觉语义空间。例如，如果查询关键字是“apple”，则“mountains”和“Paris”的语义概念不太可能相关，可以忽略。而是使用“计算机”和“水果”这两个语义概念来学习与“苹果”相关的视觉语义空间。他们删除了其他可能无限数量的不相关概念，这些概念只是作为噪音，并在准确性和计算成本方面降低了重新排序的性能。 The visual features of images are then find into their related visual semantic spaces to get semantic signatures.

因此，语义签名非常短，在线图像重排序变得非常高效，因为关键词的数量很大，web的动态变化，查询关键词的视觉语义空间需要自动学习。在我们的框架下，这不是手动定义的，而是通过关键字扩展来完成的。引入了一个大规模的基准数据库1，它带有手动标记的ground truth，用于图像重排序的性能评估。

文献综述

作者XiaongWang,KeLiu,Xiaou Tang描述了新的图像重排序框架，并给出了竞争成本，Siddanagowda G R,SantoshS,SandeepkumarS,Raghu M T讨论了如何使用语义签名进行网络图像重排序，以及检索作为个体特征相似性的总结。KirtiYadav,SudhirSingh,DiptiBartakke,ArchanaGulatiSayliBaxi, s.v.a dabhade介绍了使用各种文件(如视频，midi文件，语音波文件等)对图像进行注释。使用特定的查询语义空间对图像进行更临时的重新排序。我们不仅研究了离线图像搜索，还研究了需要一键用户反馈的新型互联网图像搜索方法，提出了意图权重模式来计算视觉相似性。

现有方法

1)旧图像重新排序框架

各大网络图片搜索引擎都采用了这一策略。用户输入的查询关键字，搜索引擎根据用户存储的字-图索引文件检索与查询关键字相关的图像池，选择符合用户搜索目标的查询图像，从该集合中，根据与查询图像的视觉相似度对集合中剩余的图像重新排序。文本-图像索引文件和图像的视觉特征离线预计算和存储，必须保存视觉特征，然后动态升级web图像集合。如果视觉特征没有被选择，并且每当新图像添加到集合中时，只存储图像的相似度分数，并且我们必须计算其与现有图像的相似度，那么需要重新计算视觉特征。

2)基于文本的图像搜索:-

许多大型互联网规模的图像搜索方法都是基于文本的，查询关键字不能准确描述图像内容的局限性。在论文中，一种名为ReSPEC(利用一致性重新排列图片集)的方法，这是两种方法的混合，表明可以找出输出图像中的视觉一致性，然后根据它们与视觉对象类别的接近程度对图像进行排序。基于内容的图像检索(CBIR)利用视觉特征来评价图像的相似性。近年来，人们为图像搜索开发了许多视觉特征。一些是全局图像特征，如GIST和hog(面向梯度直方图)，凯文提出了GIST，利用视觉上下文，我们指的是整个图像的低维表示。SIFT david等局部图像特征提出了一种从图像中提取独特不变特征的方法

图1:视觉信息检索可用于在物体或场景的不同视图之间进行适当匹配的图像。

相关工作

用户登录后，第一个用户日志显示前一个用户最近搜索的图像信息。其中，用户选择的特定查询或用户给出的从数据库检索图像的新查询或用户可以直接在数据库中搜索图像查询。在该系统中，图像分类可以通过语义签名的方式来显示。

演算法

AdaBoost是一种最重要的快速收敛、易于捕获的机器学习算法。它不需要弱学习器的先验知识，可以很容易地与其他方法相结合来发现弱假设，如支持向量机。特征选择是将大量的原始粗糙特征集缩减为一个相对较小的只包含显著特征的特征子集，从而快速有效地提高分类精度的优化过程。

A. ImageCheck算法

这种ImageCheck算法用于消除图像的冗余;ImageCheck算法的工作原理是当用户上传图像时，对图像数据进行预处理，如每个像素的颜色值和图像大小，并存储在数据网格中，然后将图像和数据集存储在数据库中。每当用户尝试上传图像时，它会将新的图像数据集与数据库中的所有数据集进行比较。如果其中任何一个数据集与新的图像数据集匹配，则不允许将图像存储在数据库中。

算法:ImageCheck

1:上传图片(j)

2: [img]一个¯害怕一个½¯害怕一个½¯害怕害怕一个½¯½获取数组(我,s、p、c)

3:检查上传文件中的图片

4:如果j=0则

5: assign img_id []

6:允许上传，增加I

7:如果结束

8:当j>=i do时

9:比较[img]

10:如果new-img_id [] ==img_id[]则

11:不允许上传

12:其他

13:允许上传

14: assign img_id []

15:增量为

16:结束如果

17:结束while

18:结束

在该算法中，' i '表示图像[img]表示数据集。在第一步中，当用户上传图像时，它获取每个像素和大小的图像颜色值并存储在[img]中。下一步，如果数据库中没有图像，那么默认的' i '值为零。然后上传image，并为其分配图像id[2]。下一次上传新图像时，它会使用图像id[2]将新图像数据集与现有数据集进行比较，如果两个图像不相同，则允许将图像存储在数据库中，否则将不允许上传并显示警告消息。

结论

导出了两种最适合图像搜索的算法，为web图像进行排序，文本和图像都将提供最好的图像搜索结果，并很好地测试了对三个文本查询进行重新排序的想法，以大规模的web图像搜索引擎，它将是合理的或需要使用关键字扩展图像进行重新排序，以提供更好的效率和效果，使用精确的输出，所以我们在web中构建了所有这些技术。如果媒体文件与网页相关联，如视频、音乐文件、媒体文件、语音波文件等，将适用重新排序过程。

参考文献

王晓刚，刘珂，唐晓鸥，基于语义签名的网络图像重排序算法，基于语义签名的网络图像重排序算法(vol . 36, Issue: 4)， p.857-864 2014年4月，DOI:10.1109
MsA.Udhayabharti,先生。R. Ramchandran“基于时间的web Imagesearch重排序”，《国际科学与研究期刊》，第4卷，第6期，2014年6月1-4页
DiptiBartakke,ArchanaGulati“一种用于在线图像搜索重排序的优化技术”2013
Siddangowda G R,SantoshS,Sandeep Kumar S,Raghu M T“基于查询图像语义的图像检索”(卷:第2期1)，pp 33-38 2013
KirtiYadav,Sudhirsingh“使用混合方法改进Web图像搜索重排序”(卷:4，第6期)pp:629-633 2014年6月