專利名稱：：面向Web2.0標(biāo)簽圖片共享空間的圖片檢索聚類方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及對海量圖片進(jìn)行檢索聚類處理相關(guān)的技術(shù)，特別是涉及一種面向Web2.0標(biāo)簽圖片共享空間的圖片結(jié)果聚類方法。
背景技術(shù)：
：近年來，互聯(lián)網(wǎng)上出現(xiàn)了越來越多的針對文本和多媒體內(nèi)容的標(biāo)簽應(yīng)用系統(tǒng)，比如，Del.icio.us提供網(wǎng)頁書簽的聯(lián)合標(biāo)簽，同樣的，有像針對學(xué)術(shù)論文發(fā)表領(lǐng)域的CiteUlike，針對圖像標(biāo)簽共享的Flickr，以及針對視頻標(biāo)簽共享的Youtube，等等，這些商業(yè)應(yīng)用的成功也印證了打標(biāo)簽是一項(xiàng)很好的聯(lián)合共享途徑，標(biāo)簽檢索已成為信息檢索領(lǐng)域一種普遍而受歡迎的方法，然而，基于標(biāo)簽的檢索普遍存在著語義偏差和一定的局限性，比如，不同用戶使用不同標(biāo)簽(比如同義詞、單復(fù)數(shù)等)描述同一個事物，因此打標(biāo)簽本身存在不一致性，標(biāo)簽本身的多義性也導(dǎo)致查詢語義模糊，如何在檢索時捕獲這種不一致性，并快速對檢索結(jié)果進(jìn)行聚類，有效區(qū)分多義性成為學(xué)術(shù)界和產(chǎn)業(yè)界關(guān)注的問題之一；目前已有許多圖像檢索系統(tǒng)研究采用圖像聚類的圖像檢索算法，聚類算法基本上是基于設(shè)定的距離度量，距離度量方法的選擇決定了什么樣的圖片被聚集在一起，比如常見的歐拉距離，曼哈頓距離等等，但是，這些方法都不能很好的適應(yīng)于高動態(tài)性、海量的Web2.0標(biāo)簽系統(tǒng)，F(xiàn)lickr挖掘標(biāo)簽信息來對圖片檢索結(jié)果進(jìn)行聚類，然而，F(xiàn)lickr的這種聚類應(yīng)用不但沒有考慮所打標(biāo)簽本身的不一致性問題，而且僅適應(yīng)于對單個標(biāo)簽檢索結(jié)果的聚類；
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種面向Web2.0標(biāo)簽圖片共享空間的圖片結(jié)果聚類方法。本發(fā)明解決其技術(shù)問題采用的技術(shù)方案是，該方法的步驟如下1)對圖片數(shù)據(jù)庫建立倒排索引，對圖片數(shù)據(jù)庫內(nèi)的標(biāo)簽集合進(jìn)行預(yù)處理分析，包括第一步，構(gòu)建標(biāo)簽的詞匯關(guān)系結(jié)構(gòu)用于查詢擴(kuò)展，首先借助已有詞匯關(guān)聯(lián)知識和詞形變化知識構(gòu)建包含同義詞、詞形變化和語義相近詞匯關(guān)系的標(biāo)簽詞典，根據(jù)標(biāo)簽詞典構(gòu)建詞匯關(guān)系的最小結(jié)構(gòu)標(biāo)簽原子人，它是一個標(biāo)簽的集合，滿足下列條件a)如果一個標(biāo)簽原子A包含一個標(biāo)簽t，它必須也包含標(biāo)簽辭典中所有與標(biāo)簽t詞匯相關(guān)的標(biāo)簽；b)對A中任意兩個標(biāo)簽^和t2，它們必須詞匯相關(guān)；—個標(biāo)簽可能出現(xiàn)在多個標(biāo)簽原子中，因?yàn)樗跇?biāo)簽辭典中可能具有多種詞義。對所有標(biāo)簽原子構(gòu)建標(biāo)簽與標(biāo)簽原子之間的建立倒排索引表〈ti，人u的id，人i,2的id，...〉，其中人ij包含標(biāo)簽ti的標(biāo)簽原子，稱此倒排表為標(biāo)簽原子倒排表；第二步，計(jì)算標(biāo)簽間的關(guān)聯(lián)矩陣以用于聚類計(jì)算，標(biāo)簽間的關(guān)聯(lián)度值采用Jaccard系數(shù)計(jì)算，對于標(biāo)簽ti和tj，I(ti)表示含有標(biāo)簽ti的圖片集，I(tj)是含有標(biāo)簽tj的圖片集，標(biāo)簽ti與tj間的關(guān)聯(lián)度值aff(ti，tj)為I(ti)nI(tj)|/|l(ti)UI(tj)l;2)對圖片基于標(biāo)簽檢索，并進(jìn)行結(jié)果聚類的操作過程第一步，對于查詢標(biāo)簽通過構(gòu)建的標(biāo)簽間的詞匯關(guān)系結(jié)構(gòu)進(jìn)行查詢擴(kuò)展，用擴(kuò)展后的標(biāo)簽查詢獲得跟查詢可能相關(guān)的所有候選圖片集Can_I，步驟如下a)對于含有n個查詢標(biāo)簽的查詢q(tpt2，...，tn)，通過標(biāo)簽原子倒排索引表TAIL得到所有被查詢q支持的查詢q'(t'pt'2，...，t'n)，其中t'i和ti同屬于一個標(biāo)簽原子；b)對于查詢q或每個被查詢q支持的查詢q'，通過圖片倒排索引獲得包含一個查詢中所有標(biāo)簽詞的圖片，查詢q與其支持的所有查詢q'獲得的結(jié)果圖片集合并作為候選圖片集Can_I;第二步，根據(jù)標(biāo)簽t與查詢q之間的一種相關(guān)度計(jì)算度量rel(t，q)，從候選圖片集包含的標(biāo)簽集Can_T中選出前K個與查詢最相關(guān)的標(biāo)簽，相關(guān)度計(jì)算如下a)計(jì)算標(biāo)簽和擴(kuò)展后查詢之間共同出現(xiàn)的頻率，等同于計(jì)算該標(biāo)簽在候選圖片集內(nèi)的使用頻率f(t);b)將標(biāo)簽在候選集的使用頻率f(t)和該標(biāo)簽在整個圖片數(shù)據(jù)庫被使用的倒文檔頻率idf(t)的乘積作為該標(biāo)簽與查詢間的相關(guān)度值rel(t，q);第三步，取出前K個最相關(guān)的標(biāo)簽的關(guān)聯(lián)子矩陣，如果將K個標(biāo)簽看作K個頂點(diǎn)，兩標(biāo)簽ti與tj間的關(guān)聯(lián)度值看作兩標(biāo)簽相連邊的權(quán)重w(i，j)，對K個標(biāo)簽的聚類問題看作是對含K個頂點(diǎn)的帶權(quán)重?zé)o向圖的劃分問題，采用一種自定向下的圖劃分算法來聚類K個標(biāo)簽，首先介紹劃分過程中的一個重要概念假設(shè)圖G被劃分為k個頂點(diǎn)集合，給這個劃分P定義一個度量值g(尸j)=g[U—(]其中A(V'，V〃)是兩個頂點(diǎn)集合V'，V"之間所有邊的權(quán)重之和；Q值越大表示圖劃分的結(jié)果越好，所以采用自頂向下的啟發(fā)式劃分算法，能快速的找到聚類數(shù)不超過閥值e的最優(yōu)的k劃分結(jié)果，步驟如下a)采用依次二分劃分的方法，最初k值2，初始劃分P就是整個圖G作為一個聚類，然后重復(fù)以下過程(1)對于任意一個屬于劃分P的集合Vc，采用經(jīng)典的k平均聚類方法將集合Vc二分，分裂得到兩個更小的集合Vcl和Vc2;(2)將集合Vcl和Vc2取代劃分P中的集合Vc得到新的劃分P';(3)如果Q(P')〉Q(P)，則接受此次劃分，更新劃分P，否則保持劃分P不變；b)如果k>e或者劃分P不能在繼續(xù)被劃分則算法停止；c)將劃分P內(nèi)的集合根據(jù)集合的聚合度排序，聚合度按照計(jì)算公式第四步，根據(jù)以上K個標(biāo)簽被劃分的k個聚類結(jié)果，候選圖片集Can_I的聚類過程可以描述如下5a)對于K個標(biāo)簽一個聚類Clusterj，候選圖片集中的任意圖片如果含有m個或者m個以上屬于聚類Clusterj的標(biāo)簽，則該圖片歸為聚類Clusterj;b)最后候選圖片集合中不被歸為任何一個聚類Cluster」的圖片被統(tǒng)一歸為聚類Cluster—other;c)最終候選圖片結(jié)果被劃分為k+1個聚類。本發(fā)明與
背景技術(shù)：
相比，具有的有益的效果是(1)本發(fā)明支持多個標(biāo)簽的查詢，聚類過程考慮最相關(guān)元素的策略和啟發(fā)式的算法不但大幅度提高計(jì)算速度也能有效去掉非相關(guān)元素產(chǎn)生的噪音影響，從而達(dá)到更加滿意的圖片聚類結(jié)果。(2)本發(fā)明實(shí)現(xiàn)了有效的查詢擴(kuò)充一定程度上解決了Web2.0標(biāo)簽空間的表述不一致問題，結(jié)果聚類通過對相關(guān)聯(lián)標(biāo)簽的計(jì)算分析，也能一定程度解決查詢語義模糊的問題。附圖是圖片檢索聚類的數(shù)據(jù)流程圖。具體實(shí)施例方式在面向Web2.0標(biāo)簽圖片共享空間的檢索系統(tǒng)中，采用本發(fā)明所提供的檢索聚類方法，可以實(shí)現(xiàn)對高動態(tài)，海量標(biāo)簽圖片進(jìn)行快速、有效的檢索，一定程度解決標(biāo)簽空間中標(biāo)簽本身語義的一致性問題和查詢語義模糊的問題，以Flickr圖片共享網(wǎng)站的圖片數(shù)據(jù)集為例，具體的實(shí)施步驟如下1)系統(tǒng)首先對獲得的Flickr圖片數(shù)據(jù)集建立標(biāo)簽關(guān)鍵詞的倒排索引，對圖片數(shù)據(jù)庫內(nèi)的標(biāo)簽集合進(jìn)行預(yù)處理分析第一步，通過已有詞匯關(guān)聯(lián)知識、詞形變換知識等構(gòu)建標(biāo)簽倒排索引表TAIL用于查詢擴(kuò)展，F(xiàn)lickr圖片基本是英文標(biāo)簽，可以通過英文標(biāo)準(zhǔn)詞匯數(shù)據(jù)庫WordNet里定義的詞匯關(guān)系結(jié)構(gòu)得到標(biāo)簽集里的同義詞形式標(biāo)簽原子，比如"flower,bloom，blossom"、"baby，babe，infant",利用一些后綴處理等詞形處理算法找到單復(fù)數(shù)、動名詞等詞形變換形式的標(biāo)簽原子，還可根據(jù)一般常識得到語義高相關(guān)性的標(biāo)簽原子，比如"movie，film",由所得標(biāo)簽原子集即可得到標(biāo)簽倒排索引TAIL;第二步，計(jì)算標(biāo)簽與標(biāo)簽間的關(guān)聯(lián)度值，得到整個標(biāo)簽集合的關(guān)聯(lián)矩陣，用Jaccard系數(shù)計(jì)算標(biāo)簽間的關(guān)聯(lián)度值，其中含有標(biāo)簽ti的圖片集通過以標(biāo)簽為關(guān)鍵詞的圖片倒排索引得到，標(biāo)簽ti和tj的關(guān)聯(lián)度值aff(ti，tj)是同時包含兩個標(biāo)簽的圖片集的數(shù)目與至少包含其中一個標(biāo)簽的圖片集的數(shù)目的比值；2)系統(tǒng)對已獲得的Flickr圖片數(shù)據(jù)集進(jìn)行查詢聚類，附圖給出了查詢聚類的總體數(shù)據(jù)流程圖，具體過程如下第一步，對于查詢標(biāo)簽通過構(gòu)建的標(biāo)簽間的詞匯關(guān)系結(jié)構(gòu)進(jìn)行查詢擴(kuò)展，用擴(kuò)展后查詢標(biāo)簽通過圖片倒排索引獲得跟查詢可能相關(guān)的所有候選圖片集CaruI，步驟如下a)對于含有n個查詢標(biāo)簽的查詢q(tpt2，...，tn)，通過標(biāo)簽原子倒排索引表TAIL得到所有被查詢q支持的查詢q'(t'pt'2，...，t'n)，其中t'i和ti同屬于一個標(biāo)簽原6子，比如查詢q(flower,summer)所支持的查詢q，有(flowers,summer)、(bloom，summer)、(blossom,summer)、(flower,summertime)、(flowers,summertime)、(bloom，summertime)坐坐寸寸；b)對于查詢q或每個被查詢q支持的查詢q'，通過圖片倒排索引獲得包含一個查詢中所有標(biāo)簽詞的圖片，查詢q與其支持的所有查詢q'獲得的結(jié)果圖片集合并作為候選圖片集CaruI，候選圖片集的圖片可能不包含查詢標(biāo)簽t本身而只包含和查詢標(biāo)簽t同屬于一個標(biāo)簽原子的其他標(biāo)簽；第二步，計(jì)算標(biāo)簽t與查詢q之間的相關(guān)度rel(t，q)，從候選圖片集包含的候選標(biāo)簽集Can_T中選出前K個與查詢最相關(guān)的標(biāo)簽，過程如下a)計(jì)算標(biāo)簽t在候選圖片集Can_I內(nèi)的使用頻率f(t);b)結(jié)合標(biāo)簽t在整個圖片數(shù)據(jù)庫被使用的倒文檔頻率idf(t)計(jì)算得到相關(guān)度值rel(t，q)為f(t)idf(t);c)根據(jù)ref(t，q)值選出前K個與查詢最相關(guān)的標(biāo)簽；第三步，取出所選的前K個最相關(guān)標(biāo)簽的關(guān)聯(lián)子矩陣，表1給出了關(guān)聯(lián)矩陣示意表，tl、t2.......tK是所選的前K個最相關(guān)的標(biāo)簽，w(ti，tj)既是標(biāo)簽ti與tj間的關(guān)聯(lián)度aff(ti，tj)，如下給出了K值取100時的標(biāo)簽選擇實(shí)例和聚類實(shí)例表l標(biāo)簽間的關(guān)聯(lián)矩陣示意表<table>tableseeoriginaldocumentpage7</column></row><table>a)對于任意給出的若干簡單查詢，表2列出了相對應(yīng)的部分標(biāo)簽選擇結(jié)果，比如對于查詢"applemac"選出的標(biāo)簽包含了蘋果公司各種產(chǎn)品；表2若干查詢的部分標(biāo)簽選擇結(jié)果實(shí)例<table>tableseeoriginaldocumentpage7</column></row><table>查詢標(biāo)簽相關(guān)標(biāo)簽列表babyfamilyjackchristmascute—bor—aitchildgirlkids".babycatChicagobirthdayEuropeEnglandkitten…windowstorefashionlightolddisplayglasswindowsshoppingmannequin…dogcorgipuppybasenjipetdogsDalmatiananimalwelshcoigicutepoodle…dogpoodlePetanima—0dleStan—OCn印0—demaCkt，…b)表3給出了當(dāng)聚類上限值設(shè)為10時的部分查詢的聚類結(jié)果；表3若干查詢的部分標(biāo)簽聚類結(jié)果實(shí)例查詢標(biāo)簽聚類結(jié)果apple(maciphoneipodmacbook…}{piefoodapplepiebaking"-}(fruitapples…}{picking."}applemac{macintoshibookmicrosoftapplemacintosh…}(imaciphoneipod…}(speakersdjdjsando…}(:roomwiixboxdvds…}window{storefashiondisplaywindowsshopping…}(viewairplanecondo…}(whitegreenredNikoncanonblue…}(PolandstainedglassKrakow…}第四步，根據(jù)以上K個標(biāo)簽被劃分的聚類結(jié)果，得到候選圖片集的聚類結(jié)果，具體過程如下a)對于K個標(biāo)簽一個聚類Clusterj，候選圖片集中的任意圖片如果含有m個或者m個以上屬于聚類Clusterj的標(biāo)簽，則該圖片歸為聚類Clusterj;b)最后候選圖片集合中不被歸為任何一個聚類Cluster」的圖片被統(tǒng)一歸為聚類Cluster—other;c)最終候選圖片結(jié)果集被劃分為k+l個聚類，值得注意的是一幅圖片可能屬于多8個類別。權(quán)利要求一種面向Web2.0標(biāo)簽圖片共享空間的圖片結(jié)果聚類方法，其特征在于該方法的步驟如下1)對圖片數(shù)據(jù)庫建立倒排索引，對圖片數(shù)據(jù)庫內(nèi)的標(biāo)簽集合進(jìn)行預(yù)處理分析，包括第一步，構(gòu)建標(biāo)簽的詞匯關(guān)系結(jié)構(gòu)用于查詢擴(kuò)展，首先借助已有詞匯關(guān)聯(lián)知識和詞形變化知識構(gòu)建包含同義詞、詞形變化和語義相近詞匯關(guān)系的標(biāo)簽詞典，根據(jù)標(biāo)簽詞典構(gòu)建詞匯關(guān)系的最小結(jié)構(gòu)標(biāo)簽原子它是一個標(biāo)簽的集合，滿足下列條件a)如果一個標(biāo)簽原子包含一個標(biāo)簽t，它必須也包含標(biāo)簽辭典中所有與標(biāo)簽t詞匯相關(guān)的標(biāo)簽；b)對中任意兩個標(biāo)簽t1和t2，它們必須詞匯相關(guān)；一個標(biāo)簽可能出現(xiàn)在多個標(biāo)簽原子中，因?yàn)樗跇?biāo)簽辭典中可能具有多種詞義。對所有標(biāo)簽原子構(gòu)建標(biāo)簽與標(biāo)簽原子之間的建立倒排索引表＜ti，的id，的id，...＞，其中包含標(biāo)簽ti的標(biāo)簽原子，稱此倒排表為標(biāo)簽原子倒排表；第二步，計(jì)算標(biāo)簽間的關(guān)聯(lián)矩陣以用于聚類計(jì)算，標(biāo)簽間的關(guān)聯(lián)度值采用Jaccard系數(shù)計(jì)算，對于標(biāo)簽ti和tj，I(ti)表示含有標(biāo)簽ti的圖片集，I(tj)是含有標(biāo)簽tj的圖片集，標(biāo)簽ti與tj間的關(guān)聯(lián)度值aff(ti，tj)為|I(ti)∩I(tj)|/|I(ti)∪I(tj)|；2)對圖片基于標(biāo)簽檢索，并進(jìn)行結(jié)果聚類的操作過程第一步，對于查詢標(biāo)簽通過構(gòu)建的標(biāo)簽間的詞匯關(guān)系結(jié)構(gòu)進(jìn)行查詢擴(kuò)展，用擴(kuò)展后的標(biāo)簽查詢獲得跟查詢可能相關(guān)的所有候選圖片集Can_I，步驟如下a)對于含有n個查詢標(biāo)簽的查詢q(t1，t2，...，tn)，通過標(biāo)簽原子倒排索引表TAIL得到所有被查詢q支持的查詢q’(t’1，t’2，...，t’n)，其中t’i和ti同屬于一個標(biāo)簽原子；b)對于查詢q或每個被查詢q支持的查詢q’，通過圖片倒排索引獲得包含一個查詢中所有標(biāo)簽詞的圖片，查詢q與其支持的所有查詢q’獲得的結(jié)果圖片集合并作為候選圖片集Can_I；第二步，根據(jù)標(biāo)簽t與查詢q之間的一種相關(guān)度計(jì)算度量rel(t，q)，從候選圖片集包含的標(biāo)簽集Can_T中選出前K個與查詢最相關(guān)的標(biāo)簽，相關(guān)度計(jì)算如下a)計(jì)算標(biāo)簽和擴(kuò)展后查詢之間共同出現(xiàn)的頻率，等同于計(jì)算該標(biāo)簽在候選圖片集內(nèi)的使用頻率f(t)；b)將標(biāo)簽在候選集的使用頻率f(t)和該標(biāo)簽在整個圖片數(shù)據(jù)庫被使用的倒文檔頻率idf(t)的乘積作為該標(biāo)簽與查詢間的相關(guān)度值rel(t，q)；第三步，取出前K個最相關(guān)的標(biāo)簽的關(guān)聯(lián)子矩陣，如果將K個標(biāo)簽看作K個頂點(diǎn)，兩標(biāo)簽ti與tj間的關(guān)聯(lián)度值看作兩標(biāo)簽相連邊的權(quán)重w(i，j)，對K個標(biāo)簽的聚類問題看作是對含K個頂點(diǎn)的帶權(quán)重?zé)o向圖的劃分問題，采用一種自定向下的圖劃分算法來聚類K個標(biāo)簽，首先介紹劃分過程中的一個重要概念假設(shè)圖G被劃分為k個頂點(diǎn)集合，給這個劃分P定義一個度量值其中A(V′，V″)是兩個頂點(diǎn)集合V′，V″之間所有邊的權(quán)重之和；Q值越大表示圖劃分的結(jié)果越好，所以采用自頂向下的啟發(fā)式劃分算法，能快速的找到聚類數(shù)不超過閥值θ的最優(yōu)的k劃分結(jié)果，步驟如下a)采用依次二分劃分的方法，最初k值2，初始劃分P就是整個圖G作為一個聚類，然后重復(fù)以下過程(1)對于任意一個屬于劃分P的集合Vc，采用經(jīng)典的k平均聚類方法將集合Vc二分，分裂得到兩個更小的集合Vc1和Vc2；(2)將集合Vc1和Vc2取代劃分P中的集合Vc得到新的劃分P’；(3)如果Q(P’)＞Q(P)，則接受此次劃分，更新劃分P，否則保持劃分P不變；b)如果k＞θ或者劃分P不能在繼續(xù)被劃分則算法停止；c)將劃分P內(nèi)的集合根據(jù)集合的聚合度排序，聚合度按照計(jì)算公式<mrow><mi>Cohesion</mi><mrow><mo>(</mo><mi>Vc</mi><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><mfrac><mrow><mi>A</mi><mrow><mo>(</mo><mi>Vc</mi><mo>,</mo><mi>Vc</mi><mo>)</mo></mrow></mrow><mrow><mi>A</mi><mrow><mo>(</mo><mi>V</mi><mo>,</mo><mi>V</mi><mo>)</mo></mrow></mrow></mfrac><mo>-</mo><msup><mrow><mo>(</mo><mfrac><mrow><mi>A</mi><mrow><mo>(</mo><mi>Vc</mi><mo>,</mo><mi>V</mi><mo>)</mo></mrow></mrow><mrow><mi>A</mi><mrow><mo>(</mo><mi>V</mi><mo>,</mo><mi>V</mi><mo>)</mo></mrow></mrow></mfrac><mo>)</mo></mrow><mn>2</mn></msup><mo>)</mo></mrow><mo>&times;</mo><mi>log</mi><mfrac><mrow><mo>|</mo><mi>V</mi><mo>|</mo></mrow><mrow><mo>|</mo><mi>Vc</mi><mo>|</mo></mrow></mfrac></mrow>得到；第四步，根據(jù)以上K個標(biāo)簽被劃分的k個聚類結(jié)果，候選圖片集Can_I的聚類過程可以描述如下a)對于K個標(biāo)簽一個聚類Cluster_i，候選圖片集中的任意圖片如果含有m個或者m個以上屬于聚類Cluster_i的標(biāo)簽，則該圖片歸為聚類Cluster_i；b)最后候選圖片集合中不被歸為任何一個聚類Cluster_i的圖片被統(tǒng)一歸為聚類Cluster_other；c)最終候選圖片結(jié)果被劃分為k+1個聚類。全文摘要本發(fā)明公開了一種面向Web2.0標(biāo)簽圖片共享空間的檢索結(jié)果聚類方法。挖掘標(biāo)簽間的詞匯關(guān)系及關(guān)聯(lián)關(guān)系，查詢標(biāo)簽根據(jù)標(biāo)簽間詞匯關(guān)系得到擴(kuò)展的查詢標(biāo)簽集；用擴(kuò)展的查詢標(biāo)簽集得到與查詢相關(guān)的候選圖像集；根據(jù)查詢標(biāo)簽與候選圖像集內(nèi)標(biāo)簽的相關(guān)度度量，選出前K個最相關(guān)的標(biāo)簽；根據(jù)這K個標(biāo)簽兩兩之間的關(guān)聯(lián)度，采用一種自頂向下基于圖劃分的聚類算法，自動將K個標(biāo)簽分成最優(yōu)的聚類結(jié)果；候選圖像集也相應(yīng)地根據(jù)聚類標(biāo)簽被聚類。針對標(biāo)簽表達(dá)不一致問題實(shí)現(xiàn)有效的查詢擴(kuò)充，基于最相關(guān)標(biāo)簽集聚類的圖像聚類方法解決了標(biāo)簽語義多樣性的問題。相比于傳統(tǒng)方法，本發(fā)明提供用戶在Web2.0標(biāo)簽圖片共享空間內(nèi)快速有效的進(jìn)行圖片檢索和瀏覽。文檔編號G06F17/30GK101694657SQ20091015288公開日2010年4月14日申請日期2009年9月18日優(yōu)先權(quán)日2009年9月18日發(fā)明者壽黎但,李曉燕,胡天磊,陳剛,陳珂申請人:浙江大學(xué);