方 爽,殷俊杰,徐武平

(武汉大学计算机学院,武汉 430072)

1 概述

随着互联网信息爆炸式的增长,由于图片在表达能力上相对于文字拥有的先天优势,已经被越来越多应用于信息的承载和内容的表达[1],各大搜索引擎公司如Google,Yahoo 和百度等都推出了图片搜索功能。

传统图像检索方式分为2 种：一种是基于文本的图像检索(Text-based Image Retrieval,TBIR),如文献[2-3]所述；另一种是基于内容的图像检索(Content-based Image Retrieval,CBIR),如文献[4]所述。因为前者技术比较成熟,所以目前主流搜索引擎均采用基于文本关键词的图像搜索技术。其在假设网页图片周边的文本可以表达图片本身内容的基础上,从Web 网页的相关文本中提取图像的关键信息,建立文本索引数据库,用户利用关键词进行检索[5]。然而当网页存在作弊、文本描述图片有偏差或页面分析对文本提取错误的情况下,都会出现图片和索引文本项不符的问题,其产生的根本原因是在倒排索引中某些关键词对应的图片链表中包含了实际与关键词没有相关性的图片,并最终反映到搜索结果当中。为解决上述问题,文献[6]提出了一种融合文本图像相关性关联的Web 图像多超图谱聚类方法,文献[7]提出了将基于文本的图像检索和基于内容的图像检索相结合的方法,文献[8-9]提出了2 种不同的图像检索结果重排序的方法。本文提出一种基于相似图片聚类的Web 文本特征算法,以解决图片和索引文本项不符的问题。

2 网页聚类信息的抓取

百度和谷歌等搜索引擎的网络爬虫已经在互联网上收集了数十亿张图片,并以图片内容相似性作了聚类,同一聚簇中的图片有相似的内容,每张图片对应一个来源网页。……