基于视觉特性识别图像材质属性是机器视觉领域的热点研究问题,因为物体表面的材质类型可以为人们提供大量有价值的语义信息(柔软、防水、透气、耐磨等),这对于准确认知不同类型的材质具有非常重要的意义。因此,图像材质属性标注的应用价值较大。本文围绕图像材质属性标注展开研究,采用深度学习模型、提升算法、改进的有效区域基因优选和分层基因优选多特征融合四类方法完成图像材质属性标注,主要工作如下:(1)基于深度学习模型的图像材质属性标注:针对特征学习不充分问题,通过迁移学习方法,采用VGGNet、InceptionV3、DenseNet等预训练模型,学习图像的底层特征,然后运用目标数据集进行微调,学习中高层语义信息,完成材质属性标注。实验表明:在全部深度学习模型中,DenseNet模型最优;粗粒度数据集的标注性能优于细粒度数据集,但基于深度学习模型的材质属性标注性能有待提高。(2)基于提升算法的图像材质属性标注:提取图像的传统特征LBP、SIFT、Gist和深度学习特征VGG16,引入XGBoost、GBDT、AdaBoost等提升算法,将弱分类器集成为强分类器,实现图像的材质属性标注。实验表明:提升算法的材质属性标注性能优于传统分类算法和深度学习模型,其中,XGBoost算法的标注性能最优,即它对不同特征和数据集的鲁棒性强;细粒度数据集的标注性能优于粗粒度数据集;合理地调节弱分类器数量有利于材质属性标注,单类别特征对不同的材质刻画各有侧重,即单一特征不能全面刻画材质属性。(3)基于改进有效区域基因优选算法的图像材质属性标注:改进有效区域基因优选算法,动态地计算LBP、Gist、SIFT和VGG16特征权重,实现多特征融合。实验表明:改进后的算法能充分利用特征之间的互补性,标注性能进一步提升,其中GS-XGBoost模型性能最优;对于粗粒度数据集,“S(SIFT)+G(Gist)+L(LBP)”特征组合表现最优。对于细粒度数据集,“S(SIFT)+G(Gist)”特征组合表现最优;细粒度数据集的标注性能优于粗粒度数据集,但其提升幅度低于粗粒度数据集。改进的有效区域基因优选算法未考虑分层先验信息对材质属性标注的影响。(4)基于分层基因优选多特征融合的材质属性标注:根据专家知识、历史数据、t-SNE散点图等获取分层先验信息,结合改进的有效区域基因优选算法,设计分层基因优选模型,完成材质属性标注。实验表明:引入分层先验信息有利于材质属性标注,即使简单模型也能获得令人满意的结果;对于粗粒度数据集,“S(SIFT)+V(VGG16)”特征组合表现最优。对于细粒度数据集,“S(SIFT)+G(Gist)+L(LBP)”特征组合表现最优;细粒度数据集的标注性能优于粗粒度数据集,但其提升幅度略低于粗粒度数据集;“平均”池化在分层基因优选多特征融合算法中扮演重要角色。