1.基于自编码特征和近邻模型的图像自动标注方法，其特征在于，包括以下步骤：A:提取图像库中图像的可伸缩颜色特征、同质纹理特征、边缘直方图特征、网格颜色矩特征和小波矩特征，获得每幅图像的低层融合特征向量；

B:利用深度自动编码机对图像库所有图像的融合特征向量进行自编码，获得相应的自编码特征；

C:对测试图像根据自编码特征采用近邻方法找到28个近邻训练图像，利用该组近邻训练图像的语义标注从而完成测试图像自动标注。

2.如权利要求1所述基于自编码特征和近邻模型的图像自动标注方法，其特征在于，步骤A进一步包括：A1：提取一幅图像的网格颜色矩特征；

A2：提取一幅图像的可伸缩颜色特征；

A3：提取一幅图像的边缘直方图特征；

A4：提取一幅图像的同质纹理特征；

A5：提取一幅图像的小波矩图特征。

3.如权利要求2所述基于自编码特征和近邻模型的图像自动标注方法，其特征在于，步骤A1进一步包括：A1.1：将图像均匀分割成5行5列共25个小块；

A1.2：对每个小块，计算YUV颜色空间下三个颜色分量的一阶矩、二阶矩和三阶矩；

A1.3：由所有小块的三个矩构成网格颜色矩描述子，大小为225维。

4.如权利要求2所述基于自编码特征和近邻方法的图像自动标注模型，其特征在于，步骤A2进一步包括：A2.1：将HSV颜色空间下图像的H、S和V分量的取值分别均匀量化为16、4、4个等级，S和V分量的取值范围均匀量化为4个等级，共形成16×4×4＝256种组合；

A2.2：统计每种组合中包含的像素个数，得到图像的像素直方图；

A2.3：对所得的像素直方图进行Haar变换，变换系数作为可伸缩颜色颜色特征。

5.如权利要求2所述基于自编码特征和近邻模型的图像自动标注方法，其特征在于，步骤A3进一步包括：A3.1：将图像变换为灰度图并均匀分割成4行4列共16个图像块；

A3.2：对每个图像块，统计其包含8×8像素子块的个数，并将每个子块归为水平、竖直、

45°边缘、135°边缘和无方向边缘五类之一；

A3.3：由16个图像块的边缘直方图合并为80维的边缘直方图特征。

6.如权利要求2所述基于自编码特征和近邻模型的图像自动标注方法，其特征在于，步骤A4进一步包括：A4.1：计算图像像素的均值和方差；

A4.2：对图像依次进行radon变换和傅里叶变换，并利用Gabor滤波器组提取频域特征，Gabor变换函数如下：

其中s＝5，r＝6，上式即第s个径向第r个角度的Gabor变换函数， 分别表示在第s个径向与第r个角度上变换函数的标准差；

A4.3：针对第i个滤波器变换计算:

ei＝log[1+pi]

di＝log[1+qi]

其中：

F(ω,θ)为图像的傅里叶变换。

7.如权利要求2所述基于自编码特征和近邻模型的图像自动标注方法，其特征在于，步骤A5进一步包括：A5.1：在极坐标下的图像表示f(r,θ)进行角度积分，如下所示：Sq(r)＝∫θf(r,θ)ejqθdθ其中参数q取值范围为1-9；

A5.2：构造小波函数族：

φm,n(r)＝2m/2φ(2mr-n/2)其中m取值为0或1；n＝0,1,…,2m+1，且：

参数a＝0.697066；c＝3；f0＝0.409177；σ2＝0.561145；

A5.3：利用上A5.2小波函数进行积分计算Wmnq＝∫rφm,n(r)rSq(r)dr所得72维数据即为同质纹理特征。

8.如权利要求2-7之一所述基于自编码特征和近邻模型的图像自动标注方法，其特征在于，每幅图像的可伸缩颜色特征、同质纹理特征、边缘直方图特征、网格颜色矩特征和小波矩特征组合成一个695维向量作为该图像的视觉特征。

9.如权利要求8所述基于自编码特征和近邻模型的图像自动标注方法，其特征在于，步骤B进一步包括：自动编码机使用多层神经网络将高维输入向量转换为低维编码，使用的自动编码机将权利要求7中获得的695维图像视觉特征作为输入；

所述自动编码机共包含4个限制玻尔兹曼机，第一个限制玻尔兹曼机所学习的特征作为输入用于训练中第二个限制玻尔兹曼机，第二个限制玻尔兹曼机所学习的特征作为输入用于训练中第三个限制玻尔兹曼机，第三个限制玻尔兹曼机所学习的特征作为输入用于训练中第四个限制玻尔兹曼机；4个限制玻尔兹曼机输入输出大小依次为695×8000、8000×

2000、2000×400和400×30；

所述自编码机使用误差导数的反向传播进行细调，使用细调后的权重矩阵计算每幅图像的30维自编码特征。

10.如权利要求1所述基于自编码特征和近邻模型的图像自动标注方法，其特征在于，步骤C进一步包括：根据步骤B的自编码特征计算出其与已标注训练图像之间的距离，以确定测试图像的近邻图像集合；

设Ii表示训练图像库T中第i幅图像，采用余弦距离度量图像Ii和It之间的距离，并将距离从小到大进行排序，取距离最小的前28幅图像作为It的近邻图像集合，利用近邻图像的原始标注关键字标注测试图像，计算方法为：

其中P(w/It)为测试图像It标注关键字w的概率，N＝28表示紧邻图像个数为28幅，dti表示测试图像It与第i幅近邻图像的余弦距离，pwi表示第i幅近邻图像标注了关键字w的次数，根据上式计算出每个关键字标注测试图像It的概率，测试图像的标注结果为具有最大标注概率的五个关键字。