形式概念分析从形式背景出发对组成本体的概念、属性以及关系等用形式化的语境表述出来，然后根据语境构造出概念格(concept lattice)，即本体，从而清楚地表达出本体的结构。通过概念格可以清晰的得到所有概念及概念之间的所属关系。本文为目标建议生成算法生成的图像块设计了模式挖掘的聚类算法(Pattern mining clustering, PMC)。算法中以图像块为对象，以图像块的稀疏二值化特征为属性构建形式背景，按照渐进构造概念格的方式求出所有概念。在概念中外延为图像块集，内涵为这些图像块共有的特征模式。然后利用所有概念计算出所有满足簇内具有共有性、簇间具有差异性的图像簇和类别模式，如图1所示。

在对图像进行分块后，存在完整目标、部分目标和背景三种图像块。按照基于判别模型的图像标注算法，让图像中所有的图像块通过用语义目标图像训练的分类器，其中完整的目标块将生成比较集中的类别决策分布，而其它噪声图像块生成的决策分布将会比较离散。本文结合特征模式挖掘算法，将图像块按照特征模式集合成图像簇，并将图像簇的特征进行融合，利用融合特征的共性进行图像标注。图像标注过程如图2所示。

本文为了解决图像中小目标语义缺失问题，利用Apriori算法从大量图像的语义标注词中挖掘出语义之间的关联规则，挖掘出的潜在语义利用信任度对语义进行补充。语义补充的详细过程如图3所示。

本文使用VOC 2007数据集对实验方法进行验证。本文设计了四个图像标注实验：基于局部图像块的图像标注实验(Image Block Annotation, IBA)、基于图像块和平坦度的图像标注实验(Image Block and Flatness Annotation, IBFA)、基于图像簇和平坦度的图像标注实验(Image Cluster and Flatness Annotation, ICFA)和基于ICFA及语义补充的图像标注实验(Image Cluster and Flatness Annotation + Semantic Complement, ICFA+SC)。表1中提供了四种方法（IBA、IBFA、ICFA和ICFA+SC）的标注实验结果，并从P、R、F和时间复杂度o(t)来验证平坦度和特征融合在标注实验中的有效性。

为了更清楚的对比几种实验方法的标注效果，表2提供了VOC 2007数据集中部分图像的标注示例。

为了进一步评测本文提出特征组合融合算法和平坦度去噪的有效性，本文对数据集中每类的标注结果进行了准确率统计，通过对IBA、IBFA、ICFA算法标注的每类准确率和mAP对比来验证特征组合融合算法和平坦度去噪的有效性。此外，本文算法与多语义分类算法AMM和CNN-SVM也进行了比较，来说明ICFA算法的优越性，实验结果如图4所示。