【正文】 檢索到元數(shù)據(jù) 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 12 合，這些數(shù)據(jù)被編上行號和列號，擁有唯一的名稱。（ 2）數(shù)值和符號計算。 圖 32 MATLAB 圖標 軟硬件環(huán)境的介紹 計算機軟硬件配置：主頻為 AMS Athlon(tm) II DualCore M320，內存為，操作系統(tǒng)操作平臺： MATLAB R20xxa 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 13 情感圖像數(shù)據(jù)庫的建立 實驗中搜集了風景圖像、自然圖像，藝術類圖像，如兵馬俑、雕塑、油畫、國畫等等一些具有地方特色的圖像。 圖 41 模棱兩可的圖像 表 41 同學評估情感圖像的部分匯總表 圖片 名稱 同學 A 同學 B 同學 C 均值 動靜態(tài) Img_001 6 9 10 動態(tài) Img_002 1 3 4 靜態(tài) Img_003 5 6 3 丟棄 Img_004 8 10 8 動態(tài) Img_005 1 2 2 靜態(tài) 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 14 圖 42 三位同學對互聯(lián)網上搜集的圖片進行動感評估 最終，通過同學們的不懈努力，積極的實驗 和評估，最終得出了兩種語義的圖像，分別包括 100 幅動態(tài)和 100 靜態(tài)的。單位量，第二行是在 10176。 表 43 程序 子函數(shù)功能 序號 程序 功能 1 BPNeuralNetworkClassifier.m 實現(xiàn)了 39。 5 查找給定目錄下的指定類型的所有文件 , 并返回文件名表 6 根據(jù)文件名分析得到其對應的語義名 . 7 用于實現(xiàn) 39。 圖像 11 根據(jù)圖像數(shù)據(jù)庫中所有圖像文件的文件名分析得到相關語義信息 12 根據(jù)每個語義類訓練樣本所占的比例生成訓練和測試樣本集合及其語義標簽值集合 13 TrainingBPNeuralNetworkC 實現(xiàn)了 39。量化 當特征數(shù)據(jù)庫計算完成后，屏幕上會出現(xiàn)一個選擇菜單，如圖 46 所示，“ d”表示 Demo 演示選項，當選擇“ d”時，彈出圖 47，選擇一張示例圖片，系統(tǒng)根 據(jù)根據(jù)圖片的語義特征，在已分類的圖像特征數(shù)據(jù)子庫里，利用余弦距離計算示例圖片和子庫中各圖片的距離，然后按照距離由小到 大的順序排列輸出。不同的分類器分別是 BP、 kNN、 Weighted kNN。量化 Weighted kNN 分類正確率表 次數(shù) N K 值 1 3 5 7 9 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 24 1 2 3 4 5 均值 由表 46 和表 47 可知，當 k=9 時， weighted kNN 分類正確率最高，為 。 10176。而 5176。那么，接下來的畢設工作好比那樹干，使我系統(tǒng)的 了解了 MATLAB，所以說，沒有畢設的確教會了我許多東西。 經過大量的實驗，在特征數(shù)據(jù)庫 FeatureDB 中，建立了 60 多個特征文檔，如圖 414。 退出系統(tǒng) 在菜單欄中選擇“ e”時，系統(tǒng)彈出圖 412 提示信息，系統(tǒng)完成檢索，構建了圖 413 的特征數(shù)據(jù)庫。量化 Weighted kNN 分類正確率表 次數(shù) N K 值 1 3 5 7 9 1 2 3 4 5 均值 由表 48 和表 49 可知，當 k=7 時， kNN 分類正確率最高，為 。量化 Weighted kNN 分類正確率表 次數(shù) N K 值 1 3 5 7 9 1 2 3 4 5 均值 由表 44 和表 45 可知，當 k=3 時， kNN 分類正確率最高，為 。量化 圖 411 正確檢索到 19 幅與示例圖像相似的動態(tài)圖片 3)分類器為 Weighted kNN， k=3,10176。 近鄰分類器 15 WeightedkNNClassifierTesti 用于實現(xiàn)權重 39。 近鄰分類器 9 根據(jù)線條方向直方圖特征計算函數(shù)計算得到相應的特征并顯示計算結果 10 msf_EmotionalImgRetrieval.m 用來實現(xiàn)情感圖像檢索 , 檢索 39。 神經網絡分類器 ( 基于 Matlab 工具包實現(xiàn) ). 3 CalcImgLineDirectionHisto 用于計算圖像的 39。 表 42 原始與改進線條方向直方圖正確率 5176。、 15176。如果評分結果是靜態(tài)，命名為,如果是動態(tài)，命名為 。（ 6）數(shù)字信號處理。三個重要的窗口有命令窗口；圖像窗口；編輯 /調試窗口；它們的作用分別為輸入命令；顯示圖形；充許使用者創(chuàng)建和修改 MATLAB 程序 。 MATLAB 作為美國 MathWorks 公司的用于概念設計，算法開發(fā)，建模仿真，實現(xiàn)的理想的集成環(huán)境。 k近鄰法：如圖 26 所示是最近鄰法 的一個擴展，基本思路是 :對于一個待分類樣本，比較它和 N 個已知分類樣本之間的距離，選取出 k 個和它距離最近的樣本，看這 k 個樣本中，那一類的樣本最多，那么就將 x 劃分到那一類去。圖像的動感越強烈，通過改進后的直方圖，也可以發(fā)現(xiàn)圖像之間的同類之間的距離也越來越小，異類之間的距離也越來越大了。與 90176。這是一個具有挑戰(zhàn)性的課題，在未來隨著每一種解決方案特定領域的不斷提高。彼得斯 [13]。 結合 Web 文本的關鍵字信息 現(xiàn)在越來越多的圖片來自于網絡。然而，情緒感受是非常主觀的，強烈依賴于個人的性格。 紋理中的情感 實際上，紋理特征是顏色特征的另一種的表達形式的存在，它是一種表面的視覺屬性，表達了包含在物體表面的情感信息。 顏色中的情感 顏色是組成美麗圖像的元素之一。它通常是以形容詞的形式表示，即快樂，浪漫，輝煌等等。 圖 12 百度圖 像搜索示例 另一種是基于內容的圖像檢索 ，顧名思義，它是根據(jù)圖像的內容進行檢索的。雖然文字注解概括了抽象的圖像信息，但是由 于用戶對事物的主觀性和文化背景的差異，人們對同一件事物的描述可能存在不同的理解，那么，當用戶查詢時錄入的關鍵詞與數(shù)據(jù)庫中的關鍵詞不匹配或者不存在時，將會導致查詢失敗。其實， CRIR 就是采用圖 像的顏色、紋理、形狀以及本身包含的不同層次結構和語義信息來對圖像進行檢索的，主要依據(jù)圖像的相似性進行判斷的。通過改進訓練樣本可以改進提高分類率。在互聯(lián)網上收集 200幅包含“動感”和“靜感”內容的藝術圖像（如油畫、水粉畫、中國畫。 (5)20xx 年 11 月 2 日 下學期開學前兩周：準備資料， 迎接中期檢查。 Jinsub 建立了基于多層反饋神經網絡的彩色圖案的情感評估系統(tǒng)，顯示出比前人的線性系統(tǒng)評估結果更高的準確率。,180176。 、 解決的思路及實現(xiàn)預期目標的可行性分析 (1)情感圖像檢索的背景、目的和意義； (2)情感圖像數(shù)據(jù)庫的構建； 實驗收集中了包括油畫、水粉畫、中國畫等在內的彩色藝術圖像 200 幅，請 5 位年齡在 20~25 歲的男女大學生參與，每人都對圖像的動感作出評估，將圖像分別用 0，1， 2 表示，其中 0 表示 “靜感 ”圖像， 2 表示 “動感 ”圖像，而 1 表示中間類，表示圖像介于靜感和動感之間，我們在試驗中將 1 類從圖像庫中去除。 因此我們引入了情感計算這個概念，情感計算的目的是通過賦予計算機識別、理解、表達和適應人的情感的能力來建立和諧的人機環(huán)境。 “以圖搜圖 ”功能具有重要的應用價值。 13) 20xx 年 6 月 11 日：畢業(yè)設計答辯。 4) 20xx 年 10 月 30 日 前 各專業(yè)負責人審查本專業(yè)指導教師的任務書。（ 4）設計出情感圖像檢索原型系統(tǒng)。 本 人完全清楚本聲明的法律后果，申請學位論文和資料若有不實之處，本人愿承擔相應的法律責任。具體的任務包括：（ 1）根據(jù)所給的情感數(shù)據(jù)庫以及自行從因特網上下載的圖像構造一個實驗數(shù)據(jù)庫，數(shù)據(jù)庫中包含經過若干被試主觀評估、打分整理后的情感語義圖像（數(shù)據(jù)庫中包含“靜感”和“動感”兩類語義圖像）。 四、 工作計劃（時間進度） 1) 20xx 年 10 月 9 日 12 日：開始選題，制訂計劃。 10) 20xx 年 3 月 13 日 20xx 年 5 月 28 日：畢業(yè)論文的設計與實現(xiàn)。這樣的方法帶來的問題是：（ 1）搜索精度有限。如何有效地模擬人觀察圖像后所引起的情感感覺，并使用帶有感情色彩的語義表述圖像，是一個具有很大挑戰(zhàn)性的前沿課題。 在圖像檢索系統(tǒng)的早期應用有日本的“ Art Museum”和“ IQI 系統(tǒng)”，能夠使用印象詞（ impressionwords）如（自然的、優(yōu)雅的、華麗的等）檢索圖畫；最近的 BianchiBerthouz的 Kagent 圖像檢索系統(tǒng)，比一般的系統(tǒng)更注 重用戶的情感需求；還有 Chile 大學正在研制的 TEXRET 系統(tǒng)，希望使用類似人類感覺的定性描述來檢索紋理圖像 [21]；意大利的 Colombo 等還在圖像情感研究的基礎上，還進行了視頻圖像的語義檢索研究，用于廣告、電視等視頻檢索 [5]。,90176。神經網絡由許多具有非線性映射能力的神經元組成，神經元之間通過權系數(shù)相連接，其信息分布式存儲于聯(lián)接權系數(shù)中，使網絡具有很高的容錯性和魯棒性，這一特點使得其具有能夠解決模式識別問題的潛力，人工神經網絡所提供的學習能力，大大放松了傳統(tǒng)識別方法所需的約束 條件，使其對某些識別問題顯示出極大的優(yōu)越性。 (2)20xx 年 9 月 30 日：啟動科研訓練，明確要求。 情感圖像檢索的研究在醫(yī)學、心理學、智能科學、社會學、計算機學、農業(yè)學等等領域都有巨大的應用價值。 使用分類器的原理是： 如果分類器分類正確，那么檢索到的結果都是正確的，反之亦然。 早在上個世紀 80 年代初期，就已經 形成了基于文本的圖像檢索，它通過提取關鍵字信息，通過關鍵字與文本信息進行檢索的一門技術 [1]。 背景與現(xiàn)狀 現(xiàn)如今大多數(shù)的搜索引擎都是基于文本的關鍵詞搜索，即文本注釋。 如圖 11 所示，利用搜狗圖像搜索引擎輸入關鍵字“企鵝”后得到的結果，圖 2 是利用百度圖像搜索引擎輸入關鍵字“小燕子”后得到的結果。 圖 13是圖像檢索系統(tǒng)的框架。 情感圖像檢索特征的分類 情感是一種微妙的心理表現(xiàn)，存在著很大的多義性和主觀性，不同圖像都會給人不同的感受 ,而不同的人對相同的圖像也會存在各色各樣的情感差異 [ 6 ]。不同的事物有著不同的顏色特征，因此可以利用顏色特征來區(qū)別不同物體。不同的形狀傳達給人不同的視覺體驗，人們會主觀的賦予它們不同的感情色彩 [ 8 ]。然而，沒有性能數(shù)據(jù)是提出證明這種做法是多么的成功。它是通過語言描述的信息從網頁中提取集成視覺特征的意味著 LSA，為了獲取圖像語義。因為強烈的關系影像美學與情感之間，結論和提取圖像的美學的方法，將有助于在情感語義研究。然后根據(jù)直方圖，我們可以計算不同圖像之間的直方圖距離，距離差異越小，那么圖像的相似性就越高。我們再次對折一次直方圖成 0176。 BP 神經網絡的原理 BP 神經網絡就是模擬生物的神經元之間的傳遞。 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 11 情感圖像的基本框架 圖像的情感檢索基于用戶的情感需求，最高層的情感語義和圖像的底層特征之間的聯(lián)系是研究者重點關注的，并且建立了人機交互式的情感圖像檢索，如圖31 給出了情感圖像檢索的基本框架 。數(shù)組中的單個數(shù)據(jù)是可以通過帶有小括號的數(shù)組名訪問，括號內有這個數(shù)據(jù)的行標和列標，中間用逗號隔開。（ 3）工程與科學繪圖?？偣?200 幅，邀請了 3 位同學分別對圖像的動靜態(tài)進行評估。并將這 200 張圖片放入到 ImgDB 數(shù)據(jù)庫中，圖 43 為 ImgDB 數(shù)據(jù)庫，圖 44 為 ImgDB 數(shù)據(jù)庫下的靜感和動感圖像示例。單位量，第三行是 15176。BP39。kNN39。BP39。 圖 46 選擇菜單圖 圖 47 從情感數(shù)據(jù)庫 ImgDB 中選擇需要檢索的圖片 例如，進入 ImgDB 文件，選擇 這幅圖片，這里我們程序里默認的分類器是 BP 神經網絡，然后根據(jù)特征數(shù)據(jù)庫對其進行分類，輸出如圖 48基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 19 所示的分類正確的提示信息，單擊“ OK”，系統(tǒng)檢索出了 45 張與示例圖像相似度按由大到小順序排列的圖像，如圖 49 所示： 圖 48 正確的分類提示圖 圖 410 錯誤的分類提示 圖 49 正確檢索到 19 幅與示例圖像 相似的動態(tài)圖片 顯然，基于分類器的檢索框架主要依賴于分類器的分類正確率，如果分類正確，那么檢索結果都正確（暫時不考慮檢索結果中“子數(shù)據(jù)庫”內各幅圖像的排序次序）；如果分類