【正文】 檢索到元數(shù)據(jù) 基于情感圖像檢索系統(tǒng)的設(shè)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(biāo) 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(nèi)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(shè)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(fēng)景圖像、自然圖像，藝術(shù)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(xué)評估情感圖像的部分匯總表 圖片 名稱 同學(xué) A 同學(xué) B 同學(xué) 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(shè)計與實現(xiàn) 14 圖 42 三位同學(xué)對互聯(lián)網(wǎng)上搜集的圖片進行動感評估 最終，通過同學(xué)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(yīng)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(guān)語義信息 12 根據(jù)每個語義類訓(xùn)練樣本所占的比例生成訓(xùn)練和測試樣本集合及其語義標(biāo)簽值集合 13 TrainingBPNeuralNetworkC 實現(xiàn)了 39。量化 當(dāng)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(dāng)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(shè)計與實現(xiàn) 24 1 2 3 4 5 均值 由表 46 和表 47 可知，當(dāng) k=9 時， weighted kNN 分類正確率最高，為 。 10176。而 5176。那么，接下來的畢設(shè)工作好比那樹干，使我系統(tǒng)的 了解了 MATLAB，所以說，沒有畢設(shè)的確教會了我許多東西。 經(jīng)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(gòu)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(dāng) 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(dāng) 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(quán)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(yīng)的特征并顯示計算結(jié)果 10 msf_EmotionalImgRetrieval.m 用來實現(xiàn)情感圖像檢索 , 檢索 39。 神經(jīng)網(wǎng)絡(luò)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(jié)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(diào)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(shè)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(lǐng)域的不斷提高。彼得斯 [13]。 結(jié)合 Web 文本的關(guān)鍵字信息 現(xiàn)在越來越多的圖片來自于網(wǎng)絡(luò)。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(nèi)容的圖像檢索 ，顧名思義，它是根據(jù)圖像的內(nèi)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(dāng)用戶查詢時錄入的關(guān)鍵詞與數(shù)據(jù)庫中的關(guān)鍵詞不匹配或者不存在時，將會導(dǎo)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(jié)構(gòu)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(xùn)練樣本可以改進提高分類率。在互聯(lián)網(wǎng)上收集 200幅包含“動感”和“靜感”內(nèi)容的藝術(shù)圖像（如油畫、水粉畫、中國畫。 (5)20xx 年 11 月 2 日 下學(xué)期開學(xué)前兩周：準(zhǔn)備資料， 迎接中期檢查。 Jinsub 建立了基于多層反饋神經(jīng)網(wǎng)絡(luò)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(jié)果更高的準(zhǔn)確率。,180176。 、 解決的思路及實現(xiàn)預(yù)期目標(biāo)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(gòu)建； 實驗收集中了包括油畫、水粉畫、中國畫等在內(nèi)的彩色藝術(shù)圖像 200 幅，請 5 位年齡在 20~25 歲的男女大學(xué)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(yīng)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(yīng)用價值。 13) 20xx 年 6 月 11 日：畢業(yè)設(shè)計答辯。 4) 20xx 年 10 月 30 日 前 各專業(yè)負責(zé)人審查本專業(yè)指導(dǎo)教師的任務(wù)書。（ 4）設(shè)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(xué)位論文和資料若有不實之處，本人愿承擔(dān)相應(yīng)的法律責(zé)任。具體的任務(wù)包括：（ 1）根據(jù)所給的情感數(shù)據(jù)庫以及自行從因特網(wǎng)上下載的圖像構(gòu)造一個實驗數(shù)據(jù)庫，數(shù)據(jù)庫中包含經(jīng)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(shè)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(yīng)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(xué)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(chǔ)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(jīng)網(wǎng)絡(luò)由許多具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過權(quán)系數(shù)相連接，其信息分布式存儲于聯(lián)接權(quán)系數(shù)中，使網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)所提供的學(xué)習(xí)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(xùn)練，明確要求。 情感圖像檢索的研究在醫(yī)學(xué)、心理學(xué)、智能科學(xué)、社會學(xué)、計算機學(xué)、農(nóng)業(yè)學(xué)等等領(lǐng)域都有巨大的應(yīng)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(jié)果都是正確的，反之亦然。 早在上個世紀(jì) 80 年代初期，就已經(jīng) 形成了基于文本的圖像檢索，它通過提取關(guān)鍵字信息，通過關(guān)鍵字與文本信息進行檢索的一門技術(shù) [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(guān)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(guān)鍵字“企鵝”后得到的結(jié)果，圖 2 是利用百度圖像搜索引擎輸入關(guān)鍵字“小燕子”后得到的結(jié)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(wǎng)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(guān)系影像美學(xué)與情感之間，結(jié)論和提取圖像的美學(xué)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(jīng)網(wǎng)絡(luò)的原理 BP 神經(jīng)網(wǎng)絡(luò)就是模擬生物的神經(jīng)元之間的傳遞。 基于情感圖像檢索系統(tǒng)的設(shè)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(guān)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(nèi)有這個數(shù)據(jù)的行標(biāo)和列標(biāo)，中間用逗號隔開。（ 3）工程與科學(xué)繪圖?？偣?200 幅，邀請了 3 位同學(xué)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(jīng)網(wǎng)絡(luò)，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(shè)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(jié)果都正確（暫時不考慮檢索結(jié)果中“子數(shù)據(jù)庫”內(nèi)各幅圖像的排序次序）；如果分類