【正文】 不正確，那么檢索結(jié)果都是錯誤的（因為返回的全是另外一個語義的“子數(shù)據(jù)庫”中的圖像）。 圖 411 不同分類器的比較 過程 與 Weighted kNN 分類正確率的比較 1）當 5176。 3） 當 15176。 15176。、 15176。 關(guān)于圖像處理問題，剛開始也了解的不是很全面，在過程中閱讀了國內(nèi)的。那么 200的含義，顯而易見代表的是情感數(shù)據(jù)庫里的所有圖片。時， BP 分類器的分類性能最好，分類正確率是 。量化 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 表 49 15176。量化 kNN 分類正確率表 次數(shù) N K 值 1 3 5 7 9 1 2 基于情感圖像檢索系統(tǒng)的設(shè)計與實現(xiàn) 23 3 4 5 均值 表 45 5176。 基于情感圖像檢索系統(tǒng)的設(shè)計與實現(xiàn) 20 圖 410 錯誤檢索到 19 幅與示例圖像相似的動態(tài)圖片 2)分類器為 kNN， k=3,10176。Weighted kNN39。kNN39。BP39。 由大量的試驗數(shù)據(jù)表明，在不同單位量化下，原始算法計算的線條方向直方圖和改進算法計算得到的線條方向直方圖正確率如表 42 所示。、 10176。然后求平分的均值，如果平分的結(jié)果等于在 47(不包括 4 和7)之間，就丟棄該圖片，否則計入數(shù)據(jù)庫中。（ 5）數(shù)字圖像處理。當 MATLAB 運行時，有多種類型的窗口，有的用于接收命令，有的用于顯示信息。 實驗平臺 MATLAB介紹 MATLAB 最初是由 Cleve Moler 用 Fortran 語言設(shè)計的，有關(guān)矩陣算法來自Linpack 和 Eispack 課題的研究成果；現(xiàn)在的 MATLAB 程序是 MathWorks 公司用C 語言開發(fā)的。 圖 25 BP 網(wǎng)絡(luò)神經(jīng)圖 kNN 分類器 在介紹 kNN 分類器之前我們先要理解什么叫做最近鄰法，顧名思義，最近鄰法就是已知一個待分類樣本 x，比較它和 N 個已分類樣本之間的距離，通常是歐式距離，選擇和它最相近的點，然后將 x 劃分為這個最近點的同類樣本中。由大量實驗可得，越是接近 45176。、 180176。從用戶的角度來看，一 個通用的和靈活的解決方案，預計將使用方便，在實際應(yīng)用中的擴展。 結(jié)合影像美學 影像美學是一個新的方向，新出現(xiàn)的。 在個性化檢索中挑戰(zhàn)有： 1）方法創(chuàng)建和處理配置文件是不夠的； 2）需要大量情感反饋量，數(shù)據(jù)難以收集和對于用戶來說過程是無聊的。 個性化情感模型 至今大部分的情感研究工作是基于共同的情感，這意味著在一定程度上一定數(shù)量的人可能會同意。圖像的顏色特征細致的研究和分析有助于對人的心理情緒變化進行分析，對是情感圖像檢索的有著十分重要的意義。本小節(jié)圍繞顏色、紋理、形狀等特征開展。而我們討論的情感語義位于抽象語義的最高水平，它可以被定義為描述強度和情緒，感情或通過可視圖像誘發(fā)人類的情感類型的情感語義。圖 12 中，第二排和第三排檢索到了著名影星趙薇的照片，因為雖然關(guān)鍵詞的泛指性，這樣也造成了圖像檢索結(jié)果的不理想，檢索到的結(jié)果往往也不能令人滿意。但是這樣方法有一定的缺陷。直到上個世紀 90 年代初，伴隨著，互聯(lián)網(wǎng)圖像信息的突飛猛進，基于內(nèi)容的圖像檢索技術(shù) (CRIR)成為圖像檢索的主要技術(shù) [ 2 ]。 kNN、 Weighted kNN分別是 和 。首先，建立一個包含動靜態(tài)的圖像數(shù)據(jù)庫。 (4)20xx 年 10 月 28 日 11 月 12 日：開題報告答辯。做為一種建立非線性映射的一個強有力的工具，神經(jīng)網(wǎng)絡(luò)方法在圖像情感研究中得到了廣泛的應(yīng)用。 α∈ (0176。北京航空航天大學的陳斌證明了圖象的分形維數(shù)與情感特性具有一定關(guān)系，并根據(jù)這種關(guān)系，提出了用計算機自動產(chǎn)生和諧分布圖案的算法。而當今的絕大多數(shù)基于內(nèi)容的圖像檢索系統(tǒng)主要是對圖像的多維物理特征進行相似性匹配查詢，對于用戶的愛好、情感等主觀或感性化的因素考慮較少。即根據(jù)圖像而不是文字來搜索圖片。 12) 20xx 年 6 月 4 日：終期驗收。 3) 20xx 年 10 月 1 日 27 日：課題調(diào)研，文獻查閱，完成開題報告。（ 3）采用 KNN 和 BP 神經(jīng)網(wǎng)絡(luò)用于圖像語義分類。 西 安 郵 電 大 學 畢 業(yè) 設(shè) 計（論 文） 題 目： 基于情感圖像檢索系統(tǒng)的設(shè)計與實現(xiàn) 院 （系） ： 計算機學院 專 業(yè) ： 計算機科學與技術(shù) 班 級： 計科 1004 班 學生姓名： 任寧寧 導師姓名： 劉偉 職稱： 副教授 起止時間： 20xx 年 09 月 25 日至 20xx 年 06 月 02 日 畢業(yè)設(shè)計（論文）誠信聲明書 本人聲明：本人所提交的畢業(yè)論文《 基于情感圖像檢索系統(tǒng)的設(shè)計與實現(xiàn) 》是本人在指導教師指導下獨立研究、寫作的成果，論文中所引用他人的文獻、數(shù)據(jù)、圖件、資料均已明確標注；對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式注明并表示感謝。（ 2）采用“線條方向直方圖”作為特征描述情感語義（“靜感”和“動感”兩類語義）。 2) 20xx 年 10 月 12 日：啟動科研訓練，明確要求。 11) 20xx 年 5 月 30 日：畢業(yè)論文查重。因為和用戶輸入的關(guān)鍵字匹配的網(wǎng)頁圖像標簽文字并不一定能很好地描述圖像本身的 “內(nèi)容 ”；（ 2）無法實現(xiàn) “以圖搜圖 ”功能。 “動感 ”和 “靜感 ”是一對人類常有的情感，本設(shè)計使用圖像的低層特征來對藝術(shù)圖像進行 “動感 ”和 “靜感 ”的分類，并在此基礎(chǔ)上實現(xiàn)情感圖像檢索，這是一個有益的探索工作。 除此之外， 圖像的情感研究在設(shè)計系統(tǒng)中也得到了應(yīng)用，日本色彩與設(shè)計研究所推出的 Image Analyst LE 系統(tǒng)，能根據(jù)用戶的性別、年齡、職業(yè)及用戶性格的調(diào)查，運用已有的顏色研究成果，找到的適合用戶的風格（如自然的 ural、優(yōu)雅的 elegant、別致的 chic）和 色彩搭配（米黃、草綠、淺褐色、淺灰等），最后給出用戶所需的服裝、居住環(huán)境、消費用品的顏色設(shè)計方案；南京航空航天大學苑寅秋根據(jù)配色方案評判模型以及色彩情感效應(yīng)的量化研究，將針對機電產(chǎn)品色彩構(gòu)成，本著“回歸人本”的現(xiàn)代設(shè)計主題，將專家系統(tǒng)技術(shù)引入到幾點產(chǎn)品色彩設(shè)計領(lǐng)域，研制了面向機電產(chǎn)品的色彩設(shè)計專家系統(tǒng)（ MCSES），實現(xiàn)了推薦配色方案及方案預覽功能。)，而邊緣像素點的方向梯度相角與該點的邊緣線條方向垂直， 所以線條方向為： α (x, y) =θ (x, y) + 90176。余英林等就采用 BP 神經(jīng)網(wǎng)絡(luò)方法對圖像的的紋理的特征進行分類取得了良好的效果，還對基于模糊感知器的模糊神經(jīng)分類 器進行過詳細的討論。 (3)20xx 年 10 月 1 日 27 日：課題調(diào)研，文獻查閱，完成開題報告。 本文研究圖像的低層視覺特征與高層語義之間的關(guān)系，例如 情感的“靜態(tài)”“動態(tài)”與圖像之間的關(guān)系。 通 過本次實驗證明，相對于 kNN、 Weighted kNN分類器， BP神經(jīng)網(wǎng)絡(luò) 分類器的分類正確率是比較高的，分 類率為 。雖然文本圖像檢索大大的提高了圖像檢索的效率，但是有些圖像的關(guān)鍵字比較抽象、難以描述，加之一千個讀者便有一千個哈姆雷特，中國漢字的多義性使得結(jié)果往往不如人意。它是先對圖像進行文字內(nèi)容的注解，然后在圖像數(shù)據(jù)庫里進行檢索。 圖 11 搜狗圖像搜索示例 基于情感圖像檢索系統(tǒng)的設(shè)計與實現(xiàn) 3 由圖可以看出，圖 11 中的第二排最后一幅圖檢索到了大猩猩，第三排第 5列檢索到了海龜，這些圖片都是不符合要求的。 圖 13 圖像檢索系統(tǒng)概念示例 基于情感圖像檢索系統(tǒng)的設(shè)計與實現(xiàn) 4 基于情感圖像檢索的概念 圖像語義有好幾層 [ 4， 5 ]。圖像中的顏色、形狀、紋理與圖像中包含的情感是緊密相關(guān)的。例如，紅玫瑰代表熱情、興奮、強烈、好戰(zhàn)、希望、奮進，綠色 的草地代表新鮮、清新、和平，藍色的天空代表清爽、自由、寧靜。 未來的研究趨勢 三個關(guān)鍵問題的改進依賴于對其他相關(guān)領(lǐng)域進一步的了解，例如，使用認知科學和心理學的輸出來設(shè)計更好的圖像特征，這與圖像的情感有著密切的關(guān)系并且可以表達圖像語義；使用最 新的研究人工智能成果和機器學習來改善情感的重組和推理效率。 在產(chǎn)品的圖像檢索， BAEK[ 11 ]定義的用戶配置文件僅僅通過感性的重量，通過用戶反饋，這些關(guān)鍵的重量和感性可以學習和變化 。這種方法可用于提取圖像的情感語義理解之間的語義關(guān)系和一般情感語義。 建筑實踐的目的一般系統(tǒng) 由于大多數(shù)的圖像檢索系統(tǒng)目前提出的情緒基于特定領(lǐng)域的知識和具體的畫廊喜歡繪畫，圖案，紡織品，工藝對象，背景或景觀，它們是簡單的，在特定的領(lǐng)域有限公司。 ? ? ? ? ? ?? ? 2nE Q I Q Ij 1d H ,H = H j H j? (22) (1)原圖 (2)線條圖 (3)直方圖 圖 21 動感圖像特征 基于情感圖像檢索系統(tǒng)的設(shè)計與實現(xiàn) 8 (1)原圖 (2)線條圖 (3)直方圖 圖 22 靜感圖像特征 (1) (1)原圖 (2)線條圖 (3)直方圖 圖 23 靜感圖像 特征 (2) 改進的線條方向直方圖 根據(jù)研究表明，水平線和垂直線同樣給人以安靜溫馨的感覺，也就是說，在0176。到 45176。首先，信號傳遞到輸入端，通過第二隱含層的多層復雜的運算加工，傳遞到輸出端，比較實際結(jié)果與輸出端的期望值，如果他們之間存在誤差，那么就將結(jié)果重新反饋回隱含層，經(jīng)過隱含層的多級處理，又重新反饋給輸入層，輸入層又重復第一次的過程，一次次運算，減 少誤差率，已達到滿意的結(jié)果。 圖 31 基本框架 [ 16 ] 由圖 31 可知，情感圖像檢索系統(tǒng)主要研究如下四個方面的內(nèi)容 : 1) 建立圖像感性特征數(shù)據(jù)庫，即通過定義圖像的感性認識，抽離概括引起人們情感變動的重要特征； 2)收集用戶情感信息，利用形容詞的感性特點，讓其與情感數(shù)據(jù)庫進行匹配； 3)通過圖像數(shù)據(jù)庫，提取特征子函數(shù)，然后將其與情感圖像數(shù)據(jù)庫進行檢索； 4)通過學習能力，依據(jù)不同的情況，確保正確率提高的情況下，自主調(diào)節(jié)情感用戶模型。標量也被 MATLAB 當作數(shù)組，只不過只有一行和一列。（ 4）控制系統(tǒng)的設(shè)計。評分標準采用 10 分制， 15 分代表靜態(tài)， 1 時表示靜感最強烈，靜感強度依次減弱， 5 時靜感最低； 610 分代表動態(tài)，動感強度依次增強， 10時表示動感最強烈。 基于情感圖像檢索系統(tǒng)的設(shè)計與實現(xiàn) 15 圖 43 ImgDB 數(shù)據(jù)庫 動感語義的圖像 靜感語義的圖像 圖 44 ImgDB 數(shù)據(jù)庫下的靜感和動感圖像示例 線條方向直方圖的改進算法與原始算法的分類正確率的比較 圖 44 分別代表的是 5176。量化。 神經(jīng)網(wǎng)絡(luò)分類器 ( 基于 Matlab 工具包實現(xiàn) 2 BPNeuralNetworkClassifier 實現(xiàn)了 39。 近鄰分類器 , 分類一個未知樣本的類別 8 kNNClassifierTestingDataSe 用于實現(xiàn) 39。 神經(jīng)網(wǎng)絡(luò)分類器 ( 基于 Matlab 工具包實現(xiàn) ) 14 用于實現(xiàn)權(quán)重 39。 例如，我們選擇了 這張圖片，正常情況下，分類結(jié)果應(yīng)該是 static 靜態(tài)的，但是由于 BP 神經(jīng)網(wǎng)絡(luò)分類器 分類的正確率不是 100%，肯能就會有分類錯誤的情況發(fā)生，如圖 49，系統(tǒng)輸出錯誤的提示，錯將 static 分類成了 dynamic，并錯誤的檢索出相似度按由小到大順序排列的 19 幅相似圖片，由圖 410 所示 。量化下，我們做了 5 組實驗 表 44 5176。量化下，我們做了 5 組實驗，做出了 kNN 與 Weighted kNN 分類正確率的比較表 表 48 15176。 由表 410 可知， 10176。的情況我們將在下面的實驗中做出比