【正文】 應(yīng)該是static靜態(tài)的，但是由于BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器分類(lèi)的正確率不是100%，肯能就會(huì)有分類(lèi)錯(cuò)誤的情況發(fā)生，如圖49，系統(tǒng)輸出錯(cuò)誤的提示，錯(cuò)將static分類(lèi)成了dynamic，并錯(cuò)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。圖 410 錯(cuò)誤檢索到19幅與示例圖像相似的動(dòng)態(tài)圖片2) 分類(lèi)器為kNN，k=3,10176。量化圖 411 正確檢索到19幅與示例圖像相似的動(dòng)態(tài)圖片3) 分類(lèi)器為Weighted kNN，k=3,10176。量化圖 412 正確檢索到19幅與示例圖像相似的動(dòng)態(tài)圖片4) 分類(lèi)器為Weighted kNN，k=5,10176。量化圖 413 正確檢索到19幅與示例圖像相似的動(dòng)態(tài)圖片由以上圖4圖411兩幅圖可知，當(dāng)k值、量化單位相同，分類(lèi)器不同時(shí)，分類(lèi)出來(lái)相似度的結(jié)果不相同；由圖41圖412兩幅圖可知，當(dāng)分類(lèi)器、k值相同，量化單位不同時(shí)，分類(lèi)出來(lái)相似度的結(jié)果不相同；由圖41圖413兩幅圖可知，當(dāng)分類(lèi)器、量化單位相同時(shí)，k值不同，分類(lèi)出來(lái)相似度的結(jié)果不相同。在菜單欄中，當(dāng)選擇“c”時(shí),如圖411所示，系統(tǒng)會(huì)開(kāi)始20輪分類(lèi)正確率的計(jì)算，計(jì)算結(jié)束后，就會(huì)出現(xiàn)所示kNN分類(lèi)正確率比較試驗(yàn)和不同分類(lèi)器比較試驗(yàn)。不同的分類(lèi)器分別是BP、kNN、Weighted kNN。圖411 不同分類(lèi)器的比較過(guò)程 kNN分類(lèi)正確率的比較1）當(dāng)5176。量化下，我們做了5組實(shí)驗(yàn)表44 5176。量化kNN分類(lèi)正確率表次數(shù)NK值1357912345均值表45 5176。量化Weighted kNN分類(lèi)正確率表次數(shù)NK值1357912345均值由表44和表45可知，當(dāng)k=3時(shí)，kNN分類(lèi)正確率最高。2） 當(dāng)10176。量化下，我們做了5組實(shí)驗(yàn)，做出了kNN與Weighted kNN分類(lèi)正確率的比較表表46 10176。量化kNN分類(lèi)正確率表次數(shù)NK值1357912345均值表47 10176。量化Weighted kNN分類(lèi)正確率表次數(shù)NK值1357912345均值由表46和表47可知，當(dāng)k=9時(shí)，weighted kNN分類(lèi)正確率最高。3） 當(dāng)15176。量化下，我們做了5組實(shí)驗(yàn)，做出了kNN與Weighted kNN分類(lèi)正確率的比較表表48 15176。量化kNN分類(lèi)正確率表次數(shù)NK值1357912345均值表49 15176。量化Weighted kNN分類(lèi)正確率表次數(shù)NK值1357912345均值由表48和表49可知，當(dāng)k=7時(shí)，kNN分類(lèi)正確率最高。所以綜上所述，當(dāng)k=7，15176。量化時(shí)，kNN分類(lèi)正確率最高。2. BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器性能表410 不同量化下BP分類(lèi)正確率性能比較度數(shù)次數(shù)N12345均值5176。10176。15176。由表410可知，10176。時(shí)，BP分類(lèi)器的分類(lèi)性能最好。 在菜單欄中選擇“e”時(shí)，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(kù)。圖412 圖像檢索成功 圖413特征數(shù)據(jù)庫(kù)由圖413 可看出，此特征數(shù)據(jù)庫(kù)的size是5200，5代表一個(gè)5維向量，因?yàn)槲覀冞x擇的是直方圖在10176。下的單位量化，由研究可得在10176。時(shí)，分類(lèi)取得最大的正確率。而5176。、15176。的情況我們將在下面的實(shí)驗(yàn)中做出比較。那么200的含義，顯而易見(jiàn)代表的是情感數(shù)據(jù)庫(kù)里的所有圖片。經(jīng)過(guò)大量的實(shí)驗(yàn)，在特征數(shù)據(jù)庫(kù)FeatureDB中，建立了60多個(gè)特征文檔，如圖414。圖414 特征數(shù)據(jù)庫(kù)文檔通過(guò)本次的畢業(yè)設(shè)計(jì)，我學(xué)習(xí)到了很多東西。首先，我學(xué)會(huì)了MATLAB的使用，在畢設(shè)之前從來(lái)沒(méi)有接觸過(guò)MATLAB，對(duì)MATLAB的使用和操作也一概不知。通過(guò)從最基本的矩陣開(kāi)始練習(xí)，一點(diǎn)點(diǎn)了解，學(xué)習(xí)各種函數(shù)的使用，了解各類(lèi)函數(shù)的功能，即使這樣我對(duì)MATLAB的了解也是片面的，對(duì)其的認(rèn)知也停留在一堆分散的點(diǎn)上，并不能結(jié)合起來(lái)運(yùn)用，好比大樹(shù)的許多零散的樹(shù)葉，我們現(xiàn)在需要桿將它們組合成一顆大樹(shù)。那么，接下來(lái)的畢設(shè)工作好比那樹(shù)干，使我系統(tǒng)的了解了MATLAB，所以說(shuō)，沒(méi)有畢設(shè)的確教會(huì)了我許多東西。 關(guān)于圖像處理問(wèn)題，剛開(kāi)始也了解的不是很全面，在過(guò)程中閱讀了國(guó)內(nèi)的大量的文獻(xiàn)，還有國(guó)外的一些外文文獻(xiàn)，清楚了圖像處理的背景，現(xiàn)狀，意義和發(fā)展前景，總的來(lái)說(shuō)情感圖像檢索是一個(gè)基于高層語(yǔ)義和底層特征之間緊密相連的圖像檢索系統(tǒng)，可以充分滿足用戶(hù)的需求，未來(lái)的發(fā)展也是什么有前景的。因?yàn)榍楦袌D像檢索仍然是一個(gè)開(kāi)放性的研究課題，它的應(yīng)用領(lǐng)域很廣泛，比如，醫(yī)學(xué)、心理學(xué)、人工智能、哲學(xué)、社會(huì)學(xué)，計(jì)算機(jī)科學(xué)、圖像處理等等領(lǐng)域，例如，我們可以開(kāi)發(fā)一款照顧嬰兒的保姆機(jī)器人，通過(guò)機(jī)器人獲取到的圖像，可以智能的判斷小孩子哭鬧的表情是出于何種原因，到底是肚子餓了，還是身體方面的因素等等。所以說(shuō)情感圖像檢索的發(fā)展前景是十分廣闊的，希望通過(guò)我們不懈的努力與研究，為人類(lèi)做出更多的貢獻(xiàn)。致謝能順利完成本課題的研究，首先我要感謝劉偉老師的精心指導(dǎo)和無(wú)私的幫助，劉偉老師從事圖像檢索研究數(shù)十年，以其淵博的學(xué)識(shí)和豐富的教誨，耐心指導(dǎo)和引領(lǐng)我們開(kāi)展畢設(shè)的每一個(gè)環(huán)節(jié)。在畢設(shè)過(guò)程中我們不免遇到各種挑戰(zhàn)與困難，感謝老師的鼓勵(lì)、支持與幫助，使得我們克服重重困難，并教導(dǎo)我們大膽嘗試，突破自我，實(shí)事求是的做好每一項(xiàng)工作，劉偉老師不僅是我學(xué)業(yè)上的好導(dǎo)師，更是我人生道路中的好榜樣。其次，非常感謝閆磊同學(xué)熱心幫助，我們一起探討，解決了許多看似簡(jiǎn)單實(shí)則困難的問(wèn)題，每一次的交流和溝通，都是對(duì)我知識(shí)的鞏固和知新。閆磊同學(xué)的細(xì)心和求實(shí)的精神也是值得肯定和學(xué)習(xí)的，希望以后的道路之中，我們能取長(zhǎng)補(bǔ)短互相學(xué)習(xí)。最后，我還要感謝我的舍友王靜，吳倩，徐蘇三位同學(xué)的幫助，使得我能夠順利完成圖像的分類(lèi)工作，在這里對(duì)她們表示衷心的感謝。在此我西安郵電大學(xué)向和以上的個(gè)人表達(dá)我深深的感激之情，感謝西安郵電大學(xué)四年來(lái)對(duì)我的培養(yǎng)和照顧，感謝四年來(lái)同學(xué)對(duì)我的幫助!參考文獻(xiàn)[1]王惠鋒,孫正興,[ J ].計(jì)算機(jī)研究與發(fā)展,2002,(5) :513523.[2]杭燕,楊育彬,[ J ].計(jì)算機(jī)應(yīng)用研究,2002,(9):913.[3]Taki kanda.,Kansei sessions[C ].IEEE International Conference on SystemsMan and Cybernetics,Japan:Tokyo,1999.[ 4 ] Smeulders A W M,Worring M,Santini Image Retrieval at the End of the Early Years[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(12)：13491380.[5] A Mojsilovic,J Gomes and B Rogowitz,SemanticFriendly Indexing and Querying of Images Based on the Extraction of the Objective Semantic Cues[J] .Intl J of Computer Vision，2004，56(1/3)：79107.[6] 李海芳,焦麗鵬,[J].中國(guó)圖象圖形學(xué)報(bào),2009,14(3):531536.[7,18]王偉凝，余英林,張劍超. 基于線條方向直方圖的圖像情感語(yǔ)義分類(lèi)[J]. 計(jì)算機(jī)工程，2005，31(11)：79.[8]王上飛,陳恩紅,王勝惠,[J].電路與系統(tǒng)學(xué)報(bào),2003,8(6):4852.[9]N BianchiBerthouze Affective Image Filtering System[J].IEEE Multimedia,2003,10(3):103106.[10] Mohammed B Combining Visual Semantics and Texture Characterizations for PrecisionOriented Automatic Image Retrieval[J]. 2005:457474.[11] S Y Baek,et Processing Agent for Personalizing Retrieval[J].UM 2007,LNAI 4511,2007:390394.[12] R Basili1,R Petitti, D Automatic Acquisition of Semantic Image Descriptions[J].SAMT 2007, LNCS 4816,2007:4155 .[13] Gabriele Peters,Aesthetic Primitives of Images for Visualization[J].2007,11(7):316325.[14] B J Ross,W Ralph,H Zong,Evolutionary Image Synthesis Using a Model of Aesthetics[J]IEEE Congress on Evolutionary Computation,2006:10871094 .[15] R. Datta,D Joshi,J Li,J Z Wang,Studying Aesthetics in Photographic Images Using a Computational Approach[J].ECCV 2006,Part III,LNCS 3953,288301.[16]Vailaya A,Jain A K,Zhang H J On Image Classification:City [J].In IEEE Workshop on Contentbased Access of Image and Video Libraries, Santa Barbara,CA, 19980621: 3–8[17]王上飛，王煦法. 圖像情感檢索研究的進(jìn)展與展望[J]. 電路與系統(tǒng)學(xué)報(bào)，2005，10(4)：102110.29