【導讀】之處，本人愿承擔相應的法律責任。圖像中含有情感信息，不同的圖像會喚起人類不同的情感。解和需求，是一個有著學術和應用價值的問題。通過本設計可以較為熟練的掌握圖像處理程序設計方法，并對圖像處。理和圖像檢索技術有一定的了解。采用“線條方向直方圖”作為特征描述情感語義（“靜感”和?！皠痈小眱深愓Z義）。要求開發(fā)出的程序滿足正確性和執(zhí)行效率的要。1)20xx年10月9日-12日：開始選題，制訂計劃。2)20xx年10月12日：啟動科研訓練，明確要求。3)20xx年10月1日-27日：課題調(diào)研，文獻查閱，完成開題報告。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。8)20xx年11月2日-下學期開學前兩周：準備資料，迎接中期檢查。述圖像本身的“內(nèi)容”；無法實現(xiàn)“以圖搜圖”功能?！耙詧D搜圖”功能具有重要的應用價值。查詢標準，在圖像數(shù)據(jù)庫中搜索并查找出符合查詢條件的相應圖像。像，是一個具有很大挑戰(zhàn)性的前沿課題?！皠痈小焙汀办o感”是一對人類常有的情感，本

　　

【正文】 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。如果評分結(jié)果是靜態(tài)，命名為,如果是動態(tài)，命名為 。 圖 41，第一幅圖片三位同學打分為： 6， 均值是 ，第二幅圖片打分為 3，均值為 ，所以這兩幅圖片不符號實驗要求，因此，將這兩幅圖片丟棄。表 41 為三位同學評估情感圖像的部分匯總表。圖 42 是三位同學正在對 200 幅圖片進行情感 圖像的評估。 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(wǎng)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。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。 基于情感圖像檢索系統(tǒng)的設計與實現(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。、 10176。、 15176。量化下的原始算法計算的線條方向直方圖與改進算法計算的線條方向直方圖之間的對比。 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 16 圖 44 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 的左列的圖片是動態(tài)的，右列的圖片是靜態(tài)的。第一行圖片是 5176。單位量，第二行是在 10176。單位量，第三行是 15176。量化。 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。 表 42 原始與改進線條方向直方圖正確率 5176。 10176。 15176。 原始算法計算的線條方向直方圖 % % % 改進算法計算得到的線 條方向直方圖 80% % % 程序的運行和結(jié)果分析 程序清單 在程序運行過程中，會接觸到各種子函數(shù)，表 43 列舉出了這些子函數(shù)的名稱和功能。 表 43 程序 子函數(shù)功能 序號 程序 功能 1 BPNeuralNetworkClassifier.m 實現(xiàn)了 39。BP39。 神經(jīng)網(wǎng)絡分類器 ( 基于 Matlab 工具包實現(xiàn) 2 BPNeuralNetworkClassifier 實現(xiàn)了 39。BP39。 神經(jīng)網(wǎng)絡分類器 ( 基于 Matlab 工具包實現(xiàn) ). 3 CalcImgLineDirectionHisto 用于計算圖像的 39。線條方向直方圖 39。 特征 . 4 CalcVectorCosineDistance. 用來進行計算 2 個特征向量之間的 39?；谇楦袌D像檢索系統(tǒng)的設計與實現(xiàn) 17 m 余弦距離 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。kNN39。 近鄰分類器 , 分類一個未知樣本的類別 8 kNNClassifierTestingDataSe 用于實現(xiàn) 39。kNN39。 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(jié)果 10 msf_EmotionalImgRetrieval.m 用來實現(xiàn)情感圖像檢索 , 檢索 39。動感 Dynamic39。 和 39。靜感 Static39。 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。BP39。 神經(jīng)網(wǎng)絡分類器 ( 基于 Matlab 工具包實現(xiàn) ) 14 用于實現(xiàn)權重 39。Weighted kNN39。 近鄰分類器 15 WeightedkNNClassifierTesti 用于實現(xiàn)權重 39。kNN39。 近鄰分類器 特征庫的計算過程 首 先，在 MATLAB 運行 ，然后彈出圖 45，表明系統(tǒng)正在進行特征數(shù)據(jù)庫的計算。 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 18 圖 45 特征數(shù)據(jù)庫形成的過程 演示模式過程 1)分類器為 BP神經(jīng)網(wǎng)絡 ,10176。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。 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，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(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）。 例如，我們選擇了 這張圖片，正常情況下，分類結(jié)果應該是 static 靜態(tài)的，但是由于 BP 神經(jīng)網(wǎng)絡分類器 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 。 基于情感圖像檢索系統(tǒng)的設計與實現(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。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。量化 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 21 圖 412 正確檢索到 19 幅與示例圖像相似的動態(tài)圖片 4)分類器為 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態(tài)圖片 由以上圖 4圖 411 兩幅圖可知，當 k 值、量化單位相同，分類器不同時，分類出來相似度的結(jié)果不相同；由圖 41圖 412 兩幅圖可知，當分類器、k 值相同，量化單位不同時，分類出來相似度的結(jié)果不相同；由圖 41圖 413兩幅圖可知，當分類器、量化單位相同時， k 值不同，分類出來相似度的結(jié)果不相同。 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 22 分類器模式過程 在菜單欄中，當選擇“ c”時 ,如圖 411 所示，系統(tǒng)會開始 20 輪分類正確率的計算，計算結(jié)束后，就會出現(xiàn)所示 kNN 分類正確率比較試驗和不同分類器比較試驗。不同的分類器分別是 BP、 kNN、 Weighted kNN。 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。量化下，我們做了 5 組實驗 表 44 5176。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)的設計與實現(xiàn) 23 3 4 5 均值 表 45 5176。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 。 2） 當 10176。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 46 10176。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 47 10176。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 。 3） 當 15176。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。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 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 。所以綜上所述，當 k=7， 15176。量化時， kNN 分類正確率最高，為 。 神經(jīng)網(wǎng)絡分類器性能 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 25 表 410 不同量化下 BP 分類正確率性能比較 度數(shù) 次數(shù) N 1 2 3 4 5 均值 5176。 10176。 15176。 由表 410 可知， 10176。時， BP 分類器的分類性能最好，分類正確率是 。 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。 圖 412 圖像檢索成功 圖 413 特征數(shù)據(jù)庫 由圖 413 可看出，此特征數(shù)據(jù)庫的 size 是 5 200， 5 代表一個 5 維向量，因為我們選擇的是直方圖在 10176。下的單位量化，由研究可得在 10176。時，分類取得最大的正確率。而 5176。、 15176。的情況我們將在下面的實驗中做出比較。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。 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。 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 26 圖 414 特征數(shù)據(jù)庫文檔 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 27 通過本次的畢業(yè)設計，我學習到了很多東西。首先，我學會了 MATLAB 的使用，在畢設之前從來沒有接觸過 MATLAB，對 MATLAB 的使用和操作也一概不知。通過從最基本的矩陣開始練習，一點點了解，學習各種函數(shù)的使用，了解各類函數(shù)的功能，即使這樣我對 MATLAB 的了解也是片面的，對其的認知也停留在一堆分散的點上，并不能結(jié)合起來運用，好比大樹的許多零散的樹葉，我們現(xiàn)在需要桿將它們組合成一顆大樹。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。 關于圖像處理問題，剛開始也了解的不是很全面，在過程中閱讀了國內(nèi)的