【正文】 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。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。 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。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。、 15176。時，分類取得最大的正確率。 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。時， BP 分類器的分類性能最好，分類正確率是 。 15176。 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。所以綜上所述，當 k=7， 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。 3） 當 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 47 10176。 2） 當 10176。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。 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。 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。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。 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。 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）。 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。kNN39。Weighted kNN39。BP39。靜感 Static39。動感 Dynamic39。kNN39。kNN39?；谇楦袌D像檢索系統(tǒng)的設計與實現(xiàn) 17 m 余弦距離 39。線條方向直方圖 39。BP39。BP39。 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。 10176。 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。單位量，第三行是 15176。第一行圖片是 5176。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。、 10176。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。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，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。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?？偣?200 幅，邀請了 3 位同學分別對圖像的動靜態(tài)進行評估。 MATLAB 的主要功能有：數(shù)值計算功能、符號計算功能、繪圖功能結(jié)果的可視化、圖形化程序編制功能、 MATLAB工具箱、 MATLAB的兼容功能、 MATLAB的容錯功能等等。（ 7）通訊系統(tǒng)設計與仿真。（ 5）數(shù)字圖像處理。（ 3）工程與科學繪圖。 MATLAB 的主要應用領域有： (1)數(shù)值分析。在本節(jié)課中我們將會看到這三個窗口的例子。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。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)的行標和列標，中間用逗號隔開。 任何一個 MATLAB 程序的基本組成單元是數(shù)組。是目前最好的科學計算類軟件之一 。 實驗平臺 MATLAB介紹 MATLAB 最初是由 Cleve Moler 用 Fortran 語言設計的，有關矩陣算法來自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。 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 。如 27 圖所示，由圖可知，盡管在 k 近鄰中類別 B 的樣本數(shù)多于類別 A，但類別 A 的樣本和待分類樣本距離更近，將待分類樣本分類為類別 A 可能更合理。換句話說，就是在 N個已知樣本中選擇 k個距離 x最近的樣本，設 N 有 n1,n2,n3,n4...ni，i 個各類， k1,k2,k3,...ki 分別屬于 n1,n2,n3,n4...ni，那么 maxjj k 得到的類別就是 x的類。 圖 25 BP 網(wǎng)絡神經(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。 BP 神經(jīng)網(wǎng)絡的原理 BP 神經(jīng)網(wǎng)絡就是模擬生物的神經(jīng)元之間的傳遞。隱含層也可以包含為一個或多個。進過 2 次對折后的直方圖，如 24 所示： 圖 24 改進的線條方向直方圖 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 9 BP 神 經(jīng)網(wǎng)絡分類器 BP 神經(jīng)網(wǎng)絡的概念 BP 網(wǎng)絡簡稱反相神經(jīng)網(wǎng)絡，是一種方向傳播的神經(jīng)網(wǎng)絡。由大量實驗可得，越是接近 45176。我們再次對折一次直方圖成 0176。重合，直方圖成 0176。的時候線條給人的感覺是相同的，那么我們就可以通過一次對折將 0176。、 180176。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。 因此根據(jù)邊緣點的方向梯度相角度，我們可以得到此點的切線方向角度，并且繪制出邊緣點角度的方向直方圖，便于直觀，我們可以以 10176。 基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 7 線條方向直方圖 圖像的邊緣特征作為圖像的基本特征之一，包含著十分重要的圖像信息，而圖像的邊緣點的方向梯度與圖像的邊緣點方向垂直，那么如果我們求出邊緣點的方向梯度相角值，就能夠容易的解決圖像邊緣點的方向角度，從而統(tǒng)計出邊緣圖像角度的分布，得出圖像的特征。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，在實際應用中的擴展。因為強烈的關系影像美學與情感之間，結(jié)論和提取圖像的美學的方法，將有助于在情感語義研究。和 Datta [15]提出了一種方法來自動推斷出審美素質(zhì)的照片使用他們的視覺作為機器學習的內(nèi)容。提出了六個方面的視覺美學的基礎上人類視覺系統(tǒng)的模塊化。 結(jié)合影像美學 影像美學是一個新的方向，新出現(xiàn)的。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。在信息檢索技術和語言分析方面，如 WordNet 的，潛在基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 6 語義分析（ LSA）可能在將來被使用。這些圖像的特征表現(xiàn)在結(jié)構(gòu)化的 Web 頁面的視覺 和語言信息。 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。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。 BianchiBerthouze [9,10]提出的 KDIME 系統(tǒng)，其中，感性自適應個性化圖像檢索可以根據(jù)用戶的感性偏好來實現(xiàn)。這是考慮個體差異，增強檢索系統(tǒng)滿意度的一個重要方向。 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。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 ]。圖像中的形狀可以激發(fā)人的感性認識，主要是由于形狀的美學價值之一作用的影響。例如，顆粒狀的沙灘給人粗糙的感覺，家具的木質(zhì)花紋又給人一安適感，這些紋理特征都帶給人們不同的視覺心基于情感圖像檢索系統(tǒng)的設計與實現(xiàn) 5 理效果，與人們情感息息相關。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。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。一言以蔽之，顏色基于其顯著的心理學反應，對圖像的情感語義的研究有著十分重要的作用 [ 7 ]，因此，在圖像情感檢索的研究中，一定要重視顏色特征且必須將其做為重要的特征加以研究。從色調(diào)上看，一般將色彩分為暖色調(diào)和冷色調(diào)，不同的色調(diào)帶給人不同的感受，性別的差異對相同色調(diào)的感知也是有差異的。本小節(jié)圍繞顏色、紋理、形狀等特征開展。 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 ]。例如，我們將能夠?qū)Α耙粋€宜人的景觀”或“優(yōu)雅的服裝圖像”進行檢 索。情感語義的圖像檢索（ ESIR）可以被視為一個基于語義的圖像檢索和情感識別的分支。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 13是圖像檢索系統(tǒng)的框架。但是盡管如此，基于文本和內(nèi)容的圖像檢索仍然存在著許許多多等待人們?nèi)ヌ剿骱徒鉀Q的問題。由于圖像依靠它的視覺特征來進行檢索，根據(jù)視覺特征的相似度進行比較，然后按照相似度進行排序并且將結(jié)果返回給用戶。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。 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(jié)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(jié)果。接著出現(xiàn)了利用 Web 網(wǎng)頁中圖像的關鍵字信息來進行檢索的引擎技術。另一方面，關鍵字對文本的描述能力有限，很難全面的反映圖像內(nèi)容的中心思想。但是這樣方法有一定的缺陷。