【正文】 相角 ( ),xyq ，可以通過求它在某一點(diǎn)的導(dǎo)數(shù)，然后對(duì)它的正切取導(dǎo)數(shù)，例如 ? ?? ?? ?f x ,yxθ x ,y = a r c tg f x ,yy?????? ???? (21) 其中， ? ?90 90? ??? ， ，因?yàn)閳D像邊緣點(diǎn)的方向和此點(diǎn)的梯度方向垂直，所以此點(diǎn)的方向即此點(diǎn)的切線方向夾角范圍是 ? ? ? ? ? ?α x ,y = θ x ,y + 9 0 ,α 0 ,1 8 0? ? ??。為量化，統(tǒng)計(jì)出這些邊緣點(diǎn)的直方圖，例如下圖 2 2 23 所示，圖 2 23 為靜態(tài)圖像示例，圖 21 為動(dòng)態(tài)示例。 ? ? ? ? ? ?? ? 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(dòng)感圖像特征 基于情感圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)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(jìn)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。與 90176。與 180176。到 90176。到 45176。圖像的動(dòng)感越強(qiáng)烈，通過改進(jìn)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。它由輸入層、輸出層和隱含層組成。 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖25 所示。首先，信號(hào)傳遞到輸入端，通過第二隱含層的多層復(fù)雜的運(yùn)算加工，傳遞到輸出端，比較實(shí)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(jí)處理，又重新反饋給輸入層，輸入層又重復(fù)第一次的過程，一次次運(yùn)算，減 少誤差率，已達(dá)到滿意的結(jié)果。 k近鄰法：如圖 26 所示是最近鄰法 的一個(gè)擴(kuò)展，基本思路是 :對(duì)于一個(gè)待分類樣本，比較它和 N 個(gè)已知分類樣本之間的距離，選取出 k 個(gè)和它距離最近的樣本，看這 k 個(gè)樣本中，那一類的樣本最多，那么就將 x 劃分到那一類去。 基于情感圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 10 Weighted kNN 分類器 圖 26 K近鄰法 圖 27 Wighted k近鄰法 k近鄰法中，當(dāng)樣本比較少時(shí)， kNN 法就不合適了?？梢詫⒏鱾€(gè)樣本和待分類樣本之間的距離作為權(quán)重進(jìn)行計(jì)算，以確定類別：在得到待分類樣本 x 的 k 個(gè)近鄰的已知樣本 { ix , i= 1,2,..., k}后，用如下公式來計(jì)算其最終的類別號(hào) (式中 iw是距離權(quán)重 ): ? ? ? ?kiii=1kii=1w C xC x =w?? (23) ? ?i 2i1w=d x,x (24) 其中 ()Cx 表示樣本 x 的類別標(biāo)簽， ( ), idxx 表示待分類樣本 x 和已知樣本 ix 之間的距離（如可使用歐式距離計(jì)算）。 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(gè)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(rèn)識(shí)，抽離概括引起人們情感變動(dòng)的重要特征； 2)收集用戶情感信息，利用形容詞的感性特點(diǎn)，讓其與情感數(shù)據(jù)庫進(jìn)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(jìn)行檢索； 4)通過學(xué)習(xí)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。 MATLAB 作為美國 MathWorks 公司的用于概念設(shè)計(jì)，算法開發(fā)，建模仿真，實(shí)現(xiàn)的理想的集成環(huán)境。MATLAB 軟件的圖標(biāo)如圖 32 所示。數(shù)組是一組數(shù)據(jù)值的集情感數(shù)據(jù)庫系統(tǒng) 圖像感性特征庫 用戶情感信息 學(xué)習(xí)機(jī)制 元數(shù)據(jù)檢索子系統(tǒng) （情感用戶模型） 特征提取子函數(shù) 圖像數(shù)據(jù)庫 用戶檢索要求 檢索到 的圖像 用戶反饋 圖像元數(shù)據(jù) 印象語元數(shù)據(jù) 檢索到元數(shù)據(jù) 基于情感圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 12 合，這些數(shù)據(jù)被編上行號(hào)和列號(hào)，擁有唯一的名稱。標(biāo)量也被 MATLAB 當(dāng)作數(shù)組，只不過只有一行和一列。三個(gè)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 。當(dāng) MATLAB 程序啟動(dòng)時(shí)，一個(gè)叫做 MATLAB 桌面的窗口出現(xiàn)了。（ 2）數(shù)值和符號(hào)計(jì)算。（ 4）控制系統(tǒng)的設(shè)計(jì)。（ 6）數(shù)字信號(hào)處理。（ 8）財(cái)務(wù)和金融工程。 圖 32 MATLAB 圖標(biāo) 軟硬件環(huán)境的介紹 計(jì)算機(jī)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(tái)： MATLAB R20xxa 基于情感圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 13 情感圖像數(shù)據(jù)庫的建立 實(shí)驗(yàn)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。評(píng)分標(biāo)準(zhǔn)采用 10 分制， 15 分代表靜態(tài)， 1 時(shí)表示靜感最強(qiáng)烈，靜感強(qiáng)度依次減弱， 5 時(shí)靜感最低； 610 分代表動(dòng)態(tài)，動(dòng)感強(qiáng)度依次增強(qiáng)， 10時(shí)表示動(dòng)感最強(qiáng)烈。如果評(píng)分結(jié)果是靜態(tài)，命名為,如果是動(dòng)態(tài)，命名為 。表 41 為三位同學(xué)評(píng)估情感圖像的部分匯總表。 圖 41 模棱兩可的圖像 表 41 同學(xué)評(píng)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(dòng)靜態(tài) Img_001 6 9 10 動(dòng)態(tài) Img_002 1 3 4 靜態(tài) Img_003 5 6 3 丟棄 Img_004 8 10 8 動(dòng)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(jì)與實(shí)現(xiàn) 14 圖 42 三位同學(xué)對(duì)互聯(lián)網(wǎng)上搜集的圖片進(jìn)行動(dòng)感評(píng)估 最終，通過同學(xué)們的不懈努力，積極的實(shí)驗(yàn) 和評(píng)估，最終得出了兩種語義的圖像，分別包括 100 幅動(dòng)態(tài)和 100 靜態(tài)的。 基于情感圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 15 圖 43 ImgDB 數(shù)據(jù)庫 動(dòng)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(dòng)感圖像示例 線條方向直方圖的改進(jìn)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。、 15176。 基于情感圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 16 圖 44 線條方向直方圖的改進(jìn)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(dòng)態(tài)的，右列的圖片是靜態(tài)的。單位量，第二行是在 10176。量化。 表 42 原始與改進(jìn)線條方向直方圖正確率 5176。 15176。 表 43 程序 子函數(shù)功能 序號(hào) 程序 功能 1 BPNeuralNetworkClassifier.m 實(shí)現(xiàn)了 39。 神經(jīng)網(wǎng)絡(luò)分類器 ( 基于 Matlab 工具包實(shí)現(xiàn) 2 BPNeuralNetworkClassifier 實(shí)現(xiàn)了 39。 神經(jīng)網(wǎng)絡(luò)分類器 ( 基于 Matlab 工具包實(shí)現(xiàn) ). 3 CalcImgLineDirectionHisto 用于計(jì)算圖像的 39。 特征 . 4 CalcVectorCosineDistance. 用來進(jìn)行計(jì)算 2 個(gè)特征向量之間的 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(duì)應(yīng)的語義名 . 7 用于實(shí)現(xiàn) 39。 近鄰分類器 , 分類一個(gè)未知樣本的類別 8 kNNClassifierTestingDataSe 用于實(shí)現(xiàn) 39。 近鄰分類器 9 根據(jù)線條方向直方圖特征計(jì)算函數(shù)計(jì)算得到相應(yīng)的特征并顯示計(jì)算結(jié)果 10 msf_EmotionalImgRetrieval.m 用來實(shí)現(xiàn)情感圖像檢索 , 檢索 39。 和 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(gè)語義類訓(xùn)練樣本所占的比例生成訓(xùn)練和測(cè)試樣本集合及其語義標(biāo)簽值集合 13 TrainingBPNeuralNetworkC 實(shí)現(xiàn)了 39。 神經(jīng)網(wǎng)絡(luò)分類器 ( 基于 Matlab 工具包實(shí)現(xiàn) ) 14 用于實(shí)現(xiàn)權(quán)重 39。 近鄰分類器 15 WeightedkNNClassifierTesti 用于實(shí)現(xiàn)權(quán)重 39。 近鄰分類器 特征庫的計(jì)算過程 首 先，在 MATLAB 運(yùn)行 ，然后彈出圖 45，表明系統(tǒng)正在進(jìn)行特征數(shù)據(jù)庫的計(jì)算。量化 當(dāng)特征數(shù)據(jù)庫計(jì)算完成后，屏幕上會(huì)出現(xiàn)一個(gè)選擇菜單，如圖 46 所示，“ d”表示 Demo 演示選項(xiàng)，當(dāng)選擇“ d”時(shí)，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(jì)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。 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(huì)有分類錯(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 。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)分類器為 Weighted kNN， k=3,10176。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，分類器不同時(shí)，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(dāng)分類器、k 值相同，量化單位不同時(shí)，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(dāng)分類器、量化單位相同時(shí)， k 值不同，分類出來相似度的結(jié)果不相同。不同的分類器分別是 BP、 kNN、 Weighted kNN。量化下，我們做了 5 組實(shí)驗(yàn) 表 44 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(dāng) k=3 時(shí)， kNN 分類正確率最高，為 。量化下，我們做了 5 組實(shí)驗(yàn)，做出了 kNN 與 Weighted kNN 分類正確率的比較表 表 46 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(shè)計(jì)與實(shí)現(xiàn) 24 1 2 3 4 5 均值 由表 46 和表 47 可知，當(dāng) k=9 時(shí)， weighted kNN 分類正確率最高，為 。量化下，我們做了 5 組實(shí)驗(yàn)，做出了 kNN 與 Weighted kNN 分類正確率的比較表 表 48 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(dāng) k=7 時(shí)， kNN 分類正確率最高，為 。量化時(shí)， kNN 分類正確率最高，為 。 10176。 由表 410 可知， 10176。 退出系統(tǒng) 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。下的單位量化，由研究可得在 10176。而 5176。的情況我們將在下面的實(shí)驗(yàn)中做出比較。 經(jīng)過大量的實(shí)驗(yàn)，在特征數(shù)據(jù)庫 FeatureDB 中，建立了 60 多個(gè)特征文檔，如圖 414。首先，我學(xué)會(huì)了 MATLAB 的使用，在畢設(shè)之前從來沒有接觸過 MATLAB，對(duì) MATLAB 的使用和操作也一概不知。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(huì)了我許多東