基于情感图像检索系统的设计与实现毕业设计论文

《基于情感图像检索系统的设计与实现毕业设计论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

西安邮电大学毕业设计（论文）题目：基于情感图像检索系统的设计与实现院（系）：计算机学院专业：计算机科学与技术班级：计科1004班学生姓名：任宁宁导师姓名：刘伟职称：副教授起止时间：2013年09月25日至2014年06月02日 毕业设计（论文）诚信声明书本人声明：本人所提交的毕业论文《基于情感图像检索系统的设计与实现》是本人在指导教师指导下独立研究、写作的成果，论文中所引用他人的文献、数据、图件、资料均已明确标注；对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式注明并表示感谢。本人完全清楚本声明的法律后果，申请学位论文和资料若有不实之处，本人愿承担相应的法律责任。论文作者签名：（签字）时间：年月日指导教师签名：（签字）时间：年月日 西安邮电大学毕业设计(论文)任务书学生姓名：任宁宁指导教师：刘伟职称：副教授学院：计算机学院专业：计算机科学与技术题目：基于情感图像检索系统的设计与实现一、任务与要求图像中含有情感信息，不同的图像会唤起人类不同的情感。将图像情感语义特征应用到图像检索中，使图像检索的结果更加符合人类对图像的自然描述、理解和需求，是一个有着学术和应用价值的问题。本题目是基于内容的图像检索（CBIR）应用系统的设计，目标是用Matlab（或其他开发平台，如C#、Java）开发出能够满足用户提出的情感色彩检索要求的检索算法以及对应的图像检索实验平台。通过本设计可以较为熟练的掌握图像处理程序设计方法，并对图像处理和图像检索技术有一定的了解。具体的任务包括：（1）根据所给的情感数据库以及自行从因特网上下载的图像构造一个实验数据库，数据库中包含经过若干被试主观评估、打分整理后的情感语义图像（数据库中包含“静感”和“动感”两类语义图像）。（2）采用“线条方向直方图”作为特征描述情感语义（“静感”和“动感”两类语义）。（3）采用K-NN和BP神经网络用于图像语义分类。（4）设计出情感图像检索原型系统。要求开发出的程序满足正确性和执行效率的要求，并在上述（1）中构建的图像数据库上完成计算机算法验证实验。要求同学完成毕业设计后应提交相应的毕业设计文档（如毕业设计论文等）以及可在Windows平台下运行的情感图像检索原型系统程序。二、参考资料[1]RafaelC.Gonzalez等著，阮秋琦等译.DigitalImageProcessing（中文版名：数字图像处理）[M].北京：电子工业出版社，2003.[2]KherfiML，ZiouD，BernardiA.ImageRetrievalFromtheWorldWideWeb：Issues，Techniques，andSystems[J].ACMComputingSurveys，2004，36（1）：35-67.[3]章毓晋.基于内容的视觉信息检索[M].北京：科学出版社，2003.[4]庄越挺等著.网上多媒体信息分析与检索[M].北京：清华大学出版社，2002.[5]刘伟.图像检索中若干问题的研究[D].杭州：浙江大学，2007.[6]王上飞，王煦法.图像情感检索研究的进展与展望[J]. 电路与系统学报，2005，10（4）：102-110.[7]王伟凝，余英林.图像的情感语义研究进展[J].电路与系统学报，2003，8（5）：101-109.[8]王伟凝，余英林，张剑超.基于线条方向直方图的图像情感语义分类[J].计算机工程，2005，31（11）：7-9.三、主要仪器及材料所需硬件设备为安装有WindowsXP及以上操作系统的台式计算机一台。该计算机安装有Matlab2008或以上版本软件（或其他开发平台软件）、MicrosoftWord字处理软件（或具有相似功能的其他软件）、ACDSee图像浏览软件（或具有相似功能的其他软件）。四、工作计划（时间进度）1)2013年10月9日-12日：开始选题，制订计划。2)2013年10月12日：启动科研训练，明确要求。3)2013年10月1日-27日：课题调研，文献查阅，完成开题报告。4)2013年10月30日前各专业负责人审查本专业指导教师的任务书。5)2013年11月1日-8日：完成《开题报告》的撰写工作、准备开题报告答辩工作6)2013年11月7日：开题报告答辩。7)11月15日前（第十二周）学生将《开题报告》（定稿）上传至毕设管理系统中。8)2013年11月2日-下学期开学前两周：准备资料，迎接中期检查。9)2014年3月13日：中期检查。10)2014年3月13日-2014年5月28日：毕业论文的设计与实现。11)2014年5月30日：毕业论文查重。12)2014年6月4日：终期验收。13)2014年6月11日：毕业设计答辩。 西安邮电大学毕业设计(论文)开题报告计算机学院院（系）计算机科学与技术专业10级04班课题名称：基于情感图像检索系统的设计与实现学生姓名：任宁宁学号：04101118指导教师：刘伟报告日期：2013年11月02日 1.本课题所涉及的问题及应用现状综述随着计算机技术和网络技术特别是因特网技术的发展，以及近年来消费型电子产品（如数码相机、带拍照功能的手机、电子摄像机等）的普及，使得数字图像等多媒体数据的规模急剧膨胀，每天都有巨量的数字图像产生、发布和共享。如何从浩如烟海的图像信息中及时、高效地寻找所需要的图像成为一个需要迫切解决的问题。基于内容的图像检索问题正是在这样一个背景下提出。目前的商用Web图像搜索引擎，如Google和百度都是采用和文本搜索类似的技术路线，即采用Web网页中与图像关联的文字信息（即图像标签文字）来完成搜索任务。这样的方法带来的问题是：（1）搜索精度有限。因为和用户输入的关键字匹配的网页图像标签文字并不一定能很好地描述图像本身的“内容”；（2）无法实现“以图搜图”功能。即根据图像而不是文字来搜索图片。“以图搜图”功能具有重要的应用价值。基于内容的图像检索（content-basedimageretrieval，CBIR）是有望解决上述问题的关键技术。图像检索是属于图像分析的一个研究领域。其目的是在给定查询参数（如查询图像）的前提下，依据内容信息或指定查询标准，在图像数据库中搜索并查找出符合查询条件的相应图像。心理学研究表明，图像中含有情感信息，不同的图像会唤起人类不同的情感。如何有效地模拟人观察图像后所引起的情感感觉，并使用带有感情色彩的语义表述图像，是一个具有很大挑战性的前沿课题。“动感”和“静感”是一对人类常有的情感，本设计使用图像的低层特征来对艺术图像进行“动感”和“静感”的分类，并在此基础上实现情感图像检索，这是一个有益的探索工作。而当今的绝大多数基于内容的图像检索系统主要是对图像的多维物理特征进行相似性匹配查询，对于用户的爱好、情感等主观或感性化的因素考虑较少。因此我们引入了情感计算这个概念，情感计算的目的是通过赋予计算机识别、理解、表达和适应人的情感的能力来建立和谐的人机环境。另一方面，视觉信息是人类从客观世界获得信息的主要来源，人向外界获取的信息中，视觉成分约占总数的80%，图像则是视觉感知的结果和表现形式。随着多媒体技术的迅速发展，数字图象处理中的一个重要研究方向是使计算机能够模仿人的感觉和需求来处理和理解图像。因此情感图像检索将从用户的情感需求出发，探索高层次的用户情感和低层次的图像特征之间的联系，建立交互式动态的情感图像检索模型。目前情感图像检索主要涉及以下四个方面的研究内容：1）定义图像的感性特征（图像元数据），即抽取图像中较容易引起用户情感变化的特征；2）定义用户情感信息的描述方式（印象语元数据），即用户用来表达心理的形容词（也称为印象语，ImpressionWords）在计算机中的处理和表达方式；3）计算图像感性特征与用户情感需求之间的语义相关性，即建立用户高层次的情感信息和图像低层次的感性特征之间的联系，也即建立情感用户模型（AffectiveUserModel）；4）通过学习机制，根据用户的不同，自适应调整情感用户模型，提高检索的准确性，即个性化情感用户模型。 在图像检索系统的早期应用有日本的“ArtMuseum”和“IQI系统”，能够使用印象词（impressionwords）如（自然的、优雅的、华丽的等）检索图画；最近的Bianchi-Berthouz的K-agent图像检索系统，比一般的系统更注重用户的情感需求；还有Chile大学正在研制的TEXRET系统，希望使用类似人类感觉的定性描述来检索纹理图像[21]；意大利的Colombo等还在图像情感研究的基础上，还进行了视频图像的语义检索研究，用于广告、电视等视频检索[5]。除此之外，图像的情感研究在设计系统中也得到了应用，日本色彩与设计研究所推出的ImageAnalystLE系统，能根据用户的性别、年龄、职业及用户性格的调查，运用已有的颜色研究成果，找到的适合用户的风格（如自然的netural、优雅的elegant、别致的chic）和色彩搭配（米黄、草绿、浅褐色、浅灰等），最后给出用户所需的服装、居住环境、消费用品的颜色设计方案；南京航空航天大学苑寅秋根据配色方案评判模型以及色彩情感效应的量化研究，将针对机电产品色彩构成，本着“回归人本”的现代设计主题，将专家系统技术引入到几点产品色彩设计领域，研制了面向机电产品的色彩设计专家系统（MCSES），实现了推荐配色方案及方案预览功能。北京航空航天大学的陈斌证明了图象的分形维数与情感特性具有一定关系，并根据这种关系，提出了用计算机自动产生和谐分布图案的算法。2.本课题需要重点研究的关键问题、解决的思路及实现预期目标的可行性分析(1)情感图像检索的背景、目的和意义；(2)情感图像数据库的构建；实验收集中了包括油画、水粉画、中国画等在内的彩色艺术图像200幅，请5位年龄在20~25岁的男女大学生参与，每人都对图像的动感作出评估，将图像分别用0，1，2表示，其中0表示“静感”图像，2表示“动感”图像，而1表示中间类，表示图像介于静感和动感之间，我们在试验中将1类从图像库中去除。最后得到若干幅图像，其中“静感”类图片若干张，“动感”类图片若干张。这些实现起来工作量比较大，需要细心认真，总体来时比较容易构建。（3）“线条方向直方图”算法的设计与实现；动感和静感是一对人类常有的情感，根据线条与图像动感感觉之间的联系，使用图像的低层特征来对艺术图像进行“动感”和“静感”的分类，采用了改进的边缘方向直方图作为特征，并使用概率神经网络（PNN）进行分类，达较高的准确率，是对图像情感语义分类研究的有益探索。Jain等人提出的边缘方向直方图方法，使用canny算子（σ＝1，高斯滤波器宽度＝4）对图像进行边缘检测，得到的边缘图像中每个边缘像素都具有一个梯度模值M(x,y)和一个方向梯度相角值θ(x,y)：(1) 其中，θ∈(-90°,90°)，而边缘像素点的方向梯度相角与该点的边缘线条方向垂直，所以线条方向为：α(x,y)=θ(x,y)+90°，α∈(0°,180°)。在计算直方图矢量之间的距离时，我们使用了欧式距离度量，如式(2)所示：(2)图像人工分类结果表明，具有较多垂直线条的图像与具有较多水平线条的图像一样都给人以宁静的感觉，进行分类的依据是不同图像的直方图向量之间的距离，根据分类的原则，同类向量之间的距离应该较小，异类向量之间的距离应该较大，即类内距离要小，类间距离要大。对于不符合分类的要求，有必要对直方图进行修正。（4）K-NN、BP神经网络分类器的设计与实现；神经网络（NN，neuralnetwork）是在现代神经科学研究成果的基础上提出来的，是对人脑动能的若干特性的简化、抽象和模拟的数学模型。神经网络由许多具有非线性映射能力的神经元组成，神经元之间通过权系数相连接，其信息分布式存储于联接权系数中，使网络具有很高的容错性和鲁棒性，这一特点使得其具有能够解决模式识别问题的潜力，人工神经网络所提供的学习能力，大大放松了传统识别方法所需的约束条件，使其对某些识别问题显示出极大的优越性。余英林等就采用BP神经网络方法对图像的的纹理的特征进行分类取得了良好的效果，还对基于模糊感知器的模糊神经分类器进行过详细的讨论。做为一种建立非线性映射的一个强有力的工具，神经网络方法在图像情感研究中得到了广泛的应用。Jinsub建立了基于多层反馈神经网络的彩色图案的情感评估系统，显示出比前人的线性系统评估结果更高的准确率。Hayashi使用了反向传播规则的神经网络来建立图像特征与印象词间的联系，达到了78.8%的准确率。搞懂K-NN算法设计，仔细思考算法细节问题，以及各种实际中遇到的问题。完成本课题的工作方案3.本学期应该完成如下任务：（1）学习图像处理、图像检索、模式识别中和本毕业设计相关的知识；（2）熟练掌握Matlab语言程序设计方法；（3）构建好测试用的“情感语义图像数据库”；（4）完成“线条方向直方图”算法；（5）完成《开题报告》；（6）完成外文翻译。具体进度安排：(1)2013年9月25日-27日：开始选题，制订计划。(2)2013年9月30日：启动科研训练，明确要求。(3)2013年10月1日-27日：课题调研，文献查阅，完成开题报告。 (4)2013年10月28日-11月12日：开题报告答辩。(5)2013年11月2日-下学期开学前两周：准备资料，迎接中期检查。(6)下学期开学-2014年6月2日：完成毕设并参加毕业设计答辩。参考文献：[1]陈斌.基于分形与小波的图像和谐情感特性研究[D].北京航空航天大学硕士学位论文,2002.[2]RafaelC.Gonzalez等著，阮秋琦等译.DigitalImageProcessing(中文版名：数字图像处理)[M].北京：电子工业出版社，2003.[3]KherfiML，ZiouD，BernardiA.ImageRetrievalFromtheWorldWideWeb：Issues，Techniques，andSystems[J].ACMComputingSurveys，2004，36(1)：35-67.[4]章毓晋.基于内容的视觉信息检索[M].北京：科学出版社，2003.[5]庄越挺等著.网上多媒体信息分析与检索[M].北京：清华大学出版社，2002.[6]刘伟.图像检索中若干问题的研究[D].杭州：浙江大学，2007.[7]王上飞，王煦法.图像情感检索研究的进展与展望[J].电路与系统学报，2005，10(4)：102-110.[8]王伟凝，余英林.图像的情感语义研究进展[J].电路与系统学报，2003，8(5)：101-109.[9]王伟凝，余英林，张剑超.基于线条方向直方图的图像情感语义分类[J].计算机工程，2005，31(11)：7-9.4．指导教师审阅意见指导教师(签字)：　　　　　　年月日说明：本报告必须由承担毕业论文(设计)课题任务的学生在毕业论文(设计)正式开始的第1周周五之前独立撰写完成，并交指导教师审阅。 西安邮电大学毕业设计(论文)成绩评定表学生姓名任宁宁性别女学号04101118专业班级计科1004班课题名称基于情感图像检索系统的设计与实现课题类型科研题目难度一般毕业设计（论文）时间2013年9月25日~2014月6日02日指导教师刘伟(职称：副教授)课题任务完成情况论文11(千字)；设计、计算说明书0(千字)；图纸0(张)；其它(含附件)：指导教师意见分项得分：开题调研论证分；课题质量（论文内容）分；创新分；论文撰写（规范）分；学习态度分；外文翻译分指导教师审阅成绩：　　指导教师(签字)：　　　　　年　　月　　日评阅教师意见分项得分：选题分；开题调研论证分；课题质量（论文内容）分；创新分；论文撰写（规范）分；外文翻译分评阅成绩：　　评阅教师(签字)：　　　年　月　日 验收小组意见分项得分：准备情况分；毕业设计（论文）质量分；（操作）回答问题分验收成绩：　验收教师(组长)(签字)：　　　　年　月　日 答辩小组意见分项得分：准备情况分；陈述情况分；回答问题分；仪表分答辩成绩：答辩小组组长(签字)：　年月日成绩计算方法(填写本系实用比例)指导教师成绩20(％)评阅成绩30(％)验收成绩30(％)答辩成绩20(％)学生实得成绩(百分制)指导教师成绩评阅成绩验收成绩答辩成绩总评答辩委员会意见毕业论文(设计)总评成绩(等级)：院答辩委员会主任(签字)：院(签章)年月日备注西安邮电大学毕业论文(设计)成绩评定表(续表) 目录摘要IAbstractII引言11.概述21.1背景与现状21.2基于情感图像检索的概念41.3情感图像检索特征的分类41.4未来的研究趋势52.图像的特征算法72.1线条方向直方图72.2BP神经网络分类器92.3k-NN分类器92.4Weightedk-NN分类器103.程序设计113.1情感图像的基本框架113.2实验平台MATLAB介绍113.3软硬件环境的介绍124.程序运行与结果分析134.1情感图像数据库的建立134.2线条方向直方图的改进算法与原始算法的分类正确率的比较154.3程序的运行和结果分析165.总结27致谢28参考文献29 摘要研究表明，许多图像中里都包含着一定的感情色彩，不同的图像会唤起人类不同的情感。如何有效地模拟人观察图像后所引起的情感感觉，并使用带有感情色彩的语义表述图像，是一个具有很大挑战性的前沿课题。情感图像检索的研究在医学、心理学、智能科学、社会学、计算机学、农业学等等领域都有巨大的应用价值。本文研究图像的低层视觉特征与高层语义之间的关系，例如情感的“静态”“动态”与图像之间的关系。首先，建立一个包含动静态的图像数据库。在互联网上收集200幅包含“动感”和“静感”内容的艺术图像（如油画、水粉画、中国画。包括东方和西方作品）。然后请3位同学对图像的动感作出评估，进行打分，最后得到包含200幅“静感”类和“动感”类图像的数据库。其次，利用线条方向直方图提取图像边缘特征信息，再这基础上可以改进算法，比较分类的正确性。并且结合Weightedk-NN、k-NN、BP神经网络三种分类器对情感图像数据库进行分类，分类提高了图像检索的正确率。使用分类器的原理是：如果分类器分类正确，那么检索到的结果都是正确的，反之亦然。通过本次实验证明，相对于k-NN、Weightedk-NN分类器，BP神经网络分类器的分类正确率是比较高的，分类率为0.578。k-NN、Weightedk-NN分别是0.5774和0.5699。通过改进训练样本可以改进提高分类率。本文重点研究线条方向直方图、k-NN、Weightedk-NN、BP神经网络分类器的算法。关键词：视觉特征计算情感图像检索线条方向直方图分类器I AbstractResearchshowsthatmanyimagesareincludedinacertainemotionalcolors,differentimageswillevokedifferenthumanemotions.Howtoeffectivelysimulatetheemotionalfeelingofpeoplecausedbytheobservedimageandtheimageusingsemanticrepresentationsemotionally,isleadingsubjectofagreatchallenge.Emotionalimageretrievalresearchinmedicine,psychology,smartscience,sociology,computerscience,etc.inthefieldofagriculturalsciencehasgreatvalue.Low-levelvisualfeaturesandtherelationshipbetweenhigh-levelsemanticimagethisstudy,suchas"static","dynamicrelationship"betweentheimagesandemotions.First,createtheimagedatabasecontainingdynamicstatic.Collected200contains"dynamic"and"staticsense,"theartofimagecontentontheInternet(suchasoilpainting,watercolorpainting,Chinesepainting,includingEasternandWesternworks).Thenaskstudentstomakethreedynamicimageassessment,scoring,andfinallygetthatcontains200"quietsenseof"classandthe"dynamic"classimagedatabase.Secondly,theuseoflinestoextractimageedgedirectionhistogramfeatureinformation,thenitcanbeimprovedalgorithmbasedoncomparingtheclassificationaccuracy.AndcombinedWeightedk-NN,k-NN,BPneuralnetworkclassifierthreekindsofemotionalimagedatabasecategorizeimprovetheimageretrievalaccuracy.Useclassificationprincipleis:iftheclassificationaccuracy,thenretrievedtheresultsarecorrect,andviceversa.Throughthisexperimentprovedthatwithrespecttothek-NN,Weightedk-NNclassifier,BPneuralnetworkclassifiercorrectrateisrelativelyhigh,theclassificationwas0.578.k-NN,Weightedk-NNwere0.5774and0.5699.Canbeimprovedbyimprovingthetrainingsamplestoimprovetheclassificationrate.Thispaperfocusesonthelinedirectionhistogram,k-NN,Weightedk-NN,BPneuralnetworkclassifieralgorithm.Keywords:VisualfeaturescalculationemotionalimageretrievallinedirectionhistogramtheclassifierII 基于情感图像检索系统的设计与实现引言随着信息化时代的到来和信息传播速度大力的提升，越来越多的图像信息被人们所接触。生活中，很多图像不但带有丰富的表面信息，而且蕴含了许多情感内容，为了满足用户主观的对于图像信息的需求，就兴起了图像检索技术。近年来，图像检索技术已成为什么热门的研究课题。早在上个世纪80年代初期，就已经形成了基于文本的图像检索，它通过提取关键字信息，通过关键字与文本信息进行检索的一门技术[1]。虽然文本图像检索大大的提高了图像检索的效率，但是有些图像的关键字比较抽象、难以描述，加之一千个读者便有一千个哈姆雷特，中国汉字的多义性使得结果往往不如人意。直到上个世纪90年代初，伴随着，互联网图像信息的突飞猛进，基于内容的图像检索技术(CRIR)成为图像检索的主要技术[2]。其实，CRIR就是采用图像的颜色、纹理、形状以及本身包含的不同层次结构和语义信息来对图像进行检索的，主要依据图像的相似性进行判断的。目前，人们一般采用形容词描述图像的情感语义，例如，烛光给人温馨温暖的气氛等等，日本研究人员早早开展这方面的研究，他们将描述情感语义的形容词称作为Kansei(感性的)[3]。情感图像检索的研究与人类的视觉感受到的信息密切相关，通过研究这两者之间的关系，对未来的发展具有什么重要的意义和作用。32 基于情感图像检索系统的设计与实现1.概述随着因特网技术的不断发展和电子产品的大量普及，可获取的数字图像的数据规模越来越多，数据库日益增大，极大地方便了用户的需求，同时为社会创造了巨大的经济效益。为了满足人们的需求，每天都会产生巨量的数字图像，这样确实是带来了人们便利，但是用户无论使用何种信息，首先都得面临如何查询自己所需的图像信息，于是就出现了两种图像检索方法即基于文本的图像检索和基于内容的图像检索。1.1背景与现状现如今大多数的搜索引擎都是基于文本的关键词搜索，即文本注释。它是先对图像进行文字内容的注解，然后在图像数据库里进行检索。但是这样方法有一定的缺陷。虽然文字注解概括了抽象的图像信息，但是由于用户对事物的主观性和文化背景的差异，人们对同一件事物的描述可能存在不同的理解，那么，当用户查询时录入的关键词与数据库中的关键词不匹配或者不存在时，将会导致查询失败。另一方面，关键字对文本的描述能力有限，很难全面的反映图像内容的中心思想。再者，不同地区不同国籍之间的自然语言理解和表述问题对文本的描述也存在差异，这又给检索造成了新的困难，尽管可以借用词典或者互联网得到简化，但是，同时使得检索的表达能力受到了极大的限制。接着出现了利用Web网页中图像的关键字信息来进行检索的引擎技术。因此客观上讲，目前的图像搜索引擎，从本质上并没有解决这一难题，搜索结果不能达到预期的目标。如图1-1所示，利用搜狗图像搜索引擎输入关键字“企鹅”后得到的结果，图2是利用百度图像搜索引擎输入关键字“小燕子”后得到的结果。图1-1搜狗图像搜索示例32 基于情感图像检索系统的设计与实现由图可以看出，图1-1中的第二排最后一幅图检索到了大猩猩，第三排第5列检索到了海龟，这些图片都是不符合要求的。图1-2中，第二排和第三排检索到了著名影星赵薇的照片，因为虽然关键词的泛指性，这样也造成了图像检索结果的不理想，检索到的结果往往也不能令人满意。图1-2百度图像搜索示例另一种是基于内容的图像检索，顾名思义，它是根据图像的内容进行检索的。由于图像依靠它的视觉特征来进行检索，根据视觉特征的相似度进行比较，然后按照相似度进行排序并且将结果返回给用户。根据实验结果，基于内容的图像检索比较以前的检索系统有很大的进步。但是尽管如此，基于文本和内容的图像检索仍然存在着许许多多等待人们去探索和解决的问题。加之，图像内容的丰富性和多样性，用户心理的变化的主观性，对图像检索的研究提出了挑战，因此情感图像检索的研究是目前十分热门的具有挑战性的研究课题，具有十分重要的意义。图1-3是图像检索系统的框架。图1-3图像检索系统概念示例32 基于情感图像检索系统的设计与实现1.2基于情感图像检索的概念图像语义有好几层[4，5]。而我们讨论的情感语义位于抽象语义的最高水平，它可以被定义为描述强度和情绪，感情或通过可视图像诱发人类的情感类型的情感语义。它通常是以形容词的形式表示，即快乐，浪漫，辉煌等等。情感语义的图像检索（ESIR）可以被视为一个基于语义的图像检索和情感识别的分支。情感图像语义的自动推导将延长图像索引和检索目前的可能性范围。例如，我们将能够对“一个宜人的景观”或“优雅的服装图像”进行检索。此外，图像检索的结果也将随着情感图像内容的参与而增强。1.3情感图像检索特征的分类情感是一种微妙的心理表现，存在着很大的多义性和主观性，不同图像都会给人不同的感受,而不同的人对相同的图像也会存在各色各样的情感差异[6]。图像中的颜色、形状、纹理与图像中包含的情感是紧密相关的。本小节围绕颜色、纹理、形状等特征开展。1.3.1颜色中的情感颜色是组成美丽图像的元素之一。从色调上看，一般将色彩分为暖色调和冷色调，不同的色调带给人不同的感受，性别的差异对相同色调的感知也是有差异的。同理，色彩饱和度的差异也给人不同的感受。一言以蔽之，颜色基于其显著的心理学反应，对图像的情感语义的研究有着十分重要的作用[7]，因此，在图像情感检索的研究中，一定要重视颜色特征且必须将其做为重要的特征加以研究。颜色是最直接、最敏感的视觉特征，是描述情感图像最有效的特征之一，具有鲜明性、独特性、合适性、联想性和稳定性等特点，在外界环境（软件和硬件）和自生特点等因素的变化下都表现出超强的健壮性。不同的事物有着不同的颜色特征，因此可以利用颜色特征来区别不同物体。例如，红玫瑰代表热情、兴奋、强烈、好战、希望、奋进，绿色的草地代表新鲜、清新、和平，蓝色的天空代表清爽、自由、宁静。图像的颜色特征细致的研究和分析有助于对人的心理情绪变化进行分析，对是情感图像检索的有着十分重要的意义。1.3.2纹理中的情感实际上，纹理特征是颜色特征的另一种的表达形式的存在，它是一种表面的视觉属性，表达了包含在物体表面的情感信息。例如，颗粒状的沙滩给人粗糙的感觉，家具的木质花纹又给人一安适感，这些纹理特征都带给人们不同的视觉心理效果，与人们情感息息相关。32 基于情感图像检索系统的设计与实现1.3.3形状中的情感形状特征是情感图像中最核心的特征，它可以清晰的反映出图像的区域、轮廓的基本特征。图像中的形状可以激发人的感性认识，主要是由于形状的美学价值之一作用的影响。例如，线条形态的不同会给人不同的感受，垂线给人以正直、公平、庄严、严肃；水平线给人宽广、无线延伸、遐想、安静、有活力；曲线给人以柔美、优亚、有节奏感。不同的形状传达给人不同的视觉体验，人们会主观的赋予它们不同的感情色彩[8]。1.4未来的研究趋势三个关键问题的改进依赖于对其他相关领域进一步的了解，例如，使用认知科学和心理学的输出来设计更好的图像特征，这与图像的情感有着密切的关系并且可以表达图像语义；使用最新的研究人工智能成果和机器学习来改善情感的重组和推理效率。1.4.1个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，这意味着在一定程度上一定数量的人可能会同意。然而，情绪感受是非常主观的，强烈依赖于个人的性格。这是考虑个体差异，增强检索系统满意度的一个重要方向。总的想法是建立一个特定的配置文件为特定用户或用户组，来记录个人喜好和共同的情感之间的自适应信息。Bianchi-Berthouze[9,10]提出的K-DIME系统，其中，感性自适应个性化图像检索可以根据用户的感性偏好来实现。在该系统中，感性用户模型提出了通过用户评估该系统来建立相关的反馈录入，以便来构建记录每个人的主观性。然而，没有性能数据是提出证明这种做法是多么的成功。在产品的图像检索，BAEK[11]定义的用户配置文件仅仅通过感性的重量，通过用户反馈，这些关键的重量和感性可以学习和变化。在个性化检索中挑战有：1）方法创建和处理配置文件是不够的；2）需要大量情感反馈量，数据难以收集和对于用户来说过程是无聊的。1.4.2结合Web文本的关键字信息现在越来越多的图片来自于网络。这些图像的特征表现在结构化的Web页面的视觉和语言信息。从文本和图像梳理功能，从不同媒体的更多的信息可以被集成到推导出情感语义。在信息检索技术和语言分析方面，如WordNet的，潜在语义分析（LSA）可能在将来被使用。32 基于情感图像检索系统的设计与实现罗伯托[12]提出了一种分类方法，叫做无监督图像分类法。它是通过语言描述的信息从网页中提取集成视觉特征的意味着LSA，为了获取图像语义。这种方法可用于提取图像的情感语义理解之间的语义关系和一般情感语义。1.4.3结合影像美学影像美学是一个新的方向，新出现的。彼得斯[13]。提出了六个方面的视觉美学的基础上人类视觉系统的模块化。罗斯[14]研究基于美观的图像自动合成拉尔夫的审美方式。和Datta[15]提出了一种方法来自动推断出审美素质的照片使用他们的视觉作为机器学习的内容。一定的视觉特征的基础上直觉是提取区分美学愉悦的和令人不快的图像。因为强烈的关系影像美学与情感之间，结论和提取图像的美学的方法，将有助于在情感语义研究。1.4.4建筑实践的目的一般系统由于大多数的图像检索系统目前提出的情绪基于特定领域的知识和具体的画廊喜欢绘画，图案，纺织品，工艺对象，背景或景观，它们是简单的，在特定的领域有限公司。从用户的角度来看，一个通用的和灵活的解决方案，预计将使用方便，在实际应用中的扩展。这是一个具有挑战性的课题，在未来随着每一种解决方案特定领域的不断提高。32 基于情感图像检索系统的设计与实现2.图像的特征算法2.1线条方向直方图图像的边缘特征作为图像的基本特征之一，包含着十分重要的图像信息，而图像的边缘点的方向梯度与图像的边缘点方向垂直，那么如果我们求出边缘点的方向梯度相角值，就能够容易的解决图像边缘点的方向角度，从而统计出边缘图像角度的分布，得出图像的特征。2.1.1原始的线条方向直方图对于某个图像某点的方向梯度相角，可以通过求它在某一点的导数，然后对它的正切取导数，例如(2-1)其中，，因为图像边缘点的方向和此点的梯度方向垂直，所以此点的方向即此点的切线方向夹角范围是。因此根据边缘点的方向梯度相角度，我们可以得到此点的切线方向角度，并且绘制出边缘点角度的方向直方图，便于直观，我们可以以10°为量化，统计出这些边缘点的直方图，例如下图2-1、2-2、2-3所示，图2-2、2-3为静态图像示例，图2-1为动态示例。然后根据直方图，我们可以计算不同图像之间的直方图距离，距离差异越小，那么图像的相似性就越高。(2-2)(1)原图(2)线条图(3)直方图图2-1动感图像特征32 基于情感图像检索系统的设计与实现(1)原图(2)线条图(3)直方图图2-2静感图像特征(1)(1)原图(2)线条图(3)直方图图2-3静感图像特征(2)2.1.2改进的线条方向直方图根据研究表明，水平线和垂直线同样给人以安静温馨的感觉，也就是说，在0°、180°与90°的时候线条给人的感觉是相同的，那么我们就可以通过一次对折将0°与180°重合，直方图成0°到90°，我们再次对折一次直方图成0°到45°，由大量实验可得，越是接近45°图像的动感越强烈，通过改进后的直方图，也可以发现图像之间的同类之间的距离也越来越小，异类之间的距离也越来越大了。进过2次对折后的直方图，如2-4所示：图2-4改进的线条方向直方图32 基于情感图像检索系统的设计与实现2.2BP神经网络分类器2.2.1BP神经网络的概念BP网络简称反相神经网络，是一种方向传播的神经网络。它由输入层、输出层和隐含层组成。隐含层也可以包含为一个或多个。BP神经网络的结构如图2-5所示。2.2.2BP神经网络的原理BP神经网络就是模拟生物的神经元之间的传递。首先，信号传递到输入端，通过第二隐含层的多层复杂的运算加工，传递到输出端，比较实际结果与输出端的期望值，如果他们之间存在误差，那么就将结果重新反馈回隐含层，经过隐含层的多级处理，又重新反馈给输入层，输入层又重复第一次的过程，一次次运算，减少误差率，已达到满意的结果。　图2-5BP网络神经图2.3k-NN分类器在介绍k-NN分类器之前我们先要理解什么叫做最近邻法，顾名思义，最近邻法就是已知一个待分类样本x，比较它和N个已分类样本之间的距离，通常是欧式距离，选择和它最相近的点，然后将x划分为这个最近点的同类样本中。k-近邻法：如图2-6所示是最近邻法的一个扩展，基本思路是:对于一个待分类样本，比较它和N个已知分类样本之间的距离，选取出k个和它距离最近的样本，看这k个样本中，那一类的样本最多，那么就将x划分到那一类去。换句话说，就是在N个已知样本中选择k个距离x最近的样本，设N有n1,n2,n3,n4...ni，i个各类，k1,k2,k3,...ki分别属于n1,n2,n3,n4...ni，那么得到的类别就是x的类。32 基于情感图像检索系统的设计与实现2.4Weightedk-NN分类器图2-6K-近邻法图2-7Wightedk-近邻法k-近邻法中，当样本比较少时，k-NN法就不合适了。如2-7图所示，由图可知，尽管在k近邻中类别B的样本数多于类别A，但类别A的样本和待分类样本距离更近，将待分类样本分类为类别A可能更合理。可以将各个样本和待分类样本之间的距离作为权重进行计算，以确定类别：在得到待分类样本x的k个近邻的已知样本{,1,2,...,k}后，用如下公式来计算其最终的类别号(式中是距离权重):(2-3)(2-4)其中表示样本的类别标签，表示待分类样本和已知样本之间的距离（如可使用欧式距离计算）。32 基于情感图像检索系统的设计与实现3.程序设计3.1情感图像的基本框架图像的情感检索基于用户的情感需求，最高层的情感语义和图像的底层特征之间的联系是研究者重点关注的，并且建立了人机交互式的情感图像检索，如图3-1给出了情感图像检索的基本框架。图像感性特征库用户情感信息学习机制元数据检索子系统（情感用户模型）特征提取子函数图像数据库用户检索要求检索到的图像用户反馈图像元数据印象语元数据检索到元数据情感数据库系统图3-1基本框架[16]由图3-1可知，情感图像检索系统主要研究如下四个方面的内容:1)建立图像感性特征数据库，即通过定义图像的感性认识，抽离概括引起人们情感变动的重要特征；2)收集用户情感信息，利用形容词的感性特点，让其与情感数据库进行匹配；3)通过图像数据库，提取特征子函数，然后将其与情感图像数据库进行检索；4)通过学习能力，依据不同的情况，确保正确率提高的情况下，自主调节情感用户模型。3.2实验平台MATLAB介绍MATLAB最初是由CleveMoler用Fortran语言设计的，有关矩阵算法来自Linpack和Eispack课题的研究成果；现在的MATLAB程序是MathWorks公司用C语言开发的。MATLAB作为美国MathWorks公司的用于概念设计，算法开发，建模仿真，实现的理想的集成环境。是目前最好的科学计算类软件之一。MATLAB软件的图标如图3-2所示。任何一个MATLAB32 基于情感图像检索系统的设计与实现程序的基本组成单元是数组。数组是一组数据值的集合，这些数据被编上行号和列号，拥有唯一的名称。数组中的单个数据是可以通过带有小括号的数组名访问，括号内有这个数据的行标和列标，中间用逗号隔开。标量也被MATLAB当作数组，只不过只有一行和一列。当MATLAB运行时，有多种类型的窗口，有的用于接收命令，有的用于显示信息。三个重要的窗口有命令窗口；图像窗口；编辑/调试窗口；它们的作用分别为输入命令；显示图形；充许使用者创建和修改MATLAB程序。在本节课中我们将会看到这三个窗口的例子。当MATLAB程序启动时，一个叫做MATLAB桌面的窗口出现了。MATLAB的主要应用领域有：(1)数值分析。（2）数值和符号计算。（3）工程与科学绘图。（4）控制系统的设计。（5）数字图像处理。（6）数字信号处理。（7）通讯系统设计与仿真。（8）财务和金融工程。MATLAB的主要功能有：数值计算功能、符号计算功能、绘图功能结果的可视化、图形化程序编制功能、MATLAB工具箱、MATLAB的兼容功能、MATLAB的容错功能等等。图3-2MATLAB图标　3.3软硬件环境的介绍计算机软硬件配置：主频为AMSAthlon(tm)IIDual-CoreM320，内存为1.99GB，操作系统操作平台：MATLABR2008a32 基于情感图像检索系统的设计与实现4.程序运行与结果分析4.1情感图像数据库的建立实验中搜集了风景图像、自然图像，艺术类图像，如兵马俑、雕塑、油画、国画等等一些具有地方特色的图像。总共200幅，邀请了3位同学分别对图像的动静态进行评估。评分标准采用10分制，1-5分代表静态，1时表示静感最强烈，静感强度依次减弱，5时静感最低；6-10分代表动态，动感强度依次增强，10时表示动感最强烈。然后求平分的均值，如果平分的结果等于在4-7(不包括4和7)之间，就丢弃该图片，否则计入数据库中。如果评分结果是静态，命名为Static_XXX.jpg,如果是动态，命名为Dynamic_XXX.jpg。图4-1，第一幅图片三位同学打分为：6、5、6，均值是5.67，第二幅图片打分为4、6、3，均值为4.44，所以这两幅图片不符号实验要求，因此，将这两幅图片丢弃。表4-1为三位同学评估情感图像的部分汇总表。图4-2是三位同学正在对200幅图片进行情感图像的评估。图4-1模棱两可的图像表4-1同学评估情感图像的部分汇总表图片名称同学A同学B同学C均值动静态Img_00169108.33动态Img_0021342.67静态Img_0035634.67丢弃Img_00481088.67动态Img_0051221.67静态32 基于情感图像检索系统的设计与实现图4-2三位同学对互联网上搜集的图片进行动感评估最终，通过同学们的不懈努力，积极的实验和评估，最终得出了两种语义的图像，分别包括100幅动态和100静态的。并将这200张图片放入到ImgDB数据库中，图4-3为ImgDB数据库，图4-4为ImgDB数据库下的静感和动感图像示例。32 基于情感图像检索系统的设计与实现图4-3ImgDB数据库动感语义的图像静感语义的图像图4-4ImgDB数据库下的静感和动感图像示例4.2线条方向直方图的改进算法与原始算法的分类正确率的比较图4-4分别代表的是5°、10°、15°量化下的原始算法计算的线条方向直方图与改进算法计算的线条方向直方图之间的对比。32 基于情感图像检索系统的设计与实现图4-4线条方向直方图的改进算法与原始算法的分类正确率的比较图4-4的左列的图片是动态的，右列的图片是静态的。第一行图片是5°单位量，第二行是在10°单位量，第三行是15°量化。由大量的试验数据表明，在不同单位量化下，原始算法计算的线条方向直方图和改进算法计算得到的线条方向直方图正确率如表4-2所示。表4-2原始与改进线条方向直方图正确率5°10°15°原始算法计算的线条方向直方图72.72%74.545%72.727%改进算法计算得到的线条方向直方图80%87.27%85.455%4.3程序的运行和结果分析4.3.1程序清单在程序运行过程中，会接触到各种子函数，表4-3列举出了这些子函数的名称和功能。表4-3程序子函数功能序号程序功能1BPNeuralNetworkClassifier.m实现了'BP'神经网络分类器(基于Matlab工具包实现2BPNeuralNetworkClassifierTestingDataSet.m实现了'BP'神经网络分类器(基于Matlab工具包实现).3CalcImgLineDirectionHistogram.m用于计算图像的'线条方向直方图'特征.4用来进行计算2个特征向量之间的32 基于情感图像检索系统的设计与实现CalcVectorCosineDistance.m'余弦距离'5FindFiles.m查找给定目录下的指定类型的所有文件,并返回文件名表6GetImageClassName.m根据文件名分析得到其对应的语义名.7kNNClassifier.m用于实现'k-NN'近邻分类器,分类一个未知样本的类别8kNNClassifierTestingDataSet.m用于实现'k-NN'近邻分类器9msf_Demo.m根据线条方向直方图特征计算函数计算得到相应的特征并显示计算结果10msf_EmotionalImgRetrieval.m用来实现情感图像检索,检索'动感-Dynamic'和'静感-Static'图像11PickUpImageClassInfo.m根据图像数据库中所有图像文件的文件名分析得到相关语义信息12RandomSelectSamples.m根据每个语义类训练样本所占的比例生成训练和测试样本集合及其语义标签值集合13TrainingBPNeuralNetworkClassifier.m实现了'BP'神经网络分类器(基于Matlab工具包实现)14WeightedkNNClassifier.m用于实现权重'Weightedk-NN'近邻分类器15WeightedkNNClassifierTestingDataSet.m用于实现权重'k-NN'近邻分类器4.3.2特征库的计算过程首先，在MATLAB运行msf_EmotionalImgRetrieval.m文件，然后弹出图4-5，表明系统正在进行特征数据库的计算。32 基于情感图像检索系统的设计与实现图4-5特征数据库形成的过程4.3.3演示模式过程1)分类器为BP神经网络,10°量化当特征数据库计算完成后，屏幕上会出现一个选择菜单，如图4-6所示，“d”表示Demo演示选项，当选择“d”时，弹出图4-7，选择一张示例图片，系统根据根据图片的语义特征，在已分类的图像特征数据子库里，利用余弦距离计算示例图片和子库中各图片的距离，然后按照距离由小到大的顺序排列输出。图4-6选择菜单图图4-7从情感数据库ImgDB中选择需要检索的图片例如，进入ImgDB文件，选择Dynamic_001.jpg这幅图片，这里我们程序里默认的分类器是BP神经网络，然后根据特征数据库对其进行分类，输出如图4-32 基于情感图像检索系统的设计与实现8所示的分类正确的提示信息，单击“OK”，系统检索出了4×5张与示例图像相似度按由大到小顺序排列的图像，如图4-9所示：图4-8正确的分类提示图图4-10错误的分类提示图4-9正确检索到19幅与示例图像相似的动态图片显然，基于分类器的检索框架主要依赖于分类器的分类正确率，如果分类正确，那么检索结果都正确（暂时不考虑检索结果中“子数据库”内各幅图像的排序次序）；如果分类不正确，那么检索结果都是错误的（因为返回的全是另外一个语义的“子数据库”中的图像）。例如，我们选择了Static_089.jpg这张图片，正常情况下，分类结果应该是static静态的，但是由于BP神经网络分类器分类的正确率不是100%，肯能就会有分类错误的情况发生，如图4-9，系统输出错误的提示，错将static分类成了dynamic，并错误的检索出相似度按由小到大顺序排列的19幅相似图片，由图4-10所示。32 基于情感图像检索系统的设计与实现图4-10错误检索到19幅与示例图像相似的动态图片2)分类器为k-NN，k=3,10°量化图4-11正确检索到19幅与示例图像相似的动态图片3)分类器为Weightedk-NN，k=3,10°量化32 基于情感图像检索系统的设计与实现图4-12正确检索到19幅与示例图像相似的动态图片2)分类器为Weightedk-NN，k=5,10°量化图4-13正确检索到19幅与示例图像相似的动态图片由以上图4-10、图4-11两幅图可知，当k值、量化单位相同，分类器不同时，分类出来相似度的结果不相同；由图4-11、图4-12两幅图可知，当分类器、k值相同，量化单位不同时，分类出来相似度的结果不相同；由图4-12、图4-13两幅图可知，当分类器、量化单位相同时，k值不同，分类出来相似度的结果不相同。32 基于情感图像检索系统的设计与实现4.3.4分类器模式过程在菜单栏中，当选择“c”时,如图4-11所示，系统会开始20轮分类正确率的计算，计算结束后，就会出现所示k-NN分类正确率比较试验和不同分类器比较试验。不同的分类器分别是BP、k-NN、Weightedk-NN。图4-11不同分类器的比较过程1.k-NN与Weightedk-NN分类正确率的比较1）当5°量化下，我们做了5组实验表4-45°量化k-NN分类正确率表次数NK值1357910.5750.6060.5820.6180.60620.5710.670.6050.590.5732 基于情感图像检索系统的设计与实现30.5630.6060.5940.5680.55640.46250.4750.4680.4750.462550.4820.4630.50.4820.464均值0.53070.5640.54980.54660.5317表4-55°量化Weightedk-NN分类正确率表次数NK值1357910.5750.6060.5750.60.59420.570.6440.6050.60.61330.5630.5820.5940.5870.57540.46250.48750.4750.4750.462550.4820.4680.5060.5180.513均值0.53010.55750.5510.5560.5515由表4-4和表4-5可知，当k=3时，k-NN分类正确率最高，为0.564。2）当10°量化下，我们做了5组实验，做出了k-NN与Weightedk-NN分类正确率的比较表表4-610°量化k-NN分类正确率表次数NK值1357910.5680.5370.50.5560.620.5630.550.5440.5560.56930.550.5320.5250.5620.5540.5440.5940.5870.550.55750.4940.5180.4940.5180.506均值0.54380.54620.530.54820.5672表4-710°量化Weightedk-NN分类正确率表次数NK值1357932 基于情感图像检索系统的设计与实现10.5680.550.5320.5680.620.5630.5820.6060.60.60630.550.55520.535250.54350.555240.5440.5820.5680.5820.58250.4940.5370.52250.5560.494均值0.54380.561240.552750.56990.56244由表4-6和表4-7可知，当k=9时，weightedk-NN分类正确率最高，为0.5699。3）当15°量化下，我们做了5组实验，做出了k-NN与Weightedk-NN分类正确率的比较表表4-815°量化k-NN分类正确率表次数NK值1357910.5440.5940.5680.5570.56320.5630.5560.5320.550.51830.5120.5820.5570.550.49440.5680.5440.5560.550.54450.5450.57250.6180.6380.625均值0.54640.56970.56620.57740.5488表4-915°量化Weightedk-NN分类正确率表次数NK值1357910.5440.5630.60.60.60620.5630.5680.5560.550.54430.5120.5370.5570.5130.54440.5680.5630.5820.550.53750.5450.5150.570.570.57均值0.54640.54920.5730.55660.5602由表4-8和表4-9可知，当k=7时，k-NN分类正确率最高，为0.5774。所以综上所述，当k=7，15°量化时，k-NN分类正确率最高，为0.5774。32 基于情感图像检索系统的设计与实现2.BP神经网络分类器性能表4-10不同量化下BP分类正确率性能比较度数次数N12345均值5°0.540.590.560.540.60.56610°0.590.560.580.630.530.57815°0.550.530.560.570.540.55由表4-10可知，10°时，BP分类器的分类性能最好，分类正确率是0.578。4.3.5退出系统在菜单栏中选择“e”时，系统弹出图4-12提示信息，系统完成检索，构建了图4-13的特征数据库。图4-12图像检索成功图4-13特征数据库由图4-13可看出，此特征数据库的size是5×200，5代表一个5维向量，因为我们选择的是直方图在10°下的单位量化，由研究可得在10°时，分类取得最大的正确率。而5°、15°的情况我们将在下面的实验中做出比较。那么200的含义，显而易见代表的是情感数据库里的所有图片。经过大量的实验，在特征数据库FeatureDB中，建立了60多个特征文档，如图4-14。32 基于情感图像检索系统的设计与实现图4-14特征数据库文档32 基于情感图像检索系统的设计与实现5.总结通过本次的毕业设计，我学习到了很多东西。首先，我学会了MATLAB的使用，在毕设之前从来没有接触过MATLAB，对MATLAB的使用和操作也一概不知。通过从最基本的矩阵开始练习，一点点了解，学习各种函数的使用，了解各类函数的功能，即使这样我对MATLAB的了解也是片面的，对其的认知也停留在一堆分散的点上，并不能结合起来运用，好比大树的许多零散的树叶，我们现在需要杆将它们组合成一颗大树。那么，接下来的毕设工作好比那树干，使我系统的了解了MATLAB，所以说，没有毕设的确教会了我许多东西。关于图像处理问题，刚开始也了解的不是很全面，在过程中阅读了国内的大量的文献，还有国外的一些外文文献，清楚了图像处理的背景，现状，意义和发展前景，总的来说情感图像检索是一个基于高层语义和底层特征之间紧密相连的图像检索系统，可以充分满足用户的需求，未来的发展也是什么有前景的。因为情感图像检索仍然是一个开放性的研究课题，它的应用领域很广泛，比如，医学、心理学、人工智能、哲学、社会学，计算机科学、图像处理等等领域，例如，我们可以开发一款照顾婴儿的保姆机器人，通过机器人获取到的图像，可以智能的判断小孩子哭闹的表情是出于何种原因，到底是肚子饿了，还是身体方面的因素等等。所以说情感图像检索的发展前景是十分广阔的，希望通过我们不懈的努力与研究，为人类做出更多的贡献。32 基于情感图像检索系统的设计与实现致谢能顺利完成本课题的研究，首先我要感谢刘伟老师的精心指导和无私的帮助，刘伟老师从事图像检索研究数十年，以其渊博的学识和丰富的教诲，耐心指导和引领我们开展毕设的每一个环节。在毕设过程中我们不免遇到各种挑战与困难，感谢老师的鼓励、支持与帮助，使得我们克服重重困难，并教导我们大胆尝试，突破自我，实事求是的做好每一项工作，刘伟老师不仅是我学业上的好导师，更是我人生道路中的好榜样。其次，非常感谢闫磊同学热心帮助，我们一起探讨，解决了许多看似简单实则困难的问题，每一次的交流和沟通，都是对我知识的巩固和知新。闫磊同学的细心和求实的精神也是值得肯定和学习的，希望以后的道路之中，我们能取长补短互相学习。最后，我还要感谢我的舍友王静，吴倩，徐苏三位同学的帮助，使得我能够顺利完成图像的分类工作，在这里对她们表示衷心的感谢。在此我西安邮电大学向和以上的个人表达我深深的感激之情，感谢西安邮电大学四年来对我的培养和照顾，感谢四年来同学对我的帮助!32 基于情感图像检索系统的设计与实现参考文献[1]王惠锋,孙正兴,王箭.语义图像检索研究进展[J].计算机研究与发展,2002,(5):513-523.[2]杭燕,杨育彬,陈兆乾.基于内容的图像检索综述[J].计算机应用研究,2002,(9):9-13.[3]Takikanda.,Kanseisessions[C].IEEEInternationalConferenceonSystemsManandCybernetics,Japan:Tokyo,1999.[4]SmeuldersAWM,WorringM,SantiniS.Content-BasedImageRetrievalattheEndoftheEarlyYears[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2000，22(12)：1349-1380.[5]AMojsilovic,JGomesandBRogowitz,Semantic-FriendlyIndexingandQueryingofImagesBasedontheExtractionoftheObjectiveSemanticCues[J].IntlJofComputerVision，2004，56(1/3)：79-107.[6]李海芳,焦丽鹏,贺静.多特征综合的图像模糊情感注释方法研究[J].中国图象图形学报,2009,14(3):531-536.[7,18]王伟凝，余英林,张剑超.基于线条方向直方图的图像情感语义分类[J].计算机工程，2005，31(11)：7-9.[8]王上飞,陈恩红,王胜惠,王煦法.基于情感模型的感性图像检索[J].电路与系统学报,2003,8(6):48-52.[9]NBianchi-BerthouzeK-DIME.anAffectiveImageFilteringSystem[J].IEEEMultimedia,2003,10(3):103-106.[10]MohammedBCombiningVisualSemanticsandTextureCharacterizationsforPrecision-OrientedAutomaticImageRetrieval[J].2005:457-474.[11]SYBaek,etal.KanseiProcessingAgentforPersonalizingRetrieval[J].UM2007,LNAI4511,2007:390-394.[12]RBasili1,RPetitti,DSaracino.LSA-BasedAutomaticAcquisitionofSemanticImageDescriptions[J].SAMT2007,LNCS4816,2007:41-55.[13]GabrielePeters,AestheticPrimitivesofImagesforVisualization[J].2007,11(7):316-325.[14]BJRoss,WRalph,HZong,EvolutionaryImageSynthesisUsingaModelofAesthetics[J]IEEECongressonEvolutionaryComputation,2006:1087-1094.[15]R.Datta,DJoshi,JLi,JZWang,StudyingAestheticsinPhotographicImagesUsingaComputationalApproach[J].ECCV2006,PartIII,LNCS3953,288-301.[16]VailayaA,JainAK,ZhangHJOnImageClassification:Cityvs.Landscape[J].InIEEEWorkshoponContent-basedAccessofImageandVideoLibraries,SantaBarbara,CA,1998-06-21:3–832 基于情感图像检索系统的设计与实现[17]王上飞，王煦法.图像情感检索研究的进展与展望[J].电路与系统学报，2005，10(4)：102-110.序号名称规格型号单位数量备注32 基于情感图像检索系统的设计与实现一制冷系统1压缩机组4AV10台42冷凝器LN-70台13贮氨器ZA-1.5台14桶泵组合ZWB-1.5台15氨液分离器AF-65台16集油器JY-219台17空气分离器KF-32台18紧急泄氨器JX-108台19冷风机KLL-250台810冷风机KLD-150台411冷风机KLD-100台212阀门套8613电磁阀套614管道及支架吨18.615管道及设备保温m32216管道保温包扎镀锌板吨1.617附件套1二气调系统1中空纤维制氮机CA-30B台12二氧化碳洗涤器GA-15台13气动电磁阀D100台144电脑控制系统CNJK-406台15信号转换器8线台16果心温度探头台77库气平衡袋5m3个78库气安全阀液封式个79小活塞空压机0.05/7台110PVC管套111附件套1三水冷系统1冷却塔DBNL3-100台22水泵SBL80-160I台23水泵SBL50-160I台24阀门套305管道及支架吨2.86附件套1四电仪控系统1电器控制柜套12照明系统套13电线电缆套14桥架管线套15附件套132 基于情感图像检索系统的设计与实现32