论文部分内容阅读
研究表明,我们肉眼所看到的自然界众多图像中,其所传达的情感语义都十分丰富,或清爽,或伤悲,或温暖,或恐惧。基于文本的图像检索系统出现最早,发展也最为成熟,它主要根据某些词语来满足用户的检索需求,目前仍有很多实际应用在使用该检索方法。基于内容的图像检索系统出现稍晚,相比较而言,两者的侧重点均以图像所展现的主题特征或图像对象为主,并未深入到图像所带给人们情感方面的影响和心理感受,这在一定程度上造成了图像的底层视觉特征(如颜色、纹理以及形状等)与用户检索需求之间的鸿沟。因此,对图像进行深层次的、符合人类感知的情感语义检索研究,是目前乃至未来很长一段时间内,图像检索领域中又一激动人心的前沿课题。
图像情感特征通常是指人们看到一幅图像时感观上所产生的诸如欢乐、温暖或悲伤等情绪反应。论文主要以图像的高层情感语义为研究对象,通过对UCI上的图像数据集进行实验,研究与图像情感识别密切相关的图像底层特征提取以及图像多分类技术,一方面为了揭示它们所带给人们的情绪体验,同时也为后续的图像检索研究提供更为多样化的手段。
主要工作包括:
1.总结图像RGB(红、绿、蓝)底层特征与其所表达情感之间的关系,以及不同颜色空间的转换问题。颜色所传达的情感最为丰富,同时也是一幅图像内容中最明显、最容易引起人们情绪反应的视觉因子,是我们进行图像情感识别研究不可或缺的一部分。不同的颜色空间所面向的对象不同,选取合适的颜色空间是提高图像识别准确性的关键因素之一。
2.探讨将模糊理论融入到支持向量机方法中。模糊理论主要用于处理现实世界中的不确定性问题,而隶属度函数的选择与设计正是模糊支持向量机算法的核心所在。因此要求所选择的隶属函数能较好的描述数据集中各样本的模糊特性,以使各样本都有明确的类别归属。论文中还对常见的一对一、一对多以及二叉树这三种不同的分类器结构进行对比,分析各自的优缺点以及适用场合。
3.重点研究融入二叉树的模糊支持向量机在图像情感识别中的效果。提出了一种基于同心圆的样本识别方法,该方法在确定样本所属类别上具有更高的精度。而传统的支持向量机在使用一对一、一对多分类算法进行分类时,常存在不可分区域和分类速度慢的缺点。结合二叉决策机制的模糊支持向量机方法相比传统的分类算法在图像情感识别的效率更高,时间消耗更少。
4.最后,通过对UCI收集的图片数据集进行测试,验证了所提出的结合二叉树和模糊支持向量方法在图像情感识别中的可行性。同时与传统一对一、一对多分类识别方法分别在识别精度与效率上进行比较,分析不同方法之间的亮点和不足。