第5卷第6期 智能系统学报 Vol.5 No.6 2010年12月 CAAI Transactions on Intelligent Systems Dec.2010 doi:10.3969/i.i8gn.1673-4785.2010.06.011 D-S证据理论在图像情感标识中的应用 高彦宇,尹怡欣 (北京科技大学信息工程学院,北京100083) 摘要:图像情感标识就是为图像标注形容词性关键词,以反映用户对该图像的情感或印象.图像的视觉特征以及 语义内容是决定用户对该图像情感理解的2项关键因素,而图像内容识别具有较高的不确定性,人类的情感理解也 具有很强的主观性,因此采用Dempster-Shafer证据理论能较好实现图像视觉特征及语义内容到图像情感标识的不确 定性推理.考虑到图像内容识别的不确定性,研究中按一定比例扩大了图像语义内容对各情感因子的不确定性区 间,并构建了一个原型系统对自然风景图像进行自动标识.实验表明Dempster-.Shafer证据理论在处理情感标识上是 很有效的,而调整不确定性区间有助于进一步提高标识准确率, 关键词:D-S证据理论:图像情感标识:情感因子:分级语义 中图分类号:TP391.4文献标志码:A文章编号:1673-4785(2010)060534-06 Application of the Dempster-Shafer theory to affective image annotation GAO Yan-yu,YIN Yi-xin (School of Information Engineering,University of Science Technology Beijing,Beijing 100083,China) Abstract:Affective image annotation involves labeling an image with adjectives,so that those labels reflect the us- er's emotional understanding of the image.The low-level visual features and the image semantic content are two decisive factors in the user's emotional understanding of an image,while image content recognition is highly uncer- tain and affective understanding is strongly subjective.In the following study,the Dempster-Shafer theory was ap- plied to represent the visual image characteristics and to model the uncertainty reasoning from those decisive factors to affective understanding.In response to the semantic recognition error,the uncertainty range of image contents to each affective factor was enlarged and a prototype affective annotation system was built to automatically label natural scenic images.Experimental results show that the Dempster-Shafer theory is promising for ambiguous annotation, and enlarging the uncertainty range is helpful for improving annotation precision. Keywords:Dempster-Shafer theory;affective image annotation;affective factor;hierarchical semantics 图像蕴藏着丰富的情感内涵一夕阳晚景图会 让人感到忧伤寂寞,而塞外雪景图则令人感到平静 1研究背景 安逸.挖掘图像的情感内涵,实现图像情感自动标识 除了个人经历、教育背景、宗教信仰和生活环境 不仅能够帮助杂志编辑、专栏作者或广告策划者在 之外,图像视觉特征及语义内容对用户从情感上认 数以万计的图像库中为他们的作品找到合适的图片 识图像起着至关重要的作用.称个人经历、教育背景 或插图,而且能帮助工薪族找到合适的图片,以调整 为主观因子,而宗教信仰和生活环境为客观因子.因 情绪、减轻压力,甚至能帮助心理障碍者缓解心灵上 为主观因子涉及面广,且与人类情感认知之间的关 的痛苦.在工作日趋繁忙、生活倍感压力的今天,图 系复杂,目前的研究对这些因素大都采取回避的态 像情感自动标识有广阔的应用前景: 度,而将重点放在建立客观因子(尤其是图像视觉 特征)与情感理解的关系上.例如,Kobayashi等通 过实验指出颜色和方向多分辨率的对比对于人的主 收稿日期:2010-0103. 观感知非常重要.毛峡等2通过二维波动数学模型 基金项目:国家自然科学基金资助项目(60374032) 通信作者:高彦宇.E-mail:yannie.g@126.com. 及心理实验证实了符合1/f°波动规律的图像给人
第6期 高彦宇,等:D-S证据理论在图像情感标识中的应用 535· 烦躁的感觉,符合1/f波动规律的图像给人单调乏 味的感觉,而符合1/f波动规律的图像则给人和谐 2 视觉特征与语义内容 舒适的感觉.Co等3]利用离散小波变换提取图像 准确获得图像视觉特征及语义内容是成功实现 特征,然后采用交互式遗传算法实现情感图像检索。 图像情感标识的关键环节.本节重点解决图像分割、 王上飞等4从心理学的“维量”思想出发,采用语义 区域视觉特征提取及区域内容识别等问题, 量化技术和因子分析的方法建立情感空间,并应用 2.1图像分割 径向基函数将图像从颜色和形状特征空间映射到情 图像分割就是根据颜色分布、区域边缘以及空 感空间.王伟凝等]通过定义描述色彩语义的自然 间布局将图像像素组织成一个个区域,并尽量使各 语言词汇,设计了基于模糊隶属函数的图像色彩语 分割区域与实际物体有密切的相关性.本文采用基 义描述方法,并在此基础上定义一种查询语言,将人 于空间限制混合模型的像素聚类法]实现图像分 类对图像内容理解的经验与图像色彩描述联系起 来,实现图像高层情感语义的查询.Bae等[6对图 割.该方法由于考虑了像素位置信息,所以具有较高 的分割精度.通过实验比较,将初始迭代循环限制为 像一情感之间的关系做了较深人的研究.他们首先 通过问卷调查及人工筛选确定了52种图像模式 20次,这样不仅不会对分割精度有很大影响,而且 (包括20种颜色、12种形状、10种纹理、10种图案) 可以大大减少图像分割时间,有利于实际应用 和与这些图像模式相对应的55种情感因子.然后他 2.2视觉特征抽取 们建立情感因子空间模型来定义图像视觉信息与情 提取每个分割区域的代表颜色作为其语义视觉特 感之间的相对关系,并根据该模型进行情感度量 征.此外,计算各分割区域的颜色矩和Gbor小波纹理 Shin等建立一个情感预测系统,通过给定的纹理 特征,并应用这些统计特征向量来识别区域内容 图案预测人的情感取向.他们的实验表明多层感知 2.2.1代表颜色 器在情感预测上要优于K均值聚类算法和朴素贝 基于对人类视觉系统的观察,发现一幅图像的 叶斯模型,能达到92%的预测准确率. 颜色基调对该图像在人脑中引起的情感起着重要作 上述研究在图像视觉特征与情感理解方面进行 用.因此,提取各分割区域的代表颜色作为其语义视 了多方位探索,使图像情感标识与检索在近10年获 觉特征.由于HSV颜色空间能更好地反应人类对色 得了长足进步然而这些研究均未考虑图像语义内 彩的认知,选择在HSV颜色空间建立颜色名称与颜 容对情感理解的影响.针对自然风景图像,提出一种 色值的关系(如表1所示).根据各种颜色的值域范 应用Dempster--Shafer(D-S)证据理论融合图像视觉 围,为每一分割区域绘出颜色直方图,直方图上占比 特征及语义内容信息,推理出图像情感标识的方法 例最多的颜色即为该区域的主要颜色 系统框架如图1所示. 表1HSV值与颜色名的一一对应关系 风景图像 Table 1 The relationship between HSV and color names 颜色名 饱和度 亮度 色度 黑色 <20% 图像分割 统计视觉特征 灰色 <8% ≥20%&<95% 白色 <8% ≥95% SVM [0,8)U 红色 ≥8% ≥20% [345,360] 站义视觉特征 语义内容 橙色 ≥8% ≥20% [8,36) D-S 黄色 ≥8% ≥20% [36,63) 让据 绿色 ≥8% ≥20% [63,160) 理论 青绿色 ≥8% ≥20% [160,218) 蓝色 ≥8% ≥20% [218,282 感性感知 紫色 ≥8% ≥20% [282,315) 洋红色 ≥8% ≥20% [315,345) 悠闲的 精力充沛的 喜悦的 清醒的 2.2.2颜色矩 计算了每个分割区域颜色分布的一阶、二阶和 图1图像情感标识系统的框架图 三阶中心矩作为该区域的统计颜色特征,并采用最 Fig.1 Schematic illustration of the proposed affective im- 完善、感知上最一致的颜色空间C正L”ab作为 age annotation system 工作空间.这3种矩特征的定义分别为
·536 智能系统学报 第5卷 1 致性,将这些特征向量规范化,使其具有0均值和单 := N台 位方差 接着从训练图像集合中手工分割出200个区域 0:= f-)2, 样本,这些样本涉及狭义关键词指定的所有类,而且 /1 每一类至少有2个训练样本.接着计算这200个区 8:= f-)'. NN名 (1) 域样本的统计视觉特征,并用它们训练分类器.最后 式中:∫代表图像像素j在L·ab的第i个颜色通 用训练好的分类器对待识别图像区域进行分类,以 道上的值,N为图像像素数.一阶矩特征反映了图像 得到区域语义标识.鉴于训练样本有限,为了获得较 像素分别在La"b*3个色彩通道上颜色值的平均 高的识别率,支持向量机(SVM)无疑是最合适的分 值,二阶矩和三阶矩表示图像像素在L·a*b·3个 类器.它比传统的分类器(如神经网络分类器)有更 色彩通道上颜色值的方差和扭曲程度.由于所有中 好的泛化能力,而且只需很少的训练样本就能获得 心矩具有相同的单位,所以易于实现度量和比较. 较高的识别精度.本文采用RBF函数作为SVM的 2.2.3 Gabor小波纹理特征 核函数,其主要参数为C及Y.为了得到合适的核参 Gabor小波特征已被证明是一种非常有效的纹 数,对训练图像应用三重交叉验证和网格搜索算法, 理特征.它的基本思想是应用Gabor小波分解法在 这里C及y从指数增长序列C=2-3,2,…,2”及 多尺度、多方向上抽取纹理特征.本文对每一个 y=2",29,…,23中选择.SVM本质上是一个二 分割区域计算了3个尺度和4个方向上的Gbor小 值分类器,为了实现多类分类,几种组合分类方案已 波变换系数的均值和方差,它们组成一个24维的特 被提出,如一对一支持向量机(1--1SVM),一对多 征向量 支持向量机(1-w-rSVM),有向无环图支持向量机 2.3语义内容识别 (DAGSVM),基于不确定样本的多类支持向量机 本文研究的是对自然风景图像的情感标识问 (US_MSVM)I等.本文采用比较成熟的DAGSVM 题.通过对大量风景图片的观察以及参考WordNet 实现语义分类 (htp://wordnet.princeton..edu/),列出55项常见的 3基于D-S证据理论的不确定性推理 自然物名.其中,一些名称应用范围广,适于作为景 物的总称,如石头;另外一些名称应用范围窄,只适 鉴于图像内容识别的不确定性以及情感认知的 用于形容特定物体,如鹅卵石.将这些名词分成2个 主观性,建立图像视觉及语义描述与人类情感之间 等级:广义关键词和狭义关键词(如表2所示),并 关系的问题可以看作是不确定性推理问题.另一方 用狭义关键词标记语义内容, 面,由于视觉特征和语义内容在人类对图像的情感 表2分级图像语义关键词 认知方面都起决定性作用,因此将这两方面联系起 Table 2 Semantic keywords organized in 2 hierarchies 来推导人对图像的感知还可以看成是多传感器融合 广义关键词 狭义关键词 问题.D-S证据理论是最适合解决这类多传感器融 水 海洋、河流、湖泊、瀑布 合及不确定性推理问题的方法之一 石头 小鹅卵石、大岩石、石碑、石墙、礁石 3.1D-S证据理论 地面 土壤、沙滩、沙漠、雪地,草地、枯草地、泥 D-S证据理论是由Dempster提出来的用概率上 山 小山丘、冰山、雪山、悬崖、岛屿 下限表示实际问题中不确定性的方法,后来由Sha 晴天、艳阳天、日升/日落、乌云密布的天 fer进一步研究和推广,成为系统化、理论化的不确 天空 空、云彩 定性推理理论.其主要特点是通过证据的不断积累 植物 灌木、高树、芦苇、杂草 逐步缩小假设集,从而逐步减小信息的不确定性.D- 花 单支花、并蒂花、花簇、花床 S证据理论的具体推理过程由如下4步组成, 路 柏油路、铁道、隧道、楼梯、小路 1)定义辨别框架⊙,它是由n个完备的、互不相 建筑物 砖制建筑、石制建筑、木制建筑、篱笆、雕 塑 容的子命题a1,a2,…,an构成.⊙中所有可能的子集 构成一个超集29,即 对每一个被分割的区域,一方面根据其代表颜 色得出其语义视觉特征,该特征将被直接用于情感 2={0,{a},,{an},{a1,},…,anl,an{,…,⑧i. 推理;另一方面计算其统计视觉特征向量(33维,包 2)定义一个函数m:2°→[0,1],在满足 括9个颜色矩特征和24个纹理特征),并根据该统 m(0)=0,∑4c6m(A)=1 (2) 计特征识别区域内容.为了消除特征值范围的不一 的条件下,m(A)称为A的基本概率分配函数或基本
第6期 高彦宇,等:D-S证据理论在图像情感标识中的应用 ·537· 可信度,表示对命题A的直接支持.每一个H的子集 由{悠闲的,非悠闲的}这2个值组成,辨别框架中 A,如果有m(A)>0,则A称为基本概率分配函数m 所有可能的子集构成一个超集2°={0,{悠闲 的一个焦元(focal element). 的},{非悠闲的},{悠闲的,非悠闲的}}.根据各种 3)对给定的基本概率分配函数m,计算置信函 视觉特征及语义内容对“悠闲的”的基本可信度及 数Bel和似真函数Pl: Dempster合成法则,可以计算得到各区域对“悠闲 Bel:2°→[0,1], 的”的综合置信度.由于只考虑颜色和语义因素, Bel(A)=∑m(B)(HAC2), Dempster合成法则(I)可简化为 BCA P1:2°→[0,1], ∑m(A:)m(B) A:8=A PI(A)=m(B)1-Bel(A)(VA C2). m(A)=m1⊕m2(A)= 1-∑m,(A:)m2(B,) BnA≠6 A:B=8 式中:Bel(A)表示对命题A为真的信任程度, 式中:A:,B,C2°.假设图像各区域彼此独立,最终 Bl(A)表示对命题A为假的信任程度,PI(A)表示 的综合置信度可通过下式计算, 对A为非假的信任程度,因此总有Bl(A)≤PI(A) N 成立.由下限函数Bel(A)和上限函数PI(A)构成的 P=∑m(r)*A(r), 区间[Bl(A),PI(A)]表示命题A的不确定性区间 式中:A(r:)表示第i个区域的面积百分比,m(r) (如图2所示). 表示第i个区域的综合置信度, 支持证据 否定证据 不确定性区间 的区间 的区间 * Bel(A) PI(4) 图2图示置信函数与似真函数 Region 4 Fig.2 Illustration of belief function and plausibility meas- (a)原始图像 (b)分制图像 ures 4)当获得了同一辨别框架下的一组基本概率 图3雪景图像及其分割图像 分配函数m1,m2,…,m,后,通过Dempster合成法 Fig.3 Snow scene image its partition image 则,可计算出综合置信度: 表3情感因子“悠闲的”的置信度计算过程 nm)=亡o2n Table 3 The calculation process of the belief of"relaxed" m1(B)* 区域 内 容 m2(B2)*…*m,(B:). (1) 颜色=蓝色 m.(Yes)-0.8,mNo=0.1,[Bel.Pl]=[0.8.0.9] 式中:D=B1∩B2∩…∩B,B:代表m:的核心元 内容=晴天 素,且1≤i≤t,*代表普通的乘法,k值称为冲突 区域1 m,(Yes)0.6.m,(No)0.3,[Bcl.P=[0.6.0.71. 冲突度k=m,(Yes)m,(No)tm,(Yes)m,(No)=0.3 度,其值域为闭区间[0,1],且定义为 →融合置信度m(Yes)=m,+m,(Yes)/(1-k)=0.62/ k=1- ∑.m1(B1)* (1-0.3)=0.8857,m(No)=0.1. B1n&2nnB,≠0 颜色=蓝色,内容=晴天 区域2 m2(B2)*…*m,(B) m(Yes)=0.8857.m(No=0.1 3.2基于D-S证据理论的情感标识 区域3 颜色=白色.内容=云彩 m(Yes)=0.8478.m(No)=0.125 本文的目标是对自然风景图像进行情感标识,标 区域4 颜色=白色.内容=雪地 识语为描述主观情感的形容词.以利用图像进行心理 m(Ycs)=0.8056,m(Noj=0.1752, 治疗为背景,选择4个描述积极情绪的形容词(悠闲 区域5 颜色=黑色.内容=小山丘 m(Yes)-0.2632.m(No)0.6316. 的、平静的、清醒的、精力充沛的)作为情感标识语,称 这些形容词为情感因子.下面以表3中的雪景图像及 总结 P(Yes=0.727265,PNo=0.23657.P(Yes)>PNo) 决策:是的,这隔图像令我感觉悠附 情感因子“悠闲的”为例,说明采用D-S证据理论实现 上述计算过程同样适用于其他情感因子.计算 图像内容信息与视觉特征融合的过程. 求得整幅图像对各情感因子的综合置信度后,采用 首先将图像分割成5个区域,提取各区域的视 如下规则确定图像的最终情感类别:1)情感类别应 觉特征并采用DAGSVM法分别对各区域进行内容 具有最大的综合可信度,且其综合可信度与其他情 分类标识.这5个区域对应4个狭义语义类:晴天、 感因子的综合可信度之差必须大于某一域值(根据 云彩、雪地、小山丘和4种颜色特征:蓝色、白色、白 实验经验本文规定此阈值为0.05);2)情感类别的 色、黑色.对于情感因子“悠闲的”,D-S辨别框架⊙ 不确定性概率P(Yes)-P(No)必须小于某一域值
·538 智能系统学报 第5卷 且小于该情感因子的综合置信度值,根据实验经验 数/总分割区域数”统计出平均识别率为78.2%.从 本文规定该阈值为0.75. 识别结果可以看出,颜色、纹理特征越统一、越鲜明 的图像区域,如雪山、蓝天、绿草地等,其识别效果越 4实验结果与分析 好,可达到90%左右;而对于建筑物和花等对图像 以Matlab为工作平台,开发了一个图像情感标 形状特征要求较高的语义类,识别效果要差很多,只 识原型系统,系统分为训练和测试2个阶段.在训练 有约50%.最后采用D-S证据理论计算每幅图像对 阶段,从Corel图片库中选择120幅自然风景图像, 各情感因子的综合置信度并判断最终情感类别, 从中手工分割出200个图像区域作为训练样本,训 为了验证情感标识的准确性,为系统增加了检 练图像内容分类器SVM.这200个图像区域涵盖了 索功能,检索关键词为情感因子.图3显示了200幅 狭义关键词描述的44种语义内容,并且为每个狭义 图像中关键词为“清醒的”的部分检索结果 关键词提供了至少2个图像样本.通过3重交叉验 证和网格搜索算法实验,发现C=2',y=2-1能获 得最小的3重交叉验证误差,因此采用这2个核参 数值代表训练好的SVM. 另一方面通过小规模问卷调查来获得各种颜色 和各语义内容的D-S不确定性区间,即得出各种颜 色和各种语义内容给观察者带来“悠闲的、宁静的、 清醒的、精力充沛的”这4种情感认知的概率范围, 由于颜色及语义内容的多样性,让参与者回答所有 颜色和语义的情感认知工作量太大,进而会影响调 图4关键词为“清醒的”的部分检案结果 查的准确性.本实验请80位在校大学生参与,同时 Fig.4 A part of retrieval results of"clear-headed" 将20幅颜色图片(包括黑色、白色各一幅,其他颜 然后采用最常用的检索查准率(precision,P,) 色按照亮度不同各2幅)和上述200个手工分割的 和查全率(recall,.R)进行检索效果度量.检索查准 图像区域组成问卷调查图片库.这些图片被随机分 率和查全率的定义分别为P,=N/N,R。=N/N, 为22组,每组由10幅图像组成.每位学生只需选择 其中N。代表检索到符合用户此种情感认知的图像 一组图像完成问卷调查即可.根据卷面结果统计出 数,N,代表被标识系统标上该关键词的图像数,N。 各种颜色和各语义内容图像引起4种情感认知的概 表示系统用户手工标注该关键词的图像数.随机抽 率范围.限于篇幅只列出部分颜色及图像内容对 选8位在校大学生参加检索测侧试,他们的检索查准 “悠闲的”、“清醒的”这2种情感因子的D-S不确定 率和查全率差距不大,限于篇幅,列出平均查准率最 性区间(如表4所示) 高和最低2位实验者的数据(如表5所示). 表4部分颜色及图像内容对2种情感因子的不确定性区间 表5扩大语义内容的不确定性区间前后的情感检索结果 Table 4 Uncertainty ranges of some colors and objects for Table 5 Precision and recall of affective retrieval before “relaxed"and“clear-.headed" and after enlarging uncertainty range % 颜色名/内容 悠闲的 清醒的 扩大语义内容 扩大30%语义内容 黑色 [0.2,0.4] [0.5,0.8] 情感因子 不确定区间前 不确定区间后 灰色 [0.2,0.7] [0.2,0.5] 查准率查全率 查准率 查全率 红色 [0.4,0.8] [0.56,0.861 悠闲的 77.7884.00 82.40 84.0 绿色 [0.8,0.9] [0.67,0.9] 平静的 83.80 77.50 92.30 90.0 蓝色 [0.8,0.9 [0.83,0.93] [0.8,0.951 清醒的 92.30 80.00 96.40 88.3 白色 [0.6,0.9 雪地 [0.67,0.8 [0.78,0.981 精力充沛 78.90 90.00 89.10 98.0 海洋 [0.4,0.6] [0.48,0.6] 悠闲的 82.50 68.75 85.70 75.0 晴天 [0.6,0.7] [0.67,0.971 平静的 66.6780.90 79.20 90.5 云彩 [0.72,0.92] [0.72,0.82] 清醒的83.80 89.60 91.60 94.8 小山丘 [0.3,0.7] [0.25,0.75] 精力充沛 85.10 76.90 90.00 86.5 在测试阶段,从Corel图片库中另选200幅自然 考虑到图像内容识别会引入一定误差,按30% 风景图像,采用像素聚类法先将各图像分割成3~5 的比例扩大了图像语义内容对各情感因子的不确定 个区域,然后用训练好的DAGSVM对每一区域的内 性区间.例如,将“雪地”在“悠闲的”上的不确定性 容进行分类识别,并根据“识别率=正确识别区域 区间从[0.67,0.8]扩大为[0.6505,0.8195].然
第6期 高彦宇,等:D-S证据理论在图像情感标识中的应用 ·539· 后根据新的语义内容可信度再次计算自动标识结果 [4]WANG S F,WANG X F.A double-level emotion image re- 和上述8位在校大学生的检索查准率和查全率,结 trieval model[J].Joural of System Simulation,2004,16 果如表5所示. (9):2074-2078. 根据表5,发现对语义内容的不确定性区间进 [5]王伟凝,贺前华.基于色彩描述的图像情感语义查询 [J].华南理工大学学报:自然科学版,2008,36(1): 行调整后,对于相同的实验者检索查准率比调整之 60-66. 前要提高8%左右,最高可达96%,最低也在80% WANG Weining,HE Qianhua.Emotion-based image se- 左右.虽然达不到文献[7]中的均值为92.37%和 mantic query through color description[J].Journal of South 96.15%的查准率和查全率,但考虑到文献[7]仅限 China University of Technology:Natural Science Edition, 于对纺织品图像进行标识和检索,图像分析的难度 2008,36(1):6066. 远远小于自然风景图像,因此情感标识系统在图像 [6]BAEK S,HWANG M,CHUNG H,KIM P.Kansei factor 检索、图像心理疗法等方面具有实用价值. space classified by information for Kansei image modeling [J].Applied Mathematics and Computation,2008,205 5结束语 (2):874-882. [7]SHIN Y,KIM Y,KIM E Y.Automatic textile image anno- 提出一种对自然风景图像应用D-S证据理论融 tation by predicting emotional concepts from visual features 合图像视觉特征及语义内容信息,得出图像情感标 [J].Image and Vision Computing,2010,28(3):526- 识的方案.实验证明D-S证据理论对这种模糊主 537. 观、不确定性强的情感推理问题能够取得较好的效 [8]BLEKAS K,LIKAS A,GALATSANOS N P,LAGARIS I 果,且易于实现.本文采用的视觉特征只有区域主要 E.A spatially-constrained mixture model for image segmen- 颜色,而且颜色的分类只有11种,这在某种程度上 tation[J].IEEE Transactions on Neural Networks,2005, 16(2):494498. 限制了情感推理的精确性.因此下一步的研究方向 [9]MANJUNATH BS,MA W Y.Texture features for browsing 有:1)根据HSV中的饱和度及亮度信息进一步细化 and retrieval of image data [J].IEEE Trans on PAMI, 颜色分类,例如将红色细化为暗红色、亮红色、粉红 1996,18(8):837-842. 色、鲜红色,同时增加对比度、粗糙度、方向性等感性 [10]陈立伟,王文姝,王颖劳.基于模糊理论的关键词识别 纹理特征作为图像视觉特征.这些新增颜色及感性 算法[J].应用科技,2010,9:5-8. 纹理特征能帮助系统获得更高精度的标识结果.2) CHEN Liwei,WANG Wenshu,WANG Yingfang.Key- 通过进一步邀请各行各业、各种教育背景的人员参 word recognition algorithm based on fuzzy theory[J].Ap- 与确定不确定性区间的问卷调查,扩大系统的适用 plied Science and Technology,2010,9:5-8. [11]WANG Y,HUANG S T.Reducing the number of sub- 范围 classifiers for pairwise multi-category support vector ma- 参考文献: chines[J].Pattern Recognition Letters,2007,28:2088- 2093. [1]KOBAYASHI Y,KATO P.Multi-contrast based texture 作者简介: model for understanding human subjectivity[C]//15th In- 高彦宇,女,1975年生,博士,讲 temational Conference on Pattem Recognition.Barcelona, 师.主要研究方向为图像处理与模式识 Spain,2000,3:917922. 别、感性工学、人工智能 [2]毛峡,丁玉宽,牟田一弥.图像的情感特征分析及其和谐 感评价[J].电子学报,2001,29(12A):1923-1927. MAO Xia,DING Yukuan,MUTA I.Analysis of affective characteristics and evaluation on harmonious feeling of image [J].Acta Electronica Sinica,2001,29 (12A):1923- 尹怡欣,男,1957年生,教授,博士 1927. 生导师,博士,主要研究方向为智能控 [3]CHO S B,LEE J Y.A human-oriented image retrieval sys- 制及自适应控制、人工生命、情感计算, tem using interactive genetic algorithm[J].IEEE Trans on Systems,Man,and Cybernetics,2002,32(3):452-458