| 摘要 | 第3-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第24-49页 |
| 1.1 研究背景与意义 | 第24-29页 |
| 1.1.1 课题研究背景 | 第24-27页 |
| 1.1.2 课题研究意义 | 第27-29页 |
| 1.2 国内外研究现状 | 第29-36页 |
| 1.2.1 图像情感语义分析的研究现状 | 第29-34页 |
| 1.2.2 图像检索技术研究现状 | 第34-36页 |
| 1.3 大数据处理与图像检索 | 第36-43页 |
| 1.3.1 大数据的种类、特点和应用 | 第37-41页 |
| 1.3.2 大数据处理面临的问题 | 第41-42页 |
| 1.3.3 大数据处理与图像检索的关系 | 第42-43页 |
| 1.4 本文主要工作 | 第43-46页 |
| 1.5 论文组织结构 | 第46-48页 |
| 1.6 本章小结 | 第48-49页 |
| 第二章 开放行为学实验环境下的场景图像情感语义分析 | 第49-64页 |
| 2.1 图像情感语义理解的相关概念 | 第49-52页 |
| 2.2 图像语义层次模型 | 第52-53页 |
| 2.3 开放行为学实验环境下场景图像的情感语义分析 | 第53-62页 |
| 2.3.1 情感模型的选择 | 第53-55页 |
| 2.3.2 被试的选取 | 第55-56页 |
| 2.3.3 实验数据和方案设计 | 第56页 |
| 2.3.4 场景图像情感语义数据分析方法 | 第56-59页 |
| 2.3.5 场景图像的情感语义数据实验分析 | 第59-62页 |
| 2.4 图像分析和检索的性能评测 | 第62-63页 |
| 2.5 本章小结 | 第63-64页 |
| 第三章 基于模糊理论的场景图像情感语义标注方法 | 第64-83页 |
| 3.1 模糊理论 | 第64-66页 |
| 3.1.1 概述 | 第64-66页 |
| 3.1.2 基本定义 | 第66页 |
| 3.2 颜色视觉特征提取 | 第66-71页 |
| 3.2.1 颜色空间的选取 | 第67-69页 |
| 3.2.2 HSV 颜色空间量化 | 第69-70页 |
| 3.2.3 基于权重的不规则分块场景图像颜色特征提取 | 第70-71页 |
| 3.3 场景图像的模糊语义描述 | 第71-73页 |
| 3.3.1 情感值的确定 | 第72-73页 |
| 3.3.2 情感规则G | 第73页 |
| 3.3.3 情感规则映射T | 第73页 |
| 3.4 基于 T-S 模糊神经网络的场景图像的情感语义特征映射 | 第73-77页 |
| 3.4.1 T-S 模糊神经网络（T-S FNN） | 第74-76页 |
| 3.4.2 语义特征映射 | 第76-77页 |
| 3.5 场景图像的情感语义自动标注 | 第77-80页 |
| 3.6 实验结果及分析 | 第80-81页 |
| 3.7 本章小结 | 第81-83页 |
| 第四章 基于 Adaboost-PSO-BP 神经网络的场景图像情感语义类别预测算法 | 第83-101页 |
| 4.1 融合情绪、性格因素的 OCC 情感模型 | 第83-89页 |
| 4.1.1 情绪因素描述 | 第83-86页 |
| 4.1.2 性格因素描述 | 第86-87页 |
| 4.1.3 融合情绪、性格因素的情感建模方法 | 第87-89页 |
| 4.2 BP 神经网络权值和阈值的优化 | 第89-93页 |
| 4.2.1 BP 神经网络 | 第89-91页 |
| 4.2.2 粒子群优化算法（PSO）优化 BP 神经网络 | 第91-93页 |
| 4.3 Adaboost-PSO-BP 神经网络预测算法 | 第93-95页 |
| 4.3.1 Adaboost 算法 | 第93页 |
| 4.3.2 Adaboost-PSO-BP 神经网络算法 | 第93-95页 |
| 4.4 场景图像情感语义类别预测 | 第95-96页 |
| 4.5 实验结果与讨论 | 第96-100页 |
| 4.6 本章小结 | 第100-101页 |
| 第五章 基于 MapReduce 的大规模场景图像检索技术 | 第101-121页 |
| 5.1 Hadoop 平台相关技术介绍 | 第101-108页 |
| 5.1.1 Hadoop 的起源和背景 | 第101-102页 |
| 5.1.2 HDFS 体系结构 | 第102-104页 |
| 5.1.3 MapReduce 编程模型 | 第104-105页 |
| 5.1.4 Mahout 算法库 | 第105-108页 |
| 5.2 基于 MapReduce 的大规模场景图像检索方案 | 第108-116页 |
| 5.2.1 场景图像检索整体框架 | 第108-109页 |
| 5.2.2 大规模场景图像及其特征的存储 | 第109-112页 |
| 5.2.3 场景图像的特征提取 | 第112-113页 |
| 5.2.4 基于分布式 Mean Shift 的场景图像特征聚类算法 | 第113-116页 |
| 5.3 实验与结果分析 | 第116-120页 |
| 5.3.1 实验环境与测试数据 | 第116页 |
| 5.3.2 系统性能测试与分析 | 第116-120页 |
| 5.4 本章小结 | 第120-121页 |
| 第六章 总结与展望 | 第121-124页 |
| 6.1 本文工作总结 | 第121-122页 |
| 6.2 研究展望 | 第122-124页 |
| 参考文献 | 第124-134页 |
| 致谢 | 第134-136页 |
| 攻读学位期间发表的学术论文 | 第136-138页 |
| 攻读学位期间主持和参与的科研项目 | 第138-139页 |
| 攻读学位期间获得的学术奖励 | 第139-140页 |
| 论文独创性说明 | 第140-141页 |
