中国画情感分类方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 图像情感领域和中国画情感艺术研究现状 | 第8-9页 |
| 1.2.1 图像情感领域研究现状 | 第8页 |
| 1.2.2 中国画情感艺术研究现状 | 第8-9页 |
| 1.3 全文结构 | 第9-11页 |
| 第2章 情感的认知与表示 | 第11-17页 |
| 2.1 情绪和情感 | 第11-12页 |
| 2.1.1 情绪和情感的概念 | 第11页 |
| 2.1.2 情绪和情感的关系 | 第11-12页 |
| 2.2 情感的表示方法 | 第12-15页 |
| 2.2.1 情感的范畴表示 | 第12-13页 |
| 2.2.2 情感的维度表示 | 第13-15页 |
| 2.3 本章小结 | 第15-17页 |
| 第3章 图像的特征及其手动提取 | 第17-31页 |
| 3.1 图像的颜色特征 | 第17-20页 |
| 3.1.1 颜色特征与情感的对应关系 | 第17-18页 |
| 3.1.2 颜色特征的提取 | 第18-20页 |
| 3.2 纹理形状特征 | 第20-26页 |
| 3.2.1 纹理、形状特征与情感的对应关系 | 第20-21页 |
| 3.2.2 纹理特征提取方法 | 第21-23页 |
| 3.2.3 形状特征提取方法 | 第23-26页 |
| 3.3 图像感兴趣区 | 第26-29页 |
| 3.3.1 图像兴趣区对情感的影响 | 第26-27页 |
| 3.3.2 图像感兴趣区特征提取方法 | 第27-28页 |
| 3.3.3 感兴趣区与其他区域的权重 | 第28-29页 |
| 3.4 本章小结 | 第29-31页 |
| 第4章 基于深度学习的图像特征提取 | 第31-41页 |
| 4.1 深度学习的概念 | 第31-35页 |
| 4.1.1 人工神经网络 | 第31-33页 |
| 4.1.2 网络训练方法 | 第33-35页 |
| 4.2 基于卷积神经网络的特征提取 | 第35-40页 |
| 4.2.1 数据集 | 第35-36页 |
| 4.2.2 模型选择 | 第36-37页 |
| 4.2.3 网络训练过程 | 第37-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第5章 特征融合与支持向量机(SVM)分类器 | 第41-47页 |
| 5.1 特征融合 | 第41-44页 |
| 5.1.1 主成分分析(PCA) | 第41-42页 |
| 5.1.2 数据归一化 | 第42-43页 |
| 5.1.3 支持向量机 | 第43-44页 |
| 5.2 模型的建立 | 第44-45页 |
| 5.3 本章小结 | 第45-47页 |
| 第6章 总结与展望 | 第47-49页 |
| 6.1 总结 | 第47-48页 |
| 6.2 展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 发表论文和参加科研情况说明 | 第53-55页 |
| 致谢 | 第55页 |
