1.4 本书组织结构

本书共分为7章，结构安排如图1-7所示。

图1-7 论文组织结构

Fig.1-7 The Structure of the Dissertation

第1章是绪论。从总体上介绍了课题的研究背景及意义，阐述了场景图像情感语义研究的需求，然后对图像情感语义分析及检索技术的国内外研究现状进行了详细的分析，最后介绍了本书的主要工作和内容组织结构。

第2章是大数据处理与图像检索。介绍了大数据的来源和组织，大数据面临的机遇和挑战以及大数据的未来发展趋势，重点分析了大数据处理与图像检索的关系。

第3章是开放行为学实验环境下的场景图像情感语义分析。介绍了图像情感语义研究的相关概念和一些预备知识。首先给出了图像情感语义的一些相关概念，然后介绍了图像的语义层次模型，重点提出了一种开放行为学实验环境下的场景图像情感语义分析方法，对获取的大量场景图像的情感语义数据做了分析，验证了获取数据的有效性，最后对传统的图像分析和检索的性能评价标准进行了介绍和分析，为后续章节的情感语义分析做准备。

第4章是基于模糊理论的场景图像情感语义标注模型。利用模糊理论原理，使用隶属度描述人们对场景图像理解的情感程度，提出了基于权重的不规则分块颜色特征提取方法，提取了场景图像的颜色特征，通过T-S模糊神经网络与OCC情感模型进行语义映射，较好地解决了场景图像理解的语义模糊性问题。

第5章是基于Adaboost-PSO-BP神经网络的场景图像情感类别预测算法。考虑到认知因素和非认知因素对场景图像情感类别的影响，提出了融合情绪、性情因素的OCC情感建模方法，将BP神经网络作为弱预测器，并使用PSO算法事先优化BP神经网络的权值和阈值，采用Adboost算法组合多个优化BP神经网络的输出构建强预测器，对场景图像进行情感类别预测，与单一BP神经网络及传统的Adaboost-BP神经网络算法做了实验对比，验证了提出的算法的有效性。

第6章是基于MapReduce的大规模场景图像检索技术。研究了Hadoop平台下大数据处理的架构技术，提出了基于MapReduce并行编程模型的大规模场景图像检索方案，设计了对于海量场景图像数据的并行存储和检索方法，采用先用分布式Mean Shift算法对场景图像的特征进行并行聚类，然后再计算待检索图像与各聚类中心特征向量距离的方法进行检索，有效地减少了计算量，实现了场景图像的低层颜色视觉特征和高层情感语义特征的混合检索，实验验证了提出的检索模型的检索效率。

第7章是总结与展望。对全书的研究工作进行总结，并提出了下一步需解决的问题和研究方向。