Тип работы:
Предмет:
Язык работы:


Анализ цветового распределения и тональности текста на изображениях в социальной сети «ВКонтакте»

Работа №109969

Тип работы

Бакалаврская работа

Предмет

информатика

Объем работы56
Год сдачи2020
Стоимость4335 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
73
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 5
1 ОБЗОР СОВРЕМЕННОГО СОСТОЯНИЯ ИССЛЕДОВАНИЯ В ОБЛАСТИ
АНАЛИЗА ИЗОБРАЖЕНИЙ 8
1.1 Анализ основных понятий анализа изображений 8
1.2 Обзор литературы по анализу изображений 9
1.3 Анализ психологического воздействия цвета 12
1.4 Выбор средств автоматизации сбора изображений 16
2 МАТЕМАТИЧЕСКИЕ МЕТОДЫ ДЛЯ АНАЛИЗА ЦВЕТОВОГО
РАСПРЕДЕЛЕНИЯ И ТОНАЛЬНОСТИ ТЕКСТА НА ИЗОБРАЖЕНИЯХ... 18
2.1 Обзор методов анализа и выявления содержимого на изображении 18
2.2 Обзор математических методов кластеризации 24
2.3 Неиерархическая кластеризация данных с использованием k-means 27
2.4 Сегментации изображений 31
2.5 Распознавание слов 34
2.6 Оценка тональности текста 36
3 АНАЛИЗ ЭМОЦИОНАЛЬНОЙ СОСТАВЛЯЮЩЕЙ ИЗОБРАЖЕНИЙ ИЗ
СОЦИАЛЬНОЙ СЕТИ ВКОНТАКТЕ 38
3.1 Алгоритм работы программного обеспечения 38
3.2 Тестирование программного обеспечения 42
3.3 Программный код 48
ЗАКЛЮЧЕНИЕ 53
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 54


В настоящее время компьютеры применяются во всех сферах деятельности человека, при этом важнейшую роль играют компьютерная обработка фотографий и растровая графика в целом.
Современное программное обеспечение в сфере цифровой обработки изображений позволяют человеку ежедневно создавать большое число фотографий, которые затем заполняют собой профили пользователей в различных социальных сетях, являясь основным информационным контентом.
Эта форму контента по сути является своеобразной презентацией пользователя, так как представляемые в профиле изображения человек выбирает на уровне подсознания, основываясь на принципе «нравится - не нравится».
Формируемый в профиле пользователя информационный контент соотносится с ключевыми особенностями личности пользователя, с его эмоциональной составляющей, с его психологическими потребностями.
Значительное количество пользователей по всему миру пользуется разнообразными социальных сетями, постоянно наполняя свой профиль актуальным информационным содержимым, в первую очередь, новыми фотографиями и видеоматериалами.
Посторонний человек имеет возможность дать психоэмоциональную оценку представленному профилю в социальной сети путём проведения визуального анализа.
Современные компьютерные технологии предоставляют возможность провести подобный анализ огромного количества профилей социальной сети за приемлемое время.
Чтобы автоматизировать такой анализ, требуется обучить электронно-вычислительную машину воспринимать визуальный контент также, как его воспринимают пользователи социальной сети.
На основе использования цифровой обработки можно решить целый комплекс задач: повысить качество изображений, выполнить распознавание, в том числе текстовой информации на изображении и много других.
В бакалаврской работе цифровая обработка изображений позволяет проанализировать психоэмоциональную составляющую фотографий, типизировать изображения по цветовому распределению и текстовой информации, оценив таким образом тональность фотографии.
Затем фотографии типизируют, и вычисляется психоэмоциональная характеристика аккаунта на основе количества «агрессивных», «нейтральных», «отрицательных» и «положительных» фотоизображений.
Целью бакалаврской работы является разработка алгоритма вычисления психоэмоциональной характеристики профиля пользователя на основе типизации фотоизображений в социальной сети «ВКонтакте» путём анализа цветового распределения и тональности текста на фотоизображениях.
Для достижения поставленной цели требуется выполнение следующих задач.
1. Проанализировать воздействие цветового распределения на психоэмоциональное состояние.
2. Автоматизировать получение фотоизображений пользователей социальной сети.
3. Разработать алгоритм типизации фотоизображений на основе цветового распределения.
4. Разработать алгоритм типизации фотоизображений по тональности текста на изображениях.
5. Интерпретировать результаты типизации с реальным психоэмоциональным воздействием на пользователя.
Актуальность бакалаврской работы вызвана тем обстоятельством, что в современных условиях каждый руководитель желает принять на работу наиболее надёжных, эмоционально устойчивых работников, готовых работать на результат.
Разработанный алгоритм позволит кадровым службам организации экономно расходовать ресурсы, направленные на набор команды ответственных работников, а сотрудникам организаций в сфере образования - обеспечить безопасность и требуемую атмосферу в группе обучающихся.
Разработанный алгоритм можно использовать для выявления пограничных состояний у детей старшего и среднего школьного возраста, в том числе имеющих проблемы с речью. Это связано с воздействием цветов на психоэмоциональное состояние личности.
Цветовое распределение может быть привлекающим, отталкивающим, взбадривающим, успокаивающим.
Данные о том, какие цветовые оттенки предпочитает тот или иной пользователь, получить просто - люди на эмоциях ежедневно или еженедельно наполняют имеющиеся профили в социальных сетях фотографиями.
Автоматически анализируя это информационное наполнение, можно оперативно получать психоэмоциональные характеристики.
В первой главе рассматривается анализ изображений с точки зрения психологии, анализируется воздействие цветового распределения на психоэмоциональное состояние. Выбираются источник получения изображений для последующего анализа, цветовая модель для задания цвета, инструментарий для получения изображений, метод этого инструментария.
Во второй главе рассматриваются подходы к анализу изображений по цветовому распределению и к анализу тональности текста. Выбираются библиотеки для реализации программного обеспечения.
В третьей главе представлена разработка программы на основе анализа размещённых пользователем в открытом доступе изображений.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


В ходе работы была проанализирована различная литература по теме исследования. Рассмотрен анализ изображений с точки зрения психологии, проанализировано воздействие цветового распределения на психоэмоциональное состояние.
Был разработан алгоритм классификации эмоциональной составляющей изображений. Алгоритм включает в себя автоматизированный сбор изображений из социальной сети «ВКонтакте», определении в изображениях доминирующих цветов путем кластеризации пикселей методом k-means, определение наличия текста на изображениях и анализ его тональности. Выходными данными алгоритма является классификация изображений по четырем классам: «позитивные» изображения, «нейтральные», «грустные» и «агрессивные».
Предложенный алгоритм был реализован на языке программирования Python с использованием VK API для получения изображений выбранного пользователя, API «Google Cloud Vision» для обнаружения и распознавания текста и библиотеки TextBlob для анализа тональности текста.
Разработанный алгоритм классификации изображений контента аккаунта социальной сети может быть использован в образовательных учреждениях с целью своевременного контроля перепадов психического состояния учащихся для поддержания безопасности окружающих. Также будет удобен кадровым специалистам в выявлении наиболее подходящего кандидата на конкретную вакансию.



1. Иоганн Вольфганг Гёте и его учение о цвете (часть первая) / С.В. Месяц. - М.: Кругъ, 2012. - 464 с. - ISBN 978-5-7396-0250-3. - Текст : непосредственный.
2. Digital 2020: Global digital overview. - Текст : электронный. - URL:
https://datareportal.com/reports/digital-2020-global-digital-overview (дата
обращения: 28.04.2020).
3. Statcounter Globalstats. Social Media Stats Russian Federation. - Текст :
электронный. - URL: https://gs.statcounter.com/social-media-stats/all/russian-
federation (дата обращения: 28.04.2020).
4. Sheng, G. High-resolutionsatellite scene classification using a sparse coding based multiple featurecombination / G. Sheng, W. Yang, T. Xu, H. Sun // International Journal of Remote Sensing, 2012, vol. 33(8). - Pp. 2395-2412.
5. Глумов, Н.И. Метод отбора информативных признаков на цифровых изображениях / Н.И. Глумов // Компьютерная оптика, 2007, Т. 31, № 3. - С. 73-76. Текст : непосредственный.
6. Гайдель, А.В. Возможности текстурного анализа компьютерных томограмм в диагностике хронической обструктивной болезни / А.В. Гайдель, П.М. Зельтер, А.В. Капишников, А.Г. Храмов // Компьютерная оптика, 2014, Т. 38, № 4. - С. 843-850. Текст : непосредственный.
7. Цветовой тест Люшера / М. Люшер. - М.: Экспо, 2002. - 192 с. - ISBN 5-699-11508-6. - Текст : непосредственный.
8. Fu, L. A Robust Text Segmentation Approach in Complex Background
Based on Multiple Constraints [Text] / L. Fu, W. Wang, Y. Zhan // Pacific-Rim Conference on Multimedia - 6th Pacific Rim Conference on Multimedia, Jeju Island, Korea, November 13-16, 2005, Proceedings, Part I: Advances in
Multimedia Information Processing - PCM 2005. - Springer-Verlag Berlin
Heidelberg 2005. - Pp. 594-605.
9. Gllavata, J. Adaptive Fuzzy Text Segmentation in Images with Complex Backgrounds Using Color and Texture [Text] / J. Gllavata, B. Freisleben // International Conference on Computer Analysis of Images and Patterns - 11th International Conference, CAIP 2005, Versailles, France, September 5-8, 2005. - Proceedings: Computer Analysis of Images and Patterns. - Springer-Verlag Berlin Heidelberg 2005. - Pp. 756-765.
10. Yalniz, I.Z. Efficient Exploration of Text Regions in Natural Scene Images Using Adaptive Image Sampling [Text] / I.Z. Yalniz, D. Gray, R. Manmatha // European Conference on Computer Vision. - ECCV 2016: Computer Vision - ECCV 2016 Workshops. - 2016. - Pp. 427-439.
11. Андрианов А.И. Локализация текста на изображениях сложных
графических сцен // Современные проблемы науки и образования. - № 3. - 2013. - Текст : электронный. URL: http://science-
education.ru/ru/article/view?id=9311(дата обращения: 28.04.2020).
12. Болотова, Ю.А. Обзор алгоритмов детектирования текстовых областей на изображениях и видеозаписях / Ю.А. Болотова, В.Г. Спицын, П.М. Осина // Компьютерная оптика. - 2017. - Т. 41, № 3. - С. 441-452. Текст : непосредственный.
13. Matas, J. Robust wide baseline stereo from maximally stable extremal regions [Text] / J. Matas, O. Chum, M. Urban, T. Pajdl // British Machine Vision Conference. - 2002. Pp. 384-393.
14. Ха, Л.М. Свёрточная нейронная сеть для решения задачи классификации / Л.М. Ха // Труды МФТИ. - 2016. - Т. 8, № 3. - С. 91-97. Текст : непосредственный.
15. Наумов, С.В. Методы решения задачи детекции текста на изображениях / С.В. Наумов, В.В. Прокопова, А.Б. Тельбухов, Д.О. Инишева // Молодой учёный. Международный научный журнал. - 2019. - № 18 (256). - С. 93-95. Текст : непосредственный.
16. Kumar, D. Multi-script robust reading competition in ICDAR 2013 [Text] / D. Kumar, A. Prasad, A.G. Ramakrishnan // International Workshop on Multilingual OCR (MOCR 2013). - Washington DC, USA, 2013.
17. Фёдорова, А.А. Распознавание английского текста свёрточной нейронной сетью / А.А. Фёдорова // Молодой учёный. Международный научный журнал. - 2016. - № 14 (118). - С. 97-102. Текст : непосредственный.
18. Тюрин, А.Г. Кластерный анализ, методы и алгоритмы кластеризации / А.Г. Тюрин, И.О. Зуев // Вестник МГТУ МИРЭА. - 2014. - №2, выпуск 3. - С. 86-97. Текст : непосредственный.
19. MacQueen, J.B. Some methods for classification and analysis of multivariate observations [Text] / J.B. MacQueen // Proceedings of 5th Berkeley Mathematical Statistics and Probability. University of California Press, 1967. Pp. 281-297.
20. Steinhaus, H. Sur la division des corps materiels en parties [Text] / H. Steinhaus // Bull. Acad. Polon. Sci, 1957. Pp. 801-804.


Работу высылаем на протяжении 30 минут после оплаты.




©2024 Cервис помощи студентам в выполнении работ