本文關(guān)鍵詞：基于內(nèi)容的圖像檢索算法及其并行化研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：由于計算機技術(shù)特別是數(shù)字圖像處理技術(shù)的快速發(fā)展進步,圖像規(guī)模正在超速增大。一方面,互聯(lián)網(wǎng)上海量的數(shù)據(jù)信息受到越來越多的人們關(guān)注;另一方面,人們無法在規(guī)模巨大海量圖像中查詢出自己內(nèi)心渴望的內(nèi)容。所以合理有效地存儲管理以及高效準確地檢索出用戶滿意的信息越來越受到人們的關(guān)注。面對海量圖像數(shù)據(jù),傳統(tǒng)圖像檢索方式提取圖像單一特征的方法存在不足以及忽略圖像庫中圖像之間的相似性,并且在大規(guī)模數(shù)據(jù)處理方面存在缺陷,所以,本文提出提取圖像的顏色特征和紋理特征融合成圖像綜合特征,同時利用改進K-means實現(xiàn)對圖像庫中圖像聚類,以及在Hadoop平臺利用分布式計算MapReduce實現(xiàn)圖像檢索算法并行化,主要研究工作如下:首先,為了提高檢索的準確度,采用考慮顏色空間關(guān)系的顏色自相關(guān)圖提取圖像顏色特征和利用與人類視覺一致的Gabor變換提取紋理特征融合成圖像的綜合特征,在此基礎(chǔ)上,利用改進K-means對圖像庫進行聚類,使得相似圖像在一個類里,讓檢索的過程在一定的范圍內(nèi)進行,提出了一種基于顏色和紋理特征聚類的圖像檢索算法(Image Retrieval Based on Clustering according to Color and Texture features,簡稱ICTC算法)。然后,為了提高檢索的速度,基于Hadoop平臺利用分布式并行計算MapReduce實現(xiàn)ICTC圖像檢索算法提取圖像綜合特征算法的并行化,以及利用分布式并行計算MapReduce實現(xiàn)ICTC圖像檢索算法的并行化,這種方式使得提取圖像特征的過程和檢索的過程都是并行執(zhí)行,所以提高檢索的速度。最后,對基于顏色和紋理特征聚類的圖像檢索算法和將ICTC圖像檢索算法在Hadoop平臺實現(xiàn)并行化進行了大量的實驗和分析�；陬伾图y理特征聚類的圖像檢索算法與其他傳統(tǒng)算法相比,提高了查詢檢索的準確度;基于Hadoop平臺實現(xiàn)并行化的ICTC圖像檢索算法相比傳統(tǒng)圖像檢索算法,提升了查詢檢索速度。
【關(guān)鍵詞】：圖像檢索 顏色自相關(guān)圖 Gabor變換 K-means聚類 Hadoop MapReduce
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-10
• 第一章 緒論10-19
• 1.1 論文研究的背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-16
• 1.2.1 基于內(nèi)容的圖像檢索(CBIR)國外研究現(xiàn)狀11-13
• 1.2.2 基于內(nèi)容的圖像檢索（CBIR）國內(nèi)研究現(xiàn)狀13
• 1.2.3 基于內(nèi)容的圖像檢索（CBIR）發(fā)展13-15
• 1.2.4 云計算發(fā)展15-16
• 1.3 本文研究內(nèi)容與結(jié)構(gòu)安排16-18
• 1.3.1 本文研究內(nèi)容16-17
• 1.3.2 本文組織結(jié)構(gòu)17-18
• 1.4 本章小結(jié)18-19
• 第二章 CBIR和Hadoop相關(guān)技術(shù)19-33
• 2.1 基于內(nèi)容的圖像檢索系統(tǒng)框架19-20
• 2.2 圖像物理特征20-25
• 2.2.1 顏色特征20-21
• 2.2.2 紋理特征21-23
• 2.2.3 形狀特征23-25
• 2.3 相似性度量25-26
• 2.4 檢索性能評價標準26-27
• 2.5 Hadoop分布式系統(tǒng)框架27-28
• 2.6 分布式文件系統(tǒng)HDFS28-31
• 2.6.1 HDFS讀操作29-30
• 2.6.2 HDFS寫操作30-31
• 2.7 并行計算模型MapReduce31-32
• 2.8 本章小結(jié)32-33
• 第三章 綜合顏色和紋理特征聚類的圖像檢索算法33-44
• 3.1 基于顏色的圖像檢索算法33-34
• 3.2 顏色空間模型34-38
• 3.2.1 RGB顏色空間34
• 3.2.2 HSV顏色空間34-35
• 3.2.3 RGB顏色空間轉(zhuǎn)換HSV顏色空間35-36
• 3.2.4 顏色量化36-37
• 3.2.5 提取顏色特征37-38
• 3.3 基于紋理的圖像檢索算法38-40
• 3.3.1 提取紋理特征39-40
• 3.3.2 圖像的綜合特征40
• 3.4 聚類過程40-42
• 3.4.1 k-means基礎(chǔ)概念40
• 3.4.2 改進k-means40-41
• 3.4.3 聚類性能41-42
• 3.5 圖像相似性度量42
• 3.6 本章小結(jié)42-44
• 第四章 ICTC算法的并行化研究44-54
• 4.1 基于Hadoop平臺海量圖像檢索44-45
• 4.2 圖像特征提取MapReduce化45-47
• 4.2.1 圖像綜合特征提取45
• 4.2.2 基于MapReduce的綜合特征提取算法45-47
• 4.3 圖像檢索MapReduce化47-48
• 4.3.1 相似性度量方法47
• 4.3.2 基于MapReduce的圖像檢索算法47-48
• 4.4 圖像特征聚類MapReduce化探討48-50
• 4.4.1 改進K-means48-50
• 4.4.2 基于MapReduce的改進K-means聚類算法探討50
• 4.5 Hadoop平臺的搭建50-52
• 4.5.1 實驗平臺軟硬件配置50-51
• 4.5.2 Hadoop的安裝51-52
• 4.6 本章小結(jié)52-54
• 第五章 實驗與結(jié)果分析54-64
• 5.1 基于顏色和紋理聚類的圖像檢索實驗54-57
• 5.1.1 實驗數(shù)據(jù)54
• 5.1.2 結(jié)果分析54-57
• 5.2 ICTC算法并行化研究實驗57-63
• 5.2.1 實驗數(shù)據(jù)57-58
• 5.2.2 加速比與效率58-59
• 5.2.3 擴展率與伸縮率59-61
• 5.2.4 負載性能61-63
• 5.3 本章小結(jié)63-64
• 第六章 總結(jié)與展望64-67
• 6.1 總結(jié)64-65
• 6.2 展望65-67
• 參考文獻67-71
• 攻讀碩士期間發(fā)表的論文及所取得的研究成果71-72
• 致謝72-73

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 呂明磊;劉冬梅;曾智勇;;一種改進的K-means聚類算法的圖像檢索方法[J];計算機科學(xué);2013年08期

2 李麗麗;孫勁光;;基于主色提取和主色集擴充的圖像檢索算法[J];計算機應(yīng)用與軟件;2012年01期

3 常哲;侯榆青;李明俐;程濤;劉黎寧;;綜合顏色和紋理特征的圖像檢索[J];小型微型計算機系統(tǒng);2011年01期

4 高燕;胡學(xué)龍;李玲;丁寧;;基于小波多尺度分析的綜合特征圖像檢索[J];微電子學(xué)與計算機;2010年04期

5 陳湘濤;王愛云;謝偉平;聶轟;;基于內(nèi)容圖像檢索的聚類算法研究[J];計算機應(yīng)用研究;2008年12期

6 黃元元;何云峰;;利用顏色進行基于內(nèi)容的圖像檢索[J];小型微型計算機系統(tǒng);2007年07期

7 汪慧蘭;趙海峰;羅斌;;基于局部顏色空間特征的圖像檢索[J];計算機技術(shù)與發(fā)展;2006年01期

8 董衛(wèi)軍,周明全,耿國華;基于綜合特征圖像檢索技術(shù)研究[J];計算機應(yīng)用與軟件;2005年11期

9 劉飛,鄒文輝,羅峰,羅代升;CBIR中基于紋理特征的檢索概述[J];中國測試技術(shù);2005年02期

10 劉忠偉,章毓晉;基于特征的圖象查詢和檢索系統(tǒng)[J];應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報;2000年01期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 孫君頂;基于內(nèi)容的圖像檢索技術(shù)研究[D];西安電子科技大學(xué);2005年

  本文關(guān)鍵詞：基于內(nèi)容的圖像檢索算法及其并行化研究，由筆耕文化傳播整理發(fā)布。

本文編號：458445