在計(jì)算機(jī)視覺(jué)、模式識(shí)別與機(jī)器學(xué)習(xí)領(lǐng)域中圖像場(chǎng)景分類扮演著非常重要的角色。圖像場(chǎng)景分類廣泛應(yīng)用于很多個(gè)領(lǐng)域,如目標(biāo)識(shí)別和行為檢測(cè)。但是,對(duì)于單個(gè)物體實(shí)例來(lái)說(shuō),通常會(huì)由于不同的光照條件,拍攝角度和圖像采集距離導(dǎo)致圖像分類的準(zhǔn)確性降低,而且對(duì)象本身的非剛性變形和其他對(duì)象的部分遮擋也會(huì)導(dǎo)致對(duì)象實(shí)例的表現(xiàn)特征發(fā)生大的變化。與此同時(shí),隨著多媒體和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,這些技術(shù)所產(chǎn)生的數(shù)據(jù)規(guī)模不斷的擴(kuò)大。大多數(shù)數(shù)據(jù)以圖像和視頻的形式呈現(xiàn)。圖像的快速而準(zhǔn)確的分類已經(jīng)成為計(jì)算機(jī)視覺(jué)領(lǐng)域的熱點(diǎn)問(wèn)題之一。Hadoop是主流的分布式計(jì)算平臺(tái)之一,在處理海量數(shù)據(jù)方面上占有極大的優(yōu)勢(shì)。因此,在Hadoop平臺(tái)上使用其平臺(tái)上強(qiáng)大的計(jì)算和存儲(chǔ)功能用來(lái)提高圖像分類的效率。本文的內(nèi)容主要包含以下幾個(gè)部分:（1）簡(jiǎn)要介紹了Hadoop平臺(tái)的架構(gòu)以及圖像分類的基本方法,重點(diǎn)介紹了低級(jí)特征提取的SIFT算法和中層特征建模的BoW模型的基本理論知識(shí)。（2）深入分析了由SIFT算法和BoW模型而引出的問(wèn)題,本文會(huì)從SIFT算法的低級(jí)特征提取和BoW中層特征建模這兩個(gè)方面提出一些優(yōu)化的算法作為圖像場(chǎng)景分類所使用的算法,通過(guò)這些優(yōu)化的... 

【文章來(lái)源】：武漢郵電科學(xué)研究院湖北省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Hadoop的整體框架

Hadoop實(shí)驗(yàn)集群部署結(jié)構(gòu)

武漢郵電科學(xué)研究院碩士學(xué)位論文9圖2-3HDFS框架HDFS是Master/Slave架構(gòu)。一個(gè)HDFS集群中包含了一個(gè)NameNode（Master）和多個(gè)DataNode（Slave）。實(shí)現(xiàn)HDFS時(shí)，文件會(huì)被分為幾個(gè)塊（塊大�。�128M），這些塊都會(huì)被存儲(chǔ)在一些DataNodes上。NameNode主要負(fù)責(zé)的是在實(shí)時(shí)的響應(yīng)client的請(qǐng)求的同時(shí)，還需要管理元數(shù)據(jù)信息（文件名，副本系數(shù)和存儲(chǔ)在塊中的DataNode）；DataNode會(huì)存儲(chǔ)與用戶文件相對(duì)應(yīng)的塊，然后周期性的對(duì)NameNode發(fā)送心跳信息，報(bào)告自身和所有塊信息以及健康狀態(tài)。典型的部署方法是為Hadoop集群中的一臺(tái)計(jì)算機(jī)部署一個(gè)NameNode，為其他計(jì)算機(jī)部署DataNode。HDFS能夠用很多個(gè)塊來(lái)描述所有文件。HDFS也能夠設(shè)置所有文件副本系數(shù)以及分成的塊大小，同時(shí)也能夠通過(guò)設(shè)置文件中的副本個(gè)數(shù)使得在新建文件時(shí)就可以獲得副本系數(shù)的值。副本系數(shù)也能夠在后面的操作上進(jìn)行更改。NameNode通過(guò)處理塊副本上的復(fù)制，按期的讓DataNode獲得心跳和塊的狀態(tài)。2.1.2MapReduce并行編程框架MapReduce是Hadoop的核心組成[28]，它是一個(gè)可以應(yīng)用在數(shù)據(jù)處理方面上的編程模型。MapReduce實(shí)質(zhì)上是實(shí)現(xiàn)并行運(yùn)算的，所以在一定程度上能夠?qū)⒑Ａ繑?shù)據(jù)分析的任務(wù)分配到所有擁有多個(gè)機(jī)器的一個(gè)數(shù)據(jù)中心，能夠運(yùn)用在Hadoop平臺(tái)上MapReduce所實(shí)現(xiàn)的并行計(jì)算這一優(yōu)點(diǎn)。MapReduce的核心功能就是將用戶的需求編寫(xiě)成業(yè)務(wù)的邏輯代碼并使用它自己的默認(rèn)組件集成到一個(gè)完整的分布式計(jì)算程序中，使得該程序可以在Hadoop集群上同時(shí)運(yùn)行。MapReduce

【參考文獻(xiàn)】：
期刊論文
[1]基于k-means聚類的電動(dòng)汽車用戶行為特征可視化分析[J]. 李永攀,黃兵,解大.  電氣自動(dòng)化. 2019(01)
[2]應(yīng)用MapReduce與視覺(jué)描述符的圖像檢索算法[J]. 盛昀瑤,張福泉,任艷.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2018(12)
[3]基于馬氏距離多核學(xué)習(xí)的高光譜圖像分類[J]. 高巍,彭宇.  儀器儀表學(xué)報(bào). 2018(03)
[4]搭建HDFS分布式文件系統(tǒng)[J]. 劉景云.  網(wǎng)絡(luò)安全和信息化. 2018(02)
[5]基于ASIFT算法的圖像特征匹配[J]. 張振寧.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(02)
[6]基于Hadoop分布式平臺(tái)的海量圖像檢索[J]. 王倩,譚永杰,秦杰,柴爭(zhēng)義,葉海琴.  南京理工大學(xué)學(xué)報(bào). 2017(04)
[7]基于Hadoop平臺(tái)的圖像檢索分布式算法的改進(jìn)研究[J]. 丁燦,侯春萍,王寶亮.  南開(kāi)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(04)
[8]基于MapReduce框架下K-means的改進(jìn)算法[J]. 陰愛(ài)英,吳運(yùn)兵,朱敏琛,張瑩.  計(jì)算機(jī)應(yīng)用研究. 2018(08)
[9]視覺(jué)地形分類的詞袋框架綜述[J]. 吳航,劉保真,蘇衛(wèi)華,張文昌,孫景工.  中國(guó)圖象圖形學(xué)報(bào). 2016(10)

碩士論文
[1]基于深度學(xué)習(xí)的雙模態(tài)情感識(shí)別[D]. 袁亮.南京郵電大學(xué) 2018
[2]動(dòng)態(tài)K-means算法在遙感圖像挖掘領(lǐng)域的并行化研究[D]. 鮑黎明.南京郵電大學(xué) 2017
[3]應(yīng)用SIFT算法的圖像配準(zhǔn)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 高文剛.中北大學(xué) 2017
[4]基于云平臺(tái)的大規(guī)模圖像檢索研究[D]. 朱珊.北京交通大學(xué) 2017
[5]基于Hadoop云計(jì)算平臺(tái)的K-Means聚類算法研究[D]. 劉洋.哈爾濱理工大學(xué) 2017
[6]SIFT特征匹配技術(shù)研究與應(yīng)用[D]. 陳晗婧.南京理工大學(xué) 2017
[7]基于SIFT算法的快速圖像配準(zhǔn)技術(shù)[D]. 孫偉曄.吉林大學(xué) 2017
[8]場(chǎng)景圖像分類的若干問(wèn)題研究[D]. 謝可.東南大學(xué) 2016
[9]K-means聚類算法的改進(jìn)研究[D]. 宋建林.安徽大學(xué) 2016
[10]基于PCA和LBP改進(jìn)算法的人臉識(shí)別研究[D]. 霍焰焰.哈爾濱理工大學(xué) 2015



本文編號(hào)：3309571