近幾年來(lái),人民的生活水平日益提高,人民的生活質(zhì)量不斷增加,正在步入小康社會(huì)的大眾,已經(jīng)不滿足于物質(zhì)的要求,日益追求新的精神追求。人們?nèi)諠u喜歡旅游、踏青等活動(dòng)�，F(xiàn)代各種數(shù)碼相機(jī)、攝相機(jī)以及各種互聯(lián)網(wǎng)設(shè)備軟件的普及在很大程度上方便了人們的外出等照相的要求。不僅如此,近幾年來(lái)蓬勃發(fā)展的網(wǎng)絡(luò),其圖像數(shù)據(jù)也在無(wú)限的增長(zhǎng),比如眾所周知的Facebook,圖像的總?cè)萘恳呀?jīng)達(dá)到1.5TB。圖片作為最有感觀的信息源之一,其數(shù)量呈指數(shù)增長(zhǎng),傳統(tǒng)的相片檢索技術(shù)已經(jīng)不滿足于快速增長(zhǎng)的海量數(shù)碼相片的處理需求。因此,從雜亂無(wú)章、數(shù)量龐大的數(shù)據(jù)中高效、快速的處理檢索圖片是當(dāng)今社會(huì)的需求。隨著數(shù)據(jù)量的無(wú)限增加,傳統(tǒng)的技術(shù)框架不能滿足快速增長(zhǎng)的數(shù)據(jù)量,如淘寶網(wǎng),天貓,唯品會(huì),聚美優(yōu)品等一系列網(wǎng)址,圖片的存數(shù)量已經(jīng)達(dá)到PB級(jí)別,并且不斷的在擴(kuò)大。Hadoop的海量數(shù)據(jù)的存儲(chǔ)管理HDFS和并行框架MapReduce提供了處理海量數(shù)碼相片的平臺(tái)。Hadoop云平臺(tái)的出現(xiàn)為海量圖像檢索技術(shù)提供了更高效、快速的技術(shù)支持。本文通過(guò)Hadoop云平臺(tái)下,對(duì)海量的數(shù)碼相片做分布式計(jì)算,提取圖片的SURF特征,對(duì)圖片的SURF特征進(jìn)行K... 

【文章來(lái)源】：東華理工大學(xué)江西省

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 Hadoop國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 K-Means聚類國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 云計(jì)算平臺(tái)Hadoop
    2.1 云計(jì)算
        2.1.1 云計(jì)算的概念
        2.1.2 云計(jì)算特點(diǎn)
    2.2 Hadoop系統(tǒng)
        2.2.1 Hadoop系統(tǒng)的簡(jiǎn)介
    2.3 分布式文件系統(tǒng)HDFS
        2.3.1 HDFS相關(guān)概念
        2.3.2 HDFS的可靠性設(shè)計(jì)
    2.4 并行計(jì)算框架Map Reduce
        2.4.1 Map Reduce的工作流程
        2.4.2 Mapreduce工作原理
    2.5 Map Reduce對(duì)圖像格式的處理
    2.6 本章小結(jié)
第3章 圖像檢索所涉及的相關(guān)算法
    3.1 圖像特征提取
    3.2 SIFT算法的概況
    3.3 SURF算法的概況
    3.4 K-Means算法
        3.4.1 K-Means算法概況
        3.4.2 K-Means聚類的距離計(jì)算
        3.4.3 K-Means算法的Map Reduce實(shí)現(xiàn)
        3.4.4 K-Means算法的缺點(diǎn)
    3.5 基于抽樣和K-dist圖算法的K-Means算法改進(jìn)
        3.5.1 數(shù)據(jù)抽樣
        3.5.2 基于密度的聚類方法
        3.5.3 k-dist圖
    3.6 LSH算法
    3.7 小結(jié)
第4章 海量圖像檢索的設(shè)計(jì)與實(shí)現(xiàn)
    4.1 圖像檢索的整體框架介紹
    4.2 功能模塊的設(shè)計(jì)
        4.2.1 用戶與計(jì)算機(jī)的交互模塊
        4.2.2 圖片特征向量提取的模塊
        4.2.3 特征聚類和統(tǒng)一特征向量的模塊
        4.2.4 建立LSH索引模塊
        4.2.5 用戶圖像檢索的模塊
    4.3 海量圖像檢索結(jié)果評(píng)估
        4.3.1 圖像特征提取模塊的分析
        4.3.2 聚類模塊的分析
        4.3.3 LSH索引模塊的分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]K-均值聚類算法的MapReduce模型實(shí)現(xiàn)[J]. 王鵬,王睿婕.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(03)
[2]中介相似性量度的圖像匹配[J]. 周寧寧,呂文杰.  中國(guó)圖象圖形學(xué)報(bào). 2012(09)
[3]基于底層視覺(jué)特征的語(yǔ)義圖像檢索[J]. 曾憲文,沈?qū)W東.  上海電機(jī)學(xué)院學(xué)報(bào). 2010(06)
[4]一種改進(jìn)的k-means初始聚類中心選取算法[J]. 韓凌波,王強(qiáng),蔣正鋒,郝志強(qiáng).  計(jì)算機(jī)工程與應(yīng)用. 2010(17)
[5]云計(jì)算和虛擬化網(wǎng)絡(luò)硬件平臺(tái)解決方案[J]. 于偉,叢欣.  信息安全與通信保密. 2010(04)
[6]基于半監(jiān)督K-means的K值全局尋優(yōu)算法[J]. 孫雪,李昆侖,胡夕坤,趙瑞.  北京交通大學(xué)學(xué)報(bào). 2009(06)
[7]云計(jì)算及其關(guān)鍵技術(shù)[J]. 陳全,鄧倩妮.  計(jì)算機(jī)應(yīng)用. 2009(09)
[8]一種基于廣度優(yōu)先搜索的K-means初始化算法[J]. 張忠平,王愛(ài)杰,陳麗萍.  計(jì)算機(jī)工程與應(yīng)用. 2008(27)
[9]基于內(nèi)容的圖像檢索技術(shù)綜述[J]. 陳洪生.  咸寧學(xué)院學(xué)報(bào). 2008(03)
[10]DBSCAN聚類算法的研究與改進(jìn)[J]. 馮少榮,肖文俊.  中國(guó)礦業(yè)大學(xué)學(xué)報(bào). 2008(01)

碩士論文
[1]基于Hadoop的圖像分類與匹配研究[D]. 王自昊.北京郵電大學(xué) 2015
[2]基于云計(jì)算的聚類挖掘算法及其應(yīng)用研究[D]. 劉宇.南京郵電大學(xué) 2014
[3]基于Hadoop云平臺(tái)的海量數(shù)字圖像數(shù)據(jù)挖掘的研究[D]. 張良將.上海交通大學(xué) 2013
[4]基于改進(jìn)聚類算法的數(shù)據(jù)挖掘系統(tǒng)的研究與實(shí)現(xiàn)[D]. 楊敏煜.電子科技大學(xué) 2012
[5]一種改進(jìn)的kmeans聚類算法研究[D]. 劉振廣.哈爾濱工程大學(xué) 2010



本文編號(hào)：3525363