基于内容的图像检索算法及其并行化研究

发布时间：2017-06-17 13:12

  本文关键词：基于内容的图像检索算法及其并行化研究，，由笔耕文化传播整理发布。

【摘要】：由于计算机技术特别是数字图像处理技术的快速发展进步,图像规模正在超速增大。一方面,互联网上海量的数据信息受到越来越多的人们关注;另一方面,人们无法在规模巨大海量图像中查询出自己内心渴望的内容。所以合理有效地存储管理以及高效准确地检索出用户满意的信息越来越受到人们的关注。面对海量图像数据,传统图像检索方式提取图像单一特征的方法存在不足以及忽略图像库中图像之间的相似性,并且在大规模数据处理方面存在缺陷,所以,本文提出提取图像的颜色特征和纹理特征融合成图像综合特征,同时利用改进K-means实现对图像库中图像聚类,以及在Hadoop平台利用分布式计算MapReduce实现图像检索算法并行化,主要研究工作如下:首先,为了提高检索的准确度,采用考虑颜色空间关系的颜色自相关图提取图像颜色特征和利用与人类视觉一致的Gabor变换提取纹理特征融合成图像的综合特征,在此基础上,利用改进K-means对图像库进行聚类,使得相似图像在一个类里,让检索的过程在一定的范围内进行,提出了一种基于颜色和纹理特征聚类的图像检索算法(Image Retrieval Based on Clustering according to Color and Texture features,简称ICTC算法)。然后,为了提高检索的速度,基于Hadoop平台利用分布式并行计算MapReduce实现ICTC图像检索算法提取图像综合特征算法的并行化,以及利用分布式并行计算MapReduce实现ICTC图像检索算法的并行化,这种方式使得提取图像特征的过程和检索的过程都是并行执行,所以提高检索的速度。最后,对基于颜色和纹理特征聚类的图像检索算法和将ICTC图像检索算法在Hadoop平台实现并行化进行了大量的实验和分析。基于颜色和纹理特征聚类的图像检索算法与其他传统算法相比,提高了查询检索的准确度;基于Hadoop平台实现并行化的ICTC图像检索算法相比传统图像检索算法,提升了查询检索速度。
【关键词】：图像检索 颜色自相关图 Gabor变换 K-means聚类 Hadoop MapReduce
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• Abstract5-10
• 第一章 绪论10-19
• 1.1 论文研究的背景及意义10-11
• 1.2 国内外研究现状11-16
• 1.2.1 基于内容的图像检索(CBIR)国外研究现状11-13
• 1.2.2 基于内容的图像检索（CBIR）国内研究现状13
• 1.2.3 基于内容的图像检索（CBIR）发展13-15
• 1.2.4 云计算发展15-16
• 1.3 本文研究内容与结构安排16-18
• 1.3.1 本文研究内容16-17
• 1.3.2 本文组织结构17-18
• 1.4 本章小结18-19
• 第二章 CBIR和Hadoop相关技术19-33
• 2.1 基于内容的图像检索系统框架19-20
• 2.2 图像物理特征20-25
• 2.2.1 颜色特征20-21
• 2.2.2 纹理特征21-23
• 2.2.3 形状特征23-25
• 2.3 相似性度量25-26
• 2.4 检索性能评价标准26-27
• 2.5 Hadoop分布式系统框架27-28
• 2.6 分布式文件系统HDFS28-31
• 2.6.1 HDFS读操作29-30
• 2.6.2 HDFS写操作30-31
• 2.7 并行计算模型MapReduce31-32
• 2.8 本章小结32-33
• 第三章 综合颜色和纹理特征聚类的图像检索算法33-44
• 3.1 基于颜色的图像检索算法33-34
• 3.2 颜色空间模型34-38
• 3.2.1 RGB颜色空间34
• 3.2.2 HSV颜色空间34-35
• 3.2.3 RGB颜色空间转换HSV颜色空间35-36
• 3.2.4 颜色量化36-37
• 3.2.5 提取颜色特征37-38
• 3.3 基于纹理的图像检索算法38-40
• 3.3.1 提取纹理特征39-40
• 3.3.2 图像的综合特征40
• 3.4 聚类过程40-42
• 3.4.1 k-means基础概念40
• 3.4.2 改进k-means40-41
• 3.4.3 聚类性能41-42
• 3.5 图像相似性度量42
• 3.6 本章小结42-44
• 第四章 ICTC算法的并行化研究44-54
• 4.1 基于Hadoop平台海量图像检索44-45
• 4.2 图像特征提取MapReduce化45-47
• 4.2.1 图像综合特征提取45
• 4.2.2 基于MapReduce的综合特征提取算法45-47
• 4.3 图像检索MapReduce化47-48
• 4.3.1 相似性度量方法47
• 4.3.2 基于MapReduce的图像检索算法47-48
• 4.4 图像特征聚类MapReduce化探讨48-50
• 4.4.1 改进K-means48-50
• 4.4.2 基于MapReduce的改进K-means聚类算法探讨50
• 4.5 Hadoop平台的搭建50-52
• 4.5.1 实验平台软硬件配置50-51
• 4.5.2 Hadoop的安装51-52
• 4.6 本章小结52-54
• 第五章 实验与结果分析54-64
• 5.1 基于颜色和纹理聚类的图像检索实验54-57
• 5.1.1 实验数据54
• 5.1.2 结果分析54-57
• 5.2 ICTC算法并行化研究实验57-63
• 5.2.1 实验数据57-58
• 5.2.2 加速比与效率58-59
• 5.2.3 扩展率与伸缩率59-61
• 5.2.4 负载性能61-63
• 5.3 本章小结63-64
• 第六章 总结与展望64-67
• 6.1 总结64-65
• 6.2 展望65-67
• 参考文献67-71
• 攻读硕士期间发表的论文及所取得的研究成果71-72
• 致谢72-73

【参考文献】

中国期刊全文数据库 前10条

1 吕明磊;刘冬梅;曾智勇;;一种改进的K-means聚类算法的图像检索方法[J];计算机科学;2013年08期

2 李丽丽;孙劲光;;基于主色提取和主色集扩充的图像检索算法[J];计算机应用与软件;2012年01期

3 常哲;侯榆青;李明俐;程涛;刘黎宁;;综合颜色和纹理特征的图像检索[J];小型微型计算机系统;2011年01期

4 高燕;胡学龙;李玲;丁宁;;基于小波多尺度分析的综合特征图像检索[J];微电子学与计算机;2010年04期

5 陈湘涛;王爱云;谢伟平;聂轰;;基于内容图像检索的聚类算法研究[J];计算机应用研究;2008年12期

6 黄元元;何云峰;;利用颜色进行基于内容的图像检索[J];小型微型计算机系统;2007年07期

7 汪慧兰;赵海峰;罗斌;;基于局部颜色空间特征的图像检索[J];计算机技术与发展;2006年01期

8 董卫军,周明全,耿国华;基于综合特征图像检索技术研究[J];计算机应用与软件;2005年11期

9 刘飞,邹文辉,罗峰,罗代升;CBIR中基于纹理特征的检索概述[J];中国测试技术;2005年02期

10 刘忠伟,章毓晋;基于特征的图象查询和检索系统[J];应用基础与工程科学学报;2000年01期

中国博士学位论文全文数据库 前1条

1 孙君顶;基于内容的图像检索技术研究[D];西安电子科技大学;2005年

  本文关键词：基于内容的图像检索算法及其并行化研究，由笔耕文化传播整理发布。

本文编号：458445