| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 图像特征提取的国内外研究现状 | 第11-13页 |
| 1.2.2 机器学习的国内外研究现状 | 第13-14页 |
| 1.2.3 分布式计算的国内外研究现状 | 第14-15页 |
| 1.3 本文的主要研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关核心技术研究 | 第17-36页 |
| 2.1 颜色特征 | 第17-21页 |
| 2.1.1 色彩表示模型 | 第17-19页 |
| 2.1.2 颜色特征提取 | 第19-21页 |
| 2.2 纹理特征 | 第21-23页 |
| 2.3 形状特征 | 第23-25页 |
| 2.4 图像特征归一化 | 第25-26页 |
| 2.5 相似性度量算法 | 第26页 |
| 2.6 基于机器学习的图像特征训练 | 第26-31页 |
| 2.6.1 朴素贝叶斯(Naive Bayes) | 第27-28页 |
| 2.6.2 K均值(K-means) | 第28页 |
| 2.6.3 支持向量机(Support Vector Machine,SVM) | 第28-30页 |
| 2.6.4 K近邻 | 第30-31页 |
| 2.7 分布式计算 | 第31-36页 |
| 2.7.1 Hadoop分布式文件系统HDFS | 第31-33页 |
| 2.7.2 Mapreduce编程框架 | 第33-36页 |
| 第三章 分布式图像分类检索的系统设计 | 第36-41页 |
| 3.1 分布式图像分类检索系统架构设计 | 第36-37页 |
| 3.2 业务系统图像分类检索模块功能设计 | 第37-38页 |
| 3.3 图像提取物理特征模型设计 | 第38-39页 |
| 3.4 分布式KNN算法设计 | 第39-41页 |
| 第四章 业务系统的实现及应用 | 第41-57页 |
| 4.1 系统技术实现 | 第41-44页 |
| 4.1.1 颜色特征提取 | 第41-42页 |
| 4.1.2 纹理特征提取 | 第42-43页 |
| 4.1.3 形状特征提取 | 第43-44页 |
| 4.1.4 特征归一化 | 第44页 |
| 4.2 分布式KNN算法的实现 | 第44-49页 |
| 4.2.1 Map过程实现 | 第45-47页 |
| 4.2.2 Combine过程实现 | 第47-48页 |
| 4.2.3 Reduce过程实现 | 第48-49页 |
| 4.3 系统测试与评价 | 第49-57页 |
| 4.3.1 Hadoop系统环境搭建 | 第50-53页 |
| 4.3.2 系统性能评估 | 第53-54页 |
| 4.3.3 单机和分布式算法复杂度分析和训练结果对比 | 第54-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-61页 |
| 致谢 | 第61-62页 |
| 作者攻读硕士学位期间发表的论文 | 第62页 |