| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要工作及结构 | 第11-12页 |
| 2 Hadoop技术架构概述 | 第12-18页 |
| 2.1 Hadoop简介 | 第12-13页 |
| 2.1.1 Hadoop产生背景 | 第12页 |
| 2.1.2 Hadoop基本架构 | 第12-13页 |
| 2.2 MapReduce编程模型 | 第13-15页 |
| 2.3 分布式文件系统HDFS | 第15-17页 |
| 2.4 本章小结 | 第17-18页 |
| 3 基于DenseSIFT算法和BoF模型的图像语义描述 | 第18-29页 |
| 3.1 SIFT算法 | 第18-24页 |
| 3.1.1 SIFT算法简介 | 第18页 |
| 3.1.2 SIFT特征关键点提取 | 第18-24页 |
| 3.2 DenseSIFT算法 | 第24-25页 |
| 3.3 Bag-of-Features模型 | 第25-27页 |
| 3.3.1 BoF模型简介 | 第25-26页 |
| 3.3.2 K-Means聚类算法 | 第26页 |
| 3.3.3 Bag-of-Features模型实现步骤 | 第26-27页 |
| 3.4 本章小结 | 第27-29页 |
| 4 LDA并行化方法研究 | 第29-43页 |
| 4.1 LDA背景知识 | 第29-37页 |
| 4.1.1 贝叶斯推理 | 第29-30页 |
| 4.1.2 Dirichlet分布 | 第30-33页 |
| 4.1.3 MCMC和Gibbs采样 | 第33-37页 |
| 4.2 基于Gibbs采样的LDA算法 | 第37-40页 |
| 4.3 并行LDA原理 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 Hadoop环境下基于并行LDA的图像场景分类方法 | 第43-57页 |
| 5.1 基于MapReduce的图像分布式处理 | 第43-46页 |
| 5.1.1 Image Writable图像类型 | 第43-45页 |
| 5.1.2 作业输入格式ImageInput Format | 第45-46页 |
| 5.2 图像SIFT特征提取 | 第46-47页 |
| 5.3 图像词频向量转化 | 第47-49页 |
| 5.3.1 K-Means聚类算法的MapReduce实现 | 第47-48页 |
| 5.3.2 基于MapReduce的图像词频向量转化 | 第48-49页 |
| 5.4 并行LDA算法的Map Reduce实现 | 第49-50页 |
| 5.5 并行LDA分类方法 | 第50-51页 |
| 5.6 实验结果与分析 | 第51-56页 |
| 5.6.1 实验环境 | 第51页 |
| 5.6.2 数据来源 | 第51-53页 |
| 5.6.3 实验结果与分析 | 第53-56页 |
| 5.7 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间的研究成果 | 第62页 |
