| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 本文研究背景及意义 | 第9-10页 |
| 1.2 本文研究内容 | 第10-12页 |
| 1.2.1 Hadoop分布式计算平台 | 第10-11页 |
| 1.2.2 图像分类与匹配方法 | 第11页 |
| 1.2.3 图像分类器 | 第11-12页 |
| 1.3 论文结构安排 | 第12-13页 |
| 第二章 Hadoop相关技术 | 第13-25页 |
| 2.1 Hadoop平台简介 | 第13-16页 |
| 2.1.1 Hadoop具体模块介绍 | 第13-14页 |
| 2.1.2 Hadoop中主要使用的机器学习算法介绍 | 第14-15页 |
| 2.1.3 Hadoop其他相关技术 | 第15-16页 |
| 2.2 Hadoop分布式文件系统 | 第16-19页 |
| 2.2.1 HDFS的设计特点 | 第16-17页 |
| 2.2.2 HDFS中的基本概念 | 第17-19页 |
| 2.2.3 HDFS中存在的不足 | 第19页 |
| 2.3 MapReduce并行编程模型 | 第19-24页 |
| 2.3.1 MapReduce设计目标与基本架构 | 第20-22页 |
| 2.3.2 MapReduce作业提交与初始化分析 | 第22页 |
| 2.3.3 MapReduce作业的生命周期 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 图像分类与匹配相关技术 | 第25-43页 |
| 3.1 图像分类技术 | 第25-31页 |
| 3.1.1 基于图像直方图的分类 | 第25-28页 |
| 3.1.2 基于图像纹理特征的分类 | 第28-30页 |
| 3.1.3 基于图像局部特征描述子的分类 | 第30-31页 |
| 3.2 SIFT算法 | 第31-38页 |
| 3.2.1 SIFT算法基本概述 | 第31-32页 |
| 3.2.2 SIFT特征提取核心算法 | 第32-37页 |
| 3.2.3 SIFT特征匹配 | 第37-38页 |
| 3.3 机器学习在图像分类中的应用 | 第38-40页 |
| 3.3.1 支持向量机在图像分类中的应用 | 第38-39页 |
| 3.3.2 朴素贝叶斯在图像分类中的应用 | 第39-40页 |
| 3.4 本章小结 | 第40-43页 |
| 第四章 基于Hadoop的图像分类系统设计 | 第43-49页 |
| 4.1 传统图像分类系统介绍 | 第43-44页 |
| 4.1.1 传统图像分类系统架构 | 第43-44页 |
| 4.1.2 传统图像分类系统的缺陷 | 第44页 |
| 4.2 基于Hadoop的图像分类系统设计 | 第44-48页 |
| 4.2.1 分布式系统总体架构 | 第44-45页 |
| 4.2.2 MapReduce模块设计 | 第45-47页 |
| 4.2.3 Hadoop系统中的图像分类过程 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 分布式图像分类匹配算法实现与测试 | 第49-63页 |
| 5.1 MapReduce程序实现 | 第49-53页 |
| 5.1.1 Map函数实现 | 第50-51页 |
| 5.1.2 Reduce函数实现 | 第51-52页 |
| 5.1.3 main函数实现 | 第52-53页 |
| 5.2 Linux环境下测试 | 第53-61页 |
| 5.2.1 系统与测试环境搭建 | 第53-56页 |
| 5.2.2 系统测试与分析 | 第56-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第六章 总结及展望 | 第63-65页 |
| 6.1 论文工作总结 | 第63页 |
| 6.2 后续工作展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68页 |