首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于海量高维图像的大数据处理框架

摘要第4-6页
Abstract第6-7页
第一章 绪论第11-17页
    1.1 研究工作的背景与意义第11-12页
    1.2 海量高维图像处理的国内外研究现状第12-14页
    1.3 本文研究的主要内容第14-15页
    1.4 课题研究目标第15-16页
    1.5 论文结构安排第16-17页
第二章 框架核心技术介绍第17-34页
    2.1 Hadoop基本架构第17-21页
        2.1.1 HDFS架构第17-19页
        2.1.2 Hadoop Map Reduce架构第19-21页
    2.2 Map Reduce编程模型第21-27页
        2.2.1 Map Reduce编程接.体系结构第21-22页
        2.2.2 Input Format接.的设计与实现第22-25页
        2.2.3 Output Format接.的设计与实现第25-27页
        2.2.4 Mapper和Reducer解析第27页
    2.3 Hadoop输入输出流第27-33页
        2.3.1 FSData Input Stream第28-30页
        2.3.2 FSInput Stream第30-31页
        2.3.3 FSData Output Stream第31-33页
    2.4 本章小结第33-34页
第三章 系统框架设计第34-48页
    3.1 框架概述第34页
    3.2 总体架构介绍第34-36页
        3.2.1 图像数据输入第35页
        3.2.2 并行图像处理模型第35-36页
        3.2.3 低延迟动态处理模块第36页
        3.2.4 响应算法第36页
        3.2.5 处理结果第36页
    3.3 并行图像处理模型详细设计第36-43页
        3.3.1 分布式文件系统介绍第36-37页
        3.3.2 针对海量高维图像的分布式存储方式第37-40页
        3.3.3 B图像处理流设计第40-43页
    3.4 低延迟动态处理模块设计第43-47页
        3.4.1 系统架构分析第43-44页
        3.4.2 框架详细设计第44-45页
        3.4.3 动态代理机制第45-47页
    3.5 本章小结第47-48页
第四章 框架具体实现第48-69页
    4.1 并行图像处理模型的实现第48-59页
        4.1.1 Hadoop序列化机制第48-50页
            4.1.1.1 Hadoop序列化机制的特征第48-49页
            4.1.1.2 Hadoop Writable机制第49页
            4.1.1.3 Hadoop序列化框架第49-50页
        4.1.2 P图像和B图像的实现第50-57页
        4.1.3 Map Reduce数据流的实现第57-59页
    4.2 基于Hadoop实现的低延迟动态处理框架第59-67页
        4.2.1 基于Hadoop实现的低延迟动态处理框架结构介绍第59-67页
            4.2.1.1 Name Node代理模块第60-62页
            4.2.1.2 Name Node第62页
            4.2.1.3 匹配模块第62-67页
    4.3 响应算法实现第67-68页
        4.3.1 Harris角点检测第67-68页
        4.3.2 SIFT特征值提取第68页
        4.3.3 后续算法扩展第68页
    4.4 本章小结第68-69页
第五章 实验结果测试与分析第69-77页
    5.1 实验环境介绍第69-70页
    5.2 B图像输入性能实验及分析第70-71页
    5.3 低延迟动态框架稳定性测试第71-72页
    5.4 低延迟动态框架压力测试第72-73页
    5.5 响应算法示例第73-76页
        5.5.1 Harris第73-74页
        5.5.2 SIFT第74-75页
        5.5.3 与传统方式处理效果的对比第75-76页
        5.5.4 扩展性分析第76页
    5.6 本章小结第76-77页
第六章 总结第77-79页
致谢第79-80页
参考文献第80-83页
攻硕期间取得的研究成果第83-84页

论文共84页,点击 下载论文
上一篇:基于传统方法和深度学习的图像精细分类研究
下一篇:空气微生物污染的检测方法及其在污水厂的应用研究