基于Hadoop的图像检索系统设计与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略语 | 第13-14页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 课题背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 图像特征检测算法的研究现状 | 第15-16页 |
| 1.2.2 图像特征描述算法的研究现状 | 第16页 |
| 1.2.3 图像特征索引的研究现状 | 第16-17页 |
| 1.2.4 Hadoop分布式计算平台 | 第17-18页 |
| 1.3 主要研究内容 | 第18页 |
| 1.4 论文组织 | 第18-20页 |
| 第2章 图像特征提取与Hadoop相关技术 | 第20-30页 |
| 2.1 图像特征提取相关技术 | 第20-23页 |
| 2.1.1 SIFT算法 | 第20-21页 |
| 2.1.2 DCT算法简介 | 第21-22页 |
| 2.1.3 NMI算法简介 | 第22-23页 |
| 2.2 Hadoop平台相关技术 | 第23-29页 |
| 2.2.1 HDFS存储系统 | 第24-25页 |
| 2.2.2 MapReduce计算框架 | 第25-27页 |
| 2.2.3 HBase分布式数据库 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 改进SIFT图像特征提取 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 图像特征提取流程 | 第30-32页 |
| 3.3 计算关键点位置 | 第32-35页 |
| 3.3.1 生成DoG尺度空间 | 第32-33页 |
| 3.3.2 高斯差分图像的局部极值点的检测 | 第33-35页 |
| 3.4 关键点的梯度描述 | 第35-39页 |
| 3.4.1 梯度的计算 | 第35-37页 |
| 3.4.2 生成关键点的128维描述子 | 第37-38页 |
| 3.4.3 对128维描述子降维 | 第38-39页 |
| 3.5 计算并合并NMI特征 | 第39-41页 |
| 3.6 图像特征提取的仿真及分析 | 第41-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 图像特征的存储及匹配过程 | 第44-62页 |
| 4.1 引言 | 第44页 |
| 4.2 基于Hadoop的图像并行化处理 | 第44-47页 |
| 4.3 基于K-means算法对图像特征进行聚类 | 第47-50页 |
| 4.4 基于HBase的图像特征存储 | 第50-52页 |
| 4.5 基于k-d tree的图像匹配方法 | 第52-56页 |
| 4.5.1 图像匹配原理 | 第52-53页 |
| 4.5.2 基于k-d tree的图像匹配方法 | 第53-56页 |
| 4.6 图像匹配结果仿真及分析 | 第56-60页 |
| 4.7 本章小结 | 第60-62页 |
| 第5章 基于Hadoop的图像检索系统实现与测试 | 第62-78页 |
| 5.1 引言 | 第62页 |
| 5.2 开发环境介绍 | 第62-63页 |
| 5.3 分布式集群的搭建 | 第63-67页 |
| 5.3.1 安装Ambari | 第63-65页 |
| 5.3.2 HDP的安装部署 | 第65-67页 |
| 5.4 图像数据集及其存储模块 | 第67-70页 |
| 5.4.1 图像数据集 | 第67-69页 |
| 5.4.2 图像存储模块 | 第69-70页 |
| 5.5 图像特征的存储 | 第70-71页 |
| 5.6 系统功能展示 | 第71-75页 |
| 5.6.1 图像检索模块 | 第71-73页 |
| 5.6.2 图像上传模块 | 第73-75页 |
| 5.7 单机和集群环境下的图像检索系统性能对比 | 第75-76页 |
| 5.8 本章小结 | 第76-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 全文总结 | 第78-79页 |
| 6.2 工作展望 | 第79-80页 |
| 致谢 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 附录A 攻读硕士学位期间的研究成果 | 第86页 |
