| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于Hadoop的数字图像处理研究现状 | 第10-11页 |
| 1.2.2 K-means影像非监督分类算法研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 云计算平台Hadoop及GDAL开源地理空间数据库 | 第14-30页 |
| 2.1 Hadoop简介 | 第14-16页 |
| 2.2 HDFS关键技术 | 第16-19页 |
| 2.2.1 HDFS基本特征 | 第16-17页 |
| 2.2.2 HDFS工作机制 | 第17-19页 |
| 2.3 MapReduce并行编程框架 | 第19-23页 |
| 2.3.1 MapReduce编程模型 | 第19-21页 |
| 2.3.2 MapReduce任务执行流程 | 第21-23页 |
| 2.4 分布式数据库HBase简介 | 第23-24页 |
| 2.4.1 HBase功能特点 | 第23-24页 |
| 2.4.2 HBase的基本数据模型 | 第24页 |
| 2.5 GDAL简介 | 第24-30页 |
| 2.5.1 GDAL抽象数据模型 | 第25-27页 |
| 2.5.2 GDAL类结构 | 第27-30页 |
| 第三章 基于Hadoop的遥感影像数据传输及存取 | 第30-38页 |
| 3.1 基于Hadoop的遥感影像数据传输 | 第30-35页 |
| 3.1.1 图像的输入格式设计 | 第30-31页 |
| 3.1.2 图像的输出格式设计 | 第31-35页 |
| 3.2 基于Hadoop的遥感影像数据组织方式 | 第35-37页 |
| 3.3 基于特定分割粒度的遥感影像存取方法 | 第37-38页 |
| 第四章 基于Hadoop的K-means遥感影像分类算法设计与实现 | 第38-48页 |
| 4.1 K-means算法 | 第38-39页 |
| 4.2 影响K-means算法分类的基本因素 | 第39-42页 |
| 4.2.1 初始聚类中心选取 | 第39-40页 |
| 4.2.2 分类数目的确定 | 第40-41页 |
| 4.2.3 元素相似性判定 | 第41-42页 |
| 4.3 基于Hadoop的K-means遥感影像分类算法并行化设计 | 第42-44页 |
| 4.4 基于Hadoop的K-means遥感影像分类算法并行化实现 | 第44-48页 |
| 4.4.1 初始聚类中心选择 | 第44-45页 |
| 4.4.2 分配像素到最近的聚类中心 | 第45-47页 |
| 4.4.3 重新计算聚类中心 | 第47-48页 |
| 第五章 基于Hadoop的K-means遥感影像分类算法实验 | 第48-61页 |
| 5.1 Hadoop完全分布式集群搭建 | 第48-51页 |
| 5.1.1 集群安装 | 第48-50页 |
| 5.1.2 运行Hadoop | 第50-51页 |
| 5.2 实验基础数据 | 第51-54页 |
| 5.2.1 Landsat陆地卫星概况 | 第51-52页 |
| 5.2.2 实验数据概况 | 第52-54页 |
| 5.3 实验结果与分析 | 第54-61页 |
| 5.3.1 实验一：云平台分类精度分析 | 第54-57页 |
| 5.3.2 实验二：云平台性能分析 | 第57-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |
