| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 人体寄生虫虫卵图像识别技术的研究现状 | 第11-12页 |
| 1.2.2 Hadoop平台研究和应用现状 | 第12-14页 |
| 1.3 本文主要工作 | 第14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 第二章 相关技术综述 | 第16-28页 |
| 2.1 Hadoop平台 | 第16-17页 |
| 2.2 分布式存储系统---HDFS | 第17-20页 |
| 2.2.1 HDFS体系结构 | 第17-18页 |
| 2.2.2 HDFS数据流 | 第18-20页 |
| 2.3 并行编程模型---MapReduce | 第20-23页 |
| 2.3.1 MapReduce运行框架 | 第20-21页 |
| 2.3.2 MapReduce数据流 | 第21-23页 |
| 2.4 支持向量机SVM的基础理论 | 第23-27页 |
| 2.4.1 线性可分的支持向量机 | 第23-25页 |
| 2.4.2 线性不可分的支持向量机 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于SVM的人体寄生虫虫卵识别算法 | 第28-45页 |
| 3.1 边缘空间分布直方图 | 第29-32页 |
| 3.1.1 边缘空间直方图定义 | 第29-31页 |
| 3.1.2 边缘空间直方图模板的建立 | 第31-32页 |
| 3.2 基于边缘空间分布直方图的特征提取 | 第32-40页 |
| 3.2.1 图像灰度化 | 第33-35页 |
| 3.2.2 虫卵图像边缘检测 | 第35-36页 |
| 3.2.3 候选区域提取 | 第36页 |
| 3.2.4 基于边缘空间分布直方图的虫卵候选区域形状判别 | 第36-37页 |
| 3.2.5 特征提取 | 第37-40页 |
| 3.3 基于SVM的分类识别 | 第40-42页 |
| 3.3.1 多类分类器的设计 | 第40-41页 |
| 3.3.2 核函数的选择 | 第41页 |
| 3.3.3 SVM参数优化 | 第41-42页 |
| 3.4 实验分析 | 第42-44页 |
| 3.4.1 模型训练过程 | 第42-43页 |
| 3.4.2 实验数据集 | 第43页 |
| 3.4.3 结果分析 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 寄生虫虫卵并行识别算法的设计 | 第45-59页 |
| 4.1 算法模块设计 | 第45-47页 |
| 4.1.1 基于HDFS的分布式存储模块 | 第45-46页 |
| 4.1.2 基于MapReudce的并行处理模块 | 第46-47页 |
| 4.2 MapReduce并行编程的具体实现 | 第47-55页 |
| 4.2.1 Map函数的具体实现 | 第48-52页 |
| 4.2.2 Reduce函数的具体实现 | 第52-54页 |
| 4.2.3 main函数的具体实现 | 第54-55页 |
| 4.3 并行识别任务测试 | 第55-58页 |
| 4.4 本章小节 | 第58-59页 |
| 第五章 基于HADOOP的人体寄生虫虫卵识别系统的设计与实现 | 第59-72页 |
| 5.1 实现平台的构建 | 第59-63页 |
| 5.1.1 实验的软件及硬件配置 | 第59-60页 |
| 5.1.2 Hadoop平台搭建 | 第60-63页 |
| 5.2 人体寄生虫虫卵识别系统的设计与实现 | 第63-68页 |
| 5.2.1 整体框架 | 第63-65页 |
| 5.2.2 系统界面 | 第65-68页 |
| 5.3 实验与测试分析 | 第68-71页 |
| 5.3.1 实验测试数据 | 第68页 |
| 5.3.2 系统识别正确率分析 | 第68-70页 |
| 5.3.3 系统识别效率分析 | 第70-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 攻读硕期间发表的学位论文 | 第79页 |