基于Hadoop的超像素分割算法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文的主要工作和结构安排 | 第11-13页 |
| 第2章 相关理论和主要技术 | 第13-29页 |
| 2.1 图像分割算法 | 第13-17页 |
| 2.2 超像素算法 | 第17-22页 |
| 2.2.1 基于图论的超像素 | 第17-20页 |
| 2.2.2 基于梯度下降的超像素 | 第20-22页 |
| 2.3 Hadoop概述 | 第22-27页 |
| 2.3.1 HDFS文件系统 | 第23-24页 |
| 2.3.2 MapReduce计算模型 | 第24-26页 |
| 2.3.3 Hadoop容错机制 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于Hadoop的超像素分割算法 | 第29-51页 |
| 3.1 引言 | 第29-30页 |
| 3.2 基于重叠切割的超像素块切分 | 第30-32页 |
| 3.2.1 传统的图像切分方式 | 第30-31页 |
| 3.2.2 双向重叠切分方式 | 第31-32页 |
| 3.3 图像的输入设计 | 第32-33页 |
| 3.3.1 Hadoop中的I/O | 第32页 |
| 3.3.2 基于图像的带权键值对设计 | 第32-33页 |
| 3.4 基于Hadoop的分片算法 | 第33-39页 |
| 3.4.1 Hadoop的分片机制 | 第34-35页 |
| 3.4.2 现有框架分片算法 | 第35-36页 |
| 3.4.3 动态最优的分片算法设计 | 第36-39页 |
| 3.5 图像分割的相关实现 | 第39-49页 |
| 3.5.1 分水岭算法概述 | 第39页 |
| 3.5.2 带线性约束的分水岭算法 | 第39-42页 |
| 3.5.3 算法的并行化设计 | 第42-43页 |
| 3.5.4 基于Reduce的区域合并 | 第43-49页 |
| 3.6 算法整体流程描述 | 第49-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第4章 实验与结果分析 | 第51-67页 |
| 4.1 实验环境 | 第51-52页 |
| 4.2 分片性能分析 | 第52-55页 |
| 4.3 超像素块的对比实验 | 第55-59页 |
| 4.3.1 评价指标 | 第55-56页 |
| 4.3.2 对比实验 | 第56-59页 |
| 4.4 区域合并的效果实验 | 第59-60页 |
| 4.5 整体效果对比实验 | 第60-65页 |
| 4.6 本章小结 | 第65-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第75-77页 |
| 致谢 | 第77页 |
