基于云平台的海量图像分类算法研究

1、基于云平台的海量图像分类算法研究摘要：传统图像分类算法没有考虑当前图像数据的海量、大规模特点，使得图像分类效率、分类准确率低，为了解决当前图像分类算法存在的难题，设计基于云平台的海量图像分类算法。首先提取反映图像内容的分类特征，并对图像类型采用专家进行标记，构建图像分类的训练样本，然后针对当前图像分类错误率高的问题，设计基于最小二乘向量机的图像分类器，最后利用云平台的分布式、并行处理的优点实现海量图像分类，并采用图像分类仿真实验分析所提算法的性能，该方法降低了海量图像分类的计算复杂度，减少了海量图像分类的时间，提升了海量图像分类效率，而且海量图像分类综合效果要显著优于传统图像分类算法，验证了所

2、提算法的海量图像分类优越性。关键词：海量图像;分类器设计;云平台;图像内容信息;Gabor滤波器;图像分类中图分类号：TN911.7334;TP391文献标识码：A文章编号：1004373X202119004604Abstract：Traditionalimageclassificationalgorithmsdonottakeintoaccountthemassiveandlargescalecharacteristicsofcurrentimagedata，resultinginlowclassificationefficiencyandpoorclassificationaccuracy

3、.Therefore，aclassificationalgorithmformassiveimagesisdesignedtosolvethedifficultiesexistingincurrentimageclassificationalgorithms.Firstly，theclassificationfeaturesreflectingtheimagecontentareextracted，andtheimagetypesarelabeledtoconstructtrainingsamplesforimageclassification.Then，animageclassifierba

4、sedonleastsquarevectormachineisdesignedtosolvetheproblemofhigherrorrateofcurrentimageclassification.Finally，theadvantageofdistributedmodeandparallelprocessingofcloudplatformareutilizedtorealizemassimageclassification，andtheperformanceofthisalgorithmisanalyzedbyimageclassificationsimulationexperiment

5、.Thismethodreducesthecomputationalcomplexityofclassificationofmassimagesandtheclassificationtimeofmassimages，andimprovestheclassificationefficiencyofmassimages.Thealgorithmscomprehensiveclassificationeffectofmassiveimagesissuperiortothatofthetraditionalimageclassificationalgorithm.Thesuperiorityofth

6、ealgorithmwasverifiedintheexperoment.Keywords：massiveimage;classifierdesign;cloudplatform;imagecontentinformation;Gaborfilter;imageclassification随着摄像设备的多样化、图像处理技术的成熟，各个领域的图像不断增加，图像数据规模相当庞大，这样给图像检索带来了挑战。图像分类算法是图像检索系统中的一个十分重要的模块，图像分类性能直接决定了图像检索系统的检索效果，因此图像分类算法引起了人们的高度关注13。由于图像处理具有较高的实际应用价值，大量的学者、研究人员、

7、研究机构、研究院以及高校的老师投入了大量的精力和时间，对图像分类算法的设计问题进行了探索【4】。图像分类算法的目的就是根据可以描述图像内容信息的特征向量，采用一定的规那么和技术构建相应的特征库，然后将待分类图像特征向量与特征库进行匹配，根据匹配结果将待分类图像规划到相应的图像类别，该过程牵涉到图像特征提取以及特征匹配算法的设计【5】。当前图像特征提取方法很多，通常情况提取大量的图像原始特征，如颜色、形状、大小、纹理、变换等特征，然后对这些特征进行融合，去掉同类特征之间以及不同类型特征的重复信息，以减少原始特征数量，使得图像特征匹配时间缩短，为图像分类算法节约时间，主要有主成分分析法、因子分析法

8、、层次分析法等68。特征匹配算法主要有K最近邻算法、神经网络、支持向量机等，其中K最近邻算法通过计算待分类图像特征向量与特征库之间的欧氏距离，选择最近K个图像确定待分类图像最终类别，该算法比较简单，对于小规模特征以及图像来说，图像分类效率高，但是其没有自学习能力，自适应能力差911。神经网络具有自学习能力和自适应能力，可以对分类图像特征向量与特征库之间的关系进行有效拟合，建立相应的图像分类器，图像分类的综合效果要优于K最近邻算法，但其结构复杂，收敛速度慢，大图像特征数量大时，经常出现“维数災现象，具有严重的局限性。支持向量机的拟合能力要明显优于神经网络，采用结构风险最小化原那么，防止了“维数灾

9、现象的出现，图像分类正确率要远远小于K最近邻算法以及神经网络，但训练过程十分耗时，训练速度慢，影响图像分类的整体速度，尤其对于大规模图像分类数据，缺陷更加明显1213。目前大多数分类算法基于单机平台进行，当训练样本增大时，分类算法的训练时间呈指数形式增加，对于海量的图像分类数据，无法满足图像在线分类和检索要求。近年来，随着云计算技术的不断开展，为海量的图像分类数据处理提供了一种工具，可以用云平台处理海量的图像分类问题，因此针对单机平台的图像分类算法存在的难题，设计了基于云平台的海量图像分类算法，仿真实验测试结果说明，本文算法减少了图像分类的时间，海量图像分类综合效果更优。云平台是在大数据处理背

10、景下产生的，其将一些计算节点通过分布式处理技术组成一个效劳集群，而用户不需要知道这些节点是如何组织在一起的，可以高效进行大数据分析和处理。Hadoop是一种常用的开源云平台，具有高效、稳定、易扩展等特点，其包括许多模块，其中最核心的两个模块为分布式文件系统HDFS和分布式编程模型。HDFS的主要功能是：文件的并行传输和文件分布式存储，容错性能好，对大数据易扩充，以流式数据访问模式对分块后的数据进行存储和传输，这样易实现海量数据访问，其工作原理如图1所示。Map/Reduce是分布式文件系统的核心，是一个处理大数据集的软件框架，可以进行并行计算，计算结果十分可靠，执行过程分为map和reduce

11、局部，具体工作流程如图2所示。针对单机平台的图像分类算法训练时间长、分类效率低的难题，本文设计了基于云平台的海量图像分类算法，并引入最小二乘向量机构建图像分类器。仿真结果说明，本文方法降低了图像训练时间，图像分类正确率得到提升，实际应用范围更加广泛。参考文献【1】刘丽，赵凌君，郭承玉，等.图像纹理分类方法研究进展和展望J.自动化学报，2021，444：584607.LIULi，ZHAOLingjun，GUOChengyu，etal.Textureclassification：stateoftheartmethodsandprospectsJ.Actaautomaticasinica，2021，

12、444：584607.【2】蒲国林，邱玉辉.基于稀疏表示全局字典学习的图像分类方法J.计算机应用，2021，352：499501.PUGuolin，QIUYuhui.ImageclassificationbasedonglobaldictionarylearningmethodwithsparserepresentationJ.Journalofcomputerapplications，2021，352：499501.【3】杨赛，赵春霞，胡彬，等.基于图正那么化局部特征编码算法的图像分类方法J.电子学报，2021，458：18821887.YANGSai，ZHAOChunxia，HUBin，e

13、tal.AnimageclassificationmethodusinggraphicallyregularizedcodingalgorithmJ.Actaelectronicasinica，2021，458：18821887.【4】张旭，蒋建国，洪日昌，等.基于低秩稀疏分解与协作表示的图像分类算法J.计算机科学，2021，437：8388.ZHANGXu，JIANGJianguo，HONGRichang，etal.Imageclassificationalgorithmbasedonlowrankandsparsedecompositionandcollaborativerepresent

14、ationJ.Computerscience，2021，437：8388.【5】涂秋洁，王晅.基于PCASIFT特征与贝叶斯决策的图像分类算法J.计算机应用与软件，2021，336：215219.TUQiujie，WANGXuan.ImageclassificationalgorithmbasedonPCASIFTfeaturesandbayesiandecisionJ.Computerapplicationsandsoftware，2021，336：215219.【6】王爽，张化祥，刘丽.基于多例如多标记KNN的图像分类算法的改进J.济南大学学报自然科学版，2021，294：275279.W

15、ANGShuang，ZHANGHuaxiang，LIULi.AnimprovedalgorithmofimageclassificationbasedonmultiinstancemultilabelKNNJ.JournalofJinanUniversityNaturalscienceedition，2021，294：275279.【7】谢文兰，石跃祥，肖平.应用BP神经网络对自然图像分类J.计算机工程与应用，2021，462：163166.XIEWenlan，SHIYuexiang，XIAOPing.ClassificationofnaturalimagebasedonBPneuralnet

16、workJ.Computerengineeringandapplications，2021，462：163166.8王娜，万洪林，白成杰.基于SVM的离线图像目标分类算法J.计算机系统应用，2021，252：208211.WANGNa，WANHonglin，BAIChengjie.OfflineimagetargetclassificationalgorithmbasedonSVMJ.Computersystemsapplications，2021，252：208211.9张春娥，赵晓东，杨丽娟.基于人工智能的大规模激光图像分类研究J.激光杂志，2021，395：6669.ZHANGChune

17、，ZHAOXiaodong，YANGLijuan.ResearchonlargescalelaserimageclassificationbasedonartificialintelligenceJ.Laserjournal，2021，395：66?69.10张江，王年，梁栋，等.基于非负矩阵分解与邻接谱的图像分类J.中国科学技术大学学报，2021，383：247251.ZHANGJiang，WANGNian，LIANGDong，etal.ImageclassificationbasedonnonnegativematrixfactorizationandadjacencyspectraJ.J

18、ournalofUniversityofScienceandTechnologyofChina，2021，383：247251.11曹建芳，史昊，赵青杉.并行AdaboostBP算法及其在海量图像分类中的应用J.-大学学报自然科学版，2021，341：7077.CAOJianfang，SHIHao，ZHAOQingshan.TheparallelAdaboostBPalgorithmandapplicationinmassiveimageclassificationJ.JournalofXinjiangUniversityNaturalscienceedition，2021，341：7077.12白琮，黄玲，陈佳楠，等.面向大规模图像分类的深度卷积神经网络优化J.软件学报，2021，294：10291038.BAICong，HUANGLing，CHENJianan，etal.Optimizationofdeepconvolution