改進K-Means聚類算法在基于Hadoop平臺的圖像檢索系統(tǒng)中的研究與實現(xiàn).pdf

1、現(xiàn)代人們的生活已經進入了移動互聯(lián)網(wǎng)時代，各種移動互聯(lián)網(wǎng)設備的普及和廣泛應用極大的方便了人們的生活學習等各個方面。與此同時，來自各行各業(yè)的大量信息正以多媒體信息的方式數(shù)字化并不斷累積。其中圖像作為最為基本的多媒體信息之一易于理解和使用，人們對圖像檢索的需求也從開始的根據(jù)文本描述來檢索圖像發(fā)展到根據(jù)圖像內容來檢索相似圖像。
　　圖像檢索早已成為計算機領域的一個研究熱點，它可以按照檢索內容劃分為基于文本的圖像檢索和基于內容的圖像檢索。本

2、文主要的內容是如何應用大數(shù)據(jù)技術進行基于內容的海量圖像檢索技術的研究和實現(xiàn)。
　　從數(shù)據(jù)層面分析，一個基于內容的圖像檢索系統(tǒng)要解決大量圖像數(shù)據(jù)的存儲和快速處理兩個最主要的問題，本文將使用專門用于大數(shù)據(jù)存儲和處理的Hadoop技術來存儲大量的圖像數(shù)據(jù)并進行離線地分布式計算;從檢索技術層面分析，要進行特征提取和處理，本文將提取圖像的SIFT特征，然后對這些特征進行K-Means聚類，將聚類結果作為Bag-of-Words模型的視覺詞袋

3、對所有圖像的SIFT特征點進行量化處理，從而用一個固定維數(shù)的特征向量表示每一幅圖像，此外再用TF-IDF加權技術處理這些特征向量，最終計算這些圖像與檢索圖像特征向量之間的相似度，返回相似度最小的一些圖像。
　　本文使用并修改HIPI-Hadoop圖像處理接口實現(xiàn)在Hadoop上進行圖像類型的存儲處理和檢索，提出了一種改進的并行K-Means算法并應用于特征點的聚類，使用一種基于面積的相似度計算方法計算圖像特征向量間的相似度。改進了