浅究基于云计算的图像分类算法.docx

浅究基于云计算的图像分类算法

图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。 摘要：针对单一单板机的图像分类效率低的缺陷，提出一种基于云计算的图像分类算法。首先通过特征提取算法提取图像的多种特征，然后采用Map/Reduce模型对图像进行匹配和分类，根据匹配结果得到图像的最优分类结果，最后采用Matlab软件实现图像分类的仿真实验。结果表明，相比于其他图像分类算法，该算法减少了图像的分类时间，提高了图像的分类速度，尤其对大规模图像分类优势更加明显。 关键词：云计算;图像分类;特征匹配;特征提取 引言 图像分类可以实现图像目标识别、机械故障诊断、状态监测以及模式识别等，其在工业生产和军事打击等领域具有重要的应用价值[1]。 图像分类通过提取反应目标图像属性的特征信息，结合分类器实现图像分类[2]。传统图像分类方法主要有支持向量机算法、BP神经网络算法等，它们通过特征提取实现图像分类和识别，但计算机复杂度大[3?4];文献[5]提出基于自相关匹配检测的图像分类识别算法，并应用于机械故障检测，通过提取机械故障状态下的CT扫描图像，对BP神经网络分类，实现对图像的故障属性分类识别，提高故障诊断性能，但该算法采用单特征的图像分类方法，不能对大规模图像进行集成处理和分类，图像批处理的效能不佳，效率较低。 针对上述问题，本文提出基于云计算的图像分类算法。首先提取图像的多种特征，然后采用Map/Reduce模型对图像进行匹配和分类，根据匹配结果得到图像最优分类结果，最后采用Matlab软件进行仿真实验，实现图像分类。实验结果验证了本文方法的有效性，展示了本文设计的图像分类算法在实现图像云计算分类中的优越性能，实现框图如图1所示。 一、图像预处理及特征提取 1.1图像采集及预处理 二、图像分类算法改进实现 2.1算法设计 采用快速迭代收缩阈值算法，通过云计算实现对图像分类过程的快速搜索处理，提高图像的分类效率。 2.2算法的演现流程 (1)设输入图像为，采用云计算批处理基础进行网格计算，得到图像输出的像素序列。 (2)采用小波降噪算法对图像进行降噪，并采用自相关检测器进行自适应滤波，得到输出图像为：。 (3)对图像的属性特征进行分析和提取，得到能描述待分类图像内容的仿射不变矩和高阶矩。 (4)计算目标与候选区域像素的权重，进行图像偏差补偿加权，得到图像的纹理信息和高阶矩特征。 (5)运用Map/Reduce模型估计图像沿滑动平均窗口经过特征点匹配得到图像分类的Map/Reduce模型，实现图像分类。 三、实验与结果分析 实验数据集为Corel标准图像库，图像库中含有大量各种属性的图像，在进行Corel标准图像库的检索过程中，需要进行图像分类处理，以图像库中的花朵、动物作为研究对象，得到原始的测试图像如图2所示。 首先进行图像的降噪处理和特征提取，通过特征提取算法提取图像的高阶矩特征和仿射不变矩特征，然后采用Map/Reduce模型对图像进行匹配和分类，得到的分类结果如图3和图4所示。 从图3和图4可知，本文方法可以实现对整个Corel标准图像库中图像的快速分类检索，准确输出图像的类别属性，为了定量测试分类算法在效率和准确度方面的性能，采用1000次蒙特卡洛实验进行多特征融合并用传统方法进行图像分类，得到图像分类的指标对比结果如图5，图6所示。 从图5，图6可见，采用本文算法通过对图像的多特征提取和融合，在Map/Reduce模型中实现图像分类，其准确度较高，执行效率较高，有效减少分类时间，总体性能优于传统方法。 四、结语 针对大规模图像库中图像的分类识别问题，提出一种基于云计算的图像分类算法，进行采集图像和降噪预处理，为图像分类模型提供数据信息输入，采用小波降噪进行图像提纯，提取图像的高阶矩和仿射不变矩等多种特征，在Map/Reduce模型中实现特征融合和特征匹配，实现分类优化，研究结果表明，本文方法的图像分类准确度高，执行效率较好。 参考文献： [1]罗会兰，郭敏杰，孔繁胜.一种基于多级空间视觉词典集体的图像分类方法[J].电子学报，2015，43(4)：684?693. [2]DUANF，WANGY，YANGL，etal.Spatio?temporalconsistencyinstereoscopicvideodepthmapsequenceestimation[J].Journalofinformationandcomputationalscience，2014，11(18)：6497?6508. [3]MAMAHESHS，VISHALM，RAJRG.SARautomatictarge