孫沫麗

摘 要： 針對單一單板機(jī)的圖像分類效率低的缺陷，提出一種基于云計算的圖像分類算法。首先通過特征提取算法提取圖像的多種特征，然后采用Map/Reduce模型對圖像進(jìn)行匹配和分類，根據(jù)匹配結(jié)果得到圖像的最優(yōu)分類結(jié)果，最后采用Matlab軟件實現(xiàn)圖像分類的仿真實驗。結(jié)果表明，相比于其他圖像分類算法，該算法減少了圖像的分類時間，提高了圖像的分類速度，尤其對大規(guī)模圖像分類優(yōu)勢更加明顯。

關(guān)鍵詞： 云計算； 圖像分類； 特征提取； 特征匹配

中圖分類號： TN911.73?34； TP391 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）01?0057?04

Abstract： Aiming at the defect of low image classification efficiency of the single board computer， an image classification algorithm based on cloud computing is proposed. The image multiple features are extracted with the feature extraction algorithm， then the Map/Reduce model is used to match and classify the image， and obtain the image optimal classification result according to the matching result. The simulation experiment of the image classification was realized with Matlab software. The results show that， in comparison with other image classification algorithms， the algorithm can reduce the image classification time， improve the image classification speed， and has obvious superiority especially for the large?scale images classification.

Keywords： cloud computing； image classification； feature extraction； feature matching

0 引 言

圖像分類可以實現(xiàn)圖像目標(biāo)識別、機(jī)械故障診斷、狀態(tài)監(jiān)測以及模式識別等，其在工業(yè)生產(chǎn)和軍事打擊等領(lǐng)域具有重要的應(yīng)用價值[1]。

圖像分類通過提取反應(yīng)目標(biāo)圖像屬性的特征信息，結(jié)合分類器實現(xiàn)圖像分類[2]。傳統(tǒng)圖像分類方法主要有支持向量機(jī)算法、BP神經(jīng)網(wǎng)絡(luò)算法等，它們通過特征提取實現(xiàn)圖像分類和識別，但計算機(jī)復(fù)雜度大[3?4]；文獻(xiàn)[5]提出基于自相關(guān)匹配檢測的圖像分類識別算法，并應(yīng)用于機(jī)械故障檢測，通過提取機(jī)械故障狀態(tài)下的CT掃描圖像，對BP神經(jīng)網(wǎng)絡(luò)分類，實現(xiàn)對圖像的故障屬性分類識別，提高故障診斷性能，但該算法采用單特征的圖像分類方法，不能對大規(guī)模圖像進(jìn)行集成處理和分類，圖像批處理的效能不佳，效率較低。

針對上述問題，本文提出基于云計算的圖像分類算法。首先提取圖像的多種特征，然后采用Map/Reduce模型對圖像進(jìn)行匹配和分類，根據(jù)匹配結(jié)果得到圖像最優(yōu)分類結(jié)果，最后采用Matlab軟件進(jìn)行仿真實驗，實現(xiàn)圖像分類。實驗結(jié)果驗證了本文方法的有效性，展示了本文設(shè)計的圖像分類算法在實現(xiàn)圖像云計算分類中的優(yōu)越性能，實現(xiàn)框圖如圖1所示。

1 圖像預(yù)處理及特征提取

1.1 圖像采集及預(yù)處理

2 圖像分類算法改進(jìn)實現(xiàn)

2.1 算法設(shè)計

采用快速迭代收縮閾值算法，通過云計算實現(xiàn)對圖像分類過程的快速搜索處理，提高圖像的分類效率。

2.2 算法的實現(xiàn)流程

（1） 設(shè)輸入圖像為，采用云計算批處理基礎(chǔ)進(jìn)行網(wǎng)格計算，得到圖像輸出的像素序列。

（2） 采用小波降噪算法對圖像進(jìn)行降噪，并采用自相關(guān)檢測器進(jìn)行自適應(yīng)濾波，得到輸出圖像為：。

（3） 對圖像的屬性特征進(jìn)行分析和提取，得到能描述待分類圖像內(nèi)容的仿射不變矩和高階矩。

（4） 計算目標(biāo)與候選區(qū)域像素的權(quán)重，進(jìn)行圖像偏差補(bǔ)償加權(quán)，得到圖像的紋理信息和高階矩特征。

（5） 運用Map/Reduce模型估計圖像沿滑動平均窗口經(jīng)過特征點匹配得到圖像分類的Map/Reduce模型，實現(xiàn)圖像分類。

3 實驗與結(jié)果分析

實驗數(shù)據(jù)集為Corel標(biāo)準(zhǔn)圖像庫，圖像庫中含有大量各種屬性的圖像，在進(jìn)行Corel標(biāo)準(zhǔn)圖像庫的檢索過程中，需要進(jìn)行圖像分類處理，以圖像庫中的花朵、動物作為研究對象，得到原始的測試圖像如圖2所示。

首先進(jìn)行圖像的降噪處理和特征提取，通過特征提取算法提取圖像的高階矩特征和仿射不變矩特征，然后采用Map/Reduce模型對圖像進(jìn)行匹配和分類，得到的分類結(jié)果如圖3和圖4所示。

從圖3和圖4可知，本文方法可以實現(xiàn)對整個Corel標(biāo)準(zhǔn)圖像庫中圖像的快速分類檢索，準(zhǔn)確輸出圖像的類別屬性，為了定量測試分類算法在效率和準(zhǔn)確度方面的性能，采用1 000次蒙特卡洛實驗進(jìn)行多特征融合并用傳統(tǒng)方法進(jìn)行圖像分類，得到圖像分類的指標(biāo)對比結(jié)果如圖5，圖6所示。

從圖5，圖6可見，采用本文算法通過對圖像的多特征提取和融合，在Map/Reduce模型中實現(xiàn)圖像分類，其準(zhǔn)確度較高，執(zhí)行效率較高，有效減少分類時間，總體性能優(yōu)于傳統(tǒng)方法。

4 結(jié) 語

針對大規(guī)模圖像庫中圖像的分類識別問題，提出一種基于云計算的圖像分類算法，進(jìn)行采集圖像和降噪預(yù)處理，為圖像分類模型提供數(shù)據(jù)信息輸入，采用小波降噪進(jìn)行圖像提純，提取圖像的高階矩和仿射不變矩等多種特征，在Map/Reduce模型中實現(xiàn)特征融合和特征匹配，實現(xiàn)分類優(yōu)化，研究結(jié)果表明，本文方法的圖像分類準(zhǔn)確度高，執(zhí)行效率較好。

參考文獻(xiàn)

[1] 羅會蘭，郭敏杰，孔繁勝.一種基于多級空間視覺詞典集體的圖像分類方法[J].電子學(xué)報，2015，43（4）：684?693.

[2] DUAN F， WANG Y， YANG L， et al. Spatio?temporal consistency in stereoscopic video depth map sequence estimation [J]. Journal of information and computational science， 2014， 11（18）： 6497?6508.

[3] MAMAHESH S， VISHAL M， RAJ R G. SAR automatic target recognition using discriminative graphical models [J]. IEEE transactions on aerospace and electronic systems， 2014， 50（1）： 591?606.

[4] 吳潔璇，陳振杰，張云倩，等.多核CPU下的K?means遙感影像分類并行方法[J].計算機(jī)應(yīng)用，2015，35（5）：1296?1301.

[5] 何國棟，石建平，馮友宏，等.一種新的紅外與可見光圖像融合算法[J].傳感器與微系統(tǒng)，2014，33（4）：139?141.

[6] 段峰峰，王永濱，楊麗芳，等.基于主成分分析方向深度梯度直方圖的立體視覺深度圖特征提取[J].計算機(jī)應(yīng)用，2016，36（1）：222?226.

[7] 丁軍，劉宏偉，陳渤，等.相似性約束的深度置信網(wǎng)絡(luò)在SAR圖像目標(biāo)識別的應(yīng)用[J].電子與信息學(xué)報，2016，38（1）：97?103.

[8] 苗啟廣，王寶樹.基于局部對比度的自適應(yīng)PCNN圖像融合[J].計算機(jī)學(xué)報，2008，31（5）：875?880.

[9] 劉金龍，熊承義，高志榮，等.結(jié)合全變差與自適應(yīng)低秩正則化的圖像壓縮感知重構(gòu)[J].計算機(jī)應(yīng)用，2016，36（1）：233?237.