基于云平臺的海量圖像分類算法研究

王偉 魏柯

摘 ?要： 傳統圖像分類算法沒有考慮當前圖像數據的海量、大規模特點，使得圖像分類效率、分類準確率低，為了解決當前圖像分類算法存在的難題，設計基于云平臺的海量圖像分類算法。首先提取反映圖像內容的分類特征，并對圖像類型采用專家進行標記，構建圖像分類的訓練樣本，然后針對當前圖像分類錯誤率高的問題，設計基于最小二乘向量機的圖像分類器，最后利用云平臺的分布式、并行處理的優點實現海量圖像分類，并采用圖像分類仿真實驗分析所提算法的性能，該方法降低了海量圖像分類的計算復雜度，減少了海量圖像分類的時間，提升了海量圖像分類效率，而且海量圖像分類綜合效果要顯著優于傳統圖像分類算法，驗證了所提算法的海量圖像分類優越性。

關鍵詞： 海量圖像; 分類器設計; 云平臺; 圖像內容信息; Gabor濾波器; 圖像分類

中圖分類號： TN911.73?34; TP391 ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）19?0046?04

Abstract： Traditional image classification algorithms do not take into account the massive and large?scale characteristics of current image data， resulting in low classification efficiency and poor classification accuracy. Therefore， a classification algorithm for massive images is designed to solve the difficulties existing in current image classification algorithms. Firstly， the classification features reflecting the image content are extracted， and the image types are labeled to construct training samples for image classification. Then， an image classifier based on least square vector machine is designed to solve the problem of high error rate of current image classification. Finally， the advantage of distributed mode and parallel processing of cloud platform are utilized to realize mass image classification， and the performance of this algorithm is analyzed by image classification simulation experiment. This method reduces the computational complexity of classification of mass images and the classification time of mass images， and improves the classification efficiency of mass images. The algorithm′s comprehensive classification effect of massive images is superior to that of the traditional image classification algorithm. The superiority of the algorithm was verified in the experoment.

Keywords： massive image; classifier design; cloud platform; image content information; Gabor filter; image classification

0 ?引 ?言

隨著攝像設備的多樣化、圖像處理技術的成熟，各個領域的圖像不斷增加，圖像數據規模相當龐大，這樣給圖像檢索帶來了挑戰。圖像分類算法是圖像檢索系統中的一個十分重要的模塊，圖像分類性能直接決定了圖像檢索系統的檢索效果，因此圖像分類算法引起了人們的高度關注[1?3]。

由于圖像處理具有較高的實際應用價值，大量的學者、研究人員、研究機構、研究院以及高校的老師投入了大量的精力和時間，對圖像分類算法的設計問題進行了探索[4]。圖像分類算法的目的就是根據可以描述圖像內容信息的特征向量，采用一定的規則和技術構建相應的特征庫，然后將待分類圖像特征向量與特征庫進行匹配，根據匹配結果將待分類圖像規劃到相應的圖像類別，該過程牽涉到圖像特征提取以及特征匹配算法的設計[5]。當前圖像特征提取方法很多，通常情況提取大量的圖像原始特征，如顏色、形狀、大小、紋理、變換等特征，然后對這些特征進行融合，去掉同類特征之間以及不同類型特征的重復信息，以減少原始特征數量，使得圖像特征匹配時間縮短，為圖像分類算法節約時間，主要有主成分分析法、因子分析法、層次分析法等[6?8]。特征匹配算法主要有K最近鄰算法、神經網絡、支持向量機等，其中K最近鄰算法通過計算待分類圖像特征向量與特征庫之間的歐氏距離，選擇最近[K]個圖像確定待分類圖像最終類別，該算法比較簡單，對于小規模特征以及圖像來說，圖像分類效率高，但是其沒有自學習能力，自適應能力差[9?11]。神經網絡具有自學習能力和自適應能力，可以對分類圖像特征向量與特征庫之間的關系進行有效擬合，建立相應的圖像分類器，圖像分類的綜合效果要優于K最近鄰算法，但其結構復雜，收斂速度慢，大圖像特征數量大時，經常出現“維數災”現象，具有嚴重的局限性。支持向量機的擬合能力要明顯優于神經網絡，采用結構風險最小化原則，避免了“維數災”現象的出現，圖像分類正確率要遠遠小于K最近鄰算法以及神經網絡，但訓練過程十分耗時，訓練速度慢，影響圖像分類的整體速度，尤其對于大規模圖像分類數據，缺陷更加明顯[12?13]。

目前大多數分類算法基于單機平臺進行，當訓練樣本增大時，分類算法的訓練時間呈指數形式增加，對于海量的圖像分類數據，無法滿足圖像在線分類和檢索要求。近年來，隨著云計算技術的不斷發展，為海量的圖像分類數據處理提供了一種工具，可以用云平臺處理海量的圖像分類問題，因此針對單機平臺的圖像分類算法存在的難題，設計了基于云平臺的海量圖像分類算法，仿真實驗測試結果表明，本文算法減少了圖像分類的時間，海量圖像分類綜合效果更優。

1 ?云平臺

云平臺是在大數據處理背景下產生的，其將一些計算節點通過分布式處理技術組成一個服務集群，而用戶不需要知道這些節點是如何組織在一起的，可以高效進行大數據分析和處理。Hadoop是一種常用的開源云平臺，具有高效、穩定、易擴展等特點，其包括許多模塊，其中最核心的兩個模塊為分布式文件系統（HDFS）和分布式編程模型。

HDFS的主要功能是：文件的并行傳輸和文件分布式存儲，容錯性能好，對大數據易擴充，以流式數據訪問模式對分塊后的數據進行存儲和傳輸，這樣易實現海量數據訪問，其工作原理如圖1所示。

Map/Reduce是分布式文件系統的核心，是一個處理大數據集的軟件框架，可以進行并行計算，計算結果十分可靠，執行過程分為map和reduce部分，具體工作流程如圖2所示。

5 ?結 ?語

針對單機平臺的圖像分類算法訓練時間長、分類效率低的難題，本文設計了基于云平臺的海量圖像分類算法，并引入最小二乘向量機構建圖像分類器。仿真結果表明，本文方法降低了圖像訓練時間，圖像分類正確率得到提升，實際應用范圍更加廣泛。

參考文獻

[1] 劉麗，趙凌君，郭承玉，等.圖像紋理分類方法研究進展和展望[J].自動化學報，2018，44（4）：584?607.

LIU Li， ZHAO Lingjun， GUO Chengyu， et al. Texture classification： state?of?the?art methods and prospects [J]. Acta automatica sinica， 2018， 44（4）： 584?607.

[2] 蒲國林，邱玉輝.基于稀疏表示全局字典學習的圖像分類方法[J].計算機應用，2015，35（2）：499?501.

PU Guolin， QIU Yuhui. Image classification based on global dictionary learning method with sparse representation [J]. Journal of computer applications， 2015， 35（2）： 499?501.

[3] 楊賽，趙春霞，胡彬，等.基于圖正則化局部特征編碼算法的圖像分類方法[J].電子學報，2017，45（8）：1882?1887.

YANG Sai， ZHAO Chunxia， HU Bin， et al. An image classification method using graphically regularized coding algorithm [J]. Acta electronica sinica， 2017， 45（8）： 1882?1887.

[4] 張旭，蔣建國，洪日昌，等.基于低秩稀疏分解與協作表示的圖像分類算法[J].計算機科學，2016，43（7）：83?88.

ZHANG Xu， JIANG Jianguo， HONG Richang， et al. Image classification algorithm based on low rank and sparse decomposition and collaborative representation [J]. Computer science， 2016， 43（7）： 83?88.

[5] 涂秋潔，王晅.基于PCA?SIFT特征與貝葉斯決策的圖像分類算法[J].計算機應用與軟件，2016，33（6）：215?219.

TU Qiujie， WANG Xuan. Image classification algorithm based on PCA?SIFT features and bayesian decision [J]. Computer applications and software， 2016， 33（6）： 215?219.

[6] 王爽，張化祥，劉麗.基于多示例多標記KNN的圖像分類算法的改進[J].濟南大學學報（自然科學版），2015，29（4）：275?279.

WANG Shuang， ZHANG Huaxiang， LIU Li. An improved algorithm of image classification based on multi?instance multi?label KNN [J]. Journal of Jinan University （Natural science edition）， 2015， 29（4）： 275?279.

[7] 謝文蘭，石躍祥，肖平.應用BP神經網絡對自然圖像分類[J].計算機工程與應用，2010，46（2）：163?166.

XIE Wenlan， SHI Yuexiang， XIAO Ping. Classification of natural image based on BP neural network [J]. Computer engineering and applications， 2010， 46（2）： 163?166.

[8] 王娜，萬洪林，白成杰.基于SVM的離線圖像目標分類算法[J].計算機系統應用，2016，25（2）：208?211.

WANG Na， WAN Honglin， BAI Chengjie. Offline image target classification algorithm based on SVM [J]. Computer systems & applications， 2016， 25（2）： 208?211.

[9] 張春娥，趙曉東，楊麗娟.基于人工智能的大規模激光圖像分類研究[J].激光雜志，2018，39（5）： 66?69.

ZHANG Chune， ZHAO Xiaodong， YANG Lijuan. Research on large scale laser image classification based on artificial intelligence [J]. Laser journal， 2018， 39（5）： 66?69.

[10] 張江，王年，梁棟，等.基于非負矩陣分解與鄰接譜的圖像分類[J].中國科學技術大學學報，2008，38（3）：247?251.

ZHANG Jiang， WANG Nian， LIANG Dong， et al. Image classification based on non?negative matrix factorization and adjacency spectra [J]. Journal of University of Science and Technology of China， 2008， 38（3）： 247?251.

[11] 曹建芳，史昊，趙青杉.并行Adaboost?BP算法及其在海量圖像分類中的應用[J].新疆大學學報（自然科學版），2017，34（1）：70?77.

CAO Jianfang， SHI Hao， ZHAO Qingshan. The parallel Adaboost?BP algorithm and application in massive image classification [J]. Journal of Xinjiang University （Natural science edition）， 2017， 34（1）： 70?77.

[12] 白琮，黃玲，陳佳楠，等.面向大規模圖像分類的深度卷積神經網絡優化[J].軟件學報，2018，29（4）：1029?1038.

BAI Cong， HUANG Ling， CHEN Jianan， et al. Optimization of deep convolutional neural network for large scale image classification [J]. Journal of software， 2018， 29（4）： 1029?1038.

[13] 王有元，蔡亞楠，王燦，等.基于云平臺的變電站設備智能診斷系統[J].高電壓技術，2015，41（12）：3895?3901.

WANG Youyuan， CAI Yanan， WANG Can， et al. Intelligent diagnosis system for substation equipment based on cloud platform [J]. High voltage engineering， 2015， 41（12）： 3895?3901.