海量圖片快速去重技術(shù)論文

　　針對海量圖片中的去除重復(fù)圖片效率低的問題，提出一種基于圖片特征的并行化海量圖片快速去重技術(shù)。首先，對圖片提取圖片顏色、紋理、形狀等特征，用來全面描述圖片;其次，使用度量標(biāo)準(zhǔn)對圖片之間的特征距離進(jìn)行度量計(jì)算;最后，利用如果兩個(gè)點(diǎn)到任意一點(diǎn)距離相等則這兩點(diǎn)有可能是同一個(gè)點(diǎn)的思想實(shí)現(xiàn)根據(jù)特征距離對重復(fù)圖片的快速定位，達(dá)到重復(fù)圖片檢測與去重的目的。結(jié)合實(shí)驗(yàn)計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)分析驗(yàn)證該技術(shù)不僅能夠準(zhǔn)確地去重圖片，且采用i5四核處理器的單機(jī)計(jì)算方式僅10min左右即可處理500萬級圖片量，與一般的兩兩計(jì)算相比，提高了海量圖片去重的時(shí)效性，使得計(jì)算時(shí)間大幅度縮短。

　　0引言

　　隨著數(shù)據(jù)的指數(shù)級增長，企業(yè)面臨的快速備份和恢復(fù)的時(shí)間點(diǎn)越來越多，管理保存數(shù)據(jù)的成本及數(shù)據(jù)中心空間和能耗也變得越來越嚴(yán)重。研究發(fā)現(xiàn)，應(yīng)用系統(tǒng)所保存的數(shù)據(jù)中高達(dá)60%是冗余的，縮減數(shù)據(jù)占用空間，降低成本，重復(fù)數(shù)據(jù)刪除技術(shù)此句不太通順，請作相應(yīng)調(diào)整。已成為一個(gè)熱門的研究課題。所以，重復(fù)數(shù)據(jù)刪除技術(shù)就成為了縮減數(shù)據(jù)占用空間及降低成本的重要手段之一。目前重復(fù)數(shù)據(jù)刪除技術(shù)主要包含相同數(shù)據(jù)檢測及相似數(shù)據(jù)檢測兩大類，其中相同數(shù)據(jù)檢測[1-3]的方法主要有完全文件檢測技術(shù)、固定分塊檢測等，這些檢測方法主要通過hash技術(shù)進(jìn)行數(shù)據(jù)挖掘;相似數(shù)據(jù)檢測利用數(shù)據(jù)自身的相似性特點(diǎn)，通過shingle技術(shù)[4]、bloom filter技術(shù)[5]及模式匹配技術(shù)[6-7]等挖掘出重復(fù)數(shù)據(jù)。這些技術(shù)使得共享數(shù)據(jù)塊的文件之間產(chǎn)生了依賴性，降低了系統(tǒng)的可靠性;同時(shí)因?yàn)閿?shù)據(jù)檢測對比等過程導(dǎo)致大量的計(jì)算開銷，對系統(tǒng)的性能影響也很大。因此，為了提高檢測速度，降低對系統(tǒng)的性能影響，很多學(xué)者提出了并行化處理方式[8-10]。

　　由于圖片文件的數(shù)據(jù)量大且不易修改的特性由于圖片文件的數(shù)據(jù)量大其不易修改的特性，若采用文件級去重則計(jì)算開銷大，效率較低，而塊級則容易導(dǎo)致圖片讀取不完整、刪除錯(cuò)誤、恢復(fù)圖片困難等問題，在海量圖片的情況下這些問題將更加突出。針對上述問題，文獻(xiàn)[11]提出一種針對海量圖片文件存儲(chǔ)去重技術(shù)的方法，利用MD5(MessageDigest Algorithm 5)特性在圖片文件上傳存儲(chǔ)過程中實(shí)現(xiàn)去重取得了較好的效果。本文則針對已存儲(chǔ)的海量圖片，提出一種并行化快速去重算法：主要提取圖片本身具有的數(shù)據(jù)特征，根據(jù)特征進(jìn)行重復(fù)檢測，實(shí)現(xiàn)海量圖片去重處理，其時(shí)間復(fù)雜度為Ο(n2)。進(jìn)一步，為了降低算法時(shí)間復(fù)雜度，本文針對該算法進(jìn)行改進(jìn)，將時(shí)間復(fù)雜度降低為Ο(n log n)，實(shí)現(xiàn)了海量圖片的快速去重。

　　1.1顏色特征提取方法

　　顏色是圖像最直觀的特征，也是圖像視覺重要的感知特征之一。HSV(Hue， Saturation， Value)顏色模型由色度H、飽和度S、亮度V三個(gè)分量組成，和人的視覺特性比較接近，所以選擇在HSV空間提取顏色特征.為減少高維數(shù)特征對計(jì)算帶來的不便，進(jìn)行如下量化[12]：

　　再按式L=7H+3S+1V轉(zhuǎn)化成一維特征量。傳統(tǒng)顏色直方圖只是每種顏色的量的統(tǒng)計(jì)，忽略了圖像中每種顏色的分布方式。文獻(xiàn)[12]提出一種環(huán)形區(qū)域劃分的思想，將圖片空間劃分成M個(gè)同心圓環(huán)及外圍區(qū)域，以(C，D)為圖片幾何中心，中心圓半徑為R=[min(A，B)]/(2M)，其中(A，B)為圖片邊長，其他圓形半徑為MR，其中取M=2。本文同樣選擇M=2，將圖片區(qū)域被劃分為中心圓、圓環(huán)和外部3個(gè)區(qū)域。這樣既能夠不增加特征向量的維數(shù)和計(jì)算成本，同時(shí)與傳統(tǒng)顏色直方圖相比顏色空間分布信息得到充分利用。所以提取累加直方圖作為顏色特征，每個(gè)區(qū)域提取58個(gè)，共提取174個(gè)顏色特征。

　　1.2紋理特征及形狀特征提取方法

　　小波分析往往具有多尺度以及多方向性的特點(diǎn)，已經(jīng)被廣泛應(yīng)用到圖像紋理特征提取及形狀特征提取方面的應(yīng)用[13-14]。本文首先采用Mallat小波分解，得到分解層上的高頻子帶圖像能量和低頻子帶上灰度共生矩陣統(tǒng)計(jì)量作為紋理特征特征向量;同時(shí)得到分解層上的高頻子帶圖像均值、標(biāo)準(zhǔn)差和低頻子帶圖像Hu不變矩的10個(gè)相對矩作為形狀特征向量。Mallat在多分辨率分析中采用了離散框架小波變換。多次小波分解的分解系數(shù)是一組有關(guān)離散高通濾波U(n)和低通濾波G(n)的遞推關(guān)系式，其計(jì)算方式如式(4)和(5)所示：

　　特征提取過程如下：

　　1)根據(jù)Mallat分解方法，對圖片進(jìn)行4個(gè)子帶的分解。

　　2)繼續(xù)對低頻子圖像進(jìn)行小波變換，得到更多級別的分解子圖像。第i級別j子帶的能量表示為：

　　ENij=1n∑nk=1Cij(k)2(7)

　　其中：Cij(k)為該子帶上的小波系數(shù);n是j子帶的小波的系數(shù)個(gè)數(shù)，將能量作為特征矩陣的元素構(gòu)造特征向量。

　　3)繼續(xù)對低頻子圖像進(jìn)行小波變換，對每層低頻子圖像計(jì)算Hu不變矩的10個(gè)相對矩[14]：

　　4)在低頻子帶上依次按照0°、45°、90°和135°方向構(gòu)造灰度共生矩陣[13]，然后分別計(jì)算熵Entropyj、二階矩ASMj、逆差矩DMj、對比度conj、相關(guān)系數(shù)corj作為特征參數(shù)，其中j=1，2，3，4，再結(jié)合之前計(jì)算出的各層子帶的能量ENj成為紋理特征向量如下：

　　Wi=[ENi.j.k，Entropyi.j.k，ASMi.j.k，DMi.j.k，coni.j.k，cori.j.k]

　　其中k表示分解層數(shù)。

　　1.3度量方法

　　1.3.1顏色特征的距離度量

　　本文顏色特征的距離度量采用歐氏距離法，公式如式(9)所示：

　　其中：xi，xj(i≠j)為圖片集中任意兩幅圖像;Eyk 、Ehk 、Ewk 分別為圖片區(qū)域的圓心、圓環(huán)和外部區(qū)域所提取的特征;k是特征分量;N為特征數(shù)目;ay，ah，aw為各區(qū)域的權(quán)重，對于一般圖片而言，圖片的中心區(qū)域信息量多，而圓環(huán)部分和外部區(qū)域的信息量較少，所以本文分別取0.5，0.3，0.2代表各區(qū)域的重要程度。

　　1.3.2紋理特征和形狀特征的距離度量

　　2并行化圖片去重算法

　　2.1并行化圖片去重算法

　　1)本文主要使用圖片固有特征實(shí)現(xiàn)達(dá)到圖片去重的目的，所以首先對圖片集{xi}提取上述特征值，設(shè)圖片集{xi}大小為n，將其分配給T個(gè)計(jì)算單元進(jìn)行處理，則時(shí)間縮短至n/T，本文中實(shí)驗(yàn)取T=4。

　　2)對任意圖片xi，xj(i≠j)計(jì)算距離D(xi，xj)，由于重復(fù)圖片所在位置具有任意性，若要找出所有重復(fù)圖片則需要遍歷整個(gè)圖片集，計(jì)算量n2，采用并行計(jì)算則計(jì)算量為n2/T。

　　3)遍歷相似度距離D(xi，xj)，查找其中距離為0。若為0，則說明其為相同圖片，標(biāo)記并且刪除后一張圖片，僅保留前一張。

　　2.2實(shí)驗(yàn)結(jié)果

　　由于如果圖片為重復(fù)圖片則提取特征值相等，則距離必然為0，故本文主要使用運(yùn)行時(shí)間作為衡量該算法的重要指標(biāo)，使用Matlab軟件編程實(shí)現(xiàn)對上述算法進(jìn)行評價(jià)(注：以下時(shí)間均不包含圖片特征的采集時(shí)間)。

　　本次實(shí)驗(yàn)選取1000及5000張圖片進(jìn)行處理，運(yùn)行時(shí)間如表1所示。

　　按照上述算法進(jìn)行5000張圖片去重時(shí)，處理時(shí)間就達(dá)到22min。如果按照上述算法對萬級、十萬級甚至百萬級圖片處理時(shí)程序運(yùn)行時(shí)間不可估量，本文對上述算法進(jìn)行改進(jìn)。

　　3改進(jìn)算法及實(shí)驗(yàn)結(jié)果

　　3.1算法改進(jìn)

　　針對上述算法主要影響運(yùn)行時(shí)間的是在去重過程要遍歷整個(gè)圖片集，計(jì)算量為n2，即便采用并行處理方式，對最終結(jié)果的影響終究有限。針對此問題，本文對第2章中的算法進(jìn)行改進(jìn)，從圖片集中任取一張圖片x0，如果存在圖片{xi，xj}(i≠j)使得D(x0，xi)=D(x0，xj)，則{xi，xj}(i≠j)有可能為重復(fù)圖片，需要進(jìn)一步判斷D(xi，xj)是否為0;若不為0，則{xi，xj}(i≠j)不是重復(fù)圖片。利用這樣處理方式，在距離計(jì)算過程中計(jì)算量為n;同時(shí)在計(jì)算過程中采用并行處理，最終計(jì)算量減小為n/T，相比n2的計(jì)算量大大減小。

　　改進(jìn)算法具體步驟如下：

　　1)對圖片集提取特征值，設(shè)圖片集大小為n，將其分配給T個(gè)計(jì)算單元進(jìn)行處理，則時(shí)間縮短至n/T，本文中實(shí)驗(yàn)取T=4。

　　2)從圖片集中任取一張圖片x0，分別與其圖片集中其他圖片進(jìn)行距離計(jì)算，在計(jì)算過程中采用并行處理，計(jì)算量縮短為n/T。

　　3)對2)中計(jì)算得到的距離D(x0，xi)進(jìn)行由小到大排序，得到排序后的距離D*i(i=1，2，…，n)。本文采用快速排序法。

　　4)遍歷距離D*(x0，xi)，查找其中相同的距離。由于在3)中已經(jīng)對距離進(jìn)行由小到大的排序，故每次只需要判斷D*i+1是否與D*i相同，若D*i+1與D*i相同則進(jìn)行第5)步，比較完畢后繼續(xù)遍歷剩下的距離，若遍歷完成且沒有相同距離則停止。

　　5)設(shè){xi，xj}(i≠j)使得D(x0，xi)=D(x0，xj)，則計(jì)算D(xi，xj)之間的距離，若為0，則說明其為相同圖片，標(biāo)記并且刪除xj，保留xi;若大于0，則說明{xi，xj}對x0在特征上的相似程度一致，但并非相同圖片，兩張同時(shí)保留。

　　3.2查找重復(fù)圖片的改進(jìn)算法與第2章原算法運(yùn)行時(shí)間的對比

　　如果圖片量太大，第2章中對重復(fù)圖片查找算法的計(jì)算量會(huì)急劇上升，導(dǎo)致運(yùn)行時(shí)間過長，故本次選用300，600及900張圖片分別用改進(jìn)方法和第2章中方法進(jìn)行重復(fù)圖片的查找，對查找時(shí)間進(jìn)行對比，如表2所示。

　　由表2中數(shù)據(jù)可知，采用遍歷圖片集查找重復(fù)圖片的方式運(yùn)算時(shí)間高于改進(jìn)運(yùn)算的10倍以上。同時(shí)改進(jìn)運(yùn)算在圖片數(shù)量增加時(shí)運(yùn)算時(shí)間增長并不明顯，增長幅度僅在百分位，說明改進(jìn)算法在海量圖片去重上是有效的。

　　3.3改進(jìn)算法在不同數(shù)量級與不同重復(fù)率時(shí)間對比

　　分別使用萬級(1萬)、十萬級(10萬)、百萬級(100萬和500萬)級圖片量進(jìn)行測試;同時(shí)每種量級的重復(fù)圖片分別占總數(shù)的30%、60%及90%，結(jié)果如表3所示。

　　由表3中數(shù)據(jù)可知：1)由萬級到10萬級運(yùn)行時(shí)間增長在兩倍左右，而10萬級到100萬級甚至500萬級時(shí)按照本文圖片量呈現(xiàn)線性關(guān)系，運(yùn)行時(shí)間增長分別在10倍及50倍左右，這是由于處理數(shù)據(jù)大量增長，而實(shí)驗(yàn)用機(jī)在運(yùn)行速度和處理能力上有限，導(dǎo)致在100萬張及500萬張圖片的距離、比較等運(yùn)算時(shí)處理能力不足，所以運(yùn)行時(shí)間會(huì)呈現(xiàn)出與圖片量增長倍數(shù)相同的情況，故適當(dāng)提高硬件處理能力可以減少運(yùn)行時(shí)間;2)由每種數(shù)量級不同重復(fù)率下的運(yùn)行時(shí)間來看，隨著重復(fù)率的升高運(yùn)行時(shí)間略有下降，此情況出現(xiàn)是由于排序算法導(dǎo)致，重復(fù)圖片越多，相同距離也就越多，故排序時(shí)間也就越短，所以在大數(shù)據(jù)量時(shí)選用合適的排序算法也是影響運(yùn)行時(shí)間的重要因素。

　　綜上所述，本文在改進(jìn)算法中，從圖片集中任取一張圖片x0，分別與其圖片集中其他圖片進(jìn)行距離的計(jì)算的方式相比遍歷圖片集計(jì)算距離的方式在運(yùn)行時(shí)間效率此處是否應(yīng)該是“運(yùn)行效率”，時(shí)間上應(yīng)該是減少，而不是提高吧?請明確。上提高10倍以上;同時(shí)針對不同重復(fù)率下不同數(shù)量級進(jìn)行了測試，發(fā)現(xiàn)查詢500萬數(shù)量級中重復(fù)圖片時(shí)運(yùn)算時(shí)間也僅需10min左右，去重效率大幅度提高。故本文提出的算法為大數(shù)據(jù)量的圖片快速去重工作提供了有效支撐。

　　4結(jié)語

　　面對目前數(shù)據(jù)的指數(shù)級增長，海量數(shù)據(jù)重復(fù)刪除技術(shù)的研究在解決數(shù)據(jù)存儲(chǔ)空間消耗大、數(shù)據(jù)備份及恢復(fù)成本高等方面具有重要的意義。本文利用圖片固有屬性特征，提出了一種海量圖片快速并行化去重算法，使用該算法能夠快速準(zhǔn)確地對圖片進(jìn)行去重。實(shí)驗(yàn)結(jié)果表明，10min左右即可處理完500萬圖片集的去重工作，這為海量圖片的去重處理提供了新的思路。同時(shí)，實(shí)驗(yàn)發(fā)現(xiàn)在大數(shù)據(jù)量時(shí)，對距離進(jìn)行排序的時(shí)間對整個(gè)去重過程有一定的影響，排序時(shí)間越短，整個(gè)去重的時(shí)間也就越短，所以如何縮短排序時(shí)間作為本文將是該快速去重技術(shù)進(jìn)一步的研究方向。

【海量圖片快速去重技術(shù)論文】相關(guān)文章：

快與慢議論文11-28

快與慢議論文01-18

描寫快與慢的議論文01-29

高中快與慢議論文10-28

高中快與慢的議論文11-07

議論文作文：快與慢01-27

快與慢優(yōu)秀議論文01-27

關(guān)于快與慢的議論文01-22

快與慢議論文（精選41篇）03-30

快與慢議論文(15篇)12-31