Hadoop+OpenCV的集群化图像处理开发环境建设与测试研究
来源:互联网 发布:影响黄金价格的数据 编辑:程序博客网 时间:2024/05/29 11:35
本文转载自:http://www.xzbu.com/8/view-7240648.htm
随着科技的发展,各个领域对图像处理要求越来越高,算法也越来越复杂,处理时间也会延长。在大数据时代,图片数量不可计数,想在较短时间内处理完相应数量的图片则需要使用大数据技术。本文则利用Hadoop与OpenCV搭建集群化的图像处理平台,使图像的处理速度得到大幅度的提升。
1 相关技术
本文结合OpenCV与Hadoop在Linux系统下进行集群化图像处理平台的建设与测试研究。
1.1 OpenCV
OpenCV[1]是一种基于BSD许可证授权(开源)发行的跨平台计算机视觉库,它由一系列C函数和C++类构成,实现了图像处理和计算机视觉方面的很多通用算法。
作为开源软件,OpenCV的优势就在于它有400多个免费的图像处理函数,而且涉及面很广,覆盖了机器视觉的大多应用领域。它的许多算法,也做了很好的优化,对其执行速度带来了可观的提升。
1.2 Hadoop
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下,充分利用集群进行高速运算和存储,开发分布式程序。
Hadoop框架[2]最核心的设计就是:HDFS和MapReduce。HDFS提供存储,MapReduce提供计算。
Hadoop设计之初的目标就定位于高可靠性、高可拓展性和高效性,正是这些设计上的优点,使得Hadoop一出现就受到众多大公司的青睐,同时也引起了研究界的普遍关注。
2 集群化图像处理的必要性
图像处理[3]经过几十年的发展,虽然有很多研究人员都在不停地提高图像处理算法的效率,但针对当代图像处理数据量大、复杂度高等特点,传统的单机处理已达到瓶颈,特别是在Web和搜索引擎的应用上犹为明显。那如何在提高性能的同时,减少时间成本和功耗?并行化图像处理[4]则是答案。
海量的图像都存储在分布式文件系统中,通过分布式的资源进行并行处理[5],同传统的单机环境下相比,能大大提高处理效率。Hadoop是一个非常流行的存储、处理海量数据的平台。将Hadoop与OpenCV结合起来,组成一个集群化的并行图像处理环境,在时间性能上能够获得非常大的提升。
3 环境搭建
本集群环境由4个节点组成,其中1个主节点、3个从节点。4个节点均要安装OpenCV,Hadoop集成环境。
3.1 Linux操作系统
Linux操作系统为Ubuntu14.04 LTS。
3.2 JDK安装配置
JDK为jdk1.8。
3.3 OpenCV安装配置
1)准备工作。
更新环境:sudo apt-get update
sudo apt-get upgrade
搭建C/C++编译环境:sudo apt-get install build-essential 安装关联库:sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev ant
2)下载opencv-3.0.0压缩包。
3)解压到指定路径,进入opencv3文件夹。
4)新建build文件夹,存放opencv的编译文件。
5)配置opencv文件。在build目录下执行以下命令。
cmake �CD CMAKE_BUILD_TYPE=Release �CD CMAKE_INSTALL_PREFIX=/usr/local ..
6)编译。
make
7)安装opencv库到系统。
sudo make install
安装过程中未出现错误,并在/usr/local/share/OpenCV目录下出现java目录则表示opencv安装成功。
3.4 Hadoop安装配置
1)准备工作
设置网卡,修改IP解析文件,安装配置ssh服务。
2)下载hadoop2.7.1压缩包。
3)解压到指定路径。
4)配置Hadoop环境变量。
5)创建用于存放命名空间以及数据信息的文件夹。
6)在主节点配置Hadoop。
7)将主节点配置完成的hadoop传送到各从节点。
8)在主节点格式化文件系统。
9)启动hadoop集群
3.5 eclipse安装配置
安装的eclipse为Mars.1版本。
3.6 eclipse配置Hadoop开发环境
1)下载插件。
2)将插件放到eclipse/plugins目录下。
3)重启eclipse,打开Windows->Preferences,配置Hadoop安装路径。
4)配置Map/Reduce Locations
打开Windows->Open Perspective->Other,选择Map/Reduce->OK。出现Map/Reduce Locations选项卡,点击右边小象图标,打开Hadoop Location配置窗口。其中,Location name为用户自定义的名字,Map/Reduce Master中的Host和Port对应是master和9000。DFS Master对应是master和9000。点击完成后,若左侧的Project Explorer出现如图1所示内容,表明配置成功。
图1 配置成功示例
若HDFS中没有内容,则上图中hadoop下的文件夹为空。
4 集群化处理与测试
4.1 MapReduce与OpenCV的结合
OpenCV关注图像处理,MapReduce关注分布式处理,将两者结合便是分布式图像处理。
MapReduce的分布式处理分为map和reduce方法。
在map方法中,可以对图片进行预处理、灰度、边缘检测、特征值提取等一系列操作。每个map可以是一张图片,在大型的集群上运行时,可以同时处理多张图片,从而提高处理速度。
在reduce方法中,可以对map的输出进行处理,例如特征值汇总、比对、识别,从而实现预处理、特征值提取、图像识别的并行处理。
4.2 测试程序
1)创建程序
创建一个Map/Reduce Project,名为Test。
2)配置OpenCV路径
右键单击项目名称,选择Properties->Java Build Path->Add Library。
选择User Library->Next。选择User Libraries->New,创建一个新的库,命名为opencv3.0。点击Add External JARs,选择opencv-300.jar。
选择Native library location,点击Edit进行编辑,选择本地库目录:/usr/local/share/OpenCV/java。最后点击OK,配置完成。
3)编写Map类
创建MyMap.java
public void map(Text key, BytesWritable value, Context context){
BufferedImage img = ImageIO.read
(new ByteArrayInputStream(value.getBytes()));
Mat m = img2Mat(img);
imgViewer.show(m,"Loaded image");
context.write(key, value);
}
MyMap类实现读取已转换为SequenceFile类型的图片文件,调用OpenCV类实现图像显示,其中img2Mat方法实现将BufferedImage类型转换为Mat矩阵。 4)编写Reduce类
创建MyReduce.java。
public void reduce(Text key,Iterable values,Context context){
for(BytesWritable value : values){
FileOutputStream fos = new
FileOutputStream("/home/jcxy/2.jpg");
JPEGImageEncoder je =
JPEGCodec.createJPEGEncoder(fos);
je.encode(img);
context.write(key, value);
}}}
MyReduce类主要实现将数据流转换成图片保存到本地,并输出。
5)编写主函数类
创建MyTest.java。
static{System.loadLibrary(Core.NATIVE_LIBRARY_NAME);}
public static void main(String[] args) {
Job job = new Job(conf," ");
job.setMapperClass(MyMap.class);
job.setReducerClass(MyReduce.class);
job.setInputFormatClass(SequenceFileInputFormat.class);
FileInputFormat.addInputPath(job,path);
FileOutputFormat.setOutputPath(job, new Path("/result"));
System.exit(job.waitForCompletion(true)?0:1);
}}
主函数实现Map、Reduce程序的调用。
将Test项目打包成Test.jar(打包时选择Runnable JAR file,否则运行时会找不到路径),保存到主目录下,并在命令行中执行以下命令运行:
hadoop jar Test.jar MyTest
运行结果如图2所示。
图2 运行效果图
本示例主要实现对二进制图片文件的读取,转换,显示,存储。通过这几个步骤的实现表明,本环境能实现在hadoop平台上使用opencv进行图像的处理。
5 结束语
为了提高图像处理的速度,算法精度的提高是必不可少的,但集群化处理,对于大量的图片来说也是必需的。本文介绍了集群化图像处理平台环境的搭建,经过编码测试,在此大数据平台上可以实现opencv类的调用进行图像处理。本文为集群化图像处理的实现提供了平台搭建的基础,具有参考价值。
参考文献:
[1] 张林,吴振强.基于OpenCV的图像特征智能识别系统设计[J].电子设计工程, 2015, 23(20): 189-192.
[2] 霍树民.基于Hadoop的海量影像数据管理关键技术研究[D].长沙: 国防科学技术大学, 2010.
[3] 英英.基于MATLAB的图形图像处理系统的实现[D].呼和浩特: 内蒙古大学, 2013.
[4] 寇福东.基于多核DSP的数字图像处理并行化方法研究[D].北京: 北京理工大学, 2015.
[5] 张良将,宦飞,王杨德. Hadoop云平台下的并行化图像处理实现[J]. 通信技术, 2012(10): 59-62.
- Hadoop+OpenCV的集群化图像处理开发环境建设与测试研究
- opencv图像处理开发
- 3,数据挖掘环境搭建-Hadoop集群搭建与测试
- 研究人的视网膜并用于图像处理 [OpenCV]
- VC2010+GSL+OpenCV图像处理开发环境搭建
- Hadoop处理图像调用opencv遇到的问题
- opencv的图像处理
- OpenCV的图像处理
- OpenCV与MFC通用型图像处理开发实践
- 搭建Hadoop分布式集群------测试Hadoop分布式集群环境
- Opencv中并行图像处理环境的搭建和配置
- MariaDB集群Galera Cluster的研究与测试
- MariaDB集群Galera Cluster的研究与测试
- MariaDB集群Galera Cluster的研究与测试
- Hadoop集群环境测试-WordCount.java-上篇
- Hadoop集群环境测试-WordCount.java-下篇
- hadoop集群+Hbase+Eclispe集成开发环境的搭建
- Hadoop集群案例测试-中文乱码处理
- 【Java学习之旅】——PrepareStatement和Statement区别以及实现批量删除
- 初识Servlets
- python2, 3 中zip list 函数
- mybatis的详解
- 内存区域分配(五个段)
- Hadoop+OpenCV的集群化图像处理开发环境建设与测试研究
- 巨磁阻效应分析与应用
- Meta标签中的apple-mobile-web-app-capable属性及含义
- idea修改tomcat启动的初始页面
- 让div在页面中间显示
- keras例子-matchnet
- hdu1711——Number Sequence(KMP求位置)
- HTML文档设置标记
- 基于 Quartz 开发企业级任务调度应用