基于Hadoop在超像素分割算法中应用

　　针对高分辨率图像像素分割时间复杂度高的问题，提出了超像素分割算法。采用超像素代替原始的像素作为分割的处理基元，将Hadoop分布式的特点与超像素的分块相结合。在分片过程中提出了基于多任务的静态与动态结合的适应性算法，使得Hadoop分布式文件系统（HDFS）的分块与任务分发的基元解耦；在每一个Map节点任务中，基于超像素分块的边界性对超像素的形成在距离和梯度上进行约束，提出了基于分水岭的并行化分割算法。在Shuffle过程的超像素块间合并中提出了两种合并策略，并进行了比较。在Reduce节点任务中优化了超像素块内合并，完成最终的分割。实验结果表明．所提算法在边缘查全率（BR）和欠分割错误率（UR）等分割质量指标上优于简单线性迭代聚类（ SLIC）算法和标准分割（Ncut）算法，在高分辨率图像的分割时间上有显著降低。