本发明公开了一种局部特征的分布式并行提取方法，包括：利用图像爬虫软件下载图像到云环境中的各个计算节点，并建立图像数据库，图像数据库中存储了每张图像的ID与计算节点的ID之间的映射关系，并行地获取每个计算节点上存储的每张图像的像素值，并建立图像的ID与其像素大小之间的映射关系，根据云环境中每个计算节点存储的每张图像像素大小，获得云环境中每个计算节点上总像素值，根据云环境里每个计算节点总像素值、计算节点的个数、每个计算节点的网络状况，确定供应计算节点，供应计算节点应供应的图片和接收这些图片的计算节点。本发明能够解决现有方法中存在的局部特征提取过程中，各计算节点图像数量分配不准确和计算负载不均衡的问题。
1.一种局部特征的分布式并行提取方法，其特征在于，包括以下步骤：
(1)利用图像爬虫软件下载图像到云环境中的各个计算节点，并建立图像数据库，图像数据库中存储了每张图像的ID与计算节点的ID之间的映射关系；
(2)并行地获取每个计算节点上存储的每张图像的像素值，并建立图像的ID与其像素大小之间的映射关系；
(3)根据云环境中每个计算节点存储的每张图像像素大小，获得云环境中每个计算节点上总像素值；
(4)根据云环境里每个计算节点总像素值、计算节点的个数、每个计算节点的网络状况，确定供应计算节点，供应计算节点应供应的图片和接收这些图片的计算节点；
(5)对于云环境中每个供应计算节点，根据供应计算节点应供应像素的个数和该供应计算节点上每张图像的像素值，获得被传输图像的ID与传输的目的计算节点ID，其计算式如下所示：σia∈{0,1},Xia∈N+
其中Xia表示第i个供应计算节点上第a张图像所对应的图像像素大小，F表示第i个供应计算节点上图像的总张数，σia表示i个供应计算节点上第a张图像是否被传输到第j个需求计算节点，Sij为第i个供应计算节点向第j个需求计算节点供应的像素值；
(6)对于云环境中每个供应计算节点，根据被传输的图像ID与目的计算节点ID之间的映射关系，将图像ID所对应的被传输的图像从供应计算节点传输到目的计算节点ID所对应的需求计算节点；
(7)根据图像传输的结果，重新建立图像数据库中每张图像ID与存储该图像的计算节点ID之间的映射关系；
(8)在每个计算节点上，对该计算节点上存储的所有图像并行地进行特征兴趣点检测；
(9)根据每个计算节点上每张图像的特征兴趣点的个数，获得每个计算节点上的总特征兴趣点个数；
(10)根据每个计算节点的总特征兴趣点数、计算节点的个数再次确定供应计算节点、供应计算节点应供应的图片和接收这些图片的计算节点；
(11)对于云环境中每个供应计算节点，根据供应计算节点应供应特征兴趣点的个数和每张图像特征兴趣点的个数，计算被传输图像的ID与传输的目的计算节点ID，其计算式如下所示：Ymb∈N+
其中Ymb表示第m个供应计算节点上第b张图像所对应的图像像素大小，G为表示第m个供应计算节点上图像的总张数， 表示m个供应计算节点上第b张图像是否被传输到第n个需求计算节点，ψmn为第m个供应计算节点与第n个需求计算节点之间传递单位特征兴趣点所消耗的网络带宽；
(12)对于云环境中每个供应计算节点，根据被传输的图像ID与目的计算节点ID之间的映射关系，将图像ID所对应的被传输的图像从供应计算节点传输到目的计算节点ID所对应的需求计算节点；
(13)图像传输完成后，根据每个计算节点存储的图像，再次建立图像数据库中每张图像ID和计算节点ID之间的映射关系；
(14)并行地提取云环境中每个计算节点上每张图像的局部特征，并建立图像数据库中每张图像ID与提取的局部特征之间的映射关系，以得到并输出最终的该图像数据库的局部特征提取的结果。
2.根据权利要求1所述的分布式并行提取方法，其特征在于，步骤(5)具体为，若计算得到的σia等于0，则表示a为该供应计算节点上被传输的图像ID，而j为被传输图像a的目的计算节点ID，并同时建立传输的图像ID与目的计算节点ID之间的映射关系，然后进入步骤(6)，否则表示第i个供应计算节点上第a张图像不需要被传输，然后进入步骤(6)。
3.根据权利要求1所述的分布式并行提取方法，其特征在于，步骤(4)包括以下子步骤：
(4-1)将云环境中各个计算节点上图像的像素值相加，以得到云环境中的总像素值；
(4-2)计算每个计算节点上平均处理像素的个数＝云环境中的总像素值/云环境中计算节点的个数，该个数即为像素平均值R；
(4-3)判断每个计算节点上图像的总像素值与像素平均值之间的像素差值是大于0还是小于0，如果是则表示该计算节点是供应计算节点，且该计算节点的像素差值对应大小的图片会被分发到其他计算节点上，然后进入(4-4)，否则表示该计算节点是需求计算节点，且该计算节点的像素差值对应大小的图片需要由其他邻近的计算节点提供，然后进入步骤(4-4)；
(4-4)根据云环境中每个计算节点总像素值、计算节点的个数、各个计算节点的网络状况建立优化表达式，以确定供应计算节点应供应的像素的个数和接收这些图像像素的计算节点；该优化表达式的形式如下所示：Pi,Qi,Ui,Vi,R,Sij∈N+i＝1,2,...,M,j＝1,2,...,N,δij∈R+其中M1为供应计算节点的总数，N1为需求计算节点的总数，Pi为M1个供应计算节点中第i个供应计算节点在供应像素之前所存储图像的总像素值，Qi为M1个供应计算节点中第i个供应计算节点供应的像素值，Uj为N1个需求计算节点中第j个需求计算节点在接收像素供应之前所存储图像的总像素值，Vj为N1个需求计算节点中第j个需求计算节点接收的像素值，Sij为第i个供应计算节点向第j个需求计算节点供应的像素值，δij为第i个供应计算节点与第j个需求计算节点之间传递单位像素所消耗的网络带宽，λ为调节因子。
4.根据权利要求1所述的分布式并行提取方法，其特征在于，步骤(10)包括以下子步骤：
(10-1)将各个计算节点上的总特征兴趣点数相加，以得到云环境中的总特征兴趣点数；
(10-2)计算每个计算节点上平均处理图像特征兴趣点的个数＝云环境中的总特征兴趣点数/云环境中计算节点的个数，该个数即为平均特征兴趣点数；
(10-3)判断每个计算节点上图像的总特征兴趣点数与平均特征兴趣点数之间的差值是大于0还是小于0，如果是则表示该计算节点是供应计算节点，且该计算节点的特征兴趣点差值对应大小的图片会被分发到其他计算节点上，然后进入(10-4)，否则表示该计算节点是需求计算节点，且该计算节点的特征兴趣点差值对应大小的图片需要由其他邻近的计算节点提供，然后进入(10-4)；
(10-4)根据云环境里每个计算节点的总特征兴趣点数、计算节点的个数、各个计算节点的网络状况，建立优化表达式，确定供应计算节点应供应的特征兴趣点的个数和接收这些特征兴趣点的计算节点，该优化表达式的形式如下所示：Am,Bm,Cn,Dn,E,Hmn∈N+m＝1,2,...,M2,n＝1,2,...,N2,ψmn∈R+其中Am为M2个供应计算节点中第m个供应计算节点在供应特征兴趣点之前所存储图像的总特征兴趣点数；Bm为M2个供应计算节点中第m个供应计算节点供应的特征兴趣点数，Cn为N2个需求计算节点中第n个需求计算节点在接收供应之前所存储图像的总特征兴趣点数，Dn为N2个需求计算节点中第n个需求计算节点接收的特征兴趣点数，Hmn为第m个供应计算节点向第n个需求计算节点供应的特征兴趣点数，ψmn为第m个供应计算节点与第n个需求计算节点之间传递单位特征兴趣点所消耗的网络带宽，μ为三个优化项的调节因子。
5.根据权利要求1所述的分布式并行提取方法，其特征在于，步骤(11)具体为，若计算得到的 等于0，则表示b为该供应计算节点上被传输的图像ID，而n为被传输图像b的目的计算节点ID，并同时建立传输的图像ID与目的计算节点ID之间的映射关系，然后进入步骤(12)，否则表示第m个供应计算节点上第b张图像不需要被传输，然后进入步骤(12)。
一种局部特征的分布式并行提取方法
技术领域
[0001] 本发明属于计算机视觉和多媒体处理领域，更具体地，涉及一种局部特征的分布式并行提取方法。
背景技术
[0002] 计算机视觉和多媒体处理技术依赖图像底层特征的表达，传统的图像底层特征分为全局特征和局部特征，全局特征采用单个数学向量对图像进行描述，虽然提取和处理速度快，但并不能有效地处理遮挡、变形、视角变化等情况。局部特征采用局部描述符集合对图像进行描述，虽然提取和后续处理的速度慢，但能在具体的图像应用中保持良好的旋转不变生、尺度不变性，伸缩不变性等。因此，局部特征广泛地运用于图像内容的表达。
[0003] 另一方面，由于便携式摄像设备的发展，用户产生了海量的图像数据。为减轻单个计算节点存储的压力，这些图像数据被分布式地存储于云环境中的每个计算节点上。由于每个计算节点硬件设施和网络环境的差异，必然造成每个计算节点上存储图像数量的不一致。另外，每个节点局部特征提取的速度也是不一样的。即使给每个计算节点分配相同数量的图像，也会造成局部特征提取速度的不同。
[0004] 因此，传统的基于像素大小划分的局部特征分布式并行提取方法利用这些计算节点对图像特征进行分布式并行提取的时候，会造成每个计算节点负载的不均衡。整个海量图像库的局部特征提取时间取决于最长计算节点局部特征提取的时间，形成严重的长尾效应。
发明内容
[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种局部特征的分布式并行提取方法，其目的在于解决现有方法中存在的局部特征提取过程中，由于没有把握局部特征提取过程两阶段的特点，所导致的各计算节点图像数量分配不准确和计算负载不均衡的技术问题。
[0006] 为实现上述目的，按照本发明的一个方面，提供了一种局部特征的分布式并行提取方法，包括以下步骤：
[0007] （1）利用图像爬虫软件下载图像到云环境中的各个计算节点，并建立图像数据库，图像数据库中存储了每张图像的ID与计算节点的ID之间的映射关系；
[0008] （2）并行地获取每个计算节点上存储的每张图像的像素值，并建立图像的ID与其像素大小之间的映射关系；
[0009] （3）根据云环境中每个计算节点存储的每张图像像素大小，获得云环境中每个计算节点上总像素值；
[0010] （4）根据云环境里每个计算节点总像素值、计算节点的个数、每个计算节点的网络状况，确定供应计算节点，供应计算节点应供应的图片和接收这些图片的计算节点；
[0011] （5）对于云环境中每个供应计算节点，根据供应计算节点应供应像素的个数和该供应计算节点上每张图像的像素值，获得被传输图像的ID与传输的目的计算节点ID，其计算式如下所示：
[0012]
[0013] σia∈{0,1},Xia∈N+
[0014] 其中Xia表示第i个供应计算节点上第a张图像所对应的图像像素大小，F表示第i个供应计算节点上图像的总张数，σia表示i个供应计算节点上第a张图像是否被传输到第j个需求计算节点；
[0015] （6）对于云环境中每个供应计算节点，根据被传输的图像ID与目的计算节点ID之间的映射关系，将图像ID所对应的被传输的图像从供应计算节点传输到目的计算节点ID所对应的需求计算节点；
[0016] （7）根据图像传输的结果，重新建立图像数据库中每张图像ID与存储该图像的计算节点ID之间的映射关系；
[0017] （8）在每个计算节点上，对该计算节点上存储的所有图像并行地进行特征兴趣点检测；
[0018] （9）根据每个计算节点上每张图像的特征兴趣点的个数，获得每个计算节点上的总特征兴趣点个数；
[0019] （10）根据每个计算节点的总特征兴趣点数、计算节点的个数再次确定供应计算节点、供应计算节点应供应的图片和接收这些图片的计算节点；
[0020] （11）对于云环境中每个供应计算节点，根据供应计算节点应供应特征兴趣点的个数和每张图像特征兴趣点的个数，计算被传输图像的ID与传输的目的计算节点ID，其计算式如下所示：
[0021]
[0022] ζib∈{0,1},Ymb∈N+
[0023] 其中Ymb表示第m个供应计算节点上第b张图像所对应的图像像素大小，G为表示第m个供应计算节点上图像的总张数，ζmb表示m个供应计算节点上第b张图像是否被传输到第n个需求计算节点；
[0024] （12）对于云环境中每个供应计算节点，根据被传输的图像ID与目的计算节点ID之间的映射关系，将图像ID所对应的被传输的图像从供应计算节点传输到目的计算节点ID所对应的需求计算节点；
[0025] （13）图像传输完成后，根据每个计算节点存储的图像，再次建立图像数据库中每张图像ID和计算节点ID之间的映射关系；
[0026] （14）并行地提取云环境中每个计算节点上每张图像的局部特征，并建立图像数据库中每张图像ID与提取的局部特征之间的映射关系，以得到并输出最终的该图像数据库的局部特征提取的结果。
[0027] 优选地，步骤（5）具体为，若计算得到的σia等于0，则表示a为该供应计算节点上被传输的图像ID，而j为被传输图像a的目的计算节点ID，并同时建立传输的图像ID与目的计算节点ID之间的映射关系，然后进入步骤（6），否则表示第i个供应计算节点上第a张图像不需要被传输，然后进入步骤（6）。
[0028] 优选地，步骤（4）包括以下子步骤：
[0029] （4-1）将云环境中各个计算节点上图像的像素值相加，以得到云环境中的总像素值；
[0030] （4-2）计算每个计算节点上平均处理像素的个数=云环境中的总像素值/云环境中计算节点的个数，该个数即为像素平均值R；
[0031] （4-3）判断每个计算节点上图像的总像素值与像素平均值之间的像素差值是大于0还是小于0，如果是则表示该计算节点是供应计算节点，且该计算节点的像素差值对应大小的图片会被分发到其他计算节点上，然后进入（4-4），否则表示该计算节点是需求计算节点，且该计算节点的像素差值对应大小的图片需要由其他邻近的计算节点提供，然后进入步骤（4-4）；
[0032] （4-4）根据云环境中每个计算节点总像素值、计算节点的个数、各个计算节点的网络状况建立优化表达式，以确定供应计算节点应供应的像素的个数和接收这些图像像素的计算节点；该优化表达式的形式如下所示：
[0033]
[0034]
[0035] Pi,Qi,Ui,Vi,R,Sij∈N+i=1,2,...,M,j=1,2,...,N,δij∈R+
[0036] 其中M1为供应计算节点的总数，N1为需求计算节点的总数，Pi为M1个供应计算节点中第i个供应计算节点在供应像素之前所存储图像的总像素值，Qi为M1个供应计算节点中第i个供应计算节点供应的像素值，Uj为N1个需求计算节点中第j个需求计算节点在接收像素供应之前所存储图像的总像素值，Vj为N1个需求计算节点中第j个需求计算节点接收的像素值，Sij为第i个供应计算节点向第j个需求计算节点供应的像素值，δij为第i个供应计算节点与第j个需求计算节点之间传递单位像素所消耗的网络带宽，λ为调节因子。
[0037] 优选地，步骤（10）包括以下子步骤：
[0038] （10-1）将各个计算节点上的总特征兴趣点数相加，以得到云环境中的总特征兴趣点数；
[0039] （10-2）计算每个计算节点上平均处理图像特征兴趣点的个数=云环境中的总特征兴趣点数/云环境中计算节点的个数，该个数即为平均特征兴趣点数；
[0040] （10-3）判断每个计算节点上图像的总特征兴趣点数与平均特征兴趣点数之间的差值是大于0还是小于0，如果是则表示该计算节点是供应计算节点，且该计算节点的特征兴趣点差值对应大小的图片会被分发到其他计算节点上，然后进入（10-4），否则表示该计算节点是需求计算节点，且该计算节点的特征兴趣点差值对应大小的图片需要由其他邻近的计算节点提供，然后进入（10-4）；
[0041] （10-4）根据云环境里每个计算节点的总特征兴趣点数、计算节点的个数、各个计算节点的网络状况，建立优化表达式，确定供应计算节点应供应的特征兴趣点的个数和接收这些特征兴趣点的计算节点，该优化表达式的形式如下所示：
[0042]
[0043]
[0044] Am,Bm,Cn,Dn,E,Hmn∈N+m=1,2,...,M2,n=1,2,...,N2,ψmn∈R+
[0045] 其中Am为M2个供应计算节点中第m个供应计算节点在供应特征兴趣点之前所存储图像的总特征兴趣点数。Bm为M2个供应计算节点中第m个供应计算节点供应的特征兴趣点数，Cn为N2个需求计算节点中第n个需求计算节点在接收供应之前所存储图像的总特征兴趣点数，Dn为N2个需求计算节点中第n个需求计算节点接收的特征兴趣点数，Hmn为第m个供应计算节点向第n个需求计算节点供应的特征兴趣点数，ψmn为第m个供应计算节点与第n个需求计算节点之间传递单位特征兴趣点所消耗的网络带宽，μ为三个优化项的调节因子。
[0046] 优选地，步骤（11）具体为，若计算得到的ζmb等于0，则表示b为该供应计算节点上被传输的图像ID，而n为被传输图像b的目的计算节点ID，并同时建立传输的图像ID与目的计算节点ID之间的映射关系，然后进入步骤（12），否则表示第m个供应计算节点上第b张图像不需要被传输，然后进入步骤（12）。
[0047] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0048] （1）利用云环境里闲散的计算节点对海量图像的局部特征进行分布式并行提取，有效加快了局部特征提取的速度。
[0049] （2）挖掘局部特征提取两个阶段的特点，将局部特征的提取划分成特征点兴趣点检测阶段和特征描述阶段。发现特征兴趣点检测阶段的计算量只与图像像素的大小有关，特征描述阶段的计算量只与特征兴趣点数有关。
[0050] （3）在特征描述的第一阶段，根据云环境中每个计算节点总像素值、计算节点的个数、各个计算节点的网络状况对图像的进行重新分组和分配，对局部特征提取的第一阶段的特征兴趣点的提取进行有效地负载均衡。
[0051] （4）在特征描述的第二个阶段，根据云环境中每个计算节点总像素值、计算节点的个数、各个计算节点的网络状况对图像的进行重新分组和分配，对局部特征提取第二个阶段特征描述符的并行提取进行有效地负载均衡。
[0052] （5）将局部特征提取的两个阶段结合起来实现动态传输图像，充分利用云环境内闲散的计算资源，网络资源和存储资源。
附图说明
[0053] 图1是本发明一种局部特征的分布式并行提取方法的流程图。
[0054] 图2是本发明方法中步骤（4）的细化流程图。
[0055] 图3是本发明方法中步骤（10）的细化流程图。
具体实施方式
[0056] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0057] 首先对本发明中的技术术语进行解释和说明：
[0058] 图像爬虫：图像爬虫通过图像的链接地址来寻找图像，从图像的某一页面开始，读取页面的内容，找出图像所在链接的地址，按照链接的地址下载图像，根据页面中其他链接的地址寻找其他网页，再找出其他网页中图像的链接地址，下载图像。重复此过程可以下载得到任意数量多的图像。
[0059] 局部特征：局部特征是从图像的局部结构出发，用局部信息构造出具有光照、几何变换不变性的图像描述符。该描述符描述图像中每个区域之间的像素，颜色或是纹理方面的差异性。
[0060] 映射关系表：映射关系表表达两集合的映射关系，在本发明中，这种映射关系包括，图像ID集合和计算节点ID集合映射关系，图像ID集合和像素大小集合映射关系，图像ID集合和特征描述点数集合等的映射关系）。
[0061] 特征兴趣点检测：根据尺度空间理论或密集性采样理论，选取图像尺度空间的极值点和密集型采样点。这些检测点被称为特征兴趣点，提取这些特征兴趣点的过程被称为特征兴趣点检测。
[0062] 特征描述：在特征兴趣点周围取图像像素组，统计像素组内的颜色、光照、梯度等信息，形成一个高维向量。每个个特征兴趣点对应一个特征描述符，该特征描述符具有良好的旋转不变生、尺度不变性，伸缩不变性等。
[0063] 供应计算节点：计算节点上图像的总像素值大于像素平均值，或者计算节点上图像的总特征兴趣点数大于平均特征兴趣点数。
[0064] 需求计算节点：计算节点上图像的总像素值小于素平均值，或者计算节点上总特征兴趣点数小于平均特征兴趣点数。
[0065] 本发明局部特征的分布式并行提取方法的基本思路在于，该方法将局部特征提取划分为特征兴趣点和特征描述两个阶段，由于特征兴趣点的时间取决于图像像素的总个数，而特征描述阶段的计算时间取决于特征点的总个数。因此两个阶段计算时间的取决因素不同。同时根据每个计算节点的处理能力、云环境中的每个计算节点的网络情况，进行图像的重新分组和分配，在局部特征提取的两个阶段中有效地进行动态负载调度，避免负载不均和长尾效应，有效地加快海量图像局部特征的提取速度。该方法对海量图像的检索、识别等图像应用有重要的意义。
[0066] 如图1所示，本发明局部特征的分布式并行提取方法包括以下步骤：
[0067] （1）利用图像爬虫软件下载图像到云环境中的各个计算节点，并建立图像数据库，图像数据库中存储了每张图像的ID与计算节点的ID之间的映射关系；
[0068] （2）并行地获取每个计算节点上存储的每张图像的像素值，并建立图像的ID与其像素大小之间的映射关系；
[0069] （3）根据云环境中每个计算节点存储的每张图像像素大小，获得云环境中每个计算节点上总像素值；
[0070] （4）根据云环境里每个计算节点总像素值、计算节点的个数、每个计算节点的网络状况，确定供应计算节点、供应计算节点应供应的图片和接收这些图片的计算节点；如图2所示，本步骤包括以下子步骤：
[0071] （4-1）将云环境中各个计算节点上图像的像素值相加，以得到云环境中的总像素值；
[0072] （4-2）计算每个计算节点上平均处理像素的个数=云环境中的总像素值/云环境中计算节点的个数，该个数即为像素平均值R；
[0073] （4-3）判断每个计算节点上图像的总像素值与像素平均值之间的像素差值是大于0还是小于0，如果是则表示该计算节点是供应计算节点，且该计算节点的像素差值对应大小的图片会被分发到其他计算节点上（即该计算节点需要向其他计算节点发送图片），然后进入（4-4），否则表示该计算节点是需求计算节点，且该计算节点的像素差值对应大小的图片需要由其他邻近的计算节点提供（即该计算节点需要接受来自其他计算节点的图片），然后进入步骤（4-4）；
[0074] （4-4）根据云环境中每个计算节点总像素值、计算节点的个数、各个计算节点的网络状况建立优化表达式，以确定供应计算节点应供应的像素的个数和接收这些图像像素的计算节点；具体而言，该优化表达式的优化目标为：第一，使云环境中计算节点上的总像素数与像素平均值相差的绝对值之和最小；第二，保证图像数据在各计算节点之间的传输消耗最小的网络带宽。该优化表达式的形式如下所示：
[0075]
[0076]
[0077] Pi,Qi,Ui,Vi,R,Sij∈N+i=1,2,...,M,j=1,2,...,N,δij∈R+
[0078] 其中M1为供应计算节点的总数，N1为需求计算节点的总数，Pi为M1个供应计算节点中第i个供应计算节点在供应像素之前所存储图像的总像素值（其中i为0至M1之间的正整数），Qi为M1个供应计算节点中第i个供应计算节点供应的像素值，Uj为N1个需求计算节点中第j个需求计算节点在接收像素供应之前所存储图像的总像素值（其中j为0至N1之间的正整数），Vj为N1个需求计算节点中第j个需求计算节点接收的像素值，Sij为第i个供应计算节点向第j个需求计算节点供应的像素值，δij为第i个供应计算节点与第j个需求计算节点之间传递单位像素所消耗的网络带宽，λ为调节因子，其取值范围为0到1之间；
[0079] （5）对于云环境中每个供应计算节点，根据供应计算节点应供应像素的个数和该供应计算节点上每张图像的像素值，获得被传输图像的ID与传输的目的计算节点ID，其计算式如下所示：
[0080]
[0081] σia∈{0,1},Xia∈N+
[0082] 其中Xia表示第i个供应计算节点上第a张图像所对应的图像像素大小，F表示第i个供应计算节点上图像的总张数，σia表示i个供应计算节点上第a张图像是否被传输到第j个需求计算节点，若计算得到的σia等于0，则表示a为该供应计算节点上被传输的图像ID，而j为被传输图像a的目的计算节点ID，并同时建立传输的图像ID与目的计算节点ID之间的映射关系，然后进入步骤（5），否则表示第i个供应计算节点上第a张图像不需要被传输，然后进入步骤（5）；
[0083] （6）对于云环境中每个供应计算节点，根据被传输的图像ID与目的计算节点ID之间的映射关系，将图像ID所对应的被传输的图像从供应计算节点传输到目的计算节点ID所对应的需求计算节点；
[0084] （7）根据图像传输的结果，重新建立图像数据库中每张图像ID与存储该图像的计算节点ID之间的映射关系；
[0085] （8）在每个计算节点上，利用多核或众核等并行处理器，对该计算节点上存储的所有图像并行地进行特征兴趣点检测；
[0086] （9）根据每个计算节点上每张图像的特征兴趣点的个数，获得每个计算节点上的总特征兴趣点个数；
[0087] （10）根据每个计算节点的总特征兴趣点数、计算节点的个数再次确定供应计算节点、供应计算节点应供应的图片和接收这些图片的计算节点；如图3所示，本步骤具体包括以下子步骤：
[0088] （10-1）将各个计算节点上的总特征兴趣点数相加，以得到云环境中的总特征兴趣点数；
[0089] （10-2）计算每个计算节点上平均处理图像特征兴趣点的个数=云环境中的总特征兴趣点数/云环境中计算节点的个数，该个数即为平均特征兴趣点数；
[0090] （10-3）判断每个计算节点上图像的总特征兴趣点数与平均特征兴趣点数之间的差值是大于0还是小于0，如果是则表示该计算节点是供应计算节点，且该计算节点的特征兴趣点差值对应大小的图片会被分发到其他计算节点上（即该计算节点需要向其他计算节点发送图片），然后进入（10-4），否则表示该计算节点是需求计算节点，且该计算节点的特征兴趣点差值对应大小的图片需要由其他邻近的计算节点提供（即该计算节点需要接受来自其他计算节点的图片），然后进入（10-4）；
[0091] （10-4）根据云环境里每个计算节点的总特征兴趣点数、计算节点的个数、各个计算节点的网络状况，建立优化表达式，确定供应计算节点应供应的特征兴趣点的个数和接收这些特征兴趣点的计算节点。该优化表达式的优化目标为：第一，使云环境中计算节点上的总特征兴趣点数与平均特征兴趣点数相差的绝对值之和最小；第二，保证图像数据在各计算节点之间的传输消耗最小的网络带宽。该优化表达式的形式如下所示：
[0092]
[0093]
[0094] Am,Bm,Cn,Dn,E,Hmn∈N+m=1,2,...,M2,n=1,2,...,N2,ψmn∈R+
[0095] 其中Am为M2个供应计算节点中第m个供应计算节点在供应特征兴趣点之前所存储图像的总特征兴趣点数。Bm为M2个供应计算节点中第m个供应计算节点供应的特征兴趣点数，Cn为N2个需求计算节点中第n个需求计算节点在接收供应之前所存储图像的总特征兴趣点数，Dn为N2个需求计算节点中第n个需求计算节点接收的特征兴趣点数，Hmn为第m个供应计算节点向第n个需求计算节点供应的特征兴趣点数，ψmn为第m个供应计算节点与第n个需求计算节点之间传递单位特征兴趣点所消耗的网络带宽，μ为三个优化项的调节因子，其取值范围为0到1之间；
[0096] （11）对于云环境中每个供应计算节点，根据供应计算节点应供应特征兴趣点的个数和每张图像特征兴趣点的个数，计算被传输图像的ID与传输的目的计算节点ID，其计算式如下所示：
[0097]
[0098] ζib∈{0,1},Ymb∈N+
[0099] 其中Ymb表示第m个供应计算节点上第b张图像所对应的图像像素大小，G为表示第m个供应计算节点上图像的总张数，ζmb表示m个供应计算节点上第b张图像是否被传输到第n个需求计算节点，若计算得到的ζmb等于0，则表示b为该供应计算节点上被传输的图像ID，而n为被传输图像b的目的计算节点ID，并同时建立传输的图像ID与目的计算节点ID之间的映射关系，然后进入步骤（12），否则表示第m个供应计算节点上第b张图像不需要被传输，然后进入步骤（12）；
[0100] （12）对于云环境中每个供应计算节点，根据被传输的图像ID与目的计算节点ID之间的映射关系，将图像ID所对应的被传输的图像从供应计算节点传输到目的计算节点ID所对应的需求计算节点；
[0101] （13）图像传输完成后，根据每个计算节点存储的图像，再次建立图像数据库中每张图像ID和计算节点ID之间的映射关系；
[0102] （14）并行地提取云环境中每个计算节点上每张图像的局部特征，并建立图像数据库中每张图像ID与提取的局部特征之间的映射关系，以得到并输出最终的该图像数据库的局部特征提取的结果。
[0103] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
