所述处理模块：用于灰度化图像，生成特征指纹，合成全指纹；首先进行统一基准划 定，对图像进行灰度化，对于不同的特征算法，灰度化的数据也不相同，然后利用特征提取 算法，结合图像处理与优化过程，实现各特征点特征指纹的生成，分别利用汉明距离，巴氏 因子系数值以及RGB三维数组值作为指纹标识，将结果存储在特定的全指纹数据结构中； 处理模块利用Hadoop的Map/Reduce模型设计分布式计算节点； 所述分析模块：完成图像指纹段的轮询匹配；包括指纹段切割、分片、构建分布式特征 节点，将指纹段挂载到相应特征节点，设定轮询时间与方法，通过轮询匹配算法，得出指纹 匹配度标识； 所述数据模块：利用Hadoop的分布式存储平台，完成图像及相关数据的存储，建立图 像数据中心；图像数据包括图像信息、指纹信息、匹配信息、图像存取信息以及其他信息。
[0020] 与现有技术相比，本发明的优点是： 1、 该方法能够在图像数据量达到较大级别时，也能保持一定的识别度，并且保证识别 的速度在可控范围内。在保证分布式存储和计算负荷下，通过扩展计算与存储接节点，优化 算法流程，可以进一步逼近图像识别效果； 2、 在图像识别中，将灰度化作为图像特征提取的基准，能够为图像多重特征提取提供 数据分析的基础，其中的轮廓、纹理、色彩特征，是图像中的主要特征点，通过灰度化量化， 从而建立数学计算模型，运用图像提取算法，达到很好的匹配度； 3、 本发明利用分布式可扩展性好和健壮性强的优势，很好的契合了图像识别算法发展 趋势。为了实现扩展的需求，可以从三个角度入手，首先，发掘新的图像特征形式，建立新的 匹配特征点；其次，对图像特征点细化，完善单一特征点的匹配点数量；另外，通过对匹配 点分析数据进行扩展，可以提高匹配的精确度，可以很好的契合特征值富化的方向发展趋 势。
【附图说明】
[0021] 下面结合附图及实施例对本发明作进一步描述： 图1为本发明基于灰度的分布式图像底层特征识别系统的总体架构图； 图2为本发明基于灰度的分布式图像底层特征识别系统的层次结构图； 图3为本发明基于灰度的分布式图像底层特征识别方法的图像全指纹数据结构组成 示意图； 图4为本发明基于灰度的分布式图像底层特征识别方法的图像轮廓算法流程图； 图5为本发明基于灰度的分布式图像底层特征识别方法的图像纹理算法流程图； 图6为本发明基于灰度的分布式图像底层特征识别方法的图像色彩算法流程图； 图7为本发明基于灰度的分布式图像底层特征识别方法的指纹生成计算节点的分配 示意图； 图8为本发明基于灰度的分布式图像底层特征识别方法的指纹轮询匹配的实现示意 图。
【具体实施方式】
[0022] 为使本发明的目的、技术方案和优点更加清楚明了，下面结合【具体实施方式】并参 照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发 明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本 发明的概念。
[0023] 实施例： 结合附图和【具体实施方式】对本发明作进一步说明： 如图1所示，本发明实施方式中的基于灰度的分布式图像底层特征系统包括采用客户 端、前后端服务器以及云图像数据存储。在整个系统的架构中主要的组成部分包括客户端、 服务器端以及数据中心这三大部分，其中服务器端分为前端和后端，分别对应于逻辑判断 模块和数据分析模块。
[0024] 在本系统架构中，客户端为应用层，基于图像识别模型的实际应用场景，有移动应 用客户端，图像搜索，图物联网三个主体应用。
[0025] 其中移动应用客户端，将实现一个上衣、下装、鞋类的服饰类应用app，实现以及Android的移动应用；图像搜索主要是为通过系统所获取的图像资源，建立索引库，从而为 数据分析与挖掘提供快速索引；图物联网将连接图像与现实物品，完成从虚连到实连的通 道，打通线上线下两部分，物联网部分将结合RFID技术与NFC相关应用实现。
[0026] 在服务器端，前端完成图像数据的入口与出口，并进行逻辑判断，然后交由后端服 务器进行数据分析。其中，主要逻辑判断包括需求分析、任务分配、数据提交、预处理以及结 果反馈。后端服务器包括图像主要特征(轮廓、纹理、色彩)等特征指纹的生成以及指纹段匹 配核心算法功能。在后端的核心算法中，将结合自定义的全指纹数据结构，实现前后端服务 器的共享数据结构，数据分析中将采用分布式方式实现指纹段生成以及指纹端轮询匹配算 法。服务器端使用Linux+ApacheTomcat完成服务端搭建。
[0027] 在数据中心部分，主要是数据的存储以及相关的数据整合工作，利用数据叠层有 序的分布式存储相关图像资源及信息，此外结合Nutch和Hadoop建立分布式爬虫索引，人 机交互，以及数据挖掘的知识对海量数据进行管理。
[0028] 系统的具体处理步骤如下： 一、图像数据入口（客户端，分布式爬虫） 1) 客户端拍照，上传图片数据； 2) 构建Web爬虫爬取网页图片数据。
[0029] 二、图像分布式计算处理，生成"指纹"库 1) 图像预处理、清洗、优化（图像细化，DCT变换，双线性图像放缩）； 2) 图像指纹一一指纹段设计(依据轮廓、纹理、颜色特征）； 3) 将图像挂载特征计算节点，根据特征算法生成指纹段； 4) 合成图像原始信息，底层特征，生成全指纹。
[0030] 三、分布式轮询"指纹"匹配计算节点 1) 将图像及全指纹数据上传； 2) 切割指纹数据段，部署到对应特征计算节点； 3) 轮询匹配图像特征指纹段； 4) 图像指纹匹配度一一匹配度标识设计； 5) 输出匹配结果； 6) 将图像和图像指纹数据传至共建云图片数据库。
[0031] 四、图像数据出口（客户端，共建云图片数据库） 1) 返回图片识别结果及相关说明； 2) 上传图片资源在云图片数据库归档。
[0032] 图2为本发明系统的层次结构图，主要是提取层、处理层、分析层以及数据层。
[0033] 提取层：即图像的入口，包括本地与云端的数据提取，本地的图像数据提取包括： 从应用客户端获取的图像资源，在移动客户端上可以上传存储卡上下载或者保存的图像， 也可以通过手机相机拍照，以及其他方式获取的图像资源。云端的图像数据来源主要是构 建的分布式爬虫，基于Hadoop+Nutch框架，10数据流，包括HttpClientAPI以及开源的网 页解析框架，构建一个分布式的网络图像爬取的框架，从而提供大数据量的图像资源。
[0034] 处理层：主要是三大部分，灰度化过程，特征指纹生成，合成全指纹。首先进行统一 基准划定，对图像进行灰度化，对于不同的特征算法，灰度化的数据也不相同，然后利用特 征提取算法，结合图像处理与优化过程，实现各特征点特征指纹的生成，分别是利用汉明距 离，相似度值（巴氏因子系数值)以及RGB三维数组值作为指纹标识，将结果存储在特定的全 指纹数据结构中。处理层利用Hadoop的Map/Reduce模型设计分布式计算节点。
[0035] 分析层：完成图像指纹段的轮询匹配。包括指纹段切割、分片、构建分布式特征节 点，将指纹段挂载到相应特征节点，设定轮询时间与方法，通过轮询匹配算法，得出指纹匹 配度标识。
[0036] 数据层：利用Hadoop的分布式存储平台，完成图像及相关数据的存储，利用分布 式易扩展的优势，建立图像数据中心。数据层的主要目的是实现图像数据的快速读取，因 此，采用分布式系统存储，保证数据的完整性和可扩展性。图像数据包括图像信息、指纹信 息、匹配信息、图像存取信息以及其他信息等。
[0037] 全指纹结构的组成示意图如图3所示。图像全指纹数据结构：主要由图像属性、图 像存储、图像全指纹、人工标识、NFC标签组成。具体包括了相关说明和各部分的详细信息。 其中图像属性包括图像的基本属性列；图像存储包括逻辑与物理存储目录；图像全指纹包 括首尾标识和轮廓、纹理、色彩指纹及其他；特征人工标识包括日志、商品信息、其他信息； NFC标签包括类别、首尾标识、内容、物理特性。
[0038] 该系统的基于灰度的分布式图像底层特征识别方法，包括如下步骤： S1:将彩色图像根据不同特征要求转化为灰度图像，保存灰度图像的灰度值、像素值、 像素坐标等数据，建立统一的特征基准； S2:设计图像指纹结构：采用字符串作为指纹存储结构，并且根据实际运行中选择最 佳字符串匹配算法，进行指纹识别； S3:图像轮廓抠图：利用蒙版抠图，确定待识别图像的轮廓特征，生成图像轮廓指纹 段； S4:图像纹理特征提取：选取图像主要特征区域，获取区域的灰度数据，利用PHash算 法，计算区域汉明距离，生成图像纹理指纹段； S5:构建三维颜色直方图：彩色图像转化为灰度图像时，保存图像的三原色信息，构建 基于三原色的三维数组，生成图像色彩的指纹段； S6:分布式指纹生成计算节点设计：根据特征算法运行需求的不同，确定算法执行步 骤，评估计算节点的数量，分布以及运算策略； S7:分布式指纹轮询匹配计算节点设计：将图像原始信息与底层特征合成，生成全指 纹；将待匹配图像指纹数据根据指纹段切割，分配到不同的匹配计算节点，通过调整相应计 算节点的数量，保证匹配时间在可允许的范围结束； S8:指纹识别匹配度标识：将多次轮询匹配的结果作为权值依据，与通过S7步骤匹配 的结果进行加权，得到匹配度，筛选出匹配结果。
[0039] 其