场景图像分类是图形图像工作范畴的重要组成部分。分类算法的性能对解决场景图像分类问题起关键性作用。大数据时代,场景图像数量日益递增,图像特征维度井喷式增长,面对海量图像数据,传统的图像分类算法计算量急剧增大、时间性能骤然下降,难以适用于海量高维场景图像数据的处理。针对上述情况,本文设计和实现了一种基于MapReduce并行编程模型的场景图像分类原型系统。首先采用主成分分析法(Principal Component Analysis,PCA)对提取的场景图像的尺度不变特征变换(Scale-invariant feature transform,SIFT)特征进行降维处理,然后对降维后的特征采用随机森林(Random Forest,RF)算法进行分类。所有算法都采用MapReduce并行编程模型进行了并行化设计。主要研究成果如下:(1)提出了一种基于MapReduce并行编程模型的PCA-SIFT场景图像特征提取算法。该算法采用PCA算法对并行提取的场景图像的SIFT特征进行了降维处理。使用Sun Database场景图像数据库和实验室自建的煤矿场景图像数据库进行实验,实验证明本文提出的算法SIFT特征点检测效果明显,运行效率大幅提升,处理大规模图像数据集时,系统加速比呈线性增长的趋势,充分说明了算法在处理大规模场景图像数据的有效性。(2)采用Hadoop平台,给出了一种基于随机森林算法的场景图像并行分类算法。该算法包括学习和预测两部分,学习进程主要是通过生成多棵决策树来构建随机森林,预测进程则利用构建好的随机森林对输入的场景图像特征矩阵进行投票分类,算法基于MapReduce并行编程模型实现。经验证,该算法在Hadoop平台下,可伸缩性强且具有一定的可扩展性,性能良好。(3)根据上述实验过程,设计并开发了海量场景图像分类原型系统,实现了对大量场景图像数据的高效分类。