面向大数据图像处理的尺度空间挖掘算法及应用

葛晓叶

（山西大同大学计算机与网络工程学院，山西 大同 037009）

0 引言

简单来讲，大数据分析相比于传统的数据仓库应用，在进行使用中所展现出来的使用特性及应用功能都产生了巨大的差异性，大数据分析在使用时不仅需要对数据进行有效的处理，更重要的是要面对海量的数据，有查询、分析、复杂等多种特点[1]。而且，大数据技术本身的意义并不在于对庞大的数据信息进行全面的掌握和了解，而是对这些庞大信息中含有意义的数据能够进行更为专业化的分析收集和分类等处理。

1 大数据尺度空间构造及特性

以该空间为核心设计理论研究点，进行了各项移性特征挖掘算法的探讨。通过实验的开展所获得的具体实验结果如下：各项异性小波热源空间为核心的挖掘算法，在进行应用过程中可以进行分级使用，即算法可以对当前的数据进行分级检测[2]。所以，当前面向大数据图像处理的尺度空间挖掘算法及应用尚处于初期发展阶段，大数据非线性尺度空间具有强扩展性以及非常良好的兼容性和在未来使用过程中的应用适应性。

大数据尺度空间在进行构造过程中所应用的函数以及算法实际上都是源于当前线性尺度空间的内容，通过线性尺度空间内容进行研究内容的落实，可以更好地推算出非线性尺度空间扩散方程。大数据尺度空间挖掘是一种模仿视觉信息处理的挖掘方法，在进行使用过程中，其基本的核心思想就是在当前一个现有的数据空间中，运用一个数学空间对数据进行有效观察[3]。在该空间内部所拥有的数据内容和观察者之间的距离角度都会随着空间内部数据的变化而发生不断的变化，这样能够有效地获取动态数据信息。通过对动态分析数据进行全面的掌控，就能够有效提高数据信息的处理速度，也能够保证观察者能够更快更好地对数据信息进行全面的筛选，而且利用尺度空间分析数据。不仅能够更好地完善观察参数，更能够帮助观察者通过视觉模仿，更好地减少一些视觉误差。所以在大数据挖掘开展过程中，运用尺度空间能够更好地提高挖掘的抗干扰性，提高挖掘的稳定性。

2 大数据尺度空间融合分析算法

传统的常规数据处理方法以及技术，已经无法满足当前的数据处理要求。大数据技术在进行使用过程中，虽然提高了很多数据处理的效率，但同时也为当前带来了一定的现实难题。我国专家学者在进行研究过程中，曾表明当前的大数据在进行使用中，要想有效地完成融合数据集成，数据挖掘及数据空间分析，必须要针对当前现有的大数据技术体系进行全面的完善。而以上所提到的任何一个技术难点，同样也是当前大数据技术所面临的巨大挑战。而在大数据技术当前现有的技术体系研究工作落实过程中，如何将大数据技术进行多尺度虚拟化分布式运营，从而满足当前的数据挖掘功能，也能够更好地优化大数据技术的处理方式，这也是当前大数据技术非常重要的一个研究内容[4]。

图像结构的方向性是图像特征的重要发挥途径。所以在进行大数据尺度空间融合分析算法应用过程中，最主要的就是要观察二维小波变换。从图像数据上面更好地通过分辨率的观察了解到每一个数据方向的变化形式。大数据尺度空间融合分析算法实际上就是依据以上所提到的结构内容所形成的差异性分解方法。每一层图像均是前一层图像经过不同角度，不同尺度的模板滤波形成的。基本的图像运算也能够被当前尺度空间内部的整体阶级有针对性进行执行。

本文在进行研究过程中所具备的整体算法步骤：第一步需要在当前整个尺度空间结构内部进行运动矢量的获取。在获取运动矢量之前，也需要通过匹配算法的描述。对运动矢量当前整体的像素精度进行全面确认。而本文所研究的算法在进行精度确认过程中，是需要通过运动矢量本身的信息进行计算。通过计算工程以及计算方式才能够更好的对像素精度进行全面的确定。第二步内容则是通过使用双线性插值。对空间内部最接近层级内核层级间半像素块儿的八个区域。进行数据的确认及数据的处获取。第三个算法则是将以上所获取到的两个数据通过。检查点进行全面对比并进行计算，将它们与当前层级及相邻两个层级中的运动矢量进行全面比较，输出最小的就是半像素精度的运动矢量[5]。

以上所提到的非线性尺度空间内的整体算法的应用，实际上是可以在数据内部运动过程中进行全面的，精准预测的。同样，整体的精准预测的功能特性也是可以在数据活动过程中进行有效提升的。大数据技术在进行使用过程中所具备的处理方式为两种，第一种为流处理，第二种是批处理。而在进行使用中所主要具备的分析方法为多尺度分析方法，而多尺度分析方法在进行使用过程中针对数据将会进行有效的空间结构设计，从而实现空间分析。然后针对分析出来的数据进行数据存储，最后再针对当前整体的数据环境进行数据挖掘。当然，多尺度分析方法也为接下来多数据领域的研究工作带来了全新的分析思路。

尺度空间的构件，为大数据技术接下来的发展奠定了良好基础。尺度空间在构建的同时也可以面向流处理和批处理模式进行使用，同时解决大数据融合与数据挖掘空间分析等多个问题。而更重要的是运用多尺度分析和尺度空间能够解决大数据技术目前所存在的一些核心问题，比如数据自然的虚拟化和分布式挖掘能力的提升[6]。

3 大数据尺度空间融合分析算法实验

针对以上所提到的算法以及大数据尺度空间在进行应用过程中，所开展的具体实验就是通过图像对比及图像分析所开展的。首先，在实验开展之前，需要提供四组图片，然后对四组图片进行融合处理。处理完成之后，需要通过不同的算法对图像内部所具备的数据信息进行全面的了解。在融合分析算法实验开展过程中，所需要注意到的则是在进行数据图像处理过程中，要依据热原大数据非线性尺度空间内容进行处理，因为本文的进行分析过程中所运用的主体尺度空间就是热原非线性尺度空间，所以在进行研究过程中需要对图像进行多次融合处理且进行多次热源定位[7]。

通过以上实验内容的开展，且每一个图片的对比可知，在热源大数据非线性尺度空间中，以高斯核函数作为热源。通过两个不同尺度图像之间的对比可知，图像之间发生了特征强化变化。具体的变化内容则是在高斯和热源的基础之上都增加了各向异性的方向小波热源。所以通过整体的算法，大数据尺度空间融合分析算法在进行使用过程中，完全能够取得良好的分析效果。因为通过大数据尺度空间再对数据进行筛选及数据挖掘过程中，能够通过空间融合分析算法，对数据进行更好地分析且进行良好的筛选，所开展的具体实验除了是以相同的图片进行处理之后进行数据挖掘以外，同样也会在数据图片上面进行特殊处理而运用。大数据非线性尺度空间在进行数据挖掘过程中，可以针对所存在的较小差异性进行全面的分析以及搜索。

4 结论

热源大数据非线性尺度空间是对多尺度分析理论和大数据相关理论的补充。简单来讲，热源大数据非线性尺度空间在进行使用过程中，是基于原有的理论数据基础所衍生出来的另一种特性的尺度空间，相比于传统尺度空间而言，无论是自身现有的开放性还是整个空间的数据动态性，都拥有着非常显著的优势，而更重要的是热源大数据非线性尺度空间在构造过程中也借用了一部分的热力学理论，所以间接也能够更好地完善当前现有的热力学理论基础。希望通过本文的分析，可以更好地为当前大数据线性尺度空间融合分析算法的研究工作提供一定的理论数据，也能够推动我国当前大数据技术的快速发展及全面应用。