一种损坏图像非负隐特征提取装置和方法
【技术领域】
[0001] 本发明涉及计算机图像处理领域，尤其涉及一种损坏图像非负隐特征提取装置和 方法。
【背景技术】
[0002] 计算机图像处理是涉及计算机工程应用、多媒体信息处理、机器学习、模式识别和 人工智能应用的重要应用和研究问题，是计算机科学与工程的最主要问题之一。计算机图 像处理又包含若干研究和应用问题，其中最主要的一类问题就是图像特征提取。利用矩阵 分解技术，从指定的计算机图像中提取隐特征，以揭示图像数据中蕴含的自然规律，是实现 图像特征提取的一类主要方法。
[0003] 在计算机图像中，用来表征每一个像素点的数据，如RGB数据和灰度数据，均具备 非负特性。具体而言，以二维矩阵表示一幅计算机图像，则该矩阵中所有元素均大于等于 零。因此，在使用矩阵分解技术提取图像隐特征时，使所抽取的隐特征保持非负特性，能够 使提取的特征更好地对原始图像的非负特性进行表征，具备十分重要的应用价值。
[0004] 现有图像非负隐特征提取方法和技术，均基于非负矩阵因式分解技术。现有相关 技术在图像数据完整时，能够从中提取出非负的图像隐特征。但是，当图像数据不完整，也 就是图像数据在采集、传输、存储等过程中，由于数据丢失，而导致损坏时，则无法从中有效 地提取出非负隐特征。这是因为现有非负矩阵因式分解技术中，大部分均以完整矩阵为处 理目标，无法处理不完整的目标矩阵；而损坏图像的对应数据矩阵则是不完整的。现有非负 矩阵因式分解技术中，能够处理不完整矩阵的技术，则都是基于一个受到限制的优化过程， 对目标矩阵进行分解；此类方法虽然能够处理不完整矩阵，但是存在计算复杂度高、处理准 确度低的缺点。
[0005] 在大数据应用时代，由于应用传输的图像数据存在高速、高容量、异构的特性，在 很多情况下，传输的图像数据可能会受到不同程度的损坏。因此，如何针对现代大型复杂系 统中的损坏图像数据，进行符合统计规律的、准确度高、复杂度低的非负隐特征提取，是计 算机图像处理所需要解决的一个关键技术问题。
【发明内容】
[0006] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种损坏图 像非负隐特征提取装置和方法。
[0007] 为了实现本发明的上述目的，本发明提供了一种损坏图像非负隐特征提取装置， 其包括：
[0008] 接收模块，用于接收服务器采集的损坏图像数据，并指示数据模块对接收的损坏 图像数据进行存储；
[0009] 数据模块，用于存储由接收模块接收的损坏图像数据，以及提取的非负隐特征；图 像数据存储单元用于存储服务器收集的损坏图像数据；非负隐特征存储单元用于存储装置 提取的非负隐特征，以备用；
[0010] 特征提取模块，用于执行损坏图像非负隐特征提取过程，并将提取的非负隐特征 存入数据模块中的非负隐特征存储单元；
[0011] 所述特征提取模块包括：
[0012] 初始化单元，用于初始化损坏图像非负隐特征提取过程中涉及的相关提取参数；
[0013] 提取单元，用于根据数据模块中，图像数据存储单元存储的损坏图像数据，和初始 化单元初始化的提取参数，提取损坏图像非负隐特征；
[0014] 输出单元，用于将提取单元提取的损坏图像非负隐特征，存储至数据模块中的非 负隐特征存储单元。
[0015] 所述的损坏图像非负隐特征提取装置，优选的，所述初始化单元包括：
[0016] 初始化损坏图像非负隐特征提取过程中涉及的相关提取参数，包括目标不完整矩 阵T、目标已知数据集合A、隐特征空间维数d、图像行非负隐特征矩阵P、图像列非负隐特 征矩阵Q、图像行特征映射矩阵X、图像列特征映射矩阵Y、提取迭代控制变量N、提取迭代上 限N、学习速率n、正则化因子A和收敛判定阈值y;其中，隐特征空间维数d是控制输出 的非负隐特征维数的变量，初始化为正整数；图像行非负隐特征矩阵P是根据T的行数U， 和d，建立的U行，d列的矩阵，其中每个元素初始化为0 ;图像列非负隐特征矩阵Q是根据 T的列数S，和d，建立的S行，d列的矩阵；图像行特征映射矩阵X是根据T的行数U，和d， 建立的U行，d列的矩阵；图像行特征映射矩阵Y是根据T的列数S，和d，建立的S行，d列 的矩阵；提取迭代控制变量N是控制提取迭代过程的变量；提取迭代控制变量N上限是控 制提取迭代过程中，迭代次数上限的变量，初始化为正整数；正则化因子A是控制提取迭 代过程中，对X和Y进行优化训练的步长的常数；正则化因子A是控制提取迭代过程中，对 应P和Q相关元素的正则化项的正则化效应的常数；收敛判定阈值Y是判断提取迭代过程 是否已收敛的阈值参数，初始化为极小正数。
[0017] 所述的损坏图像非负隐特征提取装置，优选的，所述提取单元包括：
[0018] 根据数据模块中图像数据存储单元存储的损坏图像数据，和初始化单元初始化的 提取参数，提取损坏图像非负隐特征，包括图像行非负隐特征矩阵P和图像列非负隐特征 矩阵Q;提取损坏图像非负隐特征进一步包括，对目标损坏图像的灰度变换矩阵T的已知数 据集合A，关于图像行特征映射矩阵X和图像列特征映射矩阵Y，构造非受限损失函数e， 以下式表示：
[0020] 即将图像行特征映射矩阵X和图像列特征映射矩阵Y中的所有元素，通过Sigmoid 函数炉映射为开区间（〇，1)内的非负值，其中Sigmoid函数炉定义为：
[0022] 该函数的自变量取值范围为（-°°，+ °° )，值域为（0,I);对白A，使用图 像行特征映射矩阵X和图像列特征映射矩阵Y映射后的对应行向量的内积对其进行逼近； 在A上建立.Gil和其对应逼近值的欧式距离，作为优化目标；使用正则化，对优化 过程进行约束；
[0023] 然后，使用随机梯度下降法，关于X和￥对e进行迭代优化，以如下公式表示：
[0026] 即在一轮迭代中，对VCA，使用随机梯度下降法对X和Y中涉及到的参数进行 训练，以使e的值最小化；
[0027] 在A上重复上述优化训练过程，直至e在A上对X和Y收敛，收敛判定条件为 提取迭代控制变量N增加已达到上限N，或者本轮迭代开始前，e的数值，对比上轮迭代开 始前，e其差的绝对值已经小于收敛判定阈值Y;
[0028] 然后，根据X和Y，计算图像行非负隐特征矩阵P和图像列非负隐特征矩阵Q;以如 下公式表示：
[0030] 关于X和Y的训练过程，使e关于X和Y以Sigmoid函数伊映射的非受限损失 函数e最优，因此，用X和Y以Sigmoid函数伊映射后的值作为图像行非负隐特征矩阵P 和图像列非负隐特征矩阵Q的值以上述方式构造的P和Q满足非负性，对T的已知元素集 合A的良好表征。
[0031] 所述的损坏图像非负隐特征提取装置，优选的，所述输出单元包括：
[0032] 将提取的图像行非负隐特征矩阵P和图像列非负隐特征矩阵Q输出，存至数据模 块的非负隐特征存储单元。
[0033] 本发明还公开一种损坏图像非负隐特征提取方法，其包括如下步骤：
[0034] S1，接收模块接收服务器采集的损坏图像数据，并指示数据模块对接收的损坏图 像数据进行存储；
[0035] S2,数据模块存储由接收模块接收的损坏图像数据，以及装置提取的非负隐特征； 图像数据存储单元存储服务器收集的损坏图像数据；非负隐特征存储单元存储装置提取的 非负隐特征，以备用。
[0036] S3特征提取模块执行损坏图像非负隐特征提取过程，并将提取的非负隐特征存入 数据模块中的非负隐特征存储单元；初始化单元初始化损坏图像非负隐特征提取过程中涉 及的相关提取参数；提取单元根据数据模块中，图像数据存储单元存储的损坏图像数据，和 初始化单元初始化的提取参数，提取损坏图像非负隐特征；输出单元将提取单元提取的损 坏图像非负隐特征，存储至数据模块中的非负隐特征存储单元。
[0037] 所述的损坏图像非负隐特征提取方法，优选的，所述S2包括：
[0038] S2-1，接收服务器提取损坏图像非负隐特征的指令；
[0039] S2-2,初始化相关参数；
[0040] S2-3,对损坏图像的灰度变换矩阵T的已知数据集合A，关于图像行特征映射矩 阵X和图像列特征映射矩阵Y，构造非受限损失函数e;
[0041] S2-4,判断提取迭代控制变量N是否已达到上限N，若是，则执行S2-7,否则，执行 S2-5 ；
[0042] S2-5,判断e是否在A上对X和Y收敛，若是，则执行S2-7,否则，执行S2-6 ;
[0043] S2-6,使用随机梯度下降法，关于X和Y对e进行迭代优化。
[0044] S2-7,根据X和Y，计算图像行非负隐特征矩阵P和图像列非负隐特征矩阵Q;
[0045] S2-8,将提取的图像行非负隐特征矩阵P和图像列非负隐特征矩阵Q输出，存至非 负隐特征存储单元。
[0046] 所述的损坏图像非负隐特征提取方法，优选的，所述S3包括：
[0047] S3-1，接收服务器提取损坏图像非负隐特征的指令；
[0048] S3-2，初始化相关参数；
[0049] 初始化的参数包括：目标不完整矩阵T、目标已知数据集合A、隐特征空间维数d、 图像行非负隐特征矩阵P、图像列非负隐特征矩阵Q、图像行特征映射矩阵X、图像列特