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：
[0050] 目标不完整矩阵（目标损坏图像灰度变换矩阵）T:是根据指定的损坏图像，将其 进行灰度化处理后，建立的灰度数值矩阵，是一个U行，S列的矩阵，其中U是损坏图像的像 素行数，S是损坏图像的像素列数，T的每一个元素T，U，S是损坏图像的对应像素点灰度化 后的数值，
[0051] 目标已知数据集合A:由于指定图像是损坏的，对应的矩阵T是不完整的，建立目 标已知数据集合A
[0052] 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，
[0053] 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，
[0054] 图像行非负隐特征矩阵Q:是根据T的列数S，和d，建立的S行，d列的矩阵，
[0055] 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，
[0056] 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，
[0057] 提取迭代控制变量N:控制提取迭代过程的变量，
[0058] 提取迭代上限N: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，
[0059] 正则化因子A: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，
[0060] 正则化因子A: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，
[0061] 收敛判定阈值y: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。
[0062] 所述的损坏图像非负隐特征提取方法，优选的，所述S3包括：
[0063] S3-3,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。
[0064] 本步骤中，非受限损失函数e以下式表示：
[0066] 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#映射为开区间（〇，1)内的非负值，其中Sigmoid函数炉定义为：
[0068] 该函数的自变量取值范围为（_ °°，+ °° )，值域为（0, 1);对vUA，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eA和其对应逼近值的欧式距离，作为优化目标；使用TikhoNov正则化，对 优化过程进行约束；
[0069] S3-4,判断提取迭代控制变量N已达到上限N，
[0070] 本步骤中，在提取迭代控制变量N上累加1，然后判断提取迭代控制变量N是否大 于提取迭代上限N。
[0071] S3-5,判断e在A上对X和Y收敛，
[0072] 本步骤中，装置判断e在A上对X和Y收敛的依据为，本轮迭代开始前，e的数 值，对比上轮迭代开始前，e，其差的绝对值是否小于收敛判定阈值T;如果小于，则判定 为已收敛，反之，则判定为未收敛，
[0073] S3-6,用随机梯度下降法，关于X和Y对e进行迭代优化，
[0074] 本步骤中，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：
[0077] 在一轮迭代中，对，使用随机梯度下降法对中涉及到的参数进行训 练，以使e的值最小化；
[0078]S3-7,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;
[0079] 本步骤中，装置根据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：
[0081] 关于X和Y的训练过程，使e关于X和Y以Sigmoid函数穸映射的非受限损失 函数e最优，因此，用X和Y以Sigmoid函数贤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；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；
[0082]S3-8,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；
[0083] 存储至非负隐特征存储单元的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。
[0084] 综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0085] 本发明提供了一种损坏图像非负隐特征提取装置，其专门作用于损坏图像数据， 能够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，以解决针对现代大型复 杂系统中的损坏图像，进行符合统计规律的、准确度高、执行复杂度低的非负隐特征提取问 题。
[0086] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0087] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变 得明显和容易理解，其中：
[0088]图1为本发明损坏图像非负隐特征提取装置结构示意图；
[0089] 图2为损坏图像非负隐特征提取流程；
[0090] 图3为应用本发明实施例前后，进行损坏图像隐特征提取的提取准确度对比；
[0091] 图4为应用本发明实施例前后，进行损坏图像隐特征提取的执行时间对比。
【具体实施方式】
[0092] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0093] 在本发明的描述中，需要理解的是，术语"纵向"、"横向"、"上"、"下"、"前"、"后"、 "左"、"右"、"竖直"、"水平"、"顶"、"底" "内"、"外"等指示的方位或位置关系为基于附图所 示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装 置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限 制。
[0094] 在本发明的描述中，除非另有规定和限定，需要说明的是，术语"安装"、"相连"、 "连接"应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可 以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据 具体情况理解上述术语的具体含义。
[0095] 本发明提供一种损坏图像非负隐特征提取方法和装置，其专门作用于现代大型复 杂系统中的损坏图像数据，能够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，以解决针对现代大型复杂系统中的损坏图像，进行符合统计规律的、准确度高、执行复 杂度低的非负隐特征提取问题。
[0096] 图1为本发明损坏图像非负隐特征提取装置（以下简称装置）结构示意图。装置 包括：
[0097] 接收模块110 :接收服务器采集的损坏图像数据，并指示数据模块120对接收的损 坏图像数据进行存储。
[0098] 数据模块120: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；包括图像数据存储单元121，存储服务器收集的损坏图像数据；非负隐特征存储单元 122,存储装置提取的非负隐特征，以备用。
[0099] 特征提取模块130: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；包括：初始化单元131，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132,根据数据模块中，图像数据存储单元 121存储的损坏图像数据，和初始化单元131初始化的提取参数，提取损坏图像非负隐特 征；输出单元133,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122。
[0100] 本装置可部署于一个现有的服务器中，也可部署于一个单独设置的、专用于进行 损坏图像非负隐特征提取的服务器中。
[0101] 如图2所示为损坏图像非负隐特征提取流程。损坏图像非负隐特征提取流程包 括：
[0102] (1)装置接收服务器提取损坏图像非负隐特征的指令。
[0103] (2)装置初始化相关参数。
[0104] (3)装置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。
[0105] (4)装置判断提取迭代控制变量N是否已达到上限N，若是，则执行步骤（7)，否则， 执行步骤（5)。
[0106] (5)装置判断e是否在A上对X和Y收敛，若是，则执行步骤（7)，否则，执行步 骤（6)。
[0107] (6)装置使用随机梯度下降法，关于X和Y对e进行迭代优化。
[0108] (7)装置根据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。
[0109] (8)装置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122。
[0110] 本发明专门作用于损坏图像数据，能够进行符合统计规律的、准确度高、复杂度低 的损坏图像非负隐特征提取。下面，对本发明所提供的损坏图像非负隐特征提取装置和方 法进行详细说明。
[011