CN103679715B - 一种基于非负矩阵分解的手机图像特征提取方法 - Google Patents

Abstract

本发明公开了一种基于非负矩阵分解的手机图像特征提取方法，特点是包括以下步骤：①获取用于表示手机任意一个主功能的界面图片，在该界面图片上截取多幅用于表示主功能的不同子功能的特征子图并进行预处理，得到对应的预处理后的尺寸大小一致的图像，然后将每幅预处理后的图像按列扫描形成一个M维的列向量，接着将所有预处理后的图像对应的列向量按序排列构成一个待分解矩阵V；②对V进行稀疏非负矩阵分解，得到一个基矩阵W和一个系数矩阵H；优点是通过对预处理后的图像进行稀疏非负矩阵分解，降低了数据计算量，分解得到的矩阵是具有合适的稀疏性的稀疏矩阵，因此在保留数据的主要特征的基础上能够减少储存空间并提高运算效率。

Description

一种基于非负矩阵分解的手机图像特征提取方法

技术领域

本发明涉及一种图像特征提取方法，尤其是涉及一种基于非负矩阵分解的手机图像特征提取方法。

背景技术

随着科学技术的快速发展，非负矩阵分解已逐渐成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。非负矩阵分解使得分解后的所有分量均为非负值，并且同时实现了非线性的维数约减。传统的非负矩阵分解算法包括LNMF法、CNMF法、NSC法和SNMF法。然而，这些传统的非负矩阵分解算法并不适用于手机图像的处理，这是因为手机图像数据量大，各种应用图标特征比较特别，需要能保留图像的大致特征、得出来的数据具有可观性且效率高的算法。因此，需要研究一种基于非负矩阵分解算法的手机图像处理方法。

发明内容

本发明所要解决的技术问题是提供一种运算效率高、存储空间小且对大规模数据处理速度快的基于非负矩阵分解的手机图像特征提取方法。

本发明解决上述技术问题所采用的技术方案为：一种基于非负矩阵分解的手机图像特征提取方法，包括以下步骤：

①获取用于表示手机任意一个主功能的界面图片，在该界面图片上截取多幅用于表示主功能的不同子功能的特征子图，对这些特征子图进行预处理，得到对应的预处理后的图像，且这些特征子图各自对应的预处理后的图像的尺寸大小一致，然后将每幅预处理后的图像按列扫描形成一个M维的列向量，接着将所有预处理后的图像对应的列向量按序排列构成一个待分解矩阵，记为V，V=[v₁,…,v_i,…,v_N]，其中，M=W'×H'，W'表示预处理后的图像的宽度，H'表示预处理后的图像的高度，V的维数为M×N，v₁表示第1幅预处理后的图像对应的列向量，v_i表示第i幅预处理后的图像对应的列向量，v_N表示第N幅预处理后的图像对应的列向量，1≤i≤N，N表示截取的特征子图的总幅数；

②对V进行稀疏非负矩阵分解，得到一个M×R维的包含图像特征的基矩阵W和一个R×N维的系数矩阵H，V=W×H，其中，

所述的步骤②的具体过程为：

②-1、令W表示V稀疏非负矩阵分解后得到的包含图像特征的基矩阵，令H表示V稀疏非负矩阵分解后得到的系数矩阵，并令S_W表示W的稀疏度，令S_H表示H的稀疏度；

②-2、给定S_W和S_H的初始值，然后判断S_W的初始值是否为0，如果是，则将W初始化为一个稀疏度任意的随机矩阵，否则，将W初始化为一个稀疏度为给定的初始值的随机矩阵；同样判断S_H的初始值是否为0，如果是，则将H初始化为一个稀疏度任意的随机矩阵，否则，将H初始化为一个稀疏度为给定的初始值的随机矩阵；

②-3、根据步骤②-2确定的W和H，计算初始目标函数值，记为E_old，E_old=||V-WH||₂，其中，符号“|| ||₂”为2-范数符号；

②-4、判断W的稀疏度是否为0，如果是，则根据W'=W×(VH^T)/(WHH^T)更新W，得到更新后的基矩阵W'，然后执行步骤②-5；否则，根据W'=W-μ_W(WH-V)H^T更新W，得到更新后的基矩阵W'，然后对W'进行映射，得到映射后的基矩阵，记为W''，接着令W'=W''，再执行步骤②-5；其中，W'=W''中的“=”为赋值符号，H^T为H的转置矩阵，μ_W表示步长，μ_W>0且μ_W是一个较小的常数；

②-5、判断H的稀疏度是否为0，如果是，则根据H'=H×(W^TV)/(W^TWH)更新H，得到更新后的系数矩阵H'，然后执行步骤②-6；否则，根据H'=H-μ_HW^T(WH-V)更新H，得到更新后的系数矩阵H'，然后对H'进行映射，得到映射后的系数矩阵，记为H''，接着令H'=H''，再执行步骤②-6；其中，H'=H''中的“=”为赋值符号，W^T为W的转置矩阵，μ_H表示步长，μ_H>0且μ_H是一个较小的常数；

②-6、令W=W'，并令H=H'，然后计算新目标函数值，记为E_new，E_new=||V-WH||²，其中，W=W'和H=H'中的“=”为赋值符号；

②-7、计算E_new与E_old的差值，记为ε，ε=E_new-E_old，然后判断ε是否达到预先设置的表示无穷小的值，如果达到，则结束，得到最终的M×R维的包含图像特征的基矩阵W和最终的R×N维的系数矩阵H，否则，返回步骤②-4继续执行。

所述的步骤②-4中μ_W的取值范围为0.01～10；所述的步骤②-5中μ_H的取值范围为0.01～10。

所述的步骤②-4中对W'进行映射的具体过程为：

②-4-1、分别获取与W'中的每列列向量欧式距离最近的列向量：设置一个初始列向量s_i，s_i=w_i'+(λ₁-∑w_i')/dim(w_i')，其中，1≤i≤R，λ₁=||w_i'||₁，||w_i'||₁表示w_i'的1-范数，即λ₁=∑|w_i'|，dim(w_i')表示w_i'的维数，即dim(w_i')=M；

②-4-2、设置一个初始状态为空集的集合Z，并设置一个R维的中间列向量m，将该中间列向量m中的第j个元素记为m_j，其中，1≤j≤R；

②-4-3、令其中，dim(Z)表示集合Z的维数；

②-4-4、根据s_i'=m_j+α(w_i'-m_j)更新s_i，得到更新后的列向量s_i'，其中，α为迭代系数，且real为取实部函数，a=∑(s_i-ones(M,1)×λ₁/(M-dim(Z)))²，ones(M,1)为M×1阶元素全部为1的矩阵，b=2×[s_i-ones(M,1)×λ₁/(M-dim(Z))]^T×s_i，c=∑s_it ²-λ₂，s_it为s_i中的第t个元素，1≤t≤M，λ₂表示w_i'的2-范数；然后令s_i=s_i'，其中，s_i=s_i'中的“=”为赋值符号；

②-4-5、判断更新后的s_i中的所有元素是否均为非负，如果是，则将更新得到的s_i作为需要求得的W''的第i列列向量，并结束；否则，将更新后的s_i中所有小于0的元素中的第h个元素记为s_ih，并令Z=Z∪{h：s_ih<0}，且令s_ih=0，然后执行步骤②-4-6，其中，Z=Z∪{j：s_ij<0}中的“=”为赋值符号，“∪”为并集运算符号，1≤h≤H，H表示s_i中所有小于0的元素的总个数，{h：s_ih<0}表示s_i中所有小于0的元素的集合；

②-4-6、将更新后的s_i中所有大于0的元素中的第k个元素记为s_ik，并根据s_ik'=s_ik-s'更新s_ik，其中，1≤k≤K，K表示s_i中所有大于0的元素的总个数，s'=(∑s_ik-λ₁)/(dim(w_i')-dim(Z))；然后令s_ik=s_ik'，其中，s_ik=s_ik'中的“=”为赋值符号；再返回步骤②-4-3继续迭代。

所述的步骤②-5中对H'进行映射的具体过程与所述的步骤②-4中对W'进行映射的具体过程相同。该映射保证了能够得到响应稀疏度的最近向量，使得求解目标的稀疏度得到精确地控制，且计算过程简单易实现，提升了算法结果的灵活性，可根据需要进行合理设置。

所述的步骤②-7中预先设置的表示无穷小的值为1×10^-7。

与现有技术相比，本发明的优点在于：对于手机任意一个主功能的界面图片，在每张界面图片内截取多幅用于表示主功能的不同子功能的特征子图，对这些特征子图进行预处理，得到对应的预处理后的图像，再对预处理后的图像进行稀疏非负矩阵分解，降低了数据计算量，分解得到的结果比较直观，而且采用稀疏非负矩阵分解的方法使得分解得到的矩阵是具有合适的稀疏性的稀疏矩阵，因此在保留数据的主要特征的基础上能够减少储存空间、提高运算效率，并且有利于对大规模数据进行快速处理。

附图说明

图1为本发明的处理过程流程图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

一种基于非负矩阵分解的手机图像特征提取方法，包括以下步骤：

①获取用于表示手机任意一个主功能的界面图片，在该界面图片上截取多幅用于表示主功能的不同子功能的特征子图，对这些特征子图进行预处理，得到对应的预处理后的图像，且这些特征子图各自对应的预处理后的图像的尺寸大小一致，然后将每幅预处理后的图像按列扫描形成一个M维的列向量，接着将所有预处理后的图像对应的列向量按序排列构成一个待分解矩阵，记为V，V=[v₁,…,v_i,…,v_N]，其中，M=W'×H'，W'表示预处理后的图像的宽度，H'表示预处理后的图像的高度，V的维数为M×N，v₁表示第1幅预处理后的图像对应的列向量，v_i表示第i幅预处理后的图像对应的列向量，v_N表示第N幅预处理后的图像对应的列向量，1≤i≤N，N表示截取的特征子图的总幅数。

②对V进行稀疏非负矩阵分解，得到一个M×R维的包含图像特征的基矩阵W和一个R×N维的系数矩阵H，V=W×H，其中，

步骤②的具体过程为：

②-1、令W表示V稀疏非负矩阵分解后得到的包含图像特征的基矩阵，令H表示V稀疏非负矩阵分解后得到的系数矩阵，并令S_W表示W的稀疏度，令S_H表示H的稀疏度。W代表所处理的数据的基础，H代表单组数据在整个基础数据上面的投影系数值。

②-2、给定S_W和S_H的初始值，然后判断S_W的初始值是否为0，如果是，则将W初始化为一个稀疏度任意的随机矩阵，否则，将W初始化为一个稀疏度为给定的初始值的随机矩阵；同样判断S_H的初始值是否为0，如果是，则将H初始化为一个稀疏度任意的随机矩阵，否则，将H初始化为一个稀疏度为给定的初始值的随机矩阵。基矩阵W和系数矩阵H的稀疏度可以自由选择，经过试验之后确定最合适的分别作为，得到的结果对有效数据的保留增大了可能性。

②-3、根据步骤②-2确定的W和H，计算初始目标函数值，记为E_old，E_old=||V-WH||₂，其中，符号“|| ||₂”为2-范数符号。

②-4、判断W的稀疏度是否为0，如果是，则根据W'=W×(VH^T)/(WHH^T)更新W，得到更新后的基矩阵W'，然后执行步骤②-5；否则，根据W'=W-μ_W(WH-V)H^T更新W，得到更新后的基矩阵W'，然后对W'进行映射，得到映射后的基矩阵，记为W''，接着令W'=W''，再执行步骤②-5；其中，W'=W''中的“=”为赋值符号，H^T为H的转置矩阵，μ_W表示步长，μ_W的取值范围为0.01～10。在具体实施过程中可以取μ_W的值为1。

步骤②-4中对W'进行映射的具体过程为：

②-4-1、分别获取与W'中的每列列向量欧式距离最近的列向量：设置一个初始列向量s_i，s_i=w_i'+(λ₁-∑w_i')/dim(w_i')，其中，1≤i≤R，λ₁=||w_i'||₁，||w_i'||₁表示w_i'的1-范数，即λ₁=∑|w_i'|，dim(w_i')表示w_i'的维数，即dim(w_i')=M。

②-4-2、设置一个初始状态为空集的集合Z，并设置一个R维的中间列向量m，将该中间列向量m中的第j个元素记为m_j，其中，1≤j≤R。

②-4-3、令其中，dim(Z)表示集合Z的维数。

②-4-4、根据s_i'=m_j+α(w_i'-m_j)更新s_i，得到更新后的列向量s_i'，其中，α为迭代系数，且real为取实部函数，a=∑(s_i-ones(M,1)×λ₁/(M-dim(Z)))²，ones(M,1)为M×1阶元素全部为1的矩阵，b=2×[s_i-ones(M,1)×λ₁/(M-dim(Z))]^T×s_i，c=∑s_it ²-λ₂，s_it为s_i中的第t个元素，1≤t≤M，λ₂表示w_i'的2-范数；然后令s_i=s_i'，其中，s_i=s_i'中的“=”为赋值符号。

②-4-5、判断更新后的s_i中的所有元素是否均为非负，如果是，则将更新得到的s_i作为需要求得的W''的第i列列向量，并结束；否则，将更新后的s_i中所有小于0的元素中的第h个元素记为s_ih，并令Z=Z∪{h：s_ih<0}，且令s_ih=0，然后执行步骤②-4-6，其中，Z=Z∪{j：s_ij<0}中的“=”为赋值符号，“∪”为并集运算符号，1≤h≤H，H表示s_i中所有小于0的元素的总个数，{h：s_ih<0}表示s_i中所有小于0的元素的集合。

②-4-6、将更新后的s_i中所有大于0的元素中的第k个元素记为s_ik，并根据s_ik'=s_ik-s'更新s_ik，其中，1≤k≤K，K表示s_i中所有大于0的元素的总个数，s'=(∑s_ik-λ₁)/(^dim(w_i')-dim(Z))；然后令s_ik=s_ik'，其中，s_ik=s_ik'中的“=”为赋值符号；再返回步骤②-4-3继续迭代。

②-5、判断H的稀疏度是否为0，如果是，则根据H'=H×(W^TV)/(W^TWH)更新H，得到更新后的系数矩阵H'，然后执行步骤②-6；否则，根据H'=H-μ_HW^T(WH-V)更新H，得到更新后的系数矩阵H'，然后对H'进行映射，得到映射后的系数矩阵，记为H''，接着令H'=H''，再执行步骤②-6；其中，H'=H''中的“=”为赋值符号，W^T为W的转置矩阵，μ_H表示步长，μ_H的取值范围为0.01～10，步骤②-5中对H'进行映射的具体过程与步骤②-4中对W'进行映射的具体过程相同。在具体实施过程中可取μ_H的值为1。

②-6、令W=W'，并令H=H'，然后计算新目标函数值，记为E_new，E_new=||V-WH||²，其中，W=W'和H=H'中的“=”为赋值符号；

②-7、计算E_new与E_old的差值，记为ε，ε=E_new-E_old，然后判断ε是否达到预先设置的表示无穷小的值，该表示无穷小的值为1×10^-7，如果达到，则结束，得到最终的M×R维的包含图像特征的基矩阵W和最终的R×N维的系数矩阵H，否则，返回步骤②-4继续执行。

与传统的稀疏非负矩阵分解算法相比，采用本实施方式所描述的方法，运算速度有所提高，且由于可以控制的稀疏度的自由度比较大，在保证数据主要特征不丢失的情况下，大大节省了存储空间。

Claims (3)

1.一种基于非负矩阵分解的手机图像特征提取方法，其特征在于包括以下步骤：

①获取用于表示手机任意一个主功能的界面图片，在该界面图片上截取多幅用于表示主功能的不同子功能的特征子图，对这些特征子图进行预处理，得到对应的预处理后的图像，且这些特征子图各自对应的预处理后的图像的尺寸大小一致，然后将每幅预处理后的图像按列扫描形成一个M维的列向量，接着将所有预处理后的图像对应的列向量按序排列构成一个待分解矩阵，记为V，V＝[v₁,…,v_i,…,v_N]，其中，M＝W'×H'，W'表示预处理后的图像的宽度，H'表示预处理后的图像的高度，V的维数为M×N，v₁表示第1幅预处理后的图像对应的列向量，v_i表示第i幅预处理后的图像对应的列向量，v_N表示第N幅预处理后的图像对应的列向量，1≤i≤N，N表示截取的特征子图的总幅数；

②对V进行稀疏非负矩阵分解，得到一个M×R维的包含图像特征的基矩阵W和一个R×N维的系数矩阵H，V＝W×H，其中，步骤②的具体过程为：

②-1、令W表示V稀疏非负矩阵分解后得到的包含图像特征的基矩阵，令H表示V稀疏非负矩阵分解后得到的系数矩阵，并令S_W表示W的稀疏度，令S_H表示H的稀疏度；

②-2、给定S_W和S_H的初始值，然后判断S_W的初始值是否为0，如果是，则将W初始化为一个稀疏度任意的随机矩阵，否则，将W初始化为一个稀疏度为给定的初始值的随机矩阵；同样判断S_H的初始值是否为0，如果是，则将H初始化为一个稀疏度任意的随机矩阵，否则，将H初始化为一个稀疏度为给定的初始值的随机矩阵；

②-3、根据步骤②-2确定的W和H，计算初始目标函数值，记为E_old，E_old＝||V-WH||₂，其中，符号“||||₂”为2-范数符号；

②-4、判断W的稀疏度是否为0，如果是，则根据W'＝W×(VH^T)/(WHH^T)更新W，得到更新后的基矩阵W'，然后执行步骤②-5；否则，根据W'＝W-μ_W(WH-V)H^T更新W，得到更新后的基矩阵W'，然后对W'进行映射，得到映射后的基矩阵，记为W”，接着令W'＝W”，再执行步骤②-5；其中，W'＝W”中的“＝”为赋值符号，H^T为H的转置矩阵，μ_W表示步长，μ_W的取值范围为0.01～10；

②-5、判断H的稀疏度是否为0，如果是，则根据H'＝H×(W^TV)/(W^TWH)更新H，得到更新后的系数矩阵H'，然后执行步骤②-6；否则，根据H'＝H-μ_HW^T(WH-V)更新H，得到更新后的系数矩阵H'，然后对H'进行映射，得到映射后的系数矩阵，记为H”，接着令H'＝H”，再执行步骤②-6；其中，H'＝H”中的“＝”为赋值符号，W^T为W的转置矩阵，μ_H表示步长，μ_H的取值范围为0.01～10；

②-6、令W＝W'，并令H＝H'，然后计算新目标函数值，记为E_new，E_new＝||V-WH||²，其中，W＝W'和H＝H'中的“＝”为赋值符号；

②-7、计算E_new与E_old的差值，记为ε，ε＝E_new-E_old，然后判断ε是否达到预先设置的表示无穷小的值，如果达到，则结束，得到最终的M×R维的包含图像特征的基矩阵W和最终的R×N维的系数矩阵H，否则，返回步骤②-4继续执行。

2.根据权利要求1所述的一种基于非负矩阵分解的手机图像特征提取方法，其特征在于所述的步骤②-4中对W'进行映射的具体过程为：

②-4-1、分别获取与W'中的每列列向量欧式距离最近的列向量：设置一个初始列向量s_i，s_i＝w_i'+(λ₁-∑w_i')/dim(w_i')，其中，1≤i≤R，λ₁＝||w_i'||₁，||w_i'||₁表示w_i'的1-范数，即λ₁＝∑|w_i'|，dim(w_i')表示w_i'的维数，即dim(w_i')＝M；

②-4-2、设置一个初始状态为空集的集合Z，并设置一个R维的中间列向量m，将该中间列向量m中的第j个元素记为m_j，其中，1≤j≤R；

②-4-3、令其中，dim(Z)表示集合Z的维数；

②-4-4、根据s_i'＝m_j+α(w_i'-m_j)更新s_i，得到更新后的列向量s_i'，其中，α为迭代系数，且real为取实部函数，a＝∑(s_i-ones(M,1)×λ₁/(M-dim(Z)))²，ones(M,1)为M×1阶元素全部为1的矩阵，b＝2×[s_i-ones(M,1)×λ₁/(M-dim(Z))]^T×s_i，c＝∑s_it ²-λ₂，s_it为s_i中的第t个元素，1≤t≤M，λ₂表示w_i'的2-范数；然后令s_i＝s_i'，其中，s_i＝s_i'中的“＝”为赋值符号；

②-4-5、判断更新后的s_i中的所有元素是否均为非负，如果是，则将更新得到的s_i作为需要求得的W”的第i列列向量，并结束；否则，将更新后的s_i中所有小于0的元素中的第h个元素记为s_ih，并令Z＝Z∪{h：s_ih<0}，且令s_ih＝0，然后执行步骤②-4-6，其中，Z＝Z∪{j：s_ij<0}中的“＝”为赋值符号，“∪”为并集运算符号，1≤h≤H，H表示s_i中所有小于0的元素的总个数，{h：s_ih<0}表示s_i中所有小于0的元素的集合；

②-4-6、将更新后的s_i中所有大于0的元素中的第k个元素记为s_ik，并根据s_ik'＝s_ik-s'更新s_ik，其中，1≤k≤K，K表示s_i中所有大于0的元素的总个数，s'＝(∑s_ik-λ₁)/(dim(w_i')-dim(Z))；然后令s_ik＝s_ik'，其中，s_ik＝s_ik'中的“＝”为赋值符号；再返回步骤②-4-3继续迭代；

所述的步骤②-5中对H'进行映射的具体过程与所述的步骤②-4中对W'进行映射的具体过程相同。

3.根据权利要求2所述的一种基于非负矩阵分解的手机图像特征提取方法，其特征在于所述的步骤②-7中预先设置的表示无穷小的值为1×10^-7。