CN105069741A - 一种损坏图像非负隐特征提取装置和方法 - Google Patents

Abstract

本发明公开了一种损坏图像非负隐特征提取装置和方法，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；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；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，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。

Description

一种损坏图像非负隐特征提取装置和方法

技术领域

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

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。

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。

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。

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

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。

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：

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；

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；

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；

所述特征提取模块包括：

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；

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；

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。

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：

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Λ、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η、正则化因子λ和收敛判定阈值γ；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λ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λ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γ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。

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：

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Λ，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ε，以下式表示：

$\mathrm{\ϵ}=\frac{1}{2}\underset{t_{u,s}\∈\mathrm{\Λ}}{\Σ}({\left(t_{u,s}-\underset{k=1}{\overset{d}{\Σ}}\mathrm{\φ}\left(x_{u,k}\right)\·\mathrm{\φ}\left(y_{s,k}\right)\right)}^2+\mathrm{\λ}\underset{k=1}{\overset{d}{\Σ}}({\mathrm{\φ}}^2\left(x_{u,k}\right)+{\mathrm{\φ}}^2\left(y_{s,k}\right)\left)\right)$

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函数映射为开区间(0,1)内的非负值，其中Sigmoid函数定义为：

$\mathrm{\φ}\left(\mathrm{\α}\right)=\frac{1}{1+e^{-\mathrm{\α}}}$

该函数的自变量取值范围为(-∞,+∞)，值域为(0,1)；对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Λ上建立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；

然后，使用随机梯度下降法，关于X和Y对ε进行迭代优化，以如下公式表示：

$\∀t_{u,s}\∈\mathrm{\Λ},k\∈\{1,2,...,d\}:$

$\left\{\begin{array}{c}{x}_{u,k}\←x_{u,k}+\mathrm{\η}\mathrm{\φ}\left(x_{u,k}\right)(1-\mathrm{\φ}(x_{u,k}\left)\right)\left(\mathrm{\φ}\right(y_{s,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(x_{u,k}\left)\right),\\ y_{s,k}\←y_{s,k}+\mathrm{\η}\mathrm{\φ}\left(y_{s,k}\right)(1-\mathrm{\φ}(y_{s,k}\left)\right)\left(\mathrm{\φ}\right(x_{u,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(y_{s,k}\left)\right);\end{array}\right.$

即在一轮迭代中，对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ε的值最小化；

在Λ上重复上述优化训练过程，直至ε在Λ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，ε的数值，对比上轮迭代开始前，ε其差的绝对值已经小于收敛判定阈值γ；

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：

u∈{1,2,...,U},s∈{1,2,...,S},k∈{1,2,...,d}: $\left\{\begin{array}{c}{p}_{u,k}=\mathrm{\φ}\left(x_{u,k}\right),\\ q_{s,k}=\mathrm{\φ}\left(y_{s,k}\right);\end{array}\right.$

关于X和Y的训练过程，使ε关于X和Y以Sigmoid函数映射的非受限损失函数ε最优，因此，用X和Y以Sigmoid函数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Λ的良好表征。

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：

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。

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：

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；

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。

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。

所述的损坏图像非负隐特征提取方法，优选的，所述S2包括：

S2-1，接收服务器提取损坏图像非负隐特征的指令；

S2-2，初始化相关参数；

S2-3，对损坏图像的灰度变换矩阵T的已知数据集合Λ，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ε；

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；

S2-5，判断ε是否在Λ上对X和Y收敛，若是，则执行S2-7，否则，执行S2-6；

S2-6，使用随机梯度下降法，关于X和Y对ε进行迭代优化。

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；

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。

所述的损坏图像非负隐特征提取方法，优选的，所述S3包括：

S3-1，接收服务器提取损坏图像非负隐特征的指令；

S3-2，初始化相关参数；

初始化的参数包括：目标不完整矩阵T、目标已知数据集合Λ、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η、正则化因子λ和收敛判定阈值γ。其中：

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，

目标已知数据集合Λ：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Λ

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，

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，

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：控制提取迭代过程的变量，

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，

正则化因子λ：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λ：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γ：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。

所述的损坏图像非负隐特征提取方法，优选的，所述S3包括：

S3-3，对目标损坏图像的灰度变换矩阵T的已知数据集合Λ，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ε。

本步骤中，非受限损失函数ε以下式表示：

$\mathrm{\ϵ}=\frac{1}{2}\underset{t_{u,s}\∈\mathrm{\Λ}}{\Σ}({\left(t_{u,s}-\underset{k=1}{\overset{d}{\Σ}}\mathrm{\φ}\left(x_{u,k}\right)\·\mathrm{\φ}\left(y_{s,k}\right)\right)}^2+\mathrm{\λ}\underset{k=1}{\overset{d}{\Σ}}({\mathrm{\φ}}^2\left(x_{u,k}\right)+{\mathrm{\φ}}^2\left(y_{s,k}\right)\left)\right)$

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(0,1)内的非负值，其中Sigmoid函数定义为：

$\mathrm{\φ}\left(\mathrm{\α}\right)=\frac{1}{1+e^{-\mathrm{\α}}}$

该函数的自变量取值范围为(-∞,+∞)，值域为(0,1)；对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Λ上建立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；

S3-4，判断提取迭代控制变量N已达到上限N，

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。

S3-5，判断ε在Λ上对X和Y收敛，

本步骤中，装置判断ε在Λ上对X和Y收敛的依据为，本轮迭代开始前，ε的数值，对比上轮迭代开始前，ε，其差的绝对值是否小于收敛判定阈值γ；如果小于，则判定为已收敛，反之，则判定为未收敛，

S3-6，用随机梯度下降法，关于X和Y对ε进行迭代优化，

本步骤中，使用随机梯度下降法，关于X和Y对ε进行迭代优化，以如下公式表示：

$\∀t_{u,s}\∈\mathrm{\Λ},k\∈\{1,2,...,d\}:$

$\left\{\begin{array}{c}{x}_{u,k}\←x_{u,k}+\mathrm{\η}\mathrm{\φ}\left(x_{u,k}\right)(1-\mathrm{\φ}(x_{u,k}\left)\right)\left(\mathrm{\φ}\right(y_{s,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(x_{u,k}\left)\right),\\ y_{s,k}\←y_{s,k}+\mathrm{\η}\mathrm{\φ}\left(y_{s,k}\right)(1-\mathrm{\φ}(y_{s,k}\left)\right)\left(\mathrm{\φ}\right(x_{u,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(y_{s,k}\left)\right);\end{array}\right.$

在一轮迭代中，对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ε的值最小化；

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；

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：

u∈{1,2,...,U},s∈{1,2,...,S},k∈{1,2,...,d}: $\left\{\begin{array}{c}{p}_{u,k}=\mathrm{\φ}\left(x_{u,k}\right),\\ q_{s,k}=\mathrm{\φ}\left(y_{s,k}\right);\end{array}\right.$

关于X和Y的训练过程，使ε关于X和Y以Sigmoid函数映射的非受限损失函数ε最优，因此，用X和Y以Sigmoid函数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Λ的良好表征；

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；

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。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

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。

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

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：

图1为本发明损坏图像非负隐特征提取装置结构示意图；

图2为损坏图像非负隐特征提取流程；

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；

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

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。

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。

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。

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。

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：

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。

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。

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。

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。

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：

(1)装置接收服务器提取损坏图像非负隐特征的指令。

(2)装置初始化相关参数。

(3)装置对损坏图像的灰度变换矩阵T的已知数据集合Λ，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ε。

(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)。

(5)装置判断ε是否在Λ上对X和Y收敛，若是，则执行步骤(7)，否则，执行步骤(6)。

(6)装置使用随机梯度下降法，关于X和Y对ε进行迭代优化。

(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。

(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。

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。

图2为本发明实施例中损坏图像非负隐特征提取流程示意图。参见图2，该过程包括：

步骤201：装置接收服务器提取损坏图像非负隐特征的指令。

本步骤中，服务器向装置发送指令的方式可以是：定期、或根据所述装置的通知、或根据某服务器的通知，将要求从指定损坏图像中提取非负隐特征的指令发送给装置。

步骤202：装置初始化相关参数。

本步骤中，装置需要初始化的参数包括：目标不完整矩阵(目标损坏图像灰度变换矩阵)T、目标已知数据集合Λ、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η、正则化因子λ和收敛判定阈值γ。其中：

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TU,S是损坏图像的对应像素点灰度化后的数值。

目标已知数据集合Λ：由于指定图像是损坏的，对应的矩阵T是不完整的，即T中有大量的元素是未知的。建立目标已知数据集合Λ，其中包含了T中所有的已知元素。

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，如20。

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，其中每个元素初始化为0。

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，其中每个元素初始化为开区间(0,0.05)内的随机数。

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，其中每个元素初始化为开区间(0,0.05)内的随机数。

提取迭代控制变量N：控制提取迭代过程的变量，初始化为0。

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，如100。

正则化因子λ：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，初始化为小于0.1的正数，如0.02。

正则化因子λ：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，初始化为小于0.5的正数，如0.05。

收敛判定阈值γ：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，如0.001。

步骤203：装置对目标损坏图像的灰度变换矩阵T的已知数据集合Λ，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ε。

本步骤中，非受限损失函数ε以下式表示：

$\mathrm{\ϵ}=\frac{1}{2}\underset{t_{u,s}\∈\mathrm{\Λ}}{\Σ}({\left(t_{u,s}-\underset{k=1}{\overset{d}{\Σ}}\mathrm{\φ}\left(x_{u,k}\right)\·\mathrm{\φ}\left(y_{s,k}\right)\right)}^2+\mathrm{\λ}\underset{k=1}{\overset{d}{\Σ}}({\mathrm{\φ}}^2\left(x_{u,k}\right)+{\mathrm{\φ}}^2\left(y_{s,k}\right)\left)\right)$

其物理含义为，1)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(0,1)内的非负值，其中Sigmoid函数定义为：

$\mathrm{\φ}\left(\mathrm{\α}\right)=\frac{1}{1+e^{-\mathrm{\α}}}$

该函数的自变量取值范围为(-∞,+∞)，值域为(0,1)；2)对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；3)在Λ上建立和其对应逼近值的欧式距离，作为优化目标；4)使用TikhoNov正则化，对优化过程进行约束。

步骤204：装置判断提取迭代控制变量N已达到上限N。

本步骤中，装置首先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。

步骤205：装置判断ε在Λ上对X和Y收敛。

本步骤中，装置判断ε在Λ上对X和Y收敛的依据为，本轮迭代开始前，ε的数值，对比上轮迭代开始前，ε，其差的绝对值是否小于收敛判定阈值γ；如果小于，则判定为已收敛，反之，则判定为未收敛。

步骤206：装置使用随机梯度下降法，关于X和Y对ε进行迭代优化。

本步骤中，使用随机梯度下降法，关于X和Y对ε进行迭代优化，以如下公式表示：

$\∀t_{u,s}\∈\mathrm{\Λ},k\∈\{1,2,...,d\}:$

$\left\{\begin{array}{c}{x}_{u,k}\←x_{u,k}+\mathrm{\η}\mathrm{\φ}\left(x_{u,k}\right)(1-\mathrm{\φ}(x_{u,k}\left)\right)\left(\mathrm{\φ}\right(y_{s,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(x_{u,k}\left)\right),\\ y_{s,k}\←y_{s,k}+\mathrm{\η}\mathrm{\φ}\left(y_{s,k}\right)(1-\mathrm{\φ}(y_{s,k}\left)\right)\left(\mathrm{\φ}\right(x_{u,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(y_{s,k}\left)\right);\end{array}\right.$

其物理含义为，在一轮迭代中，对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ε的值最小化。

步骤207：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。

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：

u∈{1,2,...,U},s∈{1,2,...,S},k∈{1,2,...,d}: $\left\{\begin{array}{c}{p}_{u,k}=\mathrm{\φ}\left(x_{u,k}\right),\\ q_{s,k}=\mathrm{\φ}\left(y_{s,k}\right);\end{array}\right.$

其物理含义为，关于X和Y的训练过程，使ε关于X和Y以Sigmoid函数映射的非受限损失函数ε最优，因此，用X和Y以Sigmoid函数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。由于Sigmoid函数的值域为(0,1)，所以以上述方式构造的P和Q满足1)非负性，2)对T的已知元素集合Λ的良好表征。

步骤208：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。

本步骤中，装置存储至非负隐特征存储单元122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。

为了验证上述损坏图像非负隐特征提取装置和方法的性能，我们在PC机上(配置：INTELi5-760，2.8G处理器，8G内存)安装了本装置，并运行仿真实验进行实例分析。在实例分析中，采用的损坏图像数据来源于某高清视频监控系统在监控和传输过程中产生的200幅损坏图像。实例分析使用均方误差RMSE作为损坏图像非负隐特征提取准确度的评价指标，RMSE越低，非负隐特征提取准确度越高；使用非负隐特征提取时间作为运行效率的指标，提取时间越短，运行效率越高。

图3为应用本发明实施例前后，对某高清视频监控系统在监控和传输过程中产生的200幅损坏图像进行非负隐特征提取的准确度对比。参见图3，应用本发明实施例后，进行损坏图像非负隐特征提取时，RMSE有明显下降，提取准确度有明显提高。

图4为应用本发明实施例前后，，对某高清视频监控系统在监控和传输过程中产生的200幅损坏图像进行非负隐特征提取的执行时间对比。参见图4，应用本发明实施例后，进行损坏图像非负隐特征提取时，执行时间有明显下降，运行效率有明显提高。

由上述技术方案可见，本发明实施例提供了一种损坏图像非负隐特征提取方法，其专门作用于损坏图像数据，能够进行符合统计规律的、高效、准确的损坏图像非负特征提取，以解决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、执行复杂度低的缺失服务响应时间补足问题。

由上述技术方案可见，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。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种损坏图像非负隐特征提取装置，其特征在于，包括：

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；

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；

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；

所述特征提取模块包括：

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；

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；

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。

2.根据权利要求1所述的损坏图像非负隐特征提取装置，其特征在于，所述初始化单元包括：

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Λ、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η、正则化因子λ和收敛判定阈值γ；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λ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λ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γ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。

3.根据权利要求2所述的损坏图像非负隐特征提取装置，其特征在于，所述提取单元包括：

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Λ，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ε，以下式表示：

$\mathrm{\ϵ}=\frac{1}{2}\underset{t_{u,s}\∈\mathrm{\Λ}}{\Σ}({\left(t_{u,s}-\underset{k=1}{\overset{d}{\Σ}}\mathrm{\φ}\left(x_{u,k}\right)\·\mathrm{\φ}\left(y_{s,k}\right)\right)}^2+\mathrm{\λ}\underset{k=1}{\overset{d}{\Σ}}({\mathrm{\φ}}^2\left(x_{u,k}\right)+{\mathrm{\φ}}^2\left(y_{s,k}\right)\left)\right)$ 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函数映射为开区间(0,1)内的非负值，其中Sigmoid函数定义为：

$\mathrm{\φ}\left(\mathrm{\α}\right)=\frac{1}{1+e^{-\mathrm{\α}}}$ 该函数的自变量取值范围为(-∞,+∞)，值域为(0,1)；对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Λ上建立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；

然后，使用随机梯度下降法，关于X和Y对ε进行迭代优化，以如下公式表示：

k∈{1,2,...,d}:

$\left\{\begin{array}{c}{x}_{u,k}\←x_{u,k}+\mathrm{\η}\mathrm{\φ}\left(x_{u,k}\right)(1-\mathrm{\φ}(x_{u,k}\left)\right)\left(\mathrm{\φ}\right(y_{s,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(x_{u,k}\left)\right),\\ y_{s,k}\←y_{s,k}+\mathrm{\η}\mathrm{\φ}\left(y_{s,k}\right)(1-\mathrm{\φ}(y_{s,k}\left)\right)\left(\mathrm{\φ}\right(x_{u,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(y_{s,k}\left)\right);\end{array}\right.$ 即在一轮迭代中，对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ε的值最小化；

在Λ上重复上述优化训练过程，直至ε在Λ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，ε的数值，对比上轮迭代开始前，ε其差的绝对值已经小于收敛判定阈值γ；

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：

u∈{1,2,...,U},s∈{1,2,...,S},k∈{1,2,...,d}: $\left\{\begin{array}{c}{p}_{u,k}=\mathrm{\φ}\left(x_{u,k}\right),\\ q_{s,k}=\mathrm{\φ}\left(y_{s,k}\right);\end{array}\right.$ 关于X和Y的训练过程，使ε关于X和Y以Sigmoid函数映射的非受限损失函数ε最优，因此，用X和Y以Sigmoid函数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Λ的良好表征。

4.根据权利要求1所述的损坏图像非负隐特征提取装置，其特征在于，所述输出单元包括：

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。

5.一种损坏图像非负隐特征提取方法，其特征在于，包括如下步骤：

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；

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。

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。

6.根据权利要求5所述的损坏图像非负隐特征提取方法，其特征在于，所述S2包括：

S2-1，接收服务器提取损坏图像非负隐特征的指令；

S2-2，初始化相关参数；

S2-3，对损坏图像的灰度变换矩阵T的已知数据集合Λ，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ε；

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；

S2-5，判断ε是否在Λ上对X和Y收敛，若是，则执行S2-7，否则，执行S2-6；

S2-6，使用随机梯度下降法，关于X和Y对ε进行迭代优化。

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；

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。

7.根据权利要求5所述的损坏图像非负隐特征提取方法，其特征在于，所述S3包括：

S3-1，接收服务器提取损坏图像非负隐特征的指令；

S3-2，初始化相关参数；

初始化的参数包括：目标不完整矩阵T、目标已知数据集合Λ、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η、正则化因子λ和收敛判定阈值γ。其中：

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，

目标已知数据集合Λ：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Λ

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，

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，

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：控制提取迭代过程的变量，

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，

正则化因子λ：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λ：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γ：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。

8.根据权利要求7所述的损坏图像非负隐特征提取方法，其特征在于，所述S3包括：

S3-3，对目标损坏图像的灰度变换矩阵T的已知数据集合Λ，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ε。

本步骤中，非受限损失函数ε以下式表示：

$\mathrm{\ϵ}=\frac{1}{2}\underset{t_{u,s}\∈\mathrm{\Λ}}{\Σ}({\left(t_{u,s}-\underset{k=1}{\overset{d}{\Σ}}\mathrm{\φ}\left(x_{u,k}\right)\·\mathrm{\φ}\left(y_{s,k}\right)\right)}^2+\mathrm{\λ}\underset{k=1}{\overset{d}{\Σ}}({\mathrm{\φ}}^2\left(x_{u,k}\right)+{\mathrm{\φ}}^2\left(y_{s,k}\right)\left)\right)$ 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(0,1)内的非负值，其中Sigmoid函数定义为：

$\mathrm{\φ}\left(\mathrm{\α}\right)=\frac{1}{1+e^{-\mathrm{\α}}}$

该函数的自变量取值范围为(-∞,+∞)，值域为(0,1)；对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Λ上建立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；

S3-4，判断提取迭代控制变量N已达到上限N，

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。

S3-5，判断ε在Λ上对X和Y收敛，

本步骤中，装置判断ε在Λ上对X和Y收敛的依据为，本轮迭代开始前，ε的数值，对比上轮迭代开始前，ε，其差的绝对值是否小于收敛判定阈值γ；如果小于，则判定为已收敛，反之，则判定为未收敛，

S3-6，用随机梯度下降法，关于X和Y对ε进行迭代优化，

本步骤中，使用随机梯度下降法，关于X和Y对ε进行迭代优化，以如下公式表示：

k∈{1,2,...,d}:

$\left\{\begin{array}{c}{x}_{u,k}\←x_{u,k}+\mathrm{\η}\mathrm{\φ}\left(x_{u,k}\right)(1-\mathrm{\φ}(x_{u,k}\left)\right)\left(\mathrm{\φ}\right(y_{s,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(x_{u,k}\left)\right),\\ y_{s,k}\←y_{s,k}+\mathrm{\η}\mathrm{\φ}\left(y_{s,k}\right)(1-\mathrm{\φ}(y_{s,k}\left)\right)\left(\mathrm{\φ}\right(x_{u,k})er{r}_{u,s}-\mathrm{\λ}\mathrm{\φ}(y_{s,k}\left)\right);\end{array}\right.$ 在一轮迭代中，对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ε的值最小化；

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；

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：

u∈{1,2,...,U},s∈{1,2,...,S},k∈{1,2,...,d}: $\left\{\begin{array}{c}{p}_{u,k}=\mathrm{\φ}\left(x_{u,k}\right),\\ q_{s,k}=\mathrm{\φ}\left(y_{s,k}\right);\end{array}\right.$

关于X和Y的训练过程，使ε关于X和Y以Sigmoid函数映射的非受限损失函数ε最优，因此，用X和Y以Sigmoid函数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Λ的良好表征；

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；

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。