[发明专利]一种损坏图像非负隐特征提取装置和方法

权利要求书

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；

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L、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；

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；

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：

ϵ=12Σtu,s∈Λ((tu,s-Σk=1dφ(xu,k)·φ(ys,k))2+λΣk=1d(φ2(xu,k)+φ2(ys,k)))]]>

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φ映射为开区间(0,1)内的非负值，其中Sigmoid函数φ定义为：

φ(α)=11+e-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：

∀tu,s∈Λ,k∈{1,2,...,d}:]]>

xu,k←xu,k+ηφ(xu,k)(1-φ(xu,k))(φ(ys,k)erru,s-λφ(xu,k)),ys,k←ys,k+ηφ(ys,k)(1-φ(ys,k))(φ(xu,k)erru,s-λφ(ys,k));]]>

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}:pu,k=φ(xu,k),qs,k=φ(ys,k);]]>

关于X和Y的训练过程，使ε关于X和Y以Sigmoid函数φ映射的非受限损失函数ε最优，因此，用X和Y以Sigmoid函数φ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；

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。

2.一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；

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；

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L、学习速率η、正则化因子λ和收敛判定阈值γ；其中：

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L：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；

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：

ϵ=12Σtu,s∈Λ((tu,s-Σk=1dφ(xu,k)·φ(ys,k))2+λΣk=1d(φ2(xu,k)+φ2(ys,k)))]]>

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φ映射为开区间(0,1)内的非负值，其中Sigmoid函数φ定义为：

φ(α)=11+e-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L；

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：

∀tu,s∈Λ,k∈{1,2,...,d}:]]>

xu,k←xu,k+ηφ(xu,k)(1-φ(xu,k))(φ(ys,k)erru,s-λφ(xu,k)),ys,k←ys,k+ηφ(ys,k)(1-φ(ys,k))(φ(xu,k)erru,s-λφ(ys,k));]]>

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}:pu,k=φ(xu,k),qs,k=φ(ys,k);]]>

关于X和Y的训练过程，使ε关于X和Y以Sigmoid函数φ映射的非受限损失函数ε最优，因此，用X和Y以Sigmoid函数φ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。