[发明专利]一种损坏图像非负隐特征提取装置和方法

说明书

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。

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：