一种损坏图像非负隐特征提取装置和方法

专利类型：发明专利 

语 言：中文 

申 请 号：CN201510567387.3 

申 请 日：20150907 

发 明 人：许明盛红凌罗辛古亮 

申 请 人：值得看云技术有限公司重庆大学 

申请人地址：518000 广东省深圳市南山区粤海街道深南大道9789号德赛科技大厦2202 

公 开 日：20180130 

公 开 号：CN105069741B 

代 理 人：路宁 

代理机构：重庆市前沿专利事务所(普通合伙) 50211 

摘　　要：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。 

主 权 项：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：$ϵ=\frac{1}{2}\underset{t_{u,s}\in \Lambda }{\Sigma }({\left(t_{u,s}-\underset{k=1}{\overset{d}{\Sigma }}\phi \left(x_{u,k}\right)·\phi \left(y_{s,k}\right)\right)}^2+\lambda \underset{k=1}{\overset{d}{\Sigma }}({\phi }^2\left(x_{u,k}\right)+{\phi }^2\left(y_{s,k}\right)\left)\right)$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φ映射为开区间(0,1)内的非负值，其中Sigmoid函数φ定义为：$\phi \left(\alpha \right)=\frac{1}{1+e^{-\alpha }}$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：$\forall t_{u,s}\in \Lambda ,k\in \{1,2,...,d\}:$$\left\{\begin{array}{c}{x}_{u,k}\leftarrow x_{u,k}+\eta \phi \left(x_{u,k}\right)(1-\phi (x_{u,k}\left)\right)\left(\phi \right(y_{s,k}){\mathrm{err}}_{u,s}-\lambda \phi (x_{u,k}\left)\right),\\ y_{s,k}\leftarrow y_{s,k}+\eta \phi \left(y_{s,k}\right)(1-\phi (y_{s,k}\left)\right)\left(\phi \right(x_{u,k}){\mathrm{err}}_{u,s}-\lambda \phi (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\in \{1,2,...,U\},s\in \{1,2,...,S\},k\in \{1,2,...,d\}:\left\{\begin{array}{c}{p}_{u,k}=\phi \left(x_{u,k}\right),\\ q_{s,k}=\phi \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。 

关 键 词：损坏图像;图像数据;特征提取;数据模块;存储单元;接收模块;采集;收集;服务器;公开;执行;存入;准确度;备用;统计;解决;符合;复杂;进行; 

法律状态： 

IPC专利分类号：G06T1/00(2006.01)I