基于纹理特征变换的SAR装备任务失效成因推理方法技术

本发明专利技术公开了一种基于纹理特征变换的SAR装备任务失效成因推理方法，采用基于最优分类决策树模型，并采用纹理特征变换的方式，将异常图像纹理特征变换为其与正常图像纹理特征变换的差值并归一化，从而增强了最优分类决策树模型对于异常图像分类的精度。同时，基于图像纹理特征变换和最优分类决策树进行建模，克服了利用不同地形SAR图像数据训练模型效果不佳的难题，有效地提高了SAR装备任务失效成因推理的准确度。

Reasoning method of SAR equipment mission failure cause based on texture feature transformation

【技术实现步骤摘要】
基于纹理特征变换的SAR装备任务失效成因推理方法
本专利技术属于SAR装备保障
，更为具体地讲，涉及一种基于纹理特征变换的SAR装备任务失效成因推理方法。
技术介绍
近年来，随着机载SAR装备的不断更新和高端科技技术的不断注入，机载SAR装备趋向于复杂化、高度集成化和高智能化。同时，机载SAR装备在使用过程中反映出任务失败却未检测出明显的硬件故障的情况，因此目前迫切地需要一种面向任务完成度的失效成因推理方法。目前的任务失效成因推理方法大多是基于故障诊断的推理方法，其主要针对SAR装备的硬件故障进行定位，并不适用于面向任务完成度的失效成因推理需求。同时，大多数故障诊断方法总是尝试对方法进行调整和优化，而忽视了特征的重要性，使得算法偏向于复杂化和实测准确率较低。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于纹理特征变换的SAR装备任务失效成因推理方法，提高SAR装备任务失效成因推理的精度。为实现上述专利技术目的，本专利技术基于纹理特征变换的SAR装备任务失效成因推理方法，其特征在于，包括以下步骤：(1)、收集K种地形的SAR图像数据，每类地形SAR图像数据包括一幅正常图像以及M幅异常图像，M幅异常图像包括相同数量的P种异常图像(即每种异常图像的数量为M/P幅)；(2)、对于第k种地形的SAR图像数据，对每一张SAR图像计算其N种纹理特征，得到第k种地形下N幅异常图像的纹理特征数据集为：单个正常图像的纹理特征为：其中，n＝1,2,…N，Xk表示异常图像的纹理特征数据集(即纹理特征矩阵)，为M异常图像的第n个纹理特征对应的纹理特征构成的列向量，Yk表示M幅异常图像对应的异常类型构成的列向量，m＝1,2,...,M，为异常类型的类标记；(3)、对纹理特征数据集进行纹理特征变换，即异常图像的纹理特征变换与对应地形下正常图像的纹理特征进行差值运算：其中，X′k为纹理特征变换后的纹理特征矩阵；(4)、对纹理特征矩阵X′k按列进行归一化操作，得到归一化后的特征矩阵(5)、将归一化后的特征矩阵与类标记列向量Yk进行合并，得到第k种地形下的N幅异常图像的纹理特征数据集(6)、将K种地形的纹理特征数据集整合为训练数据集Dtrain：(为了便于表述)重新表示为：其中，G＝M×K；(7)、使用CART生成算法构建最优分类决策树模型，构建过程中使用基尼指数来选择特征属性；用训练数据集Dtrain对最优分类决策树模型进行训练，得到训练好的最优分类决策树模型；(8)、对于K种地形的未知异常类型的Q幅异常SAR图像，按照步骤(2)、(3)、(4)的方法进行处理，得到归一化后的特征矩阵k＝1,2,...K；然后将K种地形的特征矩阵整合为输入数据集Dde:(为了便于表述)重新表示为：(9)、将输入样本数据集Dde输入到训练好的最优分类决策树模型进行分类，得到Q幅异常SAR图像每一幅对应的异常类型。本专利技术的专利技术目的是这样实现的：本专利技术基于纹理特征变换的SAR装备任务失效成因推理方法，采用基于最优分类决策树模型，并采用纹理特征变换的方式，将异常图像纹理特征变换为其与正常图像纹理特征变换的差值并归一化，从而增强了最优分类决策树模型对于异常图像分类的精度。同时，基于图像纹理特征变换和最优分类决策树进行建模，克服了利用不同地形SAR图像数据训练模型效果不佳的难题，有效地提高了SAR装备任务失效成因推理的准确度。附图说明图1是本专利技术基于纹理特征变换的SAR装备任务失效成因推理方法一种具体实施方式的流程图；图2本专利技术进行训练和测试所使用的SAR图像示例。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。图1是本专利技术基于纹理特征变换的SAR装备任务失效成因推理方法一种具体实施方式的流程图。在本实施例中，如图1所示，本专利技术基于纹理特征变换的SAR装备任务失效成因推理方法，其特征在于，包括以下步骤：步骤S1：收集已知异常类型的SAR图像数据以及正常图像数据收集K种地形的SAR图像数据，每类地形SAR图像数据包括一幅正常图像以及M幅异常图像，M幅异常图像包括相同数量的P种异常图像，即每种异常图像的数量为M/P幅。在本实施例中，以某型机载SAR雷达的SAR图像数据为例，地形种类为K＝5，包括山区、典型建筑、湖泊、岛屿和小机场)，每种地形下收集M＝50幅异常图像和一幅正常图像，如图2所示。这样，用于训练的异常图像共计为250幅，异常类型设置为P＝5，包括信号IQ失衡、天线功率损失、GPS错误、平台震动和主波误差，每一种地形每种异常图像的数量为M/P＝10幅。步骤S2：计算图像纹理特征对于第k种地形的SAR图像数据，对每一张SAR图像计算其N种纹理特征，得到第k种地形下N幅异常图像的纹理特征数据集为：单个正常图像的纹理特征为：其中，n＝1,2,…N，Xk表示异常图像的纹理特征数据集(即纹理特征矩阵)，为M异常图像的第n个纹理特征对应的纹理特征构成的列向量，Yk表示M幅异常图像对应的异常类型构成的列向量，m＝1,2,...,M，为异常类型的类标记。在本实施例中，纹理特征设置为N＝7，包括相关性、差异、对比度、和平均、中值、阴暗聚类和突出聚类。步骤S3：图像纹理特征变换对纹理特征数据集进行纹理特征变换，即异常图像的纹理特征变换与对应地形下正常图像的纹理特征进行差值运算：其中，X′k为纹理特征变换后的纹理特征矩阵。步骤S4：数据归一化对纹理特征矩阵X′k按列进行归一化操作，得到归一化后的特征矩阵其中，按列进行归一化操作为：其中，maxn为第n维特征下即纹理特征矩阵X′k第n列元素最大值，minn为第n维特征下即纹理特征矩阵X′k第n列元素最小值；步骤S5：与类标记列向量合并为纹理特征数据集将归一化后的特征矩阵与类标记列向量Yk进行合并，得到第k种地形下的N幅异常图像的纹理特征数据集步骤S6：将K种地形的纹理特征数据集整合为训练数据集将K种地形的纹理特征数据集整合为训练数据集Dtrain：(为了便于表述)重新表示为：其中，G＝M×K。步骤S7：构建最优分类决策树模型并训练使用CART生成算法构建最优分类决策树模型，构建过程中使用基尼指数来选择特征属性；用训练数据集Dtrain对最优分类决策树模型进行训练即输入最优分类决策树模型进行交叉验证选取最优参数下的模型，得到训练好的最优分类决策树模型。其中，使用CART生成算本文档来自技高网...

【技术保护点】
1.一种基于纹理特征变换的SAR装备任务失效成因推理方法，其特征在于，包括以下步骤：/n(1)、收集K种地形的SAR图像数据，每类地形SAR图像数据包括一幅正常图像以及M幅异常图像，M幅异常图像包括相同数量的P种异常图像(即每种异常图像的数量为M/P幅)；/n(2)、对于第k种地形的SAR图像数据，对每一张SAR图像计算其N种纹理特征，得到第k种地形下N幅异常图像的纹理特征数据集为：/n

【技术特征摘要】
1.一种基于纹理特征变换的SAR装备任务失效成因推理方法，其特征在于，包括以下步骤：
(1)、收集K种地形的SAR图像数据，每类地形SAR图像数据包括一幅正常图像以及M幅异常图像，M幅异常图像包括相同数量的P种异常图像(即每种异常图像的数量为M/P幅)；
(2)、对于第k种地形的SAR图像数据，对每一张SAR图像计算其N种纹理特征，得到第k种地形下N幅异常图像的纹理特征数据集为：



单个正常图像的纹理特征为：
其中，Xk表示异常图像的纹理特征数据集(即纹理特征矩阵)，为M异常图像的第n个纹理特征对应的纹理特征构成的列向量，Yk表示M幅异常图像对应的异常类型构成的列向量，为异常类型的类标记；
(3)、对纹理特征数据集进行纹理特征变换，即异常图像的纹理特征变换与对应地形下正常图像的纹理特征进行差值运算：



其中，X′k为纹理特征变换后的纹理特征矩阵；
(4)、对纹理特征矩阵X′k按列进行归一化操作，得到归一化后的特征矩阵



(5)、将归一化后的特征矩阵与类标记列向量Yk进行合并，得到第k种地形下的N幅异常图像的纹理特征数据集



(6)、将K种地形的纹理特征数据集整合为训练数据集Dt...

【专利技术属性】
技术研发人员：邹见效，唐健雄，凡时财，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51