CN110751201A - 基于纹理特征变换的sar装备任务失效成因推理方法 - Google Patents

Abstract

本发明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。

Description

基于纹理特征变换的SAR装备任务失效成因推理方法

技术领域

本发明属于SAR装备保障技术领域，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。

背景技术

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。

发明内容

本发明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。

为实现上述发明目的，本发明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，X^k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，Y^k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Y^k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D_train：

(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D_train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D_de:

(为了便于表述)重新表示为：

(9)、将输入样本数据集D_de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。

本发明的发明目的是这样实现的：

本发明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是本发明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本发明进行训练和测试所使用的SAR图像示例。

具体实施方式

下面结合附图对本发明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发明。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发明的主要内容时，这些描述在这里将被忽略。

图1是本发明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，本发明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，X^k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，Y^k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，max_n为第n维特征下即纹理特征矩阵X′^k第n列元素最大值，min_n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Y^k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D_train：

(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D_train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生成算法构建最优分类决策树模型的步骤为：

(1)、设结点的训练数据集为D_train，计算现有特征对该数据集的基尼指数，此时，对每一个纹理特征对应的列向量X_i，对其可能取的每个值a，根据样本点对X_i＝a的测试为“是”或“否”，将训练数据集D_train分割成D1和D2两部分，并计算X_i＝a时的基尼指数。

(2)、在所有可能的特征列向量X_i以及它们所有可能的切分点a中，选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点。依最优特征与最优切分点，从现节点生成两个子结点，将训练数据集依纹理特征分配到两个子结点中去。

(3)、对两个子结点递归地调用(1)，(2)，直到满足停止条件：结点中的样本个数小于预定阈值或没有更多纹理特征。

其中，主要可调参数msl(叶子节点最少样本数)，mid(节点划分最小不纯度)通过网格法确定最优取值：设置参数msl与mid的取值范围和寻优步长构成网格；对网格上每一组参数(msl,mid)建立决策树模型并进行交叉验证，选择交叉验证检验中准确率最高的一组参数(msl,mid)作为参数msl与mid的最优取值。

网格法的原理为：给出参数msl与mid的寻优范围与寻优步长，然后在寻优范围内根据msl与mid的寻优步长制定网格，对网络上每一组(msl,mid)参数取值建立模型，做交叉验证，得到交叉验证准确率最高的一组参数取值。

在本实施例中，将训练数据集D_train输入最优分类决策树模型进行模型交叉验证训练，采用网格法确定模型的参数msl与mid时，msl与mid的寻优范围分别为(2,4,8,16,20,25)和(0,0.001,0.01,0.1,0.5,0.8)。经交叉验证选取精确率最高的一组参数为msl＝8和mid＝0.001。

步骤S8：未知异常类型的异常SAR图像处理为输入样本数据集

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S2、S3、S4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

整合为输入样本数据集D_de:

(为了便于表述)重新表示为：

在本实施例中，图像纹理特征变换过程中，采用的各种地形对应的正常图像为训练时各种地形对应的正常图像。

在本实施例中，对K＝5种地形，每种地形选10个幅异常SAR图像进行验证，这样，有Q＝50幅异常SAR图像作为未知异常类型的Q幅异常SAR图像进行验证。

步骤S9：SAR装备任务失效成因推理

将输入样本D_de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，可表示为矩阵Y_de＝{y_{de_1}，y_{de_2}，...，y_{de_Q}}，其中，每个元素代表对应编号异常SAR图像的异常类型。

本实施例中，采用准确率(ACC)和ROC曲线下面积(AUC)，其中ROC曲线下面积用于评估模型的推广能力。

其中，TN，TP，FN和FP分别代表真阴性，真阳性，假阴性和假阳性的数量。

表1是本实施例中基于纹理特征变换的SAR装备任务失效成因推理方法推理的准确率指标结果。

表1

从表1可以看出，进行了图像纹理特征变换的SAR装备任务失效成因推理的准确率远大于直接用原始图像纹理特征进行的SAR装备任务失效成因推理的准确率，实现了本发明的发明目的。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

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，

X^k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，Y^k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Y^k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D_train：

(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D_train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

然后将K种地形的特征矩阵

整合为输入数据集D_de:

(为了便于表述)重新表示为：

(9)、将输入样本数据集D_de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。

2.根据权利要求1所述的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，所述的最优分类决策树模型的可调参数msl(叶子节点最少样本数)，mid(节点划分最小不纯度)通过网格法确定最优取值，msl＝8和mid＝0.001。

3.根据权利要求1所述的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，所述N种纹理特征为：相关性、差异、对比度、和平均、中值、阴暗聚类和突出聚类。