[发明专利]基于纹理特征变换的SAR装备任务失效成因推理方法

说明书

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。

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；