[发明专利]一种基于LVQ-GMM算法和多目标优化分割算法的航天器缺陷检测方法

权利要求书

1.一种基于LVQ-GMM算法和多目标优化分割算法的航天器缺陷检测方法，其特征在于，包括：

步骤一、利用红外热像仪获得试件红外热图像序列，选取红外热图像序列中温度最大值点，利用温度最大值点位置计算变换列步长；具体方法包括：

红外热图像序列表示为S(m,n,：)，m＝1,...,M，n＝1,...,N，以S(m,n,：)作为初始图像序列，其中m和n分别表示三维矩阵的第m行和第n列，第三个维度表示红外热图像的帧数d；

从矩阵S(m,n,：)中选取温度值点最大的值LP＝max[S(m,n,r)]，其中，r＝1,...,d；

计算红外热图像序列温度最大值点所在的TTRS(M_LP,N_LP,：)与相近温度点j＝1之间的皮尔逊相关系数PCC，将j＝j+1带入进行迭代计算，直到满足PCC≤Ref_CL，Ref_CL表示预设列阈值，计算结束，此时统计满足PCC≤Ref_CL温度点的个数，并记为CL,CL为变换列步长，M_LP、N_LP和R_LP分别是该最大值所在像素对应的行值、列值和帧数对应值；

步骤二、将红外热图像序列划分为h+1个数据块，并计算数据块内变换行步长，使用变换行步长、变换列步长对温度点进行采样；具体方法包括：

步骤S21、从小到大设定h个温度阈值，将温度最大值点S(M_LP,N_LP,：)所在的列进行温度划分，得到h+1个数据块，S^w(m′,n′,：)表示为第w个数据块在m行n列的瞬态热响应曲线；

步骤S22、选取第w个数据块的最大值其中r＝1,...,d，w＝1,2,...,h+1；n′＝1,1+CL,1+2*CL,...,N^w，m′＝1,...,M^w；按照步骤一的方法获得w个数据块的变换行步长

步骤S23、分块进行数据采样：设置阈值EE，将最大瞬态热响应曲线的值S(M_LP,N_LP,：)存入采样数据集U(:,z_g),g＝1；

计算第w个数据块中温度点S^w(m′,n′,：)与U(:,z_g),g＝1的皮尔逊相关系数PCC；

如果PCC＜EE，则g＝g+1迭代进行计算，直到使得U(:,z_g)＝S^w(m′,n′,:)，否则计算后更新的S^w(m′,n′,：)与U(:,z_g)的PCC；若m′＞M^w使m′＝m′-M^w、n′＝n′+CL；如果n′＞N^w则结束该数据块采样，并且对所有h+1个数据块进行步骤S23的处理，从而获得不同变换特征TTRs的样本数据集U(:,z_g),g＝1,2,...,G；

步骤三、使用LVQ-GMM算法，对采集数据集进行分类，获得采样数据集分类对应的高斯混合模型，从而得到分类数据集的相应概率，利用概率对数据集中每一瞬态热响应曲线进行分类，在分类数据集中选择代表瞬态热响应构成变换矩阵；具体步骤包括：

步骤S31、利用LVQ-GMM算法将样本数据集U(:,z_g),g＝1,2,...,G中的TTR曲线分为K类，其中G为U中TTRs的总数量；

获取均值向量的初始值：为了获得GMM算法的初始值，将U(:,z_g)中G条TTR曲线进行假设分类并表示为{(x₁,t₁),(x₂,t₂),....,(x_G,t_G)}其中x₁＝U(:,z₁),x₂＝(:,z₂),...,x_i＝(:,z_i),...,x_G＝(:,z_G)，t_i表示的是样本x_i的簇标记；随机从U(:,z_g)选取K个TTR{U(:,z₁′),U(:,z₂′),...,U(:,z_K′)}作为初始原型向量并表示为{(q₁,y₁),(q₂,y₂),...,(q_K,y_K)}，q₁＝U(:,z₁′),...,q_K＝U(:,z_K′)，y₁,y₂,...,y_K为对应的预设簇标记；从TTR样本集U中随机选取TTR曲线x_i，计算x_i与原型向量q_j,1≤j≤K的距离dist_ij＝||x_i-q_j||₂，确定j^*＝arg min_{j∈{1,2,...,K}}dist_ij，找寻距离最近的原型向量若两者簇标记满足则其中学习率η∈(0,1)，否则然后更新原型向量为q′，迭代次数E＝E+1；判断迭代次数E≤E_max，E_max为最大迭代次数，若满足重复进行步骤S31，若不满足则输出此刻的原型向量q₁,q₂,...,q_K作为下一步的GMM聚类时均值向量的初始值；

步骤S32、建立高斯混合概率密度函数来近似采样数据集中的TTRs复杂分布，高斯混合概率密度函数如公式(1)所示：

其中x₁＝U(:,z₁),...,x_i＝U(:,z_i),...,x_G＝U(:,z_G)表示的是数据集中的TTR曲线，θ＝(μ₁,...,μ_K,...,Σ₁,...,Σ_K)是高斯混合分布参数，μ为均值向量，Σ为协方差；

上式为高斯分布的概率密度函数，其中d为红外热图像序列采样帧数；其中μ_k的初始值由步骤S 31得到的最终计算出的原型向量即μ_k＝q_k,k＝1,2,...,K；

步骤S33、求得第i个U(:,z_i)是来自第k个高斯分布产生的后验概率如(2)式所示：

其中为拉格朗日乘数，通过新增循环，使得在原始EM算法的早期迭代过程中减少后验概率的影响，但随着算法的进行继而将后验概率的作用进行增强；首先令v＝0；

步骤S34、由于(1)式是一个似然函数，使用极大化对数似然函数的方法对(1)式进行优化，从而得到Q(θ,θ^v)＝E[logp(U,Zθ)|U,θ^v]，即

求取新的参数即使用下式更新参数获得θ^v+1；计算高斯混合系数：计算新均值向量计算新协方差矩阵：

步骤S35、增加若满足停止条件输出GMM模型参数，否则更新θ^v＝θ^v+1继续进行步骤S32至步骤S34；

步骤S36、利用最终得到的模型参数θ确定公式(1)，从而根据公式(2)将样本集U中G个TTR划分到K个簇，每个样本x_i的簇标记用下式确定：将xi划入相应的簇：C_k∪{x_i}，将TTRs划分到簇集C＝{C₁,C₂,...,C_k}，即将样本集中TTR划分为K个类型；

步骤S37、从簇集C＝{C₁,C₂,...,C_k}的K各簇中选择K个最具代表性的TTR，即在C＝{C₁,C₂,...,C_k}每一个的簇中选择对应的后验概率最大值RE^k＝maxγ_ik,k＝1,2,...,K；RE^k对应的瞬态热响应则为第k类的典型热响应曲线，将其存入矩阵H₁(:,k),k＝1,2,...,K中，获得维度为d×K的线性变化矩阵H₁；

步骤四、利用构成的变换矩阵，经过处理后获得红外重构图像；利用多目标优化的热图像分割算法，构建优化目标函数对红外重构图像进行背景区域与缺陷区域的分离；

步骤五、最后对全像素的红外重构图像获取整幅观测图像的分割结果，获得试件缺陷分割图像。