基于相似度的目标可见光谱段伪装效能评估
1 引言
伪装与侦察技术竞争式发展,在全天候、多层次、宽波段、高精度的侦察监视威胁下,装备伪装技术成为现代**装备至关重要的高新技术。对目标伪装效能进行有效评估,既可促进高价值**装备伪装技术的发展,又可促进目标侦察技术的发展[1-3]。基于此,本文提出一种基于相似度的目标可见光谱段伪装效能评估方法,提取亮度、颜色、纹理等特征描述伪装目标与背景间的暴露特性,采用熵权法确定特征权重,加权得到伪装目标与背景的综合相似度,实现对目标伪装效能的定量评估[4-5]。
国内外学者开展了一系列目标伪装效能评估研究。2018年,Pike[6]利用视觉显著性量化动物目标伪装效能,符合人类的视觉感知机制,但给定目标的视觉显著性在不同环境下存在很大差异,特别是光照强度、阴影等特征,会影响目标的伪装效能。2018年,Xue等[7]通过融合与背景相关的特征和前景目标的内部特征,利用非线性融合策略来定量评估目标和周围背景的差异程度,能够更准确地模拟各指标之间的复杂关系,科学分析各指标的贡献,但仅提取了显著性图作为背景相关特征,需要确定更多的特征来全面描述伪装图案的本质。2019年,李中华等[8]通过引入指标贡献度和标准差的多指标权重分配算法确定结构、纹理等特征权重,提高了权重分配的精度,但该算法在不同战场环境下的适用性和有效性有待验证。2020年,Bai等[9]基于图像颜色相似度和梯度幅度相似度分析目标和背景的颜色和纹理差异,利用信息熵得到目标伪装效能,目标命中率和检测时间均优于其他方法,但是目标、背景类别较少,缺少更多的伪装刺激。2022年,Mondal[10]讨论了伪装目标的设计、评估和破碎边缘技术,客观评价技术包括显著性模型、全局杂波度量模型等,基于单一特征难以准确提取目标,缺乏客观性。
国内外学者还开展了不同影响因子下目标伪装效能评估的研究。2015年,王博等[11]通过实验得到随着探测距离增大,明显目标、涂覆迷彩目标、遮挡伪装目标的信噪比随之降低,光谱识别能力降低,目标发现概率明显下降,但未考虑人体目标。2017年,郭子淳等[12]建立了基于改进Johnson准则的光学成像侦察卫星对地面机动目标的检测概率模型,研究表明目标检测概率与目标几何尺寸、卫星和目标间距离成正比,但该算法未针对研究地面伪装目标。2018年,Chen等[13]通过海洋伪装目标图像数据构建了目标发现概率与相似度的数学模型,解决了现有的效果评价方法依赖专家判断而缺乏客观性的问题,但该算法缺乏实际实验验证,样本数据量有待增加。2018年,王鹏烨等[14]分析了不同的地物方位角、太阳高度角以及探测角度对陆基条件下地物光谱曲线的影响,但是没有从侦察图像角度分析影响因子变化下目标伪装效能。现有目标伪装效能评估野外实验存在以下3个问题:1)野外场景复杂,有林地、砖石、土壤、植被等各种场景,现有研究多在某一场景下开展评估;2)伪装目标多样,有伪装样板、伪装人员、伪装网、伪装车辆等,且人员姿态多变,现有研究多针对单一类型目标开展评估,且多为站立状伪装人员;3)敌方侦察手段多样,有无人机航拍、手持相机拍摄等,现有研究多针对单一侦察手段拍摄图像开展评估。
综上所述,本文基于人眼视觉注意机制组合亮度、颜色、纹理、形状、尺寸、结构、直方图等7个典型特征来全面评估目标伪装效果,然后使用熵权法客观确定各个特征的权重,避免主观个体干扰,最后将多维特征权重与特征相似度加权得到目标与背景的综合相似度,有效评估各个场景下的目标伪装效能。目前国内外学者已研究了多个目标伪装效能评估方法,但是基本没有进行野外实验以验证背景变化、侦察距离变化、目标姿态变化下评估方法的有效性。基于此,本文以伪装样板和身穿伪装服的人员作为伪装目标,开展丰富的野外实验以验证所提方法的优越性,验证伪装目标与背景的综合相似度与目标发现概率的一致性、探测距离的一致性、背景鲁棒性。
2 目标伪装效能评估方法
所提基于相似度的目标可见光谱段伪装效能评估方法框图如
图 1. 基于相似度的目标可见光谱段伪装效能评估总体框图
Fig. 1. General block diagram of target camouflage effect evaluation in visible spectrum based on similarity
2.1 目标/背景特性表征及其相似度
目标/背景特性是指目标及其所处环境的固有属性,如几何形状、光谱颜色等,伪装目标与背景间的特性差异决定了图像上两者间的特征差异,提取亮度特征、颜色特征、纹理特征、形状特征、尺寸特征、FSIM特征、直方图特征等7个光学特征,利用相似度量法量化目标与背景间的特征相似度,更加科学全面地评估目标的伪装效能。采用Criminisi修复算法[14]修复背景图像,并截取目标位置处的九宫格图像作为背景。
2.1.1 亮度相似度
亮度特性是目标和背景反映在探测器上的视觉特性,目标与背景的亮度差异越大,越容易引起视觉注意[4]。颜色的感觉是由于三原色R、G、B刺激的综合结果。在三原色系统中,红绿蓝的刺激量分别以R、G、B表示,形成RGB彩色模型。CIEXYZ是定义一切颜色空间的基准,它既属于基色颜色空间,也属于色、亮分离颜色空间,是贯穿两者的枢纽。XYZ是RGB三基色刺激值,与设备无关,其中,国际照明委员会定义Y值为亮度。CIELAB颜色空间既不依赖于光线也不依赖于颜料,通过数字化方式来描述视觉感应,基于CIEXYZ颜色空间,CIELAB颜色空间的亮度计算公式如下:
式中:Y是CIEXYZ空间的三刺激值亮度;Y0是参考白色光的辐射亮度,在标准光源D65照明下,取Y0=100。亮度相似度(SL)计算如下:
式中:
2.1.2 颜色相似度
颜色表征物体表面对光谱的不同反射情况,目标与背景的颜色分布越相似,与背景的融合程度越高,颜色特征稳定,不受图像旋转、平移、尺度变化的影响,对背景变化表现出很强的鲁棒性[8]。所提方法基于灰度直方图匹配来度量伪装目标和背景的颜色相似度,记背景图像和伪装图像分别为B和T,分别对彩色图像进行色彩分离得到R、G、B三通道,背景图像B的3个RGB分量的一维归一化直方图为HRB、HGB、HBB,伪装图像T的3个RGB分量的一维归一化直方图为HRT、HGT、HBT,利用
式中:i为直方图分量。三通道平均得到最终颜色相似度(SC)的计算公式:
颜色相似度的取值范围是0~1,值越接近1,表示目标与背景的颜色差异越小。
2.1.3 纹理相似度
纹理是物体表面细节的总称,是所有物体表面都具有的内在特性,边缘纹理区域能反映图像大部分细节信息[15]。野外场景中不同伪装目标的拍摄条件保持一致,拍摄气候条件是春季晴朗天气、微风、日照强度中等,且野外实验中目标上方和前方没有任何遮挡。照明环境不变,物体表面是漫反射的前提条件下,纹理特征不依赖于颜色或亮度变化,对于噪声有较强的抵抗能力,能体现物体粗糙度、方向性、重复性等视觉属性。纹理是由空间位置上灰度分布的反复交替变化所形成的,因此在图像中,相隔某种距离的两个像素间在灰度上存在对应关系,表现为图像中灰度的相关特性。而灰度共生矩阵正是研究图像上相邻像素格之间灰度级分布关系的矩阵,具有计算量少而不影响提取特征效果的优点。因此,所提方法利用灰度共生矩阵来描述伪装目标与背景间的纹理相似度,灰度共生矩阵是由图像灰度级之间的联合概率密度
式中:
利用曼哈顿距离计算伪装目标和背景图像的纹理相似度:
式中:
2.1.4 形状相似度
形状是分割图像中目标/背景的外界线,主要由明度和色彩的突变引起,通过边界对比加强轮廓使物体的外形更加清晰[16]。经过伪装后,物体的边缘形状变得不明显,与背景的融合程度较高。形状特征不随图像的颜色或灰度细节变化,具有较好的稳定性和良好的平移、旋转、缩放等空间几何不变性。采用7个Hu不变矩描述形状特征,将形状特征向量归一化,利用欧氏距离度量伪装目标与背景形状特征向量的相似度,形状相似度(SS1)计算公式如下:
式中:
2.1.5 尺寸相似度
尺寸轮廓可分为斑点核心单元间的轮廓和目标样件的整体轮廓,斑点轮廓影响斑点之间的衔接及图案的色彩渐变性,从而暴露目标[17]。迷彩伪装图案设计中使用不同比例的颜色斑块混合从而改变目标外形,在伪装学上多色迷彩混为单色之间的距离即为有效伪装距离,斑块尺寸反映了目标的伪装能力。采用基于小波分解的多尺度特征描述斑点尺寸特征,对图像进行多层小波分解,比较不同层次上目标和背景的低频图像纹理特征,可以较好地反映迷彩图案在不同探测距离上的伪装效果。采用db4小波作为Mallat分解与重构的母小波对图像进行三层小波分解,统计各层次的低频分量得到斑点尺寸特征,将斑点尺寸特征向量归一化,利用曼哈顿距离计算伪装目标和背景间尺寸相似度(SS2):
式中:
2.1.6 FSIM相似度
基于底层特征的特征相似度评估算法(FSIM)相比SSIM引入HVS对图像特征理解的优先度概念,位于物体轮廓的像素有助于更好理解目标结构[18]。其中,相位一致性特征(PC)可以很好刻画图像局部结构且对于图像的变化具有相对不变性,梯度特征(GM)能表征图像在强度或颜色方向的边缘信息变化,将获取的特征相结合得到FSIM,计算公式如下:
式中:
2.1.7 直方图相似度
伪装目标和背景图像均由像素点集合组成,图像直方图是图像像素数据分布的统计学特征,是图像的基本属性,描述了图像中灰度分布情况,能够直观展示图像中灰度级概率分布[19]。点特征是图像的重要特征,具有旋转不变性和不随光照条件变化的优点,提取图像点特征不会损失重要的特征信息。采用余弦相似度度量伪装目标和背景图像直方图间的相似性(SH),计算公式如下:
式中:
2.2 目标/背景综合相似度
熵权法是一种客观赋权法,克服了人为因素的影响,所提方法采用熵权法客观确定组合得到的多维特征中各个特征相似度的权重系数,线性加权得到目标与背景的综合相似度,对目标伪装效能进行定量评估。这样既可避免主观确定权重算法受决策者主观影响大,存在较强的个体干扰,又可避免非线性确定权重算法缺乏足够的数据量及样本划分困难问题[20]。
熵权法的基本思路[8]是根据指标数据变异性的大小来确定客观权重,指标序列数值的差异越大,信息熵值越小,该项特征的分配权重越大。利用熵权法计算目标与背景综合相似度的步骤如下:
1)评价指标数据标准化。目标评价指标体系记为
2)计算第i个目标的第j个指标的比重:
3)计算第j个指标的信息熵:
4)计算第j个指标的权重:
指标权重确定后即可明确具体背景下各个指标对综合相似度的影响程度。
5)加权计算具体背景下伪装目标与背景的综合相似度:
式中:S为综合相似度。S的取值范围是0~1,值越接近1,伪装目标和背景图像越相似,伪装效能越高。
3 实验结果与分析
进行不同背景、不同侦察距离、不同目标姿态下的多组实验,验证伪装目标与背景的综合相似度具有与目标发现概率一致性、与探测距离一致性、背景鲁棒性,从而验证所提目标伪装效能评估方法的正确性和有效性。还将所提方法与基于光谱反射率曲线的评估方法、基于色差仪的评估方法进行了对比实验,验证了其可靠性。
3.1 实验数据
野外实验中将不同伪装目标放置于不同水平/垂直探测距离下的不同背景区域中,可见光图像由Dji M300RTK多旋翼无人机搭载ZENMUSE H20T相机镜头在伪装目标的正上方不同垂直探测距离下拍摄以及手持相机在伪装目标的正前方不同水平探测距离下拍摄。
实验背景复杂多样,包括土壤、植被、砖石、林地等典型**背景;实验伪装目标主要包括不同涂层的伪装样板、身穿不同伪装服的人员;实验气候条件是春季晴朗天气、微风、日照强度中等。
3.2 不同垂直探测距离下涂层样板伪装效能评估
将1#~5#伪装样板固定放置于植被、植被/土壤、土壤、人造砖石等4种典型背景区域,1#是纯铝基板,2#是90%荒漠系正四边形核心单元迷彩伪装样板,3#是60%荒漠系正六边形核心单元迷彩伪装样板,4#是80%植被系正四边形核心单元迷彩伪装样板,5#是90%植被系正六边形核心单元迷彩伪装样板。无人机飞于伪装样板正上空12 m、17 m、22 m、27 m、32 m、42 m、52 m,同地面呈垂直角度拍摄图像,4种典型背景区域图像如
图 3. 植被背景不同垂直探测距离下伪装样板图像
Fig. 3. Camouflage template images under different vertical detection distances in vegetation background
所提方法计算得到的植被背景不同垂直探测距离下5种伪装样板的伪装效能评估结果如
表 1. 植被背景不同垂直探测距离下5种伪装样板的伪装效能评估结果
Table 1. Camouflage effectiveness evaluation results of five camouflage templates under different vertical detection distances in vegetation background
|
所提方法计算得到的不同垂直探测距离下5种伪装样板在植被、植被/土壤、土壤、人造砖石典型背景下的伪装效能评估结果如
表 2. 典型背景不同垂直探测距离下5种伪装样板的伪装效能评估结果
Table 2. Camouflage effectiveness evaluation results of five camouflage templates under different vertical detection distances in typical backgrounds
|
利用YOLO目标检测识别算法[21]计算同一背景不同垂直探测距离下5种伪装样板的发现概率,将其与综合相似度进行拟合,得到伪装样板的发现概率与综合相似度的拟合曲线,如
图 4. 不同垂直探测距离下伪装样板的综合相似度与发现概率拟合曲线
Fig. 4. Fitting curves of synthetic similarity and discovery probability of camouflage templates under different vertical detection distances
3.3 不同垂直探测距离下伪装服人员伪装效能评估
将1#~6#身穿不同伪装服的人员以不同姿态处在植被/土壤背景区域,地面草地分布稀疏不一,1#是身穿雪地系伪装服趴伏人员,2#是身穿植被/土壤系伪装服趴伏人员,3#是身穿林地系伪装服站立人员,4#是身穿植被系伪装服半蹲人员,5#是身穿林地/土壤系伪装服半蹲人员,6#是身穿土壤系伪装服蹲姿人员。无人机飞于人员正上空40 m、60 m、80 m、100 m、120 m距离,同地面呈垂直角度拍摄图像,植被/土壤背景不同垂直探测距离下伪装服人员图像如
图 5. 植被/土壤背景不同垂直探测距离下伪装服人员图像
Fig. 5. Camouflage personnel images under different vertical detection distances in vegetation/soil background
图 6. 植被/土壤背景不同垂直探测距离下伪装服人员和背景图像
Fig. 6. Camouflage personnel and background images under different vertical detection distances in vegetation/soil background
所提方法计算得到的植被/土壤背景不同垂直探测距离下6种伪装服人员的伪装效能评估结果如
表 3. 植被/土壤背景不同垂直探测距离下6种伪装服人员的伪装效能评估结果
Table 3. Camouflage effectiveness evaluation results of six camouflage suits under different vertical detection distances in vegetation/soil background
|
利用YOLO目标检测识别算法[21]计算同一背景不同垂直探测距离下6种伪装服人员的发现概率,将其与综合相似度进行拟合,得到伪装服人员的发现概率与综合相似度的拟合曲线,如
图 7. 不同垂直探测距离下伪装服人员的综合相似度与发现概率拟合曲线
Fig. 7. Fitting curves of synthetic similarity and discovery probability of camouflage suits under different vertical detection distances
3.4 不同水平探测距离下伪装服人员伪装效能评估
将1#~3#身穿不同伪装服的人员站立置于林地背景区域,1#是未伪装人员,2#是身披绿色伪装布料人员,3#是身披星空迷彩伪装布料人员。手持相机置于人员正前方5 m、10 m、20 m、30 m距离,同地面呈水平角度拍摄图像,林地背景不同水平探测距离下伪装服人员图像如
图 8. 林地背景不同水平探测距离下伪装服人员图像
Fig. 8. Camouflage personnel images under different horizontal detection distances in woodland background
图 9. 林地背景不同水平探测距离下伪装服人员和背景图像
Fig. 9. Camouflage personnel and background images under different horizontal detection distances
所提方法计算得到的林地背景不同水平探测距离下3种伪装服人员的伪装效能评估结果如
表 4. 林地背景不同水平探测距离下3种伪装服人员的伪装效能评估结果
Table 4. Camouflage effectiveness evaluation results of three camouflage suits under different horizontal detection distances in woodland background
|
利用YOLO目标检测识别算法[21]计算同一背景不同水平探测距离下3种伪装服人员的发现概率,将其与综合相似度进行拟合,得到伪装服人员的发现概率与综合相似度的拟合曲线,如
图 10. 不同水平探测距离下伪装服人员的综合相似度与发现概率拟合曲线
Fig. 10. Fitting curves of synthetic similarity and discovery probability of camouflage suits under different horizontal detection distances
3.5 对比实验
将所提方法与基于光谱反射率曲线的评估方法[18]、基于色差仪的评估方法[18]进行对比实验,验证其的可靠性。参照文献[18],将纯铝基样板、正四边形迷彩基本单元样板M1、正六边形迷彩基本单元样板M2置于植被/土壤背景中,无人机拍摄高度为42 m,获得的样板图像如
式中:
基于光谱反射率曲线的评估方法利用光谱测量仪对目标和背景进行光谱反射率曲线测量,进而利用光谱角计算目标与背景的相似度。上述两种评估方法都需要依靠仪器辅助测量,所测得的目标与背景差异准确可靠,因此将所提方法与两者的评估结果进行一致性分析。利用光谱仪测量得到样板与背景的光谱反射率曲线,如
表 5. 3种方法的伪装效能评估结果
Table 5. Camouflage effectiveness evaluation results of three methods
|
4 结论
基于人眼视觉注意机制组合亮度、颜色、纹理、形状、尺寸、结构、直方图等7个典型特征来全面评估目标伪装效果,然后使用熵权法客观确定多维特征的权重,最后将特征权重与特征相似度加权得到目标与背景的综合相似度,从而定量评估不同背景下伪装目标的伪装效能。不同背景、不同侦察距离、不同目标姿态下的多组实验表明:所提伪装目标与背景的综合相似度具有与目标发现概率一致性、与探测距离一致性、背景鲁棒性,证明了所提目标伪装效能评估方法的正确性和有效性;对比实验证明了其可靠性。据此既可促进高价值**装备伪装技术的发展,又可促进目标侦察技术的发展。
本文研究了可见光谱段的目标伪装效能评估,随着伪装与侦察技术谱段的扩展,后续将深入研究雷达和红外谱段的目标伪装效能评估,进一步促进高价值**装备伪装技术和目标侦察技术的发展。
[1] 王荣昌, 王峰, 任帅军, 等. 基于双流融合网络的单兵伪装偏振成像检测[J]. 光学学报, 2022, 42(9): 0915001.
[2] 谢家豪, 黄树彩, 韦道知, 等. 空天红外探测系统对无人机集群探测能力分析[J]. 光学学报, 2022, 42(18): 1812002.
[3] 余毅, 刘震宇, 孙志远, 等. 靶场光电测量设备发展现状及展望[J]. 光学学报, 2023, 43(6): 0600002.
[4] 甘源滢, 刘春桐, 李洪才, 等. 光学图像伪装效果评估研究现状及关键问题[J]. 应用光学, 2019, 40(6): 1050-1058.
[5] 汪克亮, 刘志刚, 王艺婷, 等. 目标光学伪装效果评价方法综述[C]∥国家安全地球物理丛书(十六)——大数据与地球物理. 西安: 西安地图出版社, 2020: 155-161.
WangK L, LiuZ G, WangY T, et al. Review on evaluation methods of target optical camouflage effect[C]∥National security Geophysics Series (16)—Big Data and Geophysics. Xi’an: Xi’an Map Publishing House, 2020:155-161.
[6] Pike T W. Quantifying camouflage and conspicuousness using visual salience[J]. Methods in Ecology and Evolution, 2018, 9(8): 1883-1895.
[7] Xue F, Wu F, Wang J W, et al. Camouflage texture design based on camouflage performance evaluation[J]. Neurocomputing, 2018, 274: 106-114.
[8] 李中华, 喻钧, 胡志毅, 等. 一种迷彩伪装效果评价指标权重分配算法[J]. 火力与指挥控制, 2019, 44(10): 49-54.
Li Z H, Yu J, Hu Z Y, et al. A weight allocation algorithm of camouflage evaluation index[J]. Fire Control & Command Control, 2019, 44(10): 49-54.
[9] Bai X Q, Liao N F, Wu W M. Assessment of camouflage effectiveness based on perceived color difference and gradient magnitude[J]. Sensors, 2020, 20(17): 4672.
[10] Mondal A. Camouflage design, assessment and breaking techniques: a survey[J]. Multimedia Systems, 2022, 28(1): 141-160.
[11] 王博, 高玉斌, 鲁旭涛. 基于光谱探测与图像识别的反伪装目标系统研究[J]. 光谱学与光谱分析, 2015, 35(5): 1440-1444.
[12] 郭子淳, 姜毅, 李静, 等. 光学侦察卫星对地机动目标侦察性能的评估[J]. 现代防御技术, 2017, 45(6): 131-137.
Guo Z C, Jiang Y, Li J, et al. Evaluation of reconnaissance performance of optical satellites for ground maneuvering targets[J]. Modern Defence Technology, 2017, 45(6): 131-137.
[13] Chen Z, Ni J, Zhang L, et al. Research on relation model of optical camouflage similarity and identification probability of marine targets[J]. Proceedings of SPIE, 2018, 10797: 107970W.
[14] 王鹏烨, 赵德辉, 李明锋. 基于图像修复技术的目标可见光伪装效果评价[J]. 激光与光电子学进展, 2018, 55(3): 031011.
[15] 文刘强, 吕绪良, 荣先辉. 基于视觉特性及图像相似度的光学伪装效果评估[J]. 防护工程, 2012, 34(1): 22-26.
Wen L Q, Lü X L, Rong X H. Optical camouflage assessment based on visual characteristics and image similarity[J]. Protective Engineering, 2012, 34(1): 22-26.
[16] 应家驹, 何永强, 陈玉丹, 等. 基于特征综合的红外动态伪装效果评估[J]. 半导体光电, 2019, 40(3): 407-411.
[17] 赵晓枫, 吴飞, 徐叶斌, 等. 基于改进梯度相似度的红外隐身伪装评价方法[J]. 电光与控制, 2022, 29(2): 7-11.
[18] Xu C, Liu C Y, Fang G, et al. Design, preparation and performance evaluation of core unit in multispectral camouflage coating[J]. Infrared Physics & Technology, 2022, 121: 104013.
[19] Guo L, Chen W L, Liao Y, et al. Multi-scale structural image quality assessment based on two-stage low-level features[J]. Computers & Electrical Engineering, 2014, 40(4): 1101-1110.
[20] Wang L, Zhou Y, Li Q, et al. Application of three deep machine-learning algorithms in a construction assessment model of farmland quality at the County scale: case study of Xiangzhou, Hubei Province, China[J]. Agriculture, 2021, 11(1): 72.
[21] 王杨, 曹铁勇, 杨吉斌, 等. 基于YOLO v5算法的迷彩伪装目标检测技术研究[J]. 计算机科学, 2021, 48(10): 226-232.
Wang Y, Cao T Y, Yang J B, et al. Research on camouflage target detection technology based on YOLO v5 algorithm[J]. Computer Science, 2021, 48(10): 226-232.
Article Outline
时萌玮, 闫钧华, 徐国跃, 张寅, 胡旭彤, 钱淇. 基于相似度的目标可见光谱段伪装效能评估[J]. 激光与光电子学进展, 2024, 61(4): 0430001. Mengwei Shi, Junhua Yan, Guoyue Xu, Yin Zhang, Xutong Hu, Qi Qian. Research on the Evaluation of Target Camouflage Effect in Visible Spectrum Based on Similarity[J]. Laser & Optoelectronics Progress, 2024, 61(4): 0430001.