复杂背景下显著度表征的车辆伪装效果动态评估

王冬,高钦和,黄通,刘志浩,高蕾

(火箭军工程大学 导弹工程学院,陕西 西安 710025)

0 引言

现代战争中,地面战场受到搭载于多种观测平台(卫星、侦察机、无人机)的多种传感器(可见光、红外、多/高光谱、雷达)的高频重访探测,实时形成多空间、多时间、多光谱分辨率和多极化、多角度的二维数字图形,对感兴趣目标(TOI)进行侦测识别[1]。军事高价值目标被发现往往意味着被摧毁,军事迷彩从亮度、颜色、纹理和轮廓等方面通过相似设计、纹理变形使目标与背景在视觉上融为一体,降低被发现概率,起到“隐真”的伪装效果[2]。因此客观评估并提升武器装备的伪装效果,降低被发现概率,是增强武器装备生存能力的关键。虽然不同平台和传感器的成像原理迥异,但对TOI的侦测识别都是从复杂地面二维数字矩阵中查找出显著目标的过程。作为隐蔽方,目标伪装后与背景的融合度越高,显著度越小,被发现概率就越低,相应的伪装效果也越好。因此可通过对伪装后目标相对于背景的显著度分析来评估伪装效果的优劣。

目前广泛采用人眼视觉注意机制的目标显著度的主观和客观计算方法[3]。主观方法是对人为目视观察结果进行统计分析,容易受人力、物力和天气等客观条件和观察员主观能力的影响,具有较大的局限性[4]。客观方法通过人工提取显著度特征进行评估[5-6],或用神经网络提取深度特征进行显著图描述[7],对装备的伪装设计和作战使用具有较好的指导作用。其中,基于空海背景的目标探测和伪装隐身技术研究较多,胡建明等[8]研究了天基观测复杂环境要素对目标可探测性的影响规律。宋明珠等[9]用海浪谱理论及尾迹模型对暗弱海洋目标的可探测性进行了研究。而地面车辆目标探测和伪装研究,受限于地貌背景复杂性和目标小尺寸特点,主要在局部显著性特征或特定环境条件下展开。赵晓枫等[10]构建单步多框目标检测(SSD)网络对复杂背景下特种车辆的红外隐身伪装效果进行了评估。马世欣等[11]等从光谱差异性和整体伪装特征的显著性指标对高光谱伪装效果评估方法进行了研究。王展等[6]着重用5项光学特征对不同迷彩伪装状态进行了多指标综合评价。相对于空海背景下的目标伪装性能研究,复杂地貌背景下,面向作战任务,针对机动车辆迷彩伪装效果进行动态综合评估的研究还需进一步加强。

因此,本文从地面车辆在复杂地貌背景下的显著度入手,提取目标和背景超像素图像的多尺度多维特征,引入本地显著度和目标显著度概念,采取复相关系数和变异系数法进行特征筛选降维,提出一种复杂地貌背景下基于背景超像素和显著度综合表征的迷彩伪装效果评估方法。实验验证表明,该方法能够基于侦察二维图像,对车辆目标在复杂地貌背景下的伪装效果进行量化评估,为伪装设计和作战运用优化提供量化支撑。

1 复杂地貌背景下目标综合显著度表征

相对于较为单一的天空和海面背景,复杂地貌背景具有自然特征复杂性、伪装影响复杂性和仿真建模复杂性等特点[12]。自然特征的复杂性是指环境要素和地貌特点多样,地面车辆的战场背景包括不同类型的林地、草甸、戈壁、公路以及散落的民居等多种地貌。伪装影响复杂性是指伪装目标在地面战场活动时,受自然特征复杂性影响,目标伪装方案与背景的耦合伪装效应动态多变。受制于自然特征复杂性和伪装影响的复杂性,仿真建模复杂性是指在伪装效果仿真研究中,对于不同的需求,对目标所在地貌环境的仿真建模,要多方面考虑采样颗粒度、环境分辨率和仿真资源等因素,导致动态伪装效果评估中的仿真复杂性。基于此,本文用地面目标在复杂背景中实时的综合显著度来表征其动态伪装效果。

目标在复杂地貌背景上的综合显著度Sa,有Sa∈[0,1],当Sa接近0时,表示目标与背景高度融合,具有较好的伪装效果;当Sa接近1时,表示目标明显异于背景,伪装效果较差。Sa由两部分组成(见图1)：一是目标所处背景局部区域相对于整个背景图像的视觉特征显著度,即本地显著度SaL;二是目标相对所处背景局部区域的视觉特征显著度,即目标显著度SaT。

图1 复杂地貌背景下目标显著度表征Fig.1 Saliency characterization of target in complex landform background

1.1 本地显著度的超像素邻域表征

1.1.1 背景图像的超像素分割

超像素是指将图像中具有相似特征的相邻像素划分为有一定同质性的图像块,以超像素块为基本单位,代替大量的像素来表达图像特征,能够大大减少处理图像的复杂度。而在迷彩伪装效果评估中,车辆目标所处的地域大多含有林地、公路、散落民居等不均匀地貌,用适量的超像素块表达复杂地貌背景,降低图像处理复杂度的同时,保证评估维度,对有限的背景图像进行特征挖掘,有利于显著度特征的筛选。

常用的超像素分割算法主要有基于图论和梯度下降的方法两类,显著度检测较常用的是基于梯度下降的简单线性迭代聚类(SLIC)算法[13]。它在CIE-Lab颜色和二维坐标空间构造的5维特征向量空间里,以加权的颜色和坐标空间的欧式距离度量特征距离：

(1)

式中：DCIE-Lab为P1、P2两个像素在CIE-Lab颜色空间三通道向量的欧氏距离,DCIE-Lab=‖P1(L,a,b)-P2(L,a,b)‖,‖·‖ 表示欧式距离;m调节颜色和位置的权重,一般取m=20;Dco为P1、P2两个像素坐标的欧式距离,Dco=‖P1-P2‖。算法使用特征距离进行迭代聚类,每轮迭代将像素点与其所属种子点的特征距离作为迭代聚类误差。在伪装侦察效果评估中,背景初始超像素大小根据车辆目标长度l来确定,取步长为2l,则初始超像素个数K=floor(N/4l2),N为图像像素总数,图2为不同个数背景超像素分割结果示例。

图2 背景图像的超像素分割Fig.2 Superpixel segmentation of background image

1.1.2 基于邻接超像素对比的本地显著度

目标所在背景超像素块的本地显著度,取决其与周围邻域超像素的关键特征差异,采用邻接超像素对比方法构建背景本地显著度表征[14],如图3所示。图3中黄色点为当前评估超像素块,与之相邻共享一个边缘的蓝色点为邻接超像素节点。图3中临接超像素节点总数为N,中心节点显著度采用邻接超像素对比模型进行局部差异性计算,节点表示所在超像素j与中心超像素i显著度特征向量的欧氏距离,节点相互连接的边代表该超像素对中心超像素显著度的影响权值ω,受邻接超像素特征差异大小约束,差异越大、权重越大,差异越小权重越小。

图3 邻接超像素对比模型Fig.3 Adjacent superpixel comparison model

中心超像素i相对于临接超像素的显著度即本地显著度表示为

(2)

1.2 目标显著度表征

目标与所处背景块的视觉特征差异度计算,首先要将目标图像与背景图像进行同质化预处理,使目标图像格式、分辨率和大小与地貌背景一致,剔除原目标图像无关像素,将目标图像视为一个超像素与背景各超像素进行特征比对,计算目标图像与背景超像素的距离,归一化后得目标显著度：

SaT=dis(FT,FGi)

(3)

式中：FT为车辆目标特征向量;dis代表两向量的距离。根据不同特征可以采用绝对距离、欧氏距离和特征直方图的交等多种距离计算方式。

1.3 目标相对背景综合显著度表征

本地显著度SaL与目标显著度SaT综合形成目标相对背景的综合显著度Sa,因此Sa可表示为二维向量空间{SaL,SaT},SaL∈[0,1],SaT∈[0,1]到实数域Sa∈[0,1]的一组泛函：

(4)

综合显著度函数是式(4)表示泛函中由向量(SaT,SaL)到实数Sa的某一函数Sa=f(SaT,SaL)。从本地显著度与目标显著度的关系可得,综合显著度属于0到1 的闭区间;当本地显著度与目标显著度均为1时,综合显著度也为1;目标显著度为0,综合显著度也为0;本地显著度为0,综合显著度等于目标显著度;目标显著度为1,综合显著度也为1。因此,综合显著度函数满足边界约束条件：

(5)

在以上边界条件之外的区域,这样一组泛函不存在极值约束条件,无法用变分法求解综合显著度函数。但通过函数影响关系分析可知,本地显著度越大,其对目标显著度是累加作用越明显,即综合显著度与目标显著度的差也越大。而在目标显著度和本地显著度两个方向上,综合显著度均为单调递增,即两个方向的梯度均不小于0。综合边界条件式(5)及以上分析,选用幂函数进行计算机迭代验算,综合显著度函数可表示为

(6)

式中：σ为本地显著度影响强度因子,是背景复杂度的反映,地貌越复杂,本地显著度对综合显著度影响越大,σ也就越大。取背景中亮度、颜色、纹理、斑点等视觉特征差异度作为评估要素,依据作战任务环境确定灰类和隶属度函数,采用灰色聚类法确定背景复杂度和显著度影响因子σ,如图4所示。

图4 综合显著度函数Fig.4 Comprehensive saliency function

2 显著度特征提取筛选

2.1 基于人类视觉模型的伪装图像多维特征提取

人类视觉显著度计算模型分为自底向上(UP)和自顶向下(TD)的两类[15]。对复杂地貌背景下地面车辆目标的探测识别,实时性和快速性要求高,基于数据驱动、无任务及先验知识参与的UP模型具有更强的适应性,目前经典的视觉显著度计算模型如表1所示。

表1 经典视觉显著度模型及其表征Table 1 Classical visual saliency model and its characterization

综合分析现有视觉显著度的算法,伪装目标的暴露征候,包括复杂背景和车辆迷彩伪装后图像的亮度、颜色、纹理、斑点、轮廓、频域和距离等方面的差异性,本文从统计特征、结构特征和频域特征三方面提取目标和侦察图像9个维度特征。

2.1.1 统计特征

2.1.1.1 CIE-Lab空间亮度

CIE-Lab空间亮度值为L通道值,其取值范围 0～100。x、y两图的平均亮度为Lx、Ly,其差异为

D1=|Lx-Ly|

(7)

2.1.1.2HSV空间颜色

采用HSV颜色空间直方图进行显著度表征[24]。H表示图像的色相,取值范围为0°～360°,S、V分别表示图像的饱和度和亮度,取值范围为0～1。将H、S、V三个通道的值域分别量化为12、5、5个区间,颜色特征量为C=12H+5S+V,共300个区间,用HSV量化直方图的交表征颜色差异度：

(8)

式中：Hx(i)、Hy(i)分别为x、y两张图像量化直方图中第i个区间C值数量占比。

2.1.1.3 Hu矩

图像的Hu矩是一种具有平移、旋转和尺度不变性的图像特征[25],灰度图像的7个Hu不变矩φ1～φ7构成特征向量FHu=[φ1,φ2,φ3,φ4,φ5,φ6,φ7],x、y两图差异度为特征向量的欧式距离：

D3=‖FHux-FHuy‖

(9)

2.1.1.4 颜色矩

颜色矩是用R、G、B三通道空间直方图的矩表征颜色特征的统计量[26],分别取三个通道的1阶矩μR、μG、μB,2阶矩σR、σG、σB和3阶矩sR、sG、sB,构成特征向量Fcol=[μR,μG,μB,σR,σG,σB,sR,sG,sB],用欧式距离作为颜色差异度量：

D4=‖Fcolx-Fcoly‖

(10)

2.1.2 结构特征

2.1.2.1 GLCM纹理特征

(11)

2.1.2.2 结构相似性指数结构特征

图像亮度、对比度和结构3个模块构成结构相似性指数(Structure Similarity Index Measure,SSIM)结构特征[28],结构差异性表示为

(12)

式中：μx、μy、σx、σy、σxy分别为两张灰度图像x、y的平均灰度、灰度标准差和协方差。

2.1.3 频域特征

2.1.3.1 低频特征

二维离散余弦变换(DCT)将图像从空间域转换到频率域的同时,舍弃高频系数,保留低频系数,低频系数体现目标的轮廓和灰度分布特性。采用局部二值模式(LBP)[29]提取低频特征,使用欧氏距离进行差异性表征：

(13)

2.1.3.2 谱残差特征

谱残差(SR)方法[17]是图像二维离散傅里叶变换后,进行对数谱分析,提取光谱域的谱残差,返回空间域进行显著度特征提取和对比。用SR方法生成图像的显著图,提取的LBP和pHash值进行显著度分析：

(14)

(15)

2.2 目标与背景多尺寸多维显著度矩阵

在迷彩伪装效果评估中,需要考虑车辆在多种侦察手段下不同分辨率图像的显著度特征。根据分辨率由高到低分别构建背景和目标图像的多尺度图像,将背景图像分割为k个超像素,对应层级的车辆图像分别与k个超像素块进行差异度对比,形成多尺度多维特征距离矩阵。

第r(r∈{1,2,…,R})个尺度下,车辆与背景的k个超像素之间的9个特征距离向量构成目标距离矩阵：

(16)

第r个尺度下,背景的k个超像素之间每个特征距离均构成1个对称矩阵,共9个背景超像素距离矩阵：

(17)

由于距离度量量纲不同,矩阵中各维向量存在大小不一的情况,有时相差很大,需要将向量归一化到相同的区间。采用高斯归一化方法分别计算各特征向量的均值m和方差σ,用式(18)将各距离向量归一化到[0,1]区间。

(18)

(19)

每个背景的9个特征距离矩阵归一化后,采用邻接超像素模型,形成背景显著度单一特征显著度向量,组合得到单尺度的背景各超像素的本地显著度矩阵：

(20)

将R个不同尺度的显著度矩阵整合后形成R×9维的目标显著度矩阵和本地显著度矩阵。

(21)

(22)

根据式(6),得到目标多维多尺度的综合显著度矩阵：

(23)

2.3 多维显著度特征筛选降维

显著度特征矩阵从多尺度多角度反映车辆目标相对于背景的显著度特征,但是多维特征矩阵存在特征冗余和信息含量不均衡的问题,因此需要对多维显著度特征进行筛选降维。降维从不同尺度到维度组合,采用复相关系数(Complex correlation coefficient,CRR )法和变异系数(Coefficient of variation,CV )法循环剔除的方法。

2.3.1 复相关系数法的冗余特征剔除

多维显著度特征不仅要定量描述目标和复杂背景的差别,同一目标特征值之间不能存在明显的相关性,复相关系数能够度量一个变量与其他多个变量之间的线性相关程度,采用复相关系数法可以有效剔除显著度特征矩阵中相关性高的重复特征。变量z与其他变量x1,x2,…,xk之间的复相关系数：

(24)

算法1

1：矩阵数据标准化,采用最大最小归一化算法

2：设置复相关系数阈值e,若Rc≥e,认为相关性很强,剔除该特征,一般取e=0.9[30]

3：repeat(循环计算剩余维特征)

4：分别计算每一维特征与其他维特征的复相关系数

5：find复相关系数最大值Rmax及其特征序号i

6： ifRmax≥e

7： 剔除第i维特征

8： end if

9：untilRmax

图5 基于复相关系数的循环特征筛选算法
Fig.5 Cyclic feature screening algorithm based on CRR

2.3.2 变异系数法的有效信息特征筛选

剔除相关性特征后,剩余特征中存在信息含量不高,对评估结果影响不大的指标也应该剔除。变异系数反映了特征单位均值上的离散程度,表示特征有效信息的含量,表示为

(25)

算法2

1：用式(25),计算n维特征各自变异系数

2：按照变异系数由大到小降序排列

CV(1)≥CV(2)≥…≥CV(n)

3：计算累积信息贡献度

4：设定阈值r0=0.85[30]

5： ifrp≥r0≥rp-1

6： 保留前p个特征,剔除剩余特征

7： end if

图6 基于变异系数累积信息的特征筛选算法
Fig.6 Feature screening algorithm based on the

cumulative information of CV

2.3.3 多维显著度矩阵特征筛选

式(23)的综合显著度矩阵,均包含R个尺度层和n个特征构成的R×n维的显著度向量,需要对其进行降维处理,对于任一R×n维显著度矩阵：

(26)

提取第i个特征的R个尺度的显著度向量,构成该特征R维的显著度矩阵：

(27)

计算各向量的变异系数CV,取变异系数最大的向量作为该特征的显著度向量：

(28)

原R×n维显著度矩阵降维表示为n个特征显著度向量组成的n维矩阵：

(29)

依次采用CRR和CV算法,剔除Sa(n)中的冗余和信息含量不高的向量,显著度特征矩阵由R×n维减少至p维,形成车辆图像相对于背景各超像素的k×p有效显著度矩阵：

Sa=CV(CRR(Sa(n)))

(30)

通过对矩阵向量进行最大变异系数、最大平均显著度或综合熵值法分析,可实现车辆相对于背景的伪装效果的定量分析。

3 车辆目标迷彩伪装效果评估方法

综合复杂地貌背景、车辆目标和伪装侦测手段,提出基于显著度综合表征的复杂背景下车辆目标迷彩伪装效果评估方法,如图7所示。

图7 复杂背景下车辆迷彩伪装效果评估方法Fig.7 Evaluation method of vehicle camouflage effect in complex background

具体步骤如下：

1)图像预处理。根据侦察分辨率级别,确定图像尺度层数,分别对目标和背景进行多尺度划分,同尺度目标和背景图像同质化处理;根据目标与背景尺寸,确定超像素个数,对背景图像进行超像素分割;

2)多维特征提取。选取评估特征,分别提取目标和各超像素的多维度特征,构造多维度特征向量矩阵;

3)本地和目标显著度计算。确定特征差异性计算方法,分别计算目标与各超像素、各超像素之间的特征差异值,对差异值进行归一化处理,形成多维多尺度本地和目标显著度矩阵;

4)多维多尺度显著图生成。根据背景各超像素差异性,使用综合显著度表征方法,形成目标与各超像素的多维多尺度综合显著度表征;

5)多维特征筛选。使用CRR算法剔除冗余特征,使用CV算法优选信息含量较高特征,形成有效显著度特征矩阵;

6)迷彩伪装效果评估。根据评估需求和有效显著度矩阵,采用熵权法计算综合显著度,进行车辆迷彩伪装效果评估。

4 实验验证及应用分析

为了进一步验证算法的可行性和应用性,评估机动车辆在航空可见光侦察下的伪装效果,收集不同的航拍背景图像和车辆伪装状态图像,提取多维特征进行比对,计算各伪装状态在不同背景下的显著度,分析其环境适应性和伪装效果。

4.1 图像选取及超像素分割

从DOTA遥感图像目标识别数据集[31]中选择遥感背景图像,以2张具有典型代表特征的地面光学遥感图像作为示例,其中背景1为含有公路的夏季丛林地貌背景,背景2为含有道路和水泥场地的戈壁荒漠背景。截取待评估车辆长度10倍幅宽,视场尺寸为200 m×200 m、大小为2 000像素×2 000像素、分辨率为254 dpi的原始背景图像,等效侦察分辨率为0.1 m,按超像素数k=10×10进行SLIC分割,如表2所示。两个复杂地貌背景,经超像素分割形成了相对单一的超像素特征块,包括丛林、草甸、荒漠等自然地貌,和混凝土公路、水泥场坪、一般道路等人工地貌,各超像素块的光学特征差异明显。

表2 背景图像及超像素分割Table 2 Background image and superpixel segmentation

某型特种车辆进行3种不同状态的伪装：状态1为车辆自身大斑点丛林迷彩涂装状态,车辆本体表面涂覆光学迷彩伪装材料,形状和结构特征未遮蔽;状态2为车辆覆盖全波段数码丛林迷彩伪装网,模拟丛林地貌特征,伪装网紧密覆盖车辆,遮蔽了部分结构特征,未做变形展开,为机动伪装状态;状态3为覆盖全波段数码荒漠迷彩伪装网,模拟戈壁荒漠地貌特征,伪装网变形展开,遮蔽结构和形状特征,为固定隐蔽待机状态。采集3种伪装状态无人机俯拍图像裁剪后,与背景图像进行同质化处理,伪装图像所代表实际尺寸不变,调整图像分辨率为254 dpi,使伪装图像等效侦察分辨率与背景图像相同均为0.1 m,保留伪装状态特征的同时,使伪装状态图像与背景图像相匹配。

根据典型军事探测手段,按照等效侦察分辨率0.1 m、0.2 m、0.5 m、1.0 m,将3个目标和2个背景图像分别处理为254 dpi、127 dpi、50 dpi、25 dpi 4个不同尺度图像,各层对应2个背景图像和3个伪装状态图像。

4.2 显著度特征计算及筛选

按照2.1节中选取的9个视觉特征,在同一尺度层下,提取车辆的3种伪装状态和2个背景图像所有超像素的特征向量;根据9个视觉特征的差异度计算公式,分别计算目标与各超像素和各超像素之间的特征距离,用式(18)归一化,按2.2节构造显著度矩阵,各特征优选显著度变异系数最大的向量,采用综合显著度公式(23),背景复杂强度因子σ=1,得到各目标图像相对各背景图像的显著图,形成包含3个车辆伪装图、2个背景、9个特征共 54张显著图,如表3所示。由表3可以看出：不同背景和车辆之间在各特征上的显著度明显不同;同背景和目标的情况下,不同超像素代表不同的地貌特征,其显著度也有较大差异。

表3 3种伪装状态在2类背景下9个特征的显著热力图Table 3 Saliency thermal maps of 9 features in 3 camouflage states under 2 types of background

计算9个特征在车辆不同伪装状态相对背景超像素构成的显著度向量的复相关系数和变异系数,如图8所示。图8(a)、图8(b)分别是3种伪装状态对于两个背景超像素显著度向量的复相关系数,伪装状态2在在背景1上,特征Lab亮度和HSV颜色的相关系数分别为0.95和0.93,大于算法1中阈值0.9,为该伪装状态在背景1上进行迷彩伪装效果评估可剔除特征。图8(c)、图8(d)分别是3种伪装状态对于两个背景超像素显著度向量的变异系数,其中GLMC纹理、SSIM结构和DCT-LBP 3个特征的变异系数都比较低,说明其信息含量较小,对后续迷彩伪装效果评估贡献量也较小。特征筛选后的有效特征如表4所示。

表4 筛选后有效特征Table 4 Effective characteristics after screening

图8 各特征显著度复相关系和变异系数Fig.8 CRR and CV of saliency degree with each feature

4.3 迷彩伪装效果评估结果分析

4.3.1 伪装效果关键特征分析

有效特征向量中变异系数最大和平均显著度最大的特征分别代表伪装状态对背景相对较敏感和显著的特征。3个伪装状态相对于2个背景的最大变异系数和最大平均显著度特征如表5所示,伪装状态的SR-pHash特征,即图像二维离散傅里叶变换所提取光谱域的谱残差对背景变化比较敏感。车辆伪装后SR-LBP 和颜色矩两个特征相对背景比较显著,据此可以作为对应伪装状态的重点特征加以改进。

表5 最大变异系数和最大平均显著度特征Table 5 Features of max.CV and max.mean saliency

4.3.2 不同伪装状态优势应用环境分析

由于复杂地貌背景的不均匀性,各有效特征在背景超像素上的显著度差异明显,特征维度上显著度熵信息含量不同,据此采用熵权法确定有效特征的权重,加权计算各超像素上的综合显著度,生成按超像素块划分的车辆各伪装状态在背景图像上的显著图,如表6所示。表6中不同色块代表了伪装状态在各超像素上的显著度大小,由蓝到红代表显著度由0到1,蓝色代表显著度较低,红色代表显著度较高。表6中数字为背景图像各超像素显著度值的平均值,即为对应伪装状态在该背景上的有效特征的综合显著度。

表6 熵权法计算综合显著度Table 6 Comprehensive saliency calculated with entropy weight method

从表6中可以看出：在背景1中,伪装状态2的显著度相对其余两种状态较低,为0.633,说明车辆覆盖全波段数码丛林迷彩伪装网状态在丛林地貌中能够发挥较好的伪装效果,伪装状态2的优势应用环境为与背景1类似的地貌环境;在背景2中,伪装状态3的显著度0.572最低,说明伪装状态3的相对优势应用环境为与背景2类似的地貌环境;伪装状态1在两种背景下的显著度优势相对不够明显。据此可确定各种伪装状态的优势应用环境,依据任务地貌特点,进行显著度更低的伪装状态选择或变换,提高车辆伪装的环境适应性和伪装应用效果。

4.3.3 伪装效果分析

3种伪装状态中,状态1为车辆原始丛林迷彩涂装,状态2车辆覆盖数码丛林迷彩伪装网,状态3车辆进行了数码荒漠迷彩的变形伪装。以状态1的原始涂装的显著度作为基准：在背景1下,状态2覆盖丛林迷彩伪装网后显著度由0.704降低为0.633,下降率即伪装效果提升10.1%;在背景2下,相对于原始涂装的伪装状态1,覆盖数码荒漠迷彩并进行了适度变形的伪装状态3,使显著度由0.690降低至0.572,下降率即伪装效果提升17.1%。说明相对于车辆原始涂装,覆盖数码迷彩伪装网,在各自优势环境中能够不同程度的提升伪装效果,采用变形伪装的状态3,比不进行变形的伪装状态2多提高了7%。数据分析结果与伪装实践经验一致,说明方法能够客观评估车辆不同背景下的伪装效果。

另外,从表6可以看出,在背景1左下方有一条比较明显的道路,分割为了7个相邻的超像素,计算3种伪装状态在这7个超像素上显著度的均值,状态1～状态3分别为0.732、0.720、0.608,说明车辆在该条道路上行进或待机时,采用显著度最低的伪装状态3能够起到较好的伪装效果;相反的,若车辆采用伪装状态1或者状态2在背景1内活动时,要尽量避开该道路,选择其他显著度较低伪装效果较好的区域隐蔽以降低被发现概率。

5 结论

本文提出一种基于复杂地貌背景和综合显著度表征的车辆迷彩伪装效果评估方法,并对方法进行了计算验证和结果分析。得出主要结论如下：

1)基于多维显著度特征的迷彩伪装效果评估方法,综合车辆伪装特征和背景地貌典型特征,结合车辆目标和背景的多尺度二维图像,采用复相关系数和变异系数对冗余特征和信息含量较低的特征进行筛选降维,针对复杂地貌背景特点,综合考虑了车辆伪装方案和复杂地物背景的耦合关系,能够满足作战流程下车辆目标的伪装效果动态评估需求。

2)通过实验验证分析,不同伪装状态在不同背景下的显著性表现差异明显,显著性特征也并不相同,除了人类视觉感知到的颜色、亮度等特征因素外,图像频域和结构也对显著度有较大影响。方法更加符合侦察手段多样化和机器识别深入发展的现状,根据不同伪装场景,从多种伪装特征中筛选有效特征,提高了评估过程的客观性和结果的全面性。

3)本文所提出的迷彩伪装效果评估方法能够结合作战流程实时进行伪装效果评估,为车辆运用环境、隐蔽区域和伪装状态选择提供决策依据和参考。方法通过伪装特征的选择、提取和筛选,也可应用于红外、雷达等二维侦察图像的伪装效果评估,具有一定的普适性和拓展性。