CN110533741A - 一种快速适应战地变化的迷彩图案设计方法 - Google Patents
一种快速适应战地变化的迷彩图案设计方法 Download PDFInfo
- Publication number
- CN110533741A CN110533741A CN201910728027.5A CN201910728027A CN110533741A CN 110533741 A CN110533741 A CN 110533741A CN 201910728027 A CN201910728027 A CN 201910728027A CN 110533741 A CN110533741 A CN 110533741A
- Authority
- CN
- China
- Prior art keywords
- image
- battlefield
- pattern
- images
- several
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013461 design Methods 0.000 title claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 25
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 25
- 239000004744 fabric Substances 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 229920000642 polymer Polymers 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 11
- 239000000975 dye Substances 0.000 claims abstract description 4
- 230000006735 deficit Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 20
- 230000006872 improvement Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种快速适应战地变化的迷彩图案设计方法,包括利用无人机采集多幅战地图像;基于CNN卷积神经网络的方法,搭建样式图像合成网络模型,利用VGG19模型预训练样式图像合成网络模型;按照使用的布料染料简化合成样式图像的色彩空间,将合成样式图像形成迷彩图案;本发明方法通过利用无人机采集多幅即时的战地图像,再通过计算机图像合成技术快速生成与战场背景最为相似的色彩组合及纹理模式,能够最大程度提高迷彩图案的伪装性,设计出的迷彩图案内容图像丰富性高,能够适应具有多变性的实际战场场景,能够提高士兵或装备的伪装安全性。
Description
技术领域
本发明涉及深度学习算法领域,尤其涉及一种快速适应战地变化的迷彩图案设计方法。
背景技术
常规的迷彩图案设计是根据几种典型战场背景颜色,结合特定条纹样式绘制而成,用以提高士兵或装备表面纹理与战场背景的相似度,降低被敌方侦测的风险,然而,实际战场场景的多变性使得相对固定模式的迷彩图案设计难以实现有效伪装,会降低士兵或装备表面纹理带来的伪装效果,不利于战场环境下的安全使用,因此,本发明提出一种快速适应战地变化的迷彩图案设计方法,以解决现有技术中的不足之处。
发明内容
针对上述问题,本发明提出一种快速适应战地变化的迷彩图案设计方法,通过利用无人机采集多幅即时的战地图像,再通过计算机图像合成技术快速生成与战场背景最为相似的色彩组合及纹理模式,能够最大程度提高迷彩图案的伪装性,设计出的迷彩图案内容图像丰富性高,能够适应具有多变性的实际战场场景,能够提高士兵或装备的伪装安全性。
本发明提出一种快速适应战地变化的迷彩图案设计方法,包括以下步骤:
步骤一:利用无人机采集多幅战地图像;
步骤二:利用基于CNN卷积神经网络的方法,搭建样式图像合成网络模型;
搭建样式图像合成网络模型的过程为:
S1:输入原始采集的多幅战地图像序列;
S2:建立白噪声图像,依次在原始多幅战地图像中采样,提取图像内容,分别构成纹理损失子函数和模式损失子函数;
S3:利用VGG19模型预训练样式图像合成网络模型,然后调节纹理损失函数与样式损失函数的权重比,获得更加偏向于原始采集的多幅战地图像“样式”的结果图像,保证合成样式图像与采集的多幅战地图像具有最大的特征相似度;
S4:采用Reinhard颜色迁移算法,保持合成样式图像的色彩空间分布;
然后设定一个纹理图像,将采集的多幅战地图像和纹理图像逐个输入进行合成,形成合成样式图像;
步骤三:按照使用的布料染料简化合成样式图像的色彩空间,将合成样式图像形成迷彩图案。
进一步改进在于:所述步骤一中利用无人机采集多幅战地图像时,需要保证采集的多幅战地图像为具有相同分辨率的清晰图像。
进一步改进在于:所述步骤二中形成合成样式图像的具体过程为:利用基于CNN卷积神经网络的方法,然后将采集的原始多幅战地图像序列、纹理图像以及白噪声图像输入CNN卷积神经网络,再利用格莱姆矩阵分别计算每层卷积层之间的数据,计算原始多幅战地图像中的内容图像与白噪声图像,获得内容损失函数,计算样式图像与白噪声图像风格损失函数,最后将总体的图像损失函数通过反向传播逐步迭代最小化,就能够得到合成样式图像。
进一步改进在于:所述步骤二中总体的图像损失函数如公式(1)所示:
其中,Γtexture为纹理图像损失函数,Γpatten为样式损失函数。
进一步改进在于:所述步骤二S3中利用VGG19模型预训练样式图像合成网络模型时,VGG19模型中,输入的数据每经过一次卷积层或池化层的计算结果输出,都能视作对上一次提取的特征信息进行重建的结果。
进一步改进在于:所述步骤二S3中利用VGG19模型预训练样式图像合成网络模型时,纹理图像的损失函数,应建立在整个图像处理的前几层,保证生成图像总体内容基于内容图像。
进一步改进在于:所述步骤二S3中利用VGG19模型预训练样式图像合成网络模型时,对于合成样式图像需要提取其抽象的特征,合成样式图像的损失函数就要建立在整个图像处理后几层的运算中。
本发明的有益效果为:本发明方法通过利用无人机采集多幅即时的战地图像,再通过计算机图像合成技术快速生成与战场背景最为相似的色彩组合及纹理模式,能够最大程度提高迷彩图案的伪装性,设计出的迷彩图案内容图像丰富性高,能够适应具有多变性的实际战场场景,能够提高士兵或装备的伪装安全性。
附图说明
图1为本发明样式图像合成网络模型示意图。
图2为本发明方法设计方案示意图
图3为本发明实施例中设计出的迷彩图案效果示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2、3所示,本实施例提出一种快速适应战地变化的迷彩图案设计方法,包括以下步骤:
步骤一:利用无人机采集多幅战地图像,需要保证采集的多幅战地图像为具有相同分辨率的清晰图像;
步骤二:利用基于CNN卷积神经网络的方法,搭建样式图像合成网络模型;
搭建样式图像合成网络模型的过程为:
S1:输入原始采集的多幅战地图像序列;
S2:建立白噪声图像,依次在原始多幅战地图像中采样,提取图像内容,分别构成纹理损失子函数和模式损失子函数;
S3:利用VGG19模型预训练样式图像合成网络模型,然后调节纹理损失函数与样式损失函数的权重比,获得更加偏向于原始采集的多幅战地图像“样式”的结果图像,保证合成样式图像与采集的多幅战地图像具有最大的特征相似度,利用VGG19模型预训练样式图像合成网络模型时,VGG19模型中,输入的数据每经过一次卷积层或池化层的计算结果输出,都能视作对上一次提取的特征信息进行重建的结果;纹理图像的损失函数,应建立在整个图像处理的前几层,保证生成图像总体内容基于内容图像;对于合成样式图像需要提取其抽象的特征,合成样式图像的损失函数就要建立在整个图像处理后几层的运算中;
S4:采用Reinhard颜色迁移算法,保持合成样式图像的色彩空间分布;
然后设定一个纹理图像,本实施例中用马赛克作为纹理图像(如图3所示),将采集的多幅战地图像和纹理图像逐个输入进行合成,形成合成样式图像;
形成合成样式图像的具体过程为:利用基于CNN卷积神经网络的方法,然后将采集的原始多幅战地图像序列、纹理图像以及白噪声图像输入CNN卷积神经网络,再利用格莱姆矩阵分别计算每层卷积层之间的数据,计算原始多幅战地图像中的内容图像与白噪声图像,获得内容损失函数,计算样式图像与白噪声图像风格损失函数,最后将总体的图像损失函数通过反向传播逐步迭代最小化,就能够得到合成样式图像;
总体的图像损失函数如公式(1)所示:
其中,Γtexture为纹理图像损失函数,Γpatten为样式损失函数;
步骤三:按照使用的布料染料简化合成样式图像的色彩空间,将合成样式图像形成迷彩图案。
本发明方法通过利用无人机采集多幅即时的战地图像,再通过计算机图像合成技术快速生成与战场背景最为相似的色彩组合及纹理模式,能够最大程度提高迷彩图案的伪装性,设计出的迷彩图案内容图像丰富性高,能够适应具有多变性的实际战场场景,能够提高士兵或装备的伪装安全性。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种快速适应战地变化的迷彩图案设计方法,其特征在于,包括以下步骤:
步骤一:利用无人机采集多幅战地图像;
步骤二:利用基于CNN卷积神经网络的方法,搭建样式图像合成网络模型;
搭建样式图像合成网络模型的过程为:
S1:输入原始采集的多幅战地图像序列;
S2:建立白噪声图像,依次在原始多幅战地图像中采样,提取图像内容,分别构成纹理损失子函数和模式损失子函数;
S3:利用VGG19模型预训练样式图像合成网络模型,然后调节纹理损失函数与样式损失函数的权重比,获得更加偏向于原始采集的多幅战地图像“样式”的结果图像,保证合成样式图像与采集的多幅战地图像具有最大的特征相似度;
S4:采用Reinhard颜色迁移算法,保持合成样式图像的色彩空间分布;
然后设定一个纹理图像,将采集的多幅战地图像和纹理图像逐个输入进行合成,形成合成样式图像;
步骤三:按照使用的布料染料简化合成样式图像的色彩空间,将合成样式图像形成迷彩图案。
2.根据权利要求1所述的一种快速适应战地变化的迷彩图案设计方法,其特征在于:所述步骤一中利用无人机采集多幅战地图像时,需要保证采集的多幅战地图像为具有相同分辨率的清晰图像。
3.根据权利要求1所述的一种快速适应战地变化的迷彩图案设计方法,其特征在于:所述步骤二中形成合成样式图像的具体过程为:利用基于CNN卷积神经网络的方法,然后将采集的原始多幅战地图像序列、纹理图像以及白噪声图像输入CNN卷积神经网络,再利用格莱姆矩阵分别计算每层卷积层之间的数据,计算原始多幅战地图像中的内容图像与白噪声图像,获得内容损失函数,计算样式图像与白噪声图像风格损失函数,最后将总体的图像损失函数通过反向传播逐步迭代最小化,就能够得到合成样式图像。
4.根据权利要求3所述的一种快速适应战地变化的迷彩图案设计方法,其特征在于:所述步骤二中总体的图像损失函数如公式(1)所示:
其中,Γtexture为纹理图像损失函数,Γpatten为样式损失函数。
5.根据权利要求1所述的一种快速适应战地变化的迷彩图案设计方法,其特征在于:所述步骤二S3中利用VGG19模型预训练样式图像合成网络模型时,VGG19模型中,输入的数据每经过一次卷积层或池化层的计算结果输出,都能视作对上一次提取的特征信息进行重建的结果。
6.根据权利要求1所述的一种快速适应战地变化的迷彩图案设计方法,其特征在于:所述步骤二S3中利用VGG19模型预训练样式图像合成网络模型时,纹理图像的损失函数,应建立在整个图像处理的前几层,保证生成图像总体内容基于内容图像。
7.根据权利要求1所述的一种快速适应战地变化的迷彩图案设计方法,其特征在于:所述步骤二S3中利用VGG19模型预训练样式图像合成网络模型时,对于合成样式图像需要提取其抽象的特征,合成样式图像的损失函数就要建立在整个图像处理后几层的运算中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910728027.5A CN110533741A (zh) | 2019-08-08 | 2019-08-08 | 一种快速适应战地变化的迷彩图案设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910728027.5A CN110533741A (zh) | 2019-08-08 | 2019-08-08 | 一种快速适应战地变化的迷彩图案设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533741A true CN110533741A (zh) | 2019-12-03 |
Family
ID=68662161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910728027.5A Pending CN110533741A (zh) | 2019-08-08 | 2019-08-08 | 一种快速适应战地变化的迷彩图案设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533741A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955902A (zh) * | 2014-05-08 | 2014-07-30 | 国网上海市电力公司 | 基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法 |
US20180068463A1 (en) * | 2016-09-02 | 2018-03-08 | Artomatix Ltd. | Systems and Methods for Providing Convolutional Neural Network Based Image Synthesis Using Stable and Controllable Parametric Models, a Multiscale Synthesis Framework and Novel Network Architectures |
CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
CN109242928A (zh) * | 2018-10-24 | 2019-01-18 | 天津工业大学 | 一种轻量级具有融合层的近红外图像彩色化深度学习模型 |
CN109584179A (zh) * | 2018-11-29 | 2019-04-05 | 厦门美图之家科技有限公司 | 一种卷积神经网络模型生成方法及图像质量优化方法 |
CN109754391A (zh) * | 2018-12-18 | 2019-05-14 | 北京爱奇艺科技有限公司 | 一种图像质量评价方法、装置及电子设备 |
CN110097609A (zh) * | 2019-04-04 | 2019-08-06 | 上海凌笛数码科技有限公司 | 一种基于样本域的精细化绣花纹理迁移方法 |
-
2019
- 2019-08-08 CN CN201910728027.5A patent/CN110533741A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955902A (zh) * | 2014-05-08 | 2014-07-30 | 国网上海市电力公司 | 基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法 |
US20180068463A1 (en) * | 2016-09-02 | 2018-03-08 | Artomatix Ltd. | Systems and Methods for Providing Convolutional Neural Network Based Image Synthesis Using Stable and Controllable Parametric Models, a Multiscale Synthesis Framework and Novel Network Architectures |
CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
CN109242928A (zh) * | 2018-10-24 | 2019-01-18 | 天津工业大学 | 一种轻量级具有融合层的近红外图像彩色化深度学习模型 |
CN109584179A (zh) * | 2018-11-29 | 2019-04-05 | 厦门美图之家科技有限公司 | 一种卷积神经网络模型生成方法及图像质量优化方法 |
CN109754391A (zh) * | 2018-12-18 | 2019-05-14 | 北京爱奇艺科技有限公司 | 一种图像质量评价方法、装置及电子设备 |
CN110097609A (zh) * | 2019-04-04 | 2019-08-06 | 上海凌笛数码科技有限公司 | 一种基于样本域的精细化绣花纹理迁移方法 |
Non-Patent Citations (3)
Title |
---|
任帅等: "《信息隐藏技术》", 31 March 2017 * |
杨慧炯等: "基于亮度与色度信息的深度学习图像风格迁移算法研究", 《重庆理工大学学报(自然科学)》, 31 July 2019 (2019-07-31), pages 1 - 5 * |
王宏生等: "《人工智能及其应用》", 北京:国防工业大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | LA-VITON: A network for looking-attractive virtual try-on | |
CN106204779B (zh) | 基于多人脸数据采集策略和深度学习的课堂考勤方法 | |
CN106326939A (zh) | 卷积神经网络的参数优化方法及系统 | |
CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
CN109658370A (zh) | 基于混合变换的图像拼接方法 | |
CN107580186A (zh) | 一种基于缝合线时空优化的双摄像机全景视频拼接方法 | |
CN106683056A (zh) | 一种机载光电红外数字图像处理方法及装置 | |
CN106296748B (zh) | 一种基于块匹配变形和颜色迁移的物体图像重光照方法 | |
CN106778785A (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 | |
CN110276286B (zh) | 一种基于tx2的嵌入式全景视频拼接系统 | |
CN104504672B (zh) | 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法 | |
CN110533578A (zh) | 一种基于条件对抗神经网络的图像翻译方法 | |
Li et al. | Pooling map adaptation in convolutional neural network for facial expression recognition | |
CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
Wang et al. | A parallel method for aerial image stitching using ORB feature points | |
CN106097354A (zh) | 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 | |
CN105374010A (zh) | 全景图像的生成方法 | |
CN108764233B (zh) | 一种基于连续卷积激活的场景字符识别方法 | |
CN110533741A (zh) | 一种快速适应战地变化的迷彩图案设计方法 | |
French et al. | Multi-spectral pedestrian detection via image fusion and deep neural networks | |
CN104978721B (zh) | 基于变分正则化的大气扰动图像恢复方法 | |
CN111161134A (zh) | 基于伽马变换的图像艺术风格转换方法 | |
CN109345470B (zh) | 人脸图像融合方法和系统 | |
CN114266713A (zh) | 基于NonshadowGAN的无人机铁路扣件图像阴影去除方法及系统 | |
CN109166079A (zh) | 一种混合合成运动矢量与亮度聚类的去遮挡方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |