CN112419265B - 一种基于人眼视觉机制的伪装评价方法 - Google Patents
一种基于人眼视觉机制的伪装评价方法 Download PDFInfo
- Publication number
- CN112419265B CN112419265B CN202011317801.2A CN202011317801A CN112419265B CN 112419265 B CN112419265 B CN 112419265B CN 202011317801 A CN202011317801 A CN 202011317801A CN 112419265 B CN112419265 B CN 112419265B
- Authority
- CN
- China
- Prior art keywords
- camouflage
- target
- image
- matrix
- background area
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 230000007246 mechanism Effects 0.000 title claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 74
- 239000013598 vector Substances 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 39
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 21
- 238000001514 detection method Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 238000010191 image analysis Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000969729 Apteryx rowi Species 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000288906 Primates Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像分析处理、伪装效果检测与评估技术领域,具体涉及一种基于人眼视觉机制的伪装评价方法。本发明基于视觉显著性理论模拟人眼注意机制,通过视觉显著图进行典型背景区域搜索,从伪装背景图像中提取会被人眼优先观察注意到的显著背景区域,计算背景区域与伪装目标在亮度、颜色、纹理等不同图像特征上的差异程度,并考虑不同特征对目标整体伪装效果的影响系数,再综合目标与各背景区域间距离权重系数,最终得出综合评价系数表征伪装目标的整体伪装效果。本发明综合考虑了各个图像特征以及目标与背景区域间的距离不同对伪装效果的影响作用,能够更加客观、有效地给出在对抗人眼侦察条件下伪装目标的实际伪装效果。
Description
技术领域
本发明属于图像分析处理、伪装效果检测与评估技术领域,具体涉及一种基于人眼视觉机制的伪装评价方法。
背景技术
伪装隐身技术作为对抗侦察监视和精确制导捕获的有效手段,已经越来越广泛地得到应用。通过伪装效果评估来验证目标伪装手段的有效性,是判断伪装效果好坏并为目标提供伪装方案决策的必要环节。
伪装效果评估方法主要分为主观评估方法和客观评估方法。其中,主观评价方法通过组织人工判读试验计算出伪装目标的人工发现概率作为伪装评价指标,这种方法存在着受观察者主观性影响较大且耗费大量人力物力的问题。随着图像处理技术的发展,为克服上述主观评价方法的不足,有学者提出了基于图像技术的伪装效果客观评价方法并取得了较多的研究成果与良好的实践成效。
总体而言,基于图像技术的伪装评价方法本质上就是对“目标-背景”图像在某些图像特征之间的差异度进行评定,差异度越低,则目标与背景融合度越高,伪装效果也就越好。由此不难看出,背景区域的合理选择会对评价结果产生重要影响。但当前绝大多数基于图像技术的客观伪装评价方法,对于目标相应背景区域的选择往往只是根据经验判断或者直接选取目标周围八邻域区域,这与人眼视觉机制并不符合,无法有效模拟在对抗敌方人眼侦察时的实际情况。导致在对同一幅伪装图像中同一个目标进行伪装效果评估时,不同对比背景区域的选择会使评价结果不同甚至产生较大差异。
发明内容
本发明的目的在于解决目前基于图像技术的客观伪装效果评价方法中,对于背景区域的选择往往是根据经验或者直接选取目标周围八邻域,与人眼视觉注意机制不完全符合,无法有效反映人眼侦察条件下伪装目标实际伪装效果的问题,提供一种基于人眼视觉机制的伪装评价方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:输入待评价的伪装图像P,对伪装图像P预处理,并计算伪装图像P的显著图S;
所述的对伪装图像P预处理的方法包括噪声消除、亮度均衡和直方图均衡;
所述的显著图S可通过灰度图像进行显示;
步骤2:基于人眼视觉机制对显著图S进行搜索,获取显著背景区域Bi,i={1,2,...,K},并将显著背景区域Bi按照显著值排序;
步骤3:计算目标区域T与每个显著背景区域Bi间的距离权重αi;
其中,li为目标区域中心点与显著背景区域Bi中心点之间的距离;
步骤4:选择N个能够有效反映图像性质的特征参数,设定各特征参数的影响系数βq;计算目标区域T对应的N个特征参数值q={1,2,...,N},q表示图像的第q种特征参数;计算各个显著背景区域Bi对应的N个特征参数值/>
步骤5:将与/>分别进行归一化处理,消除不同特征参数间绝对数值大小范围差异,得到归一化结果fq(T,Bi);计算目标区域T与显著背景区域Bi在第q种特征参数上的差异度rq;
步骤6:计算表征目标伪装效果的最终综合评价系数RB,T,依据最终综合评价系数RB,T对待评价的伪装图像P的伪装效果进行评价;
若0≤RB,T<0.3,则判定待评价的伪装图像P的伪装效果为优,伪装目标能够完全与背景融为一体,在人眼侦察条件下,十分难以被察觉发现;
若0.3≤RB,T<0.5,则判定待评价的伪装图像P的伪装效果为良,伪装目标能够较好与背景融合,在人眼侦察条件下,难以被察觉发现;
若0.5≤RB,T<0.7,则判定待评价的伪装图像P的伪装效果为中,伪装目标与背景较为相近,在人眼侦察条件下,不易于被察觉发现;
若0.7≤RB,T≤1,则判定待评价的伪装图像P的伪装效果为差,伪装目标与背景融合程度低,在人眼侦察条件下,易于被察觉发现。
本发明还可以包括:
所述的步骤2中获取显著背景区域Bi,i={1,2,...,K},并将显著背景区域Bi按照显著值排序的方法具体为:
步骤2.1:确定所需显著背景区域的数量K和显著背景区域的典型长宽尺寸M×N;
步骤2.2:生成长宽尺寸为M×N、各元素值全为1的卷积核C;
步骤2.3:卷积步长设置为step,将卷积核C与显著图S进行卷积,得到尺寸为M×N的显著和图矩阵I;显著和图矩阵I中每个元素Im,n都代表着其对应局部区域的显著值总和,表征该局部区域的显著性水平;其中m∈{1,2,...,M},n∈{1,2,...,N};
步骤2.4:显著和图矩阵I的每个元素值Im,n与该元素所在位置的坐标值(m,n)组成三维行向量pmn={m,n,Im,n};
步骤2.5:对所有三维行向量pmn进行搜索,构造显著背景区域矩阵B;
步骤2.5.1:依据三维行向量pmn第三列元素Im,n的数值大小,对显著图S的每一个像素点进行降序排列,排序后的结果记为矩阵Q;矩阵Q为M×N行、3列的矩阵,且第三列的值从上到下依次降低;
步骤2.5.2:初始化矩阵B,将矩阵Q的第一行值赋给矩阵B,作为矩阵B的第一行向量,即第一显著背景区域B1;令C=2,d=2;
步骤2.5.3:选择矩阵Q的第C行向量qC与矩阵B中所有行向量进行重叠判断,判定标准为:
若满足上式,则判定行向量qC与矩阵B中所有行向量均不重叠,将向量qC赋给矩阵B作为矩阵B的第d行向量,即第d显著背景区域Bd,执行步骤2.5.4;否则,则令C=C+1,重新执行步骤2.5.3;
步骤2.5.4:判断第d显著背景区域Bd与目标区域T是否重叠,判定标准为:
若满足上式,则判定第d显著背景区域Bd与目标区域重叠,在矩阵B中去除第d显著背景区域Bd,返回步骤2.5.3;否则,执行步骤2.5.5;
步骤2.5.5:若d<K,则令C=C+1,d=d+1,返回步骤2.5.3;否则,输出显著背景区域矩阵B。
本发明的有益效果在于:
本发明基于视觉显著性理论模拟人眼注意机制,通过视觉显著图进行典型背景区域搜索,从伪装背景图像中提取会被人眼优先观察注意到的显著背景区域,计算背景区域与伪装目标在亮度、颜色、纹理等不同图像特征上的差异程度,并考虑不同特征对目标整体伪装效果的影响系数,再综合目标与各背景区域间距离权重系数,最终得出综合评价系数表征伪装目标的整体伪装效果。本发明所搜索的背景区域大小可以根据需要进行调整。本发明根据各影响因素对伪装效果的贡献程度差异,设置不同图像特征差异度的影响系数和目标背景间距离权重系数。综合考虑了各个图像特征以及目标与背景区域间的距离不同对伪装效果的影响作用,提升综合评价系数的客观性和有效性。本发明能够更加客观、有效地给出在对抗人眼侦察条件下伪装目标的实际伪装效果。
附图说明
图1(a)为本发明实施例中的伪装图像(a)。
图1(b)为本发明实施例中的伪装图像(b)。
图1(c)为本发明实施例中的伪装图像(c)。
图2为本发明实施例中伪装图像及其显著图结果对比图。
图3为本发明实施例中典型背景区域搜索结果示意图。
图4为本发明实施例中选用的卷积核示意图。
图5为本发明中典型背景区域搜索流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明属于图像分析处理、伪装效果检测与评估领域,具体涉及一种基于人眼视觉机制的伪装评价方法。
本发明主要解决了当前伪装评价方法在目标背景区域选取环节中,往往依据经验或者直接选取目标周围八邻域区域作为背景区域,与人眼侦察条件下的客观规律不相符合的问题。主要步骤包括:s1.图像预处理并计算显著图;s2.基于人眼视觉机制,由显著图对伪装图像进行搜索获取多个典型背景区域,并按照显著值排序;s3.判定目标与所得各显著背景区域空间位置关系,得出目标与各背景区域间距离权重;s4.计算目标背景区域的多类图像特征值及二者之间的多特征差异度;s5.结合多特征差异度与距离权重计算最终综合评价系数,表征目标伪装效果。本发明通过模拟人眼视觉注意机制,在针对人眼侦察条件下能够有效表征目标对象的实际伪装效果,对于伪装评价方法的创新与发展具有一定的理论意义和实践价值。
一种基于人眼视觉机制的伪装评价方法,包括以下步骤:
步骤1:输入待评价的伪装图像P,对伪装图像P预处理,并计算伪装图像P的显著图S;
所述的对伪装图像P预处理的方法包括噪声消除、亮度均衡和直方图均衡;
所述的显著图S可通过灰度图像进行显示;
步骤2:基于人眼视觉机制对显著图S进行搜索,获取显著背景区域Bi,i={1,2,...,K},并将显著背景区域Bi按照显著值排序;
步骤2.1:确定所需显著背景区域的数量K和显著背景区域的典型长宽尺寸M×N;
步骤2.2:生成长宽尺寸为M×N、各元素值全为1的卷积核C;
步骤2.3:卷积步长设置为step,将卷积核C与显著图S进行卷积,得到尺寸为M×N的显著和图矩阵I;显著和图矩阵I中每个元素Im,n都代表着其对应局部区域的显著值总和,表征该局部区域的显著性水平;其中m∈{1,2,...,M},n∈{1,2,...,N};
步骤2.4:显著和图矩阵I的每个元素值Im,n与该元素所在位置的坐标值(m,n)组成三维行向量pmn={m,n,Im,n};
步骤2.5:对所有三维行向量pmn进行搜索,构造显著背景区域矩阵B;
步骤2.5.1:依据三维行向量pmn第三列元素Im,n的数值大小,对显著图S的每一个像素点进行降序排列,排序后的结果记为矩阵Q;矩阵Q为M×N行、3列的矩阵,且第三列的值从上到下依次降低;
步骤2.5.2:初始化矩阵B,将矩阵Q的第一行值赋给矩阵B,作为矩阵B的第一行向量,即第一显著背景区域B1;令C=2,d=2;
步骤2.5.3:选择矩阵Q的第C行向量qC与矩阵B中所有行向量进行重叠判断,判定标准为:
若满足上式,则判定行向量qC与矩阵B中所有行向量均不重叠,将向量qC赋给矩阵B作为矩阵B的第d行向量,即第d显著背景区域Bd,执行步骤2.5.4;否则,则令C=C+1,重新执行步骤2.5.3;
步骤2.5.4:判断第d显著背景区域Bd与目标区域T是否重叠,判定标准为:
若满足上式,则判定第d显著背景区域Bd与目标区域重叠,在矩阵B中去除第d显著背景区域Bd,返回步骤2.5.3;否则,执行步骤2.5.5;
步骤2.5.5:若d<K,则令C=C+1,d=d+1,返回步骤2.5.3;否则,输出显著背景区域矩阵B;
步骤3:计算目标区域T与每个显著背景区域Bi间的距离权重αi;
其中,li为目标区域中心点与显著背景区域Bi中心点之间的距离;
步骤4:选择N个能够有效反映图像性质的特征参数,设定各特征参数的影响系数βq;计算目标区域T对应的N个特征参数值q={1,2,...,N},q表示图像的第q种特征参数;计算各个显著背景区域Bi对应的N个特征参数值/>
步骤5:将与/>分别进行归一化处理,消除不同特征参数间绝对数值大小范围差异,得到归一化结果fq(T,Bi);计算目标区域T与显著背景区域Bi在第q种特征参数上的差异度rq;
步骤6:计算表征目标伪装效果的最终综合评价系数RB,T,依据最终综合评价系数RB,T对待评价的伪装图像P的伪装效果进行评价;
若0≤RB,T<0.3,则判定待评价的伪装图像P的伪装效果为优,伪装目标能够完全与背景融为一体,在人眼侦察条件下,十分难以被察觉发现;
若0.3≤RB,T<0.5,则判定待评价的伪装图像P的伪装效果为良,伪装目标能够较好与背景融合,在人眼侦察条件下,难以被察觉发现;
若0.5≤RB,T<0.7,则判定待评价的伪装图像P的伪装效果为中,伪装目标与背景较为相近,在人眼侦察条件下,不易于被察觉发现;
若0.7≤RB,T≤1,则判定待评价的伪装图像P的伪装效果为差,伪装目标与背景融合程度低,在人眼侦察条件下,易于被察觉发现。
本发明利用视觉显著图算法模拟人眼视觉机制。视觉显著图算法基于数字图像处理与计算机视觉技术,目前发展已相对成熟完备。针对特定的伪装图像,视觉显著图算法能够通过计算显著图得出人眼在观察伪装图像时会优先关注的典型背景区域,具有快速、准确的特点。在针对人眼侦察的伪装效果评估,相比过去依据经验选取或直接选取目标周围八邻域的方法,该方法获取到的背景区域符合人眼视觉特点,能够更加客观有效地反映出伪装目标的实际伪装效果。
本发明所搜索的背景区域大小可以根据需要进行调整。在将该方法应用于不同拍摄距离、目标尺寸等实际伪装检测条件下时,可以根据人眼最大张角及人眼分辨率得出当前条件下背景区域的最佳尺寸并针对该最优值进行调整。避免了背景区域尺寸固定所导致的面积过大或过小,其所包含特征信息冗余或不足的问题。
本发明根据各影响因素对伪装效果的贡献程度差异,设置不同图像特征差异度的影响系数和目标背景间距离权重系数。综合考虑了各个图像特征以及目标与背景区域间的距离不同对伪装效果的影响作用,提升综合评价系数的客观性和有效性。
实施例1:
本发明的目的是为了解决目前基于图像技术的客观伪装效果评价方法中,对于背景区域的选择往往是根据经验或者直接选取目标周围八邻域,与人眼视觉注意机制不完全符合,无法有效反映人眼侦察条件下伪装目标实际伪装效果的问题。本发明基于视觉显著性理论模拟人眼注意机制,通过视觉显著图进行典型背景区域搜索,从伪装背景图像中提取会被人眼优先观察注意到的显著背景区域,计算背景区域与伪装目标在亮度、颜色、纹理等不同图像特征上的差异程度,并考虑不同特征对目标整体伪装效果的影响系数,再综合目标与各背景区域间距离权重系数,最终得出综合评价系数表征伪装目标的整体伪装效果。与现有技术相比,本发明能够更加客观、有效地给出在对抗人眼侦察条件下伪装目标的实际伪装效果。
一种基于人眼视觉机制的伪装评价方法,包括如下步骤:
s1.图像预处理并计算显著图;
s1.1图像预处理方法包括,噪声消除、亮度均衡、直方图均衡,以降低所选取的伪装图像在不同拍摄环境或条件下由于光照、噪声等因素影响而产生的误差。
s1.2根据现有较为成熟的显著图算法模型,计算伪装图像P对应的显著图,所得显著图可通过灰度图像进行显示,将其记为S;
步骤s1.2中的视觉显著图算法包括自底向上视觉机制模型:ITTI显著图算法、GBVS显著图算法、SR显著图算法、FT显著图算法、AIM显著图算法、SF显著图算法、GC显著图算法。
s2.基于人眼视觉机制,对显著图S进行搜索获取多个显著背景区域Bi,i={1,2,...,K},并按照显著值排序。具体包括如下步骤:
s2.1确定所需显著背景区域的数量K和背景区域典型长宽尺寸m×n;
步骤s2.1中典型背景区域的尺寸设置原则包括:区域长宽比选择1:1正方形或与目标外接矩形长宽比一致;区域实际大小依据拍摄距离、人眼最大张角与人眼分辨率综合进行设定。
s2.2生成长宽尺寸为m×n、各元素值全为1的卷积核C。
s2.3卷积步长设置为step,将卷积核C与显著图S进行卷积,所得结果称作显著和图,记为矩阵I,尺寸为M×N。显著和图矩阵I每个元素的值Ii,j,i∈{1,2,...,M}j∈{1,2,...,N}都代表着其对应局部区域的显著值总和,表征该局部区域的显著性水平。
s2.4显著和图矩阵I的每个元素值Ii,j与该元素所在位置的坐标值(i,j)组成三维行向量pi,i∈{1,2,3}中。其中,第一、二个元素p1,p2代表该像素点位置,第三个元素p3为该位置对应区域的显著值总和。
s2.5对矩阵I中所有行向量进行搜索,给出代表对应显著区域的所有行向量结果Gi,j,i∈{1,2,...,K},j∈{1,2,3},其中每一行i∈{1,2,3}代表一个典型背景区域的搜索结果,具体过程是:
(1)依据I第三列元素的数值大小,对显著和图的每一个像素点进行降序排列,排序后的结果记为一个M×N行,3列的矩阵Qi,j,i∈{1,2,...,M×N},j∈{1,2,3},第三列的值大小从上到下依次降低,所得Q矩阵中,越靠前的行向量所代表区域的显著值就越高,反之越低。
(2)将矩阵Q的第一行值赋给矩阵G的第一行g1作为显著值最高的典型背景区域,其中区域B的显著值为
(3)由于相邻的多个区域间可能存在显著区域重叠的问题,因此需要进行重叠区域判定。具体地,选择矩阵Q的下一个行向量qi按照下式与G中现有的所有行向量gi,i={1,2,...,p-1}进行重叠判断,判定方法如下式所示。若不重叠则将Q的当前行向量qC记为G矩阵的第p个行向量gp,1<p≤K,其中C表示该行向量所在行号;
(4)按顺序选择矩阵Q后续的所有行向量qi,i≥C,循环步骤(3)(4),直至K个显著区域全部被选取出来,依据选取出的先后顺序将K个显著区域分别记为Bi,i={1,2,...,K}。
s2.6将所选取的显著区域Bi与目标区域T判定是否重叠,判定标准为
若其中某个显著区域BS与目标区域重叠,则在上述步骤s2.5中选取出总数为K+1的背景区域,去除BS,保留余下的K个显著区域,按照显著值大小排序后重新记为Bi,i={1,2,...,K}
s3.判定目标与所得各背景区域空间位置关系得出目标与各背景间距离权重;
s3.1计算目标区域中心点(xT,yT)与显著背景区域Bi中心点(xB,yB)的距离为li,i={1,2,...,K}。距离计算方法包括:欧氏距离、标准化欧氏距离、曼哈顿距离、切比雪夫距离等。
s3.2计算目标区域与每个背景区域间距离权重为其中α1+α2+α3+α4=1。
s4.计算目标背景区域的多类图像特征值及目标背景区域之间的多特征差异度;
多类图像特征是指能够从多角度有效反映伪装图像中目标与背景表面特性,并对人眼观察敏感的一类特征量,具体包括纹理特征、亮度特征、颜色特征、边界特征等。特征差异度计算方法包括:基于特征向量间距离的差异度计算、基于感知容限关系的差异度模型计算。
s4.1选择N个能够有效反映图像性质的特征参数,计算目标区域T的上述特征参数值分别为Fi T,i={1,2,...,N},i表示图像的某一种特征参数;各个显著背景区域Bi的对应特征参数值分别为i={1,2,...,N},j={1,2,...,K}。
s4.2将上述目标与背景的图像特征值分别进行归一化处理,消除不同特征间绝对数值大小范围差异。
s4.3计算目标与背景在某种特征参数q上的差异度。差异度计算公式为
s5.结合多特征差异度与距离权重计算最终综合评价系数,表征目标伪装效果。综合评价系数计算公式如下:
也即
依据本专利方法计算得到伪装评价系数的数值范围,对伪装目标对象的伪装效果等级进行划分,伪装效果等级分为四等:优、良、中、差。具体综合评价系数值与伪装等级对应关系如表4所示。
表4:综合评价系数值对应伪装等级表
在本实施例中,选择三幅包含典型伪装目标的伪装图像进行实验,以验证本方法的有效性。三幅伪装图像如图1(a)、图1(b)和图1(c)所示,背景环境为冬季雪地型林地,伪装目标身着的是德国German Snow Camouflage雪地型迷彩服。图像分辨率为854×480,成像方式为地面光学成像。根据人眼判读实验及其他文献中所述方法计算结果,三幅图像中伪装目标的伪装效果分别为高、中、低。
s1.图像预处理并计算显著图;
在本实施例中,显著图计算方法选择ITTI显著模型,ITTI视觉显著性模型是根据早期灵长类动物的视觉神经系统设计的一种视觉注意模型。该模型首先利用高斯采样方法构建图像的颜色、亮度和方向的高斯金字塔,然后利用高斯金字塔计算图像的亮度特征图、颜色特征图和方向特征图,最后结合不同尺度的特征图即可获得亮度、颜色和方向显著图,相加得到最终的视觉显著图。对附图1(a)中的伪装图像(a)利用ITTI显著性模型进行计算,所得显著图如附图2所示。
在本实施例中,步骤1具体如下:
s1.1对原始伪装图像进行噪声消除、亮度均衡以降低所选取的伪装图像在不同拍摄环境下由于光照等因素影响而产生的误差。
s1.2选择ITTI显著图算法,计算伪装图像P对应的显著图,所得显著图可通过灰度图像进行显示,将其记为S
s2.基于人眼视觉机制,对显著背景区域进行搜索获取多个显著背景区域,并按照显著值排序,附图3展示了对附图1(a)的伪装图像(a)进行搜索后所得的四个典型背景区域;
由于伪装图像分辨率为854×480,且三张图像中伪装目标外接矩形的长宽边最大值分别为70和50,因此根据背景区域与伪装图像面积比例以及伪装目标平均长宽比,将所要提取典型背景区域的设置为长宽m=60,n=60的正方型,区域数量设置为K=4,卷积步长step=1。据此所计算出的显著和图尺寸应为M=784,N=420。
在本实施例中,步骤2具体如下:
s2.1确定所需显著背景区域的数量K和区域典型长宽尺寸m=60,n=60
s2.2生成长宽尺寸为m=60,n=60、各元素值全为1的卷积核C,卷积核示意图如附图4所示。
s2.3卷积步长设置为1,将卷积核C与显著图S进行卷积,所得结果称作显著和图记为I,尺寸为M×N。显著和图每个像素点的值Ii,j,i∈{1,2,...,784}j∈{1,2,...,420}代表着其对应区域的显著值总和,表征该局部区域的显著性水平。
s2.4显著和图I的每个像素点值Ii,j与该像素点坐标值(i,j)构成一个三维行向量p={i,j,Iij}中,其中,第一、二个元素p1,p2分别为其横纵坐标值,第三个元素p3为该位置对应区域的局部显著值,局部显著值计算公式为计算结果保留三位小数,其中60×60为区域面积。
依据第三个元素的大小,对显著和图的每一个像素点进行降序排列,排序后的结果为一个784×420行,3列的矩阵Qi,j,i∈{1,2,...,784×420},j∈{1,2,3},以附图1(a)中的伪装图像(a)为例,其Q矩阵计算结果如下。
Q第三列的值大小从上到下依次降低。这样就越靠前的行向量代表的区域其显著值就越高,反之越低。但是相邻的多个区域间可能存在显著区域重叠的问题,因此需要进行重叠区域判定,给出最终所有不重叠的显著区域结果Gi,j,i∈{1,2,3,4},j∈{1,2,3},其中每一行i∈{1,2,3}代表一个显著区域,具体过程是:
(1)将矩阵Q首个行向量的前两个元素赋给矩阵G的第一行g1=[57,281]作为显著值最高的显著背景区域;
(2)从第二行开始逐行选择矩阵Q的每个行向量qi按照下式与G中现有的所有行向量gi,i={1,2,...,p-1}进行重叠判断,判定方法如下式所示。若不重叠则将Q的当前行向量qC的前两个元素记为G矩阵的第p个行向量gp,1<p≤4,其中C表示该行向量所在行号;
(3)选择Q中行向量qi,i≥C,循环步骤(2)(3),直至4个显著区域全部被选取出来,依据选取出的先后顺序将4个显著区域分别记为Bi,i={1,2,3,4}。
s2.5将所选取的显著区域Bi与目标区域T判定是否重叠,判定标准为
若显著区域BS与目标区域重叠,则在上述步骤中选取出总数为5的区域,去除BS,保留余下的4个显著区域,按照显著值大小排序后重新记为Bi,i={1,2,3,4}。按照上述步骤将三幅伪装图像计算得出的Q分别代入,对显著背景区域进行查找,在图1(a)、图1(b)和图1(c)的三张伪装图像中只有伪装图像(c)的第一个显著区域与目标区域重叠,因此将其筛除后保留后四个显著区域作为背景区域。经计算,所得G矩阵结果如下:
s3.判定目标与所得各显著区域空间位置关系得出目标与各背景间距离权重;
距离度量方法选择欧式距离,欧式距离计算公式如下。
在本实施例中,步骤3具体如下:
s3.1计算目标区域位置点(xT,yT)与显著背景区域Bi位置点(xB,yB)的距离为li,i={1,2,3,4}。
s3.2计算目标区域与每个显著背景区域间距离权重为其中α1+α2+α3+α4=1。
以附图1(a)中伪装图像(a)为例,伪装目标的位置点坐标为(298,68),将G带入公式计算得出l1=322,l2=187,l3=363,l4=284。将该值带入到距离权重计算公式得出α1=0.24,α2=0.28,α3=0.23,α4=0.25。类似地,对其他两幅图像计算距离权重,所得结果总结如表1所示。
表1伪装图像各背景区域距离权重计算结果
s4.计算目标背景区域的多类图像特征值及二者之间的多特征差异度;
根据人眼视觉特性理论,人眼对图像中的色彩和亮度敏感。HSV颜色空间中的H为色调,以角度度量,能够直观反映人眼所看到的色彩信息。YUV颜色空间中的Y为明亮度,其值与人眼观察到的图像亮暗程度成正比。对于亮度、颜色特征采用亮度-颜色直方图的方法。通过统计H和Y分量得出亮度-色彩直方图来描述伪装目标与背景区域的亮度和色彩特征。把亮度值按照由浅到深均匀地划分为五个亮度区间;把色彩值划分为红、橙、黄、绿、青、蓝、紫七个色彩区间,由此生成35个亮度-色彩子空间,具体划分方法如表格1所示。统计图像中所有像素点落到这些子空间中的数量,就能够得到该图像的亮度-色彩直方图。
除亮度、色彩外,纹理也是图像的重要特征。有别于亮度和色彩,纹理所反映的信息不仅仅与单一像素点有关,还与周围其他灰度分布情况联系紧密。灰度共生矩阵(GLCM)是一种通过灰度空间统计特性来描述纹理的常用方法。基于灰度共生矩阵可计算出熵、能量、对比度、逆差矩等4种统计量,能够有效表征图像的纹理特征
综上所述,在本实施例中选择亮度、颜色、纹理共三个图像特征,计算目标与背景区域的图像特征值及其特征间差异度。
在本实施例中,步骤4具体如下:
s4.1选择亮度、颜色、纹理作为能够有效反映图像性质的特征参数。并计算亮度-颜色特征参量与纹理特征参量。根据上述,亮度-颜色特征通过二维直方图进行表示,该二维直方图可抽象为一7×5大小的二维矩阵M进行表示。
纹理特征参量通过熵、能量、对比度、逆差矩4种统计量进行表示。具体计算公式分别如下:
s4.2计算目标区域T与没每个背景区域Bi的亮度-颜色、纹理特征参量差异度为Fi(T,Bj),i={1,2},j={1,2,3,4}(亮度、颜色由二维直方图综合进行表示,因此特征参数由三个降为两个)。
以附图1(a)中伪装图像(a)为例,经计算4个背景区域与目标区域的亮度-颜色差异度分别为:
F1(T,B1)=0.81,F1(T,B2)=0.88,F1(T,B3)=0.75,F1(T,B4)=0.86
纹理特征差异度分别为:
F2(T,B1)=2.65,F2(T,B2)=0.67,F2(T,B3)=2.82,F2(T,B4)=1.84
为消除不同特征间绝对数值大小带来的差异,将不同种类的特征参量差异度进行归一化处理,在本实施例中,根据计算过程亮度-颜色差异度范围本身即为[0,1],纹理特征相似度范围为[0,4],因此仅需对后者进行归一化,归一化公式如下。
其中F、f分别表示该特征参量原值和对应归一化结果。亮度特征相似度fi=Fi,i={1,2,3,4}归一化后纹理特征差异度分别为:
f2(T,B1)=0.60,f2(T,B2)=0.17,f2(T,B3)=0.71,f2(T,B4)=0.46
类似地,对其他两幅伪装图像(b)、伪装图像(c)计算亮度-颜色差异度和纹理特征相似度,将结果总结如表2所示。
表2伪装图像各图像特征值计算结果
对于某一特征,所有背景区域Bi与目标区域T的差异度结果按下式进行计算
仍以伪装图像(a)为例,在步骤s3.2中已经计算出距离权重为α1=0.24,α2=0.28,α3=0.23,α4=0.25,将其带入上式计算出亮度-颜色特征相似度和纹理特征相似度分别为r1=0.484,r2=0.828。类似地,计算出另外两幅伪装图像(b)和伪装图像(c)的图像特征相似度,总结如表3所示。
表3图像特征相似度及综合相似度计算结果
伪装图像 | 纹理相似度 | 颜色相似度 | 综合相似度 |
伪装图像(a) | 0.828 | 0.484 | 0.656 |
伪装图像(b) | 0.756 | 0.587 | 0.671 |
伪装图像(c) | 0.817 | 0.600 | 0.709 |
s5.结合多特征差异度与距离权重计算最终综合评价系数,表征目标伪装效果。
计算公式如下
/>
也即
其中β1,β2分别为亮度-颜色和纹理特征的影响系数,根据人眼视觉理论,人眼对于亮度和颜色的综合敏感程度与纹理持平,因此将亮度-颜色的综合权重因子设置为β1=0.5纹理特征权重因子设置为β2=0.5。根据上式对最终综合评价系数进行计算,所得综合相似度如表3中所示。
依据本专利方法计算得到伪装评价系数的数值范围,对伪装目标对象的伪装效果等级进行划分,伪装效果等级分为四等:优、良、中、差。具体综合评价系数值与伪装等级对应关系如下表所示。
表4综合评价系数值对应伪装等级表
在本实施例中,伪装图像(a)和伪装图像(b)中伪装目标的综合评价系数分别为0.65、0.67,伪装效果达到了中等水平,在人眼侦察条件下,不易于被察觉发现;伪装图像(c)中伪装目标的综合评价系数为0.71,伪装效果较差,在人眼侦察条件下,易于被察觉发现。其中虽然伪装图像(a)和伪装图像(b)的伪装效果等级均为中,但伪装图像(b)中伪装目标的综合评价系数值略高于和伪装图像(a),表明其伪装效果仍略差于和伪装图像(a)。
根据上表计算结果可见图1(a)、图1(b)、图1(c)中三幅图像伪装目标综合评价系数分别为0.65、0.67和0.71,与已知的三幅图像伪装目标的伪装效果分别为高、中、低相吻合,说明了本发明的有效性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于人眼视觉机制的伪装评价方法,其特征在于,包括以下步骤:
步骤1:输入待评价的伪装图像P,对伪装图像P预处理,并计算伪装图像P的显著图S;
所述的对伪装图像P预处理的方法包括噪声消除、亮度均衡和直方图均衡;
所述的显著图S可通过灰度图像进行显示;
步骤2:基于人眼视觉机制对显著图S进行搜索,获取显著背景区域Bi,i={1,2,...,K},并将显著背景区域Bi按照显著值排序;
步骤3:计算目标区域T与每个显著背景区域Bi间的距离权重αi;
其中,li为目标区域中心点与显著背景区域Bi中心点之间的距离;
步骤4:选择N个能够有效反映图像性质的特征参数,设定各特征参数的影响系数βq;计算目标区域T对应的N个特征参数值q={1,2,...,N},q表示图像的第q种特征参数;计算各个显著背景区域Bi对应的N个特征参数值/>
步骤5:将与/>分别进行归一化处理,消除不同特征参数间绝对数值大小范围差异,得到归一化结果fq(T,Bi);计算目标区域T与显著背景区域Bi在第q种特征参数上的差异度rq;
步骤6:计算表征目标伪装效果的最终综合评价系数RB,T,依据最终综合评价系数RB,T对待评价的伪装图像P的伪装效果进行评价;
若0≤RB,T<0.3,则判定待评价的伪装图像P的伪装效果为优,伪装目标能够完全与背景融为一体,在人眼侦察条件下,十分难以被察觉发现;
若0.3≤RB,T<0.5,则判定待评价的伪装图像P的伪装效果为良,伪装目标能够较好与背景融合,在人眼侦察条件下,难以被察觉发现;
若0.5≤RB,T<0.7,则判定待评价的伪装图像P的伪装效果为中,伪装目标与背景较为相近,在人眼侦察条件下,不易于被察觉发现;
若0.7≤RB,T≤1,则判定待评价的伪装图像P的伪装效果为差,伪装目标与背景融合程度低,在人眼侦察条件下,易于被察觉发现。
2.根据权利要求1所述的一种基于人眼视觉机制的伪装评价方法,其特征在于:所述的步骤2中获取显著背景区域Bi,i={1,2,...,K},并将显著背景区域Bi按照显著值排序的方法具体为:
步骤2.1:确定所需显著背景区域的数量K和显著背景区域的典型长宽尺寸M×N;
步骤2.2:生成长宽尺寸为M×N、各元素值全为1的卷积核C;
步骤2.3:卷积步长设置为step,将卷积核C与显著图S进行卷积,得到尺寸为M×N的显著和图矩阵I;显著和图矩阵I中每个元素Im,n都代表着其对应局部区域的显著值总和,表征该局部区域的显著性水平;其中m∈{1,2,...,M},n∈{1,2,...,N};
步骤2.4:显著和图矩阵I的每个元素值Im,n与该元素所在位置的坐标值(m,n)组成三维行向量pmn={m,n,Im,n};
步骤2.5:对所有三维行向量pmn进行搜索,构造显著背景区域矩阵B;
步骤2.5.1:依据三维行向量pmn第三列元素Im,n的数值大小,对显著图S的每一个像素点进行降序排列,排序后的结果记为矩阵Q;矩阵Q为M×N行、3列的矩阵,且第三列的值从上到下依次降低;
步骤2.5.2:初始化矩阵B,将矩阵Q的第一行值赋给矩阵B,作为矩阵B的第一行向量,即第一显著背景区域B1;令C=2,d=2;
步骤2.5.3:选择矩阵Q的第C行向量qC与矩阵B中所有行向量进行重叠判断,判定标准为:
若满足上式,则判定行向量qC与矩阵B中所有行向量均不重叠,将向量qC赋给矩阵B作为矩阵B的第d行向量,即第d显著背景区域Bd,执行步骤2.5.4;否则,则令C=C+1,重新执行步骤2.5.3;
步骤2.5.4:判断第d显著背景区域Bd与目标区域T是否重叠,判定标准为:
若满足上式,则判定第d显著背景区域Bd与目标区域重叠,在矩阵B中去除第d显著背景区域Bd,返回步骤2.5.3;否则,执行步骤2.5.5;
步骤2.5.5:若d<K,则令C=C+1,d=d+1,返回步骤2.5.3;否则,输出显著背景区域矩阵B。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011317801.2A CN112419265B (zh) | 2020-11-23 | 2020-11-23 | 一种基于人眼视觉机制的伪装评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011317801.2A CN112419265B (zh) | 2020-11-23 | 2020-11-23 | 一种基于人眼视觉机制的伪装评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419265A CN112419265A (zh) | 2021-02-26 |
CN112419265B true CN112419265B (zh) | 2023-08-01 |
Family
ID=74777869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011317801.2A Active CN112419265B (zh) | 2020-11-23 | 2020-11-23 | 一种基于人眼视觉机制的伪装评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419265B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962886A (zh) * | 2021-10-19 | 2022-01-21 | 中国人民解放军火箭军工程大学 | 一种基于背景还原的红外伪装效果评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101626A1 (zh) * | 2015-12-15 | 2017-06-22 | 努比亚技术有限公司 | 一种实现图像处理的方法及装置 |
CN107729830A (zh) * | 2017-10-09 | 2018-02-23 | 西安工业大学 | 基于背景特征的迷彩伪装效果检测计算方法 |
CN108537788A (zh) * | 2018-04-06 | 2018-09-14 | 中国人民解放军92942部队 | 迷彩伪装效果评测方法及装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
-
2020
- 2020-11-23 CN CN202011317801.2A patent/CN112419265B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101626A1 (zh) * | 2015-12-15 | 2017-06-22 | 努比亚技术有限公司 | 一种实现图像处理的方法及装置 |
CN107729830A (zh) * | 2017-10-09 | 2018-02-23 | 西安工业大学 | 基于背景特征的迷彩伪装效果检测计算方法 |
CN108537788A (zh) * | 2018-04-06 | 2018-09-14 | 中国人民解放军92942部队 | 迷彩伪装效果评测方法及装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于视觉特性及图像相似度的光学伪装效果评估;文刘强;吕绪良;荣先辉;;防护工程(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112419265A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN102308306B (zh) | 用于图像分离的约束生成器 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN109376591B (zh) | 深度学习特征与视觉特征联合训练的船只目标检测方法 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN106649487A (zh) | 基于兴趣目标的图像检索方法 | |
Beniaich et al. | Determination of vegetation cover index under different soil management systems of cover plants by using an unmanned aerial vehicle with an onboard digital photographic camera. | |
CN109902715A (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN107729830B (zh) | 基于背景特征的迷彩伪装效果检测计算方法 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
US8983183B2 (en) | Spatially varying log-chromaticity normals for use in an image process | |
CN114241031A (zh) | 基于双视角融合的鱼类体尺测量和体重预测的方法及装置 | |
CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
CN106228130A (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
CN112926652A (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
CN109919246A (zh) | 基于自适应特征聚类和多重损失融合的行人重识别方法 | |
CN113129390B (zh) | 一种基于联合显著性的色盲图像重新着色方法及系统 | |
CN112419265B (zh) | 一种基于人眼视觉机制的伪装评价方法 | |
Przybył et al. | Virtual methods of testing automatically generated camouflage patterns created using cellular automata | |
CN114037650B (zh) | 变化检测及目标检测的地面目标可见光毁伤图像处理方法 | |
CN116824485A (zh) | 一种基于深度学习的开放场景伪装人员小目标检测方法 | |
CN116229084A (zh) | 一种对空目标的检测方法 | |
CN116189160A (zh) | 一种基于局部对比度机制的红外弱小目标检测方法 | |
Kwon et al. | Quality grading of Hanwoo (Korean native cattle breed) sub-images using convolutional neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |