CN113962886A - 一种基于背景还原的红外伪装效果评估方法及系统 - Google Patents
一种基于背景还原的红外伪装效果评估方法及系统 Download PDFInfo
- Publication number
- CN113962886A CN113962886A CN202111214272.8A CN202111214272A CN113962886A CN 113962886 A CN113962886 A CN 113962886A CN 202111214272 A CN202111214272 A CN 202111214272A CN 113962886 A CN113962886 A CN 113962886A
- Authority
- CN
- China
- Prior art keywords
- background
- image
- infrared
- reduction
- value
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 119
- 238000011156 evaluation Methods 0.000 title claims abstract description 67
- 230000009467 reduction Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011524 similarity measure Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000008439 repair process Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于背景还原的红外伪装效果评估方法及系统。该方法包括：标记出原始红外图像中目标遮蔽下的背景区域；采用改进Criminisi算法对标记区域进行填补修复，得到背景还原图像；计算背景还原图像的还原效果度量值；计算背景还原图像与原始红外图像之间的相似性度量值；将还原效果度量值与相似性度量值进行非线性融合，得到红外伪装效果评估值；根据红外伪装效果评估值和预设伪装等级确定红外伪装效果等级。本发明利用改进后的Criminisi算法对目标遮蔽下的背景区域进行修复，得到与周围背景结构、纹理、对比度等特征高度融合的背景还原图案，视为目标在该背景下的理想红外伪装，再与原始目标图像进行相似性度量，从而实现准确的红外伪装效果评估。
Description
技术领域
本发明涉及红外伪装效果评估技术领域，特别是涉及一种基于背景还原的红外伪装效果评估方法及系统。
背景技术
现代战场环境下，随着红外探测、制导技术的广泛应用，为了提高武器装备的生存能力，需要对目标进行红外伪装。而红外伪装性能评价则是检验目标红外伪装效果的重要技术手段。一个客观可靠的评价结果不仅可以用于检验特定环境下目标的隐蔽效果，为伪装设计、改进提供现实依据，而且对红外侦测设备的识别性能检验也至关重要。此外，伪装评价结果还可以为武器装备的研发、生产过程中提供信息指导，从而能够在出厂之前加以及时改进。
当前，红外伪装效果的客观评价主要分为两大类：基于Johnson准则的探测概率法和基于图像特征分析的相似性度量法。前者需要推导出红外探测器的最小可分辨温差(MRTD)与空间频率f的曲线方程，然后结合目标尺寸与温度求出目标等效条带数Ne，最后利用Johnson准则得出某一距离下红外探测器对该目标的探测概率。这类方法存在着两个明显的局限性：一是需要获得完备的探测器性能参数以及被测目标尺寸大小；二是推导建立的MRTD模型会与实际红外探测器的最小可分辨温差存在偏差，影响探测概率的计算精度。近年来，随着数字图像处理技术的不断发展，基于图像特征分析的相似性度量法引起了国内外学者的广泛关注，该类方法实质上是对红外侦测设备从真实环境中采集的红外图像进行特征分析，分别提取图像中目标与背景的特征参量，计算两者之间的相似程度或者距离差异，目标与背景的红外特征越相似，伪装效果就越好，而这其中的关键环节就是对背景区域的选择。当面临复杂环境背景，特别是目标背景区域纹理特征较为复杂或者目标邻域不连续、存在灰度阶跃时，背景区域的选择通常比较困难，当前国内外学者对此并没有很好的解决办法，相似性度量的结果往往不能准确反映目标真实的红外伪装效果。
发明内容
本发明的目的是提供一种基于背景还原的红外伪装效果评估方法及系统，用以提高目标红外伪装效果评估的准确性，为伪装目标的设计、改进提供现实依据。
为实现上述目的，本发明提供了如下方案：
一种基于背景还原的红外伪装效果评估方法，包括：
标记出原始红外图像中目标遮蔽下的背景区域；
采用改进Criminisi算法对标记区域进行填补修复，得到背景还原图像；
计算所述背景还原图像的还原效果度量值；
计算所述背景还原图像与所述原始红外图像之间的相似性度量值；
将所述还原效果度量值与所述相似性度量值进行非线性融合，得到红外伪装效果评估值；
根据所述红外伪装效果评估值和预设伪装等级确定红外伪装效果等级。
可选地，所述背景还原图像的还原公式如下：
其中，
为背景还原图像，
Ψq分别为待修复区域和源区域，
表示
和Ψq之间的距离，Φ为目标以外的背景区域，i和j为像素的横纵坐标。
可选地，还原效果度量值的计算公式如下：
其中，A1为还原效果度量值，D(v1,v2,Σ1,Σ2)为背景还原图像和原始红外图像之间的还原效果距离值，v1和Σ1分别为背景还原图像MVG模型的均值和协方差矩阵，v2和Σ2分别为原始红外图像MVG模型的均值和协方差矩阵。
可选地，相似性度量值的计算公式如下：
其中，A2为相似性度量值，SL(x)为计算背景还原图像和原始红外图像的总体相似性函数，Ω为整个图像的空间域，PCm(x)为计算背景还原图像和原始红外图像的相位一致性函数，x为整个图像的空间域中的像素点。
可选地，红外伪装效果评估值的计算公式如下：
其中，S为红外伪装效果评估值，k1、k2为权重系数，f1、f2为小于1的正常数，S1用来衡量构造的背景还原图像的可靠性，S2用来计算真实红外伪装与理想红外伪装之间的相似性，A2为相似性度量值，A1为还原效果度量值。
本发明还提供了一种基于背景还原的红外伪装效果评估系统，包括：
标记模块，用于标记出原始红外图像中目标遮蔽下的背景区域；
填补修复模块，用于采用改进Criminisi算法对标记区域进行填补修复，得到背景还原图像；
还原效果度量值计算模块，用于计算所述背景还原图像的还原效果度量值；
相似性度量值计算模块，用于计算所述背景还原图像与所述原始红外图像之间的相似性度量值；
红外伪装效果评估值计算模块，用于将所述还原效果度量值与所述相似性度量值进行非线性融合，得到红外伪装效果评估值；
等级确定模块，用于根据所述红外伪装效果评估值和预设伪装等级确定红外伪装效果等级。
可选地，所述背景还原图像的还原公式如下：
其中，
为背景还原图像，
Ψq分别为待修复区域和源区域，
表示
和Ψq之间的距离，Φ为目标以外的背景区域，i和j为像素的横纵坐标。
可选地，还原效果度量值的计算公式如下：
其中，A1为还原效果度量值，D(v1,v2,Σ1,Σ2)为背景还原图像和原始红外图像之间的还原效果距离值，v1和Σ1分别为背景还原图像MVG模型的均值和协方差矩阵，v2和Σ2分别为原始红外图像MVG模型的均值和协方差矩阵。
可选地，相似性度量值的计算公式如下：
其中，A2为相似性度量值，SL(x)为计算背景还原图像和原始红外图像的总体相似性函数，Ω为整个图像的空间域，PCm(x)为计算背景还原图像和原始红外图像的相位一致性函数，x为整个图像的空间域中的像素点。
可选地，红外伪装效果评估值的计算公式如下：
其中，S为红外伪装效果评估值，k1、k2为权重系数，f1、f2为小于1的正常数，S1用来衡量构造的背景还原图像的可靠性，S2用来计算真实红外伪装与理想红外伪装之间的相似性，A2为相似性度量值，A1为还原效果度量值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于背景还原的红外伪装效果评估方法及系统。该方法包括：标记出原始红外图像中目标遮蔽下的背景区域；采用改进Criminisi算法对标记区域进行填补修复，得到背景还原图像；计算所述背景还原图像的还原效果度量值；计算所述背景还原图像与所述原始红外图像之间的相似性度量值；将所述还原效果度量值与所述相似性度量值进行非线性融合，得到红外伪装效果评估值；根据所述红外伪装效果评估值和预设伪装等级确定红外伪装效果等级。本发明利用针对性改进后的Criminisi算法对目标遮蔽下的背景区域进行修复，得到与周围背景结构、纹理、对比度等特征高度融合的背景还原图案，视为目标在该背景下的理想红外伪装，再与原始目标图像进行相似性度量，从而实现准确的红外伪装效果评价。有效解决了现有方法在面临目标背景区域纹理特征复杂，或者目标邻域背景不连续、存在灰度阶跃等复杂背景时评价结果不理想的难题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于背景还原的红外伪装效果评估方法的流程图；
图2为本发明实施例构建背景还原图像的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于背景还原的红外伪装效果评估方法及系统，用以提高目标红外伪装结果评估的准确性，为伪装目标的设计、改进提供现实依据。
与现有的基于图像特征分析的相似性度量法不同，本发明的基本构思是针对复杂环境背景下，特别是目标背景区域纹理特征较为复杂或者目标邻域不连续、存在灰度阶跃时，与目标进行相似性度量的背景参照区域选取困难问题，利用针对性改进后的Criminisi算法对目标遮蔽下的背景区域进行修复，得到与周围背景结构、纹理、对比度等特征高度融合的背景还原图案，视为目标在该背景下的理想红外伪装，再与原始目标图像进行相似性度量，从而实现准确的红外伪装效果评价。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的基于背景还原的红外伪装效果评估方法，包括以下步骤：
步骤101：标记出原始红外图像中目标遮蔽下的背景区域。
步骤102：采用改进Criminisi算法对标记区域进行填补修复，得到背景还原图像。
步骤103：计算所述背景还原图像的还原效果度量值。
步骤104：计算所述背景还原图像与所述原始红外图像之间的相似性度量值。
步骤105：将所述还原效果度量值与所述相似性度量值进行非线性融合，得到红外伪装效果评估值。
步骤106：根据所述红外伪装效果评估值和预设伪装等级确定红外伪装效果等级。
下面通过具体的实施例对本发明进行详细介绍：
背景还原图像构建如图2(a)所示，其中，Ω为目标区域，也是待重构的还原背景区域；δΩ为目标区域的轮廓，随着算法的进展，δΩ向内演化直至完全消失；Φ为目标以外的背景区域，该区域提供了还原目标遮蔽区域所需的像素样本信息；P为δΩ上的任意一点，Ψp为以P为中心的待还原块，具体尺寸大小根据邻域背景纹理结构的复杂程度而确定。将原始红外伪装目标从图像中分割，接着对Ψp逐个修复，使得Ω与Φ高度融合，两个区域的结构、纹理、对比度等特征实现平滑过度，如图2(b)所示，视为目标在该背景下的理想红外伪装。
步骤1：输入原始的红外伪装图像，利用imfreehand函数标记并分割出目标区域Ω，其边界δΩ作为待修复区域的初始边界。
步骤2：采用改进Criminisi算法对标记区域进行填补修复，得到背景还原图像。
步骤1)确定目标边界上P点的临时优先级P(p)，该值决定了以P为中心的边界块Ψp的填充顺序，在Criminisi算法中，P(p)定义如下：
P(p)＝C(p)×D(p)(1)
式中：C(p)为置信项，用来度量P点周围的可靠信息量，其目的是优先修复那些拥有更多已知像素点的边界块Ψp；D(p)为数据项，表示P点的等照度线强度，其值越大，Ψp越先被修复，具体为：
式中：|Ψp|为边界块Ψp的面积；α为归一化因子，对于灰度图像，α取255；np为过P点与目标边界δΩ正交的单位向量；⊥为正交运算符，
为边界块中已知像素点的梯度最大值。
在实际应用中，将临时优先级函数定义为置信项与数据项的乘积有很大的局限性：随着孔洞内部修复工作的进行，当出现法向量np与等照度线
垂直时，D(p)值等于0。另外，C(p)的值也会随着孔洞面积减小逐渐为0。当置信项与数据项中有一项为0时，无论另一项取值多高程序都将终止，无法继续完成修复工作。因此，对P(p)作出如下改进：
式中：α和β分别为权重系数，具体值由实验确定。由式(4)可知，即使置信项或数据项有一项等于0，只要另一项足够大，那么该区域也能得到优先修复。
步骤2)根据P点的优先级，在源区域Φ中搜索最佳样本块
逐个进行修复：
式中：
Ψq分别以为像素点P和Q为中心的像素块，
表示
和Ψq之间的距离，用两个块之间已知的像素平方差之和(SSD)表示,即：
步骤3)当
被修复后，目标区域的边界随即发生变化，新的P点的置信项C(p)也要进行如下更新：
步骤4)重复步骤1)～步骤3)，直至待修复的目标区域修复完毕，得到背景还原图像。
步骤3：计算所述背景还原图像的还原效果度量值。使用“全盲”的图像质量评价IL-NIQE模型来评价背景还原图像的修复质量和还原效果，得到还原效果度量值。
该模型不需要大量的训练样本和平均意见得分(mean opinion score,MOS)，且能够在无先验知识的情况下对修复图像质量作出准确评价。其基本思想是：构建一组“质量感知”特征，并将其拟合到一个多元高斯(multivariate gaussian,MVG)模型，质量感知特征源自简单且高度规则的空间域自然场景统计(natural scene statistics,NSS)，MVG模型具体如下：
式中：(x1,…xn)为n个NSS特征，v和Σ分别为MVG的均值和协方差矩阵，使用最大似然程序来估计。
给定测试图像的质量被表示为基于自然图像语料库(natural image corpus,NIC)的NSS特征模型与从测试图像提取的特征的MVG之间的距离:
式中：v1,v2,Σ1,Σ2分别为自然图像MVG模型和测试图像MVG模型的均值和协方差矩阵；距离D分布在[0，100]之间，D值越大代表图像的修复质量越差。
应用IL-NIQE模型对背景还原图像进行定量计算，得到的D值进行归一化处理：
A1记为还原效果度量值，衡量还原背景与真实背景之间的接近程度，A1越接近1，表明构建的背景还原图像的修复质量和还原效果越好
步骤4：计算所述背景还原图像与所述原始红外图像之间的相似性度量值。
人类视觉系统(human visual system,HVS)主要根据图像的低层特征来理解图像，显著的低层特征传达了HVS的关键信息。FSIM算法可以很好的利用低层特征计算原始红外伪装图像和构建的背景还原图像之间的相似程度。在该算法中，相位一致性(phaseconsistency,PC)被用作主要特征，梯度幅值(gradient amplitude,GM)作为次要特征，PC和GM在表征图像局部相似性方面发挥互补作用，在获得局部相似图之后，再次使用PC作为加权函数来导出整张图像的相似性度量值，具体公式为：
SL(x)＝[SPC(x)]α·[SG(x)]β (13)
式中：T1、T2为增加稳定性的正常数，防止分母为0；α、β为权重值，通常设置α＝β＝1；SL(x)为计算背景还原图像和原始红外图像的总体相似性函数，其值等于相位相似性函数Spc(x)和梯度相似性函数SG(x)的加权乘积；Ω为整个图像的空间域；PCm(x)为PC1(x)与PC1(x)两者中的最大值。
计算背景还原图像与原始红外伪装图像的FSIM值，结果用A2表示，取值范围为[0,1]，值越大说明伪装目标与还原出的遮蔽背景越相似。
步骤5：将所述还原效果度量值与所述相似性度量值进行非线性融合，得到红外伪装效果评估值。
还原效果度量值的大小直接影响着相似性度量值的可靠性，具体关系为：还原效果度量值越高，表明构建的背景还原图像效果越好，在与原始红外伪装图像进行相似性度量时，得到的评价值就越能反应真实目标的伪装效果；当还原效果度量值较小时，表明构建的背景还原图像效果并不理想，此时与原始红外伪装图像进行对比计算，得到的评价结果误差较大，不能客观反应目标真实的红外伪装效果。
考虑到还原效果度量值和相似性度量值并非完全独立，如果采用线性加权的方式融合两个指标，则忽略了两者之间的非线性竞争关系。因此，本发明借鉴了多特征融合策略的思想，设计并使用如下指数乘法函数进行计算：
式中：k1、k2为权重系数，两者之和等于1；f1、f2为远小于1的正常数，避免分母部分为0。S1用来衡量构造的背景还原图像的可靠性，与A1呈正相关，当A1＝1时，S1＝1，表明背景还原图像的质量非常好，此时S值完全由S2决定，当A1＝0时，S1＝0，则构造的背景还原图像不具备参考价值，无论S2取值如何，S值都趋近于0。S2用来计算真实红外伪装与理想红外伪装之间的相似性，具体变化与S1相同。综合评价值S由S1和S2两部分组成，取值范围[0,1]。S值越大说明目标的红外伪装效果越好。
步骤6：根据所述红外伪装效果评估值和预设伪装等级确定红外伪装效果等级。
将步骤5得出的评价结果输入综合研判系统。系统设置极好、好、一般、差、极差五个等级，分别对应(0,0.2)、(0.2,0.4)、(0.4,0.6)、(0.6,0.8)、(0.8,1)五个分值区间。相关人员可以通过最终评价结果了解待测装备的真实红外伪装效能，并制定相应的应对措施。例如：在武器研发方面，可以通过评价结果来评估和检测武器装备的防红外探测性能，指导后续的改进和生产工作；在侦察监视方面，可以通过对现有装备在不同场景下红外伪装效果的评估来指导装备的隐蔽或摆放位置，提高现有装备的战场生存能力；在探测器选购方面，可以利用对同一目标的红外伪装效果评估结果来反向推导出不同型号、品牌红外探测器的性能优劣，从而指导相关采购工作。
本发明还提供了一种基于背景还原的红外伪装效果评估系统，包括：
标记模块，用于标记出原始红外图像中目标遮蔽下的背景区域；
填补修复模块，用于采用改进Criminisi算法对标记区域进行填补修复，得到背景还原图像；
还原效果度量值计算模块，用于计算所述背景还原图像的还原效果度量值；
相似性度量值计算模块，用于计算所述背景还原图像与所述原始红外图像之间的相似性度量值；
红外伪装效果评估值计算模块，用于将所述还原效果度量值与所述相似性度量值进行非线性融合，得到红外伪装效果评估值；
等级确定模块，用于根据所述红外伪装效果评估值和预设伪装等级确定红外伪装效果等级。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于背景还原的红外伪装效果评估方法，其特征在于，包括：
标记出原始红外图像中目标遮蔽下的背景区域；
采用改进Criminisi算法对标记区域进行填补修复，得到背景还原图像；
计算所述背景还原图像的还原效果度量值；
计算所述背景还原图像与所述原始红外图像之间的相似性度量值；
将所述还原效果度量值与所述相似性度量值进行非线性融合，得到红外伪装效果评估值；
根据所述红外伪装效果评估值和预设伪装等级确定红外伪装效果等级。
2.根据权利要求1所述的基于背景还原的红外伪装效果评估方法，其特征在于，所述背景还原图像的还原公式如下：
其中，
为背景还原图像，
Ψq分别为待修复区域和源区域，
表示
和Ψq之间的距离，Φ为目标以外的背景区域，i和j为像素的横纵坐标。
3.根据权利要求1所述的基于背景还原的红外伪装效果评估方法，其特征在于，还原效果度量值的计算公式如下：
其中，A1为还原效果度量值，D(v1,v2,Σ1,Σ2)为背景还原图像和原始红外图像之间的还原效果距离值，v1和Σ1分别为背景还原图像MVG模型的均值和协方差矩阵，v2和Σ2分别为原始红外图像MVG模型的均值和协方差矩阵。
4.根据权利要求1所述的基于背景还原的红外伪装效果评估方法，其特征在于，相似性度量值的计算公式如下：
其中，A2为相似性度量值，SL(x)为计算背景还原图像和原始红外图像的总体相似性函数，Ω为整个图像的空间域，PCm(x)为计算背景还原图像和原始红外图像的相位一致性函数，x为整个图像的空间域中的像素点。
5.根据权利要求1所述的基于背景还原的红外伪装效果评估方法，其特征在于，红外伪装效果评估值的计算公式如下：
其中，S为红外伪装效果评估值，k1、k2为权重系数，f1、f2为小于1的正常数，S1用来衡量构造的背景还原图像的可靠性，S2用来计算真实红外伪装与理想红外伪装之间的相似性，A2为相似性度量值，A1为还原效果度量值。
6.一种基于背景还原的红外伪装效果评估系统，其特征在于，包括：
标记模块，用于标记出原始红外图像中目标遮蔽下的背景区域；
填补修复模块，用于采用改进Criminisi算法对标记区域进行填补修复，得到背景还原图像；
还原效果度量值计算模块，用于计算所述背景还原图像的还原效果度量值；
相似性度量值计算模块，用于计算所述背景还原图像与所述原始红外图像之间的相似性度量值；
红外伪装效果评估值计算模块，用于将所述还原效果度量值与所述相似性度量值进行非线性融合，得到红外伪装效果评估值；
等级确定模块，用于根据所述红外伪装效果评估值和预设伪装等级确定红外伪装效果等级。
7.根据权利要求6所述的基于背景还原的红外伪装效果评估系统，其特征在于，所述背景还原图像的还原公式如下：
其中，
为背景还原图像，
Ψq分别为待修复区域和源区域，
表示
和Ψq之间的距离，Φ为目标以外的背景区域，i和j为像素的横纵坐标。
8.根据权利要求6所述的基于背景还原的红外伪装效果评估系统，其特征在于，还原效果度量值的计算公式如下：
其中，A1为还原效果度量值，D(v1,v2,Σ1,Σ2)为背景还原图像和原始红外图像之间的还原效果距离值，v1和Σ1分别为背景还原图像MVG模型的均值和协方差矩阵，v2和Σ2分别为原始红外图像MVG模型的均值和协方差矩阵。
9.根据权利要求6所述的基于背景还原的红外伪装效果评估系统，其特征在于，相似性度量值的计算公式如下：
其中，A2为相似性度量值，SL(x)为计算背景还原图像和原始红外图像的总体相似性函数，Ω为整个图像的空间域，PCm(x)为计算背景还原图像和原始红外图像的相位一致性函数，x为整个图像的空间域中的像素点。
10.根据权利要求6所述的基于背景还原的红外伪装效果评估系统，其特征在于，红外伪装效果评估值的计算公式如下：
其中，S为红外伪装效果评估值，k1、k2为权重系数，f1、f2为小于1的正常数，S1用来衡量构造的背景还原图像的可靠性，S2用来计算真实红外伪装与理想红外伪装之间的相似性，A2为相似性度量值，A1为还原效果度量值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111214272.8A CN113962886A (zh) | 2021-10-19 | 2021-10-19 | 一种基于背景还原的红外伪装效果评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111214272.8A CN113962886A (zh) | 2021-10-19 | 2021-10-19 | 一种基于背景还原的红外伪装效果评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113962886A true CN113962886A (zh) | 2022-01-21 |
Family
ID=79465468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111214272.8A Pending CN113962886A (zh) | 2021-10-19 | 2021-10-19 | 一种基于背景还原的红外伪装效果评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962886A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103809175A (zh) * | 2014-02-26 | 2014-05-21 | 北京航空航天大学 | 隐身飞机散射特性现场快速评估系统 |
| CN109539886A (zh) * | 2018-03-25 | 2019-03-29 | 哈尔滨工程大学 | 一种潜艇隐身辅助决策系统及决策方法 |
| CN109614970A (zh) * | 2018-12-05 | 2019-04-12 | 中国人民解放军火箭军工程大学 | 一种红外目标隐身效能的评估方法及系统 |
| CN112419265A (zh) * | 2020-11-23 | 2021-02-26 | 哈尔滨工程大学 | 一种基于人眼视觉机制的伪装评价方法 |
-
2021
- 2021-10-19 CN CN202111214272.8A patent/CN113962886A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103809175A (zh) * | 2014-02-26 | 2014-05-21 | 北京航空航天大学 | 隐身飞机散射特性现场快速评估系统 |
| CN109539886A (zh) * | 2018-03-25 | 2019-03-29 | 哈尔滨工程大学 | 一种潜艇隐身辅助决策系统及决策方法 |
| CN109614970A (zh) * | 2018-12-05 | 2019-04-12 | 中国人民解放军火箭军工程大学 | 一种红外目标隐身效能的评估方法及系统 |
| CN112419265A (zh) * | 2020-11-23 | 2021-02-26 | 哈尔滨工程大学 | 一种基于人眼视觉机制的伪装评价方法 |
Non-Patent Citations (4)
| Title |
|---|
| LIN ZHANG等: ""FSIM：A Feature Similarity Index for Image Quality Assessment"", 《IEEE TRANSACTION ON IMAGE PROCESSING》 * |
| 王鹏烨等: ""基于图像修复技术的目标可见光伪装效果评价"", 《激光与光电子学进展》 * |
| 阿夏Z: ""无参考图像质量评价算法（NIQE）：Making a Completely Blind Image Quality Analyzer"", 《HTTP：//WWW.CNBLOGS.COM/BUYIZHIYOU/P/12564676.HTML》 * |
| 陈强等: ""全参考图像质量评价综述"", 《计算机应用研究》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110246112B (zh) | 基于深度学习的激光扫描slam室内三维点云质量评价方法 | |
| Ding et al. | Automatic recognition of landslide based on CNN and texture change detection | |
| CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
| CN103456020B (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
| CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
| CN112288758B (zh) | 一种电力设备红外与可见光图像配准方法 | |
| CN108734122B (zh) | 一种基于自适应样本选择的高光谱城区水体检测方法 | |
| CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
| CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
| CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
| CN115270266A (zh) | 基于改进层次分析法的边坡监测状态风险判断方法 | |
| CN114998251A (zh) | 一种基于联邦学习的空中多视觉平台地面异常检测方法 | |
| CN111612734B (zh) | 一种基于图像结构复杂度的背景杂波表征方法 | |
| CN111595247B (zh) | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 | |
| CN106779354B (zh) | 用于飞行器性能评估的Bayes数据融合评估方法 | |
| CN103903258B (zh) | 基于次序统计量谱聚类的遥感图像变化检测方法 | |
| CN113962886A (zh) | 一种基于背景还原的红外伪装效果评估方法及系统 | |
| CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、系统及电子设备 | |
| CN109753896A (zh) | 一种基于共性自动编码器的无监督异源遥感图像变化检测方法 | |
| CN105759605A (zh) | 基于自适应参数模型粒子滤波的非线性系统缺陷检测与定位算法 | |
| CN113553708B (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
| Hu et al. | Defects identification and location of underground space for ground penetrating radar based on deep learning | |
| CN104063864A (zh) | 基于四元相位叠合模型的图像模糊度评估方法 | |
| CN111222223B (zh) | 用于确定无线电波传播环境电磁参数的方法 | |
| Chu et al. | An improved localization algorithm of taylor series expansion search target |
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 |