楊 鑫,許衛(wèi)東,郝有斌,劉朝暢

(陸軍工程大學(xué) 野戰(zhàn)工程學(xué)院，南京 210007)

1 引言

迷彩技術(shù)對于移動(dòng)目標(biāo)具有非常重要的作用。迷彩設(shè)計(jì)通常包含3個(gè)流程。即：背景采集—特征提取—圖案設(shè)計(jì)。背景采集是偽裝設(shè)計(jì)的首要步驟，對偽裝的最終效果具有決定性作用。傳統(tǒng)方法以地面采樣為主。在主要活動(dòng)區(qū)域確定背景抽樣點(diǎn)后，通過地面測色儀器或者光譜儀獲取背景顏色數(shù)據(jù)。因此，地面采樣僅能采樣單個(gè)點(diǎn)的顏色樣本。采用空中正射投影成像的采樣方法一定程度上能夠克服這些問題。GJB7959—2012[1]中規(guī)范了地面迷彩偽裝背景的空中采樣方法。固定目標(biāo)的有效背景是9倍的目標(biāo)投影面積范圍，因此通過小范圍空中成像容易獲取背景數(shù)據(jù)。

對比于固定目標(biāo)而言，“公里級(jí)背景”一般指運(yùn)動(dòng)目標(biāo)所涉及的背景區(qū)域。公里級(jí)背景指面積在1 km2以上的背景。由于整體背景范圍較大，快速獲得整體背景分布存在一定的難度。從目前的技術(shù)途徑來看，可以考慮用以下3種方式實(shí)現(xiàn)。一是分析衛(wèi)星數(shù)據(jù)，包括高光譜數(shù)據(jù)和可見光數(shù)據(jù)，通過像元分類或人工區(qū)域劃分獲取整個(gè)背景的整體特征。衛(wèi)星圖片的人工區(qū)域劃分的優(yōu)點(diǎn)是快速，但缺點(diǎn)是精準(zhǔn)度較低、色差大。另一方面，實(shí)時(shí)的衛(wèi)星數(shù)據(jù)通常難以獲得。二是根據(jù)所要偽裝的目標(biāo)任務(wù)和本次偽裝所針對的作戰(zhàn)行動(dòng)，有選擇的劃定部分采樣區(qū)域，以壓縮采樣范圍。如后勤運(yùn)輸車輛目標(biāo)主要的運(yùn)動(dòng)范圍是黃土路背景和水泥路、柏油路背景。道路背景類型單一，可直接確定采樣范圍完成采樣任務(wù)。三是通過低分辨率無人機(jī)采樣。由于第一、二種方式處理方法不具有通用性，針對這無人機(jī)采樣方法展開研究。

另一方面，由于數(shù)據(jù)量過大，基于成像的采樣方法無法做到全部采樣并處理全部數(shù)據(jù)。以20 km×15 km范圍的背景為例，以0.1 m分辨率全采的情況下圖像像素量將超過300億。以現(xiàn)有的成像設(shè)備估算2 000萬像素圖像為20 MB數(shù)據(jù)，則全部采樣將達(dá)到30 GB的數(shù)據(jù)量。而應(yīng)用于運(yùn)動(dòng)目標(biāo)的變形迷彩適用范圍通常遠(yuǎn)超過這一面積。因此，文中通過抽樣的方法解決這一問題。

特征提取通常根據(jù)圖像分割獲取具有不同特性的背景斑塊。提取背景的主色和斑點(diǎn)形狀特征，為偽裝設(shè)計(jì)提供技術(shù)支撐。目前的研究主要以主色分析為基點(diǎn)，通過圖像聚類實(shí)現(xiàn)主色和斑點(diǎn)特征提取。馬棟良等[2]研究了基于模糊聚類的迷彩斑點(diǎn)提取算法。吳凡等[3]分析了FCM聚類算法和分水嶺算法的分割效果。張勇等[4]在Lab顏色空間中選擇色差盡可能大的標(biāo)準(zhǔn)偽裝色作為初始聚類中心，由最小色差原則和相鄰元素特征共同決定目標(biāo)像素歸屬，采用K均值聚類算法選取迷彩偽裝色。喻均等[5]對比了SOFM算法和均值聚類算法的背景特征提取效果，結(jié)果表明SOFM方法能更好地保留細(xì)節(jié)紋理。Liu等[6]為了提高效率，將圖像像素從聚類樣本空間映射到量化顏色空間，采用改進(jìn)的模糊聚類算法獲取背景主色。

綜上，背景采樣和特征提取過程存在以下不足。一是傳統(tǒng)背景采集和偽裝特征提取方法無法適用于移動(dòng)目標(biāo)的背景。二是基于像素點(diǎn)顏色的直接聚類的方法使圖像分割的粒度太小，難以有效應(yīng)用于圖案設(shè)計(jì)。

因此，針對公里級(jí)范圍背景采樣問題，基于系統(tǒng)抽樣法提出了兩級(jí)采樣流程。然后提出了三種特征組合的區(qū)域特征描述方法。最后通過超像素分割聚類得到背景的區(qū)域的特征劃分。

2 公里級(jí)范圍背景數(shù)據(jù)采樣

2.1 基于兩級(jí)采樣的背景數(shù)據(jù)采集

兩級(jí)采樣思路如下：第一級(jí)采樣通過系統(tǒng)抽樣法，得到背景區(qū)域的小規(guī)模抽樣數(shù)據(jù)集，分析該數(shù)據(jù)集獲取背景中地物和地貌的分布和比例狀況，然后再進(jìn)行有針對的二次采樣，獲得背景中地物和地貌的具體紋理、主色以及斑點(diǎn)等具體特征[7]。

s=A(?x2m」, ?y2n」)

(1)

max(R)·z

(2)

上述方法中，需要確定的參數(shù)為背景采樣間隔m、n，采樣面積p1、p2以及感興趣度向量R。當(dāng)采樣間隔數(shù)量越多時(shí)，第一級(jí)采樣任務(wù)量越大，但同時(shí)對于背景類型的分布感知也越精準(zhǔn)。因此，應(yīng)當(dāng)盡可能提升飛行器高度，擴(kuò)大成像設(shè)備視場。確定采樣點(diǎn)數(shù)量和任務(wù)時(shí)間要求后，一級(jí)采樣面積p1應(yīng)當(dāng)設(shè)置盡可能大以確保采樣面能夠涵蓋不同類型的背景大斑塊，進(jìn)而確定分布狀況。為了機(jī)動(dòng)目標(biāo)的偽裝的需求，二級(jí)采樣面積應(yīng)當(dāng)不小于典型地物和地貌的最小面積。感興趣度R表示采樣時(shí)對不同背景類型的重要性傾向程度。此外，若一級(jí)采樣點(diǎn)采集的背景中包含2種以上重要背景類型，可多次構(gòu)建對應(yīng)的Ai、Ri,i=1,2,…,e實(shí)施二級(jí)采樣。若所構(gòu)建的Ri滿足約束條件(式(3))，可將該采樣點(diǎn)各背景的最大感興趣度作為rs：

(3)

采樣整體流程總結(jié)如圖1所示，其中藍(lán)色框圖代表輸入?yún)?shù)，綠色框圖表示算法輸出結(jié)果。

圖1 兩級(jí)背景數(shù)據(jù)采樣方法流程圖

2.2 快速背景圖像拼接優(yōu)化

對采集到的多幅圖像拼接合成，能夠得到大場景的背景圖像數(shù)據(jù)并去除圖像的重疊區(qū)域。圖像的拼接合成通常包括特征點(diǎn)描述、變換矩陣構(gòu)建和重復(fù)部分融合3個(gè)步驟。采用SURF[8-9]特征點(diǎn)描述方法構(gòu)建特征集。為了提高算法效率，根據(jù)采樣重復(fù)率，計(jì)算重復(fù)區(qū)域的特征點(diǎn)以提高算法效率[10]。采用RNASC算法[11]構(gòu)建配對特征點(diǎn)的變換矩陣，以剔除誤匹配點(diǎn)。由于采樣在同一時(shí)段進(jìn)行，可認(rèn)定環(huán)境的亮度變化較小。因此采用平均融合法對重復(fù)部分進(jìn)行融合，以提高計(jì)算效率。

(4)

3 結(jié)合紋理與顏色的偽裝特征提取

3.1 特征描述與差異度量

設(shè)背景圖像像素為u×v，將圖像顏色空間轉(zhuǎn)換至CIELab均勻顏色空間，像素點(diǎn)的顏色采用[Lij,aij,bij](1≤i≤u,1≤j≤v)表示。因此任意兩像素k,t之間色差可表示為

(5)

(6)

(7)

(8)

(9)

此外，像素間的歐氏距離可以表示為

(10)

兩像素k,t之間的綜合特征差異可度量為

Dr,t=dlab(r,t)+αwdw(r,t)+αxydxy(r,t)

(11)

3.2 超像素分割

超像素是指具有相似紋理、顏色、亮度等特征值的圖像塊，這一概念由Ren等[15]于2003年提出。在背景分割時(shí)，將與目標(biāo)面積大小相當(dāng)?shù)谋尘皥D像塊設(shè)定為超像素有助于防止圖像過分割，同時(shí)減少算法復(fù)雜度。本文在特征描述的基礎(chǔ)上，采用SLIC[16-17](simple linear iterative clustering)算法實(shí)現(xiàn)背景超像素分割。

3.3 聚類分析

4 實(shí)驗(yàn)與結(jié)果分析

4.1 背景一級(jí)采樣

為了驗(yàn)證兩級(jí)采樣方法的有效性，實(shí)驗(yàn)采集了某地15 km×20 km大小區(qū)域的背景，采樣過程數(shù)據(jù)記錄如表1所示。一級(jí)采樣共計(jì)采樣了12個(gè)位置，每組作業(yè)之間間隔 5 km，采樣地理坐標(biāo)經(jīng)度范圍為75.560°E～75.737°E，緯度范圍為39.348°N～39.480°N。一級(jí)采樣單個(gè)作業(yè)點(diǎn)面積不小于0.8 km2，每次成像時(shí)橫向和縱向圖像重疊率設(shè)置為20%。使用的無人機(jī)型號(hào)為大疆精靈4RTK，單幅圖像像素量為 5 472×3 648。

表1 背景采樣記錄表

采樣的位置顯示在電子地圖上的結(jié)果如圖2所示，采樣編號(hào)的順序是優(yōu)先從左至右，其次從上到下。需要注意的是，由于圖2中紅色框圖標(biāo)定的采樣點(diǎn)為山區(qū)無人區(qū)，作業(yè)開展困難；另一方面作戰(zhàn)時(shí)武器裝備大概率不會(huì)抵達(dá)該區(qū)域，因此為了方便作業(yè)，采樣的位置進(jìn)行了相應(yīng)的修訂(紅色箭頭指示)。圖2中的白色圓圈為無人機(jī)成像點(diǎn)位。采樣時(shí)能見度為12 km，成像條件較好。通過拼接與合成，得到的一級(jí)采樣結(jié)果如圖3所示。

圖2 一級(jí)采樣無人機(jī)成像位置示意圖

4.2 背景特性分析與二級(jí)采樣

分析每個(gè)數(shù)據(jù)編組中圖像數(shù)據(jù)，可以確定該15 km×20 km地域基本包含戈壁灘、柏油路、農(nóng)田、村莊、樹木、砂石路、土路、河流和沙灘等地物和地貌，每組圖像數(shù)據(jù)中包含的地物見表2。部分地物與地貌的主色和紋理特點(diǎn)是基本一致的，因此在確定主色種類數(shù)量時(shí)可以考慮將類型一致的背景進(jìn)行合并。下面通過分割與聚類獲得具體占比，再結(jié)合任務(wù)屬性和偽裝系統(tǒng)特性確定主色種類數(shù)量。

表2 各組圖像數(shù)據(jù)中主要地貌及其特征分析

經(jīng)過手動(dòng)對采樣數(shù)據(jù)的估算可知，該區(qū)域背景中的戈壁灘占比64.3%，主要存在于1,4,5,7,9,10,11,12號(hào)區(qū)域內(nèi)。農(nóng)田和村莊占比26.1%，主要存在于2,3,4,8號(hào)區(qū)域內(nèi)。河流與沙灘背景占比5.5%，主要存在于6號(hào)區(qū)域內(nèi)。道路背景(包含土路、砂石路、柏油路)占比4.1%，主要存在于1,2,3,4,5,6,8,9,10號(hào)區(qū)域內(nèi)。其占比見圖4所示的餅狀圖。另外，樹木等林地背景占比基本可以忽略不計(jì)，不納入考慮范圍。將農(nóng)田與村莊一起納入同一背景的原因是一方面村莊與農(nóng)田背景總是相連接，另一方面村莊背景色差和紋理隨機(jī)特性較大。各個(gè)類型地物背景占比如圖4所示。

圖4 背景中主要地物類型占比

得到背景類型的基本分布后展開二級(jí)采樣作業(yè)。根據(jù)戈壁灘、村莊農(nóng)田、河流沙灘和道路的次序確定矩陣A和感興趣度向量R。由于河流和沙灘等區(qū)域在作戰(zhàn)時(shí)人員和武器裝備基本不會(huì)接觸，因此感興趣度設(shè)定為0。戈壁灘背景類型相對單一，感興趣度設(shè)定為0.1，道路為機(jī)動(dòng)目標(biāo)主要接觸背景，感興趣度設(shè)定為0.6，農(nóng)田和村莊背景感興趣度為0.3。二級(jí)采樣總采樣次數(shù)w=12。根據(jù)以上條件實(shí)施作業(yè)點(diǎn)采樣，最終確定采集戈壁灘數(shù)據(jù)3組，農(nóng)田和村莊背景3組，道路背景6組。

4.3 特征提取算法效能分析

以圖5(a)所示的農(nóng)田背景為例，研究基于超像素分割特征提取算法的效能。圖5(b)、圖5(c)中分別展示了原始k-means聚類算法主色參數(shù)設(shè)定為2和3所生成的結(jié)果；綜合考慮此農(nóng)田背景的特點(diǎn)，更適合于分割為2類斑點(diǎn)。將劃分為2塊區(qū)域的背景單獨(dú)分割出來(見圖5(d)和圖5(e))。圖5(f)、圖5(g)分別為初始超像素分割圖和聚類后的超像素分割圖。圖5(h)、圖5(i)中分別展示了超像素分割算法分割區(qū)域參數(shù)設(shè)定為2和3生成的結(jié)果。為了對比形成的結(jié)果，將劃分為2塊區(qū)域的背景單獨(dú)分割出來(見圖5(j)和圖5(k))。

圖5 基于k-means與超像素分割的背景特征提取效果對比

根據(jù)分割后結(jié)果可以直觀得出：原k-means分割出的背景具有較多的噪點(diǎn)，不利于后續(xù)處理，但可以將背景顯著劃分為亮色區(qū)域和暗色區(qū)域。而基于超像素分割的背景劃分算法獲得的背景劃分要比前者完整，且劃分后的背景特征差異明顯。通過邊緣比率、斑點(diǎn)平均面積和灰度共生矩陣的能量[20]驗(yàn)證算法的改進(jìn)效果。斑點(diǎn)平均面積越大表明分割的完整性越高。邊緣比例計(jì)算了圖像輪廓占據(jù)總像素的數(shù)量，值越小表明分割的完整性越好。灰度共生矩陣(GLCM)的能量值是像素分布的一致性統(tǒng)計(jì)量，一定程度上，能量值越大反映紋理模式越簡單，分割的完整性越好。表3展示了計(jì)算結(jié)果，3個(gè)指標(biāo)均表明改進(jìn)超像素分割的完整性優(yōu)于原k-means算法。

表3 改進(jìn)算法的圖像分割效果計(jì)算對比

由此可以看出，基于超像素分割算法對于紋理復(fù)雜的背景更加適用，且能夠更好的適應(yīng)圖像噪聲。此外，圖5(f)和圖5(g)對比結(jié)果可以看出，簡單線性迭代過程能夠使輪廓分割的更加精確，以減少分割誤差。

算法運(yùn)行耗時(shí)方面，超像素分割主要耗時(shí)在于前期的簡單線性迭代過程。在相同測試條件下經(jīng)過20次實(shí)驗(yàn)統(tǒng)計(jì)，超像素聚類比單純的k-means算法平均聚類耗時(shí)快35.4倍。因此，可以通過設(shè)置迭代次數(shù)在分割精度和運(yùn)算時(shí)間之間取得平衡。

4.4 偽裝特征提取

對采集到的3種背景圖像進(jìn)行超像素分割和聚類，得到了顏色和斑點(diǎn)形狀特征，結(jié)果分別見圖6和圖7。通過聚類共提取了9種主色(圖6)，由于②和④、③和⑧色差較小，因此合并后，可得到7種主色。

圖6 3種類型背景的主色提取結(jié)果

圖7 提取2種背景下的斑點(diǎn)形狀特征

另一方面，道路背景幾乎為純色背景，無法提取到斑點(diǎn)。戈壁灘背景中的斑點(diǎn)大多為灌木植物輪廓所形成，形狀趨近于橢圓形。農(nóng)田村莊背景中有人工干預(yù)，因此形成的斑點(diǎn)形狀多有直線和直角等特點(diǎn)。上述結(jié)果表明：由于地域廣闊帶來的紋理和斑點(diǎn)形狀多樣性，僅采用一種偽裝圖案(如變形迷彩)很難適用于大范圍的背景(公里級(jí)背景)。采集得到的主色特征和斑點(diǎn)特征后為機(jī)動(dòng)目標(biāo)偽裝設(shè)計(jì)提供基本依據(jù)。

5 結(jié)論

1)基于系統(tǒng)抽樣方法，研究了公里級(jí)背景兩級(jí)采樣方法與流程。兩級(jí)采樣方法能夠克服地面采樣不準(zhǔn)確和全部采樣數(shù)據(jù)量大的問題，該方法為大范圍背景下迷彩圖案設(shè)計(jì)提供技術(shù)支撐。

2)改進(jìn)了傳統(tǒng)基于主色的背景聚類和特征提取算法，綜合紋理、距離和顏色特征，提出了基于SLIC的背景超像素聚類分割方法。

3)采樣了某地20 km×15 km范圍背景，并測試了改進(jìn)聚類算法的性能。結(jié)果表明，上述采集方法能夠準(zhǔn)確有效地采集大范圍背景；所提出的算法能夠優(yōu)化分割區(qū)域的完整性和整體性，通過參數(shù)調(diào)節(jié)在聚類精度和運(yùn)算效率間取得平衡。