基于時空信息的自適應數字偽裝研究

霍一博，張 靜，杜曉輝，鄧 皓

(1.電子科技大學 光電科學與工程學院，成都 610054；(2.電子科技大學 智能顯微技術聯合研究中心， 成都 610054)

1 引言

數字偽裝技術是一種將需要偽裝對象的圖像信息變換成與周圍環境相似的可識別信息，達到隱藏自身可探測信息，逃避對方偵察檢測的技術。隨著科技的發展，數字化媒體成為了信息存儲，處理和傳遞的主要方式，數字偽裝技術變得越來越多元化和智能化，尤其在最近幾年中，由于超材料和柔性OLED的出現，使自適應的數字偽裝技術的實現成為了可能，自適應數字偽裝技術的研究對于自然探索、潛伏偵查、國家安防、軍事通訊和科學研究具有十分重大的意義。

自適應數字偽裝又稱為主動偽裝，能夠迅速對偽裝者周圍的環境做出判斷，使自身的偽裝不斷隨著環境的改變而變化，是在復雜環境背景下實現良好偽裝的重要隱藏技術。從理論上講，自適應數字偽裝可以為偽裝者提供完美的隱蔽性，能夠最有效地降低自身的可探測性。在現階段，對于自適應數字偽裝技術的研究還處于初步階段，相關研究報道還很少，自適應數字偽裝技術的研究還不完善，還有許多領域等著眾多研究者去積極探索。

2 基于時空信息的自適應數字偽裝技術

數碼迷彩是最常用的一種數字偽裝技術，它基于色彩混合原理，使用不同大小的“斑塊”，從而組成具有較好偽裝能力的迷彩圖案，其具有良好的偽裝能力，在軍事上有著廣泛的應用，常見的數碼迷彩圖案如圖1。本文中設計了一種新型的基于數碼迷彩和時空信息的自適應數字偽裝算法。

圖1 常見的數碼迷彩圖案Fig.1 Common digital camouflage patterns

通過研究國內外數碼迷彩設計的主要方案和技術手段，本文中總結出了設計數碼迷彩的基本方法和流程。一般來說，高質量的數字迷彩偽裝能夠很好地融入背景，必須滿足以下2個限制條件：

1) 顏色約束：數字迷彩偽裝紋理的原色應與背景結合良好，不易被人眼或光學儀器識別。換句話說，數字迷彩應該有一些亮度不同的原色，這樣原色中的斑點可以很容易地打破偽裝目標的原始形式，而且數字迷彩的原色值與背景值之間的差異不應該太大。通常情況下,原色的亮度應略低于背景的亮度。

2) 形狀約束：數字迷彩形狀應該與環境中的圖案相似。具體來說，迷彩中斑點的分布要隱藏偽裝目標的原始形態，斑點的分布要不均勻，使偽裝目標難以被發現。特別要避免大的矩形方塊或長直線。而且，無論是大斑點還是小斑點的分布都應該是有多個層級的。

數碼迷彩設計的基本制作流程如圖2所示，首先，從背景環境中提取出環境的主要顏色信息，這里所用的算法一般是k均值聚類算法，得到數碼迷彩要使用的顏色，在現階段，數碼迷彩主要分為海洋迷彩，陸地迷彩，森林迷彩等，每一種迷彩類別都有他的工業標準化顏色，因此，如果偽裝環境較為經典的話，可以把從周圍環境提取得到的主要顏色信息和工業標準數碼顏色做分析對比，然后再決定最終的數碼迷彩顏色。之后要考慮周圍環境中的紋理特點，再從圖案模板庫中選取若干種與之相似的圖案模板，根據圖案形狀約束將這些拼圖模板進行分析重組，得到迷彩的紋理輪廓，再在上面涂滿前面得到的數碼迷彩主顏色，就形成了有良好偽裝效果的數碼迷彩。

圖2 數碼迷彩圖案制作流程簡圖Fig.2 Digital camouflage pattern production process

2.1 顏色選取

本文中提出的數碼迷彩的顏色選取部分主要分為顏色豐富度等級計算和均值聚類提取原色2個步驟。

顏色是人類視覺感知的關鍵因素，因為顏色傳達了周圍環境的關鍵信息，無論是在自然界還是在人類社會中，它都影響著人類的行為和決策過程。因此，在圖像處理領域如何準確測量一個自然或虛擬場景的色彩至關重要。

為了明確需要在周圍環境中提取出幾種主要顏色，本文中使用了顏色豐富度來確定主要顏色的個數。顏色豐富度是一種從圖像中學習提取相應的特征顏色特征，以及從特征空間到各種自然彩色圖像的理想色彩評分的映射。本文中采用了 Hasler的方案用來計算顏色豐富度等級。

顏色豐富度等級一共分為7級，分別為：無(Not colorful)、稍微(Slightly colorful)、適度(Moderately colorful)、平均(Averagely colorful)、非常(Quite colorful)、高度(Highly colorful)和極端(Extremely colorful)。

顏色豐富度的計算公式為：

=-

(1)

=05*(+)-

(2)

(3)

(4)

=+03*

(5)

式中，、、表示圖像的三通道矢量圖；和為數學運算標量圖；和是方差和均值；為顏色豐富度度量值。

顏色豐富度等級和周圍環境要提取的主要顏色數可以利用表1中的數值進行計算：

表1 顏色豐富度

紅-綠-藍(RGB)、色調-飽和度-亮度(HSV)經常用于圖像處理。RGB模型使用了3個基本顏色成分，它代表顏色的物理特征，但并不能再現人類視覺系統的本質。而HSV模型更類似于人類的視覺機制，是基于人對顏色的感覺來設計的，更能直觀展示顏色對人眼的影響。因此本文中采用HSV模型對偽裝顏色進行聚類，在聚類完成之后，再將色彩空間轉換為RGB空間。均值聚類算法是一種無監督的機器學習算法。由于均值聚類算法簡單，執行速度快，主要原色提取準確，因此本文中使用均值聚類算法對背景圖像中的原色進行聚類。在均值聚類算法中，如果數據聚類良好，聚類中心不變，則算法收斂。使用均值聚類算法的原色提取流程如圖3所示，首先進行色彩空間轉換，然后初始化聚類中心和中心個數，中心個數使用上文提到的顏色豐富度等級計算公式，之后通過遞歸迭代的方式進行重新聚類并更新中心點的位置，直到誤差小于閾值為止，最后再把顏色轉換為RGB空間就完成了全部流程。

2.2 紋理制作

基于圖案模板的數碼迷彩偽裝設計方法目前大多是利用圖像分割技術提取背景紋理特征，再制作出與之相符合的圖案模板。在把迷彩圖案畫在衣服上、卡車等設備的實際過程中采用圖案模板作為涂裝紋理可以避免偽裝圖案變形或混亂，達到良好的偽裝效果。從實際的噴涂技法上看，這樣的方法不僅提高了數碼迷彩制作效率，而且在滿足圖案約束的同時，使數碼迷彩更加不顯眼。

圖3 主顏色提取流程框圖Fig.3 Main color extraction process

對于圖案模板斑點數據庫的數據，本文中從已有的一些形狀良好的偽裝設計入手，總結出一些典型的偽裝圖案斑點形狀，然后利用貪婪算法遞歸地將這些圖案模板在點形狀約束下展開，直到整個表面被完全覆蓋。該方法采用7種不同的圖案模板斑點類型，有4個較大的斑點圖案模板和3個小一點的斑點圖案模板類型。在實際使用這些斑點模板的過程中，會在之上加入縮放因子從而使得斑點模板的多樣性增加。圖4展示了這些斑點模板的具體樣式。

圖4 斑點模板樣式圖Fig.4 Blob template style

使用這些斑點圖案填充整個數碼紋理的過程中要使用貪婪隨機迭代算法，貪婪隨機迭代算法是求解優化問題的一種快速、簡單的方法，求解器在考慮約束條件的同時一步一步地搜索當前步驟的最恰當的解，直到滿足約束停止條件，完成整個迭代算法。數碼圖案中斑點的分布問題可以看作是形狀約束條件下的優化問題。

準備模板分布約束具有良好光學偽裝效果的偽裝圖案不僅要求顏色能很好地融入背景，還要求噴涂在偽裝目標表面的模板形狀具有良好的光學偽裝效果。為了實現這些目標，根據行業標準和經驗，本文中實施了以下約束條件：

1) 偽裝圖案應該很好地分割目標形狀，使整體形狀是一些零零散散的斑點組合；

2) 偽裝紋理中的斑點應呈不規則狀，不能有大塊或長條紋；

3) 不能有多個一樣的斑點同時出現在偽裝圖案的一個地方，相鄰的斑點要盡量有著各種不同顏色，這樣可以使圖案顯得更加層次化和不規則化；

4) 為了提高生產效率，降低生產成本，在設計偽裝圖案時，不直接進行偽裝顏色噴涂，而是在整個紋理設計完畢后再統一噴涂顏色，節省偽裝涂料。

模板中斑點分布的約束條件是為了讓斑點的分布盡量分散，對圖案斑點的分布約束類似于引導圖案中心點分布。因此，本文中為每個像素塊分配成本，這樣本文中就可以定量地衡量一個像素點成為斑點模板中心的可能性。該成本越小，這個像素點就越有可能成為中心。在數字偽裝生成過程中，每個新斑點模板的分布都會動態地改變模板覆蓋區域內像素的成本，然后再進行下一個斑點模板的選擇。在貪婪算法的后續迭代過程中，本文中使用模板分布代價(以一個像素為分布中心所對應背景模板的代價)作為優化測度。需要為每個像素設置一個分布成本(通常初始化為0)，這表示被圖案模板覆蓋的成本。在算法實現中，簡單地更新每一個像素的成本(當一個像素被模板覆蓋一次時添加1)。模板分布代價表示模板在以像素為中心的矩形區域內分布的總代價(即模板中心在像素處)，模板分布代價是使用模板矩陣作為卷積核進行卷積的結果。每次優先選擇。模板分布代價最小的像素點作為圖案模板的中心，若有相同的最小成本(最小覆蓋代價)，就隨機選擇其一。數碼紋理制作流程如圖5所示。

圖5 數碼紋理制作流程框圖Fig.5 Digital texture production process

詳細算法步驟如下：

1) 初始化背景。創建矩陣，用于存儲成本，其大小等于偽裝圖像的大小，矩陣初始化為全0矩陣；

2) 偽裝斑點大致輪廓。在偽裝畫布上建立一個原點坐標作為輸出偽裝圖像的中心。然后，在圖像上繪制余弦曲線，作為畫布上斑點分布的輪廓。在曲線上，隨機采樣個斑點內部作為大圖案模板的中心。每個斑點進行隨機2～4倍的隨機放大，然后更新矩陣中模板覆蓋的像素的成本；

3) 基于貪婪算法的圖案模板覆蓋。采用貪婪算法對背景圖像進行分配圖案模板。在每次迭代中，利用圖案模板對矩陣中的像素進行卷積運算根據模板分布代價計算最優分布，所尋求的分布是總代價最小的分布。因此，在每一步中，選擇最小的像素作為模板的中心，使代價最小。若存在多個最小值，則隨機取一個值，從而使每一步的最優使總體分布接近最優分布；

4) 進行成本值為0的最大連通域計算，當最大連通域小于指定閾值(閾值一般取最小模板尺寸的2倍)時，算法停止。

2.3 自適應數碼迷彩制作

自適應數碼迷彩是在周圍環境變化的同時不斷改變自身的數碼迷彩偽裝，使得自身的偽裝每時每刻都適應于當前環境。其算法流程如圖6所示。

圖6 自適應數字偽裝算法流程框圖Fig.6 Adaptive digital camouflage process

由于數碼紋理制作算法耗時較長，為了提高算法效率，本文中只在第一幀生成一張大的數碼紋理樣板，再之后的偽裝過程中只使用這個樣本的不同位置進行偽裝。在每一幀偽裝的過程中通過檢測周圍環境信息提取出環境的主要顏色，再根據紋理樣板生成偽裝圖案。

3 實驗結果及分析

數碼迷彩的顏色選取主要分為顏色豐富度等級計算和均值聚類提取原色2個部分組成，提取結果如圖7所示，可以看到對于不同的圖像他的顏色豐富度不同，從而提取到的主顏色個數也就不一樣。

均值聚類顏色提取算法能夠將圖像中的顏色進行統一匯總，計算出圖像中的主要顏色。在圖7中，草地圖像共提取4個主顏色，銀杏樹林圖像共提取出5個主顏色，通過人類感知進行比較，可以看出算法計算的主顏色符合人類大腦感知。

數碼迷彩的紋理制作是根據基于模板庫的貪婪算法實現的，其生成的迷彩紋理主要依賴于模板庫中的斑點圖像，在紋理生成的過程中，由于斑點的隨機取樣以及紋理空間分布在迭代初期往往有多個最優模板中心，就會令生成的紋理存在極大的亂序隨機，一個隨機生成的結果如圖8所示，可以看到，偽裝紋理是完全不規則的，并且偽裝紋理將整個圖案分割成一個個小的目標形狀，使整體形狀是一些零零散散斑點的組合，符合迷彩偽裝紋理的定義。

圖7 主顏色提取結果圖Fig.7Main color extraction result graph

圖8 數碼迷彩紋理結果圖Fig.8 Digital camouflage texture results

根據數碼迷彩的主要顏色和生成的紋理圖案模型，就可以生成各種各樣的數碼迷彩。如圖9，通過森林的主要顏色就可以制作出適合在森林中使用的森林數碼迷彩；通過雪地中的主要顏色就可以制作出適合在雪地中使用的雪地數碼迷彩。從圖中可以看到，相鄰的斑點之間有著不同顏色，迷彩圖案非常有層次化和不規則化。

自適應數碼迷彩是根據周圍環境的變化不斷改變自身的數碼迷彩偽裝，使得自身的偽裝每時每刻都適應于當前環境。其偽裝效果如圖10所示，在圖10(a)中，可以看到足球被偽裝為深綠色迷彩，能夠很好地藏在樹下的草叢中；在圖10(b)中，可以看到一個劃水的人被偽裝為大海的顏色，其偽裝效果很好地匹配海水的紋理和顏色。

圖9 數碼迷彩結果圖Fig.9 Digital camouflage results

圖10 自適應數碼迷彩結果圖Fig.10 Adaptive digital camouflage results

在運動圖像的偽裝中，自適應數碼迷彩也能完成偽裝任務，能夠把偽裝目標隱藏在周圍的環境中，如圖11所示，一只寵物狗在一片荒地上行走，利用自適應數碼迷彩偽裝技術可以讓寵物狗的偽裝每時每刻都與周圍環境保持同步。

圖11 基于數碼迷彩的自適應數字偽裝結果圖Fig.11 Display of adaptive digital camouflage results based on digital camouflage

通過上述的實驗結果分析可以看出基于數碼迷彩的自適應數字偽裝技術在偽裝目標靜止時的偽裝效果十分優秀，在偽裝目標運動過程中也能夠令自身潛伏在環境中去。這是因為該數字偽裝技術的顏色選取是基于周圍環境的主要顏色，紋理生成是隨機并且雜亂無章的，這基本符合了環境的基本特性，并且觀根據人眼的色彩混合原理和空間想象能力，在一定的距離外察偽裝目標時人眼對它的分辨能力大大減弱，從而使得該方式可以讓偽裝目標達到以假亂真的效果。

4 結論

1) 所設計的自適應數字偽裝算法，能夠對當前環境進行分析判斷，得到適合于當前環境的最好偽裝。

2) 通過顏色選取，紋理生成等步驟得到的自適應數字偽裝，比傳統的數碼迷彩效果更好，能根據當前環境的變化自適應改變，在物體運動過程中也能實現較好的偽裝。

3) 所設計的自適應數字偽裝算法適用于各種環境，對自然探索、娛樂生活、潛伏偵查、國家安防和科學研究具有重大意義。