馬世欣， 劉春桐， 李洪才， 王浩， 何禎鑫

(火箭軍工程大學(xué) 導(dǎo)彈工程學(xué)院, 陜西 西安 710025)

0 引言

高光譜探測(cè)技術(shù)引發(fā)了遙感領(lǐng)域的一場(chǎng)革命，以高光譜技術(shù)為支撐的新型軍事偵察手段給傳統(tǒng)的偽裝方法帶來(lái)了前所未有的挑戰(zhàn)[1-3]，材料工程等領(lǐng)域開(kāi)始重視反光譜偵察的研究，以合成高分子為主的新型材料開(kāi)始用于涂料、偽裝網(wǎng)等偽裝手段[4-5]。偽裝在一定程度上就是模仿背景某些屬性的一種反偵察手段，通過(guò)這種隱真示假的方式以提高軍事目標(biāo)的戰(zhàn)場(chǎng)生存能力。高光譜的偵察必然是近乎覆蓋可見(jiàn)光和近紅外的全波段偵察，研究全波段的偽裝技術(shù)將變得更有意義[6]。

另一方面，考慮針對(duì)不同波段的偽裝手段，納米級(jí)的光譜分辨率對(duì)于偽裝效果評(píng)估必然更加精細(xì)和全面。傳統(tǒng)的偽裝效果評(píng)價(jià)方法是由光學(xué)圖像偽裝評(píng)價(jià)方法發(fā)展而來(lái)，常見(jiàn)的如發(fā)現(xiàn)概率法、紋理特征、亮度對(duì)比、外形尺寸以及多指標(biāo)綜合評(píng)判方法(模糊評(píng)價(jià)、層次分析、神經(jīng)網(wǎng)絡(luò)等)、基于數(shù)學(xué)算法的評(píng)價(jià)方法等[7-9]。這些方法的優(yōu)點(diǎn)是客觀和量化，能夠反映背景與目標(biāo)的融合屬性，但是仍然只是局限于單波段或多波段的偵察手段(如可見(jiàn)光、激光、紅外、雷達(dá)、聲波、多光譜等)，對(duì)于具有精細(xì)波譜的高光譜偵察來(lái)講，這些評(píng)價(jià)方法難以反映偽裝目標(biāo)的抗高光譜偵察的偽裝效果，隨著戰(zhàn)場(chǎng)偵察手段發(fā)展的多元化，傳統(tǒng)的偽裝評(píng)價(jià)方法難以對(duì)目標(biāo)隱身性能和戰(zhàn)場(chǎng)生存能力給出全面定量準(zhǔn)確的評(píng)價(jià)，因此將高光譜手段引入偽裝效果評(píng)價(jià)體系將具有極其重要的現(xiàn)實(shí)意義[10-11]。

近些年來(lái)，視覺(jué)注意模型被廣泛應(yīng)用于目標(biāo)探測(cè)[12]、目標(biāo)跟蹤[13]、特征提取[14]等諸多領(lǐng)域，通過(guò)這種高效的心理反饋機(jī)制，能迅速找到與背景差異較大的目標(biāo)，實(shí)現(xiàn)注意力的優(yōu)化分配[15]。類(lèi)似于機(jī)器視覺(jué)的人眼感知系統(tǒng)，利用計(jì)算機(jī)模擬“圖像- 人眼- 大腦”的反饋過(guò)程，將注意選擇中的“目標(biāo)驅(qū)動(dòng)”和“知識(shí)認(rèn)知”應(yīng)用于偽裝目標(biāo)的顯著性度量，對(duì)于偽裝效果評(píng)估具有重要意義。

不同于傳統(tǒng)基于多特征描述的偽裝評(píng)價(jià)方法，本文從目標(biāo)探測(cè)與視覺(jué)感知的角度，提出了一種基于探測(cè)和感知的高光譜偽裝效果評(píng)估新方法。在對(duì)圖像進(jìn)行局部異常探測(cè)并進(jìn)行閾值分割的基礎(chǔ)上，采用空間密度聚類(lèi)(DBSCAN)和鄰域融合算法得到潛在目標(biāo)區(qū)域；對(duì)潛在目標(biāo)區(qū)域排序，建立反映目標(biāo)偽裝效果的顯著性指標(biāo)，并提出了基于有限時(shí)間搜索策略的偽裝效果綜合評(píng)價(jià)方法。該方法可以反映目標(biāo)與背景的局部差異性，通過(guò)模擬人眼判別機(jī)制，對(duì)潛在目標(biāo)區(qū)域的顯著性排序，得到不同程度偽裝下目標(biāo)的識(shí)別概率，定量地描述偽裝效果的優(yōu)劣。實(shí)驗(yàn)表明，與傳統(tǒng)評(píng)價(jià)方法相比，這種多指標(biāo)多角度的評(píng)價(jià)方法更為全面客觀，且模擬人眼注意系統(tǒng)的評(píng)價(jià)方式對(duì)于高光譜偽裝效果評(píng)估具有更可靠的應(yīng)用價(jià)值。

1 基于探測(cè)感知的目標(biāo)偽裝效果評(píng)估

國(guó)防工業(yè)上偽裝設(shè)計(jì)的目的，就是通過(guò)減少目標(biāo)與背景的差異性，使觀察者更難發(fā)現(xiàn)目標(biāo)[7]。從這一角度出發(fā)，可以使用目標(biāo)探測(cè)的評(píng)價(jià)指標(biāo)來(lái)定量評(píng)估偽裝效果。而高光譜異常目標(biāo)檢測(cè)作為一種無(wú)先驗(yàn)信息的目標(biāo)探測(cè)算法，本質(zhì)上就是通過(guò)目標(biāo)與背景的光譜差異性來(lái)發(fā)現(xiàn)目標(biāo)[16]。因此，異常探測(cè)的結(jié)果可以更為直觀地反映目標(biāo)的偽裝能力。

圖1為偽裝效果評(píng)估的流程圖，主要包含兩步：1)對(duì)異常探測(cè)結(jié)果聚類(lèi)融合發(fā)現(xiàn)潛在目標(biāo)區(qū)域；2)構(gòu)造反映潛在區(qū)域目標(biāo)偽裝效果的特征指標(biāo)。

圖1 基于探測(cè)與感知的偽裝效果評(píng)估流程圖Fig.1 Flow chart of camouflage effect evaluation based on detection and perception

1.1 分割潛在目標(biāo)區(qū)域

在未知目標(biāo)與背景光譜等任何先驗(yàn)信息的條件下，高光譜異常目標(biāo)探測(cè)算法可以準(zhǔn)確區(qū)別與背景差異較大的目標(biāo)像元，但是，這種探測(cè)也只是停留在像元級(jí)或亞像元級(jí)，造成的探測(cè)結(jié)果往往是不連續(xù)的[17]。而對(duì)于空間探測(cè)的高光譜圖像來(lái)講，目標(biāo)往往是由連續(xù)的幾個(gè)像元構(gòu)成，所以，探測(cè)面積是發(fā)現(xiàn)偽裝目標(biāo)并進(jìn)行偽裝效果評(píng)估的一項(xiàng)重要指標(biāo)[18]。

同時(shí)，偽裝效果評(píng)估的對(duì)象是潛在目標(biāo)區(qū)域，相鄰像元的合并和潛在目標(biāo)區(qū)域的分割對(duì)于實(shí)施評(píng)估具有重要意義。因此，本節(jié)通過(guò)聚類(lèi)融合算法實(shí)現(xiàn)探測(cè)結(jié)果的合并，對(duì)區(qū)域特征明顯的潛在對(duì)象進(jìn)行區(qū)域分割。圖2為區(qū)域分割的流程圖，圖中RX為Reed-Xiaoli.

圖2 潛在目標(biāo)區(qū)域分割流程圖Fig.2 Flow chart of potential target area segmentation

1.1.1 異常探測(cè)算法

異常探測(cè)算法在未知任何先驗(yàn)信息的條件下，可以找到與背景具有顯著差異的異常目標(biāo)，最為經(jīng)典的為1992年Reed等提出的RX異常檢測(cè)算法。RX算法是一種基于廣義似然比檢驗(yàn)的恒虛警異常探測(cè)算法，通過(guò)求取待測(cè)像元光譜與背景像元光譜的馬氏距離實(shí)現(xiàn)異常目標(biāo)的檢測(cè)。RX算法的探測(cè)表達(dá)式為

(1)

式中：x為待檢測(cè)像元的光譜向量；0為背景均值向量的估計(jì)值；0為背景協(xié)方差矩陣;η為設(shè)定的閾值；H1和H0為異常目標(biāo)是否存在的二元假設(shè)。

實(shí)際實(shí)驗(yàn)中，選取了探測(cè)結(jié)果相對(duì)較好的局部RX(LRX)[19]、局部核RX(KRX)[20]、局部聯(lián)合協(xié)同表示(CRD)[21]3種異常探測(cè)算法。

1.1.2 光譜聚類(lèi)分析

對(duì)于較為離散化的異常探測(cè)結(jié)果，目標(biāo)點(diǎn)的分布往往呈現(xiàn)出“簇分割”的特點(diǎn)，具有明顯的聚類(lèi)特性。在不了解類(lèi)別等先驗(yàn)信息的前提下，可以利用目標(biāo)的光譜相似性進(jìn)行聚類(lèi)分析。

聚類(lèi)算法中最為常見(jiàn)的是k-means動(dòng)態(tài)聚類(lèi)算法，由于聚類(lèi)中心的隨機(jī)性和聚類(lèi)個(gè)數(shù)的不確定性，算法的實(shí)現(xiàn)結(jié)果不穩(wěn)定。而近幾年，密度聚類(lèi)算法在聚類(lèi)效果上表現(xiàn)出強(qiáng)大的優(yōu)勢(shì)，最典型的是DBSCAN算法[22]。

DBSCAN算法可以實(shí)現(xiàn)任意形狀的空間聚類(lèi)，且針對(duì)噪聲點(diǎn)的處理具有獨(dú)特的優(yōu)勢(shì)。該方法只需要設(shè)定最小鄰域半徑和鄰域點(diǎn)個(gè)數(shù)尋找分類(lèi)簇，自適應(yīng)地根據(jù)數(shù)據(jù)特點(diǎn)劃分聚類(lèi)個(gè)數(shù)，非常適合密度特性明顯且無(wú)先驗(yàn)的高光譜聚類(lèi)。DBSCAN算法的流程圖如圖3所示。

圖3 DBSCAN算法流程Fig.3 Flow chart of DBSCAN algorithm

定義對(duì)象a和對(duì)象b為數(shù)據(jù)集S中的任意兩點(diǎn)，則對(duì)象a的近鄰可以表示為

Nc(a)={b∈S|dist(a,b)≤Rc}，

(2)

式中：dist(a,b)為對(duì)象a與對(duì)象b距離；Rc為鄰域半徑。

如果對(duì)象a的近鄰個(gè)數(shù)大于最小近鄰個(gè)數(shù)Nmin，則稱(chēng)對(duì)象a為核心點(diǎn)；如果對(duì)象b在對(duì)象a的鄰域內(nèi)，且對(duì)象a的近鄰個(gè)數(shù)大于Nmin，則稱(chēng)對(duì)象a和對(duì)象b密度直連，即

(3)

DBSCAN算法的核心思想可以歸結(jié)為，在給定Rc和Nmin的前提下，從核心點(diǎn)出發(fā)尋找滿(mǎn)足密度直連條件的所有點(diǎn)，聚類(lèi)成簇。

1.1.3 空間融合算法

實(shí)際目標(biāo)在空間像元分布中呈現(xiàn)連續(xù)性，但是，異常目標(biāo)探測(cè)算法得到的結(jié)果與真實(shí)地物有一定的偏差，往往不能代表真實(shí)地物的全部像元。因此，在光譜聚類(lèi)結(jié)果的基礎(chǔ)上，需要?jiǎng)澐指鱾€(gè)目標(biāo)集群，并設(shè)定潛在目標(biāo)區(qū)域的鄰域半徑為R，對(duì)各個(gè)目標(biāo)集群范圍內(nèi)的像元進(jìn)行重新聚類(lèi)。之后，再連接具有較強(qiáng)光譜相似性的像元，構(gòu)成目標(biāo)區(qū)域的塊狀連接，從而分割得到接近真實(shí)地物的潛在目標(biāo)區(qū)域。圖4為空間融合算法的示意圖。

圖4 空間融合算法示意圖Fig.4 Schematic diagram of spatial fusion algorithm

1.2 建立偽裝評(píng)估指標(biāo)

從探測(cè)角度來(lái)看，潛在目標(biāo)區(qū)域是觀察者感知偽裝目標(biāo)的重點(diǎn)。所謂的“感知”，就是通過(guò)引起人眼反應(yīng)的顯著性特征來(lái)判斷偽裝效果的好壞。視覺(jué)注意機(jī)制是由刺激引發(fā)、基于目標(biāo)顯著性的一種心理調(diào)節(jié)機(jī)制，依靠明顯的地物特征，能夠快速指向感興趣的目標(biāo)，其中，就包括“自上而下”的認(rèn)知模型，也叫目標(biāo)驅(qū)動(dòng)機(jī)制[13]。因此，目標(biāo)探測(cè)的相關(guān)指標(biāo)可以用來(lái)描述地物的視覺(jué)顯著性，既模仿了人眼視覺(jué)的注意機(jī)制，也避免了人工判別的主觀性。

像元的異常探測(cè)值和虛警率是描述異常探測(cè)性能的兩個(gè)重要指標(biāo)，探測(cè)值越大，說(shuō)明地物與背景區(qū)分越明顯，偽裝效果越差；而虛警率則反映了異常探測(cè)算法的整體檢測(cè)錯(cuò)誤率，可以體現(xiàn)一定區(qū)域范圍內(nèi)偽裝目標(biāo)的整體偽裝效果，虛警率越大，則說(shuō)明偽裝效果越好。除此之外，目標(biāo)的探測(cè)面積也是視覺(jué)注意系統(tǒng)的一項(xiàng)重要指標(biāo)，在高光譜圖像下則表現(xiàn)為潛在目標(biāo)區(qū)域的像元數(shù)量，很顯然，目標(biāo)的覆蓋范圍越大，暴露的風(fēng)險(xiǎn)也就越大。

綜上所述，對(duì)聚類(lèi)融合得到的潛在目標(biāo)區(qū)域，采用最高探測(cè)值、虛警率和目標(biāo)面積3個(gè)指標(biāo)評(píng)價(jià)偽裝效果。

1.2.1 最高探測(cè)值

異常探測(cè)是逐像元的檢測(cè)，每個(gè)像元被賦予了一個(gè)反映與背景差異度的探測(cè)值，所有像元的探測(cè)值構(gòu)成了異常探測(cè)結(jié)果total_map. 最高探測(cè)值表現(xiàn)了潛在目標(biāo)區(qū)域的異常水平，這個(gè)值越大，說(shuō)明待測(cè)像元是異常像元的可能性越大。

假設(shè)共存在n個(gè)潛在目標(biāo)區(qū)域，則定義第i個(gè)潛在區(qū)域的最高探測(cè)值為

(4)

式中：target_mapi為第i個(gè)潛在目標(biāo)區(qū)域的目標(biāo)探測(cè)值；vi為第i個(gè)潛在目標(biāo)區(qū)域的最高探測(cè)值。

1.2.2 虛警率

對(duì)于高光譜類(lèi)異常探測(cè)問(wèn)題往往基于二元假設(shè)，目標(biāo)存在為H1，目標(biāo)不存在為H0. 虛警率PFA是異常探測(cè)過(guò)程中常犯的一類(lèi)錯(cuò)誤，即做出決策為H1時(shí)，實(shí)際結(jié)果為H0的情況，因此，作出如下定義：

(5)

式中：R0為H0的決策域。

在考察偽裝效果時(shí)，可以采用像元個(gè)數(shù)計(jì)算探測(cè)結(jié)果的虛警率，則有

PFA=nFR/nb，

(6)

式中：nFR為探測(cè)結(jié)果的虛警像元個(gè)數(shù)；nb為圖像的背景像元總數(shù)。

對(duì)于真實(shí)的目標(biāo)而言，一旦偽裝就有可能降低這些目標(biāo)被發(fā)現(xiàn)的概率，反而會(huì)使一些不是目標(biāo)的某些像元顯露出來(lái)，造成更高的虛警。因此，虛警率可以作為反映高光譜目標(biāo)整體偽裝性能的一個(gè)重要指標(biāo)。

1.2.3 目標(biāo)面積

從人眼注意系統(tǒng)來(lái)看，引起視覺(jué)關(guān)注的特征除了目標(biāo)與背景的光譜差異(采用最高探測(cè)值來(lái)體現(xiàn))外，還有目標(biāo)的暴露面積。

目標(biāo)的暴露面積si可以用第i個(gè)潛在目標(biāo)區(qū)域的像元個(gè)數(shù)ni來(lái)恒量，即

si=cni，

(7)

式中：c為比例常數(shù)，其大小并不影響該判據(jù)，計(jì)算時(shí)取c=1.5.

2 基于搜索策略的偽裝綜合評(píng)價(jià)方法

時(shí)間搜索策略廣泛用于軍事目標(biāo)的搜索和識(shí)別系統(tǒng)，并將有限時(shí)間搜索模型和無(wú)限時(shí)間搜索模型用于軍事目標(biāo)識(shí)別概率的研究，取得了較為不錯(cuò)的效果[23-25]。時(shí)間搜索模型建立在人眼觀察目標(biāo)的基礎(chǔ)上，而對(duì)于高光譜圖像而言，光譜信息不能直接可視化，但是，可以轉(zhuǎn)化為對(duì)搜索模型參數(shù)指標(biāo)的建模分析上。因此，本文基于高光譜偽裝特征指標(biāo)，建立了基于時(shí)間搜索模型的偽裝綜合評(píng)價(jià)體系。

2.1 無(wú)限時(shí)間搜索模型

最早的探測(cè)概率公式是基于無(wú)限時(shí)間模型提出的經(jīng)驗(yàn)探測(cè)公式，如(8)式所示，其反映了觀察者觀察目標(biāo)得到探測(cè)結(jié)果的概率趨勢(shì)：

(8)

式中：N為觀察的對(duì)象個(gè)數(shù)；N50為目標(biāo)探測(cè)概率為50%時(shí)已觀察的對(duì)象個(gè)數(shù)；多數(shù)情況下，指數(shù)E可以表示為

E=2.7+0.7(N/N50).

(9)

圖5為無(wú)限時(shí)間搜索模型的探測(cè)概率曲線。從圖5可以看出，隨著觀察對(duì)象的增多，目標(biāo)探測(cè)概率逐漸增大，且呈現(xiàn)出“慢- 快- 慢”的變化趨勢(shì)，最終趨向于1. 但是，無(wú)限時(shí)間搜索模型建立在各目標(biāo)探測(cè)概率相同的假設(shè)基礎(chǔ)上，并不能說(shuō)明不同目標(biāo)之間的探測(cè)差異，也就不能對(duì)不同目標(biāo)進(jìn)行偽裝效果的評(píng)價(jià)。因此，在此基礎(chǔ)上提出了有限時(shí)間搜索模型。

圖5 無(wú)限時(shí)間搜索模型的探測(cè)概率曲線Fig.5 Detection probability curve of infinite time search model

2.2 有限時(shí)間搜索模型

目標(biāo)探測(cè)必然是對(duì)時(shí)間依賴(lài)的，探測(cè)時(shí)間越長(zhǎng)，探測(cè)概率越大。由此，部分學(xué)者提出了基于有限時(shí)間搜索的目標(biāo)概率公式：

P(t)=P∞[1-e-t/τ]，

(10)

式中：P∞為觀察者在無(wú)限時(shí)間條件下對(duì)目標(biāo)的探測(cè)概率，實(shí)際上是(8)式橫坐標(biāo)趨于無(wú)窮大時(shí)的極限值；t為觀察者被賦予的探測(cè)時(shí)間；τ是所有觀察者探測(cè)時(shí)間的平均值(假設(shè)所有觀察者具有相同的探測(cè)能力)，τ可以通過(guò)經(jīng)驗(yàn)公式獲得：

(11)

僅有(10)式仍然無(wú)法體現(xiàn)出目標(biāo)的差異性，由此引入延遲時(shí)間td，得到改進(jìn)之后的目標(biāo)概率公式為

(12)

式中：τFOV是一個(gè)時(shí)間常數(shù)，體現(xiàn)了在觀察視野范圍內(nèi)目標(biāo)所用的平均觀察時(shí)間。

延遲時(shí)間td為觀察者觀察目標(biāo)的感知時(shí)間，也稱(chēng)為決策時(shí)間或反應(yīng)時(shí)間。其反映了觀察者在搜索一副圖像時(shí)，對(duì)不同的興趣點(diǎn)所觀察的先后順序，它提供了對(duì)于目標(biāo)探測(cè)難度的量級(jí)預(yù)測(cè)?？梢哉J(rèn)為，目標(biāo)的偽裝效果越好，則觀察者發(fā)現(xiàn)它們所花費(fèi)的時(shí)間也就越多。

2.3 偽裝綜合評(píng)價(jià)方法

基于有限時(shí)間搜索模型的探測(cè)概率模型依賴(lài)P∞和τFOV兩個(gè)參數(shù)的估計(jì)，圖6給出了參數(shù)P∞和τFOV與探測(cè)概率的關(guān)系曲線。從圖6中可以看出，P∞對(duì)探測(cè)概率的幅度大小影響較大；而τFOV主要決定了探測(cè)概率曲線收斂速度的快慢，τFOV越大，則收斂速度越慢。

圖6 參數(shù)P∞和τFOV對(duì)探測(cè)概率的影響(td=0)Fig.6 Influences of P∞ and τFOV on detection probability (td=0)

為了將偽裝效果評(píng)估的最高探測(cè)值、虛警率和目標(biāo)面積3個(gè)指標(biāo)融入到(12)式，給出偽裝效果評(píng)估的綜合評(píng)價(jià)結(jié)果，需要與延遲時(shí)間td、極限探測(cè)概率P∞和時(shí)間常數(shù)τFOV的估計(jì)結(jié)合起來(lái)。由此，給出概率公式的3個(gè)關(guān)鍵指標(biāo)的估計(jì)方法。

2.3.1 延遲時(shí)間td

延遲時(shí)間td體現(xiàn)了潛在目標(biāo)區(qū)域的探測(cè)順序，因此，第i個(gè)潛在目標(biāo)區(qū)域的延遲時(shí)間tdi可以由(13)式確定：

tdi=a0(ndi-1)，

(13)

式中：a0為一個(gè)常數(shù)，與概率函數(shù)的收斂時(shí)間有關(guān)；ndi為第i個(gè)潛在目標(biāo)區(qū)域的探測(cè)順序。

探測(cè)順序反映了目標(biāo)的顯著性，經(jīng)過(guò)1.2節(jié)的分析，應(yīng)與最高探測(cè)值vi和目標(biāo)面積si有關(guān)。因此，在對(duì)向量v和向量s歸一化處理的基礎(chǔ)上，建立線性加權(quán)決策向量f，對(duì)f中元素排序的結(jié)果即為向量nd：

f=wvv+wss，

(14)

式中：權(quán)重wv和ws采用熵權(quán)法確定。

(15)

2.3.3 時(shí)間常數(shù)τFOV

時(shí)間常數(shù)τFOV的影響主要體現(xiàn)在探測(cè)概率函數(shù)的收斂速度上，對(duì)于觀察者而言，收斂速度決定了對(duì)偽裝目標(biāo)判別的快慢。而異常探測(cè)的虛警率則表現(xiàn)了目標(biāo)的整體偽裝效果，因此，可以通過(guò)虛警PFA來(lái)表達(dá)時(shí)間常數(shù)τFOV：

τFOV=κPFA，

(16)

式中：κ為調(diào)整因子。

將目標(biāo)概率P(t)作為偽裝效果的評(píng)分值，由此可以確定評(píng)價(jià)函數(shù)的表達(dá)式為

(17)

這里偽裝的評(píng)分值Scorei是一個(gè)關(guān)于時(shí)間t的函數(shù)，表達(dá)了目標(biāo)檢測(cè)過(guò)程中人眼判別的時(shí)間連續(xù)性，這對(duì)于描述探測(cè)過(guò)程中目標(biāo)的偽裝效果評(píng)估具有開(kāi)創(chuàng)性的意義。

3 實(shí)驗(yàn)驗(yàn)證與分析

采用高光譜成像儀AVIRIS和ROSIS拍攝的兩組高光譜數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，分別對(duì)綜合評(píng)價(jià)結(jié)果和偽裝嵌入后各指標(biāo)的評(píng)價(jià)性能進(jìn)行分析。

3.1 實(shí)驗(yàn)數(shù)據(jù)描述

3.1.1 AVIRIS實(shí)驗(yàn)數(shù)據(jù)

第1組數(shù)據(jù)采用美國(guó)San Diego海軍的高光譜數(shù)據(jù)，如表1第1行所示。其中，去除水汽吸收、噪聲等干擾波段，共剩余201個(gè)可用波段，光譜覆蓋范圍為0.4～1.8 μm，空間大小為100像素×100像素，共有3個(gè)目標(biāo)用于偽裝效果的評(píng)估。

3.1.2 ROSIS實(shí)驗(yàn)數(shù)據(jù)

第2組數(shù)據(jù)采用意大利北部Pavia Center的高光譜數(shù)據(jù)，如表1第2行所示。其中，共包含102波段，圖像大小為150像素×150像素，共有6個(gè)目標(biāo)可用于偽裝效果的評(píng)估。

表1 AVIRIS和ROSIS高光譜數(shù)據(jù)

Tab.1 AVIRIS and ROSIS hyperspectral data

3.2 綜合評(píng)價(jià)結(jié)果

為檢驗(yàn)基于搜索策略的綜合評(píng)價(jià)方法可靠性，利用AVIRIS數(shù)據(jù)中的3個(gè)飛機(jī)目標(biāo)進(jìn)行仿真實(shí)驗(yàn)。

圖7展示了分割潛在目標(biāo)區(qū)域的計(jì)算過(guò)程。首先對(duì)圖7(a)所示的高光譜圖像進(jìn)行異常探測(cè)，探測(cè)算法采用最為經(jīng)典的LRX異常探測(cè)算法，根據(jù)目標(biāo)的形狀設(shè)定滑動(dòng)窗的大小為15像素×15像素，得到如圖7(c)所示的探測(cè)結(jié)果。在此基礎(chǔ)上，采用DBSCAN聚類(lèi)算法聚類(lèi)，并結(jié)合空間融合算法連接鄰域像元，舍去孤立像元，最終得到如圖7(e)所示的7個(gè)潛在目標(biāo)區(qū)域。

圖7 分割潛在目標(biāo)區(qū)域Fig.7 Segmentation of potential target area

計(jì)算7個(gè)潛在目標(biāo)的區(qū)域偽裝評(píng)估指標(biāo)如表2所示，主要包括最高探測(cè)值、虛警率和目標(biāo)面積。在此基礎(chǔ)上，給出了不同目標(biāo)的注意程度排序結(jié)果，以及偽裝評(píng)價(jià)函數(shù)的相關(guān)指標(biāo)，包括延時(shí)時(shí)間、極限探測(cè)概率和時(shí)間常數(shù)τFOV.

將計(jì)算得到的7個(gè)潛在目標(biāo)區(qū)域的相關(guān)指標(biāo)代入到評(píng)價(jià)函數(shù)中，得到如圖8所示基于有限時(shí)間搜索的偽裝評(píng)價(jià)分?jǐn)?shù)曲線。分別對(duì)目標(biāo)2、目標(biāo)5、目標(biāo)6共3個(gè)飛機(jī)目標(biāo)進(jìn)行分析，可以看出目標(biāo)5和目標(biāo)6與背景具有較明顯的差異，要先于其他目標(biāo)被觀察者注意到，但隨著時(shí)間推移，目標(biāo)1表現(xiàn)出更易被觀察者識(shí)別的特征，被識(shí)別的概率超過(guò)了目標(biāo)6，相比而言，目標(biāo)6變得更難被觀察者發(fā)現(xiàn)。而目標(biāo)2與背景差異并不明顯，在所處背景中，相對(duì)于其他目標(biāo)，具有更好的偽裝性能。

圖8 不同潛在目標(biāo)區(qū)域的時(shí)間- 偽裝分?jǐn)?shù)曲線Fig.8 Time-camouflage score curves of different potential target areas

表2 偽裝評(píng)估模型的相關(guān)指標(biāo)(AVIRIS數(shù)據(jù))

3.3 光譜混合實(shí)驗(yàn)

3.3.1 背景光譜嵌入

由于現(xiàn)有的偽裝手段多用于可見(jiàn)光、紅外和雷達(dá)等偵察條件，沒(méi)有可靠的抗高光譜偵察全波段偽裝方式。實(shí)際工程中，多模仿背景地物的某些特征進(jìn)行偽裝材料的設(shè)計(jì)，從而達(dá)到隱蔽目標(biāo)特征，防止探測(cè)設(shè)備偵察的目的。借鑒異常目標(biāo)檢測(cè)實(shí)驗(yàn)中常用的線性光譜混合模型[25]，本文采用背景光譜嵌入的方法合成偽裝后的目標(biāo)光譜，進(jìn)一步驗(yàn)證偽裝效果評(píng)估方法的可靠性。

如圖9所示，ROSIS數(shù)據(jù)中共有5個(gè)潛在目標(biāo)區(qū)域，提取周?chē)尘跋裨钠骄庾V曲線，對(duì)潛在目標(biāo)區(qū)域按固定百分比線性嵌入，以模擬偽裝后的高光譜圖像。圖10為目標(biāo)1偽裝嵌入前后的平均光譜曲線。

圖9 潛在目標(biāo)區(qū)域分割結(jié)果Fig.9 Segmentation of potential target area

圖10 偽裝嵌入比例50%前后目標(biāo)1的平均光譜曲線Fig.10 Average spectral curve of Target 1 before and after camouflage embedding of 50%

曲線面積(AUC)是指接收機(jī)曲線與x軸構(gòu)成區(qū)域的面積，經(jīng)常被用來(lái)評(píng)價(jià)探測(cè)器的探測(cè)效果。為說(shuō)明線性偽裝嵌入方法對(duì)于提高潛在目標(biāo)區(qū)域偽裝能力的可行性，分別采用LRX算法、KRX算法和CRD算法對(duì)不同嵌入水平的目標(biāo)區(qū)域進(jìn)行探測(cè)，利用AUC值作為評(píng)價(jià)目標(biāo)偽裝水平的一項(xiàng)重要指標(biāo)。分別取偽裝光譜的比例為0%～100%(間隔10%)，得到不同探測(cè)算法的AUC值如圖11所示。

圖11 不同偽裝水平下的目標(biāo)探測(cè)效果曲線Fig.11 Target detection effect curves at different camouflage levels

從圖11可以看出：隨著偽裝光譜的比例逐漸增加，AUC值逐漸減少，說(shuō)明目標(biāo)越難被探測(cè)，即潛在目標(biāo)區(qū)域的偽裝水平越高；當(dāng)偽裝光譜的比例達(dá)到100%時(shí)，檢測(cè)指標(biāo)接近0，驗(yàn)證了基于線性光譜混合模型的偽裝嵌入方法對(duì)于模擬潛在目標(biāo)區(qū)域偽裝能力的有效性。

3.3.2 偽裝效果評(píng)估

利用最高探測(cè)值作為評(píng)價(jià)指標(biāo)，檢驗(yàn)潛在目標(biāo)區(qū)域的偽裝水平，得到如圖12所示的評(píng)價(jià)結(jié)果?？梢钥闯?，隨著偽裝嵌入程度的提高，7個(gè)潛在目標(biāo)區(qū)域的最高探測(cè)值顯著減少，說(shuō)明異常探測(cè)的難度增加。

圖12 潛在目標(biāo)區(qū)域的偽裝水平分析Fig.12 Camouflage level analysis of potential target area

為充分驗(yàn)證本文所提偽裝評(píng)估方法的有效性，選取潛在目標(biāo)6進(jìn)一步分析，采用LRX異常探測(cè)算法，得到不同偽裝水平(背景比例+偽裝比例)下的綜合評(píng)價(jià)分?jǐn)?shù)曲線，如圖13所示。從圖13可以看出，隨著偽裝水平的提高，偽裝分?jǐn)?shù)顯著減少，并且發(fā)現(xiàn)目標(biāo)所需的時(shí)間明顯增加，搜索進(jìn)度變慢，充分說(shuō)明了基于時(shí)間搜索策略的綜合偽裝效果評(píng)估方法的全面性和準(zhǔn)確性。

圖13 不同偽裝嵌入水平下的時(shí)間- 偽裝分?jǐn)?shù)曲線Fig.13 Time-camouflage score curves at different camouflage embedding levels

4 結(jié)論

本文采用了一種聚類(lèi)融合的潛在區(qū)域構(gòu)造算法，并針對(duì)分割得到的目標(biāo)區(qū)域，建立了評(píng)價(jià)偽裝效果的3個(gè)指標(biāo)；在此基礎(chǔ)上，提出一種基于搜索策略的偽裝綜合評(píng)價(jià)方法，并給出了較為客觀的評(píng)估結(jié)論。通過(guò)實(shí)驗(yàn)進(jìn)行驗(yàn)證，得出以下結(jié)論：

1)將高光譜的異常目標(biāo)探測(cè)技術(shù)直接用于偽裝效果評(píng)估，可以體現(xiàn)目標(biāo)與背景的差異性，且無(wú)先驗(yàn)地探測(cè)，避免了人為干預(yù)，評(píng)估結(jié)論更具有可靠性。

2)對(duì)潛在目標(biāo)區(qū)域提取了最高探測(cè)值、目標(biāo)面積及虛警等評(píng)估參數(shù)，通過(guò)這些參數(shù)可以多角度地分析目標(biāo)的偽裝效果。

3)基于有限時(shí)間搜索的綜合評(píng)價(jià)模型，增加了對(duì)于目標(biāo)偽裝效果的時(shí)間過(guò)程分析，可以從時(shí)間、空間兩個(gè)維度分析目標(biāo)偽裝效果，對(duì)于解決偽裝評(píng)估指標(biāo)單一等問(wèn)題，具有一定的借鑒意義。

4)本文的評(píng)估對(duì)象是基于“潛在目標(biāo)區(qū)域”的，可能會(huì)出現(xiàn)偽裝目標(biāo)不在評(píng)估區(qū)域的情況，則后續(xù)的討論將沒(méi)有意義。因此，可以考慮增加先驗(yàn)區(qū)域。