趙曉楓, 吳 飛,*, 徐葉斌, 牛家輝, 蔡 偉, 張志利

(1. 火箭軍工程大學(xué)導(dǎo)彈工程學(xué)院, 陜西 西安 710025;2. 兵器發(fā)射理論與技術(shù)國(guó)家重點(diǎn)學(xué)科實(shí)驗(yàn)室, 陜西 西安 710025)

0 引 言

對(duì)目標(biāo)紅外偽裝效果進(jìn)行定量評(píng)價(jià),不僅可以用于檢驗(yàn)特定環(huán)境下目標(biāo)的隱蔽效果,還可以為偽裝設(shè)計(jì)、改進(jìn)提供現(xiàn)實(shí)依據(jù),而且對(duì)紅外偵測(cè)系統(tǒng)的探測(cè)性能檢驗(yàn)也具有重要意義。

當(dāng)前,紅外偽裝效果的定量評(píng)價(jià)主要分為兩大類:基于Johnson準(zhǔn)則的探測(cè)概率法和基于圖像特征分析的相似性度量法。前者需要推導(dǎo)出紅外探測(cè)器的最小可分辨溫差(minimum resolveable temperature difference, MRTD)與空間頻率的曲線方程,然后結(jié)合目標(biāo)尺寸與溫度求出目標(biāo)等效條帶數(shù),最后利用Johnson準(zhǔn)則得出某一距離下紅外探測(cè)器對(duì)該目標(biāo)的探測(cè)概率。這類方法存在著兩個(gè)明顯的局限性:一是需要獲取完備的探測(cè)器性能參數(shù)以及被測(cè)目標(biāo)尺寸大小;二是推導(dǎo)建立的MRTD模型會(huì)與實(shí)際紅外探測(cè)器的最小可分辨溫差存在偏差,影響探測(cè)概率的計(jì)算精度?；趫D像特征分析的相似性度量法實(shí)質(zhì)上是對(duì)紅外偵測(cè)設(shè)備從真實(shí)環(huán)境中采集的紅外圖像進(jìn)行特征分析,分別提取圖像中目標(biāo)與背景的特征參量,計(jì)算兩者之間的相似程度或者距離差異,目標(biāo)與背景的紅外特征越相似,偽裝效果就越好,而這其中的關(guān)鍵環(huán)節(jié)就是對(duì)背景區(qū)域的選擇。王霞等針對(duì)艦船紅外圖像的特征,設(shè)計(jì)了以探測(cè)概率和特征相似度為指標(biāo)的紅外偽裝評(píng)價(jià)方法。陸文駿等構(gòu)建了基于混合特征和顯著性檢測(cè)的紅外圖像質(zhì)量評(píng)價(jià)模型,以主觀評(píng)測(cè)為基準(zhǔn),實(shí)現(xiàn)了對(duì)紅外偵察圖像的評(píng)價(jià)。應(yīng)家駒等通過(guò)采集紅外動(dòng)態(tài)偽裝系統(tǒng)中背景與目標(biāo)之間的4種特征值,依據(jù)信息熵分配特征值權(quán)重,乘積作為目標(biāo)的紅外偽裝評(píng)價(jià)結(jié)果。Xue等提出了一種利用圖像顯著性評(píng)價(jià)紅外偽裝效果的替代方法,通過(guò)計(jì)算并融合偽裝目標(biāo)的主、副顯著性得到偽裝效能值。然而,運(yùn)用上述方法對(duì)背景相對(duì)簡(jiǎn)單的目標(biāo)進(jìn)行紅外偽裝效果評(píng)價(jià)時(shí),能夠得到較為準(zhǔn)確的評(píng)價(jià)值,但是當(dāng)目標(biāo)所在背景環(huán)境復(fù)雜,得到的評(píng)價(jià)值往往并不理想。主要原因在于:一是上述方法在評(píng)價(jià)目標(biāo)偽裝效果時(shí)選取的參照物都是鄰域背景,若背景紋理特征較為復(fù)雜或者目標(biāo)鄰域背景區(qū)域不連續(xù)、存在灰度階躍時(shí),此時(shí)與不同鄰域背景區(qū)域的相似性度量結(jié)果往往相差較大,不能反應(yīng)目標(biāo)真實(shí)的紅外偽裝效果。理想的紅外偽裝不是要求目標(biāo)與鄰域背景區(qū)域特征完全一致,而是要求目標(biāo)與鄰域背景區(qū)域高度融合,兩者的結(jié)構(gòu)、紋理、對(duì)比度等特征實(shí)現(xiàn)平滑過(guò)度;二是如果將鄰域背景作為參照物,需要選取以目標(biāo)為中心的多塊同等大小鄰域背景區(qū)域與目標(biāo)區(qū)域進(jìn)行相似性度量,當(dāng)待評(píng)價(jià)目標(biāo)在紅外圖像中像素占比較大時(shí),很難選取出符合條件的多塊鄰域背景區(qū)域與其進(jìn)行相似性度量。

針對(duì)以上存在的問(wèn)題,本文提出了一種基于背景還原的紅外偽裝效果評(píng)價(jià)方法。首先利用改進(jìn)后的Criminisi模型構(gòu)建背景還原圖像,并對(duì)修復(fù)質(zhì)量和還原效果進(jìn)行評(píng)價(jià),然后與原始目標(biāo)圖像進(jìn)行相似性度量,最后通過(guò)兩個(gè)評(píng)價(jià)指標(biāo)的非線性融合,實(shí)現(xiàn)復(fù)雜環(huán)境背景下目標(biāo)紅外偽裝效果的綜合評(píng)價(jià)。

1 背景還原圖像的構(gòu)建與評(píng)價(jià)

1.1 背景還原圖像的構(gòu)建

《GJB434-88偽裝術(shù)語(yǔ)》對(duì)紅外偽裝進(jìn)行了明確的規(guī)定:使工作在紅外波段的探測(cè)設(shè)備難以探測(cè)或造成錯(cuò)覺(jué)的偽裝。其主要就是減小目標(biāo)與背景的散射或熱輻射差異,理想狀態(tài)下的紅外偽裝這種差異近乎為0,即目標(biāo)“消失”在背景之中?；趫D像修復(fù)算法的背景還原圖像構(gòu)建如圖1(a)所示,其中,為目標(biāo)區(qū)域;為目標(biāo)的輪廓,隨著算法的進(jìn)展,向內(nèi)演化直至消失;為目標(biāo)以外的背景區(qū)域,該區(qū)域提供了還原目標(biāo)遮蔽區(qū)域所需的樣本信息;為上的任意一點(diǎn),為以為中心的待還原塊。將原始紅外偽裝目標(biāo)從圖像中分割,對(duì)逐個(gè)修復(fù),還原出該區(qū)域的背景信息,使得與兩個(gè)區(qū)域高度融合,如圖1(b)所示,視為目標(biāo)在該背景下的理想紅外偽裝。

圖1 背景還原圖像Fig.1 Background restoration image

傳統(tǒng)的圖像修復(fù)算法大多從紋理合成的角度出發(fā),試圖用重復(fù)的二維紋理模式去修復(fù)圖像殘缺區(qū)域。盡管這些算法在修復(fù)一些斑點(diǎn)和線條方面很有效,卻很難在紅外偽裝圖像中修復(fù)大面積目標(biāo)區(qū)域。主要問(wèn)題是目標(biāo)與背景之間的邊界是多個(gè)紋理在空間上相互影響的復(fù)雜產(chǎn)物,與純紋理的二維性質(zhì)相比,這些區(qū)域的邊界形成了更接近一維的線性圖像結(jié)構(gòu)。針對(duì)以上問(wèn)題,Criminisi等提出了一種基于樣本的紋理合成算法,能夠?qū)⒕€性結(jié)構(gòu)和二維紋理傳播到目標(biāo)區(qū)域,修復(fù)大面積孔洞時(shí),感知質(zhì)量和計(jì)算效率都明顯優(yōu)于以前的工作。因此,本文在Criminisi算法的基礎(chǔ)上進(jìn)行了針對(duì)性的改進(jìn),使其更加適用于背景還原圖像的構(gòu)建。

輸入原始的紅外偽裝圖像,利用imfreehand函數(shù)標(biāo)記并分割出目標(biāo)區(qū)域,其邊界作為待修復(fù)區(qū)域的初始邊界。

確定目標(biāo)邊界上點(diǎn)的臨時(shí)優(yōu)先級(jí)(),該值決定了以為中心的邊界塊的填充順序,在Criminisi算法中,()定義如下:

()=()·()

(1)

式中:()為置信項(xiàng),用來(lái)度量點(diǎn)周圍的可靠信息量,其目的是優(yōu)先修復(fù)那些擁有更多已知像素點(diǎn)的邊界塊;()為數(shù)據(jù)項(xiàng),表示點(diǎn)的等照度線強(qiáng)度,其值越大,越先被修復(fù),具體為

(2)

(3)

(4)

式中:和分別為權(quán)重系數(shù),具體值由試驗(yàn)確定。由式(4)可知,即使置信項(xiàng)或數(shù)據(jù)項(xiàng)有一項(xiàng)等于0,只要另一項(xiàng)足夠大,那么該區(qū)域也能得到優(yōu)先修復(fù)。

(5)

(6)

(7)

重復(fù)步驟2～步驟4,直至待修復(fù)的目標(biāo)區(qū)域修復(fù)完畢,得到背景還原圖像。

改進(jìn)后的Criminisi算法有效解決了優(yōu)先權(quán)計(jì)算紊亂而導(dǎo)致填充中斷的問(wèn)題,通過(guò)對(duì)目標(biāo)輪廓到中心的逐像素遍歷進(jìn)行修復(fù)工作,充分考慮了目標(biāo)與周圍背景融合的問(wèn)題,并將輪廓信息作為紅外偽裝效果評(píng)價(jià)的一部分。

1.2 背景還原圖像的評(píng)價(jià)

利用圖像修復(fù)算法構(gòu)建的背景還原圖像與目標(biāo)遮蔽下的真實(shí)背景圖像必然會(huì)存在因算法局限性而造成的偏差,因此,有必要先對(duì)背景還原圖像的修復(fù)質(zhì)量和還原效果進(jìn)行客觀評(píng)價(jià),作為紅外偽裝效果綜合評(píng)價(jià)的指標(biāo)之一。

在對(duì)還原背景評(píng)價(jià)的過(guò)程中,很多情況下目標(biāo)不可輕易移動(dòng),難以獲得被測(cè)目標(biāo)所遮蔽的背景區(qū)域信息,通過(guò)直接利用真實(shí)背景圖像與背景還原圖像進(jìn)行比對(duì)的方法將失效。本文選用一種“全盲”的圖像質(zhì)量評(píng)價(jià)模型——IL-NIQE來(lái)評(píng)價(jià)背景還原圖像的修復(fù)質(zhì)量和還原效果,該模型不需要大量的訓(xùn)練樣本和平均意見(jiàn)得分(mean opinion score, MOS),且能夠在無(wú)先驗(yàn)知識(shí)的情況下對(duì)修復(fù)圖像質(zhì)量作出準(zhǔn)確評(píng)價(jià)。其基本思想如下:構(gòu)建一組“質(zhì)量感知”特征,并將其擬合到一個(gè)多元高斯(multivariate Gaussian, MVG)模型,質(zhì)量感知特征源自簡(jiǎn)單且高度規(guī)則的空間域自然場(chǎng)景統(tǒng)計(jì)(natural scene statistics, NSS),MVG模型具體如下:

(8)

式中:(,,…,)為個(gè)NSS特征;和分別為MVG的均值和協(xié)方差矩陣,使用文獻(xiàn)[22]中的最大似然程序來(lái)估計(jì)。

給定測(cè)試圖像的質(zhì)量被表示為基于自然圖像語(yǔ)料庫(kù)(natural image corpus, NIC)的NSS特征模型與從測(cè)試圖像提取的特征MVG之間的距離:

(9)

式中:,,,分別為自然圖像MVG模型和測(cè)試圖像MVG模型的均值和協(xié)方差矩陣;距離分布在[0,100]之間,值越大代表圖像的修復(fù)質(zhì)量越差。

使用IL-NIQE模型對(duì)背景還原圖像進(jìn)行定量計(jì)算,對(duì)得到的值進(jìn)行歸一化處理:

(10)

記為還原效果度量值,衡量還原背景與真實(shí)背景之間的接近程度,越接近1,表明構(gòu)建的背景還原圖像的修復(fù)質(zhì)量和還原效果越好。

2 紅外偽裝效果評(píng)價(jià)方法的建立

在紅外偽裝效果評(píng)價(jià)中,一種常見(jiàn)的思路是對(duì)目標(biāo)與背景之間的紅外輻射特性進(jìn)行相似性度量分析。本文首先對(duì)目標(biāo)遮蔽的背景區(qū)域進(jìn)行修復(fù)還原,并計(jì)算出還原效果度量值,再將背景還原圖像與原始紅外偽裝圖像進(jìn)行相似性度量,最后融合兩個(gè)評(píng)價(jià)指標(biāo)得到紅外偽裝效果的綜合評(píng)價(jià)值,方法流程如圖2所示。

圖2 紅外偽裝效果評(píng)價(jià)流程圖Fig.2 Infrared camouflage effect evaluation flow chart

2.1 相似性度量分析

人類視覺(jué)系統(tǒng)(human visual system,HVS)主要根據(jù)圖像的低層特征來(lái)理解圖像,顯著的低層特征傳達(dá)了HVS的關(guān)鍵信息。相似性的圖像質(zhì)量評(píng)價(jià)(feature similarity index measure, FSIM)算法可以很好地利用低層特征計(jì)算原始紅外偽裝圖像和構(gòu)建的背景還原圖像之間的相似程度。在該算法中,相位一致性(phase consistency, PC)被用作主要特征,梯度幅值(gradient amplitude, GM)作為次要特征,PC和GM在表征圖像局部相似性方面發(fā)揮互補(bǔ)作用,在獲得局部相似圖之后,再次使用PC作為加權(quán)函數(shù)來(lái)導(dǎo)出整張圖像的相似性度量值,具體表達(dá)式為

(11)

(12)

()=[()]·[()]

(13)

(14)

式中:、為增加穩(wěn)定性的正常數(shù),防止分母為0;、為權(quán)重值,通常設(shè)置==1;()為總體相似性函數(shù),其值等于相位相似性函數(shù)()和梯度相似性函數(shù)()的加權(quán)乘積;為整個(gè)圖像的空間域;()為()與()兩者中的最大值。

計(jì)算背景還原圖像與原始紅外偽裝圖像的FSIM值,結(jié)果用表示,取值范圍為[0,1],值越大說(shuō)明偽裝目標(biāo)與還原背景越相似。

2.2 綜合評(píng)價(jià)值的確立

還原效果度量值的大小直接影響著相似性度量值的可靠性,具體關(guān)系如下:還原效果度量值越高,表明構(gòu)建的背景還原圖像效果越好,在與原始紅外偽裝圖像進(jìn)行相似性度量時(shí),得到的評(píng)價(jià)值就越能反應(yīng)真實(shí)目標(biāo)的偽裝效果;當(dāng)還原效果度量值較小時(shí),表明構(gòu)建的背景還原圖像效果并不理想,此時(shí)與原始紅外偽裝圖像進(jìn)行對(duì)比計(jì)算,得到的評(píng)價(jià)結(jié)果誤差較大,不能客觀反應(yīng)目標(biāo)真實(shí)的紅外偽裝效果。

考慮到還原效果度量值和相似性度量值并非完全獨(dú)立,如果采用線性加權(quán)的方式融合兩個(gè)指標(biāo),則忽略了兩者之間的非線性競(jìng)爭(zhēng)關(guān)系。因此,本文借鑒了文獻(xiàn)[10]中多特征融合策略的思想,設(shè)計(jì)如下指數(shù)乘法函數(shù)進(jìn)行計(jì)算:

(15)

式中:、為權(quán)重系數(shù),兩者之和等于1;、為遠(yuǎn)小于1的正常數(shù),避免分母部分為0;用來(lái)衡量構(gòu)造的背景還原圖像的可靠性,與呈正相關(guān),當(dāng)=1時(shí),=1,表明背景還原圖像的質(zhì)量非常好,此時(shí)值完全由決定,當(dāng)=0時(shí),=0,則構(gòu)造的背景還原圖像不具備參考價(jià)值,無(wú)論取值如何,值都趨近于0;用來(lái)計(jì)算真實(shí)紅外偽裝與理想紅外偽裝之間的相似性,具體變化與相同。

綜合評(píng)價(jià)值由和兩部分組成,范圍為[0,1]。值越大說(shuō)明目標(biāo)的紅外偽裝效果越好。

3 實(shí)驗(yàn)驗(yàn)證與應(yīng)用

實(shí)驗(yàn)設(shè)計(jì)以Matlab 2019A作為工具,選擇的平臺(tái)為intel core i5-9400k CPU@2.6 GHz, DDR4 2400 16 GB RAM, GeForce 1650ti顯卡的計(jì)算機(jī)。

3.1 背景還原圖像構(gòu)建效果分析

選擇的原始紅外偽裝圖像如圖3(a)所示,分別為茂密樹蔭下?？康男∞I車、城市道路上涂覆有偽裝涂層的坦克、藏匿在灌木叢后的人,同時(shí)選取水面上未實(shí)施任何偽裝的人員進(jìn)行對(duì)比實(shí)驗(yàn)。分別使用Criminisi算法和改進(jìn)Criminisi算法構(gòu)建背景還原圖像,結(jié)果如圖3(b)～圖3(d)所示。

圖3 構(gòu)建背景還原圖像Fig.3 Construction of background restoration image

從人眼視覺(jué)的角度出發(fā),使用傳統(tǒng)的Criminisi算法對(duì)目標(biāo)遮蔽區(qū)域修復(fù)時(shí),存在著修復(fù)區(qū)域模糊、高頻信息缺失等問(wèn)題,尤其是當(dāng)周圍環(huán)境復(fù)雜且目標(biāo)偽裝較好時(shí),由于目標(biāo)邊緣較弱,內(nèi)部紋理復(fù)雜,修復(fù)效果并不理想。改進(jìn)后的Criminisi算法實(shí)現(xiàn)了對(duì)目標(biāo)區(qū)域的高度修復(fù),修復(fù)圖案與周圍背景的結(jié)構(gòu)和紋理融合度較好,已看不出目標(biāo)及其輪廓,效果更接近目標(biāo)遮蔽下的真實(shí)背景。利用IL-NIQE模型對(duì)兩種背景還原圖像進(jìn)行評(píng)價(jià),結(jié)果如表1所示,a～d依次對(duì)應(yīng)圖3(a)中從左到右的4幅紅外偽裝圖像。

表1 還原效果度量值

由表1可知,使用改進(jìn)后的Criminisi算法得到的還原效果度量值更高,構(gòu)建的背景還原圖像更加接近該目標(biāo)遮蔽下的真實(shí)背景,可以作為目標(biāo)紅外偽裝效果評(píng)價(jià)的參照物。當(dāng)背景相對(duì)簡(jiǎn)單且目標(biāo)輪廓清晰時(shí),兩種算法得到的還原效果度量值相似,改進(jìn)算法的優(yōu)勢(shì)不明顯,如表1中b、d所示。當(dāng)背景紋理復(fù)雜且目標(biāo)偽裝較好時(shí),改進(jìn)算法的修復(fù)效果要明顯優(yōu)于原始Criminisi算法的修復(fù)效果,如表1中a、c所示,這與人眼視覺(jué)觀察的結(jié)果相符合。

3.2 紅外偽裝效果綜合評(píng)價(jià)實(shí)驗(yàn)

由于當(dāng)前并沒(méi)有專門針對(duì)紅外偽裝圖像的公開數(shù)據(jù)集,國(guó)內(nèi)外學(xué)者在對(duì)紅外偽裝評(píng)價(jià)方法的研究中主要還是采用自行拍攝或仿真的紅外圖像,目標(biāo)類型和背景環(huán)境相對(duì)單一,方法的可行性和準(zhǔn)確性難以得到有效驗(yàn)證。因此課題組構(gòu)建了以車輛、艦船、人物等目標(biāo)為主的紅外偽裝數(shù)據(jù)集,數(shù)據(jù)集共495幅圖像,偽裝方式包含天然遮蔽偽裝、紅外偽裝網(wǎng)覆蓋偽裝、紅外偽裝涂層等,數(shù)據(jù)集中部分紅外圖像如圖4所示。拍攝設(shè)備為IRMC-S300制冷型中波紅外熱像儀。

圖4 紅外偽裝圖像Fig.4 Infrared camouflage image

3.2.1 基于主觀評(píng)價(jià)法的紅外偽裝效果評(píng)價(jià)

主觀評(píng)價(jià)法作為評(píng)價(jià)偽裝效果的最直接手段,更加類似于軍事偵察的實(shí)際情況。根據(jù)實(shí)驗(yàn)設(shè)計(jì)不同,主觀評(píng)價(jià)法可分為單激勵(lì)法和雙激勵(lì)法兩大類。由于單激勵(lì)法具有對(duì)實(shí)驗(yàn)環(huán)境要求低、速度快等優(yōu)點(diǎn),本文采用單激勵(lì)法計(jì)算紅外偽裝圖像的MOS,具體實(shí)施如下:首先選取50名非相關(guān)專業(yè)的觀察者,經(jīng)過(guò)短暫培訓(xùn)后,針對(duì)性地選取MORRIS紅外數(shù)據(jù)庫(kù)中部分紅外圖像及其對(duì)應(yīng)的MOS值給觀察者進(jìn)行預(yù)先展示,形成對(duì)紅外圖像評(píng)分的基本印象,確保后續(xù)評(píng)分的準(zhǔn)確性。然后讓觀察者依次觀察紅外偽裝數(shù)據(jù)集中的圖像,并對(duì)其中目標(biāo)的偽裝效果進(jìn)行評(píng)分,將得到的分?jǐn)?shù)按照式(16)進(jìn)行高斯歸一化處理:

(16)

其中,

(17)

(18)

式中：,為第個(gè)觀察者對(duì)第幅圖片的評(píng)分;為實(shí)驗(yàn)選取紅外偽裝圖像的總數(shù);、分別為第個(gè)觀察者評(píng)分的均值和標(biāo)準(zhǔn)差;,為高斯歸一化后的分?jǐn)?shù),取值范圍為[0,1];設(shè)置閾值,若,大于067的個(gè)數(shù)超過(guò)閾值,則認(rèn)為第個(gè)觀察者給出的評(píng)分波動(dòng)較大,舍棄其所有評(píng)分,值大小根據(jù)實(shí)際情況選取。

最終,第張紅外偽裝圖像中目標(biāo)偽裝效果的MOS值由下式計(jì)算:

(19)

式中:為參加主觀評(píng)分的人員總數(shù)。

紅外偽裝數(shù)據(jù)集的MOS值的頻率分布如圖5所示。雖然MOS直方圖沒(méi)有符合理想的正態(tài)分布,但也基本能夠滿足實(shí)驗(yàn)測(cè)試的要求,將該排序結(jié)果作為后續(xù)紅外偽裝評(píng)價(jià)方法準(zhǔn)確性的驗(yàn)證依據(jù)。

圖5 紅外偽裝數(shù)據(jù)集MOS直方圖Fig.5 Infrared camouflage data set MOS histogram

322 基于背景還原的紅外偽裝效果評(píng)價(jià)

為驗(yàn)證本文評(píng)價(jià)方法的準(zhǔn)確性,選擇文獻(xiàn)[9-10,27]的紅外偽裝效果評(píng)價(jià)方法進(jìn)行對(duì)比實(shí)驗(yàn)。為便于比較,將各方法得到的結(jié)果進(jìn)行正相關(guān)處理。

文獻(xiàn)[9]分別計(jì)算背景與偽裝目標(biāo)的4種典型特征相似度,采用熵權(quán)法分配特征權(quán)重,累加值作為偽裝圖像的綜合評(píng)價(jià)結(jié)果,取值范圍為[0,1],值越小表明偽裝目標(biāo)與背景特征差異越小,故對(duì)其進(jìn)行正相關(guān)處理:

=1-

(20)

文獻(xiàn)[10]通過(guò)計(jì)算背景相關(guān)特征與偽裝區(qū)域內(nèi)部特征來(lái)度量偽裝目標(biāo)與背景的差異程度,并采取非線性融合的方式得出綜合評(píng)價(jià)指數(shù),取值范圍為[0,1],其值越大表明目標(biāo)的紅外偽裝效果越好。

文獻(xiàn)[27]利用紅外圖像中目標(biāo)的識(shí)別概率作為對(duì)目標(biāo)的紅外偽裝效果的評(píng)估指標(biāo),識(shí)別概率的取值范圍為[0,1],其特點(diǎn)是越小,目標(biāo)的紅外偽裝效果越好,同樣對(duì)其進(jìn)行正相關(guān)處理:

=1-

(21)

經(jīng)處理后各方法計(jì)算得出的評(píng)價(jià)值都統(tǒng)一到[0,1]之間,且大小與偽裝效果成正相關(guān),接下來(lái)分別從定性與定量?jī)蓚€(gè)角度展開實(shí)驗(yàn)。

定性評(píng)價(jià)方面,建立各種客觀評(píng)價(jià)方法在紅外偽裝數(shù)據(jù)集上的評(píng)價(jià)值與對(duì)應(yīng)圖像MOS值之間的散點(diǎn)圖,對(duì)方法的可行性和穩(wěn)定性進(jìn)行定性分析。為更好地反映評(píng)價(jià)值與MOS值之間的映射關(guān)系,使用式(22)、式(23)對(duì)散點(diǎn)圖中的數(shù)據(jù)進(jìn)行非線性擬合:

Quality()=logistic(,(-))++

(22)

(23)

式中:為各種客觀評(píng)價(jià)方法得出的評(píng)價(jià)值;～為自適應(yīng)調(diào)整參數(shù),根據(jù)文獻(xiàn)[28]的方法計(jì)算確定。

定量評(píng)價(jià)方面,依據(jù)檢驗(yàn)圖像評(píng)估模型性能視頻質(zhì)量專家組(video quality experts group, VQEG)的標(biāo)準(zhǔn),選用SROCC、KROCC、PLCC 3個(gè)經(jīng)典的評(píng)價(jià)指標(biāo)與RMSE一起檢驗(yàn)紅外偽裝評(píng)價(jià)方法的性能優(yōu)劣。具體表達(dá)式如下:

(24)

(25)

(26)

(27)

式中:為紅外偽裝數(shù)據(jù)集,為數(shù)據(jù)集中圖像的總數(shù);()和()分別為第幅圖像在客觀和主觀評(píng)分中的排名值;()和()分別為客觀和主觀評(píng)價(jià)的數(shù)值;為一致對(duì)的數(shù)量;為非一致對(duì)的數(shù)量,一致對(duì)是指對(duì)數(shù)據(jù)集中任意兩幅圖像的主客觀評(píng)價(jià)值具有同向性,反之則是非一致對(duì)。評(píng)價(jià)方法的計(jì)算結(jié)果與人的主觀感受關(guān)聯(lián)程度越高,SROCC、KROCC和PLCC的值越高。而RMSE值越小,表明評(píng)價(jià)方法的穩(wěn)定性越好。

圖6分別展示了4種客觀評(píng)價(jià)方法在紅外偽裝數(shù)據(jù)集上測(cè)試的結(jié)果,圖中藍(lán)色散點(diǎn)的橫坐標(biāo)和縱坐標(biāo)分別對(duì)應(yīng)客觀評(píng)價(jià)值與主觀評(píng)價(jià)值(MOS)。紅色的非線性擬合曲線體現(xiàn)了主客觀評(píng)價(jià)值之間的貼合程度,擬合曲線的單調(diào)性越好,藍(lán)色散點(diǎn)越貼近于擬合曲線,則表明客觀評(píng)價(jià)值與MOS值的評(píng)價(jià)結(jié)果越接近,對(duì)應(yīng)的客觀評(píng)價(jià)方法的性能越好。

圖6 客觀評(píng)價(jià)方法散點(diǎn)圖Fig.6 Scatter diagram of objective evaluation algorithm

由圖6可知,對(duì)于主觀評(píng)分較低和較高的紅外偽裝目標(biāo),Ying的方法和Han的方法與主觀評(píng)分的結(jié)論并不相同。Xue的方法和本文方法得出評(píng)價(jià)結(jié)果與MOS值都呈現(xiàn)出了較好的單調(diào)遞增關(guān)系,相比之下,Xue的方法對(duì)應(yīng)的散點(diǎn)圖在中間段的振蕩性較大,而本文方法與擬合曲線的貼合程度明顯更高。接下來(lái)進(jìn)一步對(duì)4種評(píng)價(jià)方法進(jìn)行定量分析,如表2所示。

表2 不同評(píng)價(jià)方法定量分析

由表2可知,本文方法與人眼MOS的相關(guān)性明顯高于其他3種方法,更加符合人眼視覺(jué)特性,而且本文方法的RMSE值是4種客觀評(píng)價(jià)方法中最小的,表明穩(wěn)定性最高。

4 結(jié) 論

本文提出一種新的紅外偽裝效果評(píng)價(jià)思路和方法,利用改進(jìn)后的Criminisi算法構(gòu)建出目標(biāo)遮蔽下的背景區(qū)域,與原始紅外偽裝進(jìn)行相似性度量,設(shè)計(jì)指數(shù)函數(shù)對(duì)背景還原效果與相似性度量結(jié)果進(jìn)行非線性融合,完成目標(biāo)紅外偽裝效果的綜合評(píng)價(jià)。該方法有效解決了現(xiàn)有方法在面臨目標(biāo)背景區(qū)域紋理特征復(fù)雜,目標(biāo)鄰域背景不連續(xù)、存在灰度階躍等復(fù)雜背景時(shí)評(píng)價(jià)結(jié)果不理想的難題,對(duì)于圖像中像素占比較大的目標(biāo),也能得到較好的評(píng)價(jià)結(jié)果。實(shí)驗(yàn)表明,本文方法與視覺(jué)感知的貼合度更高,且穩(wěn)定性更好,具有較好的應(yīng)用價(jià)值,同時(shí)對(duì)可見(jiàn)光、遙感目標(biāo)的偽裝效果評(píng)價(jià)方法研究也具有一定的參考意義。