基于时空信息的自适应数字伪装研究

霍一博，张 静，杜晓辉，邓 皓

(1.电子科技大学 光电科学与工程学院，成都 610054；(2.电子科技大学 智能显微技术联合研究中心， 成都 610054)

1 引言

数字伪装技术是一种将需要伪装对象的图像信息变换成与周围环境相似的可识别信息，达到隐藏自身可探测信息，逃避对方侦察检测的技术。随着科技的发展，数字化媒体成为了信息存储，处理和传递的主要方式，数字伪装技术变得越来越多元化和智能化，尤其在最近几年中，由于超材料和柔性OLED的出现，使自适应的数字伪装技术的实现成为了可能，自适应数字伪装技术的研究对于自然探索、潜伏侦查、国家安防、军事通讯和科学研究具有十分重大的意义。

自适应数字伪装又称为主动伪装，能够迅速对伪装者周围的环境做出判断，使自身的伪装不断随着环境的改变而变化，是在复杂环境背景下实现良好伪装的重要隐藏技术。从理论上讲，自适应数字伪装可以为伪装者提供完美的隐蔽性，能够最有效地降低自身的可探测性。在现阶段，对于自适应数字伪装技术的研究还处于初步阶段，相关研究报道还很少，自适应数字伪装技术的研究还不完善，还有许多领域等着众多研究者去积极探索。

2 基于时空信息的自适应数字伪装技术

数码迷彩是最常用的一种数字伪装技术，它基于色彩混合原理，使用不同大小的“斑块”，从而组成具有较好伪装能力的迷彩图案，其具有良好的伪装能力，在军事上有着广泛的应用，常见的数码迷彩图案如图1。本文中设计了一种新型的基于数码迷彩和时空信息的自适应数字伪装算法。

图1 常见的数码迷彩图案Fig.1 Common digital camouflage patterns

通过研究国内外数码迷彩设计的主要方案和技术手段，本文中总结出了设计数码迷彩的基本方法和流程。一般来说，高质量的数字迷彩伪装能够很好地融入背景，必须满足以下2个限制条件：

1) 颜色约束：数字迷彩伪装纹理的原色应与背景结合良好，不易被人眼或光学仪器识别。换句话说，数字迷彩应该有一些亮度不同的原色，这样原色中的斑点可以很容易地打破伪装目标的原始形式，而且数字迷彩的原色值与背景值之间的差异不应该太大。通常情况下,原色的亮度应略低于背景的亮度。

2) 形状约束：数字迷彩形状应该与环境中的图案相似。具体来说，迷彩中斑点的分布要隐藏伪装目标的原始形态，斑点的分布要不均匀，使伪装目标难以被发现。特别要避免大的矩形方块或长直线。而且，无论是大斑点还是小斑点的分布都应该是有多个层级的。

数码迷彩设计的基本制作流程如图2所示，首先，从背景环境中提取出环境的主要颜色信息，这里所用的算法一般是k均值聚类算法，得到数码迷彩要使用的颜色，在现阶段，数码迷彩主要分为海洋迷彩，陆地迷彩，森林迷彩等，每一种迷彩类别都有他的工业标准化颜色，因此，如果伪装环境较为经典的话，可以把从周围环境提取得到的主要颜色信息和工业标准数码颜色做分析对比，然后再决定最终的数码迷彩颜色。之后要考虑周围环境中的纹理特点，再从图案模板库中选取若干种与之相似的图案模板，根据图案形状约束将这些拼图模板进行分析重组，得到迷彩的纹理轮廓，再在上面涂满前面得到的数码迷彩主颜色，就形成了有良好伪装效果的数码迷彩。

图2 数码迷彩图案制作流程简图Fig.2 Digital camouflage pattern production process

2.1 颜色选取

本文中提出的数码迷彩的颜色选取部分主要分为颜色丰富度等级计算和均值聚类提取原色2个步骤。

颜色是人类视觉感知的关键因素，因为颜色传达了周围环境的关键信息，无论是在自然界还是在人类社会中，它都影响着人类的行为和决策过程。因此，在图像处理领域如何准确测量一个自然或虚拟场景的色彩至关重要。

为了明确需要在周围环境中提取出几种主要颜色，本文中使用了颜色丰富度来确定主要颜色的个数。颜色丰富度是一种从图像中学习提取相应的特征颜色特征，以及从特征空间到各种自然彩色图像的理想色彩评分的映射。本文中采用了 Hasler的方案用来计算颜色丰富度等级。

颜色丰富度等级一共分为7级，分别为：无(Not colorful)、稍微(Slightly colorful)、适度(Moderately colorful)、平均(Averagely colorful)、非常(Quite colorful)、高度(Highly colorful)和极端(Extremely colorful)。

颜色丰富度的计算公式为：

=-

(1)

=05*(+)-

(2)

(3)

(4)

=+03*

(5)

式中，、、表示图像的三通道矢量图；和为数学运算标量图；和是方差和均值；为颜色丰富度度量值。

颜色丰富度等级和周围环境要提取的主要颜色数可以利用表1中的数值进行计算：

表1 颜色丰富度

红-绿-蓝(RGB)、色调-饱和度-亮度(HSV)经常用于图像处理。RGB模型使用了3个基本颜色成分，它代表颜色的物理特征，但并不能再现人类视觉系统的本质。而HSV模型更类似于人类的视觉机制，是基于人对颜色的感觉来设计的，更能直观展示颜色对人眼的影响。因此本文中采用HSV模型对伪装颜色进行聚类，在聚类完成之后，再将色彩空间转换为RGB空间。均值聚类算法是一种无监督的机器学习算法。由于均值聚类算法简单，执行速度快，主要原色提取准确，因此本文中使用均值聚类算法对背景图像中的原色进行聚类。在均值聚类算法中，如果数据聚类良好，聚类中心不变，则算法收敛。使用均值聚类算法的原色提取流程如图3所示，首先进行色彩空间转换，然后初始化聚类中心和中心个数，中心个数使用上文提到的颜色丰富度等级计算公式，之后通过递归迭代的方式进行重新聚类并更新中心点的位置，直到误差小于阈值为止，最后再把颜色转换为RGB空间就完成了全部流程。

2.2 纹理制作

基于图案模板的数码迷彩伪装设计方法目前大多是利用图像分割技术提取背景纹理特征，再制作出与之相符合的图案模板。在把迷彩图案画在衣服上、卡车等设备的实际过程中采用图案模板作为涂装纹理可以避免伪装图案变形或混乱，达到良好的伪装效果。从实际的喷涂技法上看，这样的方法不仅提高了数码迷彩制作效率，而且在满足图案约束的同时，使数码迷彩更加不显眼。

图3 主颜色提取流程框图Fig.3 Main color extraction process

对于图案模板斑点数据库的数据，本文中从已有的一些形状良好的伪装设计入手，总结出一些典型的伪装图案斑点形状，然后利用贪婪算法递归地将这些图案模板在点形状约束下展开，直到整个表面被完全覆盖。该方法采用7种不同的图案模板斑点类型，有4个较大的斑点图案模板和3个小一点的斑点图案模板类型。在实际使用这些斑点模板的过程中，会在之上加入缩放因子从而使得斑点模板的多样性增加。图4展示了这些斑点模板的具体样式。

图4 斑点模板样式图Fig.4 Blob template style

使用这些斑点图案填充整个数码纹理的过程中要使用贪婪随机迭代算法，贪婪随机迭代算法是求解优化问题的一种快速、简单的方法，求解器在考虑约束条件的同时一步一步地搜索当前步骤的最恰当的解，直到满足约束停止条件，完成整个迭代算法。数码图案中斑点的分布问题可以看作是形状约束条件下的优化问题。

准备模板分布约束具有良好光学伪装效果的伪装图案不仅要求颜色能很好地融入背景，还要求喷涂在伪装目标表面的模板形状具有良好的光学伪装效果。为了实现这些目标，根据行业标准和经验，本文中实施了以下约束条件：

1) 伪装图案应该很好地分割目标形状，使整体形状是一些零零散散的斑点组合；

2) 伪装纹理中的斑点应呈不规则状，不能有大块或长条纹；

3) 不能有多个一样的斑点同时出现在伪装图案的一个地方，相邻的斑点要尽量有着各种不同颜色，这样可以使图案显得更加层次化和不规则化；

4) 为了提高生产效率，降低生产成本，在设计伪装图案时，不直接进行伪装颜色喷涂，而是在整个纹理设计完毕后再统一喷涂颜色，节省伪装涂料。

模板中斑点分布的约束条件是为了让斑点的分布尽量分散，对图案斑点的分布约束类似于引导图案中心点分布。因此，本文中为每个像素块分配成本，这样本文中就可以定量地衡量一个像素点成为斑点模板中心的可能性。该成本越小，这个像素点就越有可能成为中心。在数字伪装生成过程中，每个新斑点模板的分布都会动态地改变模板覆盖区域内像素的成本，然后再进行下一个斑点模板的选择。在贪婪算法的后续迭代过程中，本文中使用模板分布代价(以一个像素为分布中心所对应背景模板的代价)作为优化测度。需要为每个像素设置一个分布成本(通常初始化为0)，这表示被图案模板覆盖的成本。在算法实现中，简单地更新每一个像素的成本(当一个像素被模板覆盖一次时添加1)。模板分布代价表示模板在以像素为中心的矩形区域内分布的总代价(即模板中心在像素处)，模板分布代价是使用模板矩阵作为卷积核进行卷积的结果。每次优先选择。模板分布代价最小的像素点作为图案模板的中心，若有相同的最小成本(最小覆盖代价)，就随机选择其一。数码纹理制作流程如图5所示。

图5 数码纹理制作流程框图Fig.5 Digital texture production process

详细算法步骤如下：

1) 初始化背景。创建矩阵，用于存储成本，其大小等于伪装图像的大小，矩阵初始化为全0矩阵；

2) 伪装斑点大致轮廓。在伪装画布上建立一个原点坐标作为输出伪装图像的中心。然后，在图像上绘制余弦曲线，作为画布上斑点分布的轮廓。在曲线上，随机采样个斑点内部作为大图案模板的中心。每个斑点进行随机2～4倍的随机放大，然后更新矩阵中模板覆盖的像素的成本；

3) 基于贪婪算法的图案模板覆盖。采用贪婪算法对背景图像进行分配图案模板。在每次迭代中，利用图案模板对矩阵中的像素进行卷积运算根据模板分布代价计算最优分布，所寻求的分布是总代价最小的分布。因此，在每一步中，选择最小的像素作为模板的中心，使代价最小。若存在多个最小值，则随机取一个值，从而使每一步的最优使总体分布接近最优分布；

4) 进行成本值为0的最大连通域计算，当最大连通域小于指定阈值(阈值一般取最小模板尺寸的2倍)时，算法停止。

2.3 自适应数码迷彩制作

自适应数码迷彩是在周围环境变化的同时不断改变自身的数码迷彩伪装，使得自身的伪装每时每刻都适应于当前环境。其算法流程如图6所示。

图6 自适应数字伪装算法流程框图Fig.6 Adaptive digital camouflage process

由于数码纹理制作算法耗时较长，为了提高算法效率，本文中只在第一帧生成一张大的数码纹理样板，再之后的伪装过程中只使用这个样本的不同位置进行伪装。在每一帧伪装的过程中通过检测周围环境信息提取出环境的主要颜色，再根据纹理样板生成伪装图案。

3 实验结果及分析

数码迷彩的颜色选取主要分为颜色丰富度等级计算和均值聚类提取原色2个部分组成，提取结果如图7所示，可以看到对于不同的图像他的颜色丰富度不同，从而提取到的主颜色个数也就不一样。

均值聚类颜色提取算法能够将图像中的颜色进行统一汇总，计算出图像中的主要颜色。在图7中，草地图像共提取4个主颜色，银杏树林图像共提取出5个主颜色，通过人类感知进行比较，可以看出算法计算的主颜色符合人类大脑感知。

数码迷彩的纹理制作是根据基于模板库的贪婪算法实现的，其生成的迷彩纹理主要依赖于模板库中的斑点图像，在纹理生成的过程中，由于斑点的随机取样以及纹理空间分布在迭代初期往往有多个最优模板中心，就会令生成的纹理存在极大的乱序随机，一个随机生成的结果如图8所示，可以看到，伪装纹理是完全不规则的，并且伪装纹理将整个图案分割成一个个小的目标形状，使整体形状是一些零零散散斑点的组合，符合迷彩伪装纹理的定义。

图7 主颜色提取结果图Fig.7Main color extraction result graph

图8 数码迷彩纹理结果图Fig.8 Digital camouflage texture results

根据数码迷彩的主要颜色和生成的纹理图案模型，就可以生成各种各样的数码迷彩。如图9，通过森林的主要颜色就可以制作出适合在森林中使用的森林数码迷彩；通过雪地中的主要颜色就可以制作出适合在雪地中使用的雪地数码迷彩。从图中可以看到，相邻的斑点之间有着不同颜色，迷彩图案非常有层次化和不规则化。

自适应数码迷彩是根据周围环境的变化不断改变自身的数码迷彩伪装，使得自身的伪装每时每刻都适应于当前环境。其伪装效果如图10所示，在图10(a)中，可以看到足球被伪装为深绿色迷彩，能够很好地藏在树下的草丛中；在图10(b)中，可以看到一个划水的人被伪装为大海的颜色，其伪装效果很好地匹配海水的纹理和颜色。

图9 数码迷彩结果图Fig.9 Digital camouflage results

图10 自适应数码迷彩结果图Fig.10 Adaptive digital camouflage results

在运动图像的伪装中，自适应数码迷彩也能完成伪装任务，能够把伪装目标隐藏在周围的环境中，如图11所示，一只宠物狗在一片荒地上行走，利用自适应数码迷彩伪装技术可以让宠物狗的伪装每时每刻都与周围环境保持同步。

图11 基于数码迷彩的自适应数字伪装结果图Fig.11 Display of adaptive digital camouflage results based on digital camouflage

通过上述的实验结果分析可以看出基于数码迷彩的自适应数字伪装技术在伪装目标静止时的伪装效果十分优秀，在伪装目标运动过程中也能够令自身潜伏在环境中去。这是因为该数字伪装技术的颜色选取是基于周围环境的主要颜色，纹理生成是随机并且杂乱无章的，这基本符合了环境的基本特性，并且观根据人眼的色彩混合原理和空间想象能力，在一定的距离外察伪装目标时人眼对它的分辨能力大大减弱，从而使得该方式可以让伪装目标达到以假乱真的效果。

4 结论

1) 所设计的自适应数字伪装算法，能够对当前环境进行分析判断，得到适合于当前环境的最好伪装。

2) 通过颜色选取，纹理生成等步骤得到的自适应数字伪装，比传统的数码迷彩效果更好，能根据当前环境的变化自适应改变，在物体运动过程中也能实现较好的伪装。

3) 所设计的自适应数字伪装算法适用于各种环境，对自然探索、娱乐生活、潜伏侦查、国家安防和科学研究具有重大意义。