基于分水岭方法的数码迷彩设计

迷彩是对抗现代侦查与精确打击,有效提高军事目标战场生存能力的防护手段之一,是作战保障的重要内容。数码迷彩能够有效破坏伪装目标的外形,使不同色彩间的边界模糊、破碎,具有良好的伪装隐身效果。文章提出了一种新的生成数码迷彩算法,它先对图案使用分水岭方法分割,确定出大致图案,然后提取出背景主色和确定数码迷彩斑块的大小,最后生成数码迷彩。由于图像本身会存在噪声,在分割时会造成许多虚假边缘,即过分分割现象。为了避免产生过分分割现象,文中采用预处理滤波的方法,在图像应用分水岭算法前滤除图像噪声。实验表明,利用此算法生成的数码迷彩相对于传统迷彩能够更好地与自然背景相融合,达到良好的光学伪装效果。     

基于循环一致性对抗网络的数码迷彩伪装生成方法

针对传统的数码迷彩生成方法无法根据背景实时生成数码迷彩的问题,提出一种基于循环一致性对抗网络的数码迷彩生成方法。首先,使用密集连接卷积网络提取图像特征,将学习到的数码迷彩特征映射到背景图像中;其次,加入颜色保持损失来提高数码迷彩的生成质量,保证生成的数码迷彩与周围的背景颜色相一致;最后,在判别器中加入自归一化神经网络以提高模型对噪声的鲁棒性。由于缺乏数码迷彩伪装效果的客观评价标准,采用边缘检测算法与结构相似性（SSIM）算法对生成的数码迷彩的伪装效果进行评估。实验结果表明,该方法在自制数据集上生成的数码迷彩伪装的SSIM得分比已有算法的得分降低了30%以上,验证了它在数码迷彩生成任务上的有效性。     

基于主色共生矩阵法的数码迷彩纹理特征提取

提出一种基于主色共生矩阵法的数码迷彩纹理特征提取方法.对RWM的主色提取法和灰度共生矩阵法进行改进与综合,在RWM法中增加比例因子避免主要颜色提取错误,在灰度共生矩阵法中增加颜色因子,综合分析纹理特征.实验结果证明,采用主色共生矩阵法提取纹理特征,所设计的数码迷彩视觉伪装效果较好.     

固定目标伪装的数码迷彩设计

传统迷彩的边缘平滑、色彩分明、视觉区分度强,其设计过程往往脱离伪装目标的实际背景,不能很好地与背景相融合。数码迷彩在图案上呈现不规则的重叠,不同颜色间的边缘模糊、破碎,极易模拟自然背景。文章提出一种根据目标的背景生成数码迷彩的新方法。根据实际需求确定数码单元的尺寸,然后采用模板遍历的方法对背景图像中的主要颜色进行重新排布,最后生成数码迷彩。利用此算法生成的数码迷彩能够较好地保留背景的细节特征,并与目标的自然背景高度融合,从而达到良好的变形和光学伪装效果。     

基于光学伪装的数码迷彩技术

基于光学伪装的数码迷彩是一种通过提取自然背景的纹理、颜色和层次等信息,并以数码像素点阵图案的形式表现出来的新型迷彩。文章对数码迷彩的研究发展现状、数码迷彩设计技术、伪装效果评价方法等做了全面系统的介绍。     

基于拼片置乱与数学形态运算的伪装迷彩算法

为快速有效地生成针对实地环境伪装的数码迷彩,提出基于背景拼片置乱的迷彩生成方案。算法过程中结合了Logistic混沌映射置乱和图像FCM颜色聚类方法,并运用灰度数学形态学的"开-闭"复合运算对迷彩纹理进行修正,最终实现环境伪装数码迷彩的自适应生成。实验证明,该方法实时高效,生成的迷彩有效地摒弃了易辨识的局部图案特征而保留了环境纹理特征和环境颜色特征,具有较强的实地伪装隐蔽功能。     

仿生迷彩伪装设计

针对迷彩伪装难题,提出仿生迷彩概念,将生物特征信息融入传统迷彩设计准则,介绍背景图片的斑块化和仿生结构元素的创建过程。在阐述其生成方法机理的基础上设计4种仿生迷彩图案,并通过边缘检测和识别跟踪算法对其进行静态和动态伪装效果评估。实验结果表明,仿生迷彩具备较好的伪装效果,可用于军事目标（静态或动态）的伪装设计。     

数码迷彩空间混色模型研究

数码迷彩因其优良的伪装性能得到广泛的应用,针对目前数码迷彩设计理论滞后于应用的现状,提出了基于人眼白光视觉传递特性的数码迷彩空间混色模型。该模型以傅里叶变换和人眼视网膜成像特性为基础,引入了基于白光的人眼视觉传递模型,并结合大气传输模型模拟数码迷彩图案的空间混色过程。外场实验表明,该方法在混色斑块的形状及位置上取得了较好的效果,从而验证了模型的合理性。但该模型在混色斑块的颜色方面还有些欠缺,需要对数码迷彩的空间混色原理做进一步的研究。该混色模型为数码迷彩伪装效果的深入研究提供了支持,对数码迷彩的数字化设计具有一定影响。     

基于改进K均值聚类分析的迷彩伪装色选取

伪装色是影响迷彩伪装效果的关键因素。提出一种基于改进K均值聚类分析的迷彩伪装色选取算法：在Lab颜色空间中选择色差尽可能大的标准伪装色作为初始聚类中心,由最小色差原则和相邻元素特征共同决定目标像素归属,最后将得到的背景优势色（最优聚类中心）转换为军标规定的迷彩伪装色。通过迷彩伪装图案设计实例对伪装色选取算法进行了实验分析,并通过边缘检测和识别跟踪算法对不同背景下的目标迷彩伪装效果进行了验证。结果表明,基于改进K均值聚类分析的迷彩伪装色选取方法能够满足迷彩图案具备较好伪装效果的要求。     

基于YOLO v5算法的迷彩伪装目标检测技术研究

迷彩伪装目标与周围环境高度相似,对迷彩伪装目标的检测任务比普通的检测任务更具挑战性,常规的检测算法对迷彩伪装目标检测任务不完全适用.文中对现有方法进行分析,以YOLO v5算法为基础,提出了一种针对迷彩伪装目标的检测算法.该算法结合注意力机制设计了新的特征提取网络,突出了迷彩伪装目标的特征信息;并且对原有的聚合网络进行了改进,增大了检测的尺度,使用非对称卷积模块强化了目标语义信息.在一种公开的迷彩伪装目标数据集上将该算法与7种算法进行对比,所提算法的mAP值较原始算法提升了4.4％,召回率提升了2.8％,在mAP值方面也比其他算法更具优势,从而验证了所提算法对迷彩伪装目标检测任务的有效性.     

Maneuvering target oriented digital camouflage image generation method

Since the digital camouflage generation method based on fixed single background image cannot fully meet the hidden need of maneuvering targets. In this paper, a method of generating digital camouflage image based on several background images is proposed. Firstly, according to the active range of the maneuvering target, several background images are collected. Secondly, in order to resolve the problem that the clustering algorithm is sensitive to the initial clustering center and easy to fall into local optimum, K-harmonic means (KHM) clustering algorithm is introduced and initial clustering center is determined based on color histogram. Again, KHM clustering is used to extract color features from several background images, the first clustering is extracted from a single background image, and the second clustering is extracted with several color features sets extracted from the first clustering of background images as input. Finally, the regular hexagon is used as the basic unit of the digital camouflage image to construct the spot template, and the digital camouflage image is generated by the lowest horizontal line algorithm. Example verification and camouflage effect detection show that the digital camouflage image generated by this method can effectively realize the concealment of maneuvering targets and has good camouflage effect.     

迷彩设计中基于SOFM的背景图像聚类方法

迷彩设计要求用简单的几种颜色模拟自然背景纹理,因此,通过分析背景的图像,利用图像分割技术提取背景信息从而进行迷彩图案的自动设计已是近年来伪装领域研究的热点课题.目前,最常用的图像分割方法是均值聚类法,而均值聚类法由于直接利用图像的灰度差信息,容易造成分割的细节不明显,从而导致模拟背景纹理失真.针对均值聚类法的不足,结合人工智能网络学习技术,提出基于SOFM的图像分割方法对背景进行聚类分割,较好地保留了图像的细节纹理,得到了较为理想的效果.     

Digital Camouflage Images Using Two‐scale Decomposition

We present an alternative approach to create digital camouflage images which follows human's perception intuition and complies with the physical creation procedure of artists. Our method is based on a two‐scale decomposition scheme of the input images. We modify the large‐scale layer of the background image by considering structural importance based on energy optimization and the detail layer by controlling its spatial variation. A gradient correction is presented to prevent halo artifacts. Users can control the difficulty level of perceiving the camouflage effect through a few parameters. Our camouflage images are natural and have less long coherent edges in the hidden region. Experimental results show that our algorithm yields visually pleasing camouflage images.     

结合置信度加权融合与视觉注意机制的前景检测

目的 在视频前景检测中,像素级的背景减除法检测结果轮廓清晰,灵活性高。然而,基于样本一致性的像素级分类方法不能有效利用像素信息,遇到颜色伪装和出现静止前景等复杂情形时无法有效检测前景。为解决这一问题,提出一种基于置信度加权融合和视觉注意的前景检测方法。方法 通过加权融合样本的颜色置信度和纹理置信度之和判断前景,进行自适应更新样本的置信度和权值;通过划分子序列结合颜色显著性和纹理差异度构建视觉注意机制判定静止前景目标,使用更新置信度最小样本的策略保持背景模型的动态更新。结果 本文方法在CDW2014（change detection workshops 2014）和SBM-RGBD（scene background modeling red-green-blue-depth）数据集上进行检测,相较于5种主流算法,本文算法的查全率和精度相较于次好算法分别提高2.66%和1.48%,综合性能最优。结论 本文算法提高了在颜色伪装和存在静止前景等复杂情形下前景检测的精度和召回率,在公开数据集上得到更好的检测效果。可将其应用于存在颜色伪装和静止前景等复杂情形的视频监控中。     

基于Transformer的跨尺度交互学习伪装目标检测

伪装目标检测(COD)旨在精确且高效地检测出与背景高度相似的伪装物体, 其方法可为物种保护、医学病患检测和军事监测等领域提供助力, 具有较高的实用价值. 近年来, 采用深度学习方法进行伪装目标检测成为一个比较新兴的研究方向. 但现有大多数COD算法都是以卷积神经网络(CNN)作为特征提取网络, 并且在结合多层次特征时, 忽略了特征表示和融合方法对检测性能的影响. 针对基于卷积神经网络的伪装目标检测模型对被检测目标的全局特征提取能力较弱问题, 提出一种基于Transformer的跨尺度交互学习伪装目标检测方法. 该模型首先提出了双分支特征融合模块, 将经过迭代注意力的特征进行融合, 更好地融合高低层特征; 其次引入了多尺度全局上下文信息模块, 充分联系上下文信息增强特征; 最后提出了多通道池化模块, 能够聚焦被检测物体的局部信息, 提高伪装目标检测准确率. 在CHAMELEON、CAMO以及COD10K数据集上的实验结果表明, 与当前主流的伪装物体检测算法相比较, 该方法生成的预测图更加清晰, 伪装目标检测模型能取得更高精度.