基于自学习框架的红外场景仿真效果评价

方 浩^1,2, 李艾华¹, 潘玉龙², 王学进², 何 川¹, 吴元江³

(1. 火箭军工程大学, 陕西 西安 710025; 2. 火箭军研究院工程设计研究所, 北京 100011;3. 中国人民解放军31632部队, 云南 昆明 650212)

摘 要 : 针对红外场景仿真效果评估困难的问题,提出了基于自学习框架的评价方法。首先,从仿真图像与实际图像视觉对比的角度提出了面向图像视觉相似的红外场景仿真效果评价指标体系,用于量化评价过程;其次,提出以极限学习机(extreme learning machine, ELM)为核心建立评估模型,建立包括蒙特卡罗样本仿真、ELM评估网络及自更新仿真样本评估模型等3部分在内的自学习框架来生成仿真样本、强化对ELM的训练;最后,针对实际样本数量较少的问题,在此框架基础上提出了包括样本评定、自学习、评估模型测试3个阶段在内的仿真图像相似性评估方法,实现了从样本生成到评估过程的自动化。实验结果表明提出的自学习框架能够显著提高评估模型的正确率,而且训练后的评估模型适用性强,可独立自主进行红外场景仿真效果评估。

关键词 : 红外场景仿真; 自学习; 极限学习机; 视觉相似

0 引 言

仿真建模由于具有成本低、安全、执行过程不受环境条件限制等优点,因而成为了军事领域的研究热点^[1-2]。红外场景仿真能够计算大场景的红外辐射特性,对于分析国防工程等军事目标的红外暴露征候、评估伪装效果等都具有重要意义。由于红外场景仿真复杂、仿真验证手段不足,目前国内对红外场景仿真效果评价问题还缺乏系统性的研究^[3]。主要的评价方法还是依靠专家经验判断红外仿真图像是否“逼真”,主观性强,而且无法量化评价^[4]。

还有一类是借助于参考影像进行评价,通过建立评价指标和评估模型来量化仿真效果^[5]。对于评价指标,由于在不同应用需求下衡量仿真效果的侧重点有所不同,因而目前并没有统一的评价指标^[6-7]。对于评估模型,目前主要采取主观经验和客观模型相结合的方式,主要方法有层次分析法、模糊评判、灰色聚类、神经网络等^[8-9]。这些方法能够综合发挥主、客观信息的优势,尤其适用于复杂仿真系统的评估问题^[10],但主观经验参与评估过程会带来不确定性。如曾艳阳等^[11]结合模糊理论和灰色聚类进行仿真效果等级评估,但模糊集需要人为定义;方浩等^[4]将直觉模糊集多属性决策模型用于仿真效果评估问题,虽然能够在一定程度上降低专家主观经验不确定性带来的影响,但仍需要依靠专家经验建立决策矩阵;Martens等^[12]以神经网络为核心,结合模糊集合论与机器学习算法,构造出基于神经网络的仿真模型验证方法,但算法需要大量样本、实践难度较大;李宏宁等^[13]通过人眼主观评价的方式来比较红外仿真图像和实际图像的相似性,评价过程完全依靠主观判断、结果可信度不够。此外,还有学者结合设计试验来提高评估可信度,如Johnston等^[14]结合真实系统开展试验设计,提出了提高仿真评估可信度的方案;Kleijnen^[15]结合阶梯式试验设计,提出了基于线性回归模型的仿真评估方法等。

为减少专家经验对仿真评估结果的影响、提高评估过程的自动化程度,本文将机器学习方法用于红外场景仿真效果评估问题,提出了基于极限学习机(extreme learning machine, ELM)的红外仿真图像相似性评估方法。首先,为了便于量化评估过程,从与实际图像视觉相似的角度出发提出了包含温度分布相似和图像视觉相似两方面在内的红外仿真图像视觉相似性评价指标体系。其次,由于实际图像样本较少,本文结合ELM模型结构简单、学习速度快、适用于小样本学习等优点^[16],以ELM为核心建立了适用于小样本的评估模型。同时,本文最大的贡献在于提出了包括蒙特卡罗样本仿真、ELM评估网络和自更新仿真样本评估等3部分在内的自学习框架,通过自学习训练可以有效优化评估网络结构,提高评估结果的正确率。此外,针对实际图像样本数量少、难以获取的问题,还提出了包括样本评定、自学习训练、模型测试3个阶段在内完整的仿真图像相似性评估方法。该方法能够结合专家评定实验生成一定数量的实际样本,用于初始化自学习框架,进而实现后续自动进行模型训练和测试。

1 面向视觉相似的红外仿真图像评价指标体系

建立面向视觉相似的红外仿真图像评价指标体系,主要目的是从视觉角度量化仿真图像和实际图像的相似程度,为后续评价仿真效果奠定基础。由于红外图像亮度差异实际上反应了目标的辐射温度差异,因此评价指标主要包括温度分布相似指标和图像视觉相似指标两类。

1.1 温度分布相似性指标体系

由于人眼视觉对图像温度场分布的整体敏感,因此基于温度分布的统计特性建立指标体系,主要包括温度平均偏差和温度离散偏差。温度平均偏差表征图像温度分布的整体偏差,温度离散偏差表征图像温度分布离散程度的差异。

假设仿真图像和实际图像的温度分布分别为t ₁和t ₂,分辨率均为M ×N ,假定大面积区域的温度分布的统计特性近似服从高斯分布,则温度平均偏差和温度离散偏差分别为

(1)

(2)

式中,分别表示图像温度分布t ₁和t ₂的平均温度。

根据《国家通用语言文字法》的相关规定，题词和招牌的手书字可以使用繁体字和异体字，经国务院广播电视部门或省级广播电视部门批准的播音用语可以使用方言[12]。可见，国家推行规范汉字和普通话，不是要废除繁体字和异体字，也不是要消灭方言，而是要把它们的使用限制在一定的范围之内。有的省市在制定《国家通用语言文字法》的具体实施办法时，提出了这样的实施细则：在公共场所使用繁体字、异体字的手书招牌，应当在明显的位置配放使用规范汉字的招牌[13]；用名人名家的题字做招牌必须有落款和印章[14]。这一要求既方便人们辨认招牌的内容，符合汉字规范的需要，又不损害招牌、广告设计的多样性，可谓一举多得。

1.2 图像视觉相似性指标体系

结构相似性系数采用边缘方向直方图之间的Bhattacharyya系数表征。边缘方向直方图^[17]是对目标中边缘点方向的统计,可以用来描述目标物体的结构信息。采用Canny算子检测图像中的边缘,然后将空间方向划分为n 个不同方向,对各边缘点按方向进行统计,即得到边缘方向直方图。对于图像x ₁和x ₂,图像结构相似性系数用边缘方向直方图之间的Bhattacharyya系数可表示为

在发展历程上，视频监控系统经历了3个时代，其中发展到现在第3代的数字视频监控系统，监控前端一体化及后端小型化，具备系统集成程度高、系统稳定性高并能实现远程监控和管理的功能，主要是融入新发展的网络传输技术、数字存储技术、数字图像处理技术及数字视频压缩解压缩技术。

式中,G (x )为梯度计算函数,用于表征图像对比度,采用Scharr算子进行计算;C ₁>0为常数,同样用于保持计算式的稳定。

自学习框架的优势在于通过自主学习过程能够优化评估网络的结构、提高模型的评估能力。自学习框架主要包括蒙特卡罗样本仿真、基于ELM的评估模型训练以及基于自更新单隐层网络的仿真样本评估等3个过程。

H (x ₁)+H (x ₂)-H (x ₁,x ₂)

(3)

式中,p _i 、p _j 、p _i,j 分别表示图像x ₁和x ₂的概率分布以及二者的联合概率分布；H (x ₁,x ₂)表示二者之间的Shannon联合熵。I (x ₁,x ₂)值越大,表示两幅图像的相似程度越高。当I (x ₁,x ₂)=0,表示两幅图像相互独立。

(2) 结构相似性系数

弘扬优秀传统文化内外培养特色，充分挖掘峨眉武术健康文化，运用现代健康理论和中医健康理论，在揭示峨眉武术练习方法的健康原则和健身价值的同时，为现代人的健康理念创造一些峨眉武术练习（如峨眉养生功、峨眉十二型心法练习）内容，让健康科学的峨眉武术健身文化成为锻炼健身的重要内容与载体。

人类视觉系统(human vision systems, HVS)是一个高度复杂的非线性系统,对频率特性、亮度、对比度、结构特征等多种因素均敏感。从图像整体层面出发,建立了包括互信息系数、结构相似性系数、视觉显著性系数等指标在内的图像视觉相似性指标体系,其中图像互信息表示两幅图像相互包含对方的信息量,衡量图像整体的相似性;结构相似性主要体现两幅图像纹理、边缘等结构信息的整体相似程度。视觉显著性系数表征在综合感知图像亮度、对比度、频率、位置等多种因素的基础上人眼视觉注意特征的相似性。具体指标定义如下。

(4)

式中,h (x ₁)和h (x ₂)分别表示图像x ₁和x ₂归一化的边缘方向直方图；Ω 为直方图bin值的集合。BC (x ₁,x ₂)越小,表示两幅图像的结构相似性越高,反之则越低。

(3) 视觉显著性系数

人类的视觉注意机制具有将有限的认知聚集于场景中重要的刺激而抑制那些不重要信息的特点。视觉显著性(visual saliency, VS)正是模拟人类这种视觉注意机制的模型^[18]。2014年,Zhang Lin等^[19]提出了(visual saliency-induced index,VSI)模型,该模型考虑视觉显著性、对比度、亮度差异、频率等因素影响,并且取得了较好的效果,但主要针对彩色图像的质量评价,并不适用于红外灰度图像。本文在VSI模型的基础上,定义了适用于红外图像的视觉显著性模型,用于表征人眼对于红外仿真图像和实际图像的视觉注意特征之间的相似性。

当今服装品牌想要生存发展，一定要借助时代的趋势，更应该抓住现在良好的机遇。随着移动互联网的发展，微信开始借势崛起，逐渐在企业的发展和成长中扮演着越来越重要的角色。那么，怎样才能更好地利用微信营销，让其更好地发挥服装品牌价值呢？ “沐春风而思飞扬，凌秋云而思浩荡”，中国文化的 “天人合一”在节序如流中呈现出缤纷从容之美，服饰是季节的名片，也是顺天应物的表达。在这个互联网的时代，时尚一定不再是一个独立的存在，不再是画几张图纸，做几件衣服那么简单。传统的服装品牌应该从自身出发，选择合理的转型战略，同时还要根据自身的能力在转型过程中不断进行调整。

对于红外图像x ₁和x ₂,定义视觉显著性系数VSI(x ₁,x ₂)表征二者之间的视觉显著性程度。具体计算过程^[19]如下：

步骤 1 计算视觉显著性因子,即

(5)

式中,SDSP(x )为显著性检测因子,采用文献[20]中计算方法,且采用红外图像的亮度优先级代替颜色优先级;C ₃>0为常数,用于保持计算式的稳定。

诗歌是极具语言魅力的体裁，它往往借助于简练的语言词汇表达出深远的意义，正如20世纪英国诗人斯蒂芬·斯宾塞尔（Stephen Spender）所说：“诗能教给人语言的全部功能，便利读者掌握各种复杂的语言现象。诗中自有我们文明的全部伟大思想”[6]。诗歌中的语言词汇或简单明了，或晦涩生僻，都是为诗歌整体的和谐效果服务的。另外，诗歌会用适宜的语言描绘出生动的意象，“诗歌意象的功能在于它能刺激人的感官，从而唤起某种感觉并暗示某种感情色彩，使读者能沿着意象所引起的方向迅速进入诗的意境，陶醉于诗情画意之中”[7]。

步骤 2 计算对比度差异因子,即

(6)

(1) 图像互信息系数

步骤 3 计算图像视觉显著性分布,即

S (x )=[S _vs (x )]^α ·[S _G (x )]^β

(7)

式中,α 、β 为常数,用于调节视觉显著性、对比度等因子的相对重要性程度。

步骤 4 计算视觉显著性系数,即

(8)

式中,VS_m (x )=max{SDSP(x ₁),SDSP(x ₂)}用于表征图像视觉显著性分布的权重;Ω 表示图像的整个空间域。

银行一年名义利率(X5)与寿险保费收入之间呈现显著的负相关，这说明当银行利率增加时，寿险购买者通常将寿险保单抵押或直接退保以取得现金向其他货币市场或资本市场投放,寿险需求下降;反之,在银行利率下降时,由于寿险公司对保单利率的调整具有迟延性,这时人们通常会积极投保,以此获得低价格高收益的保障,寿险需求上升。

2 基于ELM 的自学习框架

ELM是建立在单隐层神经网络基础上的一种高效的机器学习方法,具有参数选择容易、学习速度快等优点。采用ELM单隐层网络作为评估模型,通过ELM网络的分类能力来实现相似性评估。但是实际图像样本数量较少、网络训练程度不够,因此提出了自学习框架来强化对网络的训练力度,并将训练后的ELM网络作为最终的评估模型。

对于红外图像x ,假设概率分布密度函数为p _i (i =1,2,…,m ),则其Shannon熵H 可表示为对于红外图像x ₁和x ₂,他们之间的互信息I (x ₁,x ₂)可表征二者之间的相似程度,即

2.1 蒙特卡罗样本仿真过程

采用蒙特卡罗法进行样本仿真的过程实际上是针对不同指标的分布模型仿真模拟样本,并组合得到指标体系的大量样本,因此样本仿真的核心是建立各指标的概率分布模型。由于图像互信息系数、结构相似性系数、视觉显著性系数等指标均在[0,1],可以采用均匀分布U (0,1)近似模拟。下面推导证明温度平均偏差和温度离散偏差的概率分布模型。

证明 1 假设仿真图像温度分布t ₁～N (μ ₁,σ ₁),实际图像温度分布t ₂～N (μ ₂,σ ₂),分辨率均为M ×N ,则温度平均偏差T 近似满足

由于t ₁～N (μ ₁,σ ₁),因此有同理有所以有

将图像温度分布t ₁和t ₂看成大样本,因此可以采用样本方差代替正态分布变量的母体方差,即用和代替和所以有

PPOE模块实现了图像传输系统中数据解析的功能,其工作原理如图4所示。它在PCIE事务层上对数据做处理,解析TLP包头,提取TLP的负载数据pic_package,再对pic_package做包头卸载工作,提取出有效的图片数据,这与pic_package组包过程正好相反。

由温度平均偏差T 定义可知

出口方面已经临近尾期，截至上周，国内港口二铵存量在42万吨左右。虽然印度和巴基斯坦仍有新单出现，但是近期的出口价格一再下滑，企业的心态也有点稳不住了，目前出货量较少。据海关统计，1-8月份中国磷酸二铵出口总量为401万吨，和去年同期的397万吨相比基本持平。

μ ₁-μ ₂

2.问题的设置要有一定的启发性。教师在进行问题设置时必须注意其启发性，学生在思考的时候便会有一定的疑惑，这样很容易让学生为了问题进行争论，这样，学生的交流也会增多，学生的思维也很容易得到开发，比如说教师在教学时，设置问题启发学生进行思考，并对学生进行一定引导，这样学生在思考问题时，便会愿意更加积极地进行探索，从而不断提高自身的思维创造力和探究性思维。教师在设置问题时，应该设置一些灵活性比较强的题目，并对学生进行启发，教会学生举一反三，这样学生的思维会更加灵活，很容易学会一类题的解法。

因此可以得到T 近似满足

证明 2 假设仿真图像温度分布t ₁～N (μ ₁,σ ₁),实际图像温度分布t ₂～N (μ ₂,σ ₂),分辨率均为M ×N ,则温度平均偏差U 近似满足

由于t ₁～N (μ ₁,σ ₁),样本子样有同理对t ₂有

（2）计算网格 ui|i=1，2，…，2d的矢量坐标，记为c0-gi，c0 为SU={u1，u2，…，u2d}中网格的公共顶点，根据各网格的矢量坐标计算网格滑动的方向矢量

2.2 基于极限学习机的评估网络训练过程

对于含有N 个相互独立样本的数据集{x _i ,t _i }(i =1,2,…,N ),其中输入x _i =[x _i1 ,x _i2 ,…,x _in ]^T∈R ⁿ ,输出t _i =[t _i1 ,t _i2 ,…,t _im ]^T∈R ^m ,假设单隐层网络具有个隐层节点,对应激活函数为g (x ),则整个网络可建立数学模型如图1所示。

图1 单隐层网络结构图
Fig.1 Framework of single-hidden layer feed forward neural networks

(9)

式中,w _i =[w _i1 ,w _i2 ,…,w _in ]^T是连接输入节点与第i 个隐层节点之间的权重向量;β _i =[β _i1 ,β _i2 ,…,β _im ]^T是连接第i 个隐层节点与输出节点之间的权重向量;b _i 是第i 个隐层节点的阈值。

自学习阶段的主要目的是借助于自学习框架训练ELM评估模型。该框架包括蒙特卡罗仿真样本、网络决策模型以及ELM评估模型等3部分,其中网络决策模型用于对蒙特卡罗仿真样本进行相似性等级评估。主要包括基于训练集初始训练评估网络,并初始化决策模型;基于蒙特卡罗法随机模拟大量指标数据,并由决策模型进行相似性等级评定,从而生成大量仿真样本;采用仿真样本进行评估模型训练,并将每次循环训练后的网络作为下一轮的网络决策模型;以“训练正确率达到99%”建立结束准则,如果训练结果不满足结束准则,则继续训练网络直到满足结束条件。

对于训练完成的网络,在进行相似性评估等级评估时,采用上述评价指标体系指标作为ELM网络输入,输出结果即为评估相似性等级。

2.3 基于自更新单隐层网络的仿真样本评估过程

仿真样本评估模型用于对每次蒙特卡罗生成的仿真样本进行相似性等级评估,并用于训练ELM网络。由于样本数据包括指标值和评估相似性等级两部分,因此每次训练后的ELM单隐层网络实际上具有一定的相似性评估能力,可以采取每轮训练后的单隐层网络评估下一个循环中的仿真样本。因此,在每次训练后本文采取ELM网络实现对仿真样本评估模型的实时更新,并采取初始训练后的ELM网络作为初始化仿真样本评估模型。

3 红外仿真图像相似性评估方法

对于红外场景仿真效果评估问题,评估的最终目的是实现对仿真图像与实际图像相似性等级的划分。在上述建立的自学习框架的基础上,提出了一套完整的仿真评估算法,用于指导整个模型训练和测试过程。该算法包括样本评定、自学习以及评估模型测试等3个阶段,具体框架如图2所示。

又则有

图2 仿真图像相似性评估框架
Fig.2 Framework of evaluating similarity of simulation images

样本评定阶段的主要目的是结合专家评级实验得到小批量原始样本,用于后续自学习框架的初始化以及评估模型测试。主要包括提取红外仿真图像和对应的实际图像组成基础图像样本,并采用典型噪声模型分别进行失真处理得到失真图像样本,二者共同组成原始图像样本;邀请多位专家根据人为定义的相似性等级对原始图像样本进行等级评定实验,得到对应的红外仿真图像相似性等级数据;将图像样本与对应相似性等级数据共同组成原始样本,并按比例分配为训练集和测试集,分别用于后续模型训练和测试。

分别将仿真样本的评价体系指标值、对应的相似性等级作为网络输入和输出,由于上述建立的评价指标体系包括5种指标、相似性等级人为设定为4级,因此输入结点数n =5,输出结点数m =4。训练过程实际上是在随机选择的基础上优化β _i ,使得网络输出和样本实际输出最接近。通过最优化求解,可知最优式中

评估模型测试阶段的主要工作是测试ELM模型的评估效果。利用评估模型对测试样本进行相似性等级评估,将输出结果与测试集中的专家评定结果进行比对。本文采用专家评定结果作为参考标准,因此比对的正确率能够客观反应评估模型对测试集评估能力的好坏。此外,训练完成后的评估模型能够自主进行类似面向视觉相似的红外仿真效果的评估,无须专家再次干预。

4 实验与分析

为实现对某工程大场景空中角度红外仿真效果的评估,通过外场试验获取了目标区域的低空可见光和红外影像,并进行了几何校正、配准、拼接等预处理工作以保证图像质量满足仿真要求。基于目标区域的可见光影像、三维地形、目标的三维模型等数据,采用专业仿真软件JRM完成了对目标场景的红外仿真建模,并提取与仿真场景对应的实际红外图像,结合仿真图像和实际图像评价红外场景仿真效果。

4.1 专家评定实验

专家评定实验的目的是对提取的原始图像样本进行打分评定,为后续评估模型的训练和测试提供基础数据。首先提取目标场景中3块典型区域、3个典型时刻、中波和长波仿真图像和对应的实际图像,共18组基础图像样本,并采用高斯、瑞利、伽马、指数、均匀以及椒盐等6种典型噪声模型、按照4种等级程度分别进行失真处理,得到432组失真样本,二者组成共计450组原始图像样本。同时我们根据专家经验将红外场景仿真效果分为4个等级,并邀请20名专业人员分别对450组图像进行相似性等级评定,并对按照“少数服从多数”的原则进行统计。基础图像样本的专家评定结果如表1所示。

表1 专家评定结果统计

Table 1 Statistic results of artificial assessment

4.2 仿真图像相似性等级评估实验

对于采集的数据样本,随机选择225组图像作为初始训练集,剩下225组作为测试集。为充分展示训练过程,在每一轮“仿真-评估-网络训练”循环过程完成后对测试集进行评估,并采用训练正确率和测试正确率分别表征模型对仿真样本和测试集的评估效果。实验结果如表2所示。

4）推进节能工作深入开展的需要。随着一些投入少、见效快的节能项目大量实施，企业内部挖潜难度加大；同时，部分所属单位受到投资规模、技术认知限制，导致资金、技术、管理的不足，节能工作遇到了瓶颈。如何打破僵局，开拓节能管理新模式，推进节能工作持续、深入开展，是亟待突破的课题。

BIM技术作为一种用于建筑工程施工、设计以及后期整体工作管理的信息模型技术，其在实际进行运用时，具有显著可视化、协调性与模拟性的使用特点，使得其能够将建筑工程全过程做到精细化的项目管理，进而避免建筑工程出现建设质量低与效率不高的情况。目前在BIM技术的进一步推进与发展下，BIM技术在建筑工程中的应用日益广泛，而合理利用BIM技术进行建筑过程项目管理，也利于推进建筑工程向着精细化管理的方向进行转变。对此，为促使BIM技术能够在建筑工程全过程精细化项目管理中，发挥有效的作用与优势，本文主要切实于BIM技术的应用角度进行了相关探析。

表2 训练样本容量与正确率关系

Table 2 Relationship between training sample size and correctness

可以看到,采用初始训练集训练得到的训练正确率为88.16%,测试正确率为39.98%,不满足训练结束准则。随着训练样本容量的增加,训练正确率和测试正确率呈上升趋势。当训练样本容量达到6 600时,训练正确率为99.06%,满足训练终止条件,此时测试正确率为83.56%,比未经训练情况下有明显提升。这说明经过自学习训练后ELM网络的评估正确率得到了提升,与专家评定结果的一致性得到了提高。这主要是自学习训练能够进一步优化评估模型的网络结构,提高评估模型的正确率。随着自学习过程的进行,训练样本容量不断增加,增强了ELM评估网络的泛化能力,提高了对仿真样本和测试集的评估效果。当训练正确率接近于1时,表明网络的泛化能力达到极限,因此测试正确率也趋近于定值。

4.3 评估模型适用性实验

上述实验中测试集与训练集来自于同一组样本,因而具有一定的关联性。为进一步测试上述训练后的评估模型的适用性,基于评价指标的统计模型随机生成样本进行评估实验。重复开展50次评估实验,得到样本容量与训练正确率、测试正确率均值的关系如图3所示。

2.2.1 心理支持:膀胱癌患者病情长、恶性程度高、膀胱电切患者易复发、化疗时间长、膀胱全切患者有腹壁膀胱造瘘口患者护理不好易发生并发症,患者易产生无望、紧张的心理,另外,少数患者对疾病不重视依赖性差,化疗不坚持,护士应了解患者的心理状态,调动家庭支持,稳定患者的情绪,给于正确的指导。

图3 自学习过程中正确率的变化曲线
Fig.3 Curve of the correct rate in the self-learning process

根据实验结果可以看到,随着仿真样本容量的增加,训练正确率不断提高且趋于100%,测试正确率不断提高且趋于65%。这不但再次说明了自学习框架有助于提高训练效果和测试效果,而且表明上述评估模型适用性好,可直接对类似样本进行红外场景仿真效果评估,而且评估结果具有一定的参考价值,评估过程完全自主进行,不需要专家干预。可以发现测试正确率小于仿真图像相似性等级评估实验中的83.56%,这主要是由于训练样本与测试集的关联性高,与随机生成样本的关联性小,因而对前者的评估正确率更高。但是由于评估模型具有一定的泛化能力,因而也能够适用于对随机样本的评估。

5 结 论

对于红外场景仿真效果评估问题,结合机器学习方法,提出了基于自学习框架的红外仿真图像视觉相似性评价方法。结合实验结果,可以得到以下结论:

(1) 基于适用于小样本学习的ELM模型,提出了包括蒙特卡罗样本仿真、ELM评估以及仿真样本评估模型等3部分在内的自学习训练框架,通过自学习过程能够有效提升模型的评估效果。但是评价结果的准确率仍有待提高,自学习框架还需要进一步优化。

(2) 以自学习框架为基础,提出了包括专家样本评定实验、自学习训练、评估模型测试等3个阶段在内的红外仿真图像相似性评估方法。实验结果表明,训练后的ELM模型适用性强,可以独立进行红外场景仿真效果评价,不再需要专家经验参与评估过程,且模型评估结果具有参考价值。虽然对随机样本的评估正确率只有65%,但为红外场景仿真效果评价问题提供了一种新的解决思路。

参考文献 ：

[1] 杨妹,杨山亮,许霄,等.面向高层辅助决策的作战分析仿真系统框架[J].系统工程与电子技术,2016,38(6):1440-1449.

YANG M, YANG S L, XU X, et al. Framework of operational simulation in high level decision-making system[J]. Systems Engineering and Electronics, 2016, 38(6): 1440-1449.

[2] 焦松,李伟,杨明.基于经验模态分解和灰色关联度分析的仿真模型验证方法[J].系统工程与电子技术,2013,35(12):2613-2618.

JIAO S, LI W, YANG M. Validation of simulation models based on empirical modal decomposition and grey relevance analysis[J]. Systems Engineering and Electronics, 2013, 35(12): 2613-2618.

[3] 王霞,汪昊,徐超,等.红外场景仿真技术发展综述[J].红外技术,2015,37(7):537-543.

WANG X, WANG H, XU C, et al. Overview on development of infrared scene simulation[J]. Infrared Technology,2015,37(7): 537-543.

[4] 方浩,李艾华,潘玉龙,等.面向视觉相似的红外伪装仿真效果评估[J].兵工学报,2017,38(2):351-357.

FANG H, LI A H, PAN Y L, et al. The effect evaluation of infrared camouflage simulation system based on visual similarity[J]. Acta Armamentarii, 2017, 38(2): 351-357.

[5] 句彦伟,张燕.IASR图像质量评估方法[J].系统工程与电子技术,2015,37(2):297-303.

JU Y W, ZHANG Y. Research on ISAR image quality evaluation[J]. Systems Engineering and Electronics, 2015, 37(2): 297-303.

[6] 侯旺,梅凤华,陈国军,等.基于背景最佳滤波尺度的红外图像复杂度评价准则[J].物理学报,2015,64(23):234202.

HOU W, MEI F H, CHENG G J, et al. An evaluation criterion of infrared image complexity based on background optimal filter scale[J]. Acta Physica Sinica,2015, 64(23): 234202.

[7] 娄树理,韩艳丽,任建存,等.基于结构相似度和保真度的红外成像传感器仿真评价方法研究[J].红外,2015，30(2):30-35.

LOU S L, HAN Y L, REN J C, et al. Research on evaluation method of simulation of infrared imaging sensor based on structural similarity and fidelity[J]. Infrared, 2015,30(2): 30-35.

[8] 查亚兵,唐见兵.基于主观综合评判的作战仿真可信度评估方法研究[J].国防科技大学学报,2010,32(6):153-157.

ZHA Y B, TANG J B. Research on a credibility evaluation method for warfare simulation based on the subject integrate judgment[J]. Journal of National University of Defense Technology, 2010, 32(6): 153-157.

[9] 吕绪良,林伟,许卫东,等.应用迭代自组织数据分析技术模糊聚类法划分伪装效能等级[J].兵工学报,2005,26(5):681-684.

LU X L, LIN W, XU W D, et al. Applying the fuzzy clustering analysis of ISODATA to the classification of camouflage effectiveness[J]. Acta Armamentarii, 2005, 26(5): 681-684.

[10] 张忠.仿真系统可信度评估方法研究[D].哈尔滨:哈尔滨工业大学,2014.

ZHANG Z. Research on evaluation method for credibility of simulation system[D]. Harbin： Harbin Institute of Technology, 2014.

[11] 曾艳阳,贾盼盼.基于改进灰色聚类的三维视景效果评估方法[J].系统仿真学报,2015,27(10):2497-2501.

ZENG Y Y, JIA P P. Evaluation method of dimensional visual effects based on improved grey clustering[J]. Journal of System Simulation, 2015, 27(10): 2497-2501.

[12] MARTENS J, PUT F, KERRE E. A fuzzy-neural resemblance approach to validate simulation models[J]. Soft Computing, 2007, 11(3): 299-307.

[13] 李宏宁,白廷柱,曹峰梅,等.用于场景仿真的红外成像模型及其有效性分析[J].红外与毫米波学报,2010,29(2):57-62.

LI H N, BAI T Z, CAO F M, et al. Infrared imaging model for scene simulation and its validation[J]. Journal of Infrared and Millimeter Waves, 2010, 29(2): 57-62.

[14] JOHNSTON L, SCHRUBEN L, YANG A, et.al. Establi-shing the credibility of a biotech simulation model[C]∥Proc.of the Winter Simulation Conference, 2008: 822-826.

[15] KLEIJNEN J P C, SARGENT R G. A methodology for fitting and validating meta-models in simulations[J]. European Journal of Operational Research, 2000, 120(1): 14-29.

[16] HUANG G, HUANG G B, SONG S J, et.al. Trends in extreme learning machines: a review[J]. Neural Networks, 2015, 61: 32-48.

[17] ZHU W, LEVINSON S. Edge orientation-based multi-view object recognition[C]∥Proc.of the IEEE 15th International Conference on Pattern Recognition, 2000: 936-939.

[18] ENGELKE U, KAPRYKOWSKY H, ZEPERNICK H, et al. Visual attention in quality assessment[J]. IEEE Signal Processing Magazine, 2011, 28(6): 50-59.

[19] ZHANG L, SHEN Y, LI H Y. VSI: a visual saliency-induced index for perceptual image quality assessment[J]. IEEE Trans.on Image Processing, 2014, 23(10): 4270-4281.

[20] ZHANG L, GU Z Y, LI H Y. SDSP: a novel saliency detection method by combining simple priors[C]∥Proc.of the IEEE International Conference on Image Process, 2013: 171-175.

Evaluation for infrared scene simulation based on self-learning framework

FANG Hao^1,2, LI Aihua¹, PAN Yulong², WANG Xuejin², HE Chuan¹, WU Yuanjiang³

(1.Rocket Force University of Engineering ,Xi ’an 710025,China ; 2. Engineering Design Institute of Rocket Force Research Academy ,Beijing 100011,China ; 3. Unit 31632of PLA ,Kunming 650212,China )

Abstract : In order to reduce the influence of subjective cognition on infrared camouflage simulation evaluation, an evaluation method based on self-learning framework is proposed. Firstly, from the perspective of visual comparation between the simulation image and its corresponding actual image to measure the simulation results, focusing on visual similarity, the infrared camouflage simulation evaluation index system is established. Secondly, an evaluation model is established with extreme learning machine (ELM), and a self-learning framework is proposed to generate simulation samples and strengthen the training of ELM, including Monte-Carlo simulation, ELM evaluation network and a self-updating evaluation model for simulation samples, Thirdly, due to the small number of actual samples, a new method of evaluating the similarity of simulation images, including three stages of the sample evaluation, self-learning and network evaluation is puts forward on the basis of the artificial evaluation experiment. Realizing the automation from samples generation to evaluation. Experimental results not only confirm that the proposed self-learning framework can significantly improve the accuracy of the evaluation model, but also show that the practiced evaluation model can be used to evaluate the simulation effects of infrared camouflage independently with strong applicability.

Keywords : infrared scene simulation; self-learning; extreme learning machine (ELM); visual similarity

中图分类号 : E 951.4

文献标志码: A

DOI: 10.3969/j.issn.1001-506X.2019.02.07

文章编号 :1001-506X(2019)02-0266-07

网址: www.sys-ele.com

收稿日期 :2017-09-11;修回日期:2018-12-07;网络优先出版日期 :2018-12-28。

网络优先出版地址 :http:∥kns.cnki.net/kcms/detail/11.2422.TN.20181228.1418.011.html

基金项目 :国家自然科学基金(61773389);装备科学研究项目(EP133061)资助课题

作者简介 ：

方 浩 (1991-),男,博士研究生,主要研究方向为红外仿真、图像处理。

E-mail: fanghao_502@163.com

李艾华 (1966-),男,教授,博士研究生导师,主要研究方向为图像处理和数字信号处理。

E-mail: tech_commu@163.com

潘玉龙 (1978-),男,硕士,主要研究方向为伪装设计与效果评估。

E-mail: fanghao_502@163.com

王学进 (1964-),男,高级工程师,硕士,主要研究方向为伪装设计与效果评估。

E-mail: fanghao_502@163.com

何 川 (1985-),男,讲师,博士,主要研究方向为图像处理与模式识别。

E-mail: fanghao_502@163.com

吴元江 (1980-),男,工程师,博士,主要研究方向为伪装设计与效果评估。

E-mail: fanghao_502@163.com

标签：红外场景仿真论文;  自学习论文;  极限学习机论文;  视觉相似论文;  火箭军工程大学论文;  火箭军研究院工程设计研究所论文;  中国人民解放军31632部队论文;