光学图像伪装效果评估研究现状及关键问题
甘源滢，刘春桐，李洪才，马世欣
(火箭军工程大学 导弹工程学院，陕西 西安 710025)
摘 要 ：基于光学图像分析的目标伪装效果评估对于提高现役主战装备在战场上的生存能力有重要的指导意义，是军事国防领域中研究的热点问题之一。为了给目标探测与识别、伪装方案设计等相关领域研究学者提供参考，对传统光学伪装效果评估模型、神经网络评估模型、基于人眼视觉注意机制模型以及多属性决策模型进行了介绍，阐述了目前国内外典型评估方法的基本思路及应用，分析了不同模型的特点和不足以及光学伪装效果评估面临的问题。在此基础上，指出模型训练样本的获取和模型参数的自适应性以及运动目标伪装评估的时效性是未来伪装效果评估的研究重点。
关键词 ：兵器科学与技术；光学图像分析；伪装效果评估
引言
在现代化战争中，伪装作为干扰敌军探测、保护我方作战设备及人员的有效手段，一直是国防领域的研究热点[1-3]。层出不穷的高精尖技术侦察设备对伪装技术的发展不仅是挑战，也是促进[4-5]。事先对现役主战装备的伪装效果进行评估，有利于改进我方在现代化作战中所暴露的不足，而客观有效的评估标准则有利于指导、改进伪装技术，从而加快作业速度，提高战场生存能力[6-7]。伪装评估模型根据目标属性不同可以分为静态伪装效果评估和动态伪装效果评估两类。前者是针对伪装目标在固定场景隐蔽性能的评估，后者则是用于综合伪装目标在机动作业状态下的暴露概率。
传统的评价指标线性加权模型凭借其信息易获取、模型易构建以及数据易计算等优点，广泛应用于光学图像伪装效果评估。该方法的核心思想是选取恰当的评价指标描述伪装目标和背景间的相似度[8-20]，因计算过程过于简单，缺乏理论基础，王贺等利用容限近集理论[21-24]中的感知容限关系描述伪装目标与背景的不可分辨性，但模型参数的快速确定成为新问题。20世纪末，神经网络的引入[25-30]打破了光学图像伪装评估的传统，凭借其在训练中能改变指标权重的特点，使得评估模型能够在训练学习中不断更新。考虑到现代化战场的生存法则，基于有限时间搜索模型为伪装效果评估开辟了一条新道路[31-38]。由于伪装效果的评估结果为伪装图案的设计提供了可靠依据，因此将伪装评估转换为多属性决策问题[39-46]能够有效选取融合度最高的伪装图案。
以上相关研究均基于静态伪装效果评估，虽然取得了一定的研究进展，但系统的总结和分析仍然相对欠缺。除此之外，无论是作战人员或装备，在战场中都处于机动作业状态，目前对于复杂背景下运动目标的伪装效果评估[47-48]尤其匮乏。有鉴于此，论文系统地阐述了光学伪装效果评估模型，综述了国内外的研究成果，依次对几种典型方法进行分析，并提出静、动态目标基于光学图像伪装效果评估模型未来发展所面临的关键问题。
1 静态光学图像伪装评估
传统的光学伪装评估方法从三个方面考虑[3]，一是伪装目标的视度(能见度)计算，即伪装目标可被探测设备发现的距离阈值；二是伪装目标与四周区域背景之间的相似性度量；三是伪装目标的光学发现概率：由若干名专家在给定观测距离上采用裸眼或光学侦察器材观察目标，经判读得到发现概率，用于伪装效果的评估。其中视度计算与客观天气、大气环境相关，发现概率受观察者主观因素影响，二者的共同点在于可控参数少，一经确定时间、环境及观测人员，视度和发现概率均为定值，即无法有效实现定量的伪装效果评估。为此，专家学者的研究重点旨在定量描述目标与背景之间的相似度。
1.1 评价指标线性加权模型
评价指标是用来描述区别目标和背景的典型性特征，为解决单一指标缺乏客观性的问题[8-9]，WANG J.等人开始综合多指标进行伪装效果评估[10]，该方法可归纳为评价指标的线性加权模型。该模型针对特定的背景和目标选取具有代表性指标进行加权求和，得到综合评价指标，实现对伪装效果的定量评估，一般表现形式为
(1)
式中:I e 表示综合评价指标；w i 为第i 个指标I i 对应的权重值。
在线性加权模型中，首先选择具有代表性的目标和背景特征向量，包括颜色、亮度、纹理、形状、空间结构[11-16]等，除此之外，随着成像光谱仪的诞生，基于光谱图像[17]的伪装效果评估顺势占据主导地位，而光谱特征[18-20]则成为评价指标体系中必不可少的成员，将一系列特征指标进行初始量化后，了解各指标间的关系以及不同指标对评估结果的影响程度，采用客观构权法确定各指标的权重。
评价指标体系包含了有限多个描述目标表面属性的指标，不同指标对应的特征物理意义各不相同，且有其特定的变化规律，采用高斯归一化方法对评价指标体系各项进行预处理，将所有特征信息限定在同一变化幅值范围内，在进行相似性度量时确保各项指标具有相同地位等级。在实际应用中，考虑到各指标对效果评估结果的影响力不尽相同，而评价指标体系可以看作是一种描述目标相关信息的运载体，结合信息论与热力学中熵的定义，根据各指标提供给决策者的信息量大小确定各指标权重，这个构权过程即熵权法[12]。该方法确定的权重系数大小体现的是同一层次指标体系内的相互关系及重要程度，并非某项指标在实际意义上的重要性系数，而且这种方法对样本数据的完整性要求过高。
1.2 感知容限关系相似度模型
考虑到前景目标内部的特征信息被探测的难易程度也是评估方法的一项重要指标，Feng Xue等计算前景与背景之间的特征直方图，以此获得显著性特征，并将前景与背景之间的差异性和目标内部的特异性进行非线性融合，从而更完整的描述待评估图像的特征信息[34]。但非线性融合的参数需要实验确定，寻找科学合理的方法获取参数值是该方法面临的问题之一。
目前现役主战装备在机动状态下大都处于复杂多变的环境中，而动态场景中目标的伪装效果评估是目前亟待解决的问题。一方面，由于动目标伪装效果评估的先验信息嵌于序列图像中，且运动背景随时间变化，直接沿袭静目标伪装效果评估方法，通过计算前景与变化背景间的相似度来评估动目标不可避免存在一定的困难。另一方面，对动态场景建模是动目标伪装效果评估的核心，而在复杂的模型中真实地反映出数据的内在本质是动目标伪装评估面临的关键性问题。虽然，基于光学图像的静目标伪装效果评估模型已经逐步成熟，并取得了较好的应用效果，但鲜有学者对复杂背景下动目标的伪装效果评估进行建模。
Pinner脒合成法因操作简单、反应条件温和，且收率较高，已广泛应用于脂肪族、芳香族及杂环化合物的合成[4]，但合成过程中有干燥氯化氢气体参与反应。因氯化氢制备过程中产生较多“三废”，且反应周期长，对工业化生产设备要求较高，操作风险性较大等缺陷，王倩等[5]对Pinner法进行了改进，采用碱催化合成了两种脒盐，其反应方程式如下：
1.3 BP神经网络评估模型
基于有限时间搜索模型的伪装效果评估的重要意义在于，它反映了伪装目标暴露可能性在时间域的连续性，且符合人眼判别机制，尤其符合现代化战场的生存法则，为军事目标的评估模型开创了一个新的方向。
2.4 血清Hcy水平与脑梗死急性期时间以及颈动脉粥样硬化斑块形成的相关性分析 经Spearman秩次等级相关分析可得：血清Hcy水平与脑梗死急性期时间呈负相关，而与颈动脉粥样硬化斑块形成呈正相关。见表4。
神经网络在学习及训练过程中改变突触权重值的特点，使其具有较强的自适应和自组织能力。考虑到评价指标的复杂非线性关系，Traven H. G.等专家学者采用神经网络[25]构建评估模型，随后国内学者[26-27]也将融合后的评价指标体系作为神经网络的输入，并将已知对应样本评估结果作为网络的期望输出，传输路径从“输入层→若干隐层→输出层”，得到实际输出并与期望值比较，若误差大于设定阈值则对各隐层的权重值进行反馈修正，如此进行大量训练得到优化后的模型，伪装评估效果真实度和可靠性较高。其评估模型的工作流程如图1所示。
图 1神经网络模型评估流程图
Fig .1Evaluation flow chart of neural network model
如图1所示，神经网络模型用于伪装效果评估分为三个主要阶段，学习阶段和训练阶段是保证评估模型客观准确的关键，神经网络的优势在于可以通过学习和训练使得模型中指标权重参数不断修正和完善，使得评估结果真实可靠。除此之外，Gretzmacher等提出训练神经网络模型的核心因素不止是评价指标的选取，观测者对于感兴趣区域的关注力度也是需要深入研究的一个分支[28]。Sten Nyberg进一步研究了感兴趣区域的大小对模型输出的影响[29]。
3) 视觉注意机制：采用显著性特征作为伪装目标属性，然后利用发现时间反映暴露概率，可全面描述不同效果的伪装目标在影像空间上的分布情况和暴露顺序。
神经网络模型的优势在于利用测试数据对模型进行训练，从而评估未知目标的伪装效果。但训练样本的数量和质量与评估结果的准确性成正比，而为模型提供大量可靠的已知样本数据是神经网络伪装评估模型的难点，这样的矛盾关系限制了神经网络评估模型在军事领域的广泛应用[30]。
1.4 人眼视觉注意机制
1.4.1 显著性特征
软件部分主要包括光纤连接信息采集、智能光纤托盘与单元控制器的485数据传输、485数据到蓝牙数据的转换以及手机端APP设计等。本文重点对光纤连接信息采集进行介绍。
由于人类视界范围有限，在一定探测范围内，无法直接描述捕获目标的显著性特征的时间顺序，基于人类视觉感知系统的评估模型实现了主观判决和客观分析的有机结合[31-32]。但这一概念的提出抛出了两个问题，一个是显著性特征的提取，一个是有限时间探测。为解决第一个问题，Qi J.等提出了图像分层概念，其核心思想是通过构建高斯低通金字塔式的分层图像，突出每层图像的显著性特征信息，定义中心层和边缘层的映射相似度，加权得到综合评价指标最终显著性映射[33]。
利用金字塔分层图像提取显著性特征时，遍历中心层和边缘层对应的每一个属性的差异度，因为最终的显著性特征指标是通过线性加权归类得到的，可以根据1.1节介绍的线性加权模型来获得适合各项指标的权重系数。
在企业发展进程中，天业集团始终把培养、造就一流人才与企业生产经营并重，积极探索和打造吸引人才的新途径，通过创新机制，与石河子大学联合开设“屯垦戍边班”、举办“知识竞赛”等方式，扎实推进企业文化进校园，以此吸引、培养和引进人才，这些宝贵的人才资源，成为支撑企业不断科学发展、持续创新的支柱。
伪装效果评估研究目标与背景的相似度判定，即研究粗糙集理论中的对象不可分辨性，容限近集理论[21-22]就建立在这个思想上。基于容限近集理论的伪装效果评估最重要的是找出所有容限近集类[23-24]。
1.4.2 有限时间发现概率模型
本来方玫去厂里没几个月，人还没混到多熟。再说，质检是按计件算工钱，谁陪着方玫去看病，谁的工钱就会变少。
现代化战争遵循“快”吃“慢”的规则，能够在完成作战任务前不被敌方侦察锁定，伪装的作战行动就能得到基本保障。Timothy C.等提出了时间限制搜索(TLS)模型在目标检测中的发展和应用[35]，该模型是为了更好地描述观察者在时间约束条件下的搜索行为而建立的。搜索过程的3个主要组成部分是：1) 平均检测时间(图像的特征)；2) 与虚警、误警信息相关的出现时间；3) 在进入另一个视场(FOV)之前搜索视场所花费的时间。
Tana Maurer等指出TLS模型描述了观察者在典型视场切换过程中的搜索响应[36]，大面积的搜索通常使用宽视场(WFOV)，而感兴趣的区域则用窄视场(NFOV)进行探测。宽视场用于探测感兴趣区域，窄视场用于确定潜在目标的属性，若反馈给系统虚警(FA)，则返回宽视场探测。这个搜索过程时间线如图2所示。
图 2TLS模型搜索过程时间线
Fig .2Search process timeline of TLS model
采用发现概率表征伪装目标在被探测过程中显著性特征被侦察的先后顺序[37-38]。有限时间搜索模型的概念是建立在经验公式之上，且人眼对伪装目标的发现概率依赖于观测时间，会随时间增加而增加。
评价指标之间不止存在横向并列关系，也有可能存在纵向递进关系，简单的线性加权模型无法描述不同评价指标之间的复杂非线性关系，这是影响传统评估方法客观有效性的重要原因。
1.5 多属性决策模型
上述评估方法建立在单一的目标和背景之间，若已知伪装要求及伪装等级，且存在多个伪装样本，采用不同评价指标评估伪装效果实际上就属于多属性决策问题[39-40]。区别于用综合评价指标描述伪装效果的方法，该模型首先需确定伪装效果等级，定义决策方案集和评价指标组成的属性集，并将两个集合实现多对多组合生成决策矩阵，最后通过计算加权灰关联系数对模型求解，过程如图3所示：
图 3多属性决策模型流程图
Fig .3Flow chart of multi-attribute decision-making model
考虑到属性权重信息的不确定性以及属性对方案的隶属度问题，Atanassov在Zadeh模糊集理论[41]的基础上提出直觉模糊集[42]，基本覆盖所研究方案属性的全部信息，在此基础上，Atanassov等又提出了区间直觉模糊集[43]，将隶属度限定在[0,1]闭子区间内，进一步增强直觉模糊集处理不确定信息的能力。
方浩等人利用直觉模糊集构建多属性决策模型，将各属性指标对于方案(即伪装效果等级)的隶属与非隶属程度归纳为决策矩阵，并根据伪装等级定义正、负理想方案。多属性决策过程本质上也是一种距离计算，通过计算不同方案与预设正、负理想方案之间的距离，表征二者之间的相似度关系，每个属性遍历后将所有结果进行排序，得到逼近理想解的最优决策方案。从评估流程可以发现，该模型的特点是“自底向上”，用结果匹配待分析方案，将确定伪装等级与决策矩阵中的方案进行接近度计算，即解决伪装等级范围内的凸优化问题[44-45]。
模糊熵用来刻画模糊集的信息量大小，Chen等系统分析了直觉模糊熵的不同测度对属性权重的影响，得出属性数量与属性权重分配之间的关系，并提出基于信息的可信度计算属性权重的方法。因此，下一步可以考虑将模糊熵应用于评估模型中[46]。
4.强化人才保障。一是要做好电子商务人才的引进工作，尤其要重视做好高端人才的引进工作，引进一批处于电子商务发展前沿、运行和管理经验丰富的优秀人才和团队。二是强化对电子商务人才的培训培养工作，注重发挥社会培训机构的作用，并加强与高校的战略合作，利用在渝高校的巨大人才资源优势，全方位培训电商从业人员，运用多种途径培养高级电子商务职业经理，打造一支高素质的电子商务专业人才队伍。三是探索完善电商人才“留住”机制，营造市内电商人才宜居宜业良好环境，为我市电子商务产业发展提供人才保障。
2 模型比较分析
综合以上相关研究的进展和动态，静目标伪装评估模型根据不同思路和方法主要可归结为四类(见表1)：
1) 线性加权模型：其处理策略基于目标伪装前后的差异，依据不同侧重点，将具有代表性的评价指标以不同权重整合，得到量化后的伪装效果分析。
2) BP神经网络：基于不同特征学习具有差异度的样本，融合训练后求同存异，使得模型具有自适应性。但由于样本不足的问题，其难点在于精确模型的建立。
①这项研究得到澳大利亚研究署（Australia Research Council）和儿童乐益会（中国）的支持，特此致谢。
数学的高效学习，需要兴趣的带动。很多小学生不爱学习数学，见了数字就头疼，这样如何能学好数学呢？对此，教师就应该把学生兴趣的激发作为教学的初衷，让兴趣引领学生，让数学的魅力充分展现在学生面前，只有寓教于乐，学生的学习效果才是高效的。
4) 多属性决策：计算不同方案与理想正负方案之间的距离描述不同样本之间的伪装效果优劣。不同于上述三种模型，多属性模型的使用前提是已知伪装评估等级，且其适用于多个待评估样本间的分析。
表1 静态光学图像伪装评估模型
Table 1 Camouflage evaluation models of static optical image
3 动目标伪装效果评估
具体思路如下：首先将待分析图像(单幅或多幅)分割成相同尺寸的若干子图，并用合理的方式选择评价指标分别对每个子图进行描述，反复计算每个子图与其余子图的感知容限关系≅B,ε ，最后通过计算f tNM≅B,ε (简记为tNM )得到待测目标与背景之间的近似测量值并对应伪装效果的优劣，tNM 值越大，相似度越高[11]。
伪装本质是应对侦察设备对特定区域的探测。基于此，在运动背景下检测动目标，将检测结果的好坏程度用于评估伪装效果，不仅使评估结果更客观，而且动目标检测过程耗用的时间也可以作为一项评估指标，使得评估结果更全面。
总体来看，在动态场景中检测动目标的研究主要集中在两个方面，一是通过对全局运动的估计和补偿实现动目标检测，二是基于光流约束方程，分析图像序列中各像素间的时间域变化和特征信息相关性，确定前景和背景。
3.1 全局运动背景建模
全局运动模型是采用顽健性估计方法得到完全来自背景区域的特征像素点，用于估计全局运动模型参数，接着利用仿射模型将空间三维运动近似描述为二维平面运动，建立相邻帧间具有近似运动状态的像素间关系，实现相邻帧间的背景匹配，由于仿射模型的有效性依赖于探测设备与目标场景间的距离足够远，所以全局运动模型的建立存在一定的局限性。同时，在模型参数估计的过程中，若存在部分前景目标特征像素点，将严重影响运动模型精确度。
相对于西方文化，中国传统文化有着自身的特殊性，“自强不息、厚德载物、父慈子孝、兄友弟恭、先天下之忧而忧，后天下之乐而乐”等都是中国传统文化的重要价值取向。中国传统文化更加注重人的思想道德素养，能够明确如何做人，如何成为有道德的人的方法。
3.2 光流法
用特征矢量描述图像序列检测空间中的运动目标，可以看作像素点特征信息在时域上的变化率，而这些矢量信息构成了描述各像素点运动状态的光流场。基于光流法的动目标检测的核心在于所建模型的生物合理性以及计算复杂度，根据不同的数学理论基础可分为四种类型，如表2所示。
总体来看，基于光流法的目标检测精度和时效性无法兼得，将不同方法相互融合，取长补短，是未来光流法的应用趋势。并且随着计算机视觉研究的不断深入，神经网络方法也将成为光流法发展的一个重要方向。
表2 光流计算方法
Table 2 Optical flow calculation methods
3.3 深度信息
以上所述检测方法均针对单探测源，运动场景由图像序列形式表现，将三维场景投影到二维图像这个过程将导致信息丢失，若考虑立体相机，通过增加视差添加深度信息，可以减少三维到二维目标投影的信息缺失，深度信息的使用能够提高检测的准确性，但同时增加了计算量。由于深度信息的获取是通过两个或多个镜头获取实时同步的图像计算所得，而深度信息的精度和测距密切相关，深度信息的价值随探测源与伪装目标之间距离的增加而减小。
4 结论
在实际应用中，针对不同的目标和背景选择合适的评价指标需要考虑的因素有很多，而指标融合、构建模型所涉及的方法方式都不是唯一确定的，因此，面临复杂多变的场景，伪装效果评估模型的建立仍旧存在很多关键问题，其中包括：
采用统一的1.5T磁共振成像系统对受查者进行3D-ASL、MRA、DWI、T1WI、T2WI及FLAIR扫描，3D-ASL采用FSE信息读取，带宽62.5，矩阵64×64，TE36.34ms，频率123.25，层数36，层厚4mm；对所得的图像交由放射科两位主任进行数据分析，对灌注区异常及狭窄异常情况进行分析[3]。
1) 神经网络模型的先验样本有限且质量不均一。由于实验平台建立在室外，这种做法不仅耗时、操作难度大而且探测仪器的配合及观测人员的主观判断都是影响神经网络模型学习和训练过程中样本准确度的因素。如何获得足够多的有效样本使得神经网络训练达到更接近实际伪装效果的评估结果是该方法面临最大的问题。
在生态文明建设已成为文明发展的新阶段，绿色发展已成为国家发展的战略模式的时代背景下，《民法典》不可能也不应该回避环境保护义务，避免出现立法理念偏差，最终导致制度缺失和法律漏洞。那么，《民法典》编纂过程中对待环境保护应秉持何种态度？环保规范于《民法典》中如何具体设计？这都是《民法典》必须直面的课题。对此，《民法总则》首先表明立场，从民法基本原则层面对生态环境保护进行私法回应，这种层级、内容的条款，在以前民事立法中尚未有过，属于创新。［8］67毕竟，民法基本原则纵贯全部民事立法，对各项民法制度的构建具有统率意义。［4］46
2) 合理确定模型待定参数。文中介绍的大部分评估方法都包含有若干个待定参数，而这些参数大部分都是经过重复性实验获得，如何实现模型相关参数的快速确定，以及面临复杂背景下参数自适应成为下一步研究的难点与重点。
3) 运动目标伪装效果评估[47-48]。其背景区域随目标的运动产生变化，考虑到这种情况，基于静态图像的伪装评估模型已无法满足，下一步的研究方向可以考虑以下3个部分：1) 基于动目标检测的伪装效果评估；2) 基于1.4.2小节提出的有限时间搜索模型，考虑如何实现将时间因子加入视频分析，增加模型应用的时效性；3) 采用立体相机获取场景内伪装目标的深度信息，提高目标与背景间的区分度。
由此可知，上面给出的利用加权和来确定校验码的方法，可以通过校验码检验出商品项目代码中单个的数码出错；也可以在商品项目代码中任意两个相邻的数码的数字之差的绝对值不等于5时，通过校验码检验出是否存在一对相邻的数码出现了交换次序的错误．
伪装效果评估在军事领域具有重要的理论价值和应用前景，是发展伪装技术必不可少的研究内容。论文对国内外现有典型的基于光学图像的伪装效果评估模型进行总结和分析，分析了不同模型的特点与不足，简要阐述了光学图像伪装效果评估模型面临的关键问题及发展趋势，并提出各类伪装模型参数的自适应性，基于神经网络评估模型对样本的依赖性以及针对运动目标伪装效果评估的时效性是下一步评估模型研究的重点。论文对光学图像的伪装效果评估模型的系统性介绍，对于了解目前市场上模型的成长现状和未来发展趋势有一定的指导性意义。
参考文献:
[1] ZHANG Jianchun.Camouflage camouflage technology[M]. Beijing: China Textile Press, 2002.
张建春.迷彩伪装技术[M]. 北京: 中国纺织出版社, 2002
[2] MERILAITA S, SCOTT-SAMUEL N E, CUTHILL I C. How camouflage works[J]. Philosophical Transactions of the Royal Society B: Biological Sciences 2017, 372(1724): 20160341.
[3] XING Xin. The basis of stealth camouflage technology [M]. Changsha: National University of Defense Technology Press, 2012.
邢欣. 隐身伪装技术基础[M]. 长沙: 国防科技大学出版社, 2012.
[4] YAN Yunhui, WANG Zhan, DONG Dewei. Current actuality and development tendency of military camouflage technology[J]. China Mechanical Engineering, 2012, 23(17): 2136-2141.
颜云辉, 王展, 董德威. 军事伪装技术的发展现状与趋势[J]. 中国机械工程, 2012, 23(17): 2136-2141.
[5] CHENG Gang, FANG Fan, NING Fei, et al. Study on performance of multi spectral reconnaissance of unmanned aerial vehicle[J]. Journal of Applied Optics, 2017, 38(5): 685-688.
成刚, 方帆, 宁飞, 等. 无人机载多光谱侦察效能研究[J]. 应用光学, 2017, 38(5): 685-688.
[6] SINGH S K, DHAWALE C A, MISRA S. Survey of object detection methods in camouflaged image[J]. IERI Procedia, 2013, 4: 351-357.
[7] YU Xun, YANG Ye, JIANG Xu, et al. Recognition of camouflage targets by polarization spectral imaging system[J]. Journal of Applied Optics, 2016, 37(4): 537-541.
于洵, 杨烨, 姜旭, 等. 基于偏振光谱成像的目标识别方法研究[J]. 应用光学, 2016, 37(4): 537-541.
[8] XU Weidong, LYU Xuliang, CHEN Bing, et al. A model based on texture analysis for the performance evaluation of camouflage screen equipment[J]. Acta Armamentarii, 2002, 23(3): 329-331.
许卫东, 吕绪良, 陈兵, 等. 一种基于纹理分析的伪装器材效果评价模型[J]. 兵工学报, 2002, 23(3): 329-331.
[9] RAGHU P P, YEGNANARAYANA B. Supervised texture classification using a probabilistic neural network and constraint satisfaction model[J]. IEEE Transactions on Neural Networks, 1998, 9(3): 516-522.
[10] WANG J Q, YAGI Y. Integrating color and shape-texture features for adaptive real-time object tracking[J]. IEEE Transactions on Image Processing, 2008, 17(2): 235-240.
[11] WANG He, BAI Tingzhu. Evaluation of optical camouflage based on tolerance nearness sets theory[J]. Acta Optica Sinica, 2012, 32(12): 128-133.
王贺, 白廷柱. 基于容限近集理论的光学伪装评价研究[J]. 光学学报, 2012, 32(12): 128-133.
[12] WANG Zhan, YAN Yunhui, JIAO Xueyong. Multi-index comprehensive evaluation of camouflage based on gray theory[J]. Acta Armamentarii, 2013, 34(10): 1250-1257.
王展, 颜云辉, 焦学勇. 基于灰色理论的迷彩伪装多指标综合评价[J]. 兵工学报, 2013, 34(10):1250-1257.
[13] LIN Wei, CHEN Yuhua, GAO Hongsheng, et al. A method of camouflage evaluation based on texture analysis model of Gabor wavelet[J]. Acta Armamentarii, 2007, 28(10): 1191-1194.
林伟, 陈玉华, 高洪生, 等. 基于Gabor小波纹理分析模型的伪装效果评价方法[J]. 兵工学报, 2007, 28(10): 1191-1194.
[14] TAN X Y, TRIGGS B. Enhanced local texture feature sets for face recognition under difficult lighting conditions[J]. IEEE Transactions on Image Processing, 2010, 19(6): 1635-1650.
[15] TRAN T, PHAM V, SHYU K. Image segmentation using fuzzy energy-based active contour with shape prior[J]. Journal of Visual Communication and Image Representation, 2014, 25(7): 1732-1745.
[16] REN Guangkuo. Camouflage effect visual analysis and evaluation technology and system for aerial reconnaissance[D]. Hangzhou: Zhejiang University, 2016.
任光阔. 面向空中侦查的伪装效果可视分析与评估技术和系统[D]. 杭州: 浙江大学, 2016.
[17] SONG Guilan, TANG Shunqing. A method of spectral pattern recognition for color camouflage[J]. Journal of Beijing Institute of Technology(Natural Science Edition), 1996, 16(6): 567-570.
宋桂兰, 汤顺青. 迷彩伪装的谱识别方法[J]. 北京理工大学学报, 1996, 16(6): 567-570.
[18] HUA Wenshen, YANG Jia, LIU Xun, et al. Camouflage assessment based on hyperspectral characteristics[J]. Journal of Applied Optics, 2013, 34(6): 964-967.
华文深, 杨佳, 刘恂, 等. 基于高光谱特征的迷彩伪装评价[J]. 应用光学, 2013, 34(6): 964-967.
[19] LIU Xun, HUA Wenshen, YANG Jia. Camouflage effect evaluation based on hyperspectral detecting technology[J]. Infrared and Laser Engineering, 2014, 43(10): 3228-3232.
刘恂, 华文深, 杨佳. 面向高光谱探测的伪装效果评价方法[J]. 红外与激光工程, 2014, 43(10): 3228-3232.
[20] GAO Wei, SUN Yifan, SUN Peng, et al. Quantitative evaluation of jamming effect on spectral imaging based on spectral similarity measure[J]. Acta Photonica Sinica, 2015, 44(12): 57-63.
高卫, 孙奕帆, 孙鹏, 等. 基于光谱相似性度量的光谱成像干扰效果定量评估[J]. 光子学报, 2015, 44(12): 57-63.
[21] CHEN Lin. Gestalt laws of proximity and similarity and tolerance spaces[J]. Acta Psychologica Sinica, 1984, 16(3): 259-266.
陈霖. 格式塔和容限空间[J]. 心理学报, 1984, 16(3): 259-266.
[22] SOSSINSKY A B. Tolerance space theory and some applications[J]. Acta Applicandae Mathematicae, 1986, 5(2): 137-167.
[23] PETERS J F, RAMANNA S. Feature selection: near set approach[M]//Lecture Notes in Computer Science. Berlin, Heidelberg: Springer Berlin Heidelberg, 2007: 57-71.
[24] SZ
Z, ZAKARIA A. Mild continuity properties of relations and relators in relator spaces[M]//Essays in Mathematics and its Applications. Cham: Springer International Publishing, 2016: 439-511.
[25] TRAVEN H G C. A neural network approach to statistical pattern classification by ‘semiparametric’ estimation of probability density functions[J]. IEEE Transactions on Neural Networks, 1991, 2(3): 366-377.
[26] XUE Jingjing, BAI Tingzhu, LI Guochen. Study for evaluation of camouflage material effectiveness[J]. Optical Technique, 2005, 31(3): 449-451.
薛晶晶, 白廷柱, 李国琛. 红外隐身材料隐身效果评价方法研究[J]. 光学技术, 2005, 31(3): 449-451.
[27] YU Jin, ZHU Lifan, DU Hailu. Evaluation model of optical camouflage effect based on BP neural network[J]. Shipboard Electronic Countermeasure, 2009, 32(6): 55-57.
于金, 朱立凡, 杜海璐. 基于BP神经网络的光学伪装效果评估模型[J]. 舰船电子对抗, 2009, 32(6): 55-57.
[28] GRETZMACHER F M, RUPPERT G, NYBERG S. Camouflage assessment considering human perception data[J]. Proceedings of SPIE-the International Society for Optical Engineering, 1998,3375:10.1117/12.327177.
[29] NYBERG S. Assessing camouflage methods using textural features[J]. Optical Engineering, 2001, 40(9): 1869.
[30] MONDAL A, GHOSH S, GHOSH A. Partially camouflaged object tracking using modified probabilistic neural network and fuzzy energy based active contour[J]. International Journal of Computer Vision, 2017, 122(1): 116-148.
[31] WANG Xin, WANG Bin, ZHANG Liming. Airport detection based on salient areas in remote sensing images[J]. Journal of Computer-Aided Design & Computer Graphics, 2012, 24(3): 336-344.
王鑫, 王斌, 张立明. 基于图像显著性区域的遥感图像机场检测[J]. 计算机辅助设计与图形学学报, 2012, 24(3): 336-344.
[32] SATOH S, MIYAKE S. A model of overt visual attention based on scale-space theory[J]. Systems and Computers in Japan, 2004, 35(10): 1-13.
[33] QI J, XU L L, CHAO W. Evaluation of engineering camouflage effectiveness based on human visual attention mechanisms[C]//2011 International Conference on E-Business and E-Government (ICEE). USA: IEEE, 2011.
[34] XUE F, YONG C X, XU S, et al. Camouflage performance analysis and evaluation framework based on features fusion[J]. Multimedia Tools and Applications, 2016, 75(7): 4065-4082.
[35] EDWARDS T C . NVESD time-limited search model[J]. SPIE, 2003(5076): 53-59.
[36] MAURER T, WILSON D L, DRIGGERS R G. Search and detection modeling of military imaging systems[J]. Optical Engineering, 2013, 52(4): 041108.
[37] GROVE E. AMSAA technical report No. TR-731, validation of the search and target acquisition (STA) time-limited search model for target detection[R]. [S.l.]:[s.n.], 2003.
[38] PHAM P, NGUYEN D, DO T, et al. Evaluation of deep models for real-time small object detection[M].Neural Information Processing. Cham: Springer International Publishing, 2017: 516-526.
[39] SAATY T L. A scaling method for priorities in hierarchical structures[J]. Journal of Mathematical Psychology, 1977, 15(3): 234-281.
[40] LIAO H C, XU Z S, XIA M M. Multiplicative consistency of hesitant fuzzy preference relation and its application in group decision making[J]. International Journal of Information Technology & Decision Making, 2014, 13(1): 47-76.
[41] ZADEH L A. Is there a need for fuzzy logic?[J]. Information Sciences, 2008, 178(13): 2751-2779.
[42] ATANASSOV K T. Intuitionistic fuzzy sets[J]. Fuzzy Sets and Systems, 1986, 20(1): 87-96.
[43] ATANASSOV K, GARGOV G. Interval valued intuitionistic fuzzy sets[J]. Fuzzy Sets and Systems, 1989, 31(3): 343-349.
[44] WANG He, BAI Tingzhu. Infrared camouflage image evaluation using atanassov’s intuition fuzzy sets[J]. Infrared Technology, 2012, 34(3): 181-184.
王贺, 白廷柱. 基于直觉模糊集的红外图像伪装评价研究[J]. 红外技术, 2012, 34(3): 181-184.
[45] FANG Hao, LI Aihua, WANG Tao, et al. Synthetic evaluation method of hyperspectral camouflage effect based on intuitionistic fuzzy decision[J]. Laser & Optoelectronics Progress, 2019, 56(5): 73-80.
方浩, 李艾华, 王涛, 等. 基于直觉模糊决策的高光谱伪装效果综合评估方法[J]. 激光与光电子学进展, 2019, 56(5): 73-80.
[46] CHEN Q, XU Z S, LIU S S, et al. A method based on interval-valued intuitionistic fuzzy entropy for multiple attribute decision making[J]. Information: an International Interdisciplinary Journal, 2010, 13(1): 67-77.
[47] YIN J Q, HAN Y B, HOU W D, et al. Detection of the mobile object with camouflage color under dynamic background based on optical flow[J]. Procedia Engineering, 2011, 15: 2201-2205.
[48] KASTURI R, GOLDGOF D, SOUNDARARAJAN P, et al. Framework for performance evaluation of face, text, and vehicle detection and tracking in video: data, metrics, and protocol[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2): 319-336.
[49] WANG Chao, JI Ming, WANG Jiaoying, et al. Multi-target detecting algorithm based on digital image[J]. Journal of Applied Optics, 2015, 36(3): 386-390.
王超, 纪明, 王娇颖, 等. 一种基于数字图像的多目标检测方法[J]. 应用光学, 2015, 36(3): 386-390.
[50] LAI Lijun, XU Zhiyong, ZHANG Xuyao. Improved gradient optical flow for digital image stabilization[J]. Infrared and Laser Engineering, 2016, 45(4): 273-279.
赖丽君, 徐智勇, 张栩铫. 应用于稳像系统中的改进梯度光流法[J]. 红外与激光工程, 2016, 45(4): 273-279.
[51] FU Qiongying, YU Xuchu, HU Wenda, et al. A large displacement variational optical flow based on features matching[J]. Journal of Geomatics Science and Technology, 2013, 30(1): 54-57.
付琼莹, 余旭初, 胡闻达, 等. 一种基于特征匹配的大位移变分光流方法[J]. 测绘科学技术学报, 2013, 30(1): 54-57.
[52] ZHANG Congxuan. Research progress in image sequence variational optical flow calculation technology[J]. Journal of Electronic Measurement and Instrument, 2015(6):793-803.
张聪炫. 图像序列变分光流计算技术研究进展[J]. 电子测量与仪器学报, 2015(6):793-803.
[53] QIN Renzhi. Research on optical flow calculation technology of image sequence based on guided filter[D]. Nanchang: Nanchang Hangkong University, 2017.
覃仁智. 基于引导滤波的图像序列光流计算技术研究[D]. 南昌: 南昌航空大学, 2017.
[54] CHU Wei. Vehicle recognition based on optical flow algorithm[D]. Suzhou, China: Soochow University, 2016.
褚玮. 基于光流算法的汽车识别研究[D]. 苏州: 苏州大学, 2016.
Research status and key issues of optical image camouflage effectiveness evaluation
GAN Yuanying，LIU Chuntong，LI Hongcai，MA Shixin
(Missile Engineering College, Rocket Force University of Engineering, Xi’an 710025, China)
Abstract :Evaluation of camouflage effectiveness based on optical image analysis has an important guiding significance to improve the survivability of main battle equipment in the battlefield, and it is one of the hot issues in the field of military defense. To facilitate researchers in related fields, the evaluation methods and research progress of optical camouflage effect are introduced briefly, such as conventional method, neural network evaluation model, human visual attention mechanism model and multi-attribute decision model. Then the basic ideas and applications of typical evaluation methods are expounded. After that, the characteristics and deficiencies of different models and the problems faced by the evaluation of optical camouflage effects are analyzed. On this basis, it is pointed out that the acquisition of training samples, the adaptability of model parameters and the timeliness of motion target camouflage evaluation are the research focuses of future camouflage effect evaluation.
Key words :armament science and technology; optical image analysis; camouflage effectiveness evaluation
中图分类号: TN203;E951.4
文献标志码: A
DOI: 10.5768/JAO201940.0602002
文章编号: 1002-2082(2019)06-1050-09
收稿日期： 2019-06-17；修回日期： 2019-08-16
基金项目： 军队“十三五”装备预研课题(30406020403)
作者简介： 甘源滢(1993-)，女，博士研究生，主要从事光学图像伪装效果评估、高光谱图像处理与应用研究。E-mail：yiran_gan@sina.cn
标签：兵器科学与技术论文; 光学图像分析论文; 伪装效果评估论文; 火箭军工程大学导弹工程学院论文;