CN104318570A - 一种基于背景的自适应迷彩伪装设计方法 - Google Patents

Abstract

本发明公开一种基于背景的自适应迷彩伪装设计方法，该方法以基于像素点的纹理合成算法为基础逐个像素点去合成整个伪装图像，在合成过程中采用自行编码算法提取包含背景样本完整纹理特征的纹理基元并确定待合成像素点的邻域，利用邻域相关性原理及螺旋线补充搜索机制从背景样本中搜索出与目标像素邻域进行匹配的邻域，通过像素点与纹理相似性匹配准则进行相似性匹配，从中选取样本中最相似邻域下的像素作为合成像素，按照扫描线的顺序对目标图像的每一个像素进行合成，合成后采用聚类算法对图像进行颜色的量化生成最终的迷彩伪装图像。该方法能够根据背景快速合成与其相似的伪装图像，可以实现快速自适应伪装目标的应用目的。

Description

一种基于背景的自适应迷彩伪装设计方法

技术领域

本发明涉及一种基于背景的自适应迷彩伪装设计方法，具体说是一种基于图像处理中的纹理合成方法利用背景图像进行迷彩伪装图像设计的方法，可用于多种背景环境下活动军事目标的视觉伪装方案，也可配合一些柔性可变色材料进行目标的自适应伪装。

背景技术

伪装技术的发展是伴随着军事技术的进步而不断演进，不断提升的高精度侦察装备以及更准确的自动目标识别和自主攻击能力，都对军事目标的伪装质量和伪装效率提出了更高的要求，伪装设计方法的研究已经不仅仅局限于迷彩斑点的设计，伪装方案的设计必须从伪装质量的准确性以及伪装的实时性两个方面着手来适应高精度的战场环境，因此提出可行的伪装设计方法能够使装备表面与背景更好地融合并且更有效率地实施伪装已经成为军事科学界研究的热点问题。军事目标活动的背景多种多样，每一种背景表面在视觉上都呈现出独特的性质状态特点，因此如何能够生成与背景具有一致性状特征的伪装图像并且在背景发生变化时快速的生成伪装图像已成为具有挑战性的课题。

目前多数国家所采用的数码迷彩或变形迷彩主要利用与背景颜色相近的几种颜色色块和变形图案来表达整个伪装图像，尽管在颜色上与背景相近而且也能起到模糊目标轮廓的作用，但是仅仅依靠有限的图形和色块难以表达背景的性状信息，因此在高精度的侦察环境下容易被识别出。而基于图像分割的迷彩伪装设计方法尽管能够让斑块形状与背景物体的外形相类似，但是分割图像的准确性以及算法实现的效率都难以满足自适应伪装的需求。性状特征是区别物与物之间外观区别的根本属性，当两个物体具有同一种性状特点的外观时就可以认为两者是同一种类别的物体，在视觉领域，纹理是表达事物性状特点的视觉特征，因此生成与背景纹理特征相似的伪装图像能够满足目标与周围环境的融合性。

基于样本的纹理合成(Texture Synthesis from Samples,TSFS)是近些年发展的一种纹理合成技术，它是以马尔科夫随机场模型为基础的图像合成方法，该方法仅仅需要一小幅输入样本纹理就可以合成任意尺寸拼接自然的纹理合成图像，最初是由Efros等人提出并用于纹理图像的合成。纹理合成方法可以分为基于像素点的合成和像素块的合成。基于像素点的合成就是以每一个像素为合成单元，将被合成像素与样本中具有相同形状邻域的像素进行比较，确定最佳匹配的像素进行合成的方法。基于像素块的纹理合成以众多相邻像素点的集合为合成单元，每进行一次合成都将整个像素集合块复制到目标位置。基于像素点的纹理合成方法更适于合成随机性较强的纹理，而基于像素块的纹理合成方法更适于合成结构性较强的纹理。对于迷彩伪装图像的设计来说，其大部分背景为自然随机性纹理，所以利用基于像素点的纹理合成方法来进行伪装图像的设计。

基于像素点的纹理合成方法应用于迷彩伪装设计时也存在着自身的不足，无论采用遍历样本邻域方式还是基于树结构矢量量化加速方法又或者采用邻域像素相关性进行搜索匹配，在每一次合成过程中都要进行很多次匹配才能确定最佳的合成像素，这影响了合成效率，从而达不到快速合成图像的目的。另外，选择合成像素邻域时，邻域大小的选择只能根据用户自行确定，因此并不一定能够通过一次合成就能得出最佳的结果，若邻域选取过小，匹配并不能包含完整的样本纹理特征使得合成结果不准确，若邻域选取过大，则会大幅增加匹配的时间从而使合成时间增加影响合成效率。另外进行相似性匹配时，通常采用像素的L2距离进行，并选取距离最小的像素点为最佳的合成像素，但是L2距离的求和特性使得在匹配时并不一定能够完全反应出样本纹理的局部变化规律，尤其对于纹理变化比较复杂对比度较高的样本图像来说容易出现匹配错误的情况，从而影响合成的质量。

基于纹理合成方法生成的图像均为24位真彩图像，若想真实表达伪装图像，对于显示材料有极高的要求。目前的显示技术水平，无论是纯平显示器还是液晶显示设备，它们的显示效果都与真实环境有一定偏差，甚至在显示纯白画面时都可能出现偏黄、偏蓝甚至偏绿的情况。而对于能够应用于自适应伪装的柔性显示材料来说其显示效果也与真实场景存在差距，若伪装目标表面存在过多的显示色差无疑会影响伪装的效果。

发明内容

针对现有技术中存在的上述不足之处，本发明所要解决的技术问题在于提出一种基于背景的自适应迷彩伪装设计方法。

本发明是这样实现的，一种基于背景的自适应迷彩伪装设计方法，其特征在于：

其方法包括如下步骤：

步骤1.对待合成的目标图像进行预处理，利用与样本图像的颜色直方图相同或相似的随机噪声对目标图像进行初始化，目标图像的第一个像素任意从样本图像中选取并复制；

步骤2.确定像素的匹配邻域，对样本图像进行纹理分析，提取样本图像的纹理基元，并将纹理基元的大小确定为像素领域的尺寸，利用该邻域进行后续的相似性匹配；

步骤3.确定匹配邻域的相关区域，将目标像素的邻域当作虚拟的纹理块，将该纹理块左边、左上、上方和右上方同样大小相邻的纹理块作为其预匹配搜索的邻域；

步骤4.进行邻域搜索匹配，在样本图像中搜索出分别与像素匹配邻域四个相关纹理块相同的区域，并将搜索区域下对应位置的纹理块分别与目标邻域进行误差匹配，若存在符合设定均值阈值以及方差和纹理相似性条件的像素，则将其作为合成像素复制到目标点的位置，然后转到步骤6；若不存在满足匹配条件的像素则转到步骤5；

步骤5.二次搜索匹配，若未搜索出满足均值阈值条件的邻域，则继续进行邻域搜索，在样本图像中定位与目标点前一个像素值相同的点，以该点为中心按照螺旋线的搜索机制逐个像素进行搜索匹配，直到确定满足合成条件的像素为止，并合成像素；

步骤6.合成图像，合成过程按照扫描线顺序逐个像素进行合成，若存在未合成像素则返回到步骤2继续进行搜索匹配；若已经完成图像最后一个像素的合成，则程序结束；

步骤7.量化合成图像，将纹理合成后的图像采用聚类算法对其颜色量化，根据合成图像的颜色复杂程度选取在图像中占比高的前k个颜色作为图像的主色，并将图像中的其它颜色聚类到这几种颜色中，最终形成用于伪装目标的迷彩伪装图像。

进一步地：所述步骤2中确定像素的匹配邻域，进行自适应邻域的确定，将图像划分成了由多个2×2大小的子像素块，计算每个像素块的颜色均值μ和平均色差σ，将每一个像素块进行重新赋值，颜色值大于颜色均值μ的像素赋值为1，颜色值小于颜色均值μ的赋值为0，就得到一系列2×2大小只包含0和1的二进制像素块，而图像就变成了由很多不同2×2像素块组成的二进制图像；二进制块表达了像素块内的纹理分布特性，当它们的灰度排列规律类似时候，便具有相同的二进制数值；为了进一步量化表达，将二进制像素块用二进制码来表示，按照从左到右、从上到下的顺序，将这四个二进制数值转化成四位的二进制码，二进制码包含了从0000到1111的数值，然后把四位二进制码转化成相应的十进制数值，即从0到15之间的数，其中一个数字就代表了一种像素块纹理排列索引值；根据纹理索引值来确定纹理基元的大小，而纹理基元即可作为像素邻域的尺寸。

进一步地：所述步骤4中在进行相似性匹配时进行像素相似性与纹理相似性匹配计算，设定m×m为目标像素的邻域大小，利用公式计算出两个邻域的像素差，其中，m为纹理基元的长度，R_i和R_i′、G_i和G_i′、B_i和B_i′分别是像素p_i和p_i′的红绿蓝三通道值，d_i表示了两个邻域中对应位置的像素之间的差值，p_i表示合成像素邻域中的任意像素，p_i′表示样本匹配像素邻域内对应的像素，

根据像素差再分别计算两个邻域的均值E和方差D，当邻域内的像素差均值达到最小E_min以及方差达到最小D_min，才能满足最佳合成像素的条件；

在进行纹理相似性计算时，通过计算包括角二阶矩(E)、惯性(P)、熵(H)、均匀度(S)这四个二阶统计量来表示邻域的纹理特征，由这四个统计量可以组成表达邻域纹理特性的特征向量T＝{E,P,H,S}，而向量纹理相似性计算则采用欧式距离 $d(I,I^{\′})=\sqrt{{(E_I-E_{I^{\′}})}^2+{(P_I-P_{I^{\′}})}^2+{(H_I-H_{I^{\′}})}^2+{(S_I-S_{I^{\′}})}^2},$ 公式中，I和I′分别为目标像素邻域和样本中对应的邻域图像，当欧式距离最小时两个邻域的纹理特征最相似。

进一步地：所述步骤4中采用基于像素邻域相关性的搜索机制，若假设点B为目标像素，C为像素邻域区域，基于相关性原理将点B的邻域区域C作为虚拟的待合成目标纹理块，以邻域区域C的长度即可作为其邻域的宽度，并且以L邻域作为邻域区域C的匹配邻域，这样邻域区域C的邻域内就有包括左、左上、上和右上四个同样尺寸的纹理块，由于纹理块的尺寸保留了样本的纹理特征，因此会在样本中搜索出与邻域区域C的四个邻域对应位置的纹理块作为四个同样邻域区域，将这四个邻域区域中对应位置的纹理块分别与邻域区域C进行邻域匹配，利用像素和纹理相似性误差准则进行邻域匹配，将满足误差匹配要求邻域下的像素作为目标点的合成像素并完成合成。

进一步地：所述步骤5中的螺旋线顺序补充搜索，令目标像素为P，与其相邻的前一个已合成像素为Q，在样本图像中搜索到与Q相同的像素Q’，根据螺旋线的搜索机理，搜索过程集中在Q’的周围邻域进行，以Q’为起点按照顺时针的方向进行螺旋线搜索，将该邻域内的每一个点与目标进行邻域匹配，假设当搜索到Q’左边的方块P’时，P’与目标点P的邻域误差满足最佳匹配条件，就可以将P’复制到P的位置来完成一次合成。

进一步地：步骤7中量化颜色过程中，根据颜色直方图确定占比在前k名的颜色作为初始聚类中心，其中3≤k≤5。假设m_i为第i类的聚类中心，其中i＝1,2,...,k，这里以聚类误差和函数E作为聚类的准则，其计算如下：

$E=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{\left|\right|x_{\mathrm{ij}}-m_i\left|\right|}^2$

式中，x_ij为第i类中的第j像素，n_i为第i类中像素的个数，当误差平方和不收敛时，就需要重新确定聚类中心，并计算新的聚类中心下的误差；当误差平方和收敛时，就结束迭代，并以该聚类中心颜色值作为最终的量化颜色.而当误差平方和不收敛时，新的聚类中心m_i′通过下式计算：

$m_i^{\′}=\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}$

式中，x_ij为第i类中的第j像素，n_i为第i类中像素的个数，通过聚类算法对合成图像进行量化后，就完成了伪装图像的设计过程，最终生成的几色合成图像即可作为应用于自适应伪装场景的显示方案。

本发明与现有技术相比，有益效果在于：

1.本发明利用自行编码算法来提取背景样本的纹理基元，并且根据纹理基元的尺度来确定匹配像素邻域的大小，这样可以实现通过一次选取就能确定最佳的匹配邻域，不仅可以保证合成的质量，图像还能提高纹理合成的效率；

2.本发明利用像素邻域相关性的搜索机制并配合螺旋线搜索来确定样本匹配邻域，这种搜索方法能够将搜索的次数缩小到个位数级别，从而将占用纹理合成时间最多的部分大幅度缩减提高了纹理合成的速度，有助于实现伪装的自适应性；

3.本发明在原有像素相似性匹配的基础上改进，进行像素点相似性匹配和纹理相似性匹配，计算像素的灰度距离差异同时还需计算像素均值和方差差异，这样不仅能体现邻域像素的总体差异还可以表示出单个像素的差异程度，另外纹理相似性计算则能够比较出局部纹理分布差异程度，从而使邻域匹配更准确，并且有利用实现更多背景样本的合成，增强了方法的通用性。

4.本发明在量化颜色过程中，采用聚类方法将图像用有限的几种颜色进行表达，不仅可以保留纹理特征，而且能够降低色差对伪装效果的影响，同时降低了伪装应用的成本，有助于方法的普及应用。

5、本发明方法生成的迷彩伪装图像与背景图像具有更高的相似性，因为其保留了背景样本的性状特征，因此伪装图像在背景中难于被识别。该方法能够对多种不同性状特征的背景样本进行合成，并都能够比较好地还原样本的纹理特征又保持了一定的随机性，因而本发明具有比较好的通用性。同时，本发明生成图像的时间较短，能使目标在切换不同背景时迅速地更换伪装方案，因此有助于实现目标的自适应伪装。

附图说明

图1是本发明中的设计流程图

图2是自行编码像素纹理索引提取过程图；

图3是像素邻域相关性的样本邻域搜索匹配示意图；

图4是螺旋线搜索示意图；

图5是本发明中的纹理合成方法与其他纹理合成方法的合成结果对比图；

图6是几种背景样本的纹理合成结果图；

图7是几种背景样本的迷彩伪装图像设计过程和结果图；

图8是本发明的设计流程中各个过程的生成图；

图9是本发明设计方法与其它方法生成伪装图像的效果对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

结合附图图1-9具体说明本发明的实施方式；

如图1所示，一种基于背景的自适应迷彩伪装设计方法，该方法包括如下步骤：

步骤1.确定对目标进行伪装的活动背景，从背景图像中提取能表达该环境性状特征的一小块图像作为伪装设计的样本图像，并提取样本图像的颜色直方图，对待合成的目标图像进行预处理。利用与样本图像的颜色直方图相同或相似的随机噪声对目标图像进行初始化，图像的第一个像素任意从样本中选取并复制；即根据伪装目标确定将要生成的目标图像的大小，根据样本图像的颜色直方图来制造随机噪声图像，并用该噪声图像对目标图像进行初始化预处理；将样本图像中任意选取一个像素点，将它复制到目标图像左上角第一个像素点的位置上，接下来准备按照从左向右从上向下的顺序合成图像中每一个像素点；

步骤2.确定像素的匹配邻域。对背景样本图像进行纹理分析，提取样本的纹理基元，并将纹理基元的大小确定为像素领域的尺寸，以该邻域作为虚拟的像素块，将像素块的L型四邻域按照位置对应关系在样本图像搜索对应的匹配邻域；利用该邻域进行后续的相似性匹配；

步骤3.确定匹配邻域的相关区域。将目标像素的邻域当作虚拟的纹理块，将该纹理块左边、左上、上方和右上方同样大小相邻的纹理块作为其预匹配搜索的邻域；

步骤4.进行邻域搜索匹配。在样本图像中搜索出分别与像素匹配邻域四个相关纹理块相同的区域，并将搜索区域下对应位置的纹理块分别与目标邻域进行误差匹配，若存在符合设定均值阈值以及方差和纹理形似性等条件的像素，则将其作为合成像素复制到目标点的位置，然后转到步骤6；若不存在满足匹配条件的像素则转到步骤5；

步骤5.二次搜索匹配。若未搜索出满足均值阈值条件的邻域，则继续进行邻域搜索，在样本中定位与目标点前一个像素值相同的点，以该点为中心按照螺旋线的搜索机制逐个像素进行搜索匹配，直到确定满足合成条件的像素为止，并合成像素；

步骤6.合成图像。合成过程按照扫描线顺序逐个像素进行合成，若存在未合成像素则返回到步骤2继续进行搜索匹配；若已经完成图像最后一个像素的合成，则程序结束；

步骤7.量化合成图像。将纹理合成后的图像采用聚类算法对其颜色，根据合成图像的颜色复杂程度选取3-5种在图像中占比较高的颜色作为图像的主色，并将图像中其它颜色按照距离相近原则聚类到主色中，量化颜色后即生成了用于伪装的迷彩伪装图像。，最终形成用于伪装目标的迷彩伪装图像。

所述步骤2中采用的自行编码纹理基元提取方法：

将样本划分成n×n大小互不重叠的子像素块，这里将n设为2，就将图像划分成了由多个2×2大小的子像素块，计算每个像素块的颜色均值μ和平均色差σ，计算如下：

$\mathrm{\μ}=\frac{{\mathrm{\Σ}}_{\∀i,j}p(i,j)}{n^2}$

$\mathrm{\σ}=\frac{{\mathrm{\Σ}}_{\∀i,j}\left|\right|p(i,j)-\mathrm{\μ}\left|\right|}{n^2}$

其中，p(i,j)为(i,j)的颜色灰度值。

将每一个像素块进行重新赋值，颜色值大于μ的像素赋值为1，颜色值小于μ的赋值为0，就得到一系列2×2大小只包含0和1的二进制像素块，而图像就变成了由很多不同2×2像素块组成的二进制图像。二进制块表达了像素块内的纹理分布特性，当它们的灰度排列规律类似时候，便具有相同的二进制数值。为了更进一步量化表达，将二进制像素块用二进制码来表示，按照从左到右、从上到下的顺序，将这四个二进制数值转化成四位的二进制码，二进制码包含了从0000到1111的数值，然后把四位二进制码转化成相应的十进制数值，即从0到15之间的数，其中一个数字就代表了一种像素块纹理排列索引值。例如，当二进制数值为1010时，其对应的十进制数为10，那么该像素块的纹理排列索引值为10，更多例子如示意图2所示，如果具有相同的十进制数值纹理块间就具有了相似的纹理结构。在图像中，只要两个像素块之间有相同纹理索引值，它们便具有相同纹理排列规律。通过对纹理基元提取的过程，确定了能够反映背景样本完整纹理特性的最小尺寸，该尺寸即可作为目标像素邻域的宽度大小。

步骤4中相似性匹配采用像素相似性和纹理相似性的计算：

在进行像素相似性计算时，设定m×m为目标像素的邻域大小，从上一节可知m为纹理基元的长度，因为当前待合成的像素在邻域的中间位置，所以m为奇数，匹配时采用L邻域进行，可以判断L邻域中的像素数为用q表示当前待合成的目标像素，q′表示样本中待匹配的像素，p_i表示合成像素邻域中的任意像素，p_i′表示样本匹配像素邻域内对应的像素。邻域内的像素差计算如下：

$d_i=\sqrt{{(R_i-R_i^{\′})}^2+{(G_i-G_i^{\′})}^2+{(B_i-B_i^{\′})}^2}$

其中，R_i和R_i′、G_i和G_i′、B_i和B_i′分别是像素p_i和p_i′的红绿蓝三通道值，d_i表示了两个邻域中对应位置的像素之间的差值，由于像素间颜色差值求和会起到平滑图像的效果，因此需要计算两个邻域内所有对应像素差的均值和方差，如下：

$E=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{d}_i}{k}$

$D=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{(d_i-E)}^2}{k}$

其中，即L邻域的大小，E和D分别表示邻域内像素的均值和方差。均值表示邻域内像素总体差异，这个量的差别越小说明两组像素的平均颜色值范围区间相距越接近；而方差则表示单个像素差异的偏离程度，当两个像素的邻域总体差异相近时，每个邻域像素的差异情况并不一定是相似的，这个量的值越小，就说明两个邻域像素中个体的偏离程度也越小，两个邻域就越相似，因此将像素差的方差作为相似度匹配的约束条件。利用像素差的均值和方差可以制定像素差异相似性准则，即样本像素要成为目标像素的合成像素需要满足两个条件：(1)邻域内像素差的均值达到最小为E_min；(2)邻域内像素差的方差为最小D_min。另外，条件(2)只有在条件(1)成立的情况下才有效.通过计算这两个量能够消除邻域匹配的求和特性，避免合成时像素之间平滑现象的出现。

在进行纹理相似性计算时，利用纹理基元的性质结合灰度共生矩阵模型，从邻域中提取纹理特征的统计量来构建纹理相似性度量。邻域图像为M×N大小，令其为I，X和Y为邻域中像素的坐标，N_(x,y)为邻域中任意一点(x,y)的四邻域，g(x,y)和g(N_(x,y))分别为该点和其四邻域的值，可以得出图像的灰度共生矩阵如下：

$p(i,j)=(g(x,y),g\left(N_{(x,y)}\right))=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{C}_i(x,y)\underset{(x^{\′},y^{\′})\∈N(x,y)}{\mathrm{\Σ}}{C}_j(x^{\′},y^{\′})$

公式中C_i(x,y)的取值为：

灰度共生矩阵来描述纹理,能够反应四个方向的灰度变化和局部纹理分布特性，但并不能直接用于进行纹理相似性计算，需要提取统计量来描述纹理信息。这里选取四个典型的统计量：角二阶矩(E)、惯性(P)、熵(H)、均匀度(S)来反应各个方向的纹理特性，其计算如下：

$E=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p{(i,j)}^2$

$P=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p{(i,j)(i-j)}^2$

$H=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j)\mathrm{lgp}(i,j)$

$S=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{p(i,j)}{{1+(i-j)}^2}$

由这四个统计量可以组成表达邻域纹理特性的特征向量T＝{E,P,H,S}，而向量纹理相似性计算则采用欧式距离，如下所示：

$d(I,I^{\′})=\sqrt{{(E_I-E_{I^{\′}})}^2+{(P_I-P_{I^{\′}})}^2+{(H_I-H_{I^{\′}})}^2+{(S_I-S_{I^{\′}})}^2}$

公式中，I和I′分别为目标像素邻域和样本中对应的邻域图像，由于四个特征量的物理意义各不相同，需要对它们进行归一化处理，这样可以在计算时使各分量具有相同的权重。归一化采用高斯归一化方法。归一化过程如下：

(1)将相似度各角度分量看作一个数列，然后计算该数列的均值μ_z和标准差σ_z，其中z表示任意一个子纹理特征；

(2)计算各纹理特征的归一化值，公式如下：

$z^{\′}=(\frac{z-{\mathrm{\μ}}_z}{3\mathrm{\σ}}+1)/2$

(3)经过计算纹理特征向量位于[0,1]区间内，得到新的纹理特征向量T＝{E′,P′,H′,S′}，然后将其代入到欧式距离计算公式中可得：

$d^{\′}(I,I^{\′})=\sqrt{{(E_I^{\′}-E_{I^{\′}}^{\′})}^2+{(P_I^{\′}-P_{I^{\′}}^{\′})}^2+{(H_I^{\′}-H_{I^{\′}}^{\′})}^2+{(S_I^{\′}-S_{I^{\′}}^{\′})}^2}$

经过纹理相似性计算可以得出，当满足最小的纹理相似性即d′(I,I′)_min时，该邻域下的像素即可作为目标合成像素的一个候选样本像素。

步骤4中基于像素邻域的相关性进行样本邻域的搜索：

如图3为基于像素邻域相关性的搜索示意图，点B为当前待合成的目标像素点，根据自适应邻域方法，确定字母C所指的灰色区域为B的邻域，其大小为纹理基元的尺寸，在匹配时就利用该邻域内的像素进行误差计算。基于相关性原理将B的邻域区域C作为虚拟的待合成目标纹理块，假定其为未合成的纹理块，为C寻找需要匹配的邻域区域。因为C为纹理基元的大小，在确定邻域时，以C的长度即可作为其邻域的宽度，并且以L邻域作为C的匹配邻域，这样C的邻域内就有包括左、左上、上和右上四个同样尺寸的纹理块，如图3中右边的蓝色区域所示。由于纹理块的尺寸保留了样本的纹理特征，因此会在样本中搜索出与C的四个邻域对应位置的纹理块，即四个同样邻域区域，如图3中左图所示的四个区域就是候选需要进行匹配的邻域，将这四个区域中对应位置的纹理块分别与C进行邻域匹配，利用像素和纹理相似性误差准则进行邻域匹配，将满足误差匹配要求邻域下的像素作为目标点的合成像素并完成合成。例如，样本图中左下角区域的蓝色纹理块在目标图像中对应的是C左上角区域的纹理块，其左下方位置的纹理块C′就是与C进行邻域误差匹配的邻域，若它们的邻域误差值满足规定的阈值要求，那么以C′为邻域的像素点B′即可作为目标像素B的合成像素。

步骤5中为在初次搜索时未找出最佳的匹配而进行的二次搜索：

根据纹理的局部特性以及合成的经验可知，目标像素点出现在样本中前一次合成像素邻域位置的概率比较大，而纹理中相邻像素之间具有一定的相关性。据此，利用目标前一个像素的邻域进行螺旋搜索具有较高的搜索成功概率，即使它的邻域并没有符合条件的像素，也可以将搜索范围扩大并按照螺旋线的顺序继续搜索直到找出符合最佳匹配条件的像素为止，这种方法与扫描线顺序遍历样本的搜索方式相比，可以提高目标点的搜索速度和搜索成功的概率，按照螺旋线方式的搜索示意图如图4所示。左边为样本图像，右边为待合成的目标图像，目标图上的灰色区域为已经合成的部分，黑色部分为当前待合成的像素点，令其为P，与它相邻的左边红色方块为目标的前一个像素，用字母Q表示。在样图中搜索到与像素Q相同的像素Q’，如图4的左侧图红色方块所示，根据螺旋线的搜索机理，搜索过程就集中在Q’的周围邻域进行，以Q’为起点按照顺时针的方向进行螺旋线搜索，将该邻域内的每一个点与目标进行邻域匹配，当搜索到Q’左边的方块P’时，即左图中灰色方块，P’与目标点P的邻域误差满足最佳匹配条件，就可以将P’复制到P的位置来完成一次合成。这种搜索方法要比按照扫描线遍历搜索方式匹配的像素数量少很多，可以作为像素邻域相关性搜索的一种补充方法。

步骤7为对合成后的图像进行量化颜色：

首先需要提取合成图像的颜色直方图，根据颜色直方图确定k个色差较大且占比大的颜色作为初始聚类中心，假设m_i为第i类的聚类中心，其中i＝1,2,...,k，这里以聚类误差和函数作为E作为聚类的准则，其计算如下：

$E=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{\left|\right|x_{\mathrm{ij}}-m_i\left|\right|}^2$

式中，x_ij为第i类中的第j像素，n_i为第i类中像素的个数，当误差平方和不收敛时，就需要重新确定聚类中心，并计算新的聚类中心下的误差；当误差平方和收敛时，就结束迭代，并以该聚类中心颜色值作为最终的量化颜色.而当误差平方和不收敛时，新的聚类中心m_i′通过下式计算：

$m_i^{\′}=\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}$

通过聚类算法对合成图像进行量化后，就完成了伪装图像的设计过程，最终生成的几色合成图像即可作为应用于自适应伪装场景的显示方案。

实验内容与结果分析

实验一：应用本发明中所采用的自适应邻域纹理合成方法与WEI方法以及Ashikhimin方法进行对比，合成结果如图5所示，纵向表示每个不同的样本类型，图中a-1杂草纹理、b-1白花纹理、c-1绿叶纹理、d-1树皮纹理、e-1粉花纹理和f-1红点纹理，为自然界中常见的随机纹理样本图像(选自麻省理工视觉纹理库)，横向图片依次为样本、WEI方法合成图、Ashikhimin方法合成图以及本发明方法合成图，三种方法的纹理合成结果，即a-2为杂草纹理WEI方法合成图,a-3为杂草纹理Ashikhimin方法合成图，a-4是杂草纹理的本发明方法合成图；b-2为白花纹理WEI方法合成图，b-3为白花纹理的Ashikhimin方法合成图，b-4为白花纹理的本发明方法合成图；c-2绿叶纹理的WEI方法合成图，c-3绿叶纹理的Ashikhimin方法合成图，c-4绿叶纹理的本发明方法合成图；d-2树皮纹理的WEI方法合成图，d-3树皮纹理的Ashikhimin方法合成图，d-4树皮纹理的本发明方法合成图；e-2粉花纹理的WEI方法合成图，e-3粉花纹理的Ashikhimin方法合成图，e-4粉花纹理的本发明方法合成图；f-2红点纹理的WEI方法合成图，f-3红点纹理的Ashikhimin方法合成图，f-4红点纹理的本发明方法合成图，从纹理合成质量来看，a-1、b-1和c-1这三个纹理样本无论颜色还是灰度变化都趋于平缓且没有明显强边缘或突变的情况，三种方法对它们的合成结果均能够完整保留样本的纹理特性。d-1为树皮纹理图像，尽管该样本色调变化并不大，但是树皮纹理之间存在灰度突变的区域，Wei方法的合成结果由于邻域匹配时的求和平滑性使得样本纹理局部特征没有得到保留，导致合成结果与样本存在差异；Ashikhimin方法利用的像素相关性搜索匹配准则一定程度上避免了平滑特性；而本发明方法的结果则完整保留样本的纹理特性。(e)是粉花绿草纹理图像，这是一幅具有高颜色跨度的纹理样本图，Wei方法的结果表明邻域匹配的平滑特性表现得更加明显，样本纹理分布特性没有保留并且造成了颜色模糊的现象；Ashikhimin方法的结果将粉色花朵的纹理特性保留，但绿色纹理比例与样本相比略有差异；本发明提出的算法保留了样本中粉色花朵与绿色草地纹理特性，并且相互的显示比例与原样本保持一致。(f)是这六幅样本图中颜色和灰度变化差异最大的样本，Wei方法的结果呈现出与粉花纹理结果相同的情况，合成图像除了颜色信息外的纹理特性完全丢失；Ashikhimin方法的只保留了样本的一部分纹理特性，而由于匹配过程中的相似性求和计算使部分纹理特性缺失，造成结果图像与样本纹理差异明显，对于更多样本的纹理合成结果如图6所示，小图表示样本，大图表示合成图，a-1为纤维织物纹理样本以及a-2为合成图，b-1为碎石纹理样本以及b-2为合成图，c-1为黄花绿叶纹理样本以及c-2为合成图，d-1草叶纹理样本以及d-1为合成图，e-1为暗绿叶纹理样本以及e-2为合成图，f-1为土石纹理样本以及f-2为合成图，如图6所示，本发明方法对于这种极端复杂的样本纹理的合成，依然可以完整保留与样本的纹理特性，并将合成结果看做是纹理样本的随机性扩展图像。

实验二：应用本发明方法对自然背景进行迷彩伪装设计实验并与基于图像分割的迷彩伪装设计方法进行对比分析。图7为选取三种常见的军事活动背景样本图像并对其合成相应的迷彩伪装图像，A1为草地样本，A2为草地样本的纹理合成结果，A3为草地样本的量化的迷彩伪装图像；B1为沙漠样本，B2为沙漠样本的纹理合成结果，B3为沙漠样本的量化的迷彩伪装图像；C1为雪地样本，C2为雪地样本的纹理合成结果，C3为雪地样本的量化的迷彩伪装图像。图7草地、沙漠和雪地分别属于具有不同纹理特性的样本，从纹理合成后的图像结果来看，尽管三种纹理差异很大，但是合成的图像都很好地保留了样本的纹理分布规律，是样本的有限扩展图像。量化后的图像保留了样本的纹理形状和特性，除了一小部分低占比的颜色被高占比的颜色所替代外，其它与纹理合成后的图像相比无论从整体的颜色分布还是纹理特性都很接近。图8为选取千山地区俯瞰背景为样本并展示了利用本发明生成伪装图像过程各个阶段的效果图，其中，图8-1为背景图，图8-2为提取的背景样本图像，图8-3是纹理合成后的图像，图8-4是最终的迷彩伪装图像，从图8可以看出，利用本发明的方法可以通过三个步骤完成迷彩伪装图像的设计，首先从背景中提取能表达该背景纹理特征的样本图像，利用本发明提出的纹理合成方法生成样本纹理的扩展图像，最终经过颜色聚类算法量化颜色生成最终的迷彩伪装图像，图9为本发明方法与基于图像分割迷彩设计方法针对千山地区背景所设计的迷彩伪装图像对比以及在背景中两者的伪装效果对比，图9-1是分隔迷彩图，图9-2是本发明纹理合成迷彩图，图9-3是分隔迷彩的的伪装效果，图9-4是本发明纹理合成迷彩的伪装效果，图9-5是分隔迷彩的的伪装效果的标记，图9-6是本发明纹理合成迷彩的伪装效果的标记。除此之外还对两种方法生成伪装图像的时间进行计时对比。通过不同行业人员对图9中两种方法生成伪装图像的伪装效果进行主观识别验证，可以看出本发明的生成伪装图像放置于背景中时更难于被识别，而且经过计时本发明与基于图像分割方法生成时间如表1所示。

表1  不同迷彩设计运行时间比较

实验结果表明本发明方法生成的迷彩伪装图像与背景图像具有更高的相似性，因为其保留了背景样本的性状特征，因此伪装图像在背景中难于被识别。该方法能够对多种不同性状特征的背景样本进行合成，并都能够比较好的还原样本的纹理特征又保持了一定的随机性，因而本发明具有比较好的通用性。同时，本发明生成图像的时间较短，能使目标在切换不同背景时迅速地更换伪装方案，因此有助于实现目标的自适应伪装。

Claims (6)

1.一种基于背景的自适应迷彩伪装设计方法，其特征在于：

其方法包括如下步骤：

步骤1.对待合成的目标图像进行预处理，利用与样本图像的颜色直方图相同或相似的随机噪声对目标图像进行初始化，目标图像的第一个像素任意从样本图像中选取并复制；

步骤2.确定像素的匹配邻域，对样本图像进行纹理分析，提取样本图像的纹理基元，并将纹理基元的大小确定为像素领域的尺寸，利用该邻域进行后续的相似性匹配；

步骤3.确定匹配邻域的相关区域，将目标像素的邻域当作虚拟的纹理块，将该纹理块左边、左上、上方和右上方同样大小相邻的纹理块作为其预匹配搜索的邻域；

步骤4.进行邻域搜索匹配，在样本图像中搜索出分别与像素匹配邻域四个相关纹理块相同的区域，并将搜索区域下对应位置的纹理块分别与目标邻域进行误差匹配，若存在符合设定均值阈值以及方差和纹理相似性条件的像素，则将其作为合成像素复制到目标点的位置，然后转到步骤6；若不存在满足匹配条件的像素则转到步骤5；

步骤5.二次搜索匹配，若未搜索出满足均值阈值条件的邻域，则继续进行邻域搜索，在样本图像中定位与目标点前一个像素值相同的点，以该点为中心按照螺旋线的搜索机制逐个像素进行搜索匹配，直到确定满足合成条件的像素为止，并合成像素；

步骤6.合成图像，合成过程按照扫描线顺序逐个像素进行合成，若存在未合成像素则返回到步骤2继续进行搜索匹配；若已经完成图像最后一个像素的合成，则程序结束；

步骤7.量化合成图像，将纹理合成后的图像采用聚类算法对其颜色量化，根据合成图像的颜色复杂程度选取在图像中占比高的前k个颜色作为图像的主色，并将图像中的其它颜色聚类到这几种颜色中，最终形成用于伪装目标的迷彩伪装图像。

2.根据权利要求1所述的一种基于背景的自适应迷彩伪装设计方法，其特征在于：

所述步骤2中确定像素的匹配邻域，进行自适应邻域的确定，将图像划分成了由多个2×2大小的子像素块，计算每个像素块的颜色均值μ和平均色差σ，将每一个像素块进行重新赋值，颜色值大于颜色均值μ的像素赋值为1，颜色值小于颜色均值μ的赋值为0，就得到一系列2×2大小只包含0和1的二进制像素块，而图像就变成了由很多不同2×2像素块组成的二进制图像；二进制块表达了像素块内的纹理分布特性，当它们的灰度排列规律类似时候，便具有相同的二进制数值；为了进一步量化表达，将二进制像素块用二进制码来表示，按照从左到右、从上到下的顺序，将这四个二进制数值转化成四位的二进制码，二进制码包含了从0000到1111的数值，然后把四位二进制码转化成相应的十进制数值，即从0到15之间的数，其中一个数字就代表了一种像素块纹理排列索引值；根据纹理索引值来确定纹理基元的大小，而纹理基元即可作为像素邻域的尺寸。

3.根据权利要求1所述的一种基于背景的自适应迷彩伪装设计方法，其特征在于：

所述步骤4中在相似性匹配时进行像素相似性与纹理相似性匹配计算，设定m×m为目标像素的邻域大小，利用公式计算出两个邻域的像素差，其中，m为纹理基元的长度，R_i和R′_i、Gi和G′_i、B_i和B′_i分别是像素p_i和p′_i的红绿蓝三通道值，d_i表示了两个邻域中对应位置的像素之间的差值，p_i表示合成像素邻域中的任意像素，p′_i表示样本匹配像素邻域内对应的像素，

根据像素差再分别计算两个邻域的均值E和方差D，当邻域内的像素差均值达到最小E_min以及方差达到最小D_min，才能满足最佳合成像素的条件；

在进行纹理相似性计算时，通过计算包括角二阶矩(E)、惯性(P)、熵(H)、均匀度(S)这四个二阶统计量来表示邻域的纹理特征，由这四个统计量可以组成表达邻域纹理特性的特征向量T＝{E,P,H,S}，而向量纹理相似性计算则采用欧式距离 $d(I,I^{\′})=\sqrt{{(E_I-E_{I^{\′}})}^2+{(P_I-P_{I^{\′}})}^2+{(H_I-H_{I^{\′}})}^2+{(S_I-S_{I^{\′}})}^2},$ 公式中，I和I′分别为目标像素邻域和样本中对应的邻域图像，当欧式距离最小时两个邻域的纹理特征最相似。

4.根据权利要求1所述的一种基于背景的自适应迷彩伪装设计方法，其特征在于：

所述步骤4中采用基于像素邻域相关性的搜索机制，若假设点B为目标像素，C为像素邻域区域，基于相关性原理将点B的邻域区域C作为虚拟的待合成目标纹理块，以邻域区域C的长度作为其邻域的宽度，并且以L邻域作为邻域区域C的匹配邻域，这样邻域区域C的邻域内就有包括左、左上、上和右上四个同样尺寸的纹理块，由于纹理块的尺寸保留了样本的纹理特征，因此会在样本中搜索出与邻域区域C的四个邻域对应位置的纹理块作为四个同样邻域区域，利用像素和纹理相似性误差准则将这四个邻域区域中对应位置的纹理块分别与邻域区域C进行匹配，将满足误差匹配要求邻域下的像素作为目标点的合成像素并完成合成。

5.根据权利要求1所述的一种基于背景的自适应迷彩伪装设计方法，其特征在于：

所述步骤5中的螺旋线顺序补充搜索，令目标像素为P，与其相邻的前一个已合成像素为Q，在样本图像中搜索到与Q相同的像素Q’，根据螺旋线的搜索机理，搜索过程集中在Q’的周围邻域进行，以Q’为起点按照顺时针的方向进行螺旋线搜索，将该邻域内的每一个点与目标进行邻域匹配，假设当搜索到Q’左边的方块P’时，P’与目标点P的邻域误差满足最佳匹配条件，就可以将P’复制到P的位置来完成一次合成。

6.根据权利要求1所述的一种基于背景的自适应迷彩伪装设计方法，其特征在于：

步骤7中量化颜色过程中，根据颜色直方图按照从高到低的顺序确定将占比在前k名的颜色作为初始聚类中心，其中3≤k≤5。假设m_i为第i类的聚类中心，其中i＝1,2,...,k，这里以聚类误差和函数E作为聚类的准则，其计算如下：

$E=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{\left|\right|x_{\mathrm{ij}}-m_i\left|\right|}^2$

式中，x_ij为第i类中的第j像素，n_i为第i类中像素的个数，当误差平方和不收敛时，就需要重新确定聚类中心，并计算新的聚类中心下的误差；当误差平方和收敛时，就结束迭代，并以该聚类中心颜色值作为最终的量化颜色.而当误差平方和不收敛时，新的聚类中心m′_i通过下式计算：

$m_i^{\′}=\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}$

式中，x_ij为第i类中的第j像素，n_i为第i类中像素的个数，通过聚类算法对合成图像进行量化后，就完成了伪装图像的设计过程，最终生成的几色合成图像即可作为应用于自适应伪装场景的显示方案。