中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2017 , Vol. 39 >Issue 3: 102 - 105

DOI: https://doi.org/10.3969/j.issn.1673-3819.2017.03.022

工程实践

伪装效果评价模型的图像纹理特征提取方法

  • 见超超 ,
  • 胡江华 ,
  • 崔光振
展开
  • 解放军理工大学电磁环境效应与电光工程重点实验室, 江苏 南京 210007

见超超(1991-),女,陕西宝鸡人,硕士研究生,研究方向为兵器科学与技术。

胡江华(1965-),男,博士,教授。

崔光振(1992-),男,硕士研究生。

收稿日期: 2017-03-07

  修回日期: 2017-03-21

  网络出版日期: 2022-05-18

收起

Texture Feature Extraction Method of Camouflage Effect Evaluation Model

  • JIAN Chao-chao ,
  • HU Jiang-hua ,
  • CUI Guang-zhen
Expand
  • PLA University of Science and Technology National Key Electromagnetic Environmental Effects and Electro-optical Engineering, Nanjing 210007, China

Received date: 2017-03-07

  Revised date: 2017-03-21

  Online published: 2022-05-18

Fold

摘要

对伪装后的军事目标进行伪装效果评价,通常依据伪装前后目标图像特征的改变情况进行评价。光照环境影响导致采集的图像质量下降,对提取目标图像特征会产生不利影响,从而影响伪装效果的评价。针对光照环境对目标图像特征的影响,提出一种结合局部二进制模式(LBP)与灰度共生矩阵的目标纹理特征提取方法。该方法首先通过局部二进制模式(LBP)算法提取目标图像不受光照影响的图像特征信息,然后对局部二进制模式(LBP)图像提取灰度共生矩阵,获得描述图像纹理特征的5个特征值。通过对比实验表明该方法可以有效降低光照环境因素对伪装效果评价的不利影响,使伪装目标的伪装效果评价结果更加准确可靠。

关键词： 图像纹理特征; 光照环境影响; 局部二进制模式; 灰度共生矩阵; 纹理相似度; 伪装效果评价

本文引用格式

见超超 , 胡江华 , 崔光振 . 伪装效果评价模型的图像纹理特征提取方法[J]. 指挥控制与仿真, 2017 , 39(3) : 102 -105 . DOI: 10.3969/j.issn.1673-3819.2017.03.022

Abstract

To evaluate camouflage effect of the camouflaged military targets, we usually base on the changes of image characteristics before and after for camouflage target. Because of the influence of illumination environment led to the decrease of the image quality, it can produce adverse effect on the image feature and affect the camouflage effect evaluation. A method of Image texture feature extraction which combination of local binary pattern (LBP) and gray level co-occurrence matrix is proposed in this paper. This method first by local binary pattern (LBP) algorithm to extract the image feature which is not affected by light information, then get the five characteristics values of image texture feature by gray level co-occurrence matrix. Through comparative experiments show that this method can effectively reduce the illumination of the adverse impact of environmental factors on the camouflage effect evaluation, camouflage effect evaluation result more accurate and reliable.

Key words： image texture features; light environmental impact; local binary pattern; Gray symbiotic matrix; texture similarity; camouflage effect evaluation

目前,依据伪装目标在伪装前后特征的改变情况建立了许多有效的伪装效果评价模型[1-2]。随着数字图像处理技术的发展,基于数字图像特征的伪装评估方法[3]受到越来越多的重视,采用不同的数字图像特征及其算法评估伪装效果的研究不断涌现,如文献[2]利用颜色相似性聚类得到背景主色,然后根据颜色相似性原则实施伪装和效果检测与评价。基于数字图像特征的伪装效果检测与评价大多采用特征量统计、伪装前后比较或者伪装目标与背景的特征比较等思想。
依据提取的伪装目标图像特征对伪装效果评价,很大程度上取决于拍摄的目标图像特征暴露程度,在进行伪装效果评价时需要考虑天气及环境条件,应该选择天气晴朗、光照较为充足的条件下检测[4]。在实际操作中由于天气等环境不利因素的影响,常常会导致获取的图像特征发生改变。纹理特征是图像主要特征之一,在伪装效果评价模型中经常作为目标的图像特征[5],但文献[6]指出光照变化容易对图像的纹理结构造成影响,从而影响对图像的纹理特征分析。
目前依据伪装目标图像特征建立的伪装效果评价模型中,提取目标纹理特征时重视纹理提取算法的研究,而忽视了环境等外界因素对目标的纹理信息影响作用。针对天气等环境因素对纹理特征的影响[6],科研人员主要从两个方面改善纹理提取对光照的鲁棒性[7-8]:对图像进行质量改善和提取纹理图像对光照的不变特征。本文结合局部二进制模式(LBP)算法和灰度共生矩阵,将原图转换为不受光照影响的LBP纹理特征图,然后对其LBP图像提取灰度共生矩阵,获得描述图像纹理特征的5个特征值。通过该方法提取的纹理特征降低了外界光照环境的影响,保证伪装目标的伪装效果评价结果的准确性和可靠性。

1 LBP/灰度共生矩阵算法

1.1 问题提出

伪装效果的客观评价对伪装技术有重要的指导作用,基于纹理特征的伪装效果评价模型主要通过借鉴图像识别中的纹理特征提取算法[9],根据提取的纹理图像特征进行伪装效果评价。在图像识别中,关于纹理特征的提取算法主要有统计法、结构法、模型法和信号处理法,由于伪装目标纹理特征的特殊性,常用的图像纹理特征提取算法是基于统计法的灰度共生矩阵[10]。
对伪装网的伪装效果评估时,光照对评价结果会产生明显的影响。采集的伪装网纹理图像如图1(a)所示,对图1(a)使用Photoshop改变亮度和色调模拟光照充足的环境如图1(b)所示,对图1(a)去除大气光幕的影响后如图1(c)所示。表1为对应纹理特征值。
图1 不同光照下的纹理图像
表1 纹理特征值
图1 ASM H CON COR L
(a) 0.1924 1.8540 0.6299 0.6372 0.1595
(b) 0.1813 2.7593 1.6609 0.2822 0.0590
(c) 0.1851 2.0234 0.7148 0.6536 0.0577
由表1可知光照条件较好时纹理表现的更加清晰,图像包含的纹理信息丰富,采用灰度共生矩阵提取的纹理特征值会随着光照条件的变化而变化。光照变化容易对图像的纹理结构造成影响,采用灰度共生矩阵算法不能抵抗光照变化的不利影响,因此基于灰度共生矩阵的纹理特征相似度对伪装效果评价不可靠。

1.2 局部二进制模式(LBP)算法

目前,图像的光照不变特征提取算法主要分为基于空域的光照不变特征提取算法和基于小波域的光照不变特征提取算法。其中基于空域的光照不变特征提取算法局部二进制模式(LBP)是一种经典且效果良好的纹理描述算子[11-12],具有良好的光照不变性,广泛应用于人脸识别、图像检索及纹理分类等领域。
LBP算子表示为8邻域的二进制数的十进制形式如下所示:
LBP(xc,yc)= ∑ n = 0 7s(in-ic)·2n
s(in-ic)= 1 , ( i n - i c ) ≥ 0 0 , 其 他
其中ic表示中心像素(xc,yc)的灰度值,如图2(a)中的95;in为其8邻点的灰度值,如图2(a)中的87,75,126,95,95,141,91,91,100;2n为编码值,如图2(c)中的数值。LBP对于任意单调的灰度变换具有不变性,即变换前后保持局部邻域的二进制数不变。
LBP算子类似于滤波过程中的模板操作。逐行扫描图像,对图像中的每一个像素点,以该点的灰度值为阈值,大于等于阈值则置为1,小于阈值则置为0。对于图2(a)所示的图像,得到图2(b)所示的二进制数00111001。由图2(b)与图2(c)的对应相乘之和来计算中心像素点的LBP,即LBP=4+8+16+128=156。对图像的每一个像素点,按照上述方法计算其局部二进制模式,得到其原图的LBP图像。

1.3 基于纹理特征的相似度模型

LBP算法利用结构法的思想分析固定窗口特征,再利用统计法进行整体的特征提取。LBP算法能够捕捉纹理中局部亮度变化的微观结构,从而描述纹理的两个重要特征[13]:局部空间模式和对比度。针对单独使用灰度共生矩阵描述纹理特征对光照变化抵抗性能差[14]的问题,本文将容易受光照变化影响的原图转换为对光照变化抵抗性能好的LBP图,通过对LBP图建立灰度共生矩阵,计算伪装目标与背景的纹理特征相似度。本文提出的结合LBP与灰度共生矩阵进行纹理特征相似度计算模型流程图,如图3所示。
图3 纹理特征分析流程图

2 实验与结果分析

为了验证本文提出方法的有效性,在光照条件较差的阴天采集伪装目标图像,如图4(a)三种不同迷彩伪装网的伪装效果图所示。将本文算法与纹理特征的灰度共生矩阵模型相比较,分别根据伪装目标与背景纹理特征相似度对伪装目标进行伪装效果评价。图4(b)是利用图像处理技术对能见度较低的图像进行图像质量处理后的图像,图4(c)和图4(d)是提取的对应LBP图像。
图4 伪装目标图像
首先对图4中3幅伪装目标图像仅利用灰度共生矩阵描述纹理特征。提取伪装目标的纹理图像计算灰度共生矩阵的5个纹理特征值如表2所示,并与周围8个背景的纹理图像对比,计算纹理的平均相似度。
表2 纹理的灰度共生矩阵特征
图4 ASM H CON COR L 相似度
(a1) 0.2125 1.7407 0.4039 1.2476 0.1938 0.6535
(b1) 0.0534 3.1387 1.6825 0.2915 0.0391 0.6049
图4 ASM H CON COR L 相似度
(a2) 0.1630 2.0448 0.8452 0.4137 0.1357 0.7627
(b2) 0.0864 2.6035 1.5893 0.2657 0.0592 0.6886
图3 ASM H CON COR L 相似度
(a3) 0.2386 2.1922 0.7441 0.3430 0.2325 0.7205
(b3) 0.2623 2.2445 0.9829 0.2555 0.2574 0.6317
表2中处理后图像的熵值和对比度都增大,说明处理后图像的纹理清晰度提高并且沟纹更深。从图像的对比中可以看出对能见度低的图像处理后,图像的纹理细节更加清晰,伪装目标纹理与背景差异明显增大。原图中伪装目标与背景的纹理相似度计算值比较高,是由于大气光照的影响降低了亮度对比,在视觉上伪装目标与背景的纹理融合度提高。
对于一个长期的伪装工事,如果在光照条件不好的天气下判断其伪装效果是合格的,随着天气状况的改变可能会暴露伪装目标特征。表3中处理前后图像的LBP图相似度很高,表明LBP图对外界光照具有良好的抵抗性。对原图像和处理后的图像提取LBP图像,采用本文提出的纹理特征相似度模型[15],分别计算原图和处理后图像的纹理特征,并与背景对比计算纹理特征的相似度。如表4所示。
表3 处理前后图像的LBP图相似度
图4 图(a1) 图(a2) 图(a3)
相似度 0.9932 0.9890 0.9810
表4 纹理的LBP——灰度共生矩阵特征
图4 ASM H CON COR L 相似度
(a1) 0.1336 2.3323 0.9717 0.4341 0.1107 0.6208
(b1) 0.1540 2.2095 1.0858 0.1480 0.1203 0.5763
图4 ASM H CON COR L 相似度
(a2) 0.1269 2.2227 1.6071 0.0845 0.0915 0.6454
(b2) 0.1334 2.2168 1.6032 0.0784 0.1019 0.6498
图4 ASM H CON COR L 相似度
(a3) 0.4065 1.3674 0.3968 1.0810 0.3419 0.6354
(b3) 0.3149 1.5543 0.4162 0.7741 0.2909 0.6097
由上述实验我们得到结论:1) 处理前后图像的LBP图相似度接近99%,表明图像的LBP图对光照影响不敏感,因此采用本文算法计算的纹理特征相似度受到光照环境的影响较小。 2) 对图4中的三幅图像计算LBP图的灰度共生矩阵特征值,根据相似度计算结果可知图4(a2)的迷彩伪装效果最好。图4中的三幅图像对比也表明图4(a2)中伪装目标与背景融合程度高,迷彩的纹理分布与背景接近,因此基于LBP纹理特征的伪装效果检测结果是可靠的。3) 实验中采用预处理后图像近似晴朗天气,实际操作中纹理特征提取又会受到预处理技术的限制。因此,采用本文提出的算法提取原始图像的纹理光照不变特征,然后利用灰度共生矩阵计算纹理特征值并计算其相似度,依据纹理特征相似度对伪装目标的伪装效果评估具有准确性和可靠性。

3 结束语

利用纹理特征的相似度对伪装目标进行伪装效果评估,基于空域的光照不变特征的提取算法局部二进制模式(LBP),本文提出将灰度共生矩阵与LBP相结合描述伪装图像的纹理特征。由于LBP算法具有良好的光照不变性,按照本文算法对原始图像的LBP图提取纹理特征值可以忽略不同天气光照对纹理特征的影响。该图像纹理相似度算法简单易操作,有助于提高伪装效果评估模型的准确性和可靠性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
贾其, 吕绪良, 文超, 等. 人眼视觉注意机制用于伪装效果评价[J]. 应用科学学报, 2011, 29(3):294-298.

[2]
杨恒伏, 殷建平. 颜色相似性度量在主动伪装设计中应用[J]. 激光与红外, 2015, 45(8):999-1003.

[3]
林伟, 陈玉华, 王吉远, 等. 基于图像特征与心理感知量的伪装效果评价方法[J]. 兵工学报, 2013, 34(4):412-417.

[4]
许卫东, 王向伟. 伪装检测与效果评估理论和技术[M]. 北京: 国防大学出版社, 2015.

[5]
徐珊. 数码迷彩纹理设计及伪装评价模型研究[D]. 合肥:合肥工业大学, 2015.

[6]
占俊杰. 光照变化的纹理分类研究[D]. 重庆:重庆大学, 2015.

[7]
侯群群, 王飞, 严丽. 基于灰度共生矩阵的彩色遥感图像纹理特征提取[J]. 国土资源遥感, 2013, 25(4):26-32.

[8]
王凯. 基于图像纹理特征提取算法的研究及应用[D]. 西南交通大学, 2013.

[9]
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.

[10]
陈燕芹, 段锦, 祝勇, 等. 基于纹理特征的图像复杂度研究[J]. 中国光学, 2015, 8(3):407-414.

[11]
刘恂, 华文深, 杨佳, 等. 基于局部Gabor二进制模式的高光谱伪装目标图像分类(英文)[J]. 强激光与粒子束, 2014, 26(11):43-50.

[12]
Li Shun-longfei. Illumination Invariant Face Recognition Based on Log-Gabor Filtering and LBP Descriptor[J]. Journal of Xiamen University: Natural Science Edition, 2014, 53(03):359-363.

[13]
王晓华, 黄伟, 金超, 等. 多特征多分类器优化匹配的人脸表情识别[J]. 光电工程, 2016, 43(3):73-79.

[14]
王国德, 张培林, 任国全, 等. 融合LBP和GLCM的纹理特征提取方法[J]. 计算机工程, 2012, 38(11):199-201.

[15]
査国云, 刘鹏飞. 基于纹理特征相似度伪装评估模型[J]. 电子技术与软件工程, 2014(4):111-112.

Options
文章导航

/

〈 〉