基于超效率DEA-GCA迷彩伪装效果评估方法研究.pdf

窑 开发与创新 窑0引言在现代战争野发现即摧毁冶特点背景下袁伪装在军事应用中的地位不断提高遥 迷彩伪装作为应用最广泛的伪装技术袁具有能够使目标与背景图像更好地融合尧更加有效对抗和迷盲高分辨率侦察设备和精确制导武器等多方面优势特点1遥迷彩的伪装效果评估是迷彩伪装设计与实施的关键环节遥 传统的评估方法主要是基于观察员在野外条件下袁在一定距离上对伪装目标进行观察和识别袁 评估结果较依赖于观察者的经验及主观判断袁客观性不强袁可重复性不高2遥 目前现有迷彩伪装效果量化评估方法大多根据亮度对比尧色差等单一指标进行对比评估袁对战场目标伪装状态的反映不够全面袁 缺乏较为科学的多指标伪装效果评估方法遥 因此袁建立一套客观性强尧全面反映迷彩伪装效果的多指标量化评估方法是我军伪装学科亟待解决的问题遥本文基于数字图像特征提取方法袁构建迷彩伪装效果评估指标体系袁运用超效率数据包络分析渊Data Envelop鄄ment Analysis冤和灰色关联分析渊Grey Correlation Analysis冤方法袁研究建立一种更客观尧准确尧具有普适性的迷彩伪An Camouflage Effect Evaluation Method of Pattern Painting Based on Super-efficient DEA-GCAZHANG Xiao-Kun1袁2袁 LI Ling1袁 WANG Xin-Xin3袁 LI Jiang2渊1.Army Engineering University of PLA College of Field Engineering袁 Nanjing Jiangsu 210000袁 China曰2.Unit 91112 of PLA袁 Ningbo Zhejiang 315000袁 China曰 3.Air Force Logistics University袁 Xuzhou Jiangsu 221000袁 China冤Abstract院 Aiming at the problems of traditional pattern painting camouflage effect evaluation袁 such as strong subjectivity and single index袁this paper proposes an evaluation method based on super-efficiency data envelopment analysis 渊DEA冤 and grey correlation analysis 渊GCA援Construct a pattern painting camouflage evaluation index system including comprehensive image features of statistics袁 color袁 texture袁 shape袁and complexity袁 and an image similarity model based on Gaussian Manhattan distance援The super-efficiency DEA-GCA hybrid model isestablished袁 the image similarity is used as the DEA output matrix袁 and the super-efficiency value is used as the grey correlation referencesequence援Then袁 the camouflage effects of 2 pattern paintings under 8 typical backgrounds are experimentally verified援It can be seen that thismethod can effectively quantify and evaluate the camouflage effect of pattern painting in different backgrounds袁 compare the comprehensivecamouflage adaptability of different pattern painting袁 and quantitatively analyze the inherent image characteristic factors that affect thecamouflage effect袁 which is of positive significance to the design and implementation of pattern painting援Keywords院 Pattern painting曰 Camouflage effect evaluation曰 Super-efficiency DEA曰 Grey correlation analysis曰 Manhattan distance基于超效率 DEA-GCA 迷彩伪装效果评估方法研究张啸锟1袁2袁李 凌1袁王欣欣3袁李 江2渊1.陆军工程大学 野战工程学院袁 江苏 南京 210000曰 2.91112 部队袁 浙江 宁波 315000曰3.空军勤务学院袁 江苏 徐州 221000冤摘要院 针对传统的迷彩伪装效果评估主观性强尧 指标单一等问题袁 提出一种基于超效率数据包络分析渊DEA冤 和灰色关联分析 渊GCA冤 的评估方法遥 构建了包含统计尧 颜色尧 纹理尧 形状尧 复杂度等综合图像特征的迷彩伪装评估指标体系以及高斯 Manhattan 距离图像相似度模型遥 建立了超效率 DEA-GCA 混合模型袁将图像相似度作为 DEA 输出矩阵袁 超效率值作为灰色关联参考序列袁 并对 2 种迷彩在 8 种典型背景下的伪装效果进行实验验证遥 该方法能够有效量化评估迷彩在不同背景下的伪装效果袁 可对比评估不同迷彩的综合伪装适应性袁 同时可量化分析影响迷彩伪装效果的内在图像特征因素袁 对迷彩设计与实施具有积极意义遥关键词院 迷彩曰 伪装评估曰 超效率 DEA曰 灰色关联分析曰 Manhattan 距离中图分类号院 TJ810文献标识码院 粤doi:10.3969/j.issn.1002-6673.2023.04.005机电产品开发与创新阅藻增藻造燥责皂藻灶贼 驭 陨灶灶燥增葬贼蚤燥灶 燥枣 M葬糟澡蚤灶藻则赠 驭 E造藻糟贼则蚤糟葬造 P则燥凿怎糟贼泽灾燥造援36熏晕燥援4Jul援熏圆园23第 36 卷第 4 期圆园23 年 7 月文章编号院 员园园圆原远远苑猿 渊圆园23冤 园4原015原园5修稿日期院圆园23原02原08项目来源院 军委科技委基础加强计划技术领域基金项目渊2019-JCJQ-JJ-005冤作者简介院张啸锟渊1995-冤袁男袁河北石家庄人袁硕士研究生袁助理工程师遥 研究方向院伪装工程遥 已发表论文 3 篇曰通信作者院李凌渊1982-冤袁男袁江苏南京人袁博士研究生袁副教授遥 研究方向院伪装工程遥 已发表论文 20 余篇遥15窑 开发与创新 窑装效果评估方法袁为迷彩伪装的设计与实施提供指导建议遥1基于综合图像特征迷彩伪装效果评估指标体系迷彩伪装效果评估是提高战场目标生存能力的重要环节袁 基于目标伪装场景图像综合特征的评估是一种行之有效的方法遥对目标与背景综合图像特征提取袁就是根据图像的像素点袁将其中的有效信息提取出来3遥 本文将主客观特征因素相结合袁 综合选取了统计特征尧 颜色特征尧纹理特征尧形状特征尧复杂度特征等 5 个维度作为评估一级指标袁并在此基础上选取了 22 项二级指标袁建立了迷彩伪装效果评估指标体系遥1.1 统计特征统计特征通常基于图像的灰度直方图属性进行4袁主要特征量包括 4 个指标遥灰度均值渊G冤袁反映图像灰度的平均水平袁可表示为院fG=1X伊YXx=1移Yy=1移g渊x袁y冤渊1冤式中院X伊Y 为图像的大小袁g渊x袁y冤为像素点渊x袁y冤的灰度值遥均方误差渊MSE冤袁反映图像的灰度对比度袁可表示为院fMSE=1X伊YXx=1移Yy=1移g渊x袁y冤-fG2渊2冤平滑度渊R冤袁反映图像的相对平滑程度及灰度的均匀性袁可表示为院fR=1-11+fMSE渊3冤图像熵渊E冤袁反映图像的细节丰富程度袁可表示为院fE=255i=0移pilogpi渊4冤式中院pi要图像中灰度值为 i 的像素在所有像素中的比例遥所以袁一副图像的统计特征向量表示为院F1=渊fG袁fMSE袁fR袁fE冤渊5冤1.2 颜色特征颜色特征是图像最基本和应用最广泛的基本特征之一遥 在常用的颜色空间中袁HSV 颜色空间更接近人眼观察彩色的视觉特性5遥 因此袁以 H渊色调冤尧S渊饱和度冤尧V渊亮度冤3 个分量的均值作为图像的颜色特征指标袁可表示为院f渊H袁S袁V冤=1X伊YXx=1移Yy=1移h袁s袁v渊x袁y冤渊6冤所以袁一幅图像的颜色特征向量表示为院F2=渊fH袁fS袁fV冤渊7冤1.3 纹理特征纹理是物体表面细节的总称袁 由灰度分布在空间位置上反复出现而形成遥 灰度共生矩阵能够反映图像各灰度级的分布特性和不同像素的相对位置6袁可定义为院p渊i袁j冤=渊x1袁y1冤袁渊x2袁y2冤沂S渣f渊x1袁y1冤=i and f渊x2袁y2冤=j渣渊8冤p渊i袁j冤表示图像中灰度值为 i袁j 的像素点在一定约束条件下共同出现的概率遥 一般将像素点的距离 d 和与坐标轴形成的夹角 兹渊包括 0毅尧45毅尧90毅尧135毅四个方向冤作为约束条件遥 设图像灰度级别为 m袁描述图像纹理特征的二次统计量主要包括 5 个指标遥角二阶矩渊ASM冤袁反映图像灰度分布和纹理粗糙度的均匀程度袁可表示为院fASM=m-1i=0移m-1j=0移p渊i袁j冤2渊9冤对比度渊CON冤袁反映图像的清晰度袁可表示为院fCON=m-1i=0移m-1j=0移渊i-j冤2p渊i袁j冤渊10冤相关性渊COR冤袁反映图像中局部灰度相关性袁可表示为院fCOR=m-1i=0移m-1j=0移渊i-ux冤渊j-uy冤p渊i袁j冤滓x滓y渊11冤式中院ux袁uy袁滓x袁滓y分别为的均值和标准差袁px袁py为 p 渊i袁j冤的每行和每列之和遥纹理熵渊ENT冤袁反映图像灰度分布的复杂程度袁可表示为院fENT=m-1i=0移m-1j=0移p渊i袁j冤lnp渊i袁j冤渊12冤均匀度渊HOM冤袁反映图像纹理的同质性袁可表示为院fHOM=m-1i=0移m-1j=0移p渊i袁j冤1+渊i-j冤2渊13冤所以袁一副图像的纹理特征向量渊分量取 4 个方向的均值冤表示为院F2=渊fASM袁fCON袁fCOR袁fENT袁fHOM冤渊14冤1.4 形状特征形状是把图形从视野中分割出来的外界线袁由明度和色彩的突变引起袁不随图像颜色细节变化遥用不变矩描述图像形状特征时具有旋转尧平移尧缩放等空间几何不变性7遥对于二值图像 f渊x袁y冤袁其 p+q 阶普通矩和中心矩定义为院mpq=Xx=1移Yy=1移xpyqf渊x袁y冤渊15冤滋pq越Xx=1移Yy=1移渊x-x0冤p渊y-y0冤qf渊x袁y冤渊16冤式中院x0袁y0要中心矩的矩心曰p袁q=0袁1袁2袁噎遥归一化中心距为院ypq=滋pq滋00r渊17冤16窑 开发与创新 窑式中院r=p+q+22袁p+q=2袁3袁噎遥利用 2 阶和 3 阶中心矩可构造 7 个不变矩作为形状特征评估指标袁定义如下院fI1=y20+y02fI2=渊y20-y02冤2+4y112fI3=渊y30-3y12冤2+渊3y21-y03冤2fI4=渊y30+y12冤2+渊y21+y03冤2fI5=渊y30-3y12冤渊y30+y12冤渊y30+y12冤2-3 渊y21+y03冤2+渊3y21-y03冤渊y21+y03冤3渊y30+y12冤2-渊y21+y03冤2fI6=渊y20-y02冤渊y30+y12冤2-渊y21+y03冤2+4y11渊y30+y12冤渊y21+y03冤fI7=渊3y21-y03冤渊y30+y12冤渊y30+y12冤2-3 渊y21+y03冤2-渊y30-3y12冤渊y21+y03冤3渊y30+y12冤2-渊y21+y03冤2渊18冤将不变矩 fI1fI7合并袁即可表示为图像的形状特征向量院F4=渊fI1袁fI2袁fI3袁fI4袁fI5袁fI6袁fI7冤渊19冤1.5 复杂度特征图像的复杂度是对图像内在复杂程度的描述袁 图像像素值变化得越多尧越频繁袁则图像越复杂遥 图像的复杂度特征一般通过 3 个指标进行描述8遥纹理复杂度渊CIT冤袁可用相邻像素的相关性来描述渊本文取水平尧垂直和对角 3 个方向的均值冤袁可表示为院fCIT=Ni=1移渊xi-1NNi=1移xi冤渊yi-1NNi=1移yi冤Ni=1移渊xi-1NNi=1移xi冤2伊Ni=1移渊yi-1NNi=1移yi冤圆姨渊20冤式中院N要在图像中随机抽取 N 对相邻像素袁xi和 yi表示某对相邻像素的像素值遥形状复杂度渊CIS冤袁可用图像平均梯度来描述袁反映像素的显著变化袁可表示为院fCIS=1X伊YXx=1移Yy=1移渊鄣f鄣x冤2+渊鄣f鄣y冤22姨渊21冤式中院鄣f鄣x和鄣f鄣y分别表示图像水平方向和垂直方向的梯度遥熵复杂度渊CIE冤袁可用图像的信息熵来描述袁反映灰度的分布情况袁可表示为院fCIE=fElog2m伊m256渊22冤所以袁一副图像的复杂度特征向量表示为院F5=渊fCIT袁fCIS袁fCIE冤渊23冤2基于高斯Manhattan距离图像相似度模型通过综合图像特征迷彩伪装评估指标体系的建立袁可将伪装场景中目标与背景图像原始数据转化为特征向量形式袁 所以伪装目标与背景图像相似度可用对应特征向量的距离来描述袁距离越小袁则相似度越大遥 在常用距离计算方法中袁Manhattan 距离的计算过程简单快速袁准确率和度量效果较好9遥由于图像特征向量的各特征值有时相差很大袁 需要将特征分量归一化到相同的区间袁 本文结合高斯归一化方法10袁可将特征值归一化到0袁1区间院x*=渊x-滋猿滓+员冤/圆渊24冤式中院滋要特征分量的均值曰滓要标准差遥设图像 A 和 B 经过归一化处理的某一图像特征向量为 FAx和 FBx袁则高斯 Manhattan 距离的计算公式为院d渊FAx袁FBx冤=ni=1移渣fAxi-fBxi渣渊25冤所以袁可定义 2 幅图像某一特征的相似度为院simFx渊A袁B冤=1-d渊FAx袁FBx冤渊26冤3超效率DEA-GCA混合评估模型针对综合图像特征迷彩伪装评估指标体系的多指标属性特点袁可建立数据包络分析渊DEA冤模型进行多属性决策评估遥DEA 是一种广泛的数学规划方法袁当分析数据量大尧指标众多时袁可通过测量其相对效率来比较一组评估单元渊DMU冤的多个输入和输出遥 假设有 n 个 DMU袁其中第 j 个 DMU 定义为 DMUj渊j=1袁2袁噎袁n冤袁其消耗 m 个输入xij渊i=1袁2袁噎袁m冤袁产生输出 yrj渊r=1袁2袁噎袁s冤11-12袁见图 1遥传统 DEA 模型关注于无效值袁 对有效值的关注不够袁无法比较有效 DMU 之间的优劣程度遥 而超效率 DEA模型可通过比较评估单元与其它所有评估单元的线性组合袁实现有效 DMU 之间效率值的充分排序13遥 设 滋r尧棕i分别为输出 yrj和输入 xij的权重袁DMU 的超效率 DEA 线性规划模型为院max h0=sr=1移滋ryr0s.t.mi=1移棕ixr0=1mi=1移棕ixij-sr=1移滋ryrj逸0曰j=1袁2袁噎袁n棕i袁滋r逸0袁坌i袁r渊27冤计算得到不同 DMU 的效率值后袁还需要探究哪些内在图像特征是影响迷彩伪装效果的关键因素袁 即哪些图图1 DEA模型的输入输出结构17窑 开发与创新 窑像特征相似度的数值变化对于超效率值的影响程度较大遥灰色关联分析是根据因素之间发展趋势的相似或相异程度渊即野灰色关联度冶冤来衡量因素间关联程度的一种方法14-15遥因此袁本文将超效率 DEA 模型与灰色关联分析相结合袁可用于区分不同图像特征与超效率值之间的关联程度遥选择超效率值作为参考序列 z0渊k冤袁图像特征相似度作为比较序列 zi渊k冤袁采用初值法对序列进行无量纲化处理院z渊k冤忆=z渊k冤z渊1冤袁k=1袁2袁噎袁n渊28冤之后袁利用式渊29冤尧式渊30冤即可得到与的灰色关联度院浊i渊k冤=minimink啄+0.5maximaxk啄啄+0.5maximaxk啄渊29冤Ri=1nnk=1移浊i渊k冤渊30冤式中院啄=渣zi渊k冤-z园渊k冤渣袁浊i渊k冤为 zi与 z0在 k 点的关联系数遥Ri越大袁表示图像特征相似度 zi对超效率值 z园的影响越明显遥4实验验证及分析图 2 所示为相同的伪装目标分别喷涂了传统迷彩和数码迷彩袁 为探究这 2 种迷彩图案在不同林地背景下的综合伪装效果和适应性袁本文选取图 3 所示我国境内针叶林尧灌木林尧阔叶林尧硬叶林等 8 种典型林地作战环境作为迷彩伪装效果评估背景遥 伪装效果评估方法实现流程见图 4遥利用 Matlab 软件分别计算出 2 个伪装目标 T1渊传统迷彩冤尧T2渊数码迷彩冤与 8 个背景的图像特征和相似度袁并将不同特征相似度作为 DEA 输出值袁定值 1 作为 DEA输入值袁代入模型得到结果见表 1遥由超效率 DEA 计算结果可知袁伪装目标 T2 的平均效率值大于 1袁 且 8 个背景中有 7 个背景的效率值大于1袁表示整体 DEA 有效曰而伪装目标 T1 的平均效率值小于 1袁且只有 5 个背景效率值大于 1袁表示整体 DEA 无效遥此外袁对单个背景下 2 个目标的超效率值进行对比袁结果见图 5遥可见袁伪装目标 T2 对于每个背景的超效率值也均大于伪装目标 T1遥 所以袁上述 2 个结果同时说明袁针对本文选取的 8 种典型林地背景袁 目标在喷涂数码迷彩时的综合伪装效果和适应性要优于传统迷彩遥由表 1 灰色关联分析结果来看袁 图像特征相似度与超效率值的灰色关联度排序为院 纹理特征统计特征复杂度特征形状特征颜色特征遥其中袁纹理特征相似度的关联程度最大袁达到 0.9 以上袁说明该特征对超效率值存渊a冤传统迷彩渊b冤数码迷彩图2喷涂不同迷彩的伪装目标图像渊a冤针叶林背景渊b冤灌木林背景渊c冤阔叶林背景渊d冤硬叶林背景渊e冤落叶林背景渊f冤苔藓地背景渊g冤高草地背景渊h冤矮草地背景图3典型林地背景图像图4迷彩伪装效果评估方法流程图表1目标与背景图像模型计算结果目标背景统计特征相似度颜色特征相似度纹理特征相似度形状特征相似度复杂度特征相似度DEA超效率值平均效率值T1B10.95410.96020.89080.51070.86761.00700.9987B20.97460.56280.90940.51610.90591.0076B30.94430.34190.83200.47710.89900.9625B40.98110.17920.80520.52550.90320.9911B50.99510.93480.82140.52140.79681.0017B60.97260.45530.85750.46720.94510.9964B70.98560.47950.83170.48970.96071.0094B80.89920.40680.94730.41960.98351.0135T2B10.95600.99170.88020.67150.87511.06911.0219B20.97650.53140.89880.67770.89771.0206B30.94630.31040.82180.63900.90650.9696B40.98300.17670.79390.69410.89501.0242B50.99710.96590.80810.66440.78861.0327B60.97450.42380.84730.62950.95331.0009B70.98750.44800.81910.65120.95251.0142B80.90110.37530.93670.58820.99181.0436灰色关联度0.85370.56110.90200.78720.7989排名2514318窑 开发与创新 窑在较强的关联性遥 同时袁 颜色特征相似度的关联程度最小袁仅有不足 0.6袁说明该特征对超效率值的关联性较弱遥为验证上述结论袁将伪装目标 T1 的各图像特征相似度分别提高 5%并代入模型进行计算袁可得到每个特征经数据模拟优化后伪装目标 T1 的 DEA 平均效率值见图 6遥可见袁对不同特征相似度进行数据模拟优化后袁目标的 DEA 平均效率值得到了较为明显提升袁有 4 项特征经优化后使得目标整体 DEA 由无效转变为有效袁且提升幅度排序与灰色关联分析结果基本一致袁 验证了模型的有效性和准确性遥其中袁纹理特征相似度的优化对于目标平均效率值的提升最为明显袁 证明迷彩图案与背景纹理特征的相似度对于目标伪装效果的影响程度最大遥所以袁综合上述结论可知袁 针对目标在迷彩伪装的设计与实施过程中袁 应将与背景的纹理特征相似度作为主要考虑因素进行重点优化和控制遥5结论本文构建了主客观相结合的综合图像特征指标体系袁提出了一种基于超效率 DEA 和灰色关联分析的迷彩伪装效果多属性决策评估方法袁经实验验证袁该方法决策指标更加丰富袁 伪装效果评估结果的客观性和可信度更高袁并能够实现院淤量化评估迷彩在不同背景下的伪装效果曰于评估比较不同迷彩的综合伪装适应性曰盂量化分析影响迷彩伪装效果的内在图像特征因素袁 对迷彩的设计与实施具有积极意义遥参考文献院1 胡江华援伪装技术M援北京院国防工业出版社袁2014院16-114援2 代军援基于相似度的伪装效果评价方法研究D援西安工业大学袁2018援3S Lazebnik袁C Schmid袁J Ponce援Beyond Bags of Features院SpatialPyramid Matching for Recognizing Natural Scene Categories C援Cvpr袁2006渊2冤院2169-2178援4崔宝生袁薛士强袁姬艳军袁等援图像特征的伪装效果评估技术J援红外与激光工程袁2010袁39渊6冤院1178-1183援5 杨奥博袁盛家川袁李玉芝袁等援基于 HSV 空间的颜色特征提取J援电脑知识与技术袁2017袁13渊18冤院193-195援6 Aouat S袁Ait-Hammi I袁Hamouchene I援A new approach for texturesegmentation based on the Gray Level Co-occurrence MatrixJ援Multimedia Tools and Applications袁2021院1-26援7Jain A K袁Vailaya A援Shape-based retrieval院a case study withtrademark image databases J援Pattern Recognition袁1998袁31渊9冤院1369-1390援8 秦建飞袁冯海潮袁杨高峰袁等援图像复杂度及其在伪装效果评估中的应用J援工兵装备研究袁2011袁30渊3冤院23-26援9 栾婷援基于 CNN 与特征融合的图像检索方法研究D援东北大学袁2017援10 王展援基于背景的迷彩伪装设计与综合评估方法研究D援东北大学袁2014援11 Charnes A袁Cooper W W袁Rhodes E援Measuring the efficiency ofdecision making units J援European Journal of Operational Re鄄search袁1979袁2渊6冤院429-444援12 Yun Y B袁Nakayama H袁Tanino T.A generalized model for data en鄄velopment analysis J.European Journal of Operatinal Research袁2004渊157冤院87-105.13 Esmaeilzadeh A袁Hadi-Vencheh A援A super-efficiency model formeasuring aggregative efficiency of multi-period production sys鄄temsJ援Measurement袁2013袁46渊10冤院3988-3993援14 李浩袁王公宝袁贺凯滨援基于 DEA 和灰色关联分析的军事学历院校综合实力评估J援军事运筹与系统工程袁2020袁34渊3冤院40-44援15 Pradhan袁Kumar M.Multi-Objective Optimization of MRR袁TWRand Radial Overcut of EDMed AISI D2 Tool Steel Using ResponseSurface Methodology袁Grey Relational Analysis And Entropy Mea鄄surement J.Journal for Manufacturing Science&Production袁2012袁12渊1冤院51-63.图4单个背景下不同目标DEA超效率值对比图6伪装目标T1数据模拟优化结果19