HTML
-
本文中采用衡量图像结构相似度(structure similarity index measure, SSIM)算法[17]作为生成数码迷彩的结构性评价指标,颜色特征相似度算法[18]作为颜色评价指标。
SSIM算法从亮度、对比度和结构3个方面进行对两幅图像进行相似度评估,计算如下式所示:
式中:μx和μy分别代表x、y的平均值;σx和σy分别代表x、y的标准差;σxy代表x、y的协方差;N1和N2为常数,避免分母为0时带来的系统错误。SSSIM(x, y)最终取值0~1,SSSIM(x, y)越大,两图结构差异性越小。
颜色特征相似度算法使用相关性计算公式计算两幅图像RGB颜色直方图,得到相似度数据,相关性计算公式如下式所示:
式中:H1与H2分别代表两幅图像的直方图;i代表颜色直方图的横坐标,即颜色值;H1(i)和H2(i)表示在该颜色下,两直方图对应颜色的统计数量;μ1和μ2分别为两个直方图的均值;颜色相似度T(H1, H2)取值0~1, 颜色相似度越大,两图颜色差异性越小。
将生成的仿造数码迷彩和原始背景图进行相似度计算,相似度越高说明生成的迷彩效果越好。在保证其余参数相同的情况下,本文中通过分别改变生成数码迷彩时的主色数量、色差计算颜色权重、颜色量化数量,对结果与原图像的相似度进行对比,得到最适合常用环境下的参数。
-
针对常见的林地背景,在其余参数不变的情况下,生成数码迷彩时使用不同数量的主色,结果如图 8如所示。表 1为不同数量主色得到的数码迷彩与原图对比后的SSIM以及颜色相似度得分。根据表 1中数据可知,当主色数量增加,颜色相似度得分逐步增加,4种主色与6种主色的颜色相似度差距不大。4种主色时SSIM得分最高,但优势不明显,根据陆军设备变形迷彩图册GJB 4004—2000[19],4种主色已可以满足常用场景的伪装需求,最终本文中仿造迷彩生成算法使用4种主色。
dominant color SSIM color similarity 3 0.5444 0.5031 4 0.5482 0.5328 6 0.5433 0.5420 Table 1. SSIM and color similarity score of different main color
-
色差计算颜色权重对比结果如图 9所示。图 9中主色数量与颜色量化数量相同,通过肉眼直接观察,不同色差权重对结果的影响在主观上并不明显,从表 2中的SSIM得分可以发现,色彩权重的改变对最终结果的SSIM得分变化幅度在0.3以内,可以认为色彩权重的改变对最终的颜色的整体结构性影响较小。但在颜色相似度指标上,色差权重比为3∶6∶1时的颜色相似度相比其余权重分配时具有明显优势,可以认为此色彩权重下图像整体颜色与原图像相似度最高,最终本文中色差权重选择为3∶6∶1。
chromatic aberration weights(R ∶G ∶B) SSIM color similarity 1 ∶1 ∶1 0.6138 0.4968 2 ∶1 ∶4 0.6262 0.4718 3 ∶4 ∶2 0.6190 0.4820 3 ∶6 ∶1 0.6032 0.5704 4 ∶8 ∶1 0.6098 0.5264 Table 2. SSIM and color similarity score of different chromatic aberration weights
-
颜色量化数量对比结果如图 10所示。图 10中,当颜色量化数量不同时,整体迷彩结果会有较大不同,300种量化颜色方案将H分量分为12种,S、V分量分为各5组;900种量化颜色方案将H分量分为36种,S、V分量分为各5组;3600种量化颜色方案将H分量分为36种,S、V分量分为各10组;8100种量化颜色方案将H分量分为36种,S、V分量分为各15组。
表 3为量化颜色不同时SSIM以及颜色相似度得分。可以看出,随着量化颜色数量的增加,SSIM得分和颜色相似度都随之增加,生成的迷彩效果越好。其中3600种量化颜色增加到8100种量化颜色,SSIM和颜色相似度得分明显小于从300种增加到3600种,使用了更多的资源,生成迷彩却没有明显的性能提升,综合考虑FPGA内部资源使用,最终本文中颜色量化数量选择为3600种。
image number color quantifications SSIM color similarity 1 300 0.8410 0.4662 900 0.8786 0.5089 3600 0.9195 0.5834 8100 0.9266 0.6217 2 300 0.7162 0.4745 900 0.7218 0.5083 3600 0.7242 0.5387 8100 0.7324 0.5480 Table 3. SSIM and color similarity score of different color quantifications
-
本文中采用Canny算子边缘检测的方法,对设计出的迷彩图案的伪装效果进行评估[20]。对一张图片的部分区域分别使用一般数码迷彩以及本文中仿造数码迷彩遮盖,用Canny算子分别对原图以及两种情况下图像进行边缘检测,观察伪装前后的数码迷彩纹理特点,结果如图 11所示。
根据图 11a和图 11b对比可以发现,使用一般数码迷彩遮盖后,通过边缘检测可以明显检测出遮盖区域。图 11c中的仿造数码迷彩使用颜色量化数量3600种,色差权重比3∶6∶1,4种主色生成,白色框住部分为伪装区域,边缘检测结果明显好于一般数码迷彩遮盖,同时边缘检测结果与原始图片结果相似,不能明显分辨出伪装区域,说明本文中系统生成的仿造迷彩具有良好的伪装效果。
-
为验证系统的实时性,将本文中的算法在PC平台通过Python实现,对比不同平台下该算法处理的时间,结果如表 4所示。实验结果表明,FPGA图像处理速度远高于PC平台,拥有较高的实时性。
platform resolution/pixels processing time/ms PC 800×480 1352.3 640×480 1128.2 FPGA 800×480 22.21 640×480 16.53 Table 4. Processing times for different platforms
将本文中算法经过vivado2018.3综合仿真后,资源使用情况如表 5所示。
resource utilization available utilization/% look up table 4335 20800 20.85 block memory 30 50 60 digital signal processing 5 90 5.55 Table 5. FPGA resource usage
表 5中,除了片上存储RAM以外,其余资源使用量占所用芯片资源总量的比例小于30%,RAM资源使用量较大是因为没有使用外部存储器,但使用量仍小于70%,片上资源足够本文中算法所需,即能够使用FPGA实现。