基于深度学习的迷彩设计技术

迷彩图案的设计通常有两种思路：一种是在已有的较为成功的设计基础之上，通过更换色调或对斑块进行小的调整，完成针对新的作战地形地貌的迷彩图案设计；另一种，则是全新的从头设计。下面分别举例说明。

11.4.2.1　现有成功设计上的改进

若已经有了较为成功的迷彩图案，当作战地形改变之后，只需根据新的目标地形，进行场景图像采集和聚类分析，通过主颜色置换，即可快速地得到新的设计。

如图11-28所示，借鉴现有的迷彩图案[图11-28（a）]，并根据真实地形图[图11-28（e）]，重新设计对应的迷彩图案，其具体步骤可参考如下。

（1）根据原始迷彩图案按照机器学习中的聚类分析，提取n=5类主颜色（多地形迷彩可以选择n=7，而实际上主颜色的选择只取决于印花工艺的限制，理论上可以更多）。

（2）对图11-28（e）所示真实地形图像提取n=5类主颜色，并按照同样的聚类比例排列。

图11-28　通过颜色置换进行快速迷彩原型的自动设计

（3）将各比例下的颜色互相替换，完成新色彩环境下的迷彩图案设计。

直接完成颜色替换之后的图案原型，还可以经过像素化（pixelation）处理，得到更为理想的数字迷彩效果，如图11-29所示。当然，如果无须数字迷彩图案，则无须上述过程。

图11-29　对图11-28所得结果进行像素化处理得到的理想设计效果

主颜色置换法的优点非常突出，就是高速、高效、全自动。缺点也同样明显，即分色稿中各纹理区域的形状没有发生变化，因此，所得迷彩图案的纹理形状，与目标作战地形的纹理形状，可能会存在较大的差异。(www.xing528.com)

11.4.2.2　全新的设计

很多时候，需要重新进行全新的迷彩设计，此时，可以采用基于深度学习的纹理合成技术，根据已有的图像，合成新的风格类似的图像，如图11-30所示。

图11-30　纹理合成示例

对迷彩设计而言，这意味着将战场地形图像或者着装军事人员，变为战场地形的一部分，从而最小化光学影像间的差异。按照这个思路，举例说明利用深度学习中的纹理合成技术进行迷彩图案的设计方法。

如图11-31所示，首先通过深度学习得到与原始作战地形图像类似的合成纹理，然后再利用前述颜色置换方法，得到新的合成地形图像[图11-31（d）]，并通过像素化处理，或者噪声扰动，得到新的迷彩设计原型。

在这样的设计过程中，所得迷彩图案并不局限于某种给定的纹理轮廓或者分形结构，而是根据深度神经网络从原始图像中所“学习”到的风格特征进行纹理块的集聚与分布，整个过程无需任何先验知识，可以实现端到端的图案设计。

图11-31　基于深度学习的迷彩图案设计示例

当今技术的进步已经可以将两种方法所得迷彩图案通过虚拟服装的形式展现出来，便于筛选与评估。如图11-32所示，分别通过虚拟试衣技术制作两款迷彩图案所对应的服装，并将其放置在原始战场地形图中进行比对。其中，按照深度学习方案设计的迷彩图案，其伪装效果明显好于颜色替换方案。即该方案下的虚拟服装分别位于地形图左右两侧时，均能展现出较好的融入效果。这是因为深度神经网络通过巨量参数矩阵，从底层到高层，较好地提取了原始地形图像中的特征图，从而使得合成的迷彩图案能够拥有较好的伪装效果。事实上，两种方案都能够起到相应的迷彩伪装效果，均可作为后续实际小样生产测试时的初选原型。同时，设计人员还可以在此基础上继续确定两种图案中纹理块的大小与形状，以及服装裁片上相应部位迷彩纹理的拼接对位方式等，从而完成更精准的设计。

需要指出，上述两种方法均受制于有监督学习的固有缺陷，即高度依赖于所给定的战场地形图像。不同设备、不同光照条件、不同角度、不同分辨率下拍摄的同一战场地形理论上讲是不可能相同的，因此，在实际应用中，往往需要对战场图像进行全景图拼接以及图像的和谐化（image harmonization），包括对所采集的原始图像数据集进行聚类分析，提取典型地形地貌，然后再用其合成具有统计意义的代表性地形纹理图像，作为该区域迷彩设计的参考图像。

图11-32　两种设计方法所得结果的虚拟试衣与实际地形的拟合效果