路面裂縫圖像檢測方法
【技術領域】
[0001] 本發(fā)明設及一種路面檢測技術，特別設及一種基于脈沖禪合神經(jīng)網(wǎng)絡和遺傳算法 的路面裂縫圖像檢測方法。
【背景技術】
[0002] 無論是漸青還是水泥路面，在通車一段時間后，都會由于溫度應力、外間環(huán)境等因 素而產(chǎn)生路面病害，而裂縫作為路面病害的一種，影響了路面的正常營運。因此必須有效地 對路面裂縫進行檢測，評估其風險性，從而能夠避免潛在的危害。
[0003] 隨著計算機技術W及其他高科技領域技術的發(fā)展，通過數(shù)字圖像檢測方法來識別 檢測裂縫已逐漸成為主流，其高靈敏性、高自動化、非接觸性等特點都為裂縫檢測提供了諸 多方便。
[0004] 現(xiàn)有的一些裂縫檢測算法通常通過設置灰度闊值來分割目標和背景，然而路面裂 縫具有連續(xù)性差、對比度低，且由于路面本身存在一定干擾(如油污、斑點、碎屑等），運些都 會導致該方法的不適用甚至失效。為此，需要提供一種智能且實際有效的方法來解決該算 法的不足。

【發(fā)明內容】

[0005] 本發(fā)明是針對現(xiàn)在路面裂縫檢測存在的問題，提出了一種路面裂縫圖像檢測方 法，脈沖禪合神經(jīng)網(wǎng)絡PCW^和遺傳算法相結合，解決由于路面存在的干擾導致檢測失效問 題。
[0006] 本發(fā)明的技術方案為:一種路面裂縫圖像檢測方法，對采集到的路面圖像進行灰 度化和濾波處理，然后，通過構建脈沖禪合神經(jīng)網(wǎng)絡模型，并利用遺傳算法能在解空間非線 性快速查找最優(yōu)解的優(yōu)勢優(yōu)化該模型的重要參數(shù)，迅速并準確地分割圖像中的裂縫和背 景;再根據(jù)分割后圖像的特征，對整幅圖像進行連通域檢測，濾除噪聲和背景紋理的干擾； 最后，提取裂縫骨架，求裂縫沿骨架法向線的最大寬度，并于原圖中標注。
[0007] 所述構建脈沖禪合神經(jīng)網(wǎng)絡模型，并利用遺傳算法能在解空間非線性快速查找最 優(yōu)解的優(yōu)勢優(yōu)化該模型的重要參數(shù)，迅速并準確地分割圖像中的裂縫和背景的具體步驟如 下：
[000引1)構建脈沖禪合神經(jīng)網(wǎng)絡模型，模型公式為：
[0009] Fij(D) = Sij;
[0010] Lij(n)= SWi 北 lYki(n-l);
[OOK]式中，F(xiàn)ij、Sij、Lij、Yij、Uij、目ij分別為神經(jīng)元的饋送輸入、外部刺激、鏈接輸入、輸
[0011]
[0012] 出、內部激活和動態(tài)闊值，Ve為幅度常數(shù)，Wijki為權值矩陣，Q0為衰減系數(shù)，e為鏈接系數(shù)，n為 迭代次數(shù)；
[0014] 2)采用遺傳算法優(yōu)化脈沖禪合神經(jīng)網(wǎng)絡的參數(shù)：
[0015] A:編碼:采用格雷碼進行編碼，編碼方式如表1:
[0016] 表1
[0017]
[0018] B:初始化:對遺傳算法初始化種群，設定種群規(guī)模M = 30，最大迭代次數(shù)T = 150;
[0019] C:適應度函數(shù)：由于裂縫本身占整幅圖像的比例較小，采用最小誤差闊值法對小 目標有較好的分割效果，因此初設定最小誤差準則函數(shù)作為染色體的適應度函數(shù)，適應度 函數(shù)公式為：
[0020] J = l+2[Polog50+PBlog5B]-2[PologPo+PBlogPB]；
[0021] 式中Po、Pb分別為目標裂縫和背景的正態(tài)概率密度分布，S〇、Sb分別表示目標和背 景的標準差；
[0022]
[0023]
[0024]
[0025] 其中其中0、B分別表示目標和背景的灰度值，Pu表示灰度值為U時的像素頻數(shù)，N為 總像素數(shù)，叫、分別為目標和背景的灰度均值；
[00%] 為保證適應度函數(shù)為正，修改后適應度函數(shù)為：
[0027] K = C-J，C為一常數(shù)，經(jīng)多次實驗，取C= 100能保證K為正；
[0028] D:選擇、交叉和變異，采用比例選擇方式:設定雜交概率Pc = O. 7,變異概率為Pw = 0.01;
[00巧]E:終止條件:滿足W下情況時迭代中止：
[0030] K(n+1)-K(n) <0.01n = l，2,3. . .，T-1，
[0031] 式中n為迭代次數(shù)，K(n+1)和K(n)分別表示n+1和n次迭代后的適應度函數(shù)值，若條 件不滿足，則程序執(zhí)行到最大代數(shù)為止。
[0032] 所述再根據(jù)分割后圖像的特征，對整幅圖像進行連通域檢測，濾除噪聲和背景紋 理的干擾的具體步驟如下：
[0033] 對分割后的圖像標記連通域，采用區(qū)域面積、矩形度、圓形度、不規(guī)則噪聲濾波相 結合的方式實現(xiàn)連通域濾波，得到完整的僅含裂縫的圖像；
[0034] 1)區(qū)域面積去噪:記每個連通域為Q(x，y)，設連通域總數(shù)為mi，統(tǒng)計各區(qū)域面積即 像素數(shù)，記為AiU, y)，通過設定闊值TA(x，y)，就可將低于設定值的小面積斑點去除，公式如 下：
[0035]
；
[0036] 2)矩形度去噪：經(jīng)由面積去噪后，連通域將進一步減少，記此時的連通域為AU, 7)，其總數(shù)為叫，設4如，7)、&山7)分別為各連通區(qū)域面積和相應的外接矩形面積，貝贈通 域的矩形度扣(x，y)，其計算公式如下：
[0037
[0038] 由于裂縫通常為婉艇曲折的帶狀，矩形度較小，此時通過設定相應的闊值TrU, y)，又可將部分高于闊值的塊狀干擾去除，其公式如下：
[0039]
[0040] 3)圓形度去噪：
[0041] 圓形度通常用來表示緊湊程度，記連通域個數(shù)為mk，圓形度為CkU,y)，連通域周長 為11^^，7)，41^^，7)為二次濾波后的各連通域面積像素，則其計算公式如下：
[0042]
[0043] 裂縫圓形度較大，通過設定闊值Tc(x，y)，從而又可將低于闊值的路面油污等干擾 濾除，記Qk(x，y)為經(jīng)上述濾波操作后剩余的連通域，濾波公式如下：
[0044]5
[0045] 4)不規(guī)則噪聲濾波
[0046] 經(jīng)過上述=次濾波后，圖像上可能仍留有少數(shù)形狀不規(guī)則的噪聲，但鑒于裂縫細 長的特征，長寬之差的絕對值較大，而噪聲則相對小得多，因此設定一個闊值TB(x，y)，將低 于該闊值的噪聲濾除，計算公式如下：
[0047] Bi(x，y)= |Li(x，y)-Wi(x，y) I 1 = 1,2,3. . .mi;
[004引
[0049] 式中11^，7)、胖1^，7)、81^，7)分別為連通域的長、寬和長寬之差的絕對值，91(義， y)表示=次濾波后余下的連通域。
[0050] 本發(fā)明的有益效果在于:本發(fā)明路面裂縫圖像檢測方法，采用數(shù)字圖像處理技術， 利用遺傳算法優(yōu)化PC順模型參數(shù)，加快了尋優(yōu)，減少了 PC順的迭代次數(shù)，并使其更易收斂， 分割效果抗干擾能力較強，分割更準確;利用連通域矩形度、圓度濾波W及不規(guī)則噪聲濾波 的方式濾除了大量無規(guī)則斑塊，為裂縫的檢測帶來了方便。
【附圖說明】
[0051 ]圖1為本發(fā)明路面裂縫圖像檢測方法流程圖；
[0052] 圖2為本發(fā)明基于模糊集的圖像增強后的效果圖；
[0053] 圖3為本發(fā)明PCNN結合遺傳算法分割后的圖像；
[0054] 圖4為本發(fā)明經(jīng)連通域四次濾波后的裂縫圖像；
[0055] 圖5為本發(fā)明已標注最大裂縫寬度后的圖像。
【具體實施方式】
[0056] 如圖1所示一種路面裂縫圖像檢測方法流程圖，方法具體包括如下步驟：
[0057] 步驟1、對采集到的路面圖像進行處理分析，首先，圖像灰度化，將原圖從RGB空間 轉換到灰度空間。
[0058] 步驟2、采用基于模糊集的圖像增強方法增強圖像，如圖2所示基于模糊集的圖像 增強后的效果圖，即將圖像從灰度空間域變幻到模糊域，根據(jù)W下解析式修正隸屬函數(shù)值， 再通過巧巧拖^*^年就*麼么巧?
[0化9]
[0060] 式中，山mn]代表模糊域內的隸屬函數(shù)值，X為修正后的隸屬函數(shù)值。
[0061] 步驟3、對增強后的圖像中值濾波，采用9X9的濾波模板，濾除圖像中所含隨機噪 聲的同時，可W保護圖像細節(jié)；
[0062] 步驟4、構建脈沖禪合神經(jīng)網(wǎng)絡(PCNN)模型，一般使用其改進后的模型，其公式為： [006；3] Fij(D) = Sij (2)
[0064] Lij(n)= SWi 北 lYki(n-l) (3)
[00化]Uij(n)=Fij(n)(l+邸 ij(n)) (4)
[006引 巧）
[0067] (6)
[006引式中，F(xiàn)ij、Sij、Lij、Yij、Uij、目ij分別為神經(jīng)元的饋送輸入、外部刺激、鏈接輸入、輸 出、內部激活和動態(tài)闊值，Ve為幅度常數(shù)，Wijki為權值矩陣，Q0為衰減系數(shù)，0為鏈接系數(shù)，n為 迭代次數(shù)。雖然PO^N模型具有顯著的圖像分割功能，但其參數(shù)的設置(包括ae、0、Wi化i、Ve等） 是個難題，尤其是迭代次數(shù)n的選取，不僅影響了 PCNN分割的速度，也關系到圖像分割的質 量。而遺傳算法在其解空間中能非線性快速尋找最優(yōu)解，設定最小誤差準則為其適應度函 數(shù)，從而就能加速PO^N尋優(yōu)，并且擁有更好的分割質量。
[0069] 采用遺傳算法優(yōu)化PO^N的參數(shù)，需要設及到W下方面：
[0070] 1):編碼。采用格雷碼進行編碼，編碼方式見表1:
[0071] 表1

[0073] 2):初始化。對遺傳算法初始化種群，設定種群規(guī)模M = 30,最大代數(shù)T = 150(最大 進化代數(shù)就是最大迭代次數(shù)）；
[0074] 3):適應度函數(shù)。由于裂縫本身占整幅圖像的比例較小，采用最小誤差闊值法對小 目標有較好的分割效果，因此初設定最小誤差準則函數(shù)作為染色體的適應度函數(shù)，其公式 為：
[0075] J = l+2[Polog50+PBlog5B]-2[PologPo+PBlogPB]； (7)
[0076] 式中Po、Pb分別為目標裂縫和背景的正態(tài)概率密度分布，S〇、Sb分別表示目標和背 景的標準差。
[0077]
[007引