基于布谷鸟搜索的路面裂缝图像检测算法*

2019-08-15程玉柱李赵春

传感器与微系统 2019年8期

程玉柱, 李赵春, 余伟

(1.南京林业大学机械电子工程学院，江苏南京 210037； 2.南京林业大学汽车与交通工程学院，江苏南京 210037)

0 引言

中国的公路交通快速发展，公路里程数急剧增长，对道路行车的安全性、舒适性和经济性要求提高，势必加大路面养护管理、路面性能评价与预测、路面材料与结构设计等工作。传统上靠人工检测或半自动检测，工作量大、效率低，越来越不适应大里程道路养护管理。开发路面病害自动检测系统具有重要意义[1，2]。路面裂缝是路面常见病害之一，利用机器视觉与图像处理技术，构建自动路面裂缝检测系统是当前国内外研究热点之一。裂缝的类型较多，且受杂物、油污、阴影及光照等因素影响，实现快速、稳定、准确路面裂缝检测一直是个难题。目前还没有统一的分割与识别算法[3]。

裂缝图像识别系统主要包括3个部分：图像预处理、图像分割、特征提取与分类[4，5]。而图像预处理包括：灰度变换、图像去噪、图像增强等环节。道路裂缝图像检测算法按需选用以上部分环节，如灰度变换、去噪、图像分割等组成。灰度图像主要采用三原色(RGB)独立通道或者Rgb2gray函数实现；图像去噪在空域和频域展开，如均值滤波、中值滤波、维纳滤波和傅立叶变换、小波变换等；图像分割主要有阈值分割，以Otsu最为典型，边缘检测、区域增长与融合等。

全变差(total variation,TV)滤波利用偏微分方程迭代对图像进行去噪处理，可用于各种类型的噪声中[6,7]。K均值算法是无监督分类中的一种自适应搜索聚类算法，通过反复迭代寻找K个最佳聚类中心，把全部样本划分为K类，使得全部样本到类中心欧氏聚类之和最小[8]。布谷鸟搜索(cuckoo search,CS)算法是一种新的群体智能算法，是对布谷鸟寄生育鸟行为以及鸟类和果蝇莱维飞行的模拟。此算法具有简单、参数少、易于实现等优点，且性能接近标准的粒子群优化算法[9,10]。

利用布谷鸟搜索与K均值算法各自优点，本文针对路面裂缝图像，提出了一种基于TV滤波与改进的布谷鸟搜索路面裂缝检测算法，采用V分量、TV滤波、布谷鸟搜索分割等方法实现路面裂缝目标提取。试验结果表明，此算法有效。

1 数学模型

1.1 算法流程图

首先输入路面裂缝彩色RGB图像,然后经过HSV转换，得到V分量灰度图像。对灰度图进行TV滤波器去噪，滤波后利用直方图计算图像的初始聚类中心，将其作为搜索域约束进行布谷鸟算法计算，最后利用K均值算法计算新的聚类中心，得到最优图像分割阈值，实现道路裂缝目标提取。

1.2 TV模型

1.3 CS

算法基本原理是：自定义目标函数f(X)，设置种群规模、问题维数、最大发现概率P和最大迭代次数等参数；选择适应度函数并计算每个鸟窝位置的目标函数值，得到当前的最优值；并用式(3)对鸟窝的位置和状态进行更新

式中xi为不同时刻的鸟窝位置，β为步长控制量，由搜索空间大小决定，S(ρ)为随机搜索路径的随机数，服从对称莱维稳定分布，计算方法为

S(ρ)～s-ρ,1<ρ≪3

(4)

1.4 K均值

1)二均值聚类，令K=2，通过图像直方图的两峰值，得到C0与C1，分别为裂缝目标和背景的初始化中心。

2)计算灰度图像所有像素值与初始聚类中心的几何距离，并以最短聚类判别类属性

Distanceij=abs(uj-Ci),i=1,2;j=1,2,…,N

(5)

式中Distanceij为类间距离，uj为灰度值，N为图像像素数目。

3)计算新的目标和背景聚类中心

4)迭代至聚类中心无变化得到分割阈值，否则,跳转步骤(2)；分割阈值为

道路表面有多种病害，由于钢筋混凝土材料特性，裂缝是比较常见的病害。因此,可采用数码相机或手机进行路面裂缝采集，得到道路裂缝彩图。图1为路面裂缝RGB彩色原图。彩图经HSV变换、TV滤波处理、直方图峰值、布谷鸟搜索、K—均值聚类等步骤得到道路裂缝检测结果。

图1 道路裂缝彩图

2.1 灰度化

彩图灰度化可以降低要处理的数据量，传统上MATLAB通过自有的灰度化函数Rgb2hsv进行灰度化，且V分量可以降低光照变化对采集到的图像质量的影响。图2为图1对应的V分量灰度图。

图2 Rgb2hsv灰度图

2.2 灰度图TV滤波

对图2进行TV滤波处理，得到滤波结果，如图3所示。TV滤波算法很好地去除了大部分噪声，为图像分割奠定了良好的基础。

图3 TV滤波

2.3 直方图峰值

为得到初始聚类中心，对图像直方图进行统计。如图4所示，图4(a)为粗裂缝直方图，像素值低的像素数目较多；图4(b)为细裂缝直方图，低像素值的像素数较少。设定初始聚类中心范围，0

图4 图像直方图

2.4 CS-K均值算法

算法流程为：

1)初始化鸟窝规模、最大迭代次数、设定鸟窝位置搜索范围等参数。

2)利用初始搜索范围合理设定初始聚类中心，将其结果设定为一个初始解，其他鸟窝位置初始解在设定域内随机产生。

3)根据式(5)计算各像素到初始聚类中心的距离，并将其作为鸟窝位置的目标函数适应值。

4)根据式(3)、式(4)，更新鸟巢位置，并对位置进行限幅处理，按照目标函数(4)重新计算各位置的目标函数值，根据式(6)更新聚类中心。

5)对每个鸟窝位置，比较当前评价函数值和其历史最好的适应值，保存最优解；比较群体所有鸟窝位置的适应度值与全局历史最好值的大小，将最优解作为当前全局历史最好适应值。

6)满足停止条件，输出结果，否则继续搜寻。最后根据式(7)计算分割阈值，进行图像分割。

利用改进的布谷鸟—K均值算法对图3进行图像分割，得到图5，能检测出粗裂缝和细裂缝。

图5 道路裂缝目标检测

3 结果分析

为了准确评价道路裂缝图像检测效果，通过比较Otsu算法(图6)与布谷鸟—K均值分割算法(图5)，定性分析算法优缺点。图6(a)为粗裂缝V分量灰度图Otsu图像分割二值图；图6(b)为粗裂缝V分量TV去噪灰度图Otsu图像分割二值图；图6(c)为细裂缝V分量灰度图Otsu图像分割二值图；图6(d)为细裂缝V分量TV去噪灰度图Otsu图像分割二值图。