基于改進(jìn)模糊聚類算法的路面裂紋圖像分割

王建鋒于鎮(zhèn)赫++賈云亮

摘要：圖像分割是路面裂紋識(shí)別的關(guān)鍵步驟，圖像分割的效果直接影響路面裂紋的識(shí)別和分類。針對路面圖像模糊核均值聚類算法中迭代結(jié)果容易出現(xiàn)局部最優(yōu)的問題。提出一種改進(jìn)的模糊核均值聚類算法，利用OTSU算法先獲得最佳閾值，再通過該閾值得到各聚類的灰度均值，將這些均值作為聚類中心的初始值以實(shí)現(xiàn)模糊聚類算法。路面圖像裂紋分割試驗(yàn)結(jié)果證明，提出的改進(jìn)算法實(shí)現(xiàn)初始聚類中心的優(yōu)化，避免算法出現(xiàn)局部最優(yōu)，提高了分割效果，可以應(yīng)用到路面裂紋圖像分割的工程應(yīng)用中。

關(guān)鍵詞：圖像分割；FCM算法；KFCM算法；路面裂紋

中圖分類號(hào)：TP391.4文獻(xiàn)標(biāo)識(shí)碼：A

1引言

基于圖像法的路面裂紋識(shí)別通常采用三個(gè)步驟。第一個(gè)步驟是對原始路面圖像濾波，通過濾波以抑制圖像的噪聲和增強(qiáng)裂紋信息。第二個(gè)步驟是對濾波后的圖像進(jìn)行分割處理以有效獲取路面的裂紋信息。第三個(gè)步驟對分割后的圖像進(jìn)行特征提取和分類[1-2]。在這三個(gè)步驟中，圖像分割是路面裂紋識(shí)別的關(guān)鍵步驟，圖像分割的效果直接影響路面裂紋的識(shí)別和分類[3]。

圖像分割是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步驟?，F(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法和基于特定理論的分割方法等[4-6]。

基于特定理論的圖像分割算法發(fā)展較快，常見的算法有基于水平集的圖像分割算法、基于圖論的分割算法、基于形態(tài)學(xué)的分割算法、基于聚類分析的分割算法和基于模糊集理論的分割算法等[7-11]。

路面圖像裂紋與背景對比度不大，裂紋細(xì)微變化較大，傳統(tǒng)聚類算法對路面裂紋圖像分割效果不好。將聚類算法與模糊理論結(jié)合以此來進(jìn)行路面裂紋分割是目前一種比較有效的方法[9，12]。常見的模糊聚類算法有模糊均值聚類算法（FCM）和模糊核均值聚類算法（KFCM）[13-15]。FCM算法優(yōu)點(diǎn)是能夠進(jìn)行圖像自動(dòng)分割，缺點(diǎn)是對聚類中心和隸屬度的初始值較敏感，容易造成局部最優(yōu)[16]。KFCM是用核模型代替FCM中的歐拉距離[17-18]。

本文結(jié)合FCM和KFCM的優(yōu)勢，對KFCM算法進(jìn)行改進(jìn)，以實(shí)現(xiàn)初始聚類中心的優(yōu)化，避免算法出現(xiàn)局部最優(yōu)。

4路面裂紋圖像分割試驗(yàn)

為了驗(yàn)證本文的改進(jìn)算法在路面圖像分割方面的有效性，本文對路面圖像分割算法進(jìn)行了試驗(yàn)，對FCM算法，KFCM算法和本文提出改進(jìn)算法的圖像分割結(jié)果進(jìn)行了對比。

試驗(yàn)硬件平臺(tái)：Intel（R） Core2.0（TM） 2.93GHz處理器，3.0GB內(nèi)存的工控機(jī)。軟件開發(fā)環(huán)境：Visual C++ 6.0。

4.1縱向裂紋分割效果對比試驗(yàn)

為了驗(yàn)證本文提出的路面圖像分割算法的有效性，分別進(jìn)行了縱向裂紋和網(wǎng)狀裂紋分割試驗(yàn)。對這兩類裂紋分別采用FCM算法、KFCM算法和本文算法進(jìn)行裂紋分割。

3種算法對縱向裂紋的分割效果如圖1所示，圖1的（a）為原始圖像，（b）為FCM算法的分割結(jié)果，（c）為KFCM算法的分割結(jié)果，（d）為本文算法的分割結(jié)果。

4.2網(wǎng)狀裂紋分割效果對比試驗(yàn)

3種算法對網(wǎng)狀裂紋的分割效果如圖2所示，圖2的（a）為原始圖像，（b）為FCM算法的分割結(jié)果，（c）為KFCM算法的分割結(jié)果，（d）為本文算法的分割結(jié)果。

采用本文提出的方法進(jìn)行路面裂紋圖像分割試驗(yàn)，本文方法的分割效果與文獻(xiàn)中采用的FCM算法和KFCM算法圖像分割效果的對比如表1和表2所示。表1為幾種算法對縱向裂紋分割效果的對比，表2為對網(wǎng)狀裂紋分割效果的對比。

從試驗(yàn)結(jié)果可以看出，對單一縱向裂紋，其裂紋的灰度和背景差別較大，三種算法的分割效果差別不大，都能很好的分割出較清晰的路面裂紋。

路面網(wǎng)狀裂紋中路面的背景與裂紋對比度低，裂紋噪聲和邊緣細(xì)微變化較大，因此模糊聚類中心的選取是分割的關(guān)鍵。從對比結(jié)果可以看出FCM算法效果最差，分割結(jié)果噪聲較大，有些微小裂紋信息丟失，本文改進(jìn)算法效果最好，不但抑制了干擾噪聲，同時(shí)分割出的裂紋也較清晰。從對比結(jié)果可以看出利用本文的改進(jìn)算法進(jìn)行路面裂紋分割效果明顯。

5結(jié)束語

利用聚類算法與模糊理論進(jìn)行路面裂紋分割是一種有效的方法，提出的改進(jìn)模糊核聚類算法有效地解決了現(xiàn)有模糊核聚類算法中容易出現(xiàn)局最優(yōu)的缺點(diǎn)。通過試驗(yàn)分析得到以下結(jié)論：

1）對路面縱向裂紋圖像的分割，本文提出的改進(jìn)算法比現(xiàn)有的FCM和KFCM算法的分割效果較好，但分割效果的優(yōu)勢不是很明顯。

2）對路面網(wǎng)狀裂紋圖像的分割，本文提出的改進(jìn)算法比現(xiàn)有的FCM和KFCM算法有明顯的優(yōu)勢，不但能有效的抑制干擾噪聲，同時(shí)分割出的裂紋也較清晰。

利用本文改進(jìn)算法分割出了較清晰的路面裂紋，只要將分割結(jié)果圖像進(jìn)行二值化再進(jìn)行簡單形態(tài)學(xué)處理，就可以獲得路面裂紋寬度等信息，為路面質(zhì)量評估和養(yǎng)護(hù)提供精確基礎(chǔ)數(shù)據(jù)。

參考文獻(xiàn)

[1]HEINRICH FLA， GarcíaEscudero AMI. Robust constrained fuzzy clustering[J]. Information Sciences， 2013，245：38-52.

[2]KHANG ST，WEI HL， NORASHIDI MI. Novel initialization scheme for Fuzzy CMeans algorithm on color image segmentation[J]. Applied Soft Computing， 2013，13：1832-1852.

[3]章毓晉.圖像分割評價(jià)技術(shù)分類和比較[J].中國圖像圖形學(xué)報(bào)，1996，1（2）：151-158.

[4]LUMINITA A. VESE， TONY F. Chan. A Multiphase Level Set Framework for Image Segmentation Using the Mumford and Shah Model[J]. International Journal of Computer Vision， 2002， 50（3）， 271-293.

[5]WU， Z， LEAHY， R. An optimal graph theoretic approach to data clustering： theory and its application to image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1993， 15（11）： 1101-1113.

[6]陳蕾.基于邊緣信息的圖像分割技術(shù)研究[D].西安：西安電子科技大學(xué)，2009.

[7]馬常霞，趙春霞，胡勇，等.結(jié)合NSCT和圖像形態(tài)學(xué)的路面裂縫檢測[J].工程圖學(xué)學(xué)報(bào)，2008，2： 142-147.

[8]XU R， WUNSCH D. Survey of clustering algorithms[J]. Transactions on Neural Networks，2005， 16（3）： 645-678.

[9]陳凌.基于模糊聚方法的圖像分割算法的研究.[D].贛州：江西理工大學(xué)，2012.

[10]林開顏，吳軍輝，徐立鴻，等.彩色圖像分割方法綜述[J].中國圖象圖形學(xué)報(bào)，2005，10（1）：1-10.

[11]閆茂德， 伯紹波，賀昱曜. 一種基于形態(tài)學(xué)的路面裂縫圖像檢測與分析方法[J].工程圖學(xué)學(xué)報(bào)， 2008， 2： 142-147.

[12]BENAICHOUCHE AN， OULHADJ H. Improved spatial fuzzy cmeans clustering for image segmentation using PSO initialization Mahalanobis distance and postsegmentation correction[J]. Digital Signal Processing， 2013，23：1390-1400.

[13]高新波，裴繼紅，謝維信.模糊C-均值聚類算法中加權(quán)指數(shù)m的研究[J].電子學(xué)報(bào)，2004，8（4）：80-83.

[14]王向陽，王春花.基于特征散度的自適應(yīng)fcm圖像分割算法[J].中國圖象圖形學(xué)報(bào)，2008，13（5）：906-910.

[15]JUN W，SHITONG W， et al. Fuzzy partition based soft subspace clustering and its applications in high dimensional data[J]. Information Sciences， 2013，246：133-154.

[16]李艷靈，沈軼.基于空間鄰域信息的fcm圖像分割算法[J].華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，（6）：56-59.

[17]王建英，孫德山，張永.基于馬氏距離的FCM圖像分割算法[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（1）：47-49.