基于布谷鳥搜索的路面裂縫圖像檢測算法*

程玉柱, 李趙春, 余 偉

(1.南京林業(yè)大學(xué) 機械電子工程學(xué)院，江蘇 南京 210037； 2.南京林業(yè)大學(xué) 汽車與交通工程學(xué)院，江蘇 南京 210037)

0 引 言

中國的公路交通快速發(fā)展，公路里程數(shù)急劇增長，對道路行車的安全性、舒適性和經(jīng)濟性要求提高，勢必加大路面養(yǎng)護管理、路面性能評價與預(yù)測、路面材料與結(jié)構(gòu)設(shè)計等工作。傳統(tǒng)上靠人工檢測或半自動檢測，工作量大、效率低，越來越不適應(yīng)大里程道路養(yǎng)護管理。開發(fā)路面病害自動檢測系統(tǒng)具有重要意義[1，2]。路面裂縫是路面常見病害之一，利用機器視覺與圖像處理技術(shù)，構(gòu)建自動路面裂縫檢測系統(tǒng)是當(dāng)前國內(nèi)外研究熱點之一。裂縫的類型較多，且受雜物、油污、陰影及光照等因素影響，實現(xiàn)快速、穩(wěn)定、準(zhǔn)確路面裂縫檢測一直是個難題。目前還沒有統(tǒng)一的分割與識別算法[3]。

裂縫圖像識別系統(tǒng)主要包括3個部分：圖像預(yù)處理、圖像分割、特征提取與分類[4，5]。而圖像預(yù)處理包括：灰度變換、圖像去噪、圖像增強等環(huán)節(jié)。道路裂縫圖像檢測算法按需選用以上部分環(huán)節(jié)，如灰度變換、去噪、圖像分割等組成。灰度圖像主要采用三原色(RGB)獨立通道或者Rgb2gray函數(shù)實現(xiàn)；圖像去噪在空域和頻域展開，如均值濾波、中值濾波、維納濾波和傅立葉變換、小波變換等；圖像分割主要有閾值分割，以O(shè)tsu最為典型，邊緣檢測、區(qū)域增長與融合等。

全變差(total variation,TV)濾波利用偏微分方程迭代對圖像進行去噪處理，可用于各種類型的噪聲中[6,7]。K均值算法是無監(jiān)督分類中的一種自適應(yīng)搜索聚類算法，通過反復(fù)迭代尋找K個最佳聚類中心，把全部樣本劃分為K類，使得全部樣本到類中心歐氏聚類之和最小[8]。布谷鳥搜索(cuckoo search,CS)算法是一種新的群體智能算法，是對布谷鳥寄生育鳥行為以及鳥類和果蠅萊維飛行的模擬。此算法具有簡單、參數(shù)少、易于實現(xiàn)等優(yōu)點，且性能接近標(biāo)準(zhǔn)的粒子群優(yōu)化算法[9,10]。

利用布谷鳥搜索與K均值算法各自優(yōu)點，本文針對路面裂縫圖像，提出了一種基于TV濾波與改進的布谷鳥搜索路面裂縫檢測算法，采用V分量、TV濾波、布谷鳥搜索分割等方法實現(xiàn)路面裂縫目標(biāo)提取。試驗結(jié)果表明，此算法有效。

1 數(shù)學(xué)模型

1.1 算法流程圖

首先輸入路面裂縫彩色RGB圖像,然后經(jīng)過HSV轉(zhuǎn)換，得到V分量灰度圖像。對灰度圖進行TV濾波器去噪，濾波后利用直方圖計算圖像的初始聚類中心，將其作為搜索域約束進行布谷鳥算法計算，最后利用K均值算法計算新的聚類中心，得到最優(yōu)圖像分割閾值，實現(xiàn)道路裂縫目標(biāo)提取。

1.2 TV模型

1.3 CS

算法基本原理是：自定義目標(biāo)函數(shù)f(X)，設(shè)置種群規(guī)模、問題維數(shù)、最大發(fā)現(xiàn)概率P和最大迭代次數(shù)等參數(shù)；選擇適應(yīng)度函數(shù)并計算每個鳥窩位置的目標(biāo)函數(shù)值，得到當(dāng)前的最優(yōu)值；并用式(3)對鳥窩的位置和狀態(tài)進行更新

式中xi為不同時刻的鳥窩位置，β為步長控制量，由搜索空間大小決定，S(ρ)為隨機搜索路徑的隨機數(shù)，服從對稱萊維穩(wěn)定分布，計算方法為

S(ρ)～s-ρ,1<ρ?3

(4)

1.4 K均值

1)二均值聚類，令K=2，通過圖像直方圖的兩峰值，得到C0與C1，分別為裂縫目標(biāo)和背景的初始化中心。

2)計算灰度圖像所有像素值與初始聚類中心的幾何距離，并以最短聚類判別類屬性

Distanceij=abs(uj-Ci),i=1,2;j=1,2,…,N

(5)

式中Distanceij為類間距離，uj為灰度值，N為圖像像素數(shù)目。

3)計算新的目標(biāo)和背景聚類中心

4)迭代至聚類中心無變化得到分割閾值，否則,跳轉(zhuǎn)步驟(2)；分割閾值為

道路表面有多種病害，由于鋼筋混凝土材料特性，裂縫是比較常見的病害。因此,可采用數(shù)碼相機或手機進行路面裂縫采集，得到道路裂縫彩圖。圖1為路面裂縫RGB彩色原圖。彩圖經(jīng)HSV變換、TV濾波處理、直方圖峰值、布谷鳥搜索、K—均值聚類等步驟得到道路裂縫檢測結(jié)果。

圖1 道路裂縫彩圖

2.1 灰度化

彩圖灰度化可以降低要處理的數(shù)據(jù)量，傳統(tǒng)上MATLAB通過自有的灰度化函數(shù)Rgb2hsv進行灰度化，且V分量可以降低光照變化對采集到的圖像質(zhì)量的影響。圖2為圖1對應(yīng)的V分量灰度圖。

圖2 Rgb2hsv灰度圖

2.2 灰度圖TV濾波

對圖2進行TV濾波處理，得到濾波結(jié)果，如圖3所示。TV濾波算法很好地去除了大部分噪聲，為圖像分割奠定了良好的基礎(chǔ)。

圖3 TV濾波

2.3 直方圖峰值

為得到初始聚類中心，對圖像直方圖進行統(tǒng)計。如圖4所示，圖4(a)為粗裂縫直方圖，像素值低的像素數(shù)目較多；圖4(b)為細(xì)裂縫直方圖，低像素值的像素數(shù)較少。設(shè)定初始聚類中心范圍，0

圖4 圖像直方圖

2.4 CS-K均值算法

算法流程為：

1)初始化鳥窩規(guī)模、最大迭代次數(shù)、設(shè)定鳥窩位置搜索范圍等參數(shù)。

2)利用初始搜索范圍合理設(shè)定初始聚類中心，將其結(jié)果設(shè)定為一個初始解，其他鳥窩位置初始解在設(shè)定域內(nèi)隨機產(chǎn)生。

3)根據(jù)式(5)計算各像素到初始聚類中心的距離，并將其作為鳥窩位置的目標(biāo)函數(shù)適應(yīng)值。

4)根據(jù)式(3)、式(4)，更新鳥巢位置，并對位置進行限幅處理，按照目標(biāo)函數(shù)(4)重新計算各位置的目標(biāo)函數(shù)值，根據(jù)式(6)更新聚類中心。

5)對每個鳥窩位置，比較當(dāng)前評價函數(shù)值和其歷史最好的適應(yīng)值，保存最優(yōu)解；比較群體所有鳥窩位置的適應(yīng)度值與全局歷史最好值的大小，將最優(yōu)解作為當(dāng)前全局歷史最好適應(yīng)值。

6)滿足停止條件，輸出結(jié)果，否則繼續(xù)搜尋。最后根據(jù)式(7)計算分割閾值，進行圖像分割。

利用改進的布谷鳥—K均值算法對圖3進行圖像分割，得到圖5，能檢測出粗裂縫和細(xì)裂縫。

圖5 道路裂縫目標(biāo)檢測

3 結(jié)果分析

為了準(zhǔn)確評價道路裂縫圖像檢測效果，通過比較Otsu算法(圖6)與布谷鳥—K均值分割算法(圖5)，定性分析算法優(yōu)缺點。圖6(a)為粗裂縫V分量灰度圖Otsu圖像分割二值圖；圖6(b)為粗裂縫V分量TV去噪灰度圖Otsu圖像分割二值圖；圖6(c)為細(xì)裂縫V分量灰度圖Otsu圖像分割二值圖；圖6(d)為細(xì)裂縫V分量TV去噪灰度圖Otsu圖像分割二值圖。

圖6 Otsu分割結(jié)果

從圖6看出，Otsu對粗裂縫分割效果優(yōu)于細(xì)裂縫，原因在于圖4(a)比圖4(b)具有更好的雙峰性；TV濾波的圖像分割效果好于未濾波的分割效果，粗裂縫圖像表現(xiàn)更明顯，說明TV濾波起到了較好的去噪效果。本文分割結(jié)果(圖5)優(yōu)于Otsu算法(圖6)，對于細(xì)裂縫圖像而言，分割效果提升幅度較大。

綜上所述，提出的算法具有道路裂縫檢測能力。HSV灰度化算法能夠減低光照變化的影響，為后續(xù)的分割與檢測奠定了基礎(chǔ)。通過TV算法去除圖中殘存的噪聲，并通過分裂Bregman求解；布谷鳥—K均值算法能夠分割出道路裂縫目標(biāo)，克服直方圖雙峰特性不明顯的缺點，性能優(yōu)于Otsu。

4 結(jié) 論

1)布谷鳥搜索—K均值算法能有效地實現(xiàn)路面裂縫圖像分割，為路面裂縫病害檢測提供一個可行方案，能克服圖像直方圖雙峰分布不理想的缺點。

2)試驗結(jié)果表明：TV濾波算法用于道路裂縫灰度圖去噪是可行的，能夠有效去除一些高頻噪聲，并采用分裂Bregman算法提高計算速度。

3)融合布谷鳥搜索與K均值算法可以實現(xiàn)路面裂縫目標(biāo)檢測。但在初始化的鳥窩規(guī)模、迭代次數(shù)、鳥窩位置搜索范圍等參數(shù)的自適應(yīng)選擇方面需要進一步研究。