基于布谷鸟搜索的路面裂缝图像检测算法

发布时间：2021-06-23 11:40

　　针对路面裂缝自动检测难题,提出一种基于布谷鸟搜索的路面裂缝图像检测算法。首先,将RGB彩色图像转换到HSV空间,并用全变差模型对V分量去噪。然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迭代。最后利用K均值计算新的聚类中心,更新当前的鸟窝位置,得到最优图像分割阈值。试验结果表明:提出的算法去噪能力强,分割效果好,能很好地提取路面裂缝,性能优于Otsu算法。 

【文章来源】：传感器与微系统. 2019,38(08)CSCD

【文章页数】：4 页

【部分图文】：

图像直方

‖22+λ2‖dy－Δyu－by‖22(8)式中‖dx，dy‖2=∑i，jd2x，i，j+d2y，i，槡j，bx，by为辅助变量。u通过Gauss-Seidel方法迭代求解，dx，dy通过广义收缩公式求解。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3TV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＜C0?50，100＜C1?250。图4图像直方图2．4CS-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

【参考文献】：
期刊论文
[1]基于似物性判别的视觉目标检测方法[J]. 毛玉仁,郭松,郑阳明,林华.  传感器与微系统. 2017(11)
[2]自适应步长布谷鸟搜索算法[J]. 李荣雨,戴睿闻.  计算机科学. 2017(05)
[3]全变差噪声消除问题的半光滑牛顿法[J]. 王满,文有为,陈智斌.  激光技术. 2017(02)
[4]基于分数阶偏微分的路面裂缝图像增强新模型[J]. 洪晓江.  公路交通科技. 2016(12)
[5]基于目标减背景法的路面三维裂缝识别方法[J]. 袁梦霞,孙朝云.  中外公路. 2015(05)
[6]路面裂缝图像自动识别算法综述[J]. 彭博,蒋阳升,韩世凡,罗楠欣.  公路交通科技. 2014(07)
[7]基于图像处理技术的混凝土路面裂缝检测方法[J]. 郭全民,张海先.  传感器与微系统. 2013(04)



本文编号：3244868