基于改進模糊聚類算法的路面裂紋圖像分割

王建鋒于鎮赫++賈云亮

摘要：圖像分割是路面裂紋識別的關鍵步驟，圖像分割的效果直接影響路面裂紋的識別和分類。針對路面圖像模糊核均值聚類算法中迭代結果容易出現局部最優的問題。提出一種改進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現模糊聚類算法。路面圖像裂紋分割試驗結果證明，提出的改進算法實現初始聚類中心的優化，避免算法出現局部最優，提高了分割效果，可以應用到路面裂紋圖像分割的工程應用中。

關鍵詞：圖像分割；FCM算法；KFCM算法；路面裂紋

中圖分類號：TP391.4文獻標識碼：A

1引言

基于圖像法的路面裂紋識別通常采用三個步驟。第一個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裂紋信息。第二個步驟是對濾波后的圖像進行分割處理以有效獲取路面的裂紋信息。第三個步驟對分割后的圖像進行特征提取和分類[1-2]。在這三個步驟中，圖像分割是路面裂紋識別的關鍵步驟，圖像分割的效果直接影響路面裂紋的識別和分類[3]。

圖像分割是把圖像分成若干個特定的、具有獨特性質的區域并提出感興趣目標的技術和過程。它是由圖像處理到圖像分析的關鍵步驟。現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、基于形態學的分割算法、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，裂紋細微變化較大，傳統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合以此來進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算法優點是能夠進行圖像自動分割，缺點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[16]。KFCM是用核模型代替FCM中的歐拉距離[17-18]。

本文結合FCM和KFCM的優勢，對KFCM算法進行改進，以實現初始聚類中心的優化，避免算法出現局部最優。

4路面裂紋圖像分割試驗

為了驗證本文的改進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行了試驗，對FCM算法，KFCM算法和本文提出改進算法的圖像分割結果進行了對比。

試驗硬件平臺：Intel（R） Core2.0（TM） 2.93GHz處理器，3.0GB內存的工控機。軟件開發環境：Visual C++ 6.0。

4.1縱向裂紋分割效果對比試驗

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

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算法的分割結果，（c）為KFCM算法的分割結果，（d）為本文算法的分割結果。

4.2網狀裂紋分割效果對比試驗

3種算法對網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算法的分割結果，（c）為KFCM算法的分割結果，（d）為本文算法的分割結果。

采用本文提出的方法進行路面裂紋圖像分割試驗，本文方法的分割效果與文獻中采用的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為對網狀裂紋分割效果的對比。

從試驗結果可以看出，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。

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

5結束語

利用聚類算法與模糊理論進行路面裂紋分割是一種有效的方法，提出的改進模糊核聚類算法有效地解決了現有模糊核聚類算法中容易出現局最優的缺點。通過試驗分析得到以下結論：

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

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

利用本文改進算法分割出了較清晰的路面裂紋，只要將分割結果圖像進行二值化再進行簡單形態學處理，就可以獲得路面裂紋寬度等信息，為路面質量評估和養護提供精確基礎數據。

參考文獻

[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.圖像分割評價技術分類和比較[J].中國圖像圖形學報，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研究[D].西安：西安電子科技大學，2009.

[7]馬常霞，趙春霞，胡勇，等.結合NSCT和圖像形態學的路面裂縫檢測[J].工程圖學學報，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，2012.

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

[11]閆茂德， 伯紹波，賀昱曜. 一種基于形態學的路面裂縫圖像檢測與分析方法[J].工程圖學學報， 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指數m的研究[J].電子學報，2004，8（4）：80-83.

[14]王向陽，王春花.基于特征散度的自適應fcm圖像分割算法[J].中國圖象圖形學報，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].華中科技大學學報：自然科學版，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].計算機工程與應用，2010，46（1）：47-49.