基于改进模糊聚类算法的路面裂纹图像分割

王建锋于镇赫++贾云亮

摘要：图像分割是路面裂纹识别的关键步骤，图像分割的效果直接影响路面裂纹的识别和分类。针对路面图像模糊核均值聚类算法中迭代结果容易出现局部最优的问题。提出一种改进的模糊核均值聚类算法，利用OTSU算法先获得最佳阈值，再通过该阈值得到各聚类的灰度均值，将这些均值作为聚类中心的初始值以实现模糊聚类算法。路面图像裂纹分割试验结果证明，提出的改进算法实现初始聚类中心的优化，避免算法出现局部最优，提高了分割效果，可以应用到路面裂纹图像分割的工程应用中。

关键词：图像分割；FCM算法；KFCM算法；路面裂纹

中图分类号：TP391.4文献标识码：A

1引言

基于图像法的路面裂纹识别通常采用三个步骤。第一个步骤是对原始路面图像滤波，通过滤波以抑制图像的噪声和增强裂纹信息。第二个步骤是对滤波后的图像进行分割处理以有效获取路面的裂纹信息。第三个步骤对分割后的图像进行特征提取和分类[1-2]。在这三个步骤中，图像分割是路面裂纹识别的关键步骤，图像分割的效果直接影响路面裂纹的识别和分类[3]。

图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法和基于特定理论的分割方法等[4-6]。

基于特定理论的图像分割算法发展较快，常见的算法有基于水平集的图像分割算法、基于图论的分割算法、基于形态学的分割算法、基于聚类分析的分割算法和基于模糊集理论的分割算法等[7-11]。

路面图像裂纹与背景对比度不大，裂纹细微变化较大，传统聚类算法对路面裂纹图像分割效果不好。将聚类算法与模糊理论结合以此来进行路面裂纹分割是目前一种比较有效的方法[9，12]。常见的模糊聚类算法有模糊均值聚类算法（FCM）和模糊核均值聚类算法（KFCM）[13-15]。FCM算法优点是能够进行图像自动分割，缺点是对聚类中心和隶属度的初始值较敏感，容易造成局部最优[16]。KFCM是用核模型代替FCM中的欧拉距离[17-18]。

本文结合FCM和KFCM的优势，对KFCM算法进行改进，以实现初始聚类中心的优化，避免算法出现局部最优。

4路面裂纹图像分割试验

为了验证本文的改进算法在路面图像分割方面的有效性，本文对路面图像分割算法进行了试验，对FCM算法，KFCM算法和本文提出改进算法的图像分割结果进行了对比。

试验硬件平台：Intel（R） Core2.0（TM） 2.93GHz处理器，3.0GB内存的工控机。软件开发环境：Visual C++ 6.0。

4.1纵向裂纹分割效果对比试验

为了验证本文提出的路面图像分割算法的有效性，分别进行了纵向裂纹和网状裂纹分割试验。对这两类裂纹分别采用FCM算法、KFCM算法和本文算法进行裂纹分割。

3种算法对纵向裂纹的分割效果如图1所示，图1的（a）为原始图像，（b）为FCM算法的分割结果，（c）为KFCM算法的分割结果，（d）为本文算法的分割结果。

4.2网状裂纹分割效果对比试验

3种算法对网状裂纹的分割效果如图2所示，图2的（a）为原始图像，（b）为FCM算法的分割结果，（c）为KFCM算法的分割结果，（d）为本文算法的分割结果。

采用本文提出的方法进行路面裂纹图像分割试验，本文方法的分割效果与文献中采用的FCM算法和KFCM算法图像分割效果的对比如表1和表2所示。表1为几种算法对纵向裂纹分割效果的对比，表2为对网状裂纹分割效果的对比。

从试验结果可以看出，对单一纵向裂纹，其裂纹的灰度和背景差别较大，三种算法的分割效果差别不大，都能很好的分割出较清晰的路面裂纹。

路面网状裂纹中路面的背景与裂纹对比度低，裂纹噪声和边缘细微变化较大，因此模糊聚类中心的选取是分割的关键。从对比结果可以看出FCM算法效果最差，分割结果噪声较大，有些微小裂纹信息丢失，本文改进算法效果最好，不但抑制了干扰噪声，同时分割出的裂纹也较清晰。从对比结果可以看出利用本文的改进算法进行路面裂纹分割效果明显。

5结束语

利用聚类算法与模糊理论进行路面裂纹分割是一种有效的方法，提出的改进模糊核聚类算法有效地解决了现有模糊核聚类算法中容易出现局最优的缺点。通过试验分析得到以下结论：

1）对路面纵向裂纹图像的分割，本文提出的改进算法比现有的FCM和KFCM算法的分割效果较好，但分割效果的优势不是很明显。

2）对路面网状裂纹图像的分割，本文提出的改进算法比现有的FCM和KFCM算法有明显的优势，不但能有效的抑制干扰噪声，同时分割出的裂纹也较清晰。

利用本文改进算法分割出了较清晰的路面裂纹，只要将分割结果图像进行二值化再进行简单形态学处理，就可以获得路面裂纹宽度等信息，为路面质量评估和养护提供精确基础数据。

参考文献

[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]章毓晋.图像分割评价技术分类和比较[J].中国图像图形学报，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]陈蕾.基于边缘信息的图像分割技术研究[D].西安：西安电子科技大学，2009.

[7]马常霞，赵春霞，胡勇，等.结合NSCT和图像形态学的路面裂缝检测[J].工程图学学报，2008，2： 142-147.

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

[9]陈凌.基于模糊聚方法的图像分割算法的研究.[D].赣州：江西理工大学，2012.

[10]林开颜，吴军辉，徐立鸿，等.彩色图像分割方法综述[J].中国图象图形学报，2005，10（1）：1-10.

[11]闫茂德， 伯绍波，贺昱曜. 一种基于形态学的路面裂缝图像检测与分析方法[J].工程图学学报， 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，裴继红，谢维信.模糊C-均值聚类算法中加权指数m的研究[J].电子学报，2004，8（4）：80-83.

[14]王向阳，王春花.基于特征散度的自适应fcm图像分割算法[J].中国图象图形学报，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]李艳灵，沈轶.基于空间邻域信息的fcm图像分割算法[J].华中科技大学学报：自然科学版，2009，（6）：56-59.

[17]王建英，孙德山，张永.基于马氏距离的FCM图像分割算法[J].计算机工程与应用，2010，46（1）：47-49.