基于GSO-Kmeans的沥青路面裂缝分割算法研究

林 涛，李显培，盛文达，任宜青，张 玮，孙 梦

（长安大学 工程机械学院，西安 710064）

0 引 言

在社会经济和交通运输行业不断发展的情况下，许多早期修建的沥青路面出现了各种病害情况，而裂缝作为常见路表缺陷之一，不仅对道路的质量和使用寿命产生影响，还会对交通安全产生威胁。因此，研究沥青路面裂缝分割技术，对路面安全监管和养护管理具有十分重要的价值。

早期的路面裂缝检测方式一般是以人工巡检为主，存在着效率低、成本高和安全隐患等问题，而图像处理分析技术的应用，可以很好的解决这些问题。近年来，很多研究人员提出了各种技术来进行裂缝提取。邵闯等针对传统的阈值分割法难以实时分割裂缝的问题，提出了一种基于混合粒子群优化的路面裂缝图像阈值分割方法，利用该算法可以减少运算时间，提高路面裂缝分割效率；韦春桃等针对路面裂缝检测中存在噪声干扰等情况，设计了一种基于自适应阈值的裂缝自动检测方法，解决某些裂缝边缘和背景差异不明显，导致裂缝检测困难的问题，使得路面裂缝的检测结果精度得到了提高；刘晟提出了一种优化过的局部阈值分割技术，对裂缝图像进行裂缝骨架提取，可以很好的从阴影背景中提取出路面裂缝；瞿中等针对目前的裂缝检测方法，对不同环境下采集的裂缝图像集检测效果鲁棒性不强的问题，采用基于结构森林的学习框架来提取裂缝边缘，结果表明该算法具有很高的裂缝提取精确度。刘丰年等提出一种相关特征约束的分水岭分割算法，该算法分割出的路面裂缝图像准确清晰，有效降低了过分割现象；李鹏等提出了一种结合聚类和区域生长算法的路面裂缝分割算法，该算法识别准确度高、性能稳定，可以很好的解决非均匀背景情况下，裂缝分割的抗噪性低的问题。

在使用K-means聚类算法对裂缝图像进行分割时，初始聚类中心的位置很大程度上影响着Kmeans算法聚类结果的优劣程度，可能导致聚类达到收敛的迭代次数较长，抗噪性较弱，分割结果存在着很多随机干扰误差等问题。针对传统聚类分割方法的不足，本文结合GSO算法和K-means算法的优点，首先通过GSO算法优良的全局寻优的特点来确定初始聚类中心，然后在已确定的聚类中心基础上，使用K-means算法进行裂缝聚类，提高沥青路面裂缝分割的提取精度。

1 建立模型

1.1 GSO算法

GSO（Glowworm Swarm Optimization）算法又称人工萤火虫群优化算法，是印度学者K.N.Krishnanand和D.Ghose在IEEE群体智能会议上提出的一种新的群智能优化算法，通过模拟萤火虫种群的生态过程，来完成全局搜索。GSO算法具有调节参数少，达到收敛的迭代次数少等优点。其每次迭代主要包含5个阶段：萤火虫的部署（初始化）、荧光素更新阶段、移动概率计算阶段、位置更新阶段、邻域范围更新阶段。

1.1.1 初始化

首先模拟萤火虫种群。假设种群有只萤火虫，随机分布在目标区域内，每只萤火虫都有初始荧光素值（表征萤火虫的亮度）、动态决策域、初始步长、领域阈值n、荧光素挥发系数、荧光素更新因子（适应度提取比例）、动态决策域更新率（邻域变化率）、萤火虫感知域r、迭代次数。

1.1.2 更新荧光素值

在下一次迭代之前，每只萤火虫的荧光素值会随着迭代次数发生变化，其变化方式如式（1）：

其中，在第次迭代时，l（）代表了萤火虫的亮度，（x（））表示萤火虫的适应度值。

1.1.3 寻找萤火虫的邻居每次迭代时，萤火虫都会在决策域半径内寻找邻居，然后组成集合。萤火虫在时刻的邻居集合N（）为式（2）：

1.1.4 确定萤火虫动作移动方向

萤火虫在邻居集合N（）中选择一只萤火虫，集合内每只萤火虫都有被选中的可能。选中概率如式（3）：

1.1.5 新萤火虫的位置

每次迭代时，萤火虫的位置变化为式（4）：

1.1.6 更新动态决策域

每次迭代完后，决策域半径可利用以下公式进行更新：

1.2 K-means聚类算法

通常情况下，K-means算法是通过个体间相似程度的判断，将多个对象分为个簇。传统K-means算法经过不停的迭代寻找最优解，通过每簇对象到各自对应簇中心的距离误差控制迭代的停止，如式（6）：

式中：x为第簇的第个样本；N为第簇的样本个数；c为第簇的聚类中心；为聚类簇的数目。

由于每次迭代各簇中心c都会不停变化，其计算形式如下：

1.3 基于GSO-KMeans快速图像分割算法模型

在对裂缝图像进行分割时，最终确定的分割阈值的选取至关重要，本文算法采用基于RGB的灰度等级为的沥青路面裂缝图像，每个像素灰度的取值为［0，1，…，1］。首先，利用GSO算法良好的全局搜索能力确定初始聚类中心，在GSO算法达到收敛时，聚类中心的像素值已经接近裂缝区域的像素灰度值；利用K-means算法对沥青路面裂缝图像进行二值化分割，提取出裂缝骨架。算法流程如图1所示，具体实现步骤为：

（1）定义初始化参数，确定分类簇数和萤火虫种群的基本参数；

（2）更新所有萤火虫亮度值和维度范围；

（3）从得到的萤火虫群体中抽取个萤火虫作为初始中心，并计算每个萤火虫到随机抽取的初始中心的差异，根据距离的大小依次将萤火虫划分到各类当中；

（4）重新计算各样本的荧光素值，寻找各类中荧光素值最大的萤火虫的相应位置；

（5）更新模型中荧光素值最大的萤火虫位置；

（6）萤火虫位置更新完成后，将各类中最亮的萤火虫位置作为k-means算法的迭代初始中心；

（7）计算聚类误差平方和；

（8）更新聚类中心；

（9）判断是否达到最大迭代次数，如果没有则重复步骤（7）、（8）；

（10）输出聚类中心以及聚类结果。

图1 GSO-Kmeans算法基本流程Fig.1 Basic flow chart of GSO-Kmeans algorithm

2 实验结果对比分析

实验图片来自手机拍摄的沥青路面裂缝照片，设定聚类簇分别为裂缝骨架和沥青路面背景。采用GSO-Kmeans聚类算法分割后的沥青路面裂缝图像如图2所示，该算法可以实现对路面裂缝图像的准确分割。

图2 GSO-Kmeans聚类前后对比Fig.2 Comparison before and after GSO-Kmeans clustering

将本文的GSO-Kmeans算法与传统的K-means聚类算法分别运用于裂缝分割，分割结果如图3所示。经过实验测试，各运行30次取平均值得到的数据，证明GSO-Kmeans聚类算法分割结果对噪声的抗干扰性比较强，且收敛时的迭代次数较少，算法收敛时间更短，具体数据结果见表1。

表1 算法迭代次数与运行时间对比Tab.1 Comparison of algorithm iteration times and target running time

图3 路面裂缝分割试验对比Fig.3 Comparison of pavement crack segmentation test

3 结束语

传统的K-means聚类算法在应用于图像分割时，聚类中心的随机选取存在着算法迭代次数多，收敛时间长的问题。本文提出了一种结合人工萤火虫群优化算法与K-means聚类算法用于裂缝图像分割。该算法在初始化聚类中心之前，利用人工萤火虫群优化算法的全局寻优能力，快速逼近全局最优的聚类中心，然后在此基础上使用K-means聚类分割图像。将本文算法和传统的K-means聚类算法进行对比试验，结果表明本文算法可以很好地分割出裂缝骨架，提高K-means算法的抗干扰性，减少达到收敛的迭代次数，保证了沥青路面裂缝分割结果的准确性。