一种基于改进混合蛙跳算法的高速公路沥青路面裂缝分割的优化算法

摘要

本发明公开了一种基于大津法‑改进混合蛙跳算法(Otsu‑ISFLA)的高速公路沥青路面裂缝分割方法。其方法步骤主要包括：步骤1.对待处理的裂缝图像进行图像灰度化处理；步骤2.对灰度图像利用中值滤波算法消除掉孤立噪声点；步骤3.应用自适应灰度拉伸法实现裂缝图像增强；步骤4.应用基于差分进化策略的混合蛙跳算法对裂缝图像分割阈值进行优化；步骤5.输出最优阈值，用Otsu算法对高速公路沥青路面裂缝图像进行分割，输出分割后的裂缝图像。

说明书

技术领域

本发明涉及图像增强领域，应用图像处理技术，结合高速公路沥青路面裂缝图像的研究背景，提出了一种基于改进混合蛙跳算法的高速公路沥青路面裂缝分割算法。

背景技术

近年来，随着我国公路行业的迅速发展，使得路面病害的检测和维护变得愈来愈重要。一般路面病害的初期表现形式都是裂缝，路面病害如果可以在初期就发现并采取有效措施处理，可以在很大程度上减少公路的养护支出。传统的路面裂缝检测方法主要依靠人工检测，效率低且存在安全隐患，随着计算机技术的飞速发展以及数字图像处理技术的出现，路面裂缝检测被开辟出了新的研究方向。

在采用数字图像处理技术自动检测路面裂缝中，至关重要的一步是要精确分割出裂缝目标。图像分割是讨论和理解图像数据前的关键过程。在图像分析中，一般将感兴趣的区域内容作为目标对象，因此在路面裂缝图像分割中，分割出的裂缝部分就是目标对象。在对路面裂缝图像进行检测识别前，首先要完成目标和背景的分割，故在实际的裂缝检测过程中，裂缝图像分割结果的优劣将会对沥青路面图像中的裂缝识别和分类等过程产生影响。

尽管许多学者从各个方面对图像分割进行了大量研究，并且取得了一定的成果，然而至今仍然没有一个可适用于所有类型图像的一种理想的分割方法。传统图像分割算法在求解速度上和搜索精度上并不能很好的满足实际应用的需求，近年来随着智能优化算法与图像处理领域结合技术的发展，智能图像分割技术得到了质的飞跃。混合蛙跳算法具有原理简单且易于实现等优点，但在局部搜索时子种群内最差青蛙的随机更新方式有可能破坏优质解，会造成原始混合蛙跳算法在优化效率上表现不佳。因此，为了提升混合蛙跳算法的优化效率，采用基于差分进化策略的混合蛙跳算法提升种群的多样性，加快群体向最优解收敛。

发明内容

本发明的目的在于：针对混合蛙跳算法在局部搜索时，种群内最差青蛙在没有得到比原来更优的适应度值时，所采用的随机更新方式可能会破坏优质解，从而使得混合蛙跳算法的优化效率不佳，提供了一种基于差分扰动的混合蛙跳算法进行算法寻优，将得到的最优青蛙位置信息作为最优阈值分割向量对路面裂缝灰度图像进行分割。

为了解决上述技术问题，本发明采用的技术方案如下：

判断路面裂缝图像是否为彩色图像，若是则需转化为灰度图像，灰度化公式如下：

Y＝0.299R+0.587G+0.114B (1)

对灰度图像利用中值滤波算法消除掉孤立噪声点，中值滤波公式如下：

g(x,y)＝Med{f(m-p,n-q),(p,q∈M)} (2)

其中，式(2)中g(x,y)为滤波后的图像，M为窗口的大小，f(m-p,n-q)就是窗口M内像素的灰度值。

应用自适应灰度拉伸法突出裂缝目标的灰度细节，同时抑制图像背景部分，实现裂缝图像增强，公式如下：

定义大津法-改进混合蛙跳算法(Otsu-ISFLA)模型的适应度函数为

D(t)＝ω

式(4)中，

一种结合大津法(Otsu)与基于混合差分扰动的改进混合蛙跳算法(ISFLA)模型分割优化算法，包括以下步骤：

步骤1.初始化参数，青蛙种群中青蛙总数为N,子种群数用m来表示，则每个子种群中的青蛙数为n；最大迭代次数为MaxDT。

步骤2.随机初始化青蛙族群，评价每只青蛙的适应度值，并把适应度值按从优至劣的顺序进行排序。

将种群按照指定规则对青蛙种群进行划分，使青蛙个体依次存进子种群中。

标记排在第一位的青蛙是全局适应度最优的青蛙X

步骤3.对于每个子种群中的所有青蛙个体采用混合扰动更新方式：对于子种群内适应度值最优的青蛙，采用差分扰动更新方法进行更新，对于子种群内的其他青蛙，则采用直接扰动更新方法进行更新。

步骤3.1.对于子种群内的最优青蛙来说，没有榜样可供学习，则采用差分扰动更新方式，一部分由全局最优青蛙引导搜索向全局最优位置接近，另一部分由子种群内随机选择的两只青蛙引导，公式如下：

X

其中，公式(5)中X

步骤3.2.对于子种群中的其他青蛙来说，引入榜样学习方案，可以对不同的青蛙更新选出不同的榜样青蛙，他们受到全局最优青蛙X

X

式中，rand

步骤3.3.榜样青蛙通过下式(7)选择：

SI＝ceil(rand*(i-1)) (7)

步骤4.当组内全部青蛙个体均完成更新后，则完成了一次组内迭代，其他组的青蛙同样重复步骤3进行迭代更新，直至所有组均完成更新。

步骤5.将更新后的全部青蛙重新混合为一个完整种群，计算每只青蛙的适应度值并按升序排列，按种群分类方法重新进行子种群划分，将适应度最高的青蛙记录为X

步骤6.判断算法是否达到最大迭代次数，若达到则输出最优青蛙X

输出循环迭代后得到的全局最优解，应用Otsu法对路面裂缝图像进行分割。

附图说明

图1为本发明图像分割的流程图；

图2为本发明的改进混合蛙跳算法示意图；

图3为本发明的裂缝图像预处理过程图；

图4为本发明的基于改进混合蛙跳算法的图像阈值分割结果(1)与基于混合蛙跳算法的图像阈值分割结果对比图(2)；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，提出相应具体实施方案，对本发明进一步详细说明。

一种基于改进混合蛙跳算法的高速公路沥青路面裂缝分割优化算法，其优化方法的流程图如图1所示，包括种群初始化，定义适应度函数，对青蛙种群进行划分，对子种群内的青蛙进行扰动更新，输出最优青蛙位置信息作为分隔阈值，应用Otsu法对裂缝图像进行分割，具体包括以下部分。

先设置青蛙种群参数：青蛙种群中青蛙总数为N＝750,子种群数用m＝30来表示，则每个子种群中的青蛙数为

随机初始化青蛙族群，评价每只青蛙的适应度值，并把适应度值按从优至劣的顺序进行排序，接着按照顺序排列青蛙平均分成m个子种群。

对全部青蛙个体进行种群划分，其中划分规则为：排列在第一的青蛙被分在第一个子种群中，排列第二的青蛙分在第二个子种群内，排列在第m的青蛙分在第m个子种群中，完成一轮排序之后，接着将排序为第m+1的青蛙再次分在第一个子种群内，以此类推，直到第N只青蛙被分到相应的子种群内。

将排在第一位的青蛙标记为全局适应度最优的青蛙X

组内局部更新方法将传统混合蛙跳算法中每次子种群内迭代只更新适应度值最差的青蛙改为每次更新子种群内的所有青蛙，对于子种群内适应度最优的青蛙采取的更新方法是差分扰动更新方法；子种群中的其他青蛙则采用直接扰动更新方法。

对于子种群内最优青蛙来说，没有可供学习的榜样，通过在子种群内的最优青蛙向量上加入一个和全局最优青蛙有关的差分向量，形成两组基于差分变异的搜索方式。

对于子种群内的其他青蛙来说，都有榜样可供学习，他们受到全局最优青蛙X

当组内全部青蛙个体均完成更新后，则完成了一次组内迭代，其他组的青蛙亦如此，直至所有组均完成更新。

将更新后的全部青蛙重新混合为一个完整种群，计算每只青蛙的适应度值并排序，将适应度最高的青蛙记录为X

判断算法是否达到最大迭代次数，若达到则此时的全局最优解为优化的分割阈值；否则进入下一代种群更新。