基于OpenCV和改进PCNN算法的道路路坑检测探究
吴房胜，朱炼，杜香寒
(1.安徽工商职业学院 信息工程学院，安徽 合肥231131 ；
2.合肥师范学院 电子信息与电气工程学院，安徽 合肥 230001)
高速公路路坑很大程度上影响行车安全，危及驾驶员生命安全，道路路坑检测装置必不可少，该装置对路坑的图像处理能力和效果，直接决定了路坑识别的检测精度，图像处理效果较差会直接影响到路坑面积的计算。故要得到精确的路坑面积，必须保证路坑图像的边缘检测效果，本文基于OpenCV开发平台，利用数字图像处理技术，对道路路坑轮廓进行提取，改变了传统的canny边缘检测算法，提出了一种将PCNN算法与数学形态学滤波算法相结合的改进算法，突出路坑的边缘信息，提高边缘检测精度。
OpenCV是机器学习与计算机视觉相结合的软件库，包含了计算机视觉与数字图像处理方面的很多算法，canny算法就是其中一种。由于道路路坑图像相对复杂，充分发挥Open CV及其所带的函数库的优势，按照以下四步，完成道路路坑图像的检测，道路路坑图像的原图如图1所示[1]。
图1 原图
(1)图像信息采集：本装置采用SICK的ranger3系列相机采集图像信息，该相机像素大小可达到6μm×6μm，传感器分辨率可达到2560px×832px。相机采集到信息后，调用OpenCV中函数cvCreateCameraCapture(int index),index参数表示所使用的硬件相机，硬件设备信息读取到之后，将返回一个指针，随后即可读入图像帧数据。
图2 Canny算法
(2)采集图像中的序列帧数据：调用OpenCV库中的cvQueryFrame(cvCapture*capture)函数，序列帧数据获取成功返回1，不成功返回0，并将序列帧数据复制到OpenCV空间中存储。
(3)图像灰度化处理：为降低图像数据量，加快图像处理进度，满足快速、精准的实时性检测需求，对图像进行8位的灰度化处理，调用了库中的cvCvtColor()函数来完成。
(4)道路路坑检测：canny算法是目前比较常见且较成熟的边缘检测算法，该算法对边缘提取效果较好，故优先利用canny算法对道路路坑进行边缘检测，调用OpenCV中的CVCanny()函数进行边缘检测。该函数利用canny算子算法检测路坑图像的边缘，检测结果如图2所示。
从图2中可以看出，传统的canny检测算法确实检测出了道路坑洞的边缘，但是受到柏油、光线、碎石子等其他因素的影响，出现了大量的虚假边缘及干扰信息，对道路路坑的检测及面积的计算产生了不利的影响。下面对传统canny算法在路坑边缘提取中进行分析研究，寻找canny算法存在的问题，并将其解决。
Canny算法是先利用高斯函数与输入图像进行卷积计算，对路坑原始图像平滑滤波，再利用一阶有限差分近似代替偏导数，计算梯度幅度和方向，然后进行非极大抑制，获取单像素边缘点的强度和方向，最后使用高、低两个阈值，检测出图像的强弱边缘，实现边缘二值化。其算法按如下执行[2]：
fs(x,y)=f(x,y)*G(x,y)
(1)
(2)
第三步：细化边缘，通过非最大抑制，找到与α(x,y)最接近的方向值dk，如果沿dk的两个邻居的值，其中有一个比M(x,y)大，则使gN(x,y)=0(抑制)；
否则使gN(x,y)=M(x,y)，得出最大非抑制后的幅度值gN(x,y)。
第四步：gN(x,y)进行阈值处理，Canny算法选取了TH高阈值和TL低阈值两个阈值，高低阈值比通常设为2∶1或3∶1。gNH={gN(x,y)≥TH}
(3)
gNL={gN(x,y)≥TL}
(4)
gNH=gNL(x,y)-gNH(x,y)
(5)
式中，gNH(x,y)为强边缘像素，gNL(x,y)为弱边缘像素，故gNH(x,y)和gNL(x,y)各自为候选点和边缘点，如果这两个点邻近，就标记为边缘点。
根据Canny算法步骤可发现，高斯滤波针对高斯噪声有较好的滤波效果，但对于道路路坑图像中产生的外界噪声，滤波效果不太理想。另外随着σ取值的变化，道路路坑图像边缘有模糊现象，不能很好地对图像边缘数据进行保护，而且Canny算法是X轴和Y轴两个垂直方向进行检测，很容易检测出道路路坑图像中的一些伪边缘。并且在高低阈值设定时，均是人为设定，这往往依赖于个人经验，很容易出现偏差。一旦阈值设定过高，道路路坑图像会出现大量的边缘裂缝和断裂；
反之，道路路坑图像会出现大量的伪边缘，因此，Canny算法对道路路坑图像的适应性较低，边缘检测时有局限性。
针对前面所述的Canny算法的步骤，结合道路路坑的特征，传统Canny检测算子对路坑边缘检测效果不好，本系统根据道路路坑图像特征，采用PCNN算法代替Canny检测算法；
同时结合数学形态学的滤波算法对分割后的二值化图像优化处理，使路坑边缘轮廓变光滑，提高边缘检测效果，使其更好地服务于路坑边缘的检测及路坑面积的计算。
3.1 PCNN算法
PCNN算法在进行数字图像处理时，是将图像中每个像素点当作一个神经元，神经元和其相对应的每个像素点相连接，并与附近的其他神经元相连接，共同构成一个二维的局部的神经网络。该算法结合了仿生视觉技术，具有较好的脉冲传播特性，在图像识别及边缘提取等方面，具有广泛的应用。
PCNN基本神经元模型中参数比较多，参数设定起来比较复杂。针对此问题，本系统以改进的脉冲耦合神经元模型对道路路坑图像的边缘进行检测，该模型的数学公式如下[3]：
(6)
(7)
Uij(n)=Fij(n)(1+βLij(n))
(8)
(9)
Eij(n)=e-ɑEEij(n-1)+VEYij(n)
(10)
式中，Fij(n)为反馈通道输出，Lij(n)为耦合通道输出，Uij(n)为内部活动项，Yij(n)为PCNN的脉冲发生器输出；
Eij(n)为Uij(n)是否可以激发脉冲所产生的阈值信号。VF和αF为反馈输入域的放大系数及其衰减时间常数，VL和αL为耦合连接域的放大系数及其衰减时间常数，VE和αE为动态门限E的放大系数及其衰减时间常数，β为连接强度系数，Sij为外部输入激励(输入图像f(i,j)的灰度值)，Mijkl与Wijkl各自为反馈通道输入域与耦合通道输入域的连接加权系数。
采用PCNN算法进行道路路坑图像边缘检测时，准确判断出路坑图像的边缘信息是最核心的问题。原PCNN模型边缘点类型如图3所示，将中心神经元设为边缘点，其中黑色圆点为1，白色圆点为0，灰色圆点不作考虑，并用Yij(n)表示PCNN的脉冲发生器输出，当内部活动项U>阈值信号E时，则输出为1(脉冲激发)，如果小于则输出为0(脉冲抑制)。
图3 边缘点类型
道路路坑图像因受周边外部因素的影响，易产生椒盐噪声，这对图像边缘检测算法的抗噪性及自适应性有较高要求。本系统采用局域窗口内边缘值计算算法，计算图像的边缘值，并用该边缘值来调制PCNN的脉冲发生器的输出值，使脉冲发生器输出Yij(n)在[0.1]范围内，则(公式9)将变成：
(11)
式中，Eij(n)是第(i,j)个路坑图像像素的边缘值，maxE(n)是经过第n次迭代之后，所有路坑图像像素中边缘值的最大值。
Eij[n]=2×(|P1-P5|+|P2-P6|+|P3-P7|+|P4-P8|)-(|P1-P2|+|P2-P3|+|P3-P4|+|P4-P5|+|P5-P6|+|P6-P7|+|P7-P8|+|P8-P1|)
(12)
P1到P8分别是路坑图像像素点(i,j)周围的对应像素点的像素值，如图4所示。
图4 领域像素编号示意图
3.2 数学形态学滤波算法
该算法是利用给定的结构元素，提取道路路坑图像中相对应的信息。对道路路坑图像实现填充、去噪、分割等处理，主要通过腐蚀和膨胀两种方法处理。腐蚀是让边界点向内收缩，一些较小且没用的细小轮廓将被消除，从而突出路坑的边缘信息，实现边界点消除。该算法分开运算和闭运算两种，其中开运算是先对道路路坑图像腐蚀，再膨胀道路路坑图像；
闭运算是先对道路路坑图像进行膨胀处理，再腐蚀道路路坑图像。通过闭运算处理，道路中小的碎石的孔洞等干扰信号、碎边缘等均可被
消除，路坑缺陷边缘也有效得到改善。通过开运算或者闭运算，均可使道路路坑图像边缘检测变得更加清晰连续，对路坑面积的计算起到很大的帮助[4-5]。
设(x，y)为路坑灰度图像f中的像素坐标，设B(m，n)为该滤波算法中给定的结构元素，则道路路坑图像的膨胀与腐蚀算法如下：
f被B膨胀表示为：
(f⊕B)(x,y)=max[f(x+m,y+n)+B(m,n)]
(13)
f被B腐蚀表示为：
(f⊕B)(x,y)=min[f(x+m,y+n)-B(m,n)]
(14)
灰度图像开运算与闭运算各自表示为：
f∘B=(fΘB)⊕B
(15)
f·B=(f⊕B)ΘB
(16)
根据以上公式，可得到多尺度灰度图像数学形态学滤波公式
Ki={[(f∘Bi)·Bi]∘Bi}·Bi…i=1,2……n,
(17)
式中Ki为形态学滤波后的道路路坑图像，其中i是结构元素B的半径。经该方法滤波后，道路路坑图像的边缘细节得到有效保留，降噪平滑效果也得到有效改善。
本系统编程环境是采用OpenCV+VS2010开发环境。在开发环境中首先对道路路坑图像进行预处理，其次采用PCNN 算法对路坑图像进行分割处理，同时结合数学形态学滤波算法对分割处理后的路坑图像实施优化和边缘的提取，最终完成道路路坑图像的边缘检测，检测后的结果如图5所示。
图5 改进PCNN算法检测结果
将图5和图2两种算法结果比较可看出，一些经典的边缘检测算法如 Canny 算法，对道路路坑图像的检测效果不太理想，所检测出的路坑边缘信息完全不能用，还会检测出很多不需要的小碎石的边缘信号，同时出现了多处碎边缘、多重边、不连续等现象，对路坑面积的计算有很大影响。而采用PCNN算法与数学形态学滤波算法相结合的改进算法，能有效突出出路坑边缘信息，消除了部分碎边缘、不连续等现象，路坑周围的小碎石信号也得到有效抑制，检测效果比之较好，路坑边缘变得更加连续、清晰、完整可用，提高了边缘检测精度。
猜你喜欢形态学边缘滤波一张图看懂边缘计算通信产业报(2016年44期)2017-03-13医学微观形态学在教学改革中的应用分析中国继续医学教育(2015年2期)2016-01-06RTS平滑滤波在事后姿态确定中的应用空间控制技术与应用(2015年3期)2015-06-05基于线性正则变换的 LMS 自适应滤波遥测遥控(2015年2期)2015-04-23数学形态学滤波器在转子失衡识别中的应用振动、测试与诊断(2014年6期)2014-03-01基于随机加权估计的Sage自适应滤波及其在导航中的应用电子设计工程(2014年20期)2014-02-27巨核细胞数量及形态学改变在四种类型MPN中的诊断价值现代检验医学杂志(2014年1期)2014-02-06一May-Hegglin异常家系细胞形态学观察现代检验医学杂志(2014年5期)2014-02-02基于Sage—Husa滤波的GNSS/INS组合导航自适应滤波测绘科学与工程(2013年4期)2013-03-11在边缘寻找自我雕塑(1999年2期)1999-06-28