摘 要： "針對機(jī)場跑道膠痕形態(tài)特征多樣性和跑道環(huán)境復(fù)雜性導(dǎo)致膠痕檢測效率低下的問題，提出了基于改進(jìn)簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的機(jī)場跑道膠痕圖像分割算法。首先在利用鄰域灰度關(guān)系優(yōu)化反饋輸入的基礎(chǔ)上，將神經(jīng)元點火閾值機(jī)制從傳統(tǒng)的指數(shù)衰減改進(jìn)為線性分層步長衰減。然后引入杜鵑搜索算法，結(jié)合最小交叉熵對改進(jìn)模型進(jìn)行參數(shù)尋優(yōu)。最后根據(jù)點火映射區(qū)域的平均灰度值構(gòu)建自適應(yīng)迭代終止條件。實驗結(jié)果表明，該算法具有更高的膠痕檢測精度，且在光照條件較差和標(biāo)志線影響的情況下具有更好的抗干擾性。

關(guān)鍵詞： "圖像分割； 機(jī)場跑道膠痕； 脈沖耦合神經(jīng)網(wǎng)絡(luò)； 杜鵑搜索算法

中圖分類號： "TP391.9 """文獻(xiàn)標(biāo)志碼： A

文章編號： "1001-3695（2022）02-050-0609-04

doi：10.19734/j.issn.1001-3695.2021.06.0238

Airport runway rubber mark detection method based on "improved simplified pulse-coupled neural network

Liu Xiaolin， Wu Jiamin

（College of Electronic Information amp; Automation， Civil Aviation University of China， Tianjin 300300， China）

Abstract： "Aiming at the problem of low efficiency of rubber mark detection due to the diversity of morphological features of airport runway rubber mark and the complexity of the runway environment，this paper proposed a new airport runway rubber mark image segmentation algorithm based on simplified pulse coupled neural network.Firstly，on the basis of optimizing feedback input by using neighborhood gray-scale relationship，this algorithm improved the neuron ignition threshold mechanism from the traditional exponential decay to linear stratified step decay.Then，it combined the cuckoo search algorithm with the minimum cross entropy to optimize the parameters of the improved model.Finally，according to the average gray value of the ignition mapping area，it constructed an adaptive iterative termination condition.The experimental results show that the proposed algorithm has higher rubber mark detection accuracy and better anti-interference performance under the influence of poor lighting conditions and marking lines.

Key words： "image segmentation； airport runway rubber mark； pulse coupled neural network（PCNN）； cuckoo search algorithm

飛機(jī)著陸時，輪胎與跑道路面接觸相互作用所產(chǎn)生的摩擦力和切割力會造成輪胎表面橡膠顆粒脫落。它們附著在路面上逐漸積累形成黑色膠痕，使跑道抗滑系數(shù)降低，產(chǎn)生粘性滑水現(xiàn)象［1］。因此，對膠痕進(jìn)行檢測是機(jī)場跑道安全維護(hù)任務(wù)中的一項重要內(nèi)容。

目前，國內(nèi)外多采用人工視覺方法檢測跑道膠痕。工作人員借助手電筒、車燈等設(shè)備對跑道膠痕的分布和積累狀態(tài)進(jìn)行逐段檢查［2，3］。該方法主要借鑒維修人員的工作經(jīng)驗，檢測效率和檢出精度難以獲得令人滿意的結(jié)果。近幾年，隨著計算機(jī)視覺技術(shù)和圖像處理技術(shù)的不斷發(fā)展，研究者將兩者結(jié)合實現(xiàn)了跑道膠痕的自動檢測［2］。由于只能在夜間停航時進(jìn)行檢測，檢測系統(tǒng)受夜間光照條件的影響，得到的跑道膠痕圖像質(zhì)量較差，同時機(jī)場跑道環(huán)境的復(fù)雜性也增加了圖像背景的復(fù)雜度，使傳統(tǒng)圖像分割算法難以完成對圖中膠痕的精確分割，而結(jié)構(gòu)簡單、非線性處理能力強(qiáng)、學(xué)習(xí)速度快的神經(jīng)網(wǎng)絡(luò)則在復(fù)雜圖像分割領(lǐng)域具有明顯優(yōu)勢。因此采用神經(jīng)網(wǎng)絡(luò)對膠痕圖像進(jìn)行分割能有效解決當(dāng)前膠痕檢測的問題。劉曉琳等人［4］采用RGB顏色空間與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的分割算法，克服了機(jī)場跑道環(huán)境復(fù)雜的困難，實現(xiàn)了膠痕的自動檢測，具有較高的檢測效率，但RGB顏色空間模型無法排除光照的影響，使得分割結(jié)果產(chǎn)生誤差，檢測精度不夠理想。

脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）起源于Eckhorn等人［5］對哺乳動物視覺神經(jīng)元發(fā)放脈沖現(xiàn)象的研究，該生物信號處理機(jī)制已被廣泛應(yīng)用到圖像分割領(lǐng)域。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，PCNN不需要任何訓(xùn)練樣本，其計算速度快、靈敏度高，并且其特有的鄰域相似神經(jīng)元同步點火性質(zhì)有助于解決夜間光照不均勻?qū)е碌某上褓|(zhì)量問題以及膠痕與路面混疊導(dǎo)致誤分割的問題。雖然PCNN性能優(yōu)越，但需要耗費大量時間人工調(diào)試模型參數(shù)。因此，標(biāo)準(zhǔn)的PCNN模型通常被簡化，以降低計算難度，其中最具有代表性的簡化模型為SPCNN［6～9］。

鑒于此，本文以機(jī)場跑道膠痕圖像為研究對象，提出一種改進(jìn)型SPCNN圖像分割算法，實現(xiàn)模型的優(yōu)化以及參數(shù)的自動設(shè)置，提高跑道圖像中膠痕分割的效率以及精度，進(jìn)而提升機(jī)場跑道膠痕檢測的自動化和智能化程度。

1 原始SPCNN模型原理分析

作為第三代神經(jīng)網(wǎng)絡(luò)，PCNN的二維單層結(jié)構(gòu)使其不需要提前采集數(shù)據(jù)進(jìn)行訓(xùn)練，因此在圖像處理領(lǐng)域具有相當(dāng)?shù)膬?yōu)勢。但其模型過于復(fù)雜，必須花費大量時間進(jìn)行人工調(diào)參，而且參數(shù)的選擇標(biāo)準(zhǔn)并沒有明確的理論依據(jù)，給圖像的自適應(yīng)分割帶來了極大的困難。因此，為了在保留PCNN特性的同時減少參數(shù)，研究人員提出了SPCNN模型，如圖1所示。

F ij［n］=S ij ""（1）

L ij［n］=∑ w "ijklY kl［n-1］ ""（2）

U ij［n］=F ij［n］（1+βL ij［n］） ""（3）

Y ij［n］= "0 "others

1 U ij［n］gt;θ ij［n］ """"（4）

θ ij［n］= exp （-α θ）θ ij［n-1］+V θY ij［n-1］ ""（5）

其中： F ij 為神經(jīng)元反饋輸入部分； S ij 為輸入激勵，表示當(dāng)前神經(jīng)元即點 （i，j） 的像素灰度值； L ij 為連接輸入； w "ijkl 為神經(jīng)元內(nèi)部連接矩陣； U ij 為神經(jīng)元內(nèi)部活動項； β 為連接系數(shù)； Y ij 為神經(jīng)元脈沖輸出； θ ij 為神經(jīng)元動態(tài)閾值； α θ 為衰減系數(shù)； V θ 為放大系數(shù)。由式（1）～（5）分析可知， Y ij 取決于 θ ij 和 U ij 的大小關(guān)系。當(dāng) θ ij lt; U ij 時，神經(jīng)元點火，輸出高脈沖，然后 θ ij 快速放大直到大于 U ij 時停止點火，輸出低脈沖，此時 θ ij 開始衰減。當(dāng) θ ij 再次衰減到小于 U ij 時，脈沖再次產(chǎn)生，如此周期往復(fù)，脈沖序列信號就產(chǎn)生了。

由于神經(jīng)元的鄰域連接特性，點火的神經(jīng)元會激勵鄰域灰度值近似的神經(jīng)元產(chǎn)生同步振蕩現(xiàn)象，即一個神經(jīng)元點火，會捕獲其周圍與其相似的神經(jīng)元并發(fā)生同步點火，這是SPCNN具有潛在高性能分割圖像的本質(zhì)原因［10］。但SPCNN模型存在不合理之處且需要計算四個關(guān)鍵參數(shù)，不能根據(jù)具體的圖像信息自適應(yīng)設(shè)定，為了進(jìn)一步提高模型對于圖像分割的自適應(yīng)能力、降低計算復(fù)雜度，有必要對模型進(jìn)行改進(jìn)和優(yōu)化。

2 改進(jìn)模型及參數(shù)選擇

雖然，SPCNN相對PCNN簡化了神經(jīng)元的耦合連接輸入和反饋輸入，但SPCNN模型依舊存在以下問題：a） F ij 在原始模型中直接采用像素點的灰度值，當(dāng)該像素點的灰度值與鄰域內(nèi)其他像素點灰度值相差不大時，容易出現(xiàn)誤分割的情況；b） θ ij 在原始模型中采用的指數(shù)衰減方式，不適用于圖像分割；c）原始模型中采用最大信息熵準(zhǔn)則作為迭代自動停止的機(jī)制，這顯然不適用于所有的圖像；d）無法根據(jù)圖像具體信息自適應(yīng)設(shè)定模型參數(shù)。所以，本文將從模型和參數(shù)自動設(shè)置兩方面對原始SPCNN模型進(jìn)行改進(jìn)。

2.1 SPCNN模型的改進(jìn)

針對原始SPCNN模型中存在的問題，提出以下三個相應(yīng)的改進(jìn)之處。

1）反饋輸入 反饋輸入取決于當(dāng)前像素灰度值與鄰域內(nèi)像素的均值灰度值的大小關(guān)系，即當(dāng)前像素灰度值較大，則當(dāng)前像素灰度值取鄰域內(nèi)最大的灰度值，反之則取值鄰域內(nèi)最小的灰度值，即可適當(dāng)增強(qiáng)像素點之間的對比度，避免誤分割。公式如下：

F ij［n］= ""max （S kl） S ijgt;S

min （S kl） S ijlt;S """""（6）

其中： S kl 為點 （i，j） 8鄰域內(nèi)像素點的灰度值； S "為8鄰域內(nèi)像素點的平均灰度值。

2）神經(jīng)元動態(tài)閾值 指數(shù)衰減機(jī)制用于圖像分割不合理的原因在于分割時它會使得灰度值位于快衰減部分的圖像欠分割，灰度值位于慢衰減部分的圖像過分割，使得分割出現(xiàn)錯誤。另外，指數(shù)衰減造成的閾值振蕩特性增加了對模型迭代次數(shù)選擇的難度［11］。因此，為了得到更好的圖像分割效果，本文采用線性分層步長衰減方式。公式如下：

θ ij［n］=θ ij［n-1］-kΔ+V θY ij［n-1］ ""（7）

其中： Δ 為基礎(chǔ)衰減步長； k 為分層比例系數(shù)。

假設(shè)神經(jīng)元點火時按照灰度自大到小的規(guī)律，那么點火區(qū)域和未點火的區(qū)域則分別代表背景和目標(biāo)。在一幅圖像中，背景（目標(biāo)）的亮度分布主要集中于背景類 Ω 0 （目標(biāo)類 Ω 1 ）的均值。公式如下：

T c［n］= ∑ ij∈Ω cF ij ∑ ij∈Ω c1 ，c=0，1 ""（8）

其中： Ω 0={（i，j）|Y ij[n-1]=0} ， Ω 1={（i，j）|Y ij[n-1]=1} 。 T 0［n］ 和 T 1［n］ 將灰度直方圖粗略地分為 ［0，T 0［n］］ ， ［T 0［n］，T 1［n］］ ， ［T 1［n］，255］ 三種區(qū)域，分別對應(yīng)目標(biāo)區(qū)、目標(biāo)和背景的混合區(qū)以及背景區(qū)。

在混合區(qū)，為確保能把混合的背景和目標(biāo)通過不同的點火時刻區(qū)分出來，衰減步長應(yīng)足夠小，在背景區(qū)和目標(biāo)區(qū)衰減步長則不需要太小，避免浪費運(yùn)算資源，增加運(yùn)算時間。經(jīng)過多次實驗，選取 k 的最佳值如式（9）所示。

k= "1 θ ij∈（T 0，T 1）

5 others """（9）

3）迭代終止條件 原始SPCNN模型的迭代終止條件的設(shè)置為最大信息熵（maximum information entropy principle，MIEP）準(zhǔn)則。信息熵的定義為

H=-P 1 *log 2 P 1-P 0 *log 2 P 0 ""（10）

其中： P 1、P 0 分別表示輸出圖像 Y ij［n］ 中像素為1、0的概率?？梢钥闯觯?dāng) P 1=P 0 時，信息熵最大，即目標(biāo)和背景各占圖像 1/2 時效果最佳，這顯然不具有普適性。因此，本文設(shè)計一種可以實現(xiàn)自適應(yīng)迭代的終止條件，公式如下：

T （n）= ∑ （p，q）∈Ω S（p，q） N ，Ω={（i，j）|Y ij[n]=1} ""（11）

其中： T （n） 為改進(jìn)模型每次迭代點火區(qū)域映射在原圖上的區(qū)域平均灰度值，初始值設(shè)置為0； N 為該區(qū)域內(nèi)的像素總數(shù)； Ω 為第 n 次輸出的點火區(qū)域。隨著迭代過程的進(jìn)行， T （n） 將會不斷增長直到無明顯變化，這表明輸出區(qū)域與目標(biāo)區(qū)域已大部分吻合，不再進(jìn)行更新，此時即可停止迭代，輸出結(jié)果。

由此，整個模型通過簡化和改進(jìn)，雖然不再嚴(yán)格符合原始定義的生物學(xué)機(jī)制，但提高了模型的適應(yīng)性和精確性，更適用于圖像分割。

2.2 改進(jìn)模型的參數(shù)選擇

如何實現(xiàn)參數(shù)自動求取是提高改進(jìn)模型的自適應(yīng)能力，提高分割精度與效率的關(guān)鍵所在。目前，關(guān)于PCNN參數(shù)自動求取的方法主要分為兩類。一類是從PCNN自身原理和數(shù)學(xué)特性出發(fā)進(jìn)行改進(jìn)的方法，例如對改進(jìn)型PCNN的動態(tài)行為進(jìn)行理論分析和公式推導(dǎo)［12］；對無耦合連接和耦合連接兩種狀態(tài)下的PCNN數(shù)學(xué)模型進(jìn)行點火機(jī)理分析［13］。這類方法受限于PCNN原理，模型的改進(jìn)不能解決PCNN模型參數(shù)分配難度隨性能提高而增加的問題。因此多數(shù)研究人員轉(zhuǎn)向通過使用優(yōu)化算法與PCNN相結(jié)合的方法，即第二類方法。大多數(shù)優(yōu)化算法是元啟發(fā)式優(yōu)化算法，比如聯(lián)合蟻群算法（ACO）［14］、粒子群優(yōu)化算法（particle swarm optimization，PSO）［15］、混合蛙跳算法（SFLA）［16］等。

相關(guān)研究顯示，杜鵑搜索算法（cuckoo search，CS）［17，18］算法能夠在局部搜索戰(zhàn)略和整個搜索空間的高效探索之間保持良好的平衡，比遺傳算法（genetic algorithm，GA）、差分進(jìn)化算法（differential evolution algorithm，DE）有更好的全局尋優(yōu)能力［19］。因此，本文采用CS算法在解空間里尋優(yōu)改進(jìn)模型中難以確定的參數(shù)，即 w ijkl、β、V θ 。

a） w ijkl 設(shè)定已幾乎統(tǒng)一為鄰神經(jīng)元的歐氏距離的倒數(shù)，公式如下：

w ijkl= "0 （i，j）=（k，l）

1 ‖（i，j）-（k，l）‖2 "（i，j）≠（k，l） """"（12）

b） β、V θ 通過CS算法尋優(yōu)， β為0～1，V θ 為0～99，具體算法描述如下：

（a）參數(shù)初始化。設(shè)置鳥巢數(shù)量 num=15 ，搜索空間維度 dim=2 ，最大迭代次數(shù) time=500 ，發(fā)現(xiàn)概率 Pa=0.25 。隨機(jī)初始化鳥巢的位置 x i ，定義目標(biāo)函數(shù) f（x） 。在本文中采取的目標(biāo)函數(shù)為最小交叉熵，熵越小則說明分割效果越好。

（b）利用預(yù)定義的適應(yīng)度函數(shù)計算初始化鳥窩適應(yīng)度值 f（x i） ，記錄當(dāng)前整個鳥窩位置并比較得到當(dāng)前最優(yōu) f best 。

（c）保留上代最優(yōu)鳥窩位置，利用式（13）更新其他鳥窩位置。

x i（t+1）=x i（t）+α⊕ Levy （λ） i=1，2，3，…，n ""（13）

其中： x i（t+1） 是第 i 個杜鵑在第 t+1 代的鳥巢位置； x i（t） 是第 t 代的鳥窩位置； α 是步長，通常 α=1 ；Levy （λ） 為隨機(jī)搜索路徑。

Levy～u = t-λ "1lt;λ≤3 ""（14）

將新生成的鳥窩與上一代鳥窩位置進(jìn)行比較，更新除最優(yōu)鳥窩外的位置和狀態(tài)，計算 f new 再與 f best 進(jìn)行比較，更新 f best 。

（d）位置更新后，產(chǎn)生隨機(jī)數(shù) r 并與 p a 比較，若 r≥p a 則隨機(jī)更新一次鳥窩位置。

（e）達(dá)到終止條件，否則回到步驟（c）。算法規(guī)定只要滿足以下任意條件，算法終止：當(dāng)前熵值小于上一次的熵；算法執(zhí)行到最大更新次數(shù)，CS算法終止，得到最優(yōu)鳥窩。

（f）將最佳鳥窩位置的兩個參數(shù)代入改進(jìn)模型中，輸出分割圖像。

機(jī)場跑道膠痕檢測整體流程如圖2所示。

3 仿真實驗及結(jié)果分析

為驗證本文模型的膠痕分割性能，在AMDR7-4800H CPU，8 GB內(nèi)存計算機(jī)設(shè)備條件下，MATLAB 2014a環(huán)境下進(jìn)行了編程實驗。實驗選取三幅拍攝于天津濱海國際機(jī)場的跑道膠痕圖像，從圖像分割的主觀視覺和客觀準(zhǔn)則評價兩個方面，與Otsu、K-means聚類［20］、GA-PCNN［21］和SPCNN 進(jìn)行分割結(jié)果圖像的分析對比，并且對分割結(jié)果圖像中的膠痕進(jìn)行計算，評估四種算法的膠痕檢測能力。

3.1 主觀評價

圖3為三幅不同特征的機(jī)場跑道膠痕原始圖像，其中：（a）為中量白色標(biāo)志線、無跑道燈和少量膠痕，光線明亮的跑道圖像；（b）為無白色標(biāo)志線、有跑道燈和大量膠痕，光線暗淡的跑道圖像；（c）為少量白色標(biāo)志線、有跑道燈和中量膠痕，光線適中的跑道圖像。圖4為不同算法的機(jī)場跑道膠痕圖像分割結(jié)果。

從圖4可以分析得知，對于三幅不同特征的機(jī)場跑道膠痕原始圖像，只有本文算法能夠完整清晰地分割出膠痕，而其他四種算法都出現(xiàn)了一定程度的誤分割。Otsu算法由于白色標(biāo)志線的影響，在圖4（a）第一組出現(xiàn)了極其嚴(yán)重的過分割現(xiàn)象，將大面積路面背景都誤分割成了目標(biāo)；第二組由于光線暗淡，在圖像左邊緣出現(xiàn)嚴(yán)重過分割現(xiàn)象；第三組在圖中膠痕分布密集部分出現(xiàn)輕度過分割現(xiàn)象。K-means聚類算法的分割結(jié)果尤其依賴參數(shù)的初始化，在經(jīng)過多次實驗之后各選取分割效果最佳的三組圖，在圖4（b）第一組將白色標(biāo)志線額外標(biāo)記出來，第二組將白色標(biāo)志線和跑道路面燈額外標(biāo)記出來，這會對后續(xù)的膠痕檢測計算造成影響且對于膠痕分割來說是不必要的操作，而且在左上和右上出現(xiàn)輕微過分割現(xiàn)象；第三組基本能夠正確分割出膠痕，誤分割現(xiàn)象不嚴(yán)重。GA-PCNN算法在圖4（c）第一組出現(xiàn)欠分割現(xiàn)象，沒有完整保留白色標(biāo)志線上的膠痕；第二組由于光線暗淡，圖像上邊緣出現(xiàn)輕微欠分割現(xiàn)象；第三組基本能夠正確分割出膠痕，誤分割現(xiàn)象不嚴(yán)重。SPCNN算法在圖4（d）第一組左下和右下出現(xiàn)輕微過分割現(xiàn)象；第二組在路面與膠痕大面積混疊的部分，出現(xiàn)了嚴(yán)重的過分割現(xiàn)象；第三組基本能夠正確分割出膠痕，誤分割現(xiàn)象不嚴(yán)重。在圖4（e）的三組結(jié)果圖中，本文算法排除了光線不勻、白色標(biāo)志線和跑道路面燈的影響，不僅在混疊區(qū)域更準(zhǔn)確地分割出了膠痕和路面，而且膠痕邊界清楚完整，與人類的視覺效果基本一致。因此，本文算法在主觀評價上明顯優(yōu)于其他四種算法。

3.2 客觀評價

受限于機(jī)場跑道膠痕圖像分割的研究現(xiàn)狀，GT（ground truth）圖像難以獲取，使得本文無法像醫(yī)學(xué)圖像等通過有參考分割評價方法來評價分割結(jié)果。由于無參考評價法無須GT圖作為參照，僅通過計算分割后的區(qū)域或類別的統(tǒng)計特性即可判斷分割結(jié)果是否與視覺要求一致［22］。因此，本文選擇區(qū)域?qū)Ρ榷?、區(qū)域內(nèi)部一致性［23］兩種無參考評價指標(biāo)來對五種實驗算法得到的分割圖像進(jìn)行客觀評價，結(jié)果如表1、2所示。

結(jié)合表1、2可以分析得知，不論跑道膠痕分布呈現(xiàn)什么特征，本文算法的區(qū)域?qū)Ρ榷群蛥^(qū)域內(nèi)部一致性均優(yōu)于Otsu、K-means、 GA-PCNN和SPCNN算法，且更加趨近于1。僅在表2區(qū)域內(nèi)部一致性圖像（c）這組數(shù)據(jù)中，本文算法得到的0.934 1比GA-PCNN的0.938 9低了0.004 8。 可見，本文算法的客觀綜合評價效果最好。

五種算法對于三幅原始圖像的分割結(jié)果最小交叉熵如圖5所示。與香農(nóng)熵不同， 最小交叉熵對原始圖像中目標(biāo)與背景的比例沒有要求，依靠的是分割前后兩幅圖像信息量的差，因此可以更準(zhǔn)確地評判圖像分割算法的優(yōu)劣［24］。

由于Otsu關(guān)于第一張跑道圖像的分割結(jié)果出現(xiàn)明顯錯誤，該數(shù)據(jù)失去有效性。剔除掉該數(shù)據(jù)后，從圖5可以分析得知，本文算法的三幅分割結(jié)果的最小交叉熵均小于其他四種算法，因此本文算法對于機(jī)場跑道路面膠痕分割更具有優(yōu)越性。

五種算法的時間對比如表3所示。從表3可以分析得知，本文算法運(yùn)行時間相對較長，這主要是因為引入CS算法對參數(shù)尋優(yōu)消耗了較多時間，但尚在可承受范圍之內(nèi)。

3.3 膠痕占比分析

根據(jù)分割后的結(jié)果圖，進(jìn)一步計算其中膠痕的占比，結(jié)果如表4所示。結(jié)合圖5和表4可以分析得知，Otsu算法三幅圖的膠痕占比均偏大，K-means算法圖像（a）的膠痕占比也偏大，GA-PCNN算法中圖像（a）（b）的膠痕占比偏小，SPCNN算法中三幅圖像膠痕占比均偏大，本文算法則對于三幅圖的膠痕占比都較為準(zhǔn)確，更符合主觀判斷中分割結(jié)果圖的膠痕占比。

綜上，本文算法能夠完整清晰地保留膠痕的細(xì)節(jié)，并且誤分割程度小，對不同背景環(huán)境和不同分布特征的膠痕圖像具有更強(qiáng)的適應(yīng)性，與其他四種算法相比，本文算法的膠痕檢測能力更優(yōu)秀。

4 結(jié)束語

針對復(fù)雜環(huán)境下機(jī)場跑道路面膠痕檢測困難的問題，本文提出了一種基于改進(jìn)SPCNN模型的機(jī)場跑道膠痕圖像分割算法。該方法首先對原始SPCNN模型進(jìn)行簡化改進(jìn)，然后采用CS算法對改進(jìn)后的模型進(jìn)行參數(shù)尋優(yōu)，較好地解決了人工調(diào)參的問題，提高了模型的自動化程度，優(yōu)化了SPCNN模型在圖像分割方面的性能。其次通過與其他四種流行圖像分割算法的主客觀質(zhì)量評價和對比，驗證了該方法對機(jī)場跑道路面復(fù)雜環(huán)境具有一定的適應(yīng)性和抗干擾性，膠痕檢測結(jié)果更為精確。最后通過計算分割結(jié)果圖中的膠痕占比，可得知相應(yīng)跑道路面的膠痕積累程度，為進(jìn)一步研究機(jī)場跑道膠痕全自動檢測和除膠奠定良好基礎(chǔ)。但其對于路面異物干擾和雨霧等天氣情況下的膠痕圖像分割還有進(jìn)一步研究完善的空間，且耗時相對較長的問題也有待在后續(xù)研究中解決。

參考文獻(xiàn)：

［1］ "董城，周輪，陳麗萍，等.基于不同行駛狀態(tài)下輪胎-路面接觸應(yīng)力響應(yīng)研究［J］.公路工程，2018， 43 （6）：146-150，188. （Dong Cheng，Zhou Lun，Chen Liping， et al. Study on the stress response of tire-pavement based on different driving conditions［J］. Highway Engineering ，2018， 43 （6）：146-150，188.）

［2］ 劉曉琳，郭雙，袁昆.飛機(jī)跑道膠痕的自動識別系統(tǒng)設(shè)計與實現(xiàn)［J］.計算機(jī)測量與控制，2014， 22 （12）：4046-4049. （Liu Xiaolin，Guo Shuang，Yuan Kun.Design and realization of an automatic recognition system for rubber-marks on the runway［J］. Computer Mea-surement amp; Control ，2014， 22 （12）：4046-4049.）

［3］ 王寶帥，蘭竹，李正杰，等.毫米波雷達(dá)機(jī)場跑道異物分層檢測算法［J］.電子與信息學(xué)報，2018， 40 （11）：2676-2683. （Wang Baoshuai，Lan Zhu，Li Zhengjie， et al. A hierarchical foreign object debris detection method using millimeter wave radar［J］. Journal of Electronics amp; Information Technology ，2018， 40 （11）：2676-2683.）

［4］ 劉曉琳，李卓.基于RGB顏色空間的機(jī)場跑道膠痕自動識別系統(tǒng)［J］.現(xiàn)代電子技術(shù)，2020， 43 （14）：4-7. （Liu Xiaolin，Li Zhuo.Airport runway rubber-mark automatic identification system based on RGB color space［J］. Modern Electronics Technique， 2020， 43 （14）：4-7.）

［5］ Eckhorn R，Reitboeck H J，Arndt M， et al. Feature linking via synchronization among distributed assemblies：simulations of results from cat visual cortex［J］. Neural Computation ，1990， 2 （3）：293-307.

［6］ Chen Yuli，Park S，Ma Yide， et al. A new automatic parameter setting method of a simplified PCNN for image segmentation［J］. IEEE Trans on Neural Networks ，2011， 22 （6）：880-892.

［7］ 畢英偉，邱天爽.一種基于簡化PCNN的自適應(yīng)圖像分割方法［J］.電子學(xué)報，2005， 33 （4）：647-650. （Bi Yingwei，Qiu Tianshuang.An adaptive image segmentation method based on a simplified PCNN［J］. Acta Electronica Sinica ，2005， 33 （4）：647-650.）

［8］ 杜小燕，鐘俊.基于改進(jìn)型UL-PCNN的絕緣子圖像分割［J］.激光與光電子學(xué)進(jìn)展，2019， 56 （15）：81-86. （Du Xiaoyan，Zhong Jun.Insulator image segmentation based on improved unit-linking pulse-coupled neural network［J］. Laser amp; Optoelectronics Progress， 2019， 56 （15）：81-86.）

［9］ Lian Jing，Yang Zhen，Sun Wenhao， et al. An image segmentation method of a modified SPCNN based on human visual system in medical images［J］. Neurocomputing ，2019， 333 ：292-306.

［10］ 周東國，高潮，郭永彩.一種參數(shù)自適應(yīng)的簡化PCNN圖像分割方法［J］.自動化學(xué)報，2014， 40 （6）：1191-1197. （Zhou Dongguo，Gao Chao，Guo Yongcai.Adaptive simplified PCNN parameter setting for image segmentation［J］. Acta Automatica Sinica， 2014， 40 （6）：1191-1197.）

［11］ 賀付亮，郭永彩，高潮.復(fù)雜環(huán)境下用于人體目標(biāo)紅外圖像分割的改進(jìn)PCNN方法［J］.光學(xué)學(xué)報，2017， 37 （2）：175-184. （He Fuliang，Guo Yongcai，Gao Chao.Improved PCNN method for human target infrared image segmentation under complex environments［J］. Acta Optica Sinica ，2017， 37 （2）：175-184.）

［12］ Panigrahy C，Seal A，Mahato K N.MRI and SPECT image fusion using a weighted parameter adaptive dual channel PCNN［J］. IEEE Signal Processing Letters ，2020， 27 ：690-694.

［13］ "郝建新，王力.基于改進(jìn)脈沖耦合神經(jīng)網(wǎng)絡(luò)的電路板紅外圖像分割［J］.激光與紅外，2020， 50 （11）：1410-1416. （Hao Jianxin，Wang Li.Infrared image segmentation of circuit board based on improved PCNN［J］. Laser amp; Infrared ，2020， 50 （11）：1410-1416.）

［14］ 張坤華，譚志恒，李斌.結(jié)合粒子群優(yōu)化和綜合評價的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像自動分割［J］.光學(xué)精密工程，2018， 26 （4）：962-970. （Zhang Kunhua，Tan Zhiheng，Lin Bin.Automated image segmentation based on pulse coupled neural network with partied swarm optimization and comprehensive evaluation［J］. Optics and Precision Engineering ，2018， 26 （4）：962-970.）

［15］ Bai Wenhao，Zhang Wenbin，Zhou Nianrong， et al. Transmission line voltage classes identification based on particle swarm optimization algorithm and PCNN［J］. Ferroelectrics， 2017， 521 （1）：6-17.

［16］ 張明，王生榮，郭小燕，等.基于混合蛙跳算法優(yōu)化PCNN的馬鈴薯病害圖像分割［J］.植物保護(hù)學(xué)報，2018， 45 （2）：322-331. （Zhang Ming，Wang Shengrong，Guo Xiaoyan， et al. Image segmentation method for potato diseases based on pulse coupled neural network with shuffle frog leap algorithm［J］. Journal of Plant Protection ，2018， 45 （2）：322-331.）

［17］ 胡夢林，萬幼川，王明威，等.基于混沌杜鵑搜索算法的高光譜影像波段選擇［J］.微電子學(xué)與計算機(jī)，2018， 35 （4）：124-129. （Hu Menglin，Wan Youchuan，Wang Mingwei， et al. Band selection based on chaotic cuckoo search algorithm for hyperspectral image［J］. Microelectronic amp; Computer ，2018， 35 （4）：124-129.）

［18］ Sathish P，Elango N M.Exponential cuckoo search algorithm to radial basis neural network for automatic classification in MRI images［J］. Computer Method in Biomechanics amp; Biomedical Engineering：Imaging amp; Visualization ，2019， 7 （3）：273-285.

［19］ 李慶忠，趙峂，牛炯.低照度圖像自適應(yīng)顏色校正與對比度增強(qiáng)算法［J］.計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2019， 31 （12）：2121-2128. （Li Qingzhong，Zhao Tong，Niu Jiong.Adaptive color correction and contrast enhancement algorithm for low illumination images［J］. Journal of Computer-Aided Design amp; Computer Graphics ，2019， 31 （12）：2121-2128.）

［20］ 郭云云，高保祿，趙子潤，等.基于改進(jìn)K-means的彩色圖像分割算法［J］.計算機(jī)工程與設(shè)計，2020， 41 （10）：2849-2854. （Guo Yunyun，Gao Baolu，Zhao Zirun， et al. Color image segmentation algorithm based on improved K-means［J］. Computer Engineering and Design ，2020， 41 （10）：2849-2854.）

［21］ 王艷，沈曉宇，丁文勝，等.基于PCNN和遺傳算法相結(jié)合的新型混凝土橋梁裂縫檢測方法［J］.計算機(jī)應(yīng)用研究，2017， 34 （10）：3197-3200. （Wang Yan，Shen Xiaoyu，Ding Wensheng， et al .New crack detection method of concrete bridge based on PCNN and genetic algorithm［J］. Application Research of Computers ，2017， 34 （10）：3197-3200.）

［22］ 楊云鑠，桑慶兵.無須學(xué)習(xí)的無參考彩色噪聲圖像質(zhì)量評價方法［J］.計算機(jī)科學(xué)，2020， 47 （10）：161-168. （Yang Yunshuo，Sang Qingbing.No-reference color noise images quality assessment without learning［J］. Computer Science ，2020， 47 （10）：161-168.）

［23］ 蔡婷婷.基于計算智能和數(shù)學(xué)形態(tài)學(xué)的肺部CT圖像分割方法研究［D］.贛州：江西理工大學(xué)，2015. （Cai Tingting.Research on lung CT image segmentation based on computational intelligence and mathematical morphology［D］.Ganzhou：Jiangxi University of Science and Technology，20151.）

［24］ Baruk c ˇ i c ＇ "I.，Zhu Zhenkun，Sun Yuan.A minimum cross-entropy multi-thresholds segmentation algorithm based on improved WOA［J］. MATEC Web of Conferences ，2021， 336 ：07003.