吳房勝，朱煉，杜香寒

(1.安徽工商職業(yè)學院 信息工程學院，安徽 合肥231131 ；2.合肥師范學院 電子信息與電氣工程學院，安徽 合肥 230001)

高速公路路坑很大程度上影響行車安全，危及駕駛員生命安全，道路路坑檢測裝置必不可少，該裝置對路坑的圖像處理能力和效果，直接決定了路坑識別的檢測精度，圖像處理效果較差會直接影響到路坑面積的計算。故要得到精確的路坑面積，必須保證路坑圖像的邊緣檢測效果，本文基于OpenCV開發(fā)平臺，利用數(shù)字圖像處理技術，對道路路坑輪廓進行提取，改變了傳統(tǒng)的canny邊緣檢測算法，提出了一種將PCNN算法與數(shù)學形態(tài)學濾波算法相結合的改進算法，突出路坑的邊緣信息，提高邊緣檢測精度。

1 基于OpenCV函數(shù)庫的路坑檢測

OpenCV是機器學習與計算機視覺相結合的軟件庫，包含了計算機視覺與數(shù)字圖像處理方面的很多算法，canny算法就是其中一種。由于道路路坑圖像相對復雜，充分發(fā)揮Open CV及其所帶的函數(shù)庫的優(yōu)勢，按照以下四步，完成道路路坑圖像的檢測，道路路坑圖像的原圖如圖1所示[1]。

圖1 原圖

(1)圖像信息采集：本裝置采用SICK的ranger3系列相機采集圖像信息，該相機像素大小可達到6μm×6μm，傳感器分辨率可達到2560px×832px。相機采集到信息后，調用OpenCV中函數(shù)cvCreateCameraCapture(int index),index參數(shù)表示所使用的硬件相機，硬件設備信息讀取到之后，將返回一個指針，隨后即可讀入圖像幀數(shù)據(jù)。

圖2 Canny算法

(2)采集圖像中的序列幀數(shù)據(jù)：調用OpenCV庫中的cvQueryFrame(cvCapture*capture)函數(shù)，序列幀數(shù)據(jù)獲取成功返回1，不成功返回0，并將序列幀數(shù)據(jù)復制到OpenCV空間中存儲。

(3)圖像灰度化處理：為降低圖像數(shù)據(jù)量，加快圖像處理進度，滿足快速、精準的實時性檢測需求，對圖像進行8位的灰度化處理，調用了庫中的cvCvtColor()函數(shù)來完成。

(4)道路路坑檢測：canny算法是目前比較常見且較成熟的邊緣檢測算法，該算法對邊緣提取效果較好，故優(yōu)先利用canny算法對道路路坑進行邊緣檢測，調用OpenCV中的CVCanny()函數(shù)進行邊緣檢測。該函數(shù)利用canny算子算法檢測路坑圖像的邊緣，檢測結果如圖2所示。

從圖2中可以看出，傳統(tǒng)的canny檢測算法確實檢測出了道路坑洞的邊緣，但是受到柏油、光線、碎石子等其他因素的影響，出現(xiàn)了大量的虛假邊緣及干擾信息，對道路路坑的檢測及面積的計算產(chǎn)生了不利的影響。下面對傳統(tǒng)canny算法在路坑邊緣提取中進行分析研究，尋找canny算法存在的問題，并將其解決。

2 Canny算法及其在路坑邊緣提取中的缺陷

Canny算法是先利用高斯函數(shù)與輸入圖像進行卷積計算，對路坑原始圖像平滑濾波，再利用一階有限差分近似代替偏導數(shù)，計算梯度幅度和方向，然后進行非極大抑制，獲取單像素邊緣點的強度和方向，最后使用高、低兩個閾值，檢測出圖像的強弱邊緣，實現(xiàn)邊緣二值化。其算法按如下執(zhí)行[2]：

fs(x,y)=f(x,y)*G(x,y)

(1)

(2)

第三步：細化邊緣，通過非最大抑制，找到與α(x,y)最接近的方向值dk，如果沿dk的兩個鄰居的值，其中有一個比M(x,y)大，則使gN(x,y)=0(抑制)；否則使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)進行閾值處理，Canny算法選取了TH高閾值和TL低閾值兩個閾值，高低閾值比通常設為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)為強邊緣像素，gNL(x,y)為弱邊緣像素，故gNH(x,y)和gNL(x,y)各自為候選點和邊緣點，如果這兩個點鄰近，就標記為邊緣點。

根據(jù)Canny算法步驟可發(fā)現(xiàn)，高斯濾波針對高斯噪聲有較好的濾波效果，但對于道路路坑圖像中產(chǎn)生的外界噪聲，濾波效果不太理想。另外隨著σ取值的變化，道路路坑圖像邊緣有模糊現(xiàn)象，不能很好地對圖像邊緣數(shù)據(jù)進行保護，而且Canny算法是X軸和Y軸兩個垂直方向進行檢測，很容易檢測出道路路坑圖像中的一些偽邊緣。并且在高低閾值設定時，均是人為設定，這往往依賴于個人經(jīng)驗，很容易出現(xiàn)偏差。一旦閾值設定過高，道路路坑圖像會出現(xiàn)大量的邊緣裂縫和斷裂；反之，道路路坑圖像會出現(xiàn)大量的偽邊緣，因此，Canny算法對道路路坑圖像的適應性較低，邊緣檢測時有局限性。

3 PCNN算法與數(shù)學形態(tài)學濾波算法

針對前面所述的Canny算法的步驟，結合道路路坑的特征，傳統(tǒng)Canny檢測算子對路坑邊緣檢測效果不好，本系統(tǒng)根據(jù)道路路坑圖像特征，采用PCNN算法代替Canny檢測算法；同時結合數(shù)學形態(tài)學的濾波算法對分割后的二值化圖像優(yōu)化處理，使路坑邊緣輪廓變光滑，提高邊緣檢測效果，使其更好地服務于路坑邊緣的檢測及路坑面積的計算。

3.1 PCNN算法

PCNN算法在進行數(shù)字圖像處理時，是將圖像中每個像素點當作一個神經(jīng)元，神經(jīng)元和其相對應的每個像素點相連接，并與附近的其他神經(jīng)元相連接，共同構成一個二維的局部的神經(jīng)網(wǎng)絡。該算法結合了仿生視覺技術，具有較好的脈沖傳播特性，在圖像識別及邊緣提取等方面，具有廣泛的應用。

PCNN基本神經(jīng)元模型中參數(shù)比較多，參數(shù)設定起來比較復雜。針對此問題，本系統(tǒng)以改進的脈沖耦合神經(jīng)元模型對道路路坑圖像的邊緣進行檢測，該模型的數(shù)學公式如下[3]：

(6)

(7)

Uij(n)=Fij(n)(1+βLij(n))

(8)

(9)

Eij(n)=e-ɑEEij(n-1)+VEYij(n)

(10)

式中，F(xiàn)ij(n)為反饋通道輸出，Lij(n)為耦合通道輸出，Uij(n)為內(nèi)部活動項，Yij(n)為PCNN的脈沖發(fā)生器輸出；Eij(n)為Uij(n)是否可以激發(fā)脈沖所產(chǎn)生的閾值信號。VF和αF為反饋輸入域的放大系數(shù)及其衰減時間常數(shù)，VL和αL為耦合連接域的放大系數(shù)及其衰減時間常數(shù)，VE和αE為動態(tài)門限E的放大系數(shù)及其衰減時間常數(shù)，β為連接強度系數(shù)，Sij為外部輸入激勵(輸入圖像f(i,j)的灰度值)，Mijkl與Wijkl各自為反饋通道輸入域與耦合通道輸入域的連接加權系數(shù)。

采用PCNN算法進行道路路坑圖像邊緣檢測時，準確判斷出路坑圖像的邊緣信息是最核心的問題。原PCNN模型邊緣點類型如圖3所示，將中心神經(jīng)元設為邊緣點，其中黑色圓點為1，白色圓點為0，灰色圓點不作考慮，并用Yij(n)表示PCNN的脈沖發(fā)生器輸出，當內(nèi)部活動項U>閾值信號E時，則輸出為1(脈沖激發(fā))，如果小于則輸出為0(脈沖抑制)。

圖3 邊緣點類型

道路路坑圖像因受周邊外部因素的影響，易產(chǎn)生椒鹽噪聲，這對圖像邊緣檢測算法的抗噪性及自適應性有較高要求。本系統(tǒng)采用局域窗口內(nèi)邊緣值計算算法，計算圖像的邊緣值，并用該邊緣值來調制PCNN的脈沖發(fā)生器的輸出值，使脈沖發(fā)生器輸出Yij(n)在[0.1]范圍內(nèi)，則(公式9)將變成：

(11)

式中，Eij(n)是第(i,j)個路坑圖像像素的邊緣值，maxE(n)是經(jīng)過第n次迭代之后，所有路坑圖像像素中邊緣值的最大值。

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分別是路坑圖像像素點(i,j)周圍的對應像素點的像素值，如圖4所示。

圖4 領域像素編號示意圖

3.2 數(shù)學形態(tài)學濾波算法

該算法是利用給定的結構元素，提取道路路坑圖像中相對應的信息。對道路路坑圖像實現(xiàn)填充、去噪、分割等處理，主要通過腐蝕和膨脹兩種方法處理。腐蝕是讓邊界點向內(nèi)收縮，一些較小且沒用的細小輪廓將被消除，從而突出路坑的邊緣信息，實現(xiàn)邊界點消除。該算法分開運算和閉運算兩種，其中開運算是先對道路路坑圖像腐蝕，再膨脹道路路坑圖像；閉運算是先對道路路坑圖像進行膨脹處理，再腐蝕道路路坑圖像。通過閉運算處理，道路中小的碎石的孔洞等干擾信號、碎邊緣等均可被

消除，路坑缺陷邊緣也有效得到改善。通過開運算或者閉運算，均可使道路路坑圖像邊緣檢測變得更加清晰連續(xù)，對路坑面積的計算起到很大的幫助[4-5]。

設(x，y)為路坑灰度圖像f中的像素坐標，設B(m，n)為該濾波算法中給定的結構元素，則道路路坑圖像的膨脹與腐蝕算法如下：

f被B膨脹表示為：

(f⊕B)(x,y)=max[f(x+m,y+n)+B(m,n)]

(13)

f被B腐蝕表示為：

(f⊕B)(x,y)=min[f(x+m,y+n)-B(m,n)]

(14)

灰度圖像開運算與閉運算各自表示為：

f°B=(fΘB)⊕B

(15)

f·B=(f⊕B)ΘB

(16)

根據(jù)以上公式，可得到多尺度灰度圖像數(shù)學形態(tài)學濾波公式

Ki={[(f°Bi)·Bi]°Bi}·Bi…i=1,2……n,

(17)

式中Ki為形態(tài)學濾波后的道路路坑圖像，其中i是結構元素B的半徑。經(jīng)該方法濾波后，道路路坑圖像的邊緣細節(jié)得到有效保留，降噪平滑效果也得到有效改善。

4 測試結果分析

本系統(tǒng)編程環(huán)境是采用OpenCV+VS2010開發(fā)環(huán)境。在開發(fā)環(huán)境中首先對道路路坑圖像進行預處理，其次采用PCNN 算法對路坑圖像進行分割處理，同時結合數(shù)學形態(tài)學濾波算法對分割處理后的路坑圖像實施優(yōu)化和邊緣的提取，最終完成道路路坑圖像的邊緣檢測，檢測后的結果如圖5所示。

圖5 改進PCNN算法檢測結果

將圖5和圖2兩種算法結果比較可看出，一些經(jīng)典的邊緣檢測算法如 Canny 算法，對道路路坑圖像的檢測效果不太理想，所檢測出的路坑邊緣信息完全不能用，還會檢測出很多不需要的小碎石的邊緣信號，同時出現(xiàn)了多處碎邊緣、多重邊、不連續(xù)等現(xiàn)象，對路坑面積的計算有很大影響。而采用PCNN算法與數(shù)學形態(tài)學濾波算法相結合的改進算法，能有效突出出路坑邊緣信息，消除了部分碎邊緣、不連續(xù)等現(xiàn)象，路坑周圍的小碎石信號也得到有效抑制，檢測效果比之較好，路坑邊緣變得更加連續(xù)、清晰、完整可用，提高了邊緣檢測精度。