粟周瑜，蘭全祥，袁 泉，曹建秋

(1.貴州省公路局，貴州 貴陽(yáng) 550003；2.重慶交通大學(xué) 信息科學(xué)與工程學(xué)院，重慶 400074)

基于PCNN與形態(tài)學(xué)的坑洞圖像邊緣提取

粟周瑜1，蘭全祥2，袁 泉1，曹建秋2

(1.貴州省公路局，貴州 貴陽(yáng) 550003；2.重慶交通大學(xué) 信息科學(xué)與工程學(xué)院，重慶 400074)

對(duì)坑洞圖像邊緣提取進(jìn)行了研究，改進(jìn)了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型，提出了一種PCNN和形態(tài)學(xué)相結(jié)合的邊緣提取方法。對(duì)基本PCNN模型進(jìn)行優(yōu)化，簡(jiǎn)化了原模型參數(shù)，并改進(jìn)了原模型的線(xiàn)性輸入項(xiàng)和脈沖輸出計(jì)算方法。在圖像邊緣提取過(guò)程中，先對(duì)圖像進(jìn)行增強(qiáng)，在一定程度上消除坑洞周?chē)h(huán)境對(duì)坑洞邊緣的影響，再利用改進(jìn)的PCNN模型和形態(tài)學(xué)的膨脹腐蝕特性對(duì)其進(jìn)行邊緣提取。實(shí)驗(yàn)結(jié)果表明：該方法對(duì)路面坑洞圖像的邊緣提取比傳統(tǒng)邊緣提取算法更為有效，抗干擾能力強(qiáng)，能有效地抑制路面環(huán)境對(duì)坑洞邊緣的影響，所提取到的邊緣更加清晰、可用。

道路工程；PCNN；形態(tài)學(xué)；坑洞；邊緣

0 引 言

PCNN是根據(jù)對(duì)動(dòng)物的大腦視覺(jué)皮層神經(jīng)元脈沖串同步振蕩現(xiàn)象的研究結(jié)果[1-2]進(jìn)一步分析所得到的神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型。E.M.IZHIKEVICH[3]在數(shù)學(xué)上證明了生物細(xì)胞模型與PCNN模型的一致，從生物學(xué)角度提供了PCNN應(yīng)用于圖像處理、圖像識(shí)別的理論依據(jù)。PCNN在圖像處理過(guò)程中可看作為一個(gè)單層二維的局部連接網(wǎng)絡(luò)，圖像的每一個(gè)像素點(diǎn)相當(dāng)于一個(gè)神經(jīng)元，神經(jīng)元在與相應(yīng)的像素點(diǎn)連接的同時(shí)還與相鄰的其他神經(jīng)元相連，現(xiàn)已將PCNN用于圖像去噪、圖像分割、圖像增強(qiáng)、圖像邊緣檢測(cè)、圖像融合、圖像識(shí)別、圖象編碼等方面。在邊緣提取方面，現(xiàn)已有的邊緣檢測(cè)技術(shù)主要分為經(jīng)典邊緣檢測(cè)算法(如Sobel、Robert、Prewitt、Laplace、Canny等)，二是基于一些新興技術(shù)的邊緣檢測(cè)算法(如小波變換、形態(tài)學(xué)、神經(jīng)網(wǎng)絡(luò)、遺傳算法、分形理論、SVM等)，其中涉及到仿生視覺(jué)的PCNN由于具有良好的脈沖傳播特性在圖像處理領(lǐng)域被廣泛應(yīng)用，如醫(yī)學(xué)圖像處理[4]、運(yùn)動(dòng)目標(biāo)處理[5]、缺陷識(shí)別[6]以及不同領(lǐng)域的圖像邊緣檢測(cè)[7-9]等。在道路建設(shè)與維護(hù)領(lǐng)域，目前還沒(méi)有成熟的專(zhuān)門(mén)針對(duì)路面坑洞的邊緣提取技術(shù)，由于路面坑洞圖像受周邊環(huán)境影響因素較大，當(dāng)?shù)缆仿访娌黄秸蚩佣催吘墔^(qū)域與正常路面區(qū)域相近、相似時(shí)，現(xiàn)有的邊緣檢測(cè)算法就很難取得較好的檢測(cè)效果。筆者通過(guò)分析PCNN的仿生物視覺(jué)特性與路面坑洞圖像特征，將PCNN與形態(tài)學(xué)相結(jié)合，提出了一種基于PCNN與形態(tài)學(xué)的坑洞邊緣提取方法。該方法一方面結(jié)合坑洞圖像特征對(duì)原PCNN模型進(jìn)行改進(jìn)，使其更好地與實(shí)際工程應(yīng)用相結(jié)合；另一方面采用數(shù)學(xué)形態(tài)學(xué)對(duì)PCNN提取結(jié)果進(jìn)行后續(xù)處理，優(yōu)化邊緣提取效果。實(shí)驗(yàn)結(jié)果表明，在對(duì)路面坑洞圖像的邊緣提取中，該方法與經(jīng)典邊緣檢測(cè)算法和基本PCNN相比，抗干擾能力強(qiáng)，提取到的坑洞邊緣更加清晰、可用。

1 概 述

1.1 PCNN模型

Eckhorn建立了PCNN的基本神經(jīng)元模型，其內(nèi)部活動(dòng)項(xiàng)是收到的輸入信號(hào)和周?chē)窠?jīng)元信號(hào)的一種非線(xiàn)性調(diào)制，其輸出是二值脈沖時(shí)間序列。但模型中參數(shù)較多，具體應(yīng)用中參數(shù)設(shè)定非常麻煩。針對(duì)這一情況，筆者將以文獻(xiàn)[10]的改進(jìn)脈沖耦合神經(jīng)元模型(如圖1)為基本模型對(duì)坑洞圖像的邊緣提取，該模型的數(shù)學(xué)方程描述為：

圖1 脈沖耦合神經(jīng)網(wǎng)絡(luò)元模型Fig.1 Pulse coupled neural network metamodel

(1)

(2)

Uij(n)=Fij(n)[1+βLij(n)]

(3)

(4)

Eij(n)=e-αEEij(n-1)+VEYij(n)

(5)

式中：Fij(n)為樹(shù)突的反饋輸入；Lij(n)為線(xiàn)性連接輸入；Uij(n)為非線(xiàn)性連接調(diào)制構(gòu)成的內(nèi)部活動(dòng)項(xiàng)；Yij(n)為PCNN脈沖輸出；Eij(n)為神經(jīng)元內(nèi)部活動(dòng)項(xiàng)Uij(n)能否激發(fā)脈沖產(chǎn)生所需的動(dòng)態(tài)門(mén)限；VF，VL，VE分別為反饋輸入域、耦合連接域、動(dòng)態(tài)門(mén)限E的放大系數(shù)；αF，αL，αE為對(duì)應(yīng)的衰減時(shí)間常數(shù)；β為內(nèi)部活動(dòng)項(xiàng)的連接系數(shù)；Iij(n)為神經(jīng)元外部輸入信號(hào)(在圖像處理中是該圖像(i,j)處的像素灰度值)；矩陣Mijkl和Wijkl分別為反饋輸入域和耦合連接域的連接矩陣。

1.2 形態(tài)學(xué)

數(shù)學(xué)形態(tài)學(xué)處理圖像的基本思想是利用一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀，以達(dá)到對(duì)圖像分析和識(shí)別的目的。在圖像處理過(guò)程中，一般有膨脹、腐蝕、開(kāi)啟和閉合4種基本運(yùn)算[11]，其在數(shù)學(xué)上的定義為：設(shè)X(x,y) 是輸入的圖像灰度函數(shù)，a(x,y)是給定的結(jié)構(gòu)元素，且都定義在R2或Z2上，DX和Da分別是函數(shù)X(x,y)和a(x,y)的定義域，則a(x,y)對(duì)X(x,y)進(jìn)行運(yùn)算。

膨脹運(yùn)算表示為：

(X⊕a)(s,t)=max{X(s-x,t-y)+

a(x,y) |(s-x),(t-y)?DX,(x,y) ?Da}

(6)

腐蝕運(yùn)算表示為：

(X?a)(s,t)=max{X(s-x,t-y)-a(x,y)|(s-x),(t-y)?DX,(x,y) ?Da}

(7)

根據(jù)上述膨脹腐蝕的基本變換定義，可以推導(dǎo)出邊緣提取的形態(tài)學(xué)數(shù)學(xué)表示。設(shè)E(x,y)表示圖像的邊緣函數(shù)，則按照形態(tài)膨脹構(gòu)造的圖像邊緣檢測(cè)算子為：

Ed(x,y)=X⊕a(x,y)-X(x,y)

(8)

按照形態(tài)腐蝕構(gòu)造的圖像邊緣檢測(cè)算子為：

Ee(x,y)=X(x,y)-X?a(x,y)

(9)

按照形態(tài)膨脹腐蝕構(gòu)造的邊緣檢測(cè)算子為：

Ede(x,y)=(X⊕a)-(X?b)

(10)

數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)方法簡(jiǎn)單，且易于硬件實(shí)現(xiàn)，但是由于結(jié)構(gòu)元素單一，與結(jié)構(gòu)元素同方向的邊緣敏感，而與其不同方向的邊緣或噪聲會(huì)被平滑掉。雖然數(shù)學(xué)形態(tài)學(xué)存在以上不足，但由于路面坑洞邊緣的提取并不要求十分精確、精準(zhǔn)，即使所提取到的坑洞邊緣比原邊緣粗糙(不能很細(xì)致地展現(xiàn)坑洞邊緣)，只要能大致描述路面坑洞形狀，保證坑洞邊緣連續(xù)、清晰、可用即可，因此將形態(tài)學(xué)邊緣檢測(cè)應(yīng)用在道路養(yǎng)護(hù)中的路面坑洞檢測(cè)上，在實(shí)際的工程應(yīng)用中是可以完全可行的。

2 PCNN模型改進(jìn)

2.1 模型簡(jiǎn)化

因道路和環(huán)境的不同，所采集到的坑洞圖像的差異是很大的，這也就意味著不同圖像所設(shè)定的PCNN模型參數(shù)會(huì)有差異，即存在大量PCNN模型的參數(shù)處理。然而，在原PCNN模型中涉及到的參數(shù)有VF，VL，VE，αF，αL，αE，β，Iij，Mijkl，Wijkl，大量的參數(shù)雖然能夠更精確地描述脈沖耦合神經(jīng)網(wǎng)絡(luò)的特性，但同時(shí)也極大地增加了模型中參數(shù)設(shè)定難度和后續(xù)邊緣提取的計(jì)算量。

根據(jù)圖1采用簡(jiǎn)化的PCNN模型，將圖像的像素灰度值Iij直接作為返回輸入信號(hào)，將線(xiàn)性連接輸入項(xiàng)的衰減部分e-αLLij(n-1)置為0、固有電勢(shì)VL置為1，即式(1)、式(2)簡(jiǎn)化為：

Fij(n)=Iij

(11)

(12)

這樣既保留了PCNN的生物視覺(jué)基本特征、外部輸入刺激和連接域神經(jīng)元刺激，又減少了參數(shù)、降低了運(yùn)算復(fù)雜度。

2.2 線(xiàn)性連接輸入項(xiàng)

線(xiàn)性連接輸入項(xiàng)是由權(quán)值矩陣Wijkl與上一次的PCNN輸出Ykl(n-1)進(jìn)行卷積運(yùn)算得到，其中權(quán)值矩陣Wijkl一般與像素之間的歐氏距離有關(guān)。但是這種線(xiàn)性連接輸入項(xiàng)的計(jì)算僅考慮到像素間空間距離的影響，而沒(méi)有考慮圖像中像素灰度值差異較大所帶來(lái)的影響。

在路面坑洞圖像的提取過(guò)程中，由于坑洞邊緣的像素值和周?chē)访娴南袼刂挡町惒皇呛艽?，因此邊緣和非邊緣區(qū)域同時(shí)點(diǎn)火的可能性本身就很大，如果再按照原PCNN模型的線(xiàn)性連接輸入項(xiàng)計(jì)算方法，僅考慮像素間空間距離的影響，則可能造成圖2(a)和圖2(b)的情況，使得邊緣和非邊緣同時(shí)點(diǎn)火。圖2中黑色表示邊緣神經(jīng)元，白色表示非邊緣神經(jīng)元，圖2(a)的中心的非邊緣神經(jīng)元與多個(gè)邊緣神經(jīng)元相連且具有較強(qiáng)的連接關(guān)系，當(dāng)周?chē)吘壣窠?jīng)元點(diǎn)火產(chǎn)生的刺激不斷地傳遞到中心神經(jīng)元處，則可能造成非邊緣神經(jīng)元點(diǎn)火。同理，圖2(b)的中心邊緣神經(jīng)元會(huì)因?yàn)橹車(chē)亩鄠€(gè)非邊緣神經(jīng)元點(diǎn)火而點(diǎn)火。因此，本就較難提取邊緣的坑洞圖像經(jīng)原PCNN模型邊緣檢測(cè)，可能使得提取邊緣更加困難，所得邊緣更不可用。

利用已有的經(jīng)典邊緣檢測(cè)算子Dijkl和基本PCNN權(quán)值矩陣Wijkl同時(shí)對(duì)上一次的PCNN輸出Ykl(n-1)進(jìn)行卷積運(yùn)算，取兩者卷積結(jié)果的最大值作為線(xiàn)性連接輸入項(xiàng)，即式(12)改進(jìn)為：

(13)

這樣既加強(qiáng)了邊緣區(qū)域神經(jīng)元之間的聯(lián)系，使坑洞圖像的邊緣區(qū)域進(jìn)行二次處理[12]，同時(shí)也很好地利用了PCNN的生物特性，使邊緣提取效果更好。

2.3 邊緣值

利用PCNN模型進(jìn)行圖像邊緣檢測(cè)，如何準(zhǔn)確判斷邊緣點(diǎn)是關(guān)鍵。原PCNN模型一般將圖3(該圖為二值圖像，黑色表示1，白色表示0，灰色表示不考慮)所示的中心神經(jīng)元視為邊緣點(diǎn)，并用Yij[n]表示其激發(fā)脈沖輸出，其輸出只有兩種狀態(tài)，即當(dāng)神經(jīng)元內(nèi)部活動(dòng)項(xiàng)U大于動(dòng)態(tài)門(mén)限E時(shí)輸出1(激發(fā)或點(diǎn)火)，反之輸出0(抑制或不點(diǎn)火)。

圖3 邊緣點(diǎn)類(lèi)型示意Fig.3 Schematic diagram of the edge pixel types

就路面坑洞圖像而言，這種圖像受周?chē)h(huán)境影響因素較大，易形成椒鹽噪聲，要求邊緣檢測(cè)算法具有很好的自適應(yīng)性和抗噪性。筆者采用董繼陽(yáng)[13]提出的局域窗口內(nèi)邊緣值計(jì)算方法來(lái)計(jì)算邊緣值，并用其計(jì)算結(jié)果對(duì)脈沖耦合神經(jīng)網(wǎng)絡(luò)的脈沖輸出進(jìn)行調(diào)制，使脈沖輸出Yij[n]在[0,1]之間，即將式(4)改為：

(14)

式中:Eij[n]是第(i,j)個(gè)像素的邊緣值；maxE(n)是第n次迭代所有象素中的最大邊緣值。

Eij[n]=2×(|I1-I5|+|I2-I6|+|I3-I7|+|I4-I8|)-(|I1-I2|+|I2-I3|+|I3-I4|+|I4-I5|+|I5-I6|+|I6-I7|+|I7-I8|+|I8-I1|)

(15)

I1～I(xiàn)8是像素點(diǎn)(i,j)鄰域的8個(gè)象素點(diǎn)的像素值，如圖4。

圖4 對(duì)鄰域像素進(jìn)行編號(hào)Fig.4 Numbering neighborhood pixels

3 IM-PCNN方法

3.1 IM-PCNN

基于改進(jìn)的形態(tài)學(xué)脈沖耦合神經(jīng)網(wǎng)絡(luò)的邊緣提取方法(The edge extraction method based on improved morphological & pulse coupled neural network, IM-PCNN)是以脈沖耦合神經(jīng)網(wǎng)絡(luò)和形態(tài)學(xué)特性為基礎(chǔ)的一種邊緣檢測(cè)方法。利用IM-PCNN進(jìn)行邊緣檢測(cè)，首先對(duì)待檢測(cè)圖像進(jìn)行預(yù)處理，然后利用改進(jìn)的PCNN模型對(duì)圖像進(jìn)行分割，最后利用數(shù)學(xué)形態(tài)學(xué)的腐蝕膨脹算法對(duì)分割后的二值圖像進(jìn)行優(yōu)化及邊緣提取。

3.2 圖像增強(qiáng)

通常情況下，路面坑洞圖像的質(zhì)量受周邊環(huán)境因素的影響很大，坑洞邊緣與路面相似度高，即坑洞圖像邊緣區(qū)域與非邊緣區(qū)域的對(duì)比度較小。從理論上講，邊緣檢測(cè)算法對(duì)圖像各區(qū)域?qū)Ρ榷却蟮膱D像進(jìn)行邊緣提取，其效果往往要好于對(duì)比度小的圖像。因此，為了提高路面坑洞圖像的邊緣提取效果，可以在進(jìn)行邊緣檢測(cè)之前對(duì)坑洞圖像各灰度區(qū)域進(jìn)行圖像增強(qiáng)。

另外，如果坑洞圖像所在路面平整度低、粒度大(如瀝青碎石路面、水泥混凝土路面)等，可以在保證坑洞邊緣不失真的情況下，采取一定程度的圖像平滑、濾波等預(yù)處理操作，盡量降低周?chē)h(huán)境對(duì)路面坑洞邊緣的影響。

3.3 實(shí)施步驟

坑洞圖像經(jīng)過(guò)預(yù)處理之后，用改進(jìn)的PCNN模型進(jìn)行圖像分割，然后再用數(shù)學(xué)形態(tài)學(xué)對(duì)分割后的二值圖像進(jìn)行邊緣提取。具體步驟如下：

1)初始化；

2)圖像增強(qiáng)等預(yù)處理操作；

3)將預(yù)處理之后的圖像像素值作為外界刺激信號(hào)Iij輸入改進(jìn)的PCNN網(wǎng)絡(luò)；

4)設(shè)置PCNN模型參數(shù)；

5)由式(11)、式(13)、式(3)、式(14)、式(5)計(jì)算每個(gè)神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)Uij，并得到脈沖輸出結(jié)果Y；

6)判斷迭代是否已達(dá)上限，是否已經(jīng)得到結(jié)果。若是，則輸出結(jié)果，否則繼續(xù)步驟5)；

7)用形態(tài)學(xué)結(jié)構(gòu)元素對(duì)PCNN輸出結(jié)果進(jìn)行腐蝕膨脹運(yùn)算以及邊緣提取，最終得到坑洞邊緣。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證邊緣提取方法的有效性，筆者將分別用經(jīng)典邊緣檢測(cè)算法 Sobel、Prewitt、Robert、Laplace、Canny、基本PCNN和辦法對(duì)坑洞圖像進(jìn)行邊緣提取，并比較不同提取辦法所提取到的坑洞邊緣是否清晰、可用。另外，筆者還對(duì)原始坑洞圖像(模擬非平整路面)和預(yù)處理之后的圖像(模擬平整路面)進(jìn)行邊緣提取，以此來(lái)檢驗(yàn)IM-PCNN提取辦法對(duì)周?chē)h(huán)境的抗噪特性。選用的PCNN模型參數(shù)為：動(dòng)態(tài)門(mén)限Eij的固有電勢(shì)VE=0.5，耦合連接域Lij的固有電勢(shì)VL=1，動(dòng)態(tài)門(mén)限衰減時(shí)間常數(shù)αE=0.75，突觸之間的連接強(qiáng)度β=0.4，內(nèi)部連接權(quán)值矩陣為：

4.1 邊緣檢測(cè)評(píng)價(jià)方法

邊緣檢測(cè)的評(píng)價(jià)方法是對(duì)所提出的邊緣檢測(cè)算法以及經(jīng)過(guò)該算法所得到的結(jié)果進(jìn)行評(píng)價(jià)，一般按照評(píng)價(jià)過(guò)程是否有評(píng)價(jià)指標(biāo)分為直觀(guān)評(píng)價(jià)和數(shù)值評(píng)價(jià)。

采用直觀(guān)評(píng)價(jià)和數(shù)值評(píng)價(jià)兩種方法進(jìn)行邊緣檢測(cè)效果評(píng)價(jià)。直觀(guān)評(píng)價(jià)以相關(guān)領(lǐng)域?qū)＜业闹庇^(guān)判斷為依據(jù)，將將提取到的邊緣效果分為優(yōu)、良好、一般、差、極差5個(gè)等級(jí)；數(shù)值評(píng)價(jià)采用磨少清[14]所提出的一種不基于邊緣基準(zhǔn)圖的邊緣檢測(cè)方法評(píng)價(jià)。該評(píng)價(jià)方法以重構(gòu)相似度MSSIM、邊緣置信度BIdx和連續(xù)性指標(biāo)CIdx三者的加權(quán)和作為評(píng)價(jià)指標(biāo)，即：

EIdx=ws×MSSIM+wb×BIdx+wc×CIdx

(16)

式中：ws,wb,wc分別為重構(gòu)相似度、邊緣置信度和連續(xù)性指標(biāo)的權(quán)重，且要求ws+wb+wc=1。

EIdx越大，說(shuō)明邊緣檢測(cè)的質(zhì)量越好。文中使用的權(quán)重為：ws=0.2,wb=0.3,wc=0.5。

4.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)1 用預(yù)處理之后的坑洞圖像模擬平整路面的坑洞圖像，并用經(jīng)典邊緣檢測(cè)算子、基本PCNN以及IM-PCNN對(duì)其進(jìn)行邊緣提取，邊緣提取結(jié)果如圖5、圖6。

圖5 經(jīng)典邊緣檢測(cè)算法下平整路面坑洞的邊緣提取結(jié)果Fig.5 Edge extraction results of the pothole on the even surface of road by the classical edge detection algorithm

圖5(a)為預(yù)處理之后的坑洞圖像，該圖像降低了周?chē)h(huán)境對(duì)坑洞的影響，并用其模擬平整路面坑洞圖像。圖5(b)～圖5(f)分別是經(jīng)典邊緣檢測(cè)算子Sobel、Prewitt、Robert、Laplace、Canny下的邊緣提取結(jié)果。

圖6 PCNN和IM-PCNN下平整路面坑洞的邊緣提取結(jié)果Fig.6 Edge detection results of the pothole on an even road surface by PCNN and IM-PCNN

圖6(b)是用PCNN進(jìn)行提取，圖6(c)所示邊緣提取結(jié)果是用本文IM-PCNN方法進(jìn)行提取的，其直觀(guān)評(píng)價(jià)結(jié)果如表1、數(shù)值評(píng)價(jià)結(jié)果如表2。

表1 不同方法的邊緣提取直觀(guān)評(píng)價(jià)結(jié)果

從直觀(guān)評(píng)價(jià)的角度來(lái)看，經(jīng)典邊緣檢測(cè)算法對(duì)路面坑洞圖像進(jìn)行提取效果并不理想，特別是Canny算子，所提取到的坑洞邊緣幾乎不可用?；綪CNN提取效果比經(jīng)典邊緣檢測(cè)算法好，與經(jīng)典邊緣檢測(cè)算法相比較，PCNN能更好地提取出坑洞的邊緣，但是由于坑洞邊緣的不規(guī)則性，部分邊緣可能出現(xiàn)斷點(diǎn)、不連續(xù)、多重邊、碎邊緣等現(xiàn)象。與基本PCNN相比，加入了數(shù)學(xué)形態(tài)學(xué)的IM-PCNN能更好地針對(duì)坑洞邊緣不規(guī)則性，進(jìn)一步消除了“碎邊緣”現(xiàn)象，使提取到的坑洞邊緣更加連續(xù)、清晰、可用。

表2 不同方法的邊緣提取數(shù)值評(píng)價(jià)結(jié)果

從表2中可以看出經(jīng)典邊緣檢測(cè)算法由于提取到的邊緣像素點(diǎn)比PCNN和IM-PCNN多，保留了更多的邊緣細(xì)節(jié)，因此重構(gòu)相似度相對(duì)較高，但邊緣置信度和邊緣連續(xù)性卻很低，導(dǎo)致最終的提取效果并不理想。IM-PCNN利用形態(tài)學(xué)特性去除了大量邊緣細(xì)節(jié)，同時(shí)最大可能地保證了邊緣的連續(xù)性，在數(shù)值評(píng)價(jià)結(jié)果中效果最好。

實(shí)驗(yàn)2 對(duì)原始坑洞圖像(即非平整路面的坑洞圖像)進(jìn)行邊緣提取，對(duì)比經(jīng)典邊緣檢測(cè)算子、基本PCNN以及IM-PCNN對(duì)環(huán)境的抗噪能力。

圖7(a)為非平整路面的坑洞圖像，路面環(huán)境對(duì)坑洞存在一定程度的影響。圖7(b)～圖7(f)分別是經(jīng)典邊緣檢測(cè)算子Sobel、Prewitt、Robert、Laplace、Canny下的邊緣提取結(jié)果。

圖7 經(jīng)典邊緣檢測(cè)算法下非平整路面坑洞的邊緣提取結(jié)果Fig.7 Edge extraction results of the pothole on the uneven surface of road by the classical edge detection algorithm

圖8是用PCNN和IM-PCNN對(duì)非平整路面坑洞進(jìn)行邊緣提取所得結(jié)果。實(shí)驗(yàn)2的直觀(guān)評(píng)價(jià)結(jié)果如表3，數(shù)值評(píng)價(jià)如表4。

圖8 PCNN和IM-PCNN下非平整路面坑洞的邊緣提取結(jié)果Fig.8 Edge extraction results of the pothole on the uneven surface of road by PCNN and IM-PCNN

表3 不同方法的邊緣提取直觀(guān)評(píng)價(jià)結(jié)果

從直觀(guān)評(píng)價(jià)角度來(lái)看，對(duì)于非平整路面的坑洞邊緣提取，經(jīng)典邊緣檢測(cè)算法所提取到的坑洞邊緣不連續(xù)、難以識(shí)別，并存在大量的噪聲，在實(shí)際的工程應(yīng)用中幾乎不可用。利用了生物視覺(jué)特性的PCNN對(duì)于噪聲抑制能力明顯比經(jīng)典邊緣檢測(cè)算法強(qiáng)，但是所提取到的邊緣仍然存在很多噪聲、部分邊緣不連續(xù)。而IM-PCNN所提取到的邊緣效果卻很好，不僅能有效地抑制周?chē)h(huán)境對(duì)坑洞邊緣的影響，還能清晰、連續(xù)、有效的將坑洞邊緣提取出來(lái)。

表4 不同方法的邊緣提取數(shù)值評(píng)價(jià)結(jié)果

從表4中可以看出對(duì)于非平整路面來(lái)說(shuō)，經(jīng)典的邊緣檢測(cè)算法不僅將坑洞邊緣像素點(diǎn)盡量多地保留下來(lái)，同時(shí)也將大量的噪聲保留了下來(lái)。大量的不規(guī)則噪聲使其提取到的邊緣散亂、不連續(xù)，并且可信度差，因此邊緣置信度和連續(xù)性指標(biāo)都很低。IM-PCNN與基本PCNN相比，由于加入了數(shù)學(xué)形態(tài)學(xué)，經(jīng)過(guò)圖像預(yù)處理和形態(tài)學(xué)特性，消除了大量的環(huán)境噪聲，保留了坑洞圖像的關(guān)鍵邊緣，因此IM-PCNN的連續(xù)性和邊緣置信度指標(biāo)數(shù)值更大，邊緣提取效果更好。

5 結(jié) 語(yǔ)

提出了一種基于改進(jìn)的PCNN與形態(tài)學(xué)的坑洞邊緣提取方法，對(duì)基本PCNN模型進(jìn)行改進(jìn)，并利用數(shù)學(xué)形態(tài)學(xué)特性對(duì)坑洞邊緣進(jìn)行優(yōu)化。文中IM-PCNN邊緣提取方法主要應(yīng)用于道路養(yǎng)護(hù)領(lǐng)域，由于在實(shí)際工程應(yīng)用中，路面坑洞的邊緣不需要很精確，但一定要連續(xù)、完整、可用，因此PCNN仿生物視覺(jué)和數(shù)學(xué)形態(tài)學(xué)膨脹腐蝕特性相結(jié)合，既能保證所提取邊緣的完整、可用，又不會(huì)影響到實(shí)際的工程應(yīng)用。實(shí)驗(yàn)結(jié)果表明，IM-PCNN邊緣提取能夠有效地抑制周?chē)访姝h(huán)境對(duì)坑洞邊緣的影響，無(wú)論是平整路面、還是非平整路面，在邊緣提取的能力和抗噪能力都優(yōu)于經(jīng)典邊緣檢測(cè)算法和基本PCNN算法，所提取到的邊緣更加完整、清晰、可用。

[1] ECKJOM R,REITBOECK H J,ARNDT M,et al.Feature linking via synchronization among distributed assemblies:simulation of results from cat cortex [J].NeuralComputer,1990,2(3):293-307.

[2] ECKHOM R,FRIEN A,BAUER R,et al.High frequency oscillations in primary visual cortex of awake monkey [J].NeuroRep,1993,4(3):243-246.

[3] IZHIKEVICH E M.Class I Neural Excitability,Conventional Synapses,Weakly Connected Networks [J].IEEETransactionsNeuralNetwork,1999,10(3):499-507.

[4] 張寶華,劉鶴,侯賀.基于多聚類(lèi)中心和PCNN的醫(yī)學(xué)圖像融合算法[J].激光與紅外,2014(4):452-456. ZHANG Baohua,LIU He,HOU He.Medical image fusion based on multi-cluster centers and PCNN [J].Laser&Infrared,2014(4):452-456.

[5] 王慧斌,沈俊雷,王鑫,等.基于脈沖耦合神經(jīng)網(wǎng)絡(luò)融合的壓縮域運(yùn)動(dòng)目標(biāo)分割方法[J].光子學(xué)報(bào),2014,41(8):914-921. WANG Huibin,SHEN Junlei,WANG Xin,et al.Moving object segmentation based on fusion-PCNN in compressed domain[J].ActaPhotonicaSinica,2014,41(8):914-921.

[6] 周新星,王典洪,孫林,等.基于非下采樣Contourlet變換和PCNN的表面缺陷自動(dòng)識(shí)別方法[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2013,21(1):174-184. ZHOU Xinxing,WANG Dianhong,SUN Lin,et al.Automatic recognition method of surface defects based on Non-subsampled Contourlet transform and PCNN [J].JournalofBasicScienceandEngineering,2013,21(1):174-184.

[7] 薛錦樹(shù),聶仁燦,周冬明,等Unit-Linking PCNN中的彩色圖像邊緣檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(17):188-191. XUE Jinshu,NIE Rencan,ZHOU Dongming,et al.Color image edge detection using Unit-Linking PCNN [J].ComputerEngineeringandApplications,2011,47(17):188-191.

[8] 亢伉.基于改進(jìn)PCNN與矢量法的輸送帶邊緣檢測(cè)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2014,23(7):165-169. KANG Kang.Conveyor belt edge detection algorithm based on the improved PCNN model and vector method [J].ComputerSystems&Applications,2014,23(7):165-169.

[9] 李志強(qiáng),程飛燕,安黎哲,等.基于多維PCNN的彩色枸杞細(xì)胞顯微圖像的邊緣檢測(cè)[J].蘭州大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,45(5):130-134. LI Zhiqiang,CHENG Feiyan,AN Lizhe,et al.Edge detection of color images based on the improved multi-dimensional PCNN [J].JournalofLanzhouUniversity(NaturalScience),2009,45(5):130-134.

[10] JCAULFIELD H,KINSER J M.Finding the shortest path in the shortest time using PCNN’s [J].IEEETransactionsNeuralNetwork,1999,10(3):604-606.

[11] 孫燮華.數(shù)字圖象處理——原理與算法[M].北京:北京大學(xué)出版社,2012. SUN Xiehua.DigitalImageProcessing-PrinciplesandAlgorithms[M].Beijing:Peking University Press,2012.

[12] 李建鋒,辛國(guó)江.一種基于PCNN的醫(yī)學(xué)圖像邊緣提取方法[J].計(jì)算機(jī)應(yīng)用研究,2010,27(11):4389-4393. LI Jian feng,XIN Guojiang.PCNN-based medical image edge extraction [J].ApplicationResearchofComputers,2010,27(11):4389-4393.

[13] 董繼揚(yáng).基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的灰度圖像邊緣提取[J].計(jì)算機(jī)應(yīng)用,2003,23(9):50-52. DONG Jiyang.Grayscale image edge detection based on pulse-coupled neural network [J].ComputerApplications,2003,23(9):50-52.

[14] 磨少清.邊緣檢測(cè)及其評(píng)價(jià)方法的研究[D].天津：天津大學(xué),2011. MO Shaoqing.ResearchonEdgeDetectionanditsEvaluation[D].Tianjin:Tianjin University,2011.

Potholes Image Edge Extraction Based on PCNN and Morphology

SU Zhouyu1, LAN Quanxiang2, YUAN Quan1, CAO Jianqiu2

(1. Guizhou Highway Bureau, Guiyang 550003, Guizhou, P.R.China; 2. School of Information Science & Engineering, Chongqing Jiaotong University, Chongqing 400074, P.R.China)

The potholes image edge extraction was studied, the pulse coupled neural network model was improved, and an image edge extraction method based on PCNN and morphology was proposed. The basic PCNN model was optimized and the original model parameters were simplified. Furthermore, the linear input and the calculation method of the output pulse of the original model were improved. First of all, the image was enhanced to eliminate the influence of potholes surrounding environment on the potholes edges to some extent in the process of image edge extraction. And then, the improved PCNN model as well as the dilation and erosion characteristics of morphology was used to carry out the edge extraction. The experimental results show that: the proposed method is more effective than the traditional edge extraction method in the road potholes image edge extraction and has stronger anti-interference ability, which can effectively restrain the influence of the road surrounding environment on the potholes edge. And the extracted edges are clearer and more available.

highway engineering; PCNN; morphology; potholes; edge

2014-11-15；

2015-04-08

重慶市科委攻關(guān)項(xiàng)目(CSTC 2011AC6102)；重慶高校創(chuàng)新團(tuán)隊(duì)建議計(jì)劃項(xiàng)目(KJTD201306)

粟周瑜(1959—)，男(侗族)，貴州三穗人，高級(jí)工程師，主要從事公路建設(shè)管理工作。E-mail：23978258@qq.com。

蘭全祥(1990—)，男，四川攀枝花人，碩士，主要從事圖像處理方面的研究。E-mail：15123213773@qq.com。

10.3969/j.issn.1674-0696.2016.01.12

TP391.41；U416.2

A

1674-0696(2016)01-060-06