基于spcnn和最小交叉熵的接觸網(wǎng)圖像分割方法
【專利摘要】本發(fā)明公開了一種基于SPCNN和最小交叉熵的接觸網(wǎng)圖像分割方法，包括以下步驟：首先對標準脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN（pulse coupled neural network）進行簡化，得到簡化型脈沖耦合神經(jīng)網(wǎng)絡(luò)SPCNN（simplified pulse coupled neural network）模型；接著對SPCNN模型參數(shù)進行賦值；再利用最小交叉熵原理確定迭代次數(shù)；最后利用SPCNN模型對接觸網(wǎng)圖像進行二值分割，得到分割后的接觸網(wǎng)圖像。實驗結(jié)果表明，本發(fā)明方法分割效果好于OTSU法及迭代法，特別是對接觸網(wǎng)支柱、絕緣子、桿號牌等零部件的分割，顯示出較好的分割效果。衡量圖像分割效果指標VOI(Variation of Information)和PRI(Probabilistic Rand Index)也好于OTSU法及迭代法。
【專利說明】
基于SPCNN和最小交叉滴的接觸網(wǎng)圖像分割方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，具體設(shè)及一種基于SPO^N和最小交叉賭的接 觸網(wǎng)圖像分割方法。
【背景技術(shù)】
[0002] 當前，我國高速鐵路迅猛發(fā)展，鐵路安全問題日益突出。接觸網(wǎng)作為鐵路線路的主 要結(jié)構(gòu)，其工作狀態(tài)對列車是否能穩(wěn)定受電具有重要影響。因此，有必要對接觸網(wǎng)工作狀態(tài) 進行檢測，W確保其處于良好的工作狀態(tài)。目前，傳統(tǒng)的人工定點檢測與檢測車巡檢方式難 W滿足實時性和可靠性需求。隨著數(shù)字圖像處理技術(shù)的迅猛發(fā)展，基于圖像處理技術(shù)的接 觸網(wǎng)檢測技術(shù)是一種真正的非接觸式檢測方法，該方法不易受人工影響，并且對特殊路段 也能實現(xiàn)有效檢測。通常，對于接觸網(wǎng)檢測而言，人們更關(guān)注的是某些特定的目標，如接觸 網(wǎng)中拉桿的狀態(tài)(裂紋、潰損），絕緣子的狀態(tài)(缺失、斷裂、夾雜異物)和其它零部件狀態(tài)，為 了準確分析運些特定目標的狀態(tài)，需要從接觸網(wǎng)圖像中將待檢測零部件進行有效分割。
[0003] 圖像分割就是從復(fù)雜背景中分離出感興趣目標的相似灰度值像素的過程?，F(xiàn)有的 圖像分割方法主要有基于闊值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法W 及多種方法相結(jié)合的圖像分割方法。
[0004] PC順與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，不需要學(xué)習(xí)或者訓(xùn)練，能從復(fù)雜背景中提取有用信息。 PC順用于圖像分割時，每一個像素的灰度值對應(yīng)每一個神經(jīng)元的輸入，具有相似顏色或灰 度特征的像素所對應(yīng)的神經(jīng)元通過脈沖禪合可實現(xiàn)同步激發(fā)，產(chǎn)生脈沖序列輸出，由該序 列構(gòu)成的二值圖像就是PCNN輸出分割圖像。
[0005] 標準PO^N網(wǎng)絡(luò)在圖像分割處理中，存在計算機模型構(gòu)建難度大、計算量大、運行速 度較慢、模型中網(wǎng)絡(luò)參數(shù)多、不易自動選取等問題。因此，為了減少PC順參數(shù)，提高運行速 度，可采用簡化型PCN飾莫型對接觸網(wǎng)圖像進行分割。

【發(fā)明內(nèi)容】

[0006] ( - )發(fā)明目的 本發(fā)明的目的在于針對標準PCNN模型用于圖像分割技術(shù)中的不足，采用一種基于 SPCNN和最小交叉賭的接觸網(wǎng)圖像分割方法，該方法結(jié)構(gòu)簡單，參數(shù)少，能對接觸網(wǎng)圖像進 行有效分割，分割后的圖像中，接觸網(wǎng)零部件保持較好。
[0007] (二)技術(shù)方案 一種基于SPCNN和最小交叉賭的接觸網(wǎng)圖像分割方法，其特征是首先構(gòu)造簡化型PO^N， 得到SPO^N模型，接著對其參數(shù)進行賦值，并采用最小交叉賭原理確定迭代次數(shù)，最后對圖 像進行二值分割，得到接觸網(wǎng)分割圖像;步驟如下： A、 利用CCD工業(yè)攝像機采集接觸網(wǎng)圖像； B、 對標準PCNN模型進行簡化，得到SPCNN模型； C、 對SPCNN模型參數(shù)賦值； D、 采用最小交叉賭原理確定迭代次數(shù)； E、 對圖像進行二值圖像分割，得到分割后的接觸網(wǎng)圖像。
[000引進一步的，步驟B所述的對標準PCNN模型進行簡化，得到SPCNN模型， SPO^N模型簡化了標準PO^N模型中的輸入域和連接域，也省略了參數(shù)於，模型從而得到 簡化。
[0009] 進一步的，步驟C所述的對SPCNN模型參數(shù)賦值， 分別對內(nèi)部鏈接加權(quán)矩陣歡、鏈接強度露、闊值衰減時間鶴及闊值攝進行賦值。
[0010] 進一步的，步驟D所述的采用最小交叉賭原理確定迭代次數(shù)， 最小交叉賭就是尋找使分割前后圖像信息量差異最小的分割闊值，即為最佳分割闊 值，當滿足最小交叉賭時，所對應(yīng)的迭代次數(shù)及此時輸出圖像就是自動分割時的最優(yōu)迭代 次數(shù)及最佳分割圖像。
[00川 巧益效果 本發(fā)明與現(xiàn)有技術(shù)相比較，其具有W下有益效果:本發(fā)明的一種基于SPCW#日最小交叉 賭的接觸網(wǎng)圖像分割方法，克服了傳統(tǒng)PCNN結(jié)構(gòu)復(fù)雜，計算量大，參數(shù)不易選取等問題，有 效分割圖像的同時，保留了圖像的細節(jié)，分割后的圖像連續(xù)、完整、光滑，為接觸網(wǎng)的故障檢 測打下了堅實基礎(chǔ)。
【附圖說明】
[0012]圖 1 為SPCNN 模型； 圖2為分別采用0TSU法、迭代法及本發(fā)明方法對圖2(a)接觸網(wǎng)圖像進行分害拠理的圖像； 圖3為分別采用0TSU法、迭代法及本發(fā)明方法對圖3(a)接觸網(wǎng)圖像進行分害拠理的圖像； 圖4為分別采用0TSU法、迭代法及本發(fā)明方法對圖4(a)接觸網(wǎng)圖像進行分割處理的圖像； 圖5為分別采用0TSU法、迭代法及本發(fā)明方法對圖5(a)接觸網(wǎng)圖像進行分害拠理的圖像。
【具體實施方式】
[0013] 下面結(jié)合分割采集的接觸網(wǎng)圖像對本發(fā)明的實施方案做進一步的詳述。
[0014] 基于本發(fā)明的一種基于SPCNN和最小交叉賭的接觸網(wǎng)圖像分割方法，其特征是首 先構(gòu)造簡化型PC順，得到SPC順模型;接著對其參數(shù)進行賦值;再采用最小交叉賭原理確定 迭代次數(shù);最后對圖像進行二值分割，得到接觸網(wǎng)分割圖像;步驟如下： A、 利用CCD工業(yè)攝像機采集接觸網(wǎng)圖像； B、 對標準PCNN模型進行簡化，得到SPCNN模型； C、 對SPCNN模型參數(shù)賦值； D、 采用最小交叉賭原理確定迭代次數(shù)； E、 對圖像進行二值圖像分割，得到分割后的接觸網(wǎng)圖像。
[001引進一步的，步驟B所述的SPCNN模型簡化了標準PC順模型中的輸入域和連接域，也 省略了參數(shù)F。
[0016]進一步的，步驟C所述的對SPCNN模型參數(shù)賦值， a.內(nèi)部鏈接加權(quán)矩陣為： :旅二蹈;進法'乾南!典:5建;化萄 (1) b.鏈接強度為： :楚=譚 （2) 式中，巧為標準差， C.闊值衰減時間常數(shù)為： 雄='日'三 (3) d.闊值計算利用公式(4)獲取， 譯詞=記鼓致一濾游[括一萄 （4) 式中，容為動態(tài)闊值。 進一步的，步驟D所述的采用最小交叉賭原理確定迭代次數(shù)， 設(shè)兩概率分布，尹夢V..P、-}，9 =括;省::.·聲4，交叉賭用來度量它們之間的信息 量差異， 交叉賭利用公式巧)獲取，
其中，藍為灰度值,?(査)為原始圖的直方圖，裏為灰度上界，?為闊值，
為類內(nèi)均值，分別代表分割后的 目標和背景的灰度，
為原始圖像中目標類的先驗概率
為背景類的 先驗概率， 采用最小交叉賭原理確定迭代次數(shù)，所對應(yīng)的迭代次數(shù)及此時輸出圖像就是自動分割 時的最優(yōu)迭代次數(shù)及最佳分割圖像。
[0017] 下面通過仿真實驗對本發(fā)明進一步說明。
[0018] 分別采用0TSU法、迭代法W及本發(fā)明方法對接觸網(wǎng)圖像進行分割實驗，實驗仿真 結(jié)果如圖2、圖3、圖4及圖5所示，其中：圖2(a)、3(a)、4(a)及5(a)為采集的接觸網(wǎng)圖像，圖2 (b)、3(b)、4(b)及5(b)為采用0TSU法分割結(jié)果，圖2(c)、3(c)、4(c)及5(c)為采用迭代法分 割結(jié)果，2(d)、3(d)、4(d)及5(d)為采用本發(fā)明方法分割結(jié)果。
[0019] 從圖2、圖3、圖4及圖5中可W看出，本發(fā)明采用的分害巧法結(jié)果要好于0TSU法及迭 代法，分割后的接觸網(wǎng)圖像中的絕緣子、拉桿、支柱、腕臂等零部件更完善，更好的保留了原 始圖像的基本特性。圖2(b)、圖2(c)中，套管座沒有被分割出來，而圖2(d)中，套管座被很好 的保留。圖3(b)、圖3(c)分割后圖像中支柱下端均未被很好的保留，存在欠分割情況，而圖3 (d)分割效果較理想，分割后的支柱較為連貫，完整。圖4(b)、圖4(c)分割效果相同，二者均 只分割出原圖的桿號牌，支柱及絕緣子被漏分割，而圖4(d)中分割結(jié)果較好的保持了原圖 特性。圖5(b)、圖5(c)中分割所得絕緣子變細，而且絕緣子中下部沒有被很好的分割，而圖5 (d)中分割出的絕緣子基本保持了原圖像的形狀及大小，分割效果更好。
[0020] 表1衡量圖像分割效果指標
衡量圖像分割指標VOI (Variation of Information)為變換信息，用來衡量實際分 割結(jié)果相對參考分割圖像的信息變化，其值越小越好。PRKProbabilistic Rand Index)為 概率邊緣指數(shù)，是用來檢驗實際分割結(jié)果與參考結(jié)果之間的屬性共生的一致性的參數(shù)，其 值越大越好，從表1可W看出，采用本發(fā)明方法所得的V0I值小于0TSU法及迭代法，而PRI值 大于0TSU法及迭代法，表明本發(fā)明方法要好于0TSU法及迭代法。
[0021]綜上所述，本發(fā)明基于SPO^N和最小交叉賭的接觸網(wǎng)圖像分割方法能有效的對接 觸網(wǎng)圖像進行分割，分割后的圖像細節(jié)保持完好，分割后圖像具有連續(xù)性、光滑性及完整 性，分割效果好。
【主權(quán)項】
1.一種基于SPCNN和最小交叉熵的接觸網(wǎng)圖像分割方法，其特征是首先構(gòu)造簡化型 PCNN，得到SPCNN模型，接著對其參數(shù)進行賦值，并采用最小交叉熵原理確定迭代次數(shù)，最后 對圖像進行二值分割，得到接觸網(wǎng)分割圖像;步驟如下： A、 利用CCD工業(yè)攝像機采集接觸網(wǎng)圖像； B、 對標準PCNN模型進行簡化，得到SPCNN模型； C、 對SPCNN模型參數(shù)賦值； D、 采用最小交叉熵原理確定迭代次數(shù)； E、 對圖像進行二值圖像分割，得到分割后的接觸網(wǎng)圖像。
【文檔編號】G06N3/02GK105989607SQ201610225998
【公開日】2016年10月5日
【申請日】2016年4月13日
【發(fā)明人】吳昌東, 江樺, 楊欽雲(yún)
【申請人】西華大學(xué)