基于spcnn和最小交叉熵的接触网图像分割方法

基于spcnn和最小交叉熵的接触网图像分割方法
【专利摘要】本发明公开了一种基于SPCNN和最小交叉熵的接触网图像分割方法，包括以下步骤：首先对标准脉冲耦合神经网络PCNN（pulse coupled neural network）进行简化，得到简化型脉冲耦合神经网络SPCNN（simplified pulse coupled neural network）模型；接着对SPCNN模型参数进行赋值；再利用最小交叉熵原理确定迭代次数；最后利用SPCNN模型对接触网图像进行二值分割，得到分割后的接触网图像。实验结果表明，本发明方法分割效果好于OTSU法及迭代法，特别是对接触网支柱、绝缘子、杆号牌等零部件的分割，显示出较好的分割效果。衡量图像分割效果指标VOI(Variation of Information)和PRI(Probabilistic Rand Index)也好于OTSU法及迭代法。
【专利说明】
基于SPCNN和最小交叉滴的接触网图像分割方法
技术领域
[0001] 本发明属于数字图像处理技术领域，具体设及一种基于SPO^N和最小交叉赌的接 触网图像分割方法。
【背景技术】
[0002] 当前，我国高速铁路迅猛发展，铁路安全问题日益突出。接触网作为铁路线路的主 要结构，其工作状态对列车是否能稳定受电具有重要影响。因此，有必要对接触网工作状态 进行检测，W确保其处于良好的工作状态。目前，传统的人工定点检测与检测车巡检方式难 W满足实时性和可靠性需求。随着数字图像处理技术的迅猛发展，基于图像处理技术的接 触网检测技术是一种真正的非接触式检测方法，该方法不易受人工影响，并且对特殊路段 也能实现有效检测。通常，对于接触网检测而言，人们更关注的是某些特定的目标，如接触 网中拉杆的状态(裂纹、溃损），绝缘子的状态(缺失、断裂、夹杂异物)和其它零部件状态，为 了准确分析运些特定目标的状态，需要从接触网图像中将待检测零部件进行有效分割。
[0003] 图像分割就是从复杂背景中分离出感兴趣目标的相似灰度值像素的过程。现有的 图像分割方法主要有基于阔值的分割方法、基于区域的分割方法、基于边缘的分割方法W 及多种方法相结合的图像分割方法。
[0004] PC順与传统神经网络相比，不需要学习或者训练，能从复杂背景中提取有用信息。 PC順用于图像分割时，每一个像素的灰度值对应每一个神经元的输入，具有相似颜色或灰 度特征的像素所对应的神经元通过脉冲禪合可实现同步激发，产生脉冲序列输出，由该序 列构成的二值图像就是PCNN输出分割图像。
[0005] 标准PO^N网络在图像分割处理中，存在计算机模型构建难度大、计算量大、运行速 度较慢、模型中网络参数多、不易自动选取等问题。因此，为了减少PC顺参数，提高运行速 度，可采用简化型PCN饰莫型对接触网图像进行分割。

【发明内容】

[0006] ( - )发明目的 本发明的目的在于针对标准PCNN模型用于图像分割技术中的不足，采用一种基于 SPCNN和最小交叉赌的接触网图像分割方法，该方法结构简单，参数少，能对接触网图像进 行有效分割，分割后的图像中，接触网零部件保持较好。
[0007] (二)技术方案 一种基于SPCNN和最小交叉赌的接触网图像分割方法，其特征是首先构造简化型PO^N， 得到SPO^N模型，接着对其参数进行赋值，并采用最小交叉赌原理确定迭代次数，最后对图 像进行二值分割，得到接触网分割图像;步骤如下： A、 利用CCD工业摄像机采集接触网图像； B、 对标准PCNN模型进行简化，得到SPCNN模型； C、 对SPCNN模型参数赋值； D、 采用最小交叉赌原理确定迭代次数； E、 对图像进行二值图像分割，得到分割后的接触网图像。
[000引进一步的，步骤B所述的对标准PCNN模型进行简化，得到SPCNN模型， SPO^N模型简化了标准PO^N模型中的输入域和连接域，也省略了参数於，模型从而得到 简化。
[0009] 进一步的，步骤C所述的对SPCNN模型参数赋值， 分别对内部链接加权矩阵歡、链接强度露、阔值衰减时间鶴及阔值摄进行赋值。
[0010] 进一步的，步骤D所述的采用最小交叉赌原理确定迭代次数， 最小交叉赌就是寻找使分割前后图像信息量差异最小的分割阔值，即为最佳分割阔 值，当满足最小交叉赌时，所对应的迭代次数及此时输出图像就是自动分割时的最优迭代 次数及最佳分割图像。
[00川 巧益效果 本发明与现有技术相比较，其具有W下有益效果:本发明的一种基于SPCW#日最小交叉 赌的接触网图像分割方法，克服了传统PCNN结构复杂，计算量大，参数不易选取等问题，有 效分割图像的同时，保留了图像的细节，分割后的图像连续、完整、光滑，为接触网的故障检 测打下了坚实基础。
【附图说明】
[0012]图 1 为SPCNN 模型； 图2为分别采用0TSU法、迭代法及本发明方法对图2(a)接触网图像进行分害拠理的图像； 图3为分别采用0TSU法、迭代法及本发明方法对图3(a)接触网图像进行分害拠理的图像； 图4为分别采用0TSU法、迭代法及本发明方法对图4(a)接触网图像进行分割处理的图像； 图5为分别采用0TSU法、迭代法及本发明方法对图5(a)接触网图像进行分害拠理的图像。
【具体实施方式】
[0013] 下面结合分割采集的接触网图像对本发明的实施方案做进一步的详述。
[0014] 基于本发明的一种基于SPCNN和最小交叉赌的接触网图像分割方法，其特征是首 先构造简化型PC順，得到SPC順模型;接着对其参数进行赋值;再采用最小交叉赌原理确定 迭代次数;最后对图像进行二值分割，得到接触网分割图像;步骤如下： A、 利用CCD工业摄像机采集接触网图像； B、 对标准PCNN模型进行简化，得到SPCNN模型； C、 对SPCNN模型参数赋值； D、 采用最小交叉赌原理确定迭代次数； E、 对图像进行二值图像分割，得到分割后的接触网图像。
[001引进一步的，步骤B所述的SPCNN模型简化了标准PC順模型中的输入域和连接域，也 省略了参数F。
[0016]进一步的，步骤C所述的对SPCNN模型参数赋值， a.内部链接加权矩阵为： :旅二蹈;进法'乾南!典:5建;化萄 (1) b.链接强度为： :楚=谭 （2) 式中，巧为标准差， C.阔值衰减时间常数为： 雄='日'三 (3) d.阔值计算利用公式(4)获取， 譯詞=记鼓致一滤游[括一萄 （4) 式中，容为动态阔值。 进一步的，步骤D所述的采用最小交叉赌原理确定迭代次数， 设两概率分布，尹梦V..P、-}，9 =括;省::.·聲4，交叉赌用来度量它们之间的信息 量差异， 交叉赌利用公式巧)获取，
其中，藍为灰度值,?(査)为原始图的直方图，裏为灰度上界，?为阔值，
为类内均值，分别代表分割后的 目标和背景的灰度，
为原始图像中目标类的先验概率
为背景类的 先验概率， 采用最小交叉赌原理确定迭代次数，所对应的迭代次数及此时输出图像就是自动分割 时的最优迭代次数及最佳分割图像。
[0017] 下面通过仿真实验对本发明进一步说明。
[0018] 分别采用0TSU法、迭代法W及本发明方法对接触网图像进行分割实验，实验仿真 结果如图2、图3、图4及图5所示，其中：图2(a)、3(a)、4(a)及5(a)为采集的接触网图像，图2 (b)、3(b)、4(b)及5(b)为采用0TSU法分割结果，图2(c)、3(c)、4(c)及5(c)为采用迭代法分 割结果，2(d)、3(d)、4(d)及5(d)为采用本发明方法分割结果。
[0019] 从图2、图3、图4及图5中可W看出，本发明采用的分害巧法结果要好于0TSU法及迭 代法，分割后的接触网图像中的绝缘子、拉杆、支柱、腕臂等零部件更完善，更好的保留了原 始图像的基本特性。图2(b)、图2(c)中，套管座没有被分割出来，而图2(d)中，套管座被很好 的保留。图3(b)、图3(c)分割后图像中支柱下端均未被很好的保留，存在欠分割情况，而图3 (d)分割效果较理想，分割后的支柱较为连贯，完整。图4(b)、图4(c)分割效果相同，二者均 只分割出原图的杆号牌，支柱及绝缘子被漏分割，而图4(d)中分割结果较好的保持了原图 特性。图5(b)、图5(c)中分割所得绝缘子变细，而且绝缘子中下部没有被很好的分割，而图5 (d)中分割出的绝缘子基本保持了原图像的形状及大小，分割效果更好。
[0020] 表1衡量图像分割效果指标
衡量图像分割指标VOI (Variation of Information)为变换信息，用来衡量实际分 割结果相对参考分割图像的信息变化，其值越小越好。PRKProbabilistic Rand Index)为 概率边缘指数，是用来检验实际分割结果与参考结果之间的属性共生的一致性的参数，其 值越大越好，从表1可W看出，采用本发明方法所得的V0I值小于0TSU法及迭代法，而PRI值 大于0TSU法及迭代法，表明本发明方法要好于0TSU法及迭代法。
[0021]综上所述，本发明基于SPO^N和最小交叉赌的接触网图像分割方法能有效的对接 触网图像进行分割，分割后的图像细节保持完好，分割后图像具有连续性、光滑性及完整 性，分割效果好。
【主权项】
1.一种基于SPCNN和最小交叉熵的接触网图像分割方法，其特征是首先构造简化型 PCNN，得到SPCNN模型，接着对其参数进行赋值，并采用最小交叉熵原理确定迭代次数，最后 对图像进行二值分割，得到接触网分割图像;步骤如下： A、 利用CCD工业摄像机采集接触网图像； B、 对标准PCNN模型进行简化，得到SPCNN模型； C、 对SPCNN模型参数赋值； D、 采用最小交叉熵原理确定迭代次数； E、 对图像进行二值图像分割，得到分割后的接触网图像。
【文档编号】G06N3/02GK105989607SQ201610225998
【公开日】2016年10月5日
【申请日】2016年4月13日
【发明人】吴昌东, 江桦, 杨钦雲
【申请人】西华大学