CN110427979A - 基于K-Means聚类算法的道路水坑识别方法 - Google Patents

基于K-Means聚类算法的道路水坑识别方法 Download PDF

Info

Publication number
CN110427979A
CN110427979A CN201910621279.8A CN201910621279A CN110427979A CN 110427979 A CN110427979 A CN 110427979A CN 201910621279 A CN201910621279 A CN 201910621279A CN 110427979 A CN110427979 A CN 110427979A
Authority
CN
China
Prior art keywords
puddle
picture
target area
road
recognition methods
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910621279.8A
Other languages
English (en)
Other versions
CN110427979B (zh
Inventor
余荣
林华彪
张浩川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910621279.8A priority Critical patent/CN110427979B/zh
Publication of CN110427979A publication Critical patent/CN110427979A/zh
Application granted granted Critical
Publication of CN110427979B publication Critical patent/CN110427979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Abstract

本发明涉及数字图像处理技术领域，提出一种基于K‑Means聚类算法的道路水坑识别方法，包括以下步骤：对待识别图片进行预处理；将完成预处理的待识别图片基于K‑Means半监督聚类算法进行图像分割，获取目标区域；将所述完成图像分割的目标区域图像进行透视变换处理，获得目标区域的俯视图；对所述完成透视变换处理的目标区域图片进行形态处理；对所述完成形态处理的目标区域图片进行轮廓检测，并识别轮廓面积，所述轮廓检测结果及轮廓面积即为道路水坑识别结果。本发明能够有效降低算法复杂度，提高识别效率，提高算法的抗干扰性，减少光照强度、拍摄角度等问题对道路水坑识别造成的影响。

Description

基于K-Means聚类算法的道路水坑识别方法
技术领域
本发明涉及数字图像处理技术领域，更具体地，涉及一种基于K-Means聚类算法的道路水坑识别方法。
背景技术
道路水坑导致的恶劣道路状况是导致交通事故发生和车辆损坏的主要原因，如道路水坑容易造成车胎破损进而导致交通事故的发生，且由于道路水坑造成的交通事故数量正每年逐渐增加。同时，在道路水坑检修工作中，一般采用人工检测和维修，存在工作效率低下的问题，很多坑洼没有得到及时的修复处理。
有学者提出通过数字图像处理技术对待识别的道路照片进行坑洼检测的方法，包括基于视觉的深度学习检测分类方法、基于加速度传感器的振动检测方法、基于激光和多台相机的3D重建方法。然而，上述现有的坑洼识别方法存在以下问题：算法过于复杂、处理时延长、计算成本高、对车载设备的配置要求过高等问题。
发明内容
本发明为克服上述现有技术所述的算法复杂、处理时延长的缺陷，提供一种基于K-Means聚类算法的道路水坑识别方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于K-Means聚类算法的道路水坑识别方法，包括以下步骤：
S1：对待识别图片进行预处理；
S2：将完成预处理的待识别图片基于K-Means半监督聚类算法进行图像分割，获取目标区域；
S3：将所述目标区域进行透视变换处理，获得目标区域的俯视图；
S4：对所述S3步骤得到的目标区域图片进行形态处理；
S5：对所述S4步骤得到的目标区域图片进行轮廓检测，并识别轮廓面积，所述轮廓检测结果及轮廓面积即为道路水坑识别结果。
本技术方案中，考虑到道路水坑的图像采集发生在户外场景，导致所采集的图像中包含有噪音干扰，通过对待识别图片进行图像预处理，对待识别图片进行降噪；对完成预处理的待识别图片进行图像分割，即根据灰度、彩色、空间纹理、几何形状等特征或一定的规则将图像划分为若干个互不相交、具有一定性质的区域，使这些特征在同一区域内表现出一致性和相似性，本技术方案通过采用基于K-Means半监督聚类算法进行图像分割进行图像分割聚类来提高图像分割结果的准确性；考虑到一般车载设备对道路水坑进行图像采集时由于视角问题导致所采集的图像存在畸变，会对道路水坑的识别准确率造成影响，本技术方案通过对目标区域进行透视变换处理，对存在畸变的目标区域图像进行矫正；通过对目标区域图片进行形态处理进一步对图像中的噪声进行消除；通过对目标区域图片进行轮廓检测，得到道路水坑轮廓检测结果并计算道路水坑面积，得到道路水坑识别结果。
优选地，S1步骤中的预处理包括对待识别图片进行高斯滤波处理。
优选地，S2步骤的具体步骤如下：
S21：根据预设的聚类数目k选择k个对象作为初始聚类中心Xi，其中i＝1,2,...,k；
S22：遍历完成预处理的待识别图片，计算每一个像素点X分别到k个所述聚类中心Xi的距离，以距离最小值Ci作为归类依据，将该像素点X归类到与其距离最近的聚类中心Xi所在的类，其距离最小值Ci的计算公式如下：
S23：对完成分类后的k个聚类中心，计算每个聚类中心的类间平均值μi，然后将该平均值μi对应的对象作为新的聚类中心Xi；
S24：计算标准测度函数，判断所述标准测度函数是否收敛或是否达到最大迭代次数，若是，则表示完成图像分割，对图像进行阈值处理，获得目标区域；若否，则跳转执行S22步骤。
优选地，S21步骤中根据预设的聚类数目k选择k个对象作为初始聚类中心Xi的具体步骤如下：
步骤A：遍历完成预处理的待识别图片，计算所有像素点对应的RGB值[x,y,z]到水坑平均RGB值[x0,y0,z0]的距离f，取距离f为最小值对应的像素点作为水坑的初始聚类点X1，其计算公式如下：
步骤B：随机选择初始聚类点X1外的k-1个像素点作为非水坑物体的初始聚类点Xi。
优选地，S24步骤中，采用方差E作为标准测度函数，其计算公式如下：
优选地，S4步骤中的形态处理为腐蚀处理和膨胀处理。
优选地，S5步骤中，采用opencv库对轮廓进行识别绘制。
与现有技术相比，本发明技术方案的有益效果是：通过采用基于K-Means半监督聚类算法对图像进行分割，不需要通过大量数据要本进行训练，能够有效降低算法复杂度，且能够有效提高识别效率；采用高斯滤波处理、形态处理等方法对图像中的噪声和干扰进行清除，通过透视变换处理对图像视角进行调整，能够有效提高算法的抗干扰性，减少光照强度、拍摄角度等问题对道路水坑识别造成的影响。
附图说明
图1为本实施例的基于K-Means聚类算法的道路水坑识别方法的流程图。
图2为待识别的道路水坑图片。
图3为完成预处理的待识别图片。
图4为完成图像分割处理的目标区域图片。
图5为完成透视变换处理的目标区域图片。
图6为完成腐蚀处理的目标区域图片。
图7为完成膨胀处理的目标区域图片。
图8为完成轮廓检测的目标区域图片。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，为本实施例的一种基于K-Means聚类算法的道路水坑识别方法的流程图。
本实施例的一种基于K-Means聚类算法的道路水坑识别方法，包括以下步骤：
S1：对待识别图片进行预处理，具体地，对待识别图片进行高斯滤波处理。
如图2、3所示，为本实施例所采用的待识别图片以及经过预处理的待识别图片。
S2：将完成预处理的待识别图片基于K-Means半监督聚类算法进行图像分割，获取目标区域，其具体步骤如下：
S21：根据预设的聚类数目k选择k个对象作为初始聚类中心Xi，其中i＝1,2,...,k，具体地，包括以下步骤：
步骤A：遍历完成预处理的待识别图片，计算所有像素点对应的RGB值[x,y,z]到历史获取的水坑平均RGB值[x0,y0,z0]的距离f，取距离f为最小值对应的像素点作为水坑的初始聚类点X1，其计算公式如下：
步骤B：随机选择初始聚类点X1外的k-1个像素点作为非水坑物体的初始聚类点Xi；
S22：遍历完成预处理的待识别图片，计算每一个像素点X分别到k个所述聚类中心Xi的距离，以距离最小值Ci作为归类依据，将该像素点X归类到与其距离最近的聚类中心Xi所在的类，其距离最小值Ci的计算公式如下：
S23：对完成分类后的k个聚类中心，计算每个聚类中心的类间平均值μi，然后将该平均值μi对应的对象作为新的聚类中心Xi；
S24：计算标准测度函数，判断所述标准测度函数是否收敛或是否达到最大迭代次数，若是，则表示完成图像分割，对图像进行阈值处理，获得目标区域；若否，则跳转执行S22步骤。
本实施例中的步骤S24中，采用方差E作为标准测度函数，其公式如下：
由于道路水坑中的水和道路路面对光的吸收率和透光率不同，本发明通过对采集的5000张道路水坑图像进行比较发现，水坑的像素点RGB值稳定在平均值[112.76,108,115.34]左右，而水坑周围的道路像素点RGB值稳定在平均值[90,90,90]左右，即上述S21步骤中的水坑平均RGB值[x0,y0,z0]为[112.76,108,115.34]，将RGB值最接近水坑平均RGB值[112.76,108,115.34]的像素点作为初始聚类点X1。
本实施例中，设置聚类数目k＝3，通过基于K-Means半监督聚类算法将原有的三通道的彩色图片通过迭代，最终得到只含有三种颜色的簇群，然后经过阈值处理获得目标区域二值化图像。如图4所示，为本实施例的完成图像分割处理的目标区域图片。由图可见，其中白色位置即为目标水坑的区域，黑色位置即为道路区域。
S3：将所述目标区域进行透视变换处理，获得目标区域的俯视图。
如图5所示，为本实施例的完成透视变换处理的目标区域图片。
本实施例中，采用opencv库中的getPerspectiveTransform类函数对所述目标区域图片进行透视转换，得到俯视视角下的目标区域图片，即目标区域的俯视图。
S4：对所述S3步骤得到的目标区域图片因此进行形态处理，包括腐蚀处理和膨胀处理。
如图6、7所示，为本实施例中完成形态处理的目标区域图片。由于道路水坑图片中的水坑位置可能存在倒影，影响后续轮廓检测处理，本实施例中，采用腐蚀处理和膨胀处理，对图像中的噪声进一步进行消除，消除水坑中的倒影轮廓，其中，通过膨胀处理将图像中的高亮区域进行邻域扩充操作，获得更大的高亮区域；通过腐蚀处理将图像中高亮部分进行腐蚀，得到比原图像更小的高亮区域。
S5：对所述S4步骤得到的目标区域图片进行轮廓检测，并识别轮廓面积，所述轮廓检测结果及轮廓面积即为道路水坑识别结果。
如图8所示，为本实施例的完成轮廓检测的目标区域图片。
本实施例中，通过对完成形态处理的目标区域图片进行轮廓检测，利用opencv库的findContours()函数和drawContours()函数对轮廓进行识别绘制，并计算出轮廓的总体大小面积。本实施例中所计算得到的轮廓面积为683944.5mm2，与实际测试的轮廓面积721554.4mm2相比，面积识别准确率达到94.7％。
本实施例中，通过采用基于K-Means半监督聚类算法对图像进行分割，不需要通过大量数据要本进行训练，能够有效降低算法复杂度，且能够有效提高识别效率；采用高斯滤波处理、形态处理等方法对图像中的噪声和干扰进行清除，通过透视变换处理对图像视角进行调整，能够有效提高算法的抗干扰性，减少光照强度、拍摄角度等问题对道路水坑识别造成的影响。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于K-Means聚类算法的道路水坑识别方法，其特征在于，包括以下步骤：
S1：对待识别图片进行预处理；
S2：将完成预处理的待识别图片基于K-Means半监督聚类算法进行图像分割，获取目标区域；
S3：将所述目标区域进行透视变换处理，获得目标区域的俯视图；
S4：对所述S3步骤得到的目标区域图片进行形态处理；
S5：对所述S4步骤得到的目标区域图片进行轮廓检测，并识别轮廓面积，所述轮廓检测结果及轮廓面积即为道路水坑识别结果。
2.根据权利要求1所述的道路水坑识别方法，其特征在于：所述S1步骤中的预处理包括对待识别图片进行高斯滤波处理。
3.根据权利要求1所述的道路水坑识别方法，其特征在于：所述S2步骤的具体步骤如下：
S21：根据预设的聚类数目k选择k个对象作为初始聚类中心Xi，其中i＝1,2,...,k；
S22：遍历完成预处理的待识别图片，计算每一个像素点X分别到k个所述聚类中心Xi的距离，以距离最小值Ci作为归类依据，将该像素点X归类到与其距离最近的聚类中心Xi所在的类，其距离最小值Ci的计算公式如下：
S23：对完成分类后的k个聚类中心，计算每个聚类中心的类间平均值μi，然后将该平均值μi对应的对象作为新的聚类中心Xi；
S24：计算标准测度函数，判断所述标准测度函数是否收敛或是否达到最大迭代次数，若是，则表示完成图像分割，对图像进行阈值处理，获得目标区域；若否，则跳转执行S22步骤。
4.根据权利要求3所述的道路水坑识别方法，其特征在于：所述S21步骤中根据预设的聚类数目k选择k个对象作为初始聚类中心Xi的具体步骤如下：
步骤A：遍历完成预处理的待识别图片，计算所有像素点对应的RGB值[x,y,z]到历史获取的水坑平均RGB值[x0,y0,z0]的距离f，取距离f为最小值对应的像素点作为水坑的初始聚类点X1，其计算公式如下：
步骤B：随机选择初始聚类点X1外的k-1个像素点作为非水坑物体的初始聚类点Xi。
5.根据权利要求3所述的道路水坑识别方法，其特征在于：所述S24步骤中，采用方差E作为标准测度函数，其计算公式如下：
6.根据权利要求1所述的道路水坑识别方法，其特征在于：所述S4步骤中的形态处理为腐蚀处理和膨胀处理。
7.根据权利要求1所述的道路水坑识别方法，其特征在于：所述S5步骤中，采用opencv库对轮廓进行识别绘制。
CN201910621279.8A 2019-07-10 2019-07-10 基于K-Means聚类算法的道路水坑识别方法 Active CN110427979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910621279.8A CN110427979B (zh) 2019-07-10 2019-07-10 基于K-Means聚类算法的道路水坑识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910621279.8A CN110427979B (zh) 2019-07-10 2019-07-10 基于K-Means聚类算法的道路水坑识别方法

Publications (2)

Publication Number Publication Date
CN110427979A true CN110427979A (zh) 2019-11-08
CN110427979B CN110427979B (zh) 2022-11-04

Family

ID=68409147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910621279.8A Active CN110427979B (zh) 2019-07-10 2019-07-10 基于K-Means聚类算法的道路水坑识别方法

Country Status (1)

Country Link
CN (1) CN110427979B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127481A (zh) * 2019-12-20 2020-05-08 上海吉七物联网科技有限公司 基于tof图像联通区域的图像识别方法及装置
CN112613531A (zh) * 2020-11-25 2021-04-06 国网四川省电力公司阿坝供电公司 一种基于图像处理的土壤、岩石分类方法和装置
CN113011389A (zh) * 2021-04-23 2021-06-22 电子科技大学 一种基于聚类思想的道路行人小目标检测方法
CN115258865A (zh) * 2022-08-08 2022-11-01 成都鹏业软件股份有限公司 电梯门的识别方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160019698A1 (en) * 2014-07-21 2016-01-21 Florida Atlantic University Systems and methods for people counting in sequential images
US20160379064A1 (en) * 2015-06-29 2016-12-29 Sharp Laboratories Of America, Inc. Tracking road boundaries
CN106295562A (zh) * 2016-08-09 2017-01-04 中国科学院遥感与数字地球研究所 一种高分辨率遥感影像道路信息提取方法
CN106340011A (zh) * 2016-08-23 2017-01-18 天津光电高斯通信工程技术股份有限公司 一种铁路货车车门开启的自动检测识别方法
CN109102510A (zh) * 2018-08-03 2018-12-28 东北大学 一种基于半监督k-means算法的乳腺癌病理组织图像分割方法
CN109146895A (zh) * 2018-08-10 2019-01-04 安徽大学 一种颜色不均匀情况下太阳能板红外图像的有效分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160019698A1 (en) * 2014-07-21 2016-01-21 Florida Atlantic University Systems and methods for people counting in sequential images
US20160379064A1 (en) * 2015-06-29 2016-12-29 Sharp Laboratories Of America, Inc. Tracking road boundaries
CN106295562A (zh) * 2016-08-09 2017-01-04 中国科学院遥感与数字地球研究所 一种高分辨率遥感影像道路信息提取方法
CN106340011A (zh) * 2016-08-23 2017-01-18 天津光电高斯通信工程技术股份有限公司 一种铁路货车车门开启的自动检测识别方法
CN109102510A (zh) * 2018-08-03 2018-12-28 东北大学 一种基于半监督k-means算法的乳腺癌病理组织图像分割方法
CN109146895A (zh) * 2018-08-10 2019-01-04 安徽大学 一种颜色不均匀情况下太阳能板红外图像的有效分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
顾苏杭等: "基于显著性轮廓的苹果目标识别方法", 《计算机应用研究》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127481A (zh) * 2019-12-20 2020-05-08 上海吉七物联网科技有限公司 基于tof图像联通区域的图像识别方法及装置
CN112613531A (zh) * 2020-11-25 2021-04-06 国网四川省电力公司阿坝供电公司 一种基于图像处理的土壤、岩石分类方法和装置
CN112613531B (zh) * 2020-11-25 2023-12-12 国网四川省电力公司阿坝供电公司 一种基于图像处理的土壤、岩石分类方法和装置
CN113011389A (zh) * 2021-04-23 2021-06-22 电子科技大学 一种基于聚类思想的道路行人小目标检测方法
CN113011389B (zh) * 2021-04-23 2022-07-26 电子科技大学 一种基于聚类思想的道路行人小目标检测方法
CN115258865A (zh) * 2022-08-08 2022-11-01 成都鹏业软件股份有限公司 电梯门的识别方法及装置

Also Published As

Publication number Publication date
CN110427979B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN111223088B (zh) 一种基于深层卷积神经网络的铸件表面缺陷识别方法
CN110427979A (zh) 基于K-Means聚类算法的道路水坑识别方法
CN109741356B (zh) 一种亚像素边缘检测方法及系统
CN110532946B (zh) 一种基于卷积神经网络识别绿通车车辆轴型的方法
CN112560634B (zh) 基于现场图像的电力线路绝缘子快速检测定位方法及系统
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN108664839B (zh) 一种图像处理方法和设备
CN109492525B (zh) 一种测量基站天线工程参数的方法
CN110298860A (zh) 一种基于机器视觉的高杆绣球检测计数系统
Zhu et al. Object detection in complex road scenarios: improved YOLOv4-tiny algorithm
CN110782487A (zh) 一种基于改进的粒子滤波算法的目标跟踪方法
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
CN115294159A (zh) 金属紧固件腐蚀区域分割方法
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
Ma et al. An all-weather lane detection system based on simulation interaction platform
CN109766846B (zh) 一种基于视频的自适应多车道车流检测方法及系统
CN111832508A (zh) 基于die_ga的低照度目标检测方法
CN116665097A (zh) 一种结合上下文感知的自适应目标跟踪方法
CN115063679B (zh) 一种基于深度学习的路面质量评估方法
CN115797314A (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN115272284A (zh) 基于图像质量评估的输电线路缺陷识别方法
CN113505811A (zh) 一种轮毂生产用机器视觉成像方法
CN107122734A (zh) 一种基于机器视觉和机器学习的运动车辆检测算法
CN109272498B (zh) 一种枯叶图图卡视频的实时细节自动分析方法
CN111178111A (zh) 二维码检测方法、电子设备、存储介质及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant