[发明专利]一种基于ABC-PCNN的裂缝识别方法及系统

说明书

本发明提供一种基于ABC‑PCNN的裂缝识别方法及系统，其中方法包括提取路面裂缝图像的特征矢量还包括以下步骤：使用优化后的BP神经网络训练测试样本；采用所述测试样本的预测值和真实值的交叉熵作为所述矢量特征的目标函数，完成对所述路面裂缝图像的识别。本发明提出一种基于ABC‑PCNN的裂缝识别方法及系统，通过加入自适应因子对人工蜂群（Artificial bee colony，ABC）算法的搜索位置和概率选择进行改进，利用改进的ABC算法去优化BP神经网络的权值与阈值，建立一种改进的ABC—BP混合神经网络路面裂缝识别算法，通过实验验证了该算法具有较好的通用性与有效性。

技术领域

本发明涉及数字图像处理的技术领域，特别是一种基于ABC-PCNN的裂缝识别方法及系统。

背景技术

人工蜂群算法(ABC)是根据自然界蜜蜂总是能寻找优良蜜源而模拟的一个群智能优化算法。蜜蜂通过跳舞来传递蜜源信息。蜂群利用蜜源、采蜜蜂、观察蜂和侦查蜂这四个部分来实现智能采蜜。对此，还引用了三种基本的行为模式：搜索模式、招募模式和选择模式。算法中蜜源即为解空间内的可能解；采蜜蜂携带了具体的蜜源信息，并通过摆舞来分享这些信息；观察蜂则在蜂巢等待，并通过分享采蜜蜂的信息去寻找蜜源；侦查蜂则随机搜索一个新的位置。

脉冲耦合神经网络(PCNN)作为第三代神经网络，是单层模型神经网络，不需要训练过程即可实现图像分割，非常适合处理像路面裂缝图像一样有着复杂度高、需要实时处理的图像。传统的PCNN模型参数多，计算量大，而对于阈值指数衰减函数，其分割的目标和背景间的相识度较差。

1.南京理工大学学报2014年8月第38卷第4期公开了一篇《基于ABC-PCNN模型的图像分割》的文章，该文提出了一种就要人工蜂群(artificial bee colony，ABC)算法改进的自适应PCNN模型，即人工蜂群算法-脉冲耦合神经网络(ABC-PCNN)模型；提出了改进后的乘积型交叉熵函数，并利用ABC算法将此函数作为其适用度函数优化输出器连接系数和阈值。采用Lena图像和血细胞图像评估PCNN模型和ABC-PCNN模型的性能，结合角点和质点坐标定为重叠区域的二次分割线得到最终的分割图像。该方法的缺点是把原有的模型参数通过线性变换，变成了只处理两个参数，破坏了原有的神经元运行特征。

发明内容

为了解决上述的技术问题，本发明提出一种基于ABC-PCNN的裂缝识别方法及系统，通过加入自适应因子对人工蜂群(Artificial bee colony，ABC)算法的搜索位置和概率选择进行改进，利用改进的ABC算法去优化BP神经网络的权值与阈值，建立一种改进的ABC-BP混合神经网络路面裂缝识别算法，通过实验验证了该算法具有较好的通用性与有效性。

本发明第一目的是提供一种基于ABC-PCNN的裂缝识别方法，包括提取路面裂缝图像的特征矢量，还包括以下步骤：

步骤1：简化PCNN模型；

步骤2：改进基于最小误差准则的适应度函数K；

步骤3：将改进ABC-PCNN算法用于路面裂缝图像进行二值分割。

优选的是，所述PCNN的简化模型在接收域中，F通道与L通道分别只接受了单个神经元Iij的输入和周围8个神经元的输入。

在上述任一方案中优选的是，所述改进后的适应度函数fit的计算公式为fit＝C-JC＞max(J)，其中，C为常数，J为最小误差。