基于圖像處理的路面裂縫檢測(cè)方法研究

基于圖像處理的路面裂縫檢測(cè)方法研究

近幾十年來(lái)，世界各國(guó)的高速公路快速發(fā)展，建設(shè)后的維護(hù)和維護(hù)已成為一個(gè)問(wèn)題。為了制定適當(dāng)?shù)木S護(hù)策略，有必要定期審查道路的結(jié)構(gòu)，并制定適當(dāng)?shù)木S護(hù)策略。重要的指標(biāo)是路面裂縫。若能在裂縫的出現(xiàn)初期就發(fā)現(xiàn),并時(shí)時(shí)跟蹤它的發(fā)展情況,那么它的維護(hù)費(fèi)用將大大降低。如何在不影響正常交通情況下,快速對(duì)整段路面作全面調(diào)查并定位到問(wèn)題區(qū),成為亟待解決的一大難題。傳統(tǒng)的基于人工視覺(jué)檢測(cè)裂縫的方法愈來(lái)愈不能適應(yīng)高速公路發(fā)展的要求,其耗人力、耗時(shí)、不精確、危險(xiǎn)、花費(fèi)高,還影響正常交通。計(jì)算機(jī)高性能處理器、大容量存儲(chǔ)器及圖像處理技術(shù)的快速發(fā)展,使得路面裂縫的自動(dòng)檢測(cè)與識(shí)別技術(shù)成為可能。在過(guò)去的幾年里,其愈來(lái)愈受到研究者的注意。一幅由CCD攝像機(jī)拍攝的含有裂縫的灰度圖像可包含3個(gè)變化部分:(1)非均勻光照和成像系統(tǒng)所形成緩慢變化部分,即圖像由中間亮至周?chē)档淖兓?是一個(gè)頻率低幅值高的信號(hào);(2)裂縫或一些不規(guī)則物體比如汽車(chē)所漏的油等,是一種高幅值負(fù)信號(hào),在其邊緣有著很高的頻率;(3)隨機(jī)噪音。由不同物質(zhì)顆粒材料以及相互顆粒間隔,即組成路面的石子瀝青等所形成的隨機(jī)紋理信號(hào),也是一種高頻但幅值相對(duì)較低的信號(hào)。設(shè)I(p),p={x,y}表示一含有裂縫的路面圖像,那么可由下述3個(gè)部分表示:其中Ib(P)是背景灰度變化信號(hào),In(P)是噪音信號(hào),Ic(P)是路面的裂縫信號(hào)。為分割出裂縫信號(hào),我們需要對(duì)圖像閾值化,而Ib(P)及In(P)的存在,使得Ic(P)淹沒(méi)于其中很難直接從中提取出Ic(P)信號(hào)。對(duì)一般裂縫而言,有如下認(rèn)識(shí):性質(zhì)1:裂縫相對(duì)于路面背景來(lái)說(shuō)呈現(xiàn)黑色特性。裂縫相對(duì)于路面背景要黑得多,因此裂縫上的像素值一般來(lái)說(shuō)是局部最小值。性質(zhì)2:裂縫是一系列呈現(xiàn)鞍狀的點(diǎn)集合。裂縫的凹槽狀使得從其截面來(lái)看像馬鞍狀。性質(zhì)3:裂縫一般來(lái)說(shuō)是具有一定的線性特征,并具有一定的方向。本文使用基于圖像處理的裂縫的自動(dòng)檢測(cè)方法,先對(duì)降質(zhì)圖像進(jìn)行增強(qiáng)再進(jìn)行閾值分割,提取出線性目標(biāo),最后作裂縫目標(biāo)判別。1閾值分割構(gòu)造由于Ib(P)存在會(huì)使圖像降質(zhì),形成中間亮四周暗的效果,大大增加了處理的難度。(圖1)為原圖,其中間亮而四周暗,在閾值分割時(shí)(圖2),中間會(huì)出現(xiàn)大的白斑,裂縫的信息僅能出現(xiàn)部分。文獻(xiàn)提出一種快速的校正方法,能夠消除掉Ib(P)的影響,在使用其對(duì)(圖1)校正后(圖3),整個(gè)圖像得到增強(qiáng),灰度變得均勻,其閾值分割(圖4)變得容易,整個(gè)裂縫都出現(xiàn)了。2裂縫目標(biāo)的聚合式嚴(yán)格控制路面的多紋理性、多目標(biāo)性、裂縫的弱信號(hào)性、圖像光強(qiáng)的多變性以及裂縫上灰度的多變性,使得通常的閾值選取方法很難得到最佳閾值。對(duì)大量路面數(shù)據(jù)的處理分析統(tǒng)計(jì)結(jié)果表明,裂縫的大小或面積只占整個(gè)圖像的某一很小百分比,根據(jù)裂縫的性質(zhì)1,裂縫上的像素值應(yīng)該是局部的最小值,因此我們使用如下的閾值選取方法,再對(duì)圖像作裂縫目標(biāo)分割:設(shè)I(p),p={x,y}表示路面灰度圖像,width為height圖像的寬和高:(1)統(tǒng)計(jì)圖像的直方圖H(i),i<255;(2)對(duì)閾值集合?={t1,...,ti,...tn},ti=ti-1+1,n<255,從t1開(kāi)始對(duì)直方圖作累加計(jì)算SUMi=SUMi-1+H(ti)其中SUM0=0;(3)當(dāng)SUM>θ*width*height時(shí)終止,否則轉(zhuǎn)(2);(4)用最后的得到的ti值對(duì)圖像做二值化。而θ值一般根據(jù)實(shí)驗(yàn)而定,我們?nèi)?.04;結(jié)果如圖4。3小噪音塊的特征描述路面圖像的隨機(jī)紋理噪音,在二值化后仍以隨機(jī)噪音點(diǎn)的形式跟裂縫同存于圖像當(dāng)中(圖4)。在抽取線性特征識(shí)別線狀目標(biāo)之前先對(duì)其作點(diǎn)插值操作,填充補(bǔ)全目標(biāo)之上及之間可能存在的漏洞或缺塊,再將孤立的小噪音塊去除,見(jiàn)圖5。由裂縫的性質(zhì)3,其輪廓具有線性特性,本文抽取以下線性特征:(1)長(zhǎng)、寬及長(zhǎng)寬比特征:L,W,(2)矩形度特征。1)矩形擬合因子其中,AO是物體的面積,而AN是其最小外接矩形MER的面積。2)MER(最小外接矩形)長(zhǎng)寬比特征。同(2)式,只不過(guò)這里計(jì)算的是目標(biāo)的最小外接矩形長(zhǎng)寬。對(duì)線狀目標(biāo)而言,其本身A值較小;對(duì)一個(gè)水平或垂直的線狀目標(biāo)其矩形擬合因子R顯然要大,但其MER的A較小;對(duì)一個(gè)不是特別彎曲的線狀斜方向目標(biāo),其MER的A較大,但其R顯然要小。由以上特征,再對(duì)大小加以限制,可識(shí)別出較大的線狀和非線狀目標(biāo)。4裂縫及其上的區(qū)域差異經(jīng)過(guò)以上各步,得到最后包含裂縫及非裂縫的較大線狀目標(biāo)(圖6)。而僅靠在二值圖像上處理仍不能完全去掉非裂縫線狀目標(biāo)。由裂縫的性質(zhì)1、2可知裂縫是像素灰度值局部最小值的點(diǎn)的集合,那么緊抱裂縫的外圍輪廓區(qū)域灰度值與裂縫本身上的灰度值有著較為顯著的差異,而非裂縫區(qū)域?qū)?huì)差異較小。設(shè)SETC是一條裂縫上的點(diǎn)集合,LC為裂縫的外圍輪廓,則距LC為R的SETC的外圍輪廓區(qū)域?yàn)?由此可得裂縫的判別準(zhǔn)則:MEAN(SETC)、MEAN(SETO)分別為SETC與SETO的灰度均值,t為閾值。裂縫與其外圍領(lǐng)域如圖7所示,最后檢測(cè)識(shí)別結(jié)果見(jiàn)圖8。5裂縫的檢測(cè)結(jié)果以上介紹了通過(guò)圖像處理的路面裂縫的自動(dòng)檢測(cè)與識(shí)別方法,其在大量的實(shí)驗(yàn)中證明快速而且有效。我們?cè)跍麑幐咚俟否R群至湯山段所拍的實(shí)驗(yàn)數(shù)據(jù)中,先人工分檢出有裂縫的圖像87幅,無(wú)裂縫的圖像兩組,一組1367幅,一組685幅,其檢測(cè)結(jié)果見(jiàn)表1。(1)組檢測(cè)出數(shù)與未檢測(cè)出數(shù)指的是有裂縫的圖像所檢測(cè)出裂縫和未檢測(cè)出