（计算机应用技术专业论文）路面病害图像自动分类方法研究与分析.pdf

鞣论文簿瓣麟骞塑像垂蘸分类方法姘究每势辑 摘要 蓦予图像酶公路路瑟瘸鬻自动识别与分类，一矗是图像处理和模式识别领域的 一瑗魏羧佳工 筝，其对公褥舞护工程兵毒绥大豹臻导作用。本文豹鹜豢秘磅瑗嚣为 南京理z 大学江苏省自然麓众项目：路面图像巾瘸害信息检测、分必与度量方法的 研究。本文探索路面各类瘸密的图像特性，研究熊于图像的路面病密自动识别分类 方法。 本文纂予路面病害二值图像，主要研究路蕊瘸害强像的特征撼取方法。通过对 籍嚣簇塞强缘绥致、踅实懿黪徭分辑，铮霹毪穗爨邕了套静爨瑟瘸餐懑像懿缝媳特 征，包括线性特征，密集浚特征和区域统计特镊，这些特征很好地攒述了各类路面 病害的形状特性，具有明恩的分类效果；同时着熬提出了基于分形的路面病害统计 特征提取方法，通过对路面痫害二值图像分形缎数得计算，所得路顾痫害图像的盒 维数与信息难数可以有效地隧分三大类路面病鬻：单向裂缝、网状黎l 缝和坑槽。 豢舔，霆3 p 狰经耀终安瑗锋对路瑟薅客豹分类器设诗，毅鼹瑟痍害霾豫熬 结丰句特链秘统计特征穗结合掰组成的特征囊量僚为分类器静输入，输出结果包括六 种病害类别，其中对五种路筒病害类型均取得了较好的识别效果。 关键诞：路面病害逸动分类，特征提取，分形特征，鑫维数，信塞 维数，瓣神经丽络分类灏。 硕士论文 路面病害图像自动分类方法研究与分析 a b s t r a c t t h ea u t o m a t i ci d e n t i f i c a t i o na n dc l a s s i f i c a t i o no fi m a g e - b a s e dr o a ds a l f f a e ed i s t l e s s h a sb e e nac h a l l e n g ew o r ko ni m a g ep r o c e s s i n ga n dp a t t e mr e c o g n i t i o n , w h i c hp l a y sa g r e a tr o l ei ng u i d i n go nh i g h w a ym a i n t e n a n c ep r o j e e t s t h eb a c k g r o u n do f m yp a p e r i sa j i a n g s up r o v i n c ef u n dp r o j e c t o fn a n j i n gu n i v e r s i t yo fs c i e n c e & t e c h n o l o g y ：a r e s e a r c ho nr o a ds u r f a c ed i s t r e s sd e t e c t i o n ，c l a s s i f i c a t i o na n dm e a s u r e m e n t t h i sp a p e r e x p l o r e ss o m em a i nc h a r a c t e r i s t i c so ft h er o a ds u r f a c ed i s t r e s si m a g ea n dd o e sr e s e a r c h o nt h ea u t o m a t i ci d e n t i f i c a t i o na n dc l a s s i f i c a t i o nb a s e do ni m a g e so fr o a ds u r f a c e d i s t r e s s b a s e do nt h ep a v e m e n td i s t r e s sb i n a r yi m a g e ，t h em a i nr e s e a r c ho f t h ep a p e ri sg o i n g t of i n ds o m ef e a t u r ee x t r a c t i o nm e t h o d sa b o u tr o a dd i s t r e s s ，a n dp r o p o s es t r u c t u r ef e a t u r e t a r g e t e dt oav a r i e t yo fr o a dd i s t r e s st h r o u g hd e t a i la n ds o u n da n a l y s i so fr o a dd i s t r e s s i m a g e s ，i n c l u d i n gt h el i n e a rf e a t u r e ，t h ei n t e n s i t yf e a t u r ea n dt h er e g i o n a ls t a t i s t i c a l f e a t u r e ，w h i c hg i v eav e r yg o o dd e s c r i p t i o no ft h ev a r i o u st y p e so fs u r f a c ed i s t r e s s c h a r a c t e r i s t i cs h a p ew i t ht h eo b v i o u se f f e c to fc l a s s i f i c a t i o n 。m e a n w h i l et h ep a p e r e m p h a s i z e dt h ef r a c m lf e a t u r e o fr o a ds u r f a c ed i s t r e s sb yc a l c u l a t i n gt h ef r a c t a l d i m e n s i o no f t h er o a dd i s t r e s sb i n a r yi m a g e s g e n e r a l l y , t h eb o x - c o u n t i n gd i m e n s i o na n d i n f o r m a t i o nd i m e n s i o nc a l lb eu s e dt od i s t i n g u i s ht h r e eb r o a dc a t e g o r i e so fp a v e m e n t d i s t r e s s ：u n i d i r e c t i o n a lc r a c k s ，n e t w o r kc r a c k sa n dp i t s f i n a l l y , ac l a s s i f i e ri sa l s od e s i g n e db yu s i n gb pn e u r a ln e t w o r k ，t h ei n p u ti sa e i g e n v e c t o rw h i c hi st h ei n t e g r a t i o no fs t r u c t u r ef e a t u r ea n ds t a t i s t i cf e a t u r eo far o a d s u r f a c ei m a g ea n dt h eo u t p u ti n c l u d e ss i xc a t e g o r i e so f d i s t r e s s ，t h ec l a s s i f i e rg e t sab e t t e r r e c o g n i t i o nt of i v em a i nt y p e so f r o a ds i l t f a c ed i s t r e s s k e y w o r d s ：r o a ds u r f a c ed i s t r e s sa u t o m a t i cc l a s s i f i c a t i o n ，f e a t u r ee x t r a c t i o n ， f r a c t a lf e a t u r e ，b o x c o u n t i n gd i m e n s i o n ，i n f o r m a t i o nd i m e n s i o n ，b pn e u r a l n e t w o r kc l a s s i f i e r 声明 本学位论文是我在导螺的指导下敬撂蕊磷究戚袋，尽我赝翔，在本 学位论文中，除了加以标注和致谢的部分外，不包含其他入已经发表域 公布过的研究成果，也不包含我为获得任何教育机构的学位或学历而使 用过的材料。与我一网工作的同事对本学位论文做出的贡献均已在论文 中作了葫确静说嚼。 研究生签名：l 虹 抄7 年月碍髓 ff 学位论文使燧授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅或 上网公布本学位论文的部分或全部内容，可以向有关部门或机梅送交并 授权其保存、借阕或上网公布本学位论文豁部分或全部内容。对于保密 论文，按保密的有关规定和程序处理。 研究生签名：虹 岬年6 月可曰 硕士论文路面病害图像自动分类方法研究与分析 1 绪论 1 1 科研背景 目前我国高速公路通车总里程已接近四万公里，仅次于美国，超过了加拿大、 德国、法国，跃居世界第二位。随着公路使用时间的增长，延长公路使用寿命，降 低养护费用，必将使公路状况的检测与养护取代公路建设成为交通建设的主流。公 路路面病害，不仅影响运行车辆的舒适度，甚至会直接威胁车辆的行使安全。因此 各种病害的检测，是制定公路养护计划的重要依据。尤其是在交通部于2 0 0 3 年制 定出新的公路检测与养护规范后，对公路病害的定期检测，已成为各省市公路管理 部门和公路营运公司的迫切需要。 本学位论文的背景科研项目为南京理工大学模式识别与智能系统国家重点学 科课题组的江苏省自然基金项目：路面图像中病害信息检测、分类与度量方法的研 究。该课题的研究工作，建立在国内校企联合所获得的科研成果基础上，具备良好 的研究基础和实验条件，和大量试验数据和资料。南京理工大学与宁沪高速公路股 份有限公司、南京路达基础工程新技术研究所合作，研制成功我国第一个多功能路 面质量自动检测系统。该系统具有高速高分辨率病害图像采集系统，和自动与人工 辅助病害检测系统，在图像质量较好，无阴影情况下，可实现病害图像的自动检测， 但是病害分类仍然还是建立在人工辅助系统上。 目前，系统已成功完成沪宁高速江苏段、宁铜公路、3 1 2 国道、南京绕城公路 等部分路段的检测以及为多家企业提供良好的路面数据信息。该系统经鉴定，在技 术上已完全达到国外同类系统的水平，但系统在路面病害自动识别方面的性能不够 稳定，需要大量的人工干预。 基于图像的路面病害自动识别与分类，已成为图像处理和模式识别领域的一项 挑战性工作。该问题跨越道路工程学科，目前存在的诸多基础问题，在国内外均未 得到很好的解决。尽管国外及本课题组均有自动检测系统投入使用，但对复杂环境 的适应均存在欠缺，自动分类更是目前未能解决的一大问题。本课题是继通过图像 处理技术检测出路面病害后，从对这些病害图像模式的基础研究入手，从大量的实 际数据研究分析出发，深入研究各类病害的图像特性，探索与研究病害分类的途径 和方法：分析各种病害的结构性质，提取出更有效的病害图像特征信息，研究更加 适合用于病害识别的分类器等，提高自动识别算法的适应性和鲁棒性，已成为实际 应用中急待开展的一项基础研究工作。 硕士论文 。 路面病害图像自动分类方法研究与分析 1 2 国内外研究现状 基于公路路面图像的病害信息自动检测与识别分类，涉及计算机视觉、图像处 理、模式识别、道路工程等领域。这方面的研究工作始于8 0 年代，研究人员一直 致力于研究能够取代人工的自动识别处理系统，追求识别性能的稳定与可重复性， 以及识别结果的准确性【1 】【2 】1 3 1 。 基于图像的路面病害识别可以概括为两个步骤：特征提取和分类方法。 目前，对于路面病害图像特征的研究大多采用区域与几何特征来度量。 图像的区域特征包括傅立叶描述特征和矩描述特征【3 j 【5 】等。在路面病害图像区 域特征的描述中大多以矩特征描述为主。如c h u nj 等1 4 j 在路面病害识别中就采用 h u 矩不变量和z e r n i k e 矩不变量作图像特征，s i r i p h a nj i t p r a s i t h s i r i 【2 j 也曾利 用矩特征描述路面病害图像特征。初秀民6 u l 8 g l 等利用不变矩特征识别破损沥青路 面。 图像几何特征主要包括：分割后小区域的计数、骨骼化【5 】、几何形状特征1 2 】( 如 病害区域的周长、面积等) 等。m i y o j i mm 【5 】等对路面病害图像进行细化处理，再提 取骨骼化后的路面病害的交叉点、病害区域的周长、面积、数量等几何形状特征来 描述路面病害图像。熊和金【l2 】采用龟状裂缝和块状裂缝的面积以及病害区域的周 长，作为龟状裂缝和块状裂缝分类器的输入特征。另外，还有利用马尔可夫随机场 模型和小波多分辨功能抽取路面图像的纹理特征，对于对比度差的路面病害图像取 得较好效果。 由于路面破损的种类繁多，加上破损程度很难用统一的解析式来描述，基于人 工神经网络非线性分类算法研究成为路面破损自动识别研究的热点。k a s e k o 等【3 0 l 对路面破损识别传统分类器与人工神经网络分类器进行了比较研究，指出了应用神 经网络分类器识别路面破损更具有优越性。应用人工神经网络分类器主要以前馈网 络分类器为主。如c h o u 掣1 1 1 在研究中采用b p 算法、k e l v i ncp 掣2 2 】在研究中也 采用了径向基网络并设计了硬件以实现路面破损识别实时处理。模糊识别、专家系 统等其它人工智能技术在路面破损识别中也得到应用。例如h d c h e n g 等【3 ，l 利用 模糊逻辑结合人工神经网络实时检测路面破损，获得了比较好的分类效果；m i y o j i m m 1 5 】等建立了基于产生式规则的专家系统，用于经过骨骼化处理后的路面破损图像识 别。 本论文的研究中，将充分利用现有成果、研究经验和试验数据。在基于路面病 害图像分割领域中取得的研究成果上，为继续研究该领域目前面临的路面破损病害 自动分类的瓶颈问题提供了优越的条件。 2 硕士论文路面病害图像自动分类方法研究与分析 1 3 研究工作的内容 本硕士学位论文的课题是，路面病害图像自动分类方法研究与分析，该项研究 工作涉及道路工程领域和图像处理与模式识别领域，而以往地研究工作主要集中在 裂缝检测、以及典型图像意义的分割算法研究上，因此本文在继前面图像分割的基 础上，针对实际数据与部颁标准对病害图像特性进行基础研究与分析，结合当今图 像处理与模式识别的新理论与新方法，进行路面病害图像特征信息的提取与分类方 法研究与探索。 路面病害识别在近几年的发展状况比较缓慢，且没有一种统一的分类方法来实 现，针对路面病害图像的特征提取方法也是各有所异，原先的研究工作都是直接是 在原有的路面病害图像上进行的，但由于图像分割技术的发展，使得路面病害图像 中的病害信息提取逐渐走向成熟，使得特征提取更有针对性，从而可使原先的分类 方法能有进一步得提高。 本文就是充分利用现有项目组所拥有的针对路面图像的分割研究成果，将路面 病害图像分割后所得的二值图像作为本论文的研究实验数据，并通过对大样本数据 集的病害图像分析，研究各类病害的图像特征与性质，提出适合路面病害图像的特 征提取方法，提取出路面病害图像的特征量，从而获得可用于路面病害分类的有效 的特征向量，并针对性的设计出路面病害分类器，最终实现路面病害得自动分类。 1 4 本文的内容安排 本文的内容安排如下： 第一章：绪论，主要讲述课题的相关背景、研究目的和意义，以及国内外研究 现状，并介绍了本文的研究工作和内容安排。 第二章：简单介绍了主要路面病害的类别与成因。 第三章：介绍了图像特征提取的基本思想和现有的路面病害识别分类方法。 第四章：提出了路面病害图像的裂缝线性特征、裂缝密集度特征、裂缝区域统 计特征这些结构特征提取方法，进行了编程实现，对所得结果性质进行了分析。 第五章：提出了基于分形的路面病窖图像统计特征提取方法，介绍了分形维数 的概念，编程实现路面病害图像的盒维数和信息维数计算，并根据分形维数对大样 本集进行分类实验，对实验结果进行总体分析。 第六章：完成了分类器得设计和实现，进行路面病害图像分类实验，对实验结 果进行分析。 结论：总结全文并指出今后工作的方向。 3 硕士论文 路面病害图像自动分类方法研究与分蜒 2 路面病害类别简介 路面病害最常见的主要为裂缝、车辙和推移、坑槽、泛油四大类【1 3 】【1 4 】，本文主 要研究的是裂缝类病害图像的识别分类，以下对裂缝类路面病害以及其成因作简要 介绍。 2 1 裂缝类病害 裂缝病害有纵向裂缝，横向裂缝和网裂三种形式。 1 纵向裂缝 纵向裂缝一般有两种：一种主要发生在紧急停车带或路肩部位，其形状是沿路 肩边缘向内逐步扩大，呈月牙形，这种裂缝容易使路基发生滑移，危险性很大；另 一种是发生在行车道部位，多为纵向条带状，裂缝两端未延伸到路堤边缘。 1 纵向裂缝形成的主要原因有以下三个方面： ( 1 ) 地基原因。有些路段处于丘陵低洼、河谷处，地基土天然含水量较高，在设 计及施工时未做处理，在高填土后，由于地基承载能力的差别出现不均匀沉降，造成 路面纵向开裂。 ( 2 ) 路基施工原因。如果土基施工时天气干燥，局部路堤填料土块粉碎不足，路 基压实不均匀，暗埋式构造处因构造物长度限制，路基边缘不能超宽碾压，致使路基 边缘压实度不够，或者混合料摊铺时纵向施工搭接质量不好，都会造成纵向裂缝。 ( 3 ) 水的渗透破坏。中央分隔带、路表、边坡等渗水，使局部路基受水浸泡后承 载力值降低，在动静荷载的作用下，路基滑动产生裂缝，另外填料若为弱膨胀土，如 施工中未做处理，渗水后含水量变化，也会导致裂缝产生。 图2 i 1 纵向裂缝 2 横向裂缝 横向裂缝是与路面中线近于垂直的裂缝，裂缝起初大多出现于路面两侧的硬路 肩，逐渐发展而贯通全路幅。贯通裂缝沿路面大致呈均匀分布。 4 硕士论文路面病害图像自动分类方法研究与分析 横向裂缝通常不是由于荷载作用引起的。其成因主要有三个： ( 1 ) 材料收缩引起横向裂缝。一方面在基层成型过程中，因基层材料失水收缩而 形成规则的横向裂缝，另一方面基层材料因温度骤降而发生低温收缩开裂。这两种 收缩变形使面层底面承受拉力，当拉力超过沥青面层的抗拉强度时就使沥青面层底 部拉裂，并随着温湿的循环变化及行车荷载的反复作用而导致沥青面层低面裂缝。 ( 2 ) 沥青及混凝土的温缩引起的裂缝。因沥青是一种对温度变化比较敏感的粘 弹性材料，温度下降时，沥青混合料逐渐变硬变脆，并发生收缩变形当收缩拉应力 超过沥青混凝土的抗拉强度时，沥青路面表面就会被拉裂，并逐步向下发展，形成上 宽下窄的横向裂缝，这种温缩裂缝在北方温差较大地区初冬一般宽度为3 5 m m , 到 严冬可加宽到1 0 啪，最宽达到2 0 咖，而到春季则又缩回。 ( 3 ) 差异沉降引起的横向裂缝。在软土地基与非软土地基交界处、软土地基处 理方法变化处或构造物台背与路段交接处，因地基或路基与构造物差异沉降导致基 层开裂，并反射到沥青面层，形成横向裂缝。 幽2 1 2 横向裂缝 3 网裂 网裂是相互交错的疲劳裂缝，形成一系列多边形小块组成的网状开裂，它的初 始形态是沿轮迹带出现单条或多条平行的纵缝，而后，在纵缝间出现横向和斜向连 接缝，形成缝网。 网裂主要是由于路面的整体强度不足而引起的。一个原因可能是路面结构设计 不合理，路基路面压实度不足，路面材料配合不当或未拌和均匀等使沥青与石料粘 结性差；另一个原因可能是由于路面出现横向或纵向裂缝后未及时封填，致使水分 渗入下层，使基层表面被泡软，在汽车荷载反复作用下，粉浆通过面层裂缝及空隙 被压到表面产生唧浆，基层表面被逐步淘空，产生网裂。另外，沥青老化和汽车严重 超载，使基层产生疲劳破坏也是导致沥青面层形成网裂的重要原因。为预防网裂必 须加强货车的载重管理，在路面出现裂缝时要及时修补处理。网裂的处治方法如下： 硕士论文路面病害图像自动分类方法研究与分析 对于轻微网裂可用玻璃纤维布罩面，对于大面积的网裂、常加铺乳化沥青封层或在 补强基层后，再重新罩面，修复路面。 2 2 松散类病害 图2 1 3 网状裂缝 松散类病害是指路面结合料( 沥青、水泥、黏土) 失去粘结力，致使集料松动、 散开的现象，常见的有坑洞、坑槽、麻面等。 坑洞( 坑槽) 是指在行车作用下路面粗集料( 骨料) 局部脱落、散失所形成的坑 洼，面积较小的( 0 0 4m 2 ) 称为坑洞，面积较大的( 0 0 4m 2 ) 称为坑槽；麻 面是指沥青路面细集料及结合料散失或分布不均匀，形成粗集料裸露而出现的路面 小麻坑。 图2 2 1 坑槽 6 壤士论文跨麟病害踅缘壹囊分类方法磷究每分辑 3 现有路面病害分类方法 路筒痫害图像分类属乎模式识别领域，是路丽智能检测系统中厩期离线数据处 理系统巾约瘸害分类部分。 藏雾分类鹃实瑗共经绣毅下蔻个步骤； 曲路面图像的获取与襻储； 对路面图像进行病鬻检测，分割后得到瘸害图像的二值化圈； 曲对路面病害二值化圈谶行不同方法的特祗提取，图像的特征总体上可以分 为鹾静：结梅特镬秘绫诗特征； 国分类器熬设诗，邋移浚黧分类，褥裂分炎绫栗。 曲根据结果评定相应韵破损程度。 本文所要完成的正是特钺提取与分类，而路面病窖分类的关键怒路面病害图像 的特征摄取，下面先介绍下图像特征提取的錾本思想。 3 。l 甏像特征挺取静基零瓣慧 在灏像中存在着一些特殊的信息，这些信息使该图像有剐子其它图像。这些特 殊信息就愚图像的特征。图像特征的提取，即从图像中提取有用的信息和视觉特征。 在模式识别系统中，特征提取是指在原始数据输入与分类器之间，针对样本的 数学特锻，实现商维样本向低维的压缭，去除笼阁信息，以优化分炎器静效果。鼯 特征建敬怒给定夔终素条傍下麓菜耱交换零，实骥瘗模式空凌臻蠲黪经窆鬻固翡 映射，懿t ：e r 一d 。 从广义上讲，图像的特征是图像场明显可分的、本原的特性或属性。这里的属 性是指图像的名称、制作日期、作者等可用文字液示的信息。按区域划分，特征有 点特征、局部特征、整体特镊；丽根据特征的袭承可分为幅度特征、赢方图特征、 交换系数黪援、点线特薤、滚缘特征等。特餐壤患霹荻蔫蓬缘、文譬或数字表示， 要求特缀结患的蓿息量丰鬻渐所占存储单元尽霹能少。 图像特征提取涉及的筒徽广，是相当复杂的。从一幅图像中提取出什么样的特 征，需要根据用户所关心的问题来决定。由于图像具有很强的领域1 生，不同的领域 图像的特锻干差万别，与图像所反映的对象物体的备种物理的、形态的性能有很大 麴关系，鞭嚣鸯各弹各群黪特臻方法，翔黠文字、符号等可只热取尼舞形凝穗征， 丽静菜麓鞠像鬟g 还需要抽敬颜色特征。 从一幅图像中可提取的特征不是难一的。如何根据各种评价函数，选出最合适 和最有代泼性的特征组成图像的特征向量，就需骚进行特征选择，对特征进行规范 化，降低特征向量的维数。特征选择有各种方法，但都必须特别注j 馥对任何变换都 ， 矮士论文籍甏癣害强缘蠡璃莞方浃群究毒分辑 不变化的那些分量。常用的特征选择方法有kl 腥开和利用评价两数进行特征选择。 下筒介绍现有的几种特铤提取方法。由于目前尚无直接针对路酾二值图像的特 征提取方法，以往的方法都怒建立在子块化路颟豳像的基础之上，路面图像子块化 类 跬予怒鼹嚣图像二篷伲戆避稷，下委先分缪黪蠢霉像子块纯豹雾法。 3 2 路灏图像子块纯 a ) 隽法一 文献【2 l 提出的一种对实际噪声路面进行( 0 ，1 ) 予块化的算法。 基零步骤兹下； 1 ) 对臻瑶强豫逡纷巾毽滤波； 2 ) 把路面图像划分为一定大小的予块，例如4 0 x 4 0 象豢的予块，然后根 据子块内的局部平均值进行回归分析计算得出局部阈值，接着根据( 4 0 x 4 0 ) 子 块的髑部闽值进行二值化。 3 ) 根据子块中破掇象紊戆吾分率把子块蛾1 ) 豫，子头巾破攘象素的。嚣分 率繇予l 箍豹，该子块赋镶0 ，否翻该子块簸馕l 。吾分率l 羁楚邋逶作餮褥整豹， 为嗓声和破损象素的交点。 b ) 方法二 初秀民等 6 1 1 2 0 1 子块化方法也是先将路面图像分成( 6 4 x 6 4 ) 的子块，然后提取 子块图像豹特征输入神经掰络分类器来确定该予块为l 或为0 。 方法巾选取了子臻溺豫瓣三令将 菱量缝袋一个特征藏萋玛* 匆，) 箨茺 分类器的输入，其中： 1 ) 子块图像方麓玎 2 5 5 r = 玎2 = 驴一) 2 p ( 力 ( 3 。2 。1 ) m ，为象素灰痍，荻发级为2 5 6 ，p ( r ) = 绋n ，辑是r 缀敷发的像素数量； 为图像荻度均值；n 为图像总的像素数量。 2 ) 方蓑均值 = r l , n ( 3 2 。2 ) 撬为第i 个国像予块的方差，挥为图像予块数。 3 ) 方麓最小值 j * m i n ，ki i = 1 , 2 一，珂 ( 3 2 3 ) 以上鼹种子块化得到的予块二值图基本能够反映原有路面病害的形状，裂缝位 墓 硕士论文路面病害图像自动分类方法研究与分析 置基本与原图吻合。如图3 2 1 所示： 图3 2 1 路面病害原图与子块化后对比 经过子块化后的路面病害图像则就相当于二值化图像，接下来就是对这些子块 二值化图像进行特征提取，下面介绍一些现有的主要特征提取算法。 3 3 p r o x i m i t y 算法 文献【6 1 在文献【2 l 的基础上，系统研究了基于神经网络的路面裂缝自动分类，提 出三种路面裂缝自动分类算法，即i m a g e b a s e dn e u r a ln e t w o r k h i s t o g r a m - b a s e d n e u r a l n e t w o r k ，p r o x i m i t y b a s e d n e u r a ln e t w o r k ， 研究结果显示 p r o x i m i t y b a s e dn e u r a ln e t w o r k 算法( 简称p r o x i m i t y 算法) 对常见的路面病害类 型的分类效果最好。 p r o x i m i t y 算法步骤如下： 对( o ，1 ) 子块化图像作垂直方向的投影和水平方向的投影，得水平方向的投 影序列哟= 如，x 2 ， 和垂直方向的投影序列“力= 饥，耽，虼 ，然后计算： b = i 儿。一y 。 以= k 。一一 s = ” 1 = i s y 、和j 作为神经网络的输入进行训练与分类。 ( 3 3 1 ) ( 3 3 2 ) ( 3 3 3 ) 9 硕士论文路面病害图像自动分类方法研究与分析 3 4 破损密度因子 3 4 1 基本密度因子算法 文献【1 5 1 提出了破损密度因子，用来提取路面病害子块化图像的破损密度特征， 密度因子的定义即为一对3 x 3 和5 x 5 的模板，如图3 4 l 1 所示。 o 50 5o 5o 5o 5 o 5111o 5 o 5l110 5 o 51l 1 o 5 o 5o 5 o 5 o 5o 5 11 1 l11 1l1 图3 4 i 1 两个大小不同的破损密度因子 以5 x 5 卷积算子为例说明。对该模板从左到右，从上到下进行编号，共2 5 个，分别为： 4 ，4 ，a 1 ，幺，对一幅已经0 ，1 子块化的路面图像，处理过程如下： 从左到右，从上到下对路面图像进行扫描，遇到零子块，不做任何处理或运算，只 有遇到“1 ”子块( 为了区别，我们把这个“1 ”子块取名为中心“l ”子块) ，才用破 擐密度因子对其进行卷积运算。这里的卷积运算是指4 ，对准中心“1 ”子块，破损密度 因子与相应的路面图像进行卷积运算。 利用5 x 5 和3 x 3 模板与相应路面子块化图像进行卷积后，分别计算其破损程度， 得到s ，墨，其中： s s = 5 5 模板卷积后破损值总和) ( 3 4 1 1 ) s 32 3 3 模板卷积后破损值总和 ( 3 4 1 2 ) 又s o 。 原子块图像破损值总和 ( 3 4 1 3 ) 计算特征： e2 ( 岛一s o ) s o ( 3 4 1 4 ) 最2 ( s 3 一s o ) s o ( 3 4 1 5 ) 然后利用向量( 只，最，s ) 作为神经网络的输入，进行分类识别【1 5 】【1 6 i 切。 密度因子这种“卷积”运算的本质是，统计出破损密度因子大小范围内的破损总值， 并把该破损总值赋给模板中心位置对应处的子块。这样做的目的是，把模板中心周围附 近的破损，纳入路面破损评价和路面破损分类的考虑范围。而且，离模板中心越近，权 值越大，相反，离模板中心越远，权值越小，正因为权值有这种远近的区别，感觉就像 1 0 硕士论文路面病害圈像自动分类方法研究与分析 离中心“l ，子块越近，密度越大， 相反则密度越小。 3 4 2 混合密度因子算法 文献【1 8 】在文献【1 5 】的基础上又提出了考虑方向因素的混合密度因子算法，为了区 分横向裂缝和纵向裂缝，又加了个方向模板，如图3 4 2 1 所示： 图3 4 2 1 方向密度因子 该模板中心横向一行除中心位置处外，都取值为零。这样就综合考虑了“密度” 和“方向”两种因素的影响。 同时计算方向特征： b = ( 墨一s o ) s o( 3 4 2 1 ) s = 1 3 模板卷积后破损值总和)( 3 4 2 2 ) 以( 只，r ，f 3 ，s 。) 做为神经网络的输入，进行分类识别【1 8 1 1 1 9 1 1 2 0 。 实验结果表明，利用密度因子的路面病害类型识别率要高于p r o x i m i t y 算法。 但由于密度因子方法目前所能识别的路面病害类型仅为四种：横向裂缝、纵向裂缝、 块状裂缝、龟状裂缝，因此要识别更多裂缝类型如坑槽，则还需要更深入研究路面 病害图像的性质。 3 5 不变矩特征 文酬6 1 提出又一种基于路面子块化图像的特征描述方法，选用h u 于1 9 6 2 年提 出的规一化中心几何定义的7 个再选装、平移、尺度变化侠的不变量来描述路面病 害图像的整体特征。设( x ，_ y ) 为某幅路面病害图像进行图像分割处理后子块图像的 坐标，f ( x ，力为子块图像的模式值( 0 或1 ) ，则归一化中心几何矩的不变量为： 2 叩2 0 十2 仍= ( 叩一，7 0 2 ) 2 + 铆： 仍= 研3 0 - 3 1 7 1 2 ) 2 + ( 印2 l + ，7 0 3 ) 2 依= ( 仉o + r h 2 ) 2 + ( 玎+ r 1 2 1 ) 2 依= 研3 0 一3 r 1 1 2 ) ( 巧如+ 7 1 1 2 ) 【( 刁3 0 + t 1 2 ) 2 3 ( u 3 0 十玎2 1 ) 2 卜 ( 玎一3 ，7 2 1 ) ( 叩0 3 + t 2 1 ) 【3 ( 叩”+ 叩1 2 ) 2 一( ，7 3 0 + 叩2 i ) 2 】 ( 3 5 1 ) ( 3 5 2 ) ( 3 5 3 ) ( 3 5 4 ) ( 3 5 5 ) 骥士论文籍瓣瘸密嚣壤鑫费分类方法辑究鸯分辑 仇篇( 叩2 0 一7 7 0 2 ) 2 i ( 封3 0 + 叩聆) 2 一( ，7 + 叩1 2 ) 2 】十 锄l ( + ) ( + ) 魏* ( 3 壤2 一甄) 锄e + 镌2 ) + 强2 ) 2 - 3 0 勉十魄) 2 l 一 一3 萃1 2 勋2 l + ) 释国3 0 + q j 2 ) 2 一( + 节2 1 ) 2 】 上式中节。为归一化的中心几何矩，计算如下； ( 3 5 6 ) 国。5 7 ) ，7 。一了芸， ( 3 5 8 ) ，7 辨2 i 百j 毒丽， 文b 苎， r 鲍，= ( x 一霹( y - y ) 4 f ( x ，y ) ( 3 5 。9 ) x y ) 秘 。勉，矿：塑( 3 5 1 0 ) 槲肌o o 其中辫婶即( p + 窖) 阶矩由下式给出： 聪彤= x 9 y 4 ，积，秀 穆。5 1 1 ) 此方滋采用向量仍= ( ，仍2 ，仍。，结，魏，) 作为神经网络分焱器的输入向 量，最终游行分类识别，该方法的总体识别率为8 3 3 ，其中，对予块状、网状路 面病害图像可获得较高的识别率，而单个裂缝、坑槽图像的识别率较低，其主要原 因是单今裂缝帮坑穰鍪像模鼗荔受噪声的于扰。 3 6 小缩 至此，已经介绍了几种路丽病害图像的分类方法，该分类过程籀本分为三个步 骤：路面圈像子块化、子块化豳像特征提取和分类器输入，最后获褥分类结果。其 中，特缓箍取多数提取路嚣痰密臻缘静统专 耱髹，分类器熬选择氇簇本戮享孛经弼终 分类嚣为童，将样本的特锾模式输入神经网络避符调练。 由予如今的路面病害图像的分割技术已经有了进一步的略小发展，因此本文就 以分割后的路面病害二值化闼像为样本，进行训练与分类，因此，路面图像子块化 的过程即w 省去，二值路面瘸密图像作为样本，笼疑省去了很多有荧朦先路面灰度 图像孛憨鍪复杂闯题，搦予块藜像是否热裂缝瓣标瓣确定，显路藤黧缳子块凭将 一定程发上丢失与改交路疆瘸密强像蓿悫，两采麓二值强像作为棒零，往路面裂缝 目标描述得更为准确逼真，二值图中的l 值为裂缝目标，0 则为背景。 硕士论文路面病害图像自动分类方法研究与分析 4 路面病害图像结构特征提取 特征提取是模式识别的关键环节，在识别领域，针对各种识别目标类型，拥有 相对应的一系列方法与规则来提取该目标类型图像的特征，如文字识别，指纹识别， 人脸识别，掌纹识别，以及在医学领域中一些病变组织图像的特征提取等，针对每 种识别类型所应用的特征提取方法是不一样的，必须根据图像中目标的性质来选择 图像特征。文字特征如提取文字的外围轮廓特征，投影特征，又或网格点阵特征； 指纹特征如提取指纹的二向分叉点和末梢点位置来鉴定指纹；掌纹识别则提取掌纹 图像中掌纹的线特征等。本章将介绍路面裂缝的结构特征提取方法，在下一章中会 着重介绍统计特征提取方法。 4 1 路面病害二值图像 路面裂缝类病害由于没有固定的形状，具有无规则性，即使同一中裂缝类型之 间的物理形状也存在着不同的差异，几乎没有两条具有一致性的同种类型裂缝，以 下为一些典型的路面病害类型值图像，如图4 1 1 所示： 硕士论文 路面病害图像自动分类方法研究与分析 ( e ) 坑槽 图4 1 1 路面病害二值图像 路面裂缝图像得特征提取就是基于以上给出的各种裂缝类型二值图，找到一种 有效的图像描述方法来区分不同的裂缝类型，而对图像得描述常借助于一些称为目 标特征的描述符来进行，目标特征代表了目标区域的特性。图像分析的一个重要工 作就是从图像中获得目标特征的量值。以下是几种一般的图像特征1 2 5 】： 1 直观性特征。如图像的边沿、轮廓、纹理和区域等。这些都属于图像灰度的 直观特征。它们的物理意义明确，提取比较容易，可以针对具体问题设计相应的提 取算法。 2 灰度统计特征。如灰度直方图特征，将一幅图像看作一个二维随机过程，引 入统计上的各阶矩作为特征来描述和分析图像。典型的此类特征如图像的七个h u 矩不变量。 3 变换域特征。对图像进行各种数学变换，可以将变换域的系数作为图像的一 种特征，例如小波变换、曲波变换、h o u g h 变换、离散余弦变换( d c t ) ，h a d a m a r d 变换等在图像特征抽取方面均有广泛的应用。 4 代数特征。代数特征反映了图像的一种内在属性，将图像作为矩阵看待，可 对其进行各种代数变换，或进行各种矩阵分解，由于矩阵的特征向量反映了矩阵的 一种代数属性，并且具有不变性，因此可用来作为图像特征。 由于路面病害图像为二值图像，因此无法提取其灰度统计特征，且其裂缝类型 具有明显的直观性特征，物理意义比较明确，因此提取结构特征比较直观，但是路 面病害图像中的裂缝信息具有无规则性，同一种类型的病害都有着不同的形状，千 变万换，因此仅从结构特征提取方法是不够的，这与文字( 非手写体) 等一些规则 形状的识别有着质的区别，后者则可以提取如文字的轮廓等直观性信息作为特征， 而裂缝由于没有固定的分布格式而无法提取类似于轮廓这样的结构特征，因此，着 重于统计等非结构的特征描述方法是合适的。 1 4 硕士论文路面病害图像自动分类方法研究与分析 下面是根据路面裂缝图像的形状性质提出的一些结构特征提取方法。 4 2 裂缝线性特征 在基于区域的形状描述与表示中，方向是仅在细长区域下才有意义的属性，对 于图4 1 1 ( a ) 所示的横向裂缝和图4 1 1 ( b ) 所示的纵向裂缝这两类病害区域是 细长的，是具有方向的简单单裂缝图像，它们的裂缝轮廓具有明显的线性特征，这 与网状裂缝和坑槽病害图像不同，因此提取目标图像的线性特征可以简单初步地区 分横向裂缝、纵向裂缝与其它裂缝类型。 由于前期的图像分割已经除去了原路面图像阈值分割后的孤立点和非裂缝目 标，故以下分析的两种线性特征可以有效简单的提取出来。 4 2 1 投影长、宽及长宽比特征 设为裂缝水平方向投影的长度，为裂缝垂直方向投影的长度，则定义： 爿= l 钞锣 ( 4 2 i 1 ) 显然，具有细长线性特征的目标如图4 1 1 ( a ) 所示的横向裂缝，它的a 值会 比较小，而图4 1 1 ( b ) 纵向裂缝，它的a 值比较大，若把纵向裂缝的a 值取反， 即a = i a ，则在区间( o ，1 里，对所有样本的a 值进行分布，则靠近下界0 的为纵 向裂缝或横向裂缝，靠近上确界1 的为而其他几种裂缝，l 代表一个完美的矩形区 域。 图4 2 1 1 外接矩形 但是针对图4 1 1 ( c ) 所示的斜方向单裂缝目标，它不属于网状裂缝，而用以上 的方法提取出来的特征无法准确地进行分类。 为此，下面更进一步分析单方向裂缝特征得提取。 硕士论文路面病害图像自动分类方法研究与分析 4 2 2 矩形度和细长度特征 a ) 反映一个物体矩形度的一个参数是矩形拟合因子 r = a o a ( 4 2 2 1 ) 其中，a 。是物体的面积，而4 。是其最小外接水平矩形m e r 的面积。曰反映了一 个物体对其m e r 的充满程度 b ) 细长度，m e r 长宽比特征。同式( 4 2 1 1 ) ，只不过这里计算的是目标的最 小外接水平矩形的长宽比。 这里，我运用旋转图像后投影的方法来求最小外接矩形的矩形度，设定每次旋 转的离散步幅为目，不妨取0 为2 。，即每次旋转2 。后，对该步图像进行水平方向和 垂直方向的投影，计算该步的厅值和 聊的彳值，直到旋转到9 0 。为止，求出最小 的月值。 算法描述如下： f o rn = l t o4 5 将图像旋转 口角度，不妨以顺时针方向旋转； f o r y = 0 t o h e i g h t f o r x 篁0t o w i d t h 水平方向投影区域长度日计算； e n d e n d f o ry = 0t ow i d t h f o rx ；0t o h e i g h t 垂直方向投影区域长度计算； e n d e n d 计算爿；f 拂y 保存4 较小值，保存对应的i i , w o 计算露= a d a i e n d 求得r 和m e r 的a 茁 根据节4 2 1 中的投影方法获得的裂缝特征只能简单表示具有细长特性的单方 向裂缝，即横向裂缝和纵向裂缝，而对于斜向单裂缝却无能为力，有很大的局限性， 难以获得更加准确的裂缝线性特征，但是其时间复杂度较低，而求取矩形度和细长 度特征则能更准确地描述裂缝特征，比较有效的区分带有方向的裂缝和无方向性的 裂缝类型，但是其算法的时间复杂度有了很大的增加。 综上所述，我们对线性物体可得如下认识： 1 6 硕士论文 路面病害图像自动分类方法研究与分析 ( 1 ) 一个目标的线性越强，其本身具有的m e r 值越小。 ( 2 ) 对一个水平或垂直的线性物体其矩形拟合因子矗显然要大，但其m e r 的a 值较小 ( 3 ) 对一个不是特别弯曲的线性斜方向物体，其m e r 的彳值较大，但其足显 然要小。 4 3 裂缝密集度特征 路面裂缝图像的又一种基于投影的特征描述，该特征是根据网状裂缝和非网状 裂缝的结构性质而提取的统计特征，它能够普遍上较好地描述路面病害图像中的目 标形状的密度信息，反映出目标的分布状况信息，能有效地区分网状类与其它类裂 缝的路面病害类型。 密度指的即是一幅路面病害图像中裂缝目标的密集程度，可以形象地理解为在 每一个方向上所穿越的裂缝条数的统计信息，这里只要取水平方向和垂直方向这对 正交方向，这个对于网状裂缝如图4 1 1 ( b ) 所示，则不失一般性，而对于单方向裂 缝，即横向裂缝、纵向裂缝或者斜向裂缝，实质上可以认为一条横向裂缝旋转后的 位置，也不失一般性，以下给出计算方法后再作说明。 定义一幅路面病害图像的密度为a ，分解为水平方向的密度和垂直方向的密度， 分别定义为a ，和a ，它们的计算如下： a ，= t h 8y = 皂y j | w ，；i a = a ：+ a ； ( 4 3 1 ) ( 4 3 2 ) ( 4 3 3 ) 式中，h 为图像的高度，w 为图像的宽度，f = 1 , 2 ，h ；，= 1 , 2 ，w ；规定图 像水平方向的扫描方式为从上到下，垂直方向的扫描方式为从左到右，则鼍为第i 条 水平方向扫描线所经过的裂缝条数，在二值图像上即为从1 值跳变到0 值的次数： y ，为第，条垂直方向扫描线所经过的裂缝条数，在二值图像上即为从1 值跳变到0 值的次数：这里，为了减少误差，在一次扫描过程中若两跳变点之间的距离在一个 阂