（计算机应用技术专业论文）基于纹理图像分析的路面病害自动检测算法研究.pdf

硕士论文基于纹理图像分析的路面病害自动检测算法研究 摘要 路面图像的病害自动检测，一直是图像处理和模式识别领域的一项挑战性工作。本 文的路面病害自动检测主要是针对裂缝类病害的，本文提出一种基于子块级的路面病害 检测方法：将路面图像分成许多的子块图像，通过对每一个子块图像的病害自动检测从 而实现整幅图像的病害自动检测。 本文以路面纹理为研究对象，分析并总结了现有路面病害检测算法的优缺点，提出 了一种新的路面病害检测方法：基于二阶统计纹理分析方法中的灰度共生矩阵法来提取 子块路面纹理特征，并利用分类器对子块路面纹理特征进行是病害和非病害的分类。 路面纹理特征提取的关键是灰度共生矩阵参数的选择问题以及1 4 个纹理特征参数 的选择问题，本文通过理论和实验两方面分析了路面图像中灰度共生矩阵参数的选取以 及1 4 个纹理特征参数的选取，并引入了两个形状描述符长轴和紧密度，提出一种新的 方法：将灰度共生矩阵和形状描述符相结合来提取路面纹理特征。路面纹理特征分类中 的关键是支持向量机的核函数的选择问题，本文通过实验分析四种不同核函数的学习和 分类效果，并分析比较了k 一近邻法和支持向量机的分类效果，最终得到了两类特征集： 有裂缝的子块图像和非裂缝的子块图像，对有裂缝的图像进行二值化转换和数学形态学 处理，消除图像中的离散点和伪裂缝。 最后返回子块路面的二值图像，得到完整的路面病害图像，得到路面裂缝的具体位 置和形状等详细信息，从而实现路面病害的自动检测。 关键字：路面病害自动检测，纹理，特征提取，灰度共生矩阵，k 近邻法，支持向量 机，形状描述符 a b s t r a c t 硕士论文 a b s t r a c t t h ea u t o m a t i cd e t e c t i o no fr o a ds u r f a c ed e f e c t sh a sb e e nac h a l l e n g ew o r ko ni m a g e p r o c e s s i n ga n dp a t t e r nr e c o g n i t i o n i nt h i sp a p e r , a u t o m a t i cd e t e c t i o no fs u r f a c ed e f e c t si s m a i n l yd k e c t e dt h ec r a c k s i nt h i sp a p e r , an e wm e t h o do fa u t o m a t i cd e t e c t i o no fs u r f a c e d e f e c t sw a sp o m t e do u tw h i c hb a s e do ns u b - b l o c k ：t h er o a di m a g ei sd i v i d e di n t om a n y s u b - b l o c ki m a g e ，w ea d o p t e df o ra u t o m a t i cd e t e c t i o no fe a c hs u b b l o c ki m a g ei no r d e rt o a c h i e v ea u t o m a t i cd e t e c t i o no fw h o l ei m a g e i nt h i sp a p e r , t h er e s e a r c ho b j e c tf o c u s e so nt h es u r f a c et e x t u r e ，a n a l y z ea n ds u m m a r i z e t h ea d v a n t a g e sa n dd i s a d v a n t a g e so ft h ee x i s t i n ga l g o r i t h m so fe x p r e s s w a ys u r f a c ed i s e a s e a u t o m a t i ci n s p e c t i o n , an e wm e t h o do ft h ep a v e m e n tc r a c kd e t e c t i o nw a sp o i n t e do u t ： s e c o n d - o r d e rs t a t i s t i c s - b a s e dm e t h o d so ft e x t u r ea n a l y s i so fg r a y - l e v e lc o - o c c u r r e r l c em a t r i x m e t h o da n du s e df o rf e a t u r ee x t r a c t i o no ft h es u b b l o c ki m a g e t h e nu s i n gc l a s s i f i e rf o r t e x t u r ec h a r a c t e r i s t i c sc a t e g o r yo fs u b - b l o c ki m a g e ：i ti sn o tad i s e a s eo rd i s e a s e t h ef e a t u r ee x t r a c t i o nm e t h o d so fr o a ds u r f a c ei sb a s e do nt h eg r a y - l e v e lc o - o c c u r r e n c e m a t r i x ，i nw h i c ht h ek e yi st h eh o wt oc h o o s et h ep a r a m e t e r so fg r a y - l e v e lc o - o c c u r r e n c e m a t r i xa n d14t e x t u r ef e a t u r e sp a r a m e t e r , a n du s e dt w os i m p l es h a p ed e s c r i p t o r ：p r i n c i p a la x e s a n dc o m p a c t n e s s ，r e f e r r e dt oan e wa p p r o a c h ：c o m b i n a t i o nt h eg r a y - l e v e lc o o c c u r r e n c e m a t r i xa n dt h es h a p ed e s c r i p t o rt oe x t r a c tt h et e x t u r ef e a t u r e so ft h er o a ds u r f a c e t h e c l a s s i f i c a t i o no fs u r f a c et e x t u r ec h a r a c t e r i s t i c si sb a s e do ns u p p o r tv e c t o rm a c h i n e ，t h ek e yi s t h ec h o i c eo ff o u rd i f f e r e n tk e r n e lf u n c t i o nw h i c hc a nl e a dt od i f f e r e n tc l a s s i f i c a t i o nr e s u l t s ， c o m p a r i s o na n da n a l y s i so ft h ek - n e a r e s tn e i g h b o rm e t h o da n ds u p p o r tv e c t o rm a c h i n e c l a s s i f i c a t i o no fr e s u l t s ，f i n a lg e tt w ot y p e so ft h ef e a t u r es e t ：t h e r ea r ec r a c k si nt h es u b - b l o c k i m a g ea n dt h e r e a r e1 1 0c r a c k si n t h es u b - b l o c ki m a g e ，i no r d e rt oe l i m i n a t i o no f p s e u d o c r a c k sa n dd i s c r e t ep o i n t si n t h ei m a g e ，c a r r i e do u to nb i n a r yc o n v e r s i o na n d m a t h e m a t i c a lm o r p h o l o g yp r o c e s s i n gf o rt h ei m a g ew h i c hh a sc r a c k s f i n a l l y , r e t u r ns u b - b l o c ko f t h eb i n a r yi m a g ea n dg e tac o m p l e t ep i c t u r eo fp a v e m e n t ，t o a c h i e v ed e t e c t i o np a v e m e n tc r a c ka u t o m a t i c k e yw o r d s ：e x p r e s s w a ys u r f a c ed i s e a s ea u t o m a t i ci n s p e c t i o n , t e x t u r e ，f e a t u r ee x t r a c t i o n , g r a y - l e v e lc o - o c c u r r e n c em a t r i x ，k - n e a r e s tn e i g h b o r , s u p p o r tv e c t o rm a c h i n e ，s h a p ed e s c r i p t o r 声明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，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。与我一同工作的同事对本学位论文做出的贡献均 已在论文中作了明确的说明。 研究生签名盏蛳 伽c f 年1 月巧日 学位论文使用授权声明 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构送 交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对 于保密论文，按保密的有关规定和程序处理。 研究生签名：早 c 【年i 月砑日 硕士论文基于纹理图像分析的路面病害自动检测算法研究 1 绪论 1 1 研究背景 随着时代的进步，高速公路的使用频率越来越高，然而由于自然环境和自然环境的 影响，高速公路路面会产生各种病害。而如何在不影响正常的交通秩序的情况下，对路 面病害做出快速有效的检测，己经成为亟待解决的一大难题。用人工的方法检测病害周 期长、效率低、花费高、不安全并且检测结果一致性不好，随着计算机软硬件技术的发 展，路面病害检测的自动化已经成为可能【l 捌。路面病害的自动检测在提高检测速度， 缩短检测周期，克服人工检测的主观性的同时检测结果的一致性也有了很大的提高。我 们简单分析了路面病害的形成原因和病害种类，认为裂缝等线性病害是路面病害的早期 的主要表现形式，若是能在裂缝出现的初期就发现它，并实时跟踪它的发展情况，则能 大大降低路面的维护费用，因此本文将裂缝的检测作为路面病害检测的主要研究方向和 实现目标，下面总结了一些裂缝的图像特征。 1 裂缝相对于路面背景呈现黑色特性，裂缝相对比于路面背景要黑得多，也就是说 裂缝上的像素值一般是局部最小值。 2 裂缝是一呈现鞍状一系列的点集合。 3 裂缝一般来说都是一种线性特征，并且裂缝都是具有一定的方向性的。 以上简单的介绍一下路面裂缝的特征，在第二章中将结合路面图像的纹理特征对路 面裂缝具体分析。 下一节中主要分析路面病害自动检测的国内外现状及一些方法，确定本文的路面病 害自动检测的方法一基于纹理分析的路面病害自动检测。 1 2 国内外研究现状 路面病害的自动检测，涉及计算机视觉、图像处理、模式识别、道路工程等领域。 在这方面的研究工作始于八十年代，研究人员一直致力于研究能够取代人工的自动检测 系统，追求检测性能的稳定与实时性，以及检测结果的准确性。总结国内外的研究方法， 可分为以下几个方面： ( 1 ) 阈值法。h d c h e n g 、x j s h i 等瞄】提出了基于实时阈值的路面裂缝检测方法，该 方法基于这样一个事实：灰度路面图像的阈值和它的像素的均值和方差是紧密联系在一 起的。该方法可以准确、快速的判断出阈值，适用于路面实时处理任务。j w a n g 、h d c h e n g 等【2 5 】提出了一种基于阈值和神经网络的路面裂缝检测方法，该方法的阈值是对于 单个裂缝像素的，其统计值被拿来作为神经网络的训练集。所以阈值的选择对于整个路 1 绪论硕士论文 面检测系统是至关重要的。而阈值法很容易受到路面图像光照不均等环境因素的影响， 且对于路面检测中庞大的数据，阈值法的算法效率非常低。 ( 2 ) 小波变换。j z h o u 、p s h u a n g 等 2 刀提出了利用小波变换来实现路面病害的检测。 通过小波变换将路面图像分解到不同频率子带，利用小波系数将裂缝转化到高频率子 带，将背景转化到低频率子带，对应于小波变换结果中的高频，可以轻易的找到它在原 图像中的对应位置，从而实现对路面病害信息的检测【2 1 7 1 。p e g g y 、j e a n 等【1 1 】提出了一种 基于连续小波变换的路面裂缝自动检测算法。小波变换的优点是：对病害分类的之识别 率高；不受原始图像亮度不均、模糊等因素的影响。缺点：对于路面噪声的不能很好的 去除；算法的复杂度高，实时性比较差。 ( 3 ) 神经网络法。j u s t i n 、b r i j e s h 4 5 】提出了用二级神经网络法来实现路面病害的检 测。该方法是通过第一个神经网络将路面图像分类为有裂缝的图像和没有裂缝的图像， 一旦图像被分为有裂缝和非裂缝后，再将它们传递给另一个神经网络以实现裂缝的分类 4 4 - 4 5 1 。h a r r y 、s o o n i l 等 2 6 1 提出用脉冲耦合神经网络来检测路面图像中是否存在裂缝。 将整幅图像被作为神经网络的输入端，通过脉冲耦合神经网络检测出图像中是否存在裂 缝。这种方法与全球定位系统相结合，是一种较新颖的完全自动化路面病害检测方法， 可以更准确、快速的检测出裂缝，检测的实时性较好瞄】。基于神经网络法的路面病害检 测算法对于消除路面图像中的油污和黑点等噪音有很好的效果，缺点是对于路面纹理噪 声的消除作用不大。 ( 4 ) 纹理分析法。目前的纹理分析大都是基于模型方法。 针对传统路面信息获取方法效率低、强度大的问题，王华等人提出了公路路面图像 的纹理分析方法【5 3 】，在m a n d e l b r o t 2 0 1 提出的分形概念以及m a n d e l b r o t 3 0 】提出了分数布朗 运动模型的基础上，王华等人【5 3 】提出了用标准布朗运动矢量描述公路表面的纹理特征， 用标准分数布朗运动矢量作为分类的分形特征，将公路路面图像分成不重复的像素块， 通过计算每个像素块的标准分数布朗运动矢量获得各像素块的特征矢量。用分类器实现 图像块的分类 2 8 之9 】【3 2 。3 3 1 。该算法对路面破损的分类正确率达到8 7 。该算法不能对路面 病害进行分类，算法的准确率不高。 王华h 7 】等在k e l l e r 3 3 】提出的分形维数实现纹理图像分割的基础，提出利用分形维数 分割公路路面裂缝的方法。在s a r k a r 、c h a u d h u d 等【4 8 】提出的差分计盒方法计算图像分 形维数的基础上，提出差分计盒方法的改进算法，将改进的差分计盒方法应用到计算路 面图像的分形维数上，结果显示差分计盒方法可以将路面图像转换成另一种图像，该图 像的分形维数把简单的阈值应用到路面裂缝的分割中。该算法的准确率不高且易受光照 不均等影响。分形维数能够表达路面纹理的粗糙度和复杂性，但单纯基于分形维数并不 足以表达路面的所有纹理信息。 此外p h i l i p p ed e l a g n e s 和d o m i n i q u eb a r b a 掣5 5 】提出了利用马尔可夫随机场模型来 2 硕士论文基于纹理图像分析的路面病害自动检测算法研究 检测和提取路面图像的纹理特征，把路面裂缝的纹理看做是路面图像中的噪声，建立马 尔可夫随机场模型，用来描述路面裂缝纹理的深度和方向，裂缝纹理信息作为噪声通过 马尔科夫裂缝模型，可以检测出裂缝的位置和形状【5 5 】，这种方法比较适合于裂缝类路面 病害的检测，这种方法对于对比度比较差的病害图像取检测效果还行，相对计算量比较 小，但对于对比度高的病害图像检测效果不理想。 在路面裂缝的检测过程中，一个主要的问题是路面纹理【1 1 1 2 - 1 3 】。对于路面图像，由 于路面表面存在着各种复杂的纹理，这使得路面病害的自动检测要达到一个比较准确的 检测结果比较困难，路面纹理也一直是路面裂缝自动检测中一个难以突破的难题【l ，上 面所提到的所有的路面病害检测方法，均会受到路面纹理背景的干扰，且这种干扰对路 面检测算法的影响是非常大的，通常，路面图像的分辨率越高，所受到的路面纹理的干 扰越严重，所以，一般情况下使用低分辨率的图像来减轻路面纹理对裂缝检测方法的干 扰 1 ，但是，这种方法存在着严重的问题，即用低分辨率的路面图像会导致路面图像中 较细小的裂缝被忽略不计，从而严重影响到检测结果的准确性。 纹理作为路面图像一个重要的不容被忽视的特征，我们可以考虑基于纹理的路面病 害检测算法。本论文提出从纹理分析方法中的统计方法对路面纹理进行分析，将路面的 纹理作为研究对象，提出一种新的方法：利用二阶统计分析法中的灰度共生矩阵法，并 结合形状描述符来提取路面图像的纹理特征，然后利用s v m 等分类器对提取出纹理特 征进行分类。到目前为止，还没有基于灰度共生矩阵和形状描述符的路面纹理特征提取 的相关文献。 1 3 本文的主要工作及内容安排 本硕士学位论文的研究课题是基于纹理图像分析的路面病害自动检测算法研究。主 要是针对路面的早期病害裂缝类病害的一种检测方法，考虑到检测结果的准确性和 算法的复杂性，本文提出一种基于子块级的路面病害检测方法，具体方法是：将路面图 像分成许多小的子块图像，通过对每一个子块图像的病害自动检测从而实现整幅图像的 病害自动检测。本文研究的重点主要包括几个方面： 1 路面子块图像的纹理特征提取。在分析并总结现有的路面病害检测的算法优缺点 的基础上，本文提出了一种新的提取路面纹理特征的方法：基于二阶统计纹理分析法中 的灰度共生矩阵法，并引入形状描述符，提出了将两者相结合实现子块路面图像纹理特 征的提取。其中工作的重点分为两部分：灰度共生矩阵的参数的选择和纹理特征参数的 选取。关于灰度共生矩阵参数的选取：首先，本文重点分析方向、步长和灰度级三个重 要灰度共生矩阵参数对纹理特征参数的影响，然后从理论和大量的实验两方面分析并说 明针对于公路路面图像，灰度共生矩阵三个重要参数的选取范围。 2 路面子块图像的纹理特征提取中纹理特征参数的选择问题，首先，通过实验重点 3 1 绪论硕士论文 分析了几个常用纹理特征参数所反映的图像的具体信息，其次说明了为什么需要在1 4 个纹理特征中进行适当的选取，最后主要对常用的描述能力比较强的其中5 个纹理特征 值熵，相关性，一致性，对比度和非相似性进行实验并分析比较，从5 个参数中选出适 合路面图像的分辨能力较好且不相关的参数。 3 对子块路面图像纹理特征分类。在这部分中，主要是分类器的设计，本文选用k n n 和s v m 两种分类器分别对路面图像纹理特征进行分类并比较分类效果，在此基础上，选 取了s v m 的四种不同的核函数进行分类实验并比较其分类效果，并针对不同的纹理特 征集进行s v m 分类实验并比较其分类效果，在选定核函数和特征集后，最终得到两类 结果：有裂缝的子块图像和没有裂缝的子块图像，对有裂缝的子块图像进行二值化转换 和数学形态学处理，消除图像中的零散点和伪裂缝。 本文的主要工作流程图如图1 1 所示： 图1 1 本文主要工作流程图 本论文研究的重点是路面图像纹理特征的提取和分类。 论文从大体上共分五章，具体各章节的安排如下： 第一章：绪论，主要讲述课题的相关背景以及目前路面病害检测的国内外研究现状， 并介绍了本文的主要研究工作和内容安排。 第二章：路面纹理特征的提取，首先分析了路面图像的纹理特征并确定了本文了用 于路面病害检测的纹理分析方法；其次，主要分析了灰度共生矩阵参数的选取问题以及 1 4 个纹理特征参数的选取问题，并引入形状描述符。 第三章：对得到的路面纹理特征的子块图像进行分类：是病害图像或者不是病害图 像，本文选用k n n 和s v m 两种分类器对路面纹理特征子块图像分类。 第四章：对于分类后得到的路面病害图像进行二值化处理和数学形态学的处理。主 要作用：去除病害图像中的离散点和尺寸过小等不符合裂缝标准的伪裂缝，填补病害图 像中小的空洞和狭窄的缝隙。 第五章：总结了本文的工作和存在的不足，提出课题以后的发展方向。 4 硕士论文基于纹理图像分析的路面病害自动检测算法研究 2 基于灰度共生矩阵的路面纹理特征提取 纹理一般是由灰度分布在空间位置上反复出现而形成的【删，因而在图像空间有某种 位置关系的两个像素之间会存在一定的灰度关系，这样的灰度关系称为图像中灰度的空 间相关特性。由h a r a l i c k 等人在2 0 世纪7 0 年代初期提出的灰度共生矩阵( g r a yl e v e l c o o c c u r r e n c em a t r i x ，g l c m ) 是一种用来分析图像纹理特征的经典二阶统计法，由于其 描述纹理的有效性，使其在纹理分析中有着广泛的应用。 针对路面图像进行纹理特征提取时，本论文提出了一种不同于以往的路面纹理特征 提取的方法，即基于二阶统计分析法中的灰度共生矩阵法，用于将路面图像的灰度值转 化为纹理信息。在介绍灰度共生矩阵的相关知识之前，先介绍了纹理的一些基本概念， 以及路面图像的纹理特征。 2 1 纹理分析 纹理是表达物体表面或者结构的属性，它的使用相当广泛。纹理特征是一种不依赖 于颜色或亮度的反映图像中同质现象的重要特征【5 2 1 。它是所有物体表面共有的内在特 性，包含了物体表面结构组织排列的重要信息以及与周围环境的联系f 删。纹理分析是指 通过一定的图像处理技术，获取图像的纹理特征，从而获得纹理的定量或定性描述的处 理过程 2 l - 2 2 。 1 纹理的定义 纹理是图像分析中的重要特征，是模式识别中用来辨别图像区域的重要依据，常使 用区域的尺寸、可分辨灰度元素的数目以及这些灰度元素( 像素) 的相互关系来描述一幅 图像中的纹理区域。纹理是一种普遍存在的视觉现象，概括地说，任何物体的表面，如 果一直放大下去，一定会显现出纹理。 人们可以感受到纹理，但是由于它的变化范围很宽泛，很难对纹理的精确定义形成 统一的认识。因此，到目前为止，对纹理还没有统一的、确切的定义【3 1 1 ，我们可以把纹 理定义为由互相关联的元素组成的某种东西，因此我们考虑的是一组像素或纹理元素， 且所描述的纹理高度依赖于考虑的数量阱羽】。 纹理的分类方式大致有以下3 种：由于构成纹理的规律可能是规则的，也可能是 随机的。因此，纹理可分为规则纹理和随机纹理( 不规则纹理) 。根据纹理变化的尺度 大小，纹理可分为细纹理和粗纹理。纹理还可以分为人造纹理和自然纹理。 在本文的工作中，根据纹理的定义和分类，我们将正常的路面看做是规则的纹理， 而将病害路面看做是不规则的纹理，这种不规则的纹理破坏了正常路面的规则纹理。本 文基于纹理图像分析的路面病害检测也正是基于这一点，从而能够从正常路面图像中检 5 2 基于灰度共生矩阵的路面纹理特征提取硕士论文 测出病害。 2 研究方向： 纹理分析即研究纹理图像的特性，以便分类和识别物体，这是机器视觉追求的目标。 纹理分析的研究主要有六大领域：纹理分类 6 】【3 8 】、纹理分割 4 1 4 3 1 、纹理合成m 】、纹理描 述 5 0 1 、基于纹理的形状分析以及纹理检索。下面主要介绍下适用于路面病害检测的纹理 分类和纹理分割。 ( 1 ) 纹理分类 纹理分类的研究对象是图像整体的纹理，即我们所考察的整幅图像的纹理可以被看 成一类整体纹理。 纹理分类的目的是判断所研究的对象的每一幅图像的纹理类别 3 8 1 。一般来说，在分 类之前要有一些关于纹理图像的先验知识。纹理分类的目的是为了获得更好的分类识别 率，联系本论文的工作，这就涉及到路面纹理特征的提取和分类器的设计两大部分，只 有将这两个部分有机地结合起来才能达到预期的分类效果。 ( 2 ) 纹理分割 纹理分割是指一幅图像中包含有多种类别的纹理，需要把包含同一种纹理的区域提 取出来，或找出不同纹理间边界的技术和过程。 3 纹理的应用领域 大自然中的纹理无处不在，且在生活、生产和科研中的应用也是相当的广泛。目前， 纹理在许多领域有着广泛的应用，如遥感图像分析限1 0 1 、医学图像分析【1 4 - 1 7 1 、工业产品 缺陷检测1 8 9 1 、基于生物特征的身份鉴定、目标识别、图像检索以及文档分割等方面。 随着人工智能理论的日益成熟和数字图像的广泛应用，新的纹理分析的方法层出不 穷，而纹理分析的研究也不断深入，纹理分析必将在实际生产生活中发挥越来越大的作 用。 4 纹理分析的方法 对于纹理图像的分析通常包括纹理图像的预处理、特征获取以及对纹理图像分类、 分割和理解。本文对于路面图像的纹理分析则包括路面图像的纹理特征提取以及纹理特 征的分类、分割。纹理分析方法可分为四大类：统计方法、结构方法、模型方法以及基 于频谱分析的方法。 在第一章中提到过，目前纹理分析在路面病害检测中的应用大多是基于模型方法 的，算法的准确率不高，检测效果也不是很好。本文用统计方法来分析路面纹理。具体 的方法将会在下面的章节中进行详细的介绍。下面将详细介绍路面图像的纹理特征，并 结合路面的纹理特征选取适合于路面图像的纹理分析方法。 6 硕士论文基于纹理图像分析的路面病害自动检测算法研究 2 2 路面图像的纹理特征 纹理特征是一种不依赖于颜色或亮度的反映图像中同质现象的重要特征。纹理分析 的主要特目标是纹理识别和基于纹理的形状分析。在图像分析中，纹理是描述图像常用 的一个概念，纹理特征在图像的分类识别中得n t 广泛的应用 2 3 1 。我们以纹理为研究对 象分析路面图像时，消除了颜色给路面图像所带来的影响。目前，纹理特征在路面病害 检测中的应用不是很多。 本文以路面的纹理为研究对象，下面结合公路路面表面纹理自身的特点，对其纹 理特征进行了描述、分析与总结，确定了本研究用于公路路面病害的纹理分析方法，同 时也证明本文基于纹理分析的路面病害检测的可行性。 2 2 1 路面的纹理结构 下面我将从两个方面来分析下公路路面的纹理结构： 1 路面材质的纹理结构 公路路面的材质【5 1 】决定了路面纹理的结构，我国高等级公路沥青路面基层大多都是 采用半刚性材料 3 9 1 。半刚性基层的沥青路面面层材质以沥青为主，混合石灰，水泥等。 将这样的混合料压实摊铺形成路面的面层，在空间位置上将会重复出现并满足一定的灰 度特征分布，根据纹理形成的机理以及纹理的定义，在一个图像区域内重复出现，并满 足给定灰度特征的一个连通像素集合构成了一个纹理区域。那些重复出现的并满足一定 灰度特征分布的区域即纹理区域【删。所以说公路路面的材质决定了公路路面存在一定的 纹理结构。 2 路面的技术标准摩擦系数和纹理深度 公路路面的技术标准之一是抗滑性 4 9 】【5 1 】。沥青路面抗滑性能评价方法主要是测定面 层的摩擦系数和纹理( 构造) 深度。即公路路面必须存在一定的粗纹理和细纹理。沥青面 层纹理深度与矿料的抗磨能力( 磨光值指标) 和沥青混合料高温时的内摩阻力和粘聚力 有关【4 9 】。纹理深度达到要求必须合理选定矿料级配，而沥青材料满足高等级道路石油沥 青技术标准。以上这些都说明了路面表面存在着不同的纹理。 3 为了防止滑溜交通事故e 4 9 1 的频繁发生，对路面的微纹理结构、轮胎的花纹和车辆 行驶速度都有一定的要求。这就要求公路路面不仅仅要存在一定粗纹理和细纹理，并要 求公路路面必须存在一定的微纹理结构。 终上所述，纹理作为与灰度之外的另一个重要的因素被引入本文的路面图像处理中。 本论文即基于纹理图像分析的路面病害自动检测算法研究。 2 2 2 路面病害的表现形式及特点 在上节中，已经从两方面分析了公路路面具有一定的纹理，可以从纹理分析的角 7 ! 至王茎里苎兰丝堕盟垦亘墨里堡竺堡墼 堡主堡壅 度分析路面图像，下面介绍路面病害对于正常路面纹理的区别，以及其表现形式和特点。 首先，来了解下路面病害。 路面病害昂常见的主要为裂缝、车辙和推移、坑槽、泛油四大类，而裂缝是路匦 病害最初的表现形式【帅】，所以本文主要研究的是针对裂缝类病害图像的自动检测，以f 对裂缝类路面病害以及其成园作简要介绍。 裂缝病害有纵向裂缝，横向裂缝和网裂三种形式 4 0 i ： 1 纵向裂缝 纵向裂缝一般有两种，如图21 所示：一种是沿路肩边缘向内逐步扩大，呈月牙形 如图21 ( 曲所示；另一种多为纵向条带状如图21 0 ) 所示。 纵向裂缝形成的主要原因有以下三个方面：地基原因。路基施工原因。水 的渗透破坏。 ( ”( c ) 图2 2 横向裂缝 飚圈一熏 硕士论文基于纹理圈悼分析的路面宿害自动检测算法研究 3 周裂 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 形态是治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。如图2 3 所示： 谰滋谶擒 ( b )( 0 幽23 网状裂缝 结合图，下面介绍路面病害对于正常路面纹理的区别。 正常路面围像一般是由扶度分布在空间位置上反复出现而形成的，因而在图像空 间相隔一定的距离的两个像素之问会存在一定的灰度关系。从上面的分析已经知道，在 正常路面图像中存在着一定的纹理信息，这些纹理信息就是图像的特征，即从图像中提 取有用的信息和视觉特征，又由于纹理以像素的邻域灰度空间分布为特征，而路面病害 区域的像素点的灰度值一般都低于完好路面像素点的灰度值，也就是说路面病害破坏了 正常路面的纹理信息。所以我们能够用基于纹理分析的方法从含有病害的路面图像中检 测出裂缝的信息。 路面病害图像中的很多信息属于非规则、弱信息，同时由于光线阴影的变化和非 病害物体、污迹的干扰，使得常规的基于像素灰度的检测方法难以达到很好的效果，根 据纹理特征定义可知基于路面纹理的检测方法消除了路面图像颜色和亮度的影响。路面 病害图像中往往含有丰富的纹理信息，不同的病害有着不同的纹理特征。如图2 4 所示： 一 ( 时正常路面彻横向裂缝 ! 墨王垄里苎皇丝壁墼塑堕堑些堑塾堡坚 堡i 堡兰 广r ( c ) 纵向裂缝( d ) 阿牧裂缝 圉2 4 路面纹理特征 如图2 4 所示，可以观察到，不同的路面纹理的粗细程度不同；路面石子与沥青的 纹理和裂缝纹理信息也不相同：对于不同的裂缝类纹理，其表现出的纹理信息也大不相 同；从图24 中可以看到：病害部分像素点的灰度值明显低于完好路面像素值的灰度值， 破坏了正常路面的纹理特征。综上所述，在路面图像中，病害部分和完好路面的纹理是不 相同的。所以，本文以纹理为研究对象来实现路面病害的自动检测是可行的，提出了一 种新的基于二阶统计纹理分析方法中的灰度共生矩阵法来提取路面纹理特征的方法，并 用分类器对路面纹理特征进行分类以检测出路面图像中的病害。 2 2 3 本文的纹理分析方法 上一节中已经详细介绍了路面图像的纹理特征，下一步要做的即选择适合于描述路 面图像的纹理分析方法。 本文的纹理分析方法建立在于块图像的基础上，即将整幅的路面图像分成许多的子 块图像，通过对每一个子块图像的病害自动检测从而实现整幅图像的病害自动检测。本 文以路面纹理为研究对象，在分析并总结了现有路面病害检测算法的优缺点的基础上， 提出了一种新的路面病害检测方法。基于二阶统计纹理分析方法中的灰度共生矩阵法来 提取子块路面纹理特征，并利用不同的分类器对子块路面纹理特征进行是病害和非病害 的分类。 基于统计方法的路面图像的纹理分析即：通过计算路面图像中每个点的局部特征， 从特征的分布中推导出一些统计量来刻画路面纹理。基于灰度共生矩阵的统计分析法在 纹理分析中占有主导地位，对纹理的细节性和随机性描述较好，具有适应性强的特点， 非常适用于路面图像。下面将详细介绍本文路面纹理特征提取的主要方法灰度共生 矩阵法。 2 3 灰度共生矩阵 灰度共生矩阵1 6 0 1 是一种被大家公认的用来分析图像纹理特征的重要方法，广泛用于 将跃度值转化为纹理信息，它建立在估计图像的二阶组合条件概率密度函数的基础上， 通过计算图像中有一定距离和一定方向的两个像素之间的灰度相关性，对图像的所有像 1 0 硕士论文基于纹理图像分析的路面病害自动检测算法研究 素进行调查统计，反映图像在方向、相邻间隔、变化幅度及快慢上的综合信息。灰度共 生矩阵本质上就是两个像素点的联合直方图。本文将灰度共生矩阵方法用于路面纹理 特征提取，下面介绍灰度共生矩阵的相关知识。 2 3 1 灰度共生矩阵的定义 前面已经提到过，灰度共生矩阵本质上就是两个像素点的联合直方图。下面从原理 和数学定义两方面来介绍灰度共生矩阵。 1 灰度共生矩阵的原理： 取图像i 中，任意取一坐标点( x ，y ) 其灰度值为i - 取，y ) 及偏离它的另一坐标点( x + a ， y + b ) 灰度值j = 取+ a ，y + b ) ，则该点对的灰度值为( i ，j ) 。固定a 和b ，令( x ，y ) 在整个 画面上按规定方向和规定距离移动，则得到各种点对( i ，j ) 。统计图像中相距( a ，b ) 的两 个灰度象素同时出现的联合频数概率。假设该图像灰度级为g ，对整个画面统计出每一 点对( i ，j ) 出现的次数( 此次数为共生矩阵p 的第i 行j 列的值) ，排列成一个g x g 的方 阵p 。再用( a ，b ) 出现的次数将出现次数归一化得到每个点对出现的概率p ( i ，j ) 印】，即 得到该图像的联合概率矩阵，也叫做共生矩阵w 。在整幅图像中，统计每一种出现的频 度为p ( i ，j ，d ，口) ，则称方阵 尸( f ，j ，d ，秒) g g 为灰度共生矩阵，即w = 川，j ，d ，秒) 取g 。 2 灰度共生矩阵的数学定义： 设图像水平和垂直方向上各有m ，像元，将每个像元出现的灰度量化为m 层， 设l 工= ( 1 ，2 n 。) 为水平空间域，l y = ( 1 , 2 ，) 为垂直空间域，g = ( 1 , 2 ，n q ) 为 量化灰度层集。集，工。为行列编序的图像像元集，则图像函数f 可表示为一个函数： 指定每一个像元具有玑个灰度层中的一个值g ，即f 三，x l 。哼g 。灰度共生矩阵定 义为在图像域l 。三。范围内，两个相距为d = 4 a 2 + 6 2 ，方向为目的像元在图像中出现 的概率【6 3 1 ，即： p ( i ，j ，d ，9 ) - - - i ( 庀，) ，( m ，以) ( t 三，) ( l x l y ) ： ( j ，0 ，f ( k ，) = f ，f ( m ，1 ) = 办l ( 2 3 1 1 ) i ( ) i 表示大括号中成立的像元对数，其中参数d 步长，9 为灰度共生矩阵的生成 方向。0 通常取o o ，4 5 0 ，9 0 0 ，1 3 5 0 四个方向 5 4 】【6 1 6 2 1 。d 的取值范围为：1 , - - s i z e o f ( w i n d o w ) 。 一般情况下取f 0 ，4 ，8 ，3 2 t 6 2 1 或者取j = 1t 6 1 1 。 则距离为d 方向为水平方向的灰度共生矩阵计算公式为： p ( i ，j ，d ，0 。) = i ( 七，) ，( m ，挖) 】( t l y ) ( t 三，) ： ik ml _ 0 ，l ，一万i - d ，f ( k ，z ) = f ，f ( m ，1 ) = 歹) i ( 2 3 1 2 ) 同理，距离为d 方向为4 5 。方向的灰度共生矩阵为： 以f ，_ ，d ，4 5 。) 爿 ( 后，j ) ，( 所，刀) ( l x 三，) ( 厶x ，) ： lk mi - - d ，i ，一以| d ，f ( k ，z ) = f ，f ( m ，1 ) = 歹) i ( 2 3 1 3 ) 2 基于灰度共生矩阵的路面纹理特征提取硕士论文 局。 距离为d 方向为垂直方向的灰度共生矩为： 尸l ( f ，_ ，d ，9 0 ) = i ( 七，) ，( 聊，1 ) ( t 三，) ( t ，) ： i k m l = d ，i i 一以= o , l i ( k ，) = f ，f ( m ，n ) = j f ) i ( 2 3 1 4 ) 距离为d 方向为1 3 5 方向的灰度共生矩阵为： p ( i ，j ，d ，1 3 5 9 ) 叫 ( 七，z ) ，( m ，1 ) 】( 上_ ，) ( t 三，) ： ik - ml - - d ，iz n | _ d ，f ( k ，) = f ，f ( m ，1 ) = 办l( 2 3 1 5 ) 通过( d ，9 ) 值对组合可以派生许多共生矩阵用来分析图像灰度级别的空间分布格 i p ( o ，o )p ( o ，)p ( o ，g 一1 ) l 尸= l p o ，o ) p ( f ，_ ，) p o ，g 一1 ) i ip ( g - 1 ，o ) p ( g - 1 ，j f ) p ( o - 1 ，g 1 ) 对于矩阵p 中的任何一个节点，可用下图表示其具体意义： 图2 5p ( i ，_ ，d ，曰) 的示例 其中工，y 为象素位置，厂( ) 为观测值。 a 和b 的取值要根据纹理自身的特点来选取。当a 和b 取值较小时，对应于变化缓 慢的纹理，其灰度共生矩阵对角线上的数值较大，倾向于作对角线分布；若纹理的变化 越快，则对角线的数值越小，而对角线两侧的元素值增大，倾向于均匀分布。 如下的一个例子说明了对距离d = l 的共生矩阵的计算。一个具有4 个灰度级的a 4 x 4 图像参见图2 6 ，矩阵p ( 0 ，0 ，1 ，0 。) 表示具有灰度级0 和0 的两个像素在方向为o 。上间 隔距离为1 的出现次数的数值；在这种情况下p ( o ，0 ，1 ，0 。) = 4 。元素e ( 3 ，2 ，1 ，o 。) 表示具有灰 度级3 和2 的两个像素在方向o 。上间隔距离为l 的出现次数的数值；以3 ，2 ，l ，0 。) = 1 。考 虑到矩阵的对称性，即：p ( 2 ，3 ，1 ，0 。) = 1 。 对其他方向秒和距离d 的矩阵e ( i ，d ，0 ) 的构造是类似的。 如图2 所示，原始图像矩阵( 4 像素x 4 像素) 转换为相应的g l c m ，当i = 0 ，j = 0 1 2 硕士论文 基于纹理图像分析的路面病害自动检测算法研究 时，出现的概率为4 ，灰度共生矩阵p 的第行1 第1 列的值为4 ；类似的，i = 3 ，j - 2 时 出现的概率为1 ，灰度共生矩阵p 的第3 行，第4 列的值为1 ；在整个原始图像矩阵上 按照d = 1 和0 = 0 。的位置关系滑动，对所有像素进行统计得到相应的g l c m ，如图2 7 所示。 易= 只= 4210 24oo 1o61 ool2 ( a ) 6o2o 042 0 222 2 0o2 o ( c ) o p0 p 1 p 1 p 0 00 0 1 p 1 p 0 0 2 , 02 p 2 0 2 02 p 3 03 0 图2 6 灰度级图像 4 5 。 尸肋= 1 3 5 。 = 4100 122o o241 oolo ( b ) 2l3 0 121o 31o2 0o2o ( d ) 图2 7d = l 时，0 。、4 5 。、9 0 、1 3 5 。四个方向的g l c m 其中乓表示按照d = 1 和0 = 0 。的位置关系滑动得到的g l c m ；只d 表示按照d = l 和0 = 4 5 。的位置关系滑动得到的g l c m ；昂表示按照d = 1 和0 = 9 0 。的位置关系滑动得 到的g l c m ；最。d 表示按照d = 1 和0 = 1 3 5 。的位置关系滑动得到的g l c m 。 2 3 2 灰度共生矩阵的特点 由灰度共生矩阵的定义可知，通过不同的步长和方向( d ，秒) 值对组合可以派生许多 共生矩阵用来分析图像灰度级别的空间分布格局。前面已经提到过，灰度共生矩阵是建 立在估计图像的二阶组合条件概率密度函数的基础上，通过计算图像中有某种位置关系 的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。 下面介绍一下灰度共生矩阵的主要特点。 1 灰度共生矩阵为一个对称方阵 灰度共生矩阵为个对称方阵，当日变化时存在i v ( a ，0 0 )