高速公路表面裂纹图像特征提取方法研究

高速公路表面裂纹图像特征提取方法研究摘 要高速公路路面裂纹检测系统是公路管理系统之一，在行驶的汽车上实时进行路面裂纹检测，并将检测结果保存，可以为公路管理部门提供路况信息，管理人员据此制定出养路规划。路面裂纹的提取是自动检测裂纹系统的重要内容，基于数字图像处理技术的表面裂纹提取技术成为一个至关重要的环节，本文进行公路表面裂纹提取方法的研究。由于裂纹形状的高度不确定性，不能够提供统一的量化标准，所以总是在裂纹的空间结构和评估等细节上容易产生分歧。本文当中将通过一些图像增强算法和两种裂纹提取算法改善状况，获得较高准确度的裂纹，为公路表面裂纹的判别与研究做好准备工作。图像拍摄时由光线变化、路面颜色不一致等不良因素，这些因素影响了图像的背景色，严重影响图像质量，为图像中的裂纹提取带来困难，图像增强算法通过计算消除各种因素来修正不一致的背景光。两种裂纹提取算法是线性点运算和Top-hat变换。线性点运算是除去较亮的像素，保留较暗的裂纹像素;Top-hat变换是数学形态学的一种方法，一般用于检测细长结构、较亮或较暗的像素，这里用于提取图像中的裂纹。这两种方法不但可以提取一般的路面图像中的裂纹，而且可以提取有油污或用沥青补过的裂纹图像中的裂纹。线性点运算的处理速度远高于Top-hat变换。关键词：路面管理系统；路面裂纹检测；图像增强；线性点运算；Top-hat变换 ABSTRACTABSTRACTAutomating detection of distress on the freeway pavement surface is one of Pavement Manage Systems. The system inspects pavement surface on running car and save the results. So it can provides pavement manage department with the information of pavement surface. In terms of this, pavement managers establish maintenance budget layouts. Pavement distress in section and analysis are important components of automating detection distress system. The surface cracks extraction technology, based on digital image processing technology, as a vital link in the road surface crack, this article to study extraction method. Because crack shape as a result of the high degree of uncertainty, cannot be quantified by a unified standard, which is always cause differences result when assessing the space of the cracks and other structural details .In this paper, will be using two types of image enhancement algorithms and some extraction algorithms to improve the situation of crack, get a higher accuracy of the crack, make preparations for the road surface crack of preparations and research. Image taken by the light changes, color inconsistencies, such as bad road factors that affected the image of the background color, seriously affect the image quality，and increased difficulties in the crack extraction, the enhancement algorithm corrects nonuniform background illumination by calculating multiplication factors that eliminate the background lighting variations. The two extract distress algorithms are Linearity Pixels Transform and Top-hat Transform. Linearity Pixels Transform removes the relative bright pixels and remains the relative dark distress pixels, Top-hat Transform is used to extract distress in images, which is a kind of mathematical morphology, generally using to identify lathy structural relative bright or dark pixel clusters. This two exact distress algorithms can process not only common pavement images but also the distress images having been repaired with asphalt or having smear. The processing speed of the former is obviously higher than that of the latter.KEY WORDS：pavement manage system; pavement distress detection; Image Enhancement; Linearity Pixels Transform; Top-hat Transform目 录目 录第一章 绪论61.1课题背景与实际意义61.2路面裂纹的分类61.3国内外路面裂纹检测系统的研究状况和进展81.4国内外路面裂纹提取算法研究的发展状况101.5路面裂纹提取与识别算法研究所面临的困难111.6本课题研究主要内容12第二章 图像预处理122.1图像降噪122.1.1高斯滤波132.1.2小波降躁方法152.2图像增强172.2.1线性点运算172.2.2非线性单调点运算192.3本章小结20第三章 图像分割213.1图像分割213.2基于阈值的分割技术223.2.1迭代阈值分割法223.2.2Ostu最大类间方差法233.3基于区域的分割243.3.1区域生长243.4边缘检测263.4.1Roberts算子263.4.2Sobel算子273.4.3Prewitt算子283.4.4LOG算子283.4.5canny算子293.5本章小结30第四章 裂纹图像处理算法304.1图像增强算法304.1.1基于统计学的算法304.1.2基于背景估计的算法324.2Top-hat算法334.2.1膨胀334.2.2腐蚀344.2.3Top-hat算法344.3线性点运算354.4本章小结36第五章 总结37参考文献38发表论文和参加科研情况说明39致 谢40第一章 绪论第一章 绪论1.1 课题背景与实际研究意义高速公路是一个国家发达程度的重要标志之一，它的发展不仅可以增加国家竞争实力，改善投资环境，加快农村城市化步伐，优化综合运输体系，还可以有效地拉动经济。十多年来，我国高速公路的发展历程已经证明了这一切。高速公路所到之处，都为当地经济和人民生活带来明显变化。可以说，高速公路不但是现代化交通的代表，也是一个国家经济现代化的重要参考物，世界各国莫不对此投入巨大的关注。在我国，高速公路的发展历程已经证明了这一切。2010年底，全国公路总里程突破400万公里，达400.82万公里，全国高速公路达7.41万公里，居世界第二位，比“十一五”规划目标增加9108公里。其中，国家高速公路5.77万公里，比上年末增加0.54万公里。全国高速公路车道里程为32.86万公里。11个省份（举一二例！）的高速公路里程超过3000公里1。在发展建设高速公路的同时，对高速公路的维护也变得十分必要。路面在承受来自车辆行驶带来的动能及车辆自身的重量的同时，并且还承受自然环境带来的各类影响，如雨雪，山洪、地震等自然灾害。因此不难得出结论，路面维护是公路维护的核心工作。路面在承受上述的影响之下，出现裂纹是经常的现象。如果在裂纹发生的早期予以关注并跟踪裂纹发展的情况，其维护的成本和工作量将会大为压缩。传统的路面破损信息获取基本上采用人工目测、丈量的方法，该方法劳动强度密集、妨碍交通、危险性大、效率低、准确度低，而且难以对路面破损状况进行客观和准确的评价，已经不再适合于飞速发展的公路交通事业2。随着科技的不断发展，特别是计算机识别技术的进步，利用高速数字图像采集技术，配合海量存储器和各种图像处理方法，有条件实现公路裂纹的自动检测与分析已成为可能。国外对此的实验研究总结了很多技术成果，在应用计算机智能识别技术识别在公路裂纹检测的应用的研究中已开展了大量的工作，取得许多可喜的应用技术和成果。近年来，基于图像处理技术的公路裂纹检测新观点、新方法层出不穷，在未来超越代替人工目测已成必然趋势。1.2 路面裂纹的分类在机动车自身的负载压力与动能冲击下，在自然环境冷缩热张的作用力下，在自然灾害的侵蚀下，公路路面会出现各种各样的裂纹现象，随着时间的顺延，破损日益加深，当达到一定程度时，公路路面变得凹凸不平，严重影响机动车行驶速度、行驶安全性、运输费用。因此，裂纹的早期发现，并实时跟踪，以此并作为制定修理、养护计划的决策依据，那么公路维护的费用和工作量就将大大降低。下面对路面裂纹分类34作一下进行简要的说明：（1）横向裂纹。可分为载荷性裂纹和非载荷性裂纹两大类。载荷性裂纹是由于路面设计不当、施工质量低劣，在车辆严重超载的情况下，致使沥青面层或半刚性基层内产生的拉应力超过其疲劳强度而产生的裂纹。非载荷性裂纹是横向裂纹的主要形式。如图1-1所示。图1-1路面横向裂纹（2）纵向裂纹。其形成原因一般分两种情况：一种情况是由于路基压实度不均匀以及路面不均匀沉陷而引起的，如发生在半填半挖处的裂纹；另一种情况是在沥青分幅摊铺时，两幅接茬未处理好，在行车荷载作用下，易形成纵向裂纹。车辙边缘也会有纵向裂纹，如图1-2所示图1-2路面纵向裂纹（3）龟裂、网状裂纹。龟裂是缝宽在3mm以上，且缝距多数在10mm以内，面积lm2以上的不规则块状裂纹。网裂是缝宽在1m以上或缝距在40cm以下，面积在1m2以上的网状裂纹。龟裂、网裂通常是由于路面整体强度不足，基层软化，稳定性差等不良原因引起的。沥青路面老化变脆，也会发展成块状裂纹。如图1-3所示。图1-3路面龟裂纹1.3 国内外路面裂纹检测系统的研究状况和进展国外最早的对路面裂纹检测的例子是上世纪七十年代，运用16毫米车载摄像机来采集路面破损图像信息。将拍摄的胶卷经过冲洗后进行人工辨别，将处理过的数据录入计算机，这是运用计算机进行裂纹检测研究领域里迈出的第一步。到了上世纪九十年代，国外的研究机构尝试用摄像机开发路面裂纹信息自动采集系统。如日本的Komatsu系统5，该系统利用安装在检测车两旁的光源进行照明。数据采集通过一个电视摄像机、传感器、信号处理器和影像记录装置来获得。数据存储由一个高密度影像磁带记录器和一个通用影像磁带记录器组成。图像处理采用并行技术按两个阶段进行。第一个阶段主要是图像分割和特征提取，由一个并行微处理器完成；第二个阶段以并行的方式完成降噪、子图像连接和恢复。由于该系统不能分析裂纹的类型，并且只能在夜间工作，另外还需要多个超级微处器完成两个阶段的图像处理，该系统最终没有得到商业应用。进入九十年代中后期，随着硬件技术和数字图像处理技术的发展，尤其是CCD技术的发展，应用CCD摄像技术进行路面破损检测的研究取得了一定的进展。CCD摄像机具有较高的动态范围、分辨率和灵敏度。通过视频采集卡或者图像采集卡可以方便地将CCD摄像机的视频信号存储到计算机中，进行实时显示、存储和处理。主要有美国PCES系统，瑞典PAVUE系统67，都是基于模拟技术的路面破损信息检测系统，采集路面破损图像数据均为模拟量，计算机对这些图像数据不能自接处理，需要将其转换为数字量，使得路面破损信息处理的效率大大降低，并且破损识别和测量的精度也是有限的。在这个期间，瑞士的研究工作者于一九九五1995年开发了CREHOS系统（裂纹识别全息摄影系统）X需要引用，目标是建立“完全、彻底的系统”，试图解决以前的系统在区域分辨率和实时处理技术的困难。它将数据存储在一套模拟并行处理器中，应用模拟方法得到路面破损数据，并分析和识别路面破损的类型。该系统虽然缩短了路上的检测时间，在一定程度上提高了工作效率，但是由于成本较高，对路况的要求较高，并且需要人机交互的方式进行图像的摄取和处理分析，该系统仍需要进行更深一步的研究。目前，该系统仍处于研究阶段，尚未商业化。还有英国HARRIS系统8是由Transport Research Laboratory Ltd经过努力为英国高速公路署研制的路面裂纹检测系统。系统的图像采集使用了时间延迟和积分（Time Delay and Integration，TDI）线扫描摄像机，安装在车后面，在外加光源的照明条件下，能够以80km/h的行驶速度高速拍摄高质量的无阴影图像。为覆盖至少80%车道的要求，系统使用了三个TD工摄像机，每一个覆盖一米的宽度，总共能覆盖3米宽的范围，采集后的图像每个大小为512512。数据的处理采用了实时初步处理和离线再处理的方式。在数据的采集中先对图像进行初步处理，清除和减少图像，然后再离线精确处理，首先进行裂纹边界检测，形成裂纹段列表，并计算其长度、开始点和结束点直线长度，去除与裂纹段不相似的片段。然后根据裂纹段之间的距离、灰度特征和相对角度将其连接起来，并且根据目标的直线性和灰度特征去除非裂纹目标。最后的检测处理结果以裂纹图的形式保存，其上信息包括裂纹的位置、长度和方向等信息。从处理过程来看并没有达到自动处理的目的，且算法容易受到背景噪声的干扰。一九九四19941998年至一九九八年期间，Road Crack系统经澳大利亚CSIRO实验室多年研究成功，该系统是真正意义的运用数字扫描摄像机的实时检测系统。该摄像机采用高质量的辅助照明，可以满足高速拍摄的需要X需要引用。Road Crack系统拥有高速图像处理技术和高性能检测算法，使得裂纹检测精度有了很大的提高。可惜在处理过程中仍然需要大量的人工辅助才能完成检测。另外美国的Sumsung SDS公司的Uni AMS系统比较有创新，该系统的uni ANALYZE模块有裂纹分析功能，其中包含人工辅助分析、自动分析两大部分。将图像进行滤波处理，消除噪声后对裂纹进行检测，按AASHTO，ASTM STP 1121等标准进行设计分类。加拿大Roadware公司生产的Wisecrax裂纹检测系统9，分为自动、交互和完全手工三种工作模式。每段路裂纹检测前都有一组与此段路面相关的参数要指定，这些参数与裂纹的对比度，明暗度和路况有关，这是一个交互式的过程，有相关操作人员参加直到合适的参数被找到，其对裂纹的分类评定常常需要人工浏览和手工修改来保证质量。目前在我国道路路面检测中仍以人工或半机械化为主，效率低下且只能抽样检测，这些方式均需封闭道路，影响了正常的公路交通，且存在不安全的因素。但可喜的是有一些国内高校和研究机构尝试研制自动智能检测系统进行实地检测，如南京理工大学自行研制的JG-1型激光三位路面状况智能检测系统X需要引用，用于高等级公路的平整度、车辙、及路面变形与路面破损高速实时检测系统，是集高精度动态激光测距、路面断面CT与三维重构、高速图像采集与处理、图像智能识别等现代高新技术于一体的自主创新高技术产品，总体性能达到国际先进水平；又如哈尔滨工业大学研制的国畅（AUTO DE-TECTOR）多功能道路检测车X需要引用，该检测车是在机动车上装配全球定位系统（GPS）、图像采集系统（CCD+图像采集卡）、激光测量器（LS）、里程计（Odometer）等先进的传感器和设备，在车辆以正常速度行驶时，通过高速、高精度图像传感器和高性能并行图像采集处理卡，在线处理、分析和存储路面图像。在全球定位系统、里程计的辅助下，利用光学三角测量技术，快速获取路面破损、平整度、车辙、前方道路图像等精确测量数据以及其精确空间位置，为路面管理系统CPMS提供综合、高效的数据支持。该系统路面信息管理模块能对检测的破损、平整度数据以及路面图像进行查询、定位、检索和分析，为公路的维护和管理提供决策依据。 由上面的资料可以看出（后面这个结论过于生硬！换个语气来表达！），国内外目前许多研究机构所生产的路面检测系统中所含有的路面裂纹自动检测技术部分还不完善，有的系统更是没有这项功能。裂纹检测的主要工作现在还是人工或者半人工辅助识别并判断。由于路面裂纹的检测是路况检查中的主要任务之一，并且同时是费时间最多并受主观影响最大的部分。因此，对路面图像的自动检测需求应该是最大和最迫切的。这一部分没有完善的根本原因在于相应的裂纹提取和识别技术没有达到完美的水平10。1.4 国内外路面裂纹提取算法研究的发展状况在最近二十年中，国外许多研究人员花费大量时间和精力致力于路面裂纹的提取的研究工作，取得了显著的成效。一九九一1991年，Li等研究者提取复杂背景下的路面检测算法10，算法基于先假设路面图像的灰度直方图是双峰的，但这种假设并不总是成立的。一九九三1993年，Kasiko等人提出利用神经网络的方法对路面裂纹进行提取11，但实践证明该算法在图像分割方面有待于提高，否则对于微弱裂纹的提取效果不佳。二OO一2001年，Moropoulou等人提出利用红外热成像法对裂纹进行探测X需要引用，结果表明此方法对于裂纹的宽度定位欠缺。二OOO2000年，清华大学任大海等人提出将模糊理论运用于图像增强X需要引用，用一类广义模糊函数，将灰度图像进行模糊增强的变换，再加以阈值划分进行裂纹的有效提取和分割，这种思路对于对比度高的图像增强有一定的效果，但无法提取对比度相对低的裂纹图像。二OO五2005年，哈尔滨工业大学的张洪光、王祁等人提出了用于路面裂纹检测的人工生命算法X需要引用，该算法遵循人工生命理论由下而上构建人工系统的原则，构建了人工种群。二OO七2007年，辽宁工程技术大学的冯永安、刘万军等人提出一种改进的Sobel算子，一种8模板的算子X需要引用，它能够检测8个方向的边缘，能较好地检测纵向和横向的裂纹，但有时能够产生伪边缘。同年，南京理工大学的王刚提出的提出了基于Ridgelet（脊小波）变换域的模糊自适应图像增强算法X需要引用，利用在傅里叶变换域给出的Radon变换积分投影与原场分布在频域上的联系，实现离散Radon变换投影切片定理。并提出Radon变换重建原图像的基本条件；提出基于Curvelet变换域的路面图像去噪算法，适用于路面中网状裂纹的增强去噪。这些算法用于提取在复杂背景下高速路面的线性裂纹,克服了小波变换只能处理点奇异性的局限性。综合上述的研究成果，已经提出了上以千计的裂纹提取算法，对于不同自然环境下用不同设备拍摄的各类裂纹图像实在是差异甚大，因而没有一种算法可以普遍适用（这种写法太生硬了，同行会不高兴的，换个口气来写！）。特定提取算法只适用于特定的图像模型是当下研究的特点。目前国内外关于裂纹提取方法集中在阈值与区域的分割技术、基于数字形态学的技术等几类来进行研究。1.5 路面裂纹提取与识别算法研究所面临的困难路面裂纹的自动检测是个很困难的问题，根据目前的情况，主要有以下四个方面：（1）检测车的速度和摄像头距地面高度的不一致，致使裂纹图像质量不均。（2）大幅图像照度不均。实际测量中常采用的广角CCD数字摄像机的硬伤在于照度不均，控噪能力一般。成像的背景灰度不匀，噪点偏多，CCD数字摄像机的噪音主要源于CCD将光线作为接收信号接收并输出的过程中所产生的图像中的粗糙部分。在光线稍暗的位置以及有阴影的位置容易产生图像噪音。另外成像系统的电路由于自身夹带的干扰也会产生噪声，特点是高幅值、低频率。（3）图像背景光不一致。借助自然光照明，成像必受到很多不确定因素的干扰，举例说明：太阳光在春夏秋冬的辐射强度有强有弱，照射到地面的角度不同；就同一天而言，其光照效果早晚有别、雨晴有分；即便是在一个较短的时间内，由于云层的移动导致光照强弱及漫反射发生改变，使得同一路段的路面图像或明或暗，致使背景光不同。在高速公路行驶中的检测车，其拍照时的周边环境随时在变化，太阳光照射产生的各种景象阴影包括公路两旁建筑物、护栏或树木阴影，导致拍摄的图像中背景发生细微的变化。路面上的污渍、与铺装材质的不均匀性也会影响背景。（4）噪声干扰。这是最裂纹图像处理面临的最主要的问题。路面的沥青、石子、油花、周围物景产生的阴影与裂纹本身的灰度值较为接近，此时如设定阈值进行二值化处理，导致处理结果中存在大量噪声干扰，根据以往的经验，假设刚下过雨，雨水浸湿裂纹，在拍摄过程中，因为雨水对自然光的反射作用，在拍摄的图像中的裂纹部分呈高灰度值显示，而在此之前所设定的裂纹灰度值低于背景灰度值的假设将失效。因而通过灰度区域设定阈值的方法来甄别裂纹是行不通的。（5）裂纹检测算法的复杂度与适用范围。国外研究提出了很多的路面裂纹的检测算法，实际上没有一种方法能完成各种裂纹图像的裂纹检测，适用范围狭窄。由于算法要综合考虑图像的噪声和弱信号，使得算法相当复杂，难于在高速采集的情况下做到实时处理。1.6 本课题研究主要内容本课题主要工作在于裂纹图像的预处理和裂纹提取算法研究。在获得公路裂纹图像时，由于受公路环境等因素，获得的图像存在各种噪声，为了后期的裂纹提取，必须对图像进行预处理，进行增强、降噪处理。通过增强之后，获得了比较好的公路裂纹图像，通过算法研究，进行公路裂纹图像的裂纹分割，提取的公路的裂纹，保存裂纹图像，为后期的公路裂纹判别和公路的维护提供支持。第二章 图像预处理第二章 图像预处理公路路面裂纹的原始图像的灰度区域狭窄、裂纹周边模糊、图像噪声多。这些特点增大提取裂纹的难度，也影响对裂纹进行分析和评价的效果。为了准确获得路面裂纹，对公路路面裂纹图像使用预处理是必要的，预处理的主要任务是对原始图像提高对比度和降低噪声。本文针对裂纹图像的这些特点，研究相关的裂纹图像处理方法，包括裂纹图像降噪、裂纹图像增强、裂纹图像提取等部分。2 ？2.1 图像降噪图像噪声是指妨碍人们感官对所看到的图片信息理解的因素。从理论上认为图像噪声不可预测，图像噪声可视为多维随机过程。只能用概率统计方法来认识的随机误差。通常用相关函数、均值方差等反映噪声的特征。降噪的原理是利用图像的噪声和信号在频域的分布不同，即图像信号主要集中在低频部分而噪声信号主要分布在高频部分，采取不同的去噪方法。图像噪声有以下四类：加性噪声：加性噪声与图像信号强度不相关，这类带有噪声的图像g可看成理想无噪声图像f与噪声n之和，即g = f + n （用公式编辑器） （2-1）乘性噪声：乘性噪声与图像信号相关，随图像信号变化而变化，如电视扫描光栅、胶片颗粒等，其关系是：g = f + fn （用公式编辑器） （2-2）量化噪声：量化噪声是主要噪声，其大小显示出数字图像与原始图像的差异，减小量化噪声的最好办法是采用灰度级概率密度函数选择化级的最优化措施。“椒盐”噪声：又称双极脉冲噪声，此类噪声像切割引起的即黑图像上的白点，白图像上的黑点噪声，在变换域引引入的误差使图像反变换后造成的变换噪声等。从噪声概率分类，可分为高斯噪声、瑞利噪声、伽马噪声、指数噪声和均匀噪声对图像进行预处理是要改善原始图像的效果，提升需要的区域的清晰度，平衡图像的像素值均匀度。它包括图像的降噪和增强，两者可以在空域、频域上进行处理。空域中的噪声显示为原来均匀和连续变化的灰度突然变大或减小，反映在频域上是一种具有较高频率分量的信号。图像降噪的过程是根据一些已知的“降质模型”，从降质图像恢复原图像，即求在某种最优意义下的原图像估计。数字图像噪声处理方法一般可分为空域处理和频域处理。空域滤波是在原图像上直接进行数据运算，对像素的灰度值进行处理，空域处理方法主要是线性滤波和非线性滤波，空域噪声处理方法主要包括：领域平均法、中值滤波、维纳滤波等。频域滤波是将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像噪声的目的，即图像经过傅立叶变换（FFT），然后用设计好的低通滤波器滤除高频噪声。本文从空域和频域两方面分别对高斯滤波和小波滤波这两种典型降噪方法进行比较。2.1.1 高斯滤波公路裂纹图像具有很强的背景噪声，主要是边缘模糊，高斯滤波对于去除图像中的噪声的效果很好，其表达式为： （2-3）式中：i, j分别表示高斯模板的横坐标与纵坐标；表示方差，决定高斯模板的权值。高斯滤波器一种平滑线性滤波器，线性滤波器适合去除高斯噪声。非线性滤波适合用去除脉冲噪声。中值滤波属于非线性滤波。平滑滤波器就是用滤波掩模确定的邻域内像素的平均灰度值去替代图像的每个像素点的值，用硬件实现起来较为容易。高斯滤波器是带权重的平均值，即加权平均，中心的权重大于邻近像素的权重，这样可以克服边界效应。如采用33掩模，具体公式如下： (2-2)其中，f(x,y)为原图像中(x,y)像素点的灰度值，g(x,y)为经过高斯滤波和的值。以上公式变换为33的掩模如下： ？这是什么？从中可以看到，33掩模中心位置比其他位置的权值都大，因而这个像素在均值计算中显得更为重要。掩模周边的像素显得较为次要，高斯滤波可以减小平滑处理中的模糊。以下是处理前后的效果图3.2所示，图2.1 裂纹原图图2.2 高斯滤波效果图2.1.2 小波降躁方法小波降噪问题的数学意义是一个函数逼近问题，即如何在由小波母函数伸缩和平移版本所展成的函数空间中，根据提出的衡量准则，寻找对原信号的最佳逼近，以便区分原信号和噪声信号。因此，小波降噪就是寻找从实际信号空间到小波函数空间的最佳映射，以便得到原信号的最佳恢复。可以将小波变换去噪的过程概括为三步：（1）选择一个小波，并确定一个小波分解层次N,然后对信号进行N层小波分解；（2）对小波分解的高频系数进行阈值量化，从第1层到第N层的每一层高频系数选择一个阈值进行阈值量化处理；3.根据小波分解的第N层的低频系数和经过量化处理后的第1层到第N层的高频系数，进行信号的重构。小波变换的关键是用什么准则来去除属于噪声的小波系数，增强属于信号的部分。小波分析是当前国际流行的时频分析工具，在时域和频域上小波变换具有良好的局部化性质，不仅将图像的结构和纹理分别表现在不同分辨率层次上，并具有检测边缘的能力，因此，利用小波变换在去除噪声时，能提取和保存对视觉起主要作用的边缘信息。小波变换具有如下特点：（1）低熵性；小波系数的稀疏分布,使得图像变换后的熵降低；（2）多分辨率；由于采用了多分辨率的方法,可以很好地刻画信号的非平稳特征,如边缘、尖峰、断点等；（3）去相关性；因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于降噪；（4）选基灵活性；由于小波变换可以灵活选择变换基，从而对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。本文采用二维离散小波变换Mallat快速算法来实现小波变换和逆变换。利用1个高通滤波器和1个低通滤波器，在水平和垂直两个方向上分别进行两次一维滤波来实现。在分辨率2j下的低频分量为： (2-3)根据式（23），可得在分辨率2j+1下的代频分量和高频分量如下： (2-4)式中，算子H和G分别表示用hj(-x)和gj(-x)滤波并抽取偶数下标元素运算，用下标r和c分别表示对行和列操作。运算走街串巷如图示：图2.3 二维Mallat算法分析图中，表示每相邻2行（列）抽取1行（列）。具体地说，1幅NN的图像经过一层二维Mallat快速算法实现的小波分解后，将得到4个大小均为N/2N/2的子带图像，即1个逼近信号（对应着Dj，水平和垂直方向均为低频分量）和3个细节信号（对应着、水平和垂直方向至少有一个高频分量）。从上面的分析可以知道，图像信号的小波分解实质上就是把图像信号分解成不同频率范围内的图像分量，每一层小波分解都将待分解图像分解成4个子带图像：LL（水平与垂直方向都是低频成分）、LH（水平低频、垂直高频）、HL（水平高频、垂直低频）、HH（水平和垂直都是高频成分），如图2-4所示。经过一级小波分解后，原图像被分解成为4幅大小相同的图像且图像尺寸都为原图像的1/4对上一层分解出的LL子带图像,相同分解可以实现多分辨率小波分解。图2-4 二维离散小波变换示意图公路裂纹小波降噪效果图如下：图2-5 裂纹原图图2-6 小波降噪效果图多分辨率是小波变换的特性，比对传统方法能够较好地保留边缘信息。经小波变换后，使对应的图像中边缘处的系数幅值较大，相邻尺度层间有较强的相关性，有利于提取和保护特征。2.2 图像增强图像增强是指对图像的某些特征，如边缘、轮廓、对比度等进行强调或尖锐化，以便于显示、观察或进行进一步的分析与处理。应当明确的是图像增强处理并不能增强原始图像的信息，其结果只能增强对某种信息的辨识能力。而这种处理可能丢失一些其它信息。图像增强技术主要包括直方图修改，图像平滑处理，图像锐化和彩色处理技术等。在处理时可以采用单一的方法，也可几种方法结合使用，以达到预期效果。图像增强技术基本包括两大类：空间域处理，频域处理。空域处理法直接处理图像中的像素，基本上以灰度映射变化为基础。频域处理法的基础是卷积定理。它采用修改傅里叶变换系数的方法实现对图像的增强处理。这些处理方法得到的结果优劣主要是人为评判，而人的视觉感觉又是高度主观的。为了达成某种特定的效果而采用某种特定的处理方法，得到预期的图像，对图像质量的评价和标准是特定的，因而很难对各种处理定出一个普遍适用的标准。由此可知，图像增强没有统一的理论。图像增强中常用的运算点运算。它可以实现许多图像灰度变换，如图像求反，增强对比度，动态范围压缩，灰度切分，直方图处理等。对于一幅输入图像，经过点运算将产生一幅输出图像，后者的每个像素点的灰度值仅由相应的输入像素点的值决定。因此，点运算不可能改变图像内的空间关系。下面介绍线性和非线性点运算。2.2 ？2.2.1 线性点运算假设 DA为 输入灰度级，DB为输出灰度级，点运算的形式为： (2-5)显然，如果a = 1和b = 0，只需将原图像复制；如果a0或b0增加，C0减少。 (a)裂纹原图 (b)当C=-2时裂纹处理图图2-7第二类非线性单调点运算用降低较亮或较暗物体的对比度来加强灰度级处于中间范围的物体的对比度。这样一个灰度变换函数在中间部分的斜率大于1，而两端处斜率小于1。例如，基于正弦函数的变换为： (2-7)其中灰度级范围从0到Dm，在该范围中，直方图非零。参数越大上述效果越明显。 (a)裂纹原图 (b)当a=0.4时裂纹处理图图2-8 第三类非线性单调点运算压低在中间灰度级处的对比度而在较亮和较暗部分的对比度将加强。该灰度变换函数在中间处的斜率小于1，而在靠近两端处斜率大于1。基于正切函数的一个例子为： (2-8)同样，参数a决定运算的效果。在实际应用中应该注意，对实际图像各点灰度级的修正，不应使结果图像的灰度级超过灰度级的最大值。 (a)裂纹原图 (b)当a=0.9时裂纹处理图图2-9通过上面的内容可以知道，非线性单调点运算的增强效果比线性点运算的效果好，处理出来的结果比较满意。2.3 本章小结为了实现图像处理的目的，对处理做好预处理工作非常必要，图像预处理的优劣直接关系图像后期处理效果。图像预处理包括图像降噪、图像增强等处理技术。图像拍摄过程中受光线、环境、拍摄设备等因素的影响，图像中会包含各种噪声，为了提高图像质量，有必要降低图像的噪声，避免噪声对图像处理过程产生不良影响。图像处理中，为了增强图像中某些信息的辨别能力，需要对其进行加强，例如，公路裂纹提取过程中，必须对公路裂纹图像中的裂纹进行增强，使得裂纹能够更好的被识别。本章介绍了图像降噪、图像增强的相关知识，图像降噪中介绍了高斯降噪、小波降噪，图像增强中介绍了线性点运算、非线性点运算，通过实验检验了几种处理的效果。图像降噪效果还比较好，但图像增强效果还存在问题，本文将在后面提出增强算法。38第三章 图像分割第三章 图像分割对一幅图像，人们通常只对某部分感兴趣，这些区域称为前景，其余的区域称为背景。对于路面裂纹图像而言，无疑裂纹是前景，路面是背景。为了分析处理它，需要从整幅图像中将裂纹提取出来，然后再加以进一步处理。这里就将裂纹从背景中分离出来的过程称为分割。它是图像自动分析过程中重要的步骤，不仅可提取裂纹区域，而且降低了图像的复杂性及数据量，使后继工作高效、准确。因此研究图像分割算法是具有实际作用。 3.1 图像分割按照一定的选择标准，把图像分割为无相交的区域，每一区域具备唯一性与同质性。唯一性是指分割的区域内呈显的特征是唯一的，和其它区域存在显著差别。同质性是指同一区域内的像素具备相同的灰度、色彩、纹理特性。分割算法的目标是将图像分割为不同特性的区域，提取出感兴趣的部分。分割算法仍然与增强算法一样，没有普适的标准，本文对现在流行的一些经典分割算法及其简介归纳如下表3-1：表3-1分割方法的比较类别机理方法基于阈值的分割技术直接利用图像的灰度特性P-分位数法、双峰阈值分割方法、Ostu最大类间方差法、迭代阈值分割法、最大后验熵上限法、过渡区算法等等基于区域的分割直接在图像空间域中所划分的区域满足同性质为准则来提取若干特征相近或相同像素点组成区域区域生长法，分裂合并法，聚类方法和基于轮廓的分割方法基于现代理论的分割算法利用神经网络、分形理论、小波理论、混沌理论、遗传算法等新理论方法基于特征空间的分割算法3 ？3.1 ？3.2 基于阈值的分割技术最常用的分割访求是阈值法。阈值用以区分不同目标的灰度值。假设图像只有前景与背景两类，只需确定一个阈值称之为单阈值分割。单阈值分割方法将每个像素的灰度值与阈值比对，灰度值大于阈值的为一类，小于阈值的为另一类。如果图像有多个感兴趣的区域，就需要选取多个阈值以区分各个目标，这种方法称为多阈值分割。阈值又分为全局阈值、局部阈值和动态阈值。阈值的选取决定阈值法分割的结果，常用的全局阈值选取方法有最小误差法、最大类间方差法、最大熵自动阈值和图像直方图的峰谷法等。阈值分割的特点是运算效率高，速度快，适于灰度相差较大的不同目标和前景的图像。如图像的灰度差异不太显著时采用局部阈值或动态阈值分割法。阈值分割法不考虑空间特征，对噪声敏感，在实际应用时常与其它方法结合起来。3.2 ？3.2.1 迭代阈值分割法迭代阈值法先选择一个近似阈值作为估计值的初始值，然后不断改进这一估计值。阈值的改进策略是关键，初始阈值为图像的平均灰度T0，用T0将图像的象素点分作两部分，大于阈值T0的部分作为A部分，小于阈值的部分作为B部分。计算A、B两部分的平均灰度,大于T0的部分的灰度均值为TA，小于T0 的部分灰度阈值为TB ，计算公式为： (3-1) (3-2) (3-3)式中，是大于T0部分的灰度，式中是小于T0部分的灰度。将作为新的全局阈值代替，重复以上过程，如此迭代，直至收敛。即，也就是的均值不再变化。图3-1 迭代阈值分割效果图3.2.2 Ostu最大类间方差法由Ostu提出的最大类间方差法，在判断分析最小二乘法原理的基础上推导得出的，是广泛关注的一种阈值选取方法。在其基础上衍生出很多新算法，基本原理描述如下。设原始灰度级为L，灰度级为i的像素点数为ni，则图像的总像素为： (3-4)归一化直方图，则 (3-5)灰度级用阈值t划分为两类：C0=(0,1,2,.,t)和C1=(t+l,t+2,. L-l)。因此,C0和C1类的出现概率及均值层分别由下列各式给出： (3-6) (3-7) (3-8) (3-9)式中： (3-10) (3-11)不难得出，对任何t值，下式都能成立： (3-12)C0和C1类的方差可由下式得到： (3-13) (3-14)定义类内方差为： (3-15)类间方差为： (3-16)总体方差为： (3-17)引入下面关于t的等价判决准则： (3-18)这三个准则相互等效，使C0,q两类得到最佳分离的t值作为最佳阈值，因此将(t)、(t)、(t)定为最大判决准则，由于是基于二阶统计特性，而是基于一阶统计特性，和是阈值t的函数，而与t值无关，因此三个准则中(t)最简单，选用其作为准则可得最佳阈值T： (3-19)图3-2 Ostu分割效果图3.3 基于区域的分割把图像分割成具有某种意义的部分图像(如图像物区域和背景区域)的方法称为图像的区域分割(Region Segmentation)。区域分割是识别对象物不可缺少的处理过程，它把由各个象素具有的属性的集合，根据属性值的类似性，分割成几个部分。象素的属性（如灰度、颜色、结构等）就是象素具有的特征或性质。属性的大小叫做属性值。3.3 ？3.3.1 区域生长作为图像识别的一个阶段，是要从图像中抽出各个对象物。这是一个非常重要的问题。分割的方法有的种：一是把相当于对象物轮廓的边缘抽出，然后将边缘所围成的闭合部分作为一个区域取出；另一是根据图像的某种性质，取出性质平稳变化的区域，每个区域分别与对象物相对应。图3-3图像分割的区域和边缘。边界(边缘)检出着眼于发现灰度急剧变化的部分，此方法的缺点是因为检出的线经常中断或产生一些枝权，特别当图像复杂时，得不到边界闭合的线。区域生长着眼于区域特征的均一性，这种方法的优点是能够掌握图像的大局构造。所以两种方法是相辅相成的。区域域裂纹边界图3-3 图像分割度的区域与边缘（此图用绘图软件重画后，嵌入文中！）区域生长基本思想是把相似特征的像素联合起来组成一个区域，需选取一个基准点，把这个类似基准点的相近特征的像素合并