基于图像处理的路面裂缝检测方法研究

基于图像处理的路面裂缝检测方法研究

近几十年来，世界各国的高速公路快速发展，建设后的维护和维护已成为一个问题。为了制定适当的维护策略，有必要定期审查道路的结构，并制定适当的维护策略。重要的指标是路面裂缝。若能在裂缝的出现初期就发现,并时时跟踪它的发展情况,那么它的维护费用将大大降低。如何在不影响正常交通情况下,快速对整段路面作全面调查并定位到问题区,成为亟待解决的一大难题。传统的基于人工视觉检测裂缝的方法愈来愈不能适应高速公路发展的要求,其耗人力、耗时、不精确、危险、花费高,还影响正常交通。计算机高性能处理器、大容量存储器及图像处理技术的快速发展,使得路面裂缝的自动检测与识别技术成为可能。在过去的几年里,其愈来愈受到研究者的注意。一幅由CCD摄像机拍摄的含有裂缝的灰度图像可包含3个变化部分:(1)非均匀光照和成像系统所形成缓慢变化部分,即图像由中间亮至周围暗的变化,是一个频率低幅值高的信号;(2)裂缝或一些不规则物体比如汽车所漏的油等,是一种高幅值负信号,在其边缘有着很高的频率;(3)随机噪音。由不同物质颗粒材料以及相互颗粒间隔,即组成路面的石子沥青等所形成的随机纹理信号,也是一种高频但幅值相对较低的信号。设I(p),p={x,y}表示一含有裂缝的路面图像,那么可由下述3个部分表示:其中Ib(P)是背景灰度变化信号,In(P)是噪音信号,Ic(P)是路面的裂缝信号。为分割出裂缝信号,我们需要对图像阈值化,而Ib(P)及In(P)的存在,使得Ic(P)淹没于其中很难直接从中提取出Ic(P)信号。对一般裂缝而言,有如下认识:性质1:裂缝相对于路面背景来说呈现黑色特性。裂缝相对于路面背景要黑得多,因此裂缝上的像素值一般来说是局部最小值。性质2:裂缝是一系列呈现鞍状的点集合。裂缝的凹槽状使得从其截面来看像马鞍状。性质3:裂缝一般来说是具有一定的线性特征,并具有一定的方向。本文使用基于图像处理的裂缝的自动检测方法,先对降质图像进行增强再进行阈值分割,提取出线性目标,最后作裂缝目标判别。1阈值分割构造由于Ib(P)存在会使图像降质,形成中间亮四周暗的效果,大大增加了处理的难度。(图1)为原图,其中间亮而四周暗,在阈值分割时(图2),中间会出现大的白斑,裂缝的信息仅能出现部分。文献提出一种快速的校正方法,能够消除掉Ib(P)的影响,在使用其对(图1)校正后(图3),整个图像得到增强,灰度变得均匀,其阈值分割(图4)变得容易,整个裂缝都出现了。2裂缝目标的聚合式严格控制路面的多纹理性、多目标性、裂缝的弱信号性、图像光强的多变性以及裂缝上灰度的多变性,使得通常的阈值选取方法很难得到最佳阈值。对大量路面数据的处理分析统计结果表明,裂缝的大小或面积只占整个图像的某一很小百分比,根据裂缝的性质1,裂缝上的像素值应该是局部的最小值,因此我们使用如下的阈值选取方法,再对图像作裂缝目标分割:设I(p),p={x,y}表示路面灰度图像,width为height图像的宽和高:(1)统计图像的直方图H(i),i<255;(2)对阈值集合ϕ={t1,...,ti,...tn},ti=ti-1+1,n<255,从t1开始对直方图作累加计算SUMi=SUMi-1+H(ti)其中SUM0=0;(3)当SUM>θ*width*height时终止,否则转(2);(4)用最后的得到的ti值对图像做二值化。而θ值一般根据实验而定,我们取0.04;结果如图4。3小噪音块的特征描述路面图像的随机纹理噪音,在二值化后仍以随机噪音点的形式跟裂缝同存于图像当中(图4)。在抽取线性特征识别线状目标之前先对其作点插值操作,填充补全目标之上及之间可能存在的漏洞或缺块,再将孤立的小噪音块去除,见图5。由裂缝的性质3,其轮廓具有线性特性,本文抽取以下线性特征:(1)长、宽及长宽比特征:L,W,(2)矩形度特征。1)矩形拟合因子其中,AO是物体的面积,而AN是其最小外接矩形MER的面积。2)MER(最小外接矩形)长宽比特征。同(2)式,只不过这里计算的是目标的最小外接矩形长宽。对线状目标而言,其本身A值较小;对一个水平或垂直的线状目标其矩形拟合因子R显然要大,但其MER的A较小;对一个不是特别弯曲的线状斜方向目标,其MER的A较大,但其R显然要小。由以上特征,再对大小加以限制,可识别出较大的线状和非线状目标。4裂缝及其上的区域差异经过以上各步,得到最后包含裂缝及非裂缝的较大线状目标(图6)。而仅靠在二值图像上处理仍不能完全去掉非裂缝线状目标。由裂缝的性质1、2可知裂缝是像素灰度值局部最小值的点的集合,那么紧抱裂缝的外围轮廓区域灰度值与裂缝本身上的灰度值有着较为显著的差异,而非裂缝区域将会差异较小。设SETC是一条裂缝上的点集合,LC为裂缝的外围轮廓,则距LC为R的SETC的外围轮廓区域为:由此可得裂缝的判别准则:MEAN(SETC)、MEAN(SETO)分别为SETC与SETO的灰度均值,t为阈值。裂缝与其外围领域如图7所示,最后检测识别结果见图8。5裂缝的检测结果以上介绍了通过图像处理的路面裂缝的自动检测与识别方法,其在大量的实验中证明快速而且有效。我们在沪宁高速公路马群至汤山段所拍的实验数据中,先人工分检出有裂缝的图像87幅,无裂缝的图像两组,一组1367幅,一组685幅,其检测结果见表1。(1)组检测出数与未检测出数指的是有裂缝的图像所检测出裂缝和未检测出