路面裂縫識別中邊緣檢測間斷性的改進

齊懷超，肖 飛，鮑雄偉

（長安大學 信息工程學院，陜西 西安 710064）

路面裂縫是公路路面的主要病害之一，是影響公路使用性能的重要因素[1]。傳統(tǒng)的基于人工視覺檢測路面裂縫的方法有成本高、精確度低、危險性高等諸多不足，已經(jīng)不能適應公路迅速發(fā)展的需要[2]。近年來，基于數(shù)字圖像分析的路面破損檢測系統(tǒng)在公路養(yǎng)護事業(yè)中獲得了廣泛的應用，結合數(shù)字圖像處理、模式識別等技術的路面裂縫分類已成為研究熱點。

邊緣檢測在圖像處理與計算機視覺中占有特殊的位置，它是進行模式識別和圖像信息提取的基本手段。本文進行了路面裂縫的邊緣檢測研究，首先根據(jù)幾種邊緣檢測算子處理得出的圖像進行對比，然后對于傳統(tǒng)的邊緣檢測方法得到的圖像具有不連續(xù)和斷裂的缺點，加入了膨化算法，進行了改進。本文很好的改進了傳統(tǒng)邊緣檢測得到圖像的斷續(xù)性和不連續(xù)性的缺點。

1 邊緣檢測算子

常用的邊緣檢測算子有Roberts算子，Sobel算子，Prewitt算子，Log算子，和Canny算子[3-4]。以下分別進行簡單介紹。

1.1 Roberts算子

Roberts算子是一種利用局部差分算子尋找邊緣的算子，兩個卷積核為

采用1范數(shù)衡量梯度的幅度：|G(x,y)|=|Gx|+|Gy|[5]。Robert算子對具有陡峭的低噪聲的圖像效果最好。

1.2 Soble算子

Soble算子對灰度漸變和噪聲較多的圖像處理的較好。兩個卷積計算核分別為

采用范數(shù)衡量梯度的幅度|G(x,y)|≈max(Gx,Gy)[5]。

1.3 Prewitt算子

Prewitt算子同樣對灰度漸變和噪聲較多的圖像處理的較好。兩個卷積計算核分別為

采用范數(shù)衡量梯度的幅度|G(x,y)|≈max(Gx,Gy)。

1.4 Log算子

基本思想是先用高斯函數(shù)對圖像進行圖像濾波，然后對濾波后的圖像進行拉普拉斯運算，算得的值等于零的點認為是邊界點。Log算子能有效地檢測邊界，但存在兩個問題：一是會產(chǎn)生虛假邊界，二是定位精度不高。

1.5 Canny算子

它與Log算子邊緣檢測方法類似，也屬于是先平滑后求導數(shù)的方法。Canny方法使用兩個閥值來分別檢測強邊緣和弱邊緣，而且僅當弱邊緣與強邊緣相連時，弱邊緣才會包含在輸出中。因此不容易受噪聲影響。

1.6 結 果

上面5個算子的檢測結果如圖1所示。

圖1 原始圖像和各個邊緣檢測算子的效果Fig. 1 The effect of the original image and edge detection operator

2 比 較

1）Robert算子：利用局部差分算子尋找邊緣，邊緣定位精度高，但容易丟失部分邊緣，且不具備抑制噪聲的能力[6]。

2）Soble算子和Prewitt算子：都是對圖像先做加權平滑處理，然后微分運算，兩種算子平滑的權值不同。對噪聲有一定的抑制能力，邊緣定位效果很好，但檢測出的邊緣易出現(xiàn)多像素寬度。

3）Log算子：對噪聲的抑制能力不如sobel算子和prewitt算子，抑制噪聲的同時，可能將原有的比較尖銳的邊緣也平滑掉了。

4）Canny算子：在本次邊緣檢測實驗中，效果不好，在將部分高頻邊緣平滑掉的同時，產(chǎn)生了一些噪聲和虛假邊緣。

3 改 進

針對以上檢測算子得到的圖像的不連續(xù)性和間斷性對裂縫識別后續(xù)的特征提取帶來的困難。本文選取檢測效果較好的soble算子進行改進。利用基于形態(tài)學的膨脹算法對像素邊界添加像素[7]，示意圖如圖2。

圖4 膨脹處理后邊緣檢測Fig. 3 Edge detection after expansion

圖2 膨脹示意圖和菱形結構示意圖Fig. 2 The expansion diagram and diamond structure diagram

本文針對道路裂縫是橫向裂縫的特點，將B圖像所代表的的方形結構元素改為“菱形”結構元素（如圖2所示），然后再進行邊緣檢測（如圖3和圖4），最后對圖像進行細化處理，從而等到具有連續(xù)性的清晰的裂縫邊緣（如圖5）。

4 結 論

圖5 邊緣檢測后細化處理Fig. 5 Thinning after edge detection

通過對比實驗結果圖1中邊緣檢測算子處理得到的結果，選取比較適合處理本類圖像的Soble算子進行算法改進。通過對比圖5和圖1的結果表明，本次對Soble算子邊緣檢測方法的改進，有效改善了邊緣檢測圖像的間斷性，增強了傳統(tǒng)邊緣檢測方法得到了的圖像邊緣的連續(xù)性，得到了連續(xù)清晰的裂縫圖像邊緣，為道路裂縫識別系統(tǒng)后續(xù)的裂縫特征提取和裂縫分類打下了良好的基礎。同時，本改進算法有待改進的地方是，只適用于裂縫種類單一的橫向和縱向裂縫，對于龜裂裂縫的實現(xiàn)效果還有待進一步研究。

[1]榮婧，潘玉利. 基于圖像的水泥刻槽路面裂縫識別方法[J].公路交通科技,2012,29(3):45.

RONG Jing, PANG Yu-li. Pavement Crack Identification Method Based on the Image of Cement Groove[J]. Journal of Highway and Transportation Research,2012,2,29(3):45.

[2]陸化普. 智能運輸系統(tǒng)[M]. 北京:人民交通出版社,2002:3-4

[3]張錚. 數(shù)字圖像處理與機器視覺:Visual C++與Matlab實現(xiàn) [M].北京:人民郵電出版社,2010:8-9.

[4]張德豐. 數(shù)字圖像處理(MATLAB版)[M]. 北京:人民郵電出版社,2009.

[5]周心明,蘭賽,徐燕. 圖像處理中幾種邊緣檢測算法的比較 [J].現(xiàn)代電力,2000,29(3):65.

ZHOU Xin-ming,LAN Sai,XU Yan. Comparison of several image processing edge detection algorithm[J].Modern Power,2000,29(3):65

[6]張娟. 基于數(shù)字圖像處理的路面裂縫自動識別與評價系統(tǒng)[J].長安大學學報:自然科學版 ,2004:24(2):18.

ZHANG Juan. Automatic pavement crack recognition and evaluation system based on digital image processing[J].Chang'an University:Natural Science Edition,2004:24(2):18.

[7]李曉飛.圖像腐蝕和膨化的算法研究[J]. 影響技術,2005(1):37.

LI Xiao-fei. Algorithm of image erosion and dilation[J]. Impact of Technology, 2005(1):37.

[8]何東健, 耿楠, 張義寬. 數(shù)字圖像處理[M].西安:西安電子科技大學出版社, 2003.