一種改進(jìn)的邊界掃描的路面裂縫檢測(cè)算法

邱立英

(福州大學(xué) 物理與信息工程學(xué)院,福建 福州　350000)

一種改進(jìn)的邊界掃描的路面裂縫檢測(cè)算法

邱立英

(福州大學(xué) 物理與信息工程學(xué)院,福建 福州350000)

針對(duì)路面圖像噪聲較多、目標(biāo)裂縫跟蹤難等問題，分析對(duì)比了幾種傳統(tǒng)的經(jīng)典邊界掃描方法，如Sobel、Canny等算法，并根據(jù)路面裂縫圖像的特點(diǎn)，提出了基于絕對(duì)梯度值的Sobel改進(jìn)方法，使得邊緣信息得到加強(qiáng)、減少了噪聲以及偽邊緣。經(jīng)過后續(xù)圖像的處理，能夠較好地跟蹤識(shí)別路面圖像的裂縫信息。

邊緣檢測(cè)；路面裂縫；改進(jìn)的Sobel；梯度算子

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，各種交通設(shè)施得到了前所未有的改善與提高。公路作為國民經(jīng)濟(jì)賴以發(fā)展的重要設(shè)施，在各國和地區(qū)的經(jīng)濟(jì)發(fā)展和建設(shè)方面起著關(guān)鍵性的作用。

路面裂縫是大多數(shù)公路病害的早期形式，如果沒有進(jìn)行及時(shí)有效地處理，在反復(fù)的人為因素以及自然因素下，病害則會(huì)加重[1]。路面裂縫檢測(cè)技術(shù)是路面病害檢測(cè)的重點(diǎn)和難點(diǎn)，世界各國都投入了大量的人力、物力和財(cái)力對(duì)路面裂縫技術(shù)進(jìn)行研究和攻關(guān)，力爭(zhēng)尋求一種高速、準(zhǔn)確、安全、方便的自動(dòng)檢測(cè)方法。在分割算法領(lǐng)域，Tsai等[2]提議采用傳統(tǒng)的大津閾值(OSTU)分割法來識(shí)別路面裂縫圖像中的裂縫信息；在形態(tài)學(xué)領(lǐng)域，Landstr?m等[3]利用了形態(tài)學(xué)的處理方法來自動(dòng)檢測(cè)路面裂縫，其中區(qū)域生長技術(shù)則是經(jīng)常在各種圖像處理中被應(yīng)用[4]；在其他領(lǐng)域，也有學(xué)者采用二維經(jīng)驗(yàn)?zāi)Ｊ椒纸膺M(jìn)行裂縫檢測(cè)[5]，其中基于多尺度的檢測(cè)方法在裂縫識(shí)別上效果明顯[6]。

針對(duì)路面裂縫圖像的特點(diǎn)歸納總結(jié)了傳統(tǒng)檢測(cè)方法的優(yōu)缺點(diǎn)，并依據(jù)圖像的特點(diǎn)，提出基于Sobel的改進(jìn)算法;將之應(yīng)用到路面裂縫圖像中，裂縫信息得到了很好地保留，也有效地去除了噪聲，減少了偽裂縫信息，本文采用形態(tài)學(xué)處理改善圖像質(zhì)量，更好地消除裂縫中的各種噪聲，并使斷裂裂口得到準(zhǔn)確地連接。

1　路面裂縫圖像增強(qiáng)處理

1.1路面裂縫圖像的特點(diǎn)

在采集到的原始路面圖像中，內(nèi)容信息可分為前景目標(biāo)和背景兩類對(duì)象，其中背景一般較粗糙同時(shí)帶有不規(guī)則的三維信息及顆粒等噪聲；前景即是要識(shí)別的目標(biāo)裂縫對(duì)象，它存在一定的邊緣信息，并與背景特征存在一定的差異。對(duì)路面圖像的特征可歸納如下[7-9]：

1)由于路面一般是由瀝青及混凝土鋪設(shè)而成，其表面本身是粗糙、不規(guī)則的三維體，所獲得圖像紋理也不均勻。

2)相對(duì)于路面背景，裂縫處的像素灰度值較低，可認(rèn)為是像素灰度局部最小值的集合。

3)路面圖像中，不同位置處裂縫像素灰度值也有所不同，同時(shí)裂縫與背景之間的邊界較弱。

4)代表裂縫的像素?cái)?shù)量占整幅路面圖像總像素?cái)?shù)的比重比較小，裂縫一般較細(xì)小且粗細(xì)度不均勻。

5)路面圖像背景復(fù)雜、不單一，路面背景的像素灰度值與表示裂縫目標(biāo)的像素灰度值存在一定的重疊。

6)路面圖像信噪比差，存在不同性質(zhì)的噪聲；裂縫像素空間連續(xù)性差，給裂縫的分割提取工作帶來困難。

7)從頻域上分析，路面圖像頻率幅值較復(fù)雜，具有高頻、中頻、低頻等多種信息，在裂縫邊緣處低頻居多，并且邊緣處的頻率具有一定階躍性。

基于路面圖像的上述特征，要想準(zhǔn)確分割提取目標(biāo)裂縫，需要根據(jù)實(shí)際情況，融合圖像增強(qiáng)、分割、表示與描述、目標(biāo)識(shí)別等多項(xiàng)圖像處理技術(shù)進(jìn)行。

1.2路面裂縫圖像增強(qiáng)

圖像增強(qiáng)的最終目的在于突出圖像變化劇烈的地方，增強(qiáng)目標(biāo)信息。雙邊濾波是基于高斯濾波基礎(chǔ)之上，對(duì)其中間的權(quán)系數(shù)進(jìn)行部分改進(jìn)之后，再與待濾波圖像作卷積運(yùn)算，加性零均值高斯噪聲圖像的模型如式(1)所示。

(1)

式中，g為噪聲圖像，f為無噪聲圖像，n為服從零均值高斯分布的噪聲。濾波之后新的像素值如式(2)所示。

(2)

式中Sxy表示中心點(diǎn)(x,y)的(2N+1)×

(2N+1)大小的領(lǐng)域。每一個(gè)像素點(diǎn)g(i,j)都是由兩部分的因子構(gòu)成的。

(3)

(4)

(5)

雙邊濾波受參數(shù)s和r、濾波器半寬N 3個(gè)參數(shù)控制，在圖像變化不劇烈的區(qū)域，相鄰像素之間的灰度值變化不大，此時(shí)雙邊濾波器也就相當(dāng)于高斯低通濾波器；而在圖像變化比較劇烈的區(qū)域，則采用距離邊緣點(diǎn)較近的點(diǎn)的亮度值來取代原值。因此雙邊濾波在平滑圖像和保留邊緣信息兩者之間獲得了平衡值。

2　結(jié)合改進(jìn)Sobel算法的路面圖像裂縫提取

2.1經(jīng)典Sobel算法

邊緣一般存在于圖像信號(hào)的突變處，是圖像灰度發(fā)生突變或不連續(xù)微小區(qū)域像素集合[10]。通過微分算子可以識(shí)別出圖像邊緣，對(duì)該點(diǎn)求取其灰度梯度，不管是一階導(dǎo)數(shù)還是二階導(dǎo)數(shù)，邊緣點(diǎn)都可以表現(xiàn)出和背景顯而易見的區(qū)別。

Sobelt算法考慮的是圖像的3×3鄰域，也是一種局部差分算子，以像素f(x,y)為中心的3×3鄰域里，根據(jù)兩個(gè)卷積模板，分別計(jì)算出X和Y方向的偏導(dǎo)數(shù)為：

(6)

Sobel算子梯度計(jì)算式為：

(7)

卷積計(jì)算得到的梯度值，其中的較大值作為新的灰度值。設(shè)定分割閾值T，大于T為目標(biāo)，小于T即背景信息。

2.2改進(jìn)的Sobel算法

基于經(jīng)典的Sobel算法有兩個(gè)檢測(cè)缺點(diǎn)：一是抗躁性能差，二是因?yàn)閮H僅使用兩個(gè)方向模板，對(duì)其他方向的邊緣檢測(cè)效果并不理想。據(jù)此可對(duì)Sobel做兩方面的改進(jìn)。

改進(jìn)1：增加6個(gè)方向的模板。

經(jīng)典的Sobel算法卷積核，只有水平和垂直兩個(gè)方向，導(dǎo)致在其他方向上的邊緣點(diǎn)不容易檢測(cè)出來，為此在這兩個(gè)方向基礎(chǔ)上再增加6個(gè)方向的模板，如圖1所示。

改進(jìn)2：把各方向卷積之后的梯度值取最大值和最小值，最大值與最小值之差作為新的梯度值。

如此改進(jìn)的原因在于：對(duì)于邊緣點(diǎn)而言，各個(gè)方向梯度相差很大；而噪聲點(diǎn)則是各個(gè)方向梯度差不多。因此用最大值減去最小值，則噪聲灰度值就接近于0，達(dá)到去噪目的；而對(duì)于邊緣點(diǎn)來說，最大值減去最小值，結(jié)果還是較大的，并不會(huì)導(dǎo)致被漏檢。也因?yàn)檫@個(gè)改進(jìn)，本文稱之為基于差值梯度的Sobel改進(jìn)算法。

為了證實(shí)改進(jìn)過后的Sobel在抗噪性能以及邊緣檢測(cè)效果上較經(jīng)典的Sobel檢測(cè)算法有很大的改善，本文通過選取一幅加了椒鹽噪聲和高斯噪聲的圖像來驗(yàn)證。實(shí)驗(yàn)結(jié)果如圖2所示。

由圖2可以明顯看出，基于差值梯度的Sobel改進(jìn)算法較經(jīng)典Sobel算法抗躁性能得到了很大的提高，尤其是對(duì)高斯噪聲的消除更為徹底，在保持邊緣信息不消弱的同時(shí)最大程度地去除了噪聲。

為了說明這種改進(jìn)對(duì)于路面裂縫圖像也具有同樣良好的效果，現(xiàn)選取路面裂縫圖像來做實(shí)驗(yàn)，從其邊緣檢測(cè)的完整度、偽邊緣的減少等方面來分析檢測(cè)效果，結(jié)果如圖3所示。

從圖3可以看出用本文算法對(duì)路面裂縫圖像進(jìn)行裂縫提取時(shí)，檢測(cè)到了更多的邊緣信息，表現(xiàn)在邊緣信息得到了增強(qiáng)，偽邊緣信息得到了減少。

總之，本文算法較經(jīng)典算法表現(xiàn)為4個(gè)方面的優(yōu)勢(shì)：1)提高了圖像的抗噪性能；2)增強(qiáng)了裂縫邊緣信息；3)減少了假邊緣信息；4)保留了更多的裂縫邊緣信息，完整度更高。

圖1　改進(jìn)sobel的各方向模板Fig.1　Directions of the template on the improved sobel

圖2　本文算法對(duì)噪聲圖像提取邊緣處理結(jié)果Fig.2　The results of the noise image with edge extraction in this particle

圖3　本文算法對(duì)路面裂縫圖像提取邊緣處理結(jié)果Fig.3　The results of the pavement image with edge extraction in this particle

3　路面裂縫圖像后期處理

3.1去除毛刺及偽裂縫

為得到目標(biāo)裂縫的端點(diǎn)和長度信息，一般都要先對(duì)目標(biāo)圖像進(jìn)行細(xì)化得到圖像的骨架[11-12]?？紤]到在骨架的端點(diǎn)處也可能會(huì)存在分支，采用長度閾值濾除的方法可能會(huì)丟失部分主干骨架信息，因此，在去除毛刺的同時(shí)應(yīng)盡可地能保持骨架主體信息不丟失。

經(jīng)過算法檢測(cè)后的圖像，存在許多短線毛刺噪聲，目標(biāo)裂縫也有斷線。一般而言，短線是指其長度小于處理時(shí)的跟蹤步長Tk，斷線是指其跟蹤長度不小于跟蹤步長，但兩線中間存在斷裂間隙[13]。處理后圖像的短線噪聲大致有3種類型：①閉合的環(huán)形短線；②非閉合的曲線短線；③孤立噪聲。為了能更好地消除這3類噪聲，一般先采用形態(tài)學(xué)方法進(jìn)行操作。膨脹操作可以連接圖像中裂縫的各種較小的斷裂口；腐蝕可以消除圖像中的細(xì)小毛刺；先膨脹后腐蝕的操作不但可以使目標(biāo)裂縫趨于光滑，而且還可以消除相應(yīng)的孔洞環(huán)線噪聲。

本文對(duì)毛刺去除算法進(jìn)行了部分改進(jìn)，具體步驟如下：

步驟1：當(dāng)f(x,y)=255時(shí), 該像素屬于細(xì)胞骨架點(diǎn),否則為背景點(diǎn)；當(dāng)掃描到i像素時(shí)，若滿足f(xi,yi)=255，則在像素點(diǎn)i的8鄰域模板內(nèi)統(tǒng)計(jì)f(xi+m,yi+n)=255的像素點(diǎn)的個(gè)數(shù)并計(jì)入Si，其中m,n={-1 0 1}；重復(fù)此操作，直到所有像素點(diǎn)操作結(jié)束；

步驟2：對(duì)于二值圖像中的像素點(diǎn)，如果Si>3，則記該像素點(diǎn)為線條分支點(diǎn)Pi；如果Si=1，則記該像素點(diǎn)為頂點(diǎn)Di；

步驟3：在原圖像f(x,y)中去除記錄的線條分支點(diǎn)Pi，從而產(chǎn)生多個(gè)不連通區(qū)域，然后進(jìn)行連通區(qū)域標(biāo)記，得到標(biāo)記圖fp(x,y)；

步驟4：在標(biāo)記圖fp(x,y)中，從所有頂點(diǎn)Di像素開始計(jì)算Di所在的各個(gè)連通區(qū)域的長度信息，記作Ni；

步驟5：設(shè)長度閾值T，取最小長度min(Ni)，如果min(Ni)

步驟6：恢復(fù)暫時(shí)標(biāo)記的分支點(diǎn)Bxy(重新賦值為255)，得到毛刺去除的最終結(jié)果。

經(jīng)過毛刺消除的裂縫存在斷口，需要進(jìn)行斷口連接。經(jīng)短線毛刺噪聲去除后的裂縫存在一些斷裂口，斷口連接常用的傳統(tǒng)方法是先找到斷口端點(diǎn)像素，然后在端點(diǎn)像素周圍搜尋是否有其它可連接的候選端點(diǎn)像素。若有，則根據(jù)該端點(diǎn)和候選端點(diǎn)之間的像素距離及其各種所在線段方向的角度差，來判斷端點(diǎn)和候選端點(diǎn)是否能夠連接。總體來說，斷口連接的條件有兩個(gè)：1)端點(diǎn)與端點(diǎn)之間的距離；2)端點(diǎn)所在線段方向的角度差。

3.2裂縫圖像處理實(shí)驗(yàn)結(jié)果

采用本文方法進(jìn)行邊緣檢測(cè)、形態(tài)學(xué)處理、細(xì)化骨架提取，進(jìn)而進(jìn)行毛刺去除和斷口連接，并將最終檢測(cè)的裂縫到原圖進(jìn)行定位，以驗(yàn)證本文算法的準(zhǔn)確性。實(shí)驗(yàn)對(duì)每幅圖像單獨(dú)進(jìn)行處理，各步結(jié)果如圖4所示。

如圖4可以看出，經(jīng)過本文改進(jìn)算法提取的裂縫經(jīng)數(shù)學(xué)形態(tài)學(xué)處理及細(xì)化骨架提取后圖像質(zhì)量得到很大的改善，最終能檢測(cè)出較完整、準(zhǔn)確的裂縫。

圖4　本文算法對(duì)路面裂縫圖像提取邊緣處理結(jié)果Fig.4　The results of the pavement image with edge extraction in this particle

圖5　不同類型路面裂縫圖像實(shí)驗(yàn)結(jié)果Fig.5　The results of different pavement images with edge extraction

本文還采用傳統(tǒng)經(jīng)典算法對(duì)其它不同性質(zhì)、不同成像條件的路面影像圖進(jìn)行裂縫提取實(shí)驗(yàn)，結(jié)果如圖5所示。 從圖5容易看出，傳統(tǒng)經(jīng)典的分割方法效果并不理想，而本文改進(jìn)的Sobel算法卻可以得到相對(duì)較完整的結(jié)果。把裂縫信息與原圖進(jìn)行匹配對(duì)比，裂縫提取結(jié)果在原圖中的定位顯示了檢測(cè)結(jié)果的準(zhǔn)確性與完整性。實(shí)驗(yàn)結(jié)果很好地證明了本文算法較經(jīng)典算法的優(yōu)越性。

4　結(jié)論

本文以準(zhǔn)確檢測(cè)路面圖像中的裂縫為研究目的，選取適用于路面裂縫圖像的增強(qiáng)算法，利用數(shù)字圖像處理的相關(guān)方法，對(duì)路面裂縫進(jìn)行提取與識(shí)別。傳統(tǒng)的邊緣提取方法對(duì)路面噪聲敏感和算法本身的限制性而不適合路面裂縫的分割提取，而本文的基于Sobel的改進(jìn)方法在裂縫提取上不僅具有較好的抗噪性能，而且還能提高裂縫提取的準(zhǔn)確度。

在研究路面圖像增強(qiáng)過程中提出的新算法充分利用了裂縫的灰度特點(diǎn)，綜合應(yīng)用了Sobel在圖像邊緣提升和細(xì)節(jié)紋理加強(qiáng)方面的優(yōu)勢(shì)。利用改進(jìn)的邊緣提取算法，并經(jīng)過后期的局部處理，在路面裂縫圖像中驗(yàn)證算法，得到了理想的實(shí)驗(yàn)結(jié)果，證明了算法的優(yōu)越性。

[1] Ni Z P，Tang P H，Xi Y Y. A New Method to Pavement Cracking Detection Based on the Biological Inspired Model[C]∥Proceedings of 2012 International Conference on Computer Science and Information Processing．Xi'an：IEEE，2012，4(3)：755-758.

[2] Tsai Y C，Kaul V，Mersereau R M．Critical Assessment of Pavement Distress Segmentation Methods[J].Journal of Transportation Engineering，2009，136(1)：11-19.

[3] Arders, Matthew J，Thurley．Morphology-based Crack Detection for Steel Slabs[J].IEEE Journal of Selected Topics In Signal Processing，2012，34(6)：866-875.

[4] Li Q Q，Zou Q，Zhang D Q，et al．FoSA：F*Seed-growing Approach for Crack-line Detection from Pavement Images[J].Image and Vision Computing，2011，29(12)：861-872.

[5] Chambon S，Subirats P，Dumoulin J．Introduction of a Wavelet Transform based on 2D Matched Filter in a Markov Random Field for Fine Structure Extraction：Application on Road Crack Detection [C]∥Is&T/SPIE Electroric Imaging International Society for Optics and Photonics,2009(2):1-12.

[6] Albert A P，Nii A O．Evaluating Pavement Cracks with Bidimensional Empirical Mode Decomposition[J].Journal on Aduances in signal Processing，2008(1)：1-7.

[7] Tsai Y C J，Vivek k,Arthony Y．Automating the Crack Map Detection Process for Machine Operated Crack Sealer[J].Automation in Construction，2013，31(6)：10-18.

[8] Nejad F M, Zaker H. A Comparison of Multi-resolution Methods for Detection and Isolation of Pavement Distress[J].Expert Systems with Applications，2011，38(8)：2 857-2 872.

[9] 徐志剛，趙祥模，宋煥生，等.基于直方圖估計(jì)和形狀分析的瀝青路面裂縫識(shí)別算法[J].儀器儀表學(xué)報(bào)，2010，31(10)：2 260-2 266.

[10] 鄧少平，張繼賢，李平湘.極化SAR影像邊緣檢測(cè)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(22)：1-5.

[11] 湯進(jìn)，江波，羅斌，等.基于直方圖的形狀描述及骨架圖匹配算法[J].華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，38(7)：27-32.

[12] 楊松，邵龍?zhí)?，郭曉霞，?基于骨架和分形的混凝土裂縫圖像識(shí)別算法[J].儀器儀表學(xué)報(bào)，2012，33(8)：1 850-

1 854.

[13] 彭剛，王明江，閆至峰.一種處理指紋識(shí)別中短線和斷線的新算法[J].計(jì)算機(jī)與數(shù)字工程，2008，36(11)：140-142.

(責(zé)任編輯：李華云)

An Algorithm of Pavement Crack Detection Based on Edge Detection

QIU Liying

(Institute of Physics and Information Engineering, Fuzhou University, Fujian Fuzhou350000, China)

The road is easy to be influenced by traffic load and natural factors.Pavement is easy to produce all kinds of breakage. Crack is a common form of most pavement diseases. In view of the difficulties such as pavement image noise and target tracking cracks, analyzing and comparing the several classical boundary scan methods, such as Sobel, Canny and other algorithms, according to the characteristics of pavement crack image, an improved Sobel method based on absolute gradient value was proposed. The edge information was enhanced, the noise and the false edges were reduced. After the follow-up image processing, the crack information was tracked and identified to the pavement image.

edge detection; pavement crack; the improved Sobel; gradient operator

10.16018/j.cnki.cn32-1650/n.201503009

2015-02-24

國家自然科學(xué)基金資助項(xiàng)目(61170147)

邱立英(1992-)，女，福建福州人，碩士生，主要研究方向?yàn)閳D像處理。

TP391.4

A

1671-5322(2015)03-0037-07