基于海森矩陣增強(qiáng)與局部裂縫拼接相結(jié)合的橋梁裂縫提取算法

摘 要：針對(duì)復(fù)雜背景橋梁裂縫圖像難以提取真實(shí)裂縫細(xì)節(jié)的技術(shù)問題，提出基于海森矩陣旋轉(zhuǎn)矢量不變性的濾波去噪和局部區(qū)域裂縫走勢生長方向連接的聯(lián)合提取裂縫算法。利用海森矩陣增強(qiáng)圖像突顯裂縫區(qū)域，利用自適應(yīng)閾值分割算法對(duì)圖像進(jìn)行二值分割;采用基于旋轉(zhuǎn)矢量不變性的濾波算法濾掉團(tuán)狀噪聲，根據(jù)裂縫的走勢對(duì)生長方向一致的局部區(qū)域裂縫進(jìn)行連接，排除條狀非裂縫的影響和部分噪聲的干擾;解決了圖像處理中存在大量污漬殘留和裂縫不連續(xù)現(xiàn)象。實(shí)驗(yàn)結(jié)果表明，本算法對(duì)復(fù)雜背景橋梁圖像提取裂縫的準(zhǔn)確度高于其它算法。

關(guān)鍵詞：海森矩陣;裂縫檢測;矢量不變性;閾值分割

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)識(shí)碼： A

裂縫是橋梁病害之一，大部分是由施工誤差、混凝土收縮、溫度變化、局部錨固、應(yīng)力過大等因素誘發(fā)[1]。若長期得不到修繕，則會(huì)存在嚴(yán)重的安全隱患。圖像處理技術(shù)是橋梁病害進(jìn)行檢測的常用方法，但由于圖像背景較為復(fù)雜，使得裂縫特征的提取成為了一個(gè)難點(diǎn)。針對(duì)這一問題，不少學(xué)者展開了研究。

安世全等[2]提出一種多因子判定與滲流模型相結(jié)合的裂縫檢測算法。利用改進(jìn)的滲流加速算法，減少參與滲流處理的冗余像素點(diǎn)，通過對(duì)提取到的裂縫種子點(diǎn)進(jìn)行滲流，雖提高了裂縫連接的準(zhǔn)確性，但丟失了裂縫的部分細(xì)節(jié)。周亞群等[3]在中值濾波去噪的基礎(chǔ)上，采用最大熵值法進(jìn)行圖像分割。由于最大熵值法缺乏對(duì)復(fù)雜背景、光照不均等干擾的適應(yīng)性，導(dǎo)致分割效果不理想。DINH等[4]提出基于海森矩陣去噪的閾值分割方法。通過搜尋灰度直方圖中與最高峰相鄰的谷值作為閾值實(shí)現(xiàn)分割，然而復(fù)雜圖像的灰度直方圖相鄰波峰波谷波動(dòng)尺度較大，難以有效確定谷值，易導(dǎo)致分割出的裂縫細(xì)節(jié)缺失。XIAO[5]、TIAN[6]、LI[7]等利用經(jīng)驗(yàn)canny算子結(jié)合多種去噪增強(qiáng)算法完成裂縫的分割和提取。對(duì)圖像中存在的陰影有很好的去除效果，但當(dāng)裂縫較寬時(shí)，裂縫中間部分像素信息丟失嚴(yán)重。YANG等[8]提出了一種基于紋理分析和引力模型特征的裂紋檢測算法。通過提取裂紋子塊的形狀和紋理特征，建立多個(gè)正則化項(xiàng)，設(shè)計(jì)反映裂縫線性特征的方向因子和方向?qū)?shù)判別準(zhǔn)則，使裂縫局部信息得到完整的保留。裘國永[9]、YUSOF[10]等通過建立裂縫圖像數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，將生成的模型用于裂縫分類，最后再結(jié)合分割算法完成裂縫的提取。然而處理的圖像背景較為簡單，不具有廣泛的適用性。譚小剛等[11]通過求取區(qū)域內(nèi)每一個(gè)像素點(diǎn)的分形維數(shù)以此來完成裂縫圖像分割。但當(dāng)背景較為復(fù)雜時(shí)，各區(qū)域之間得到的維數(shù)差別不大，不利于背景和裂縫的區(qū)分。郭立媛等[12]將改進(jìn)的K-means聚類算法與其他算法相結(jié)合，完成了裂縫的提取。然而，算法在標(biāo)記裂縫和背景像素塊的時(shí)候只運(yùn)用了固定窗口中像素的均值和方差，條件過于單一，準(zhǔn)確率較低。李鵬等[13]基于小波變換和直方圖方向梯度對(duì)裂縫參數(shù)的提取開展了研究。通過計(jì)算圖像的方向梯度，并設(shè)置閾值提取裂縫的輪廓，但該方法對(duì)噪聲比較敏感，容易對(duì)滲水區(qū)域邊緣進(jìn)行誤判。GIRI等[14]利用激光位移傳感器發(fā)出的激光在穿過裂縫區(qū)域時(shí)位移讀數(shù)的急劇變化來確定裂縫。該方法可以有效地檢測出細(xì)小的裂縫，但激光掃描路徑的選取不同，會(huì)影響位移讀數(shù)的穩(wěn)定性。

針對(duì)復(fù)雜背景下裂縫難提取的問題，本文提出基于海森矩陣聯(lián)合旋轉(zhuǎn)矢量不變性的局部裂縫生長方向連接算法。利用同一條裂縫在局部生長方向上的一致性以及裂縫細(xì)長的結(jié)構(gòu)特征，在充分考慮裂縫形態(tài)特征和空間分布的基礎(chǔ)上，利用多重濾波技術(shù)完成裂縫的提取工作。

與傳統(tǒng)的Otsu相比，該算法能夠保留更多灰度變化較小的裂縫，使得更多的裂縫細(xì)節(jié)能夠保留。利用改進(jìn)的Otsu算法雖然能夠?qū)崿F(xiàn)裂縫區(qū)域的粗提取，但保留下來的裂縫不連續(xù)，污漬、附著物等干擾導(dǎo)致裂縫細(xì)節(jié)丟失，同時(shí)帶入了很多團(tuán)狀的噪聲。因此，為了解決以上問題，本文提出了基于生長方向的裂縫拼接算法。

2 基于生長方向的裂縫拼接算法

2.1 基于旋轉(zhuǎn)矢量不變性的去噪算法

圖像二值化以后，圖像中保留下的噪聲很多。根據(jù)裂縫細(xì)長的結(jié)構(gòu)特點(diǎn)，通過計(jì)算每一個(gè)連通域的最小面積外接矩形，可以有效地去除干擾保留裂縫，算法流程如下：

（1）統(tǒng)計(jì)圖像中每一個(gè)連通域邊界線的點(diǎn)集，并計(jì)算點(diǎn)集的多邊形凸包。

（2）計(jì)算凸包的所有邊與相鄰邊的夾角α，選取第一條邊作為起始邊。結(jié)合距離該邊最遠(yuǎn)點(diǎn)，計(jì)算外接矩形。

（3）逆時(shí)針旋轉(zhuǎn)α到相鄰邊，計(jì)算鄰邊所對(duì)應(yīng)的外接矩形。以此類推，可以得到每一條邊所對(duì)應(yīng)的外接矩形。

（4）比較同一個(gè)連通域各邊所對(duì)應(yīng)的外接矩形的面積大小。面積最小的即為該連通域的最小外接矩形，如圖3所示。

（5）計(jì)算外接矩形的長邊所對(duì)應(yīng)的斜率，并將其作為該連通域的斜率，便于后續(xù)判斷相鄰連通域是否沿著同一個(gè)方向生長。

從裂縫提取的效果來看，不同算法處理得到結(jié)果差異較大。由于K-means聚類算法對(duì)孤立的噪聲比較敏感，且不易選取k值和初始聚類中心點(diǎn)，導(dǎo)致分類效果差。文獻(xiàn)[2]中的算法在利用滑動(dòng)窗口尋找的裂縫種子點(diǎn)時(shí)，引入了部分噪聲點(diǎn)，因此，在滲流的過程中會(huì)保留較多的斑點(diǎn)和劃痕，不利于裂縫的提取。二維最大熵值法采用灰度和鄰域平均灰度構(gòu)成的二維直方圖選擇閾值，使得非裂縫區(qū)域的熵值很大，導(dǎo)致凝土砂漿粘結(jié)等干擾無法進(jìn)行有效地去除。本文算法對(duì)噪聲采取了分批處理。首先，通過海森矩陣對(duì)圖像進(jìn)行增強(qiáng)，可以使得灰度突變區(qū)域得到銳化;其次，對(duì)增強(qiáng)后的圖像使用改進(jìn)后的Otsu算法進(jìn)行分割，得到含有噪聲的二值圖像;再次，利用旋轉(zhuǎn)矢量不變性算法去除圖像中團(tuán)狀噪聲。此時(shí)，保留下來的裂縫多為片段，但很難與噪聲進(jìn)行區(qū)別。通過裂縫拼接算法可以將裂縫化零為整，并根據(jù)整體的走向，利用斜率和面積排除其他干擾，最終實(shí)現(xiàn)了裂縫的完整提取。對(duì)比發(fā)現(xiàn)該算法具有較高的提取精度。

3.3 實(shí)時(shí)性分析

表2列出了4種算法在7幅圖像中的處理時(shí)間。

從表2可以看出：本文算法的處理效率高于其他3種算法;K-means聚類算法和文獻(xiàn)[2]算法在對(duì)像素點(diǎn)進(jìn)行分類時(shí)，多次的循環(huán)迭代，增加了耗時(shí);本文算法通過改進(jìn)的Otsu算法完成圖像分割，并結(jié)合局部區(qū)域裂縫拼接算法實(shí)現(xiàn)裂縫的快速提取，因此在檢測中具有較高的實(shí)時(shí)性。

4 結(jié)論

本文針對(duì)光照不均、背景復(fù)雜的橋梁裂縫圖像展開了裂縫特征提取算法的研究，利用海森矩陣特征值，結(jié)合改進(jìn)的Otsu算法濾除了背景中的部分噪聲，通過基于旋轉(zhuǎn)矢量不變性的局部裂縫連接方法，有效地保留了不連續(xù)的裂縫片段，解決了提取過程中裂縫遺漏的問題，提高了檢測精度，縮短了檢測時(shí)間，為復(fù)雜背景下圖像裂縫提取提供了一種新思路。

參考文獻(xiàn)：

[1]高珊，王茜，任騰先，等.組合加固受損鋼筋混凝土簡支T梁抗剪性能試驗(yàn)[J].科學(xué)技術(shù)與工程，2019，19（24）：371-378.

[2]安世全， 曹悅欣， 瞿中. 多因子判定與滲流模型相結(jié)合的裂縫檢測算法[J]. 計(jì)算機(jī)應(yīng)用， 2019，39（1）：281-286.

[3]周亞群， 黃夢崖， 鄧林. 基于數(shù)字圖像的裂縫特征參數(shù)檢測與分析[J].低溫建筑技術(shù)，2018，40（12）：4-7.

[4]DINH T H， HA Q P， LA H M. Computer vision-based method for concrete crack detection[C]//14th International Conference on Control， Automation， Robotics and Vision （ICARCV）. New York： IEEE， 2016：1-6.

[5]XIAO Y N， LI J Y. Crack Detection algorithm based on the fusion of percolation theory and adaptive canny operator[C]//37th Chinese Control Conference （CCC）. New York： IEEE， 2018： 4295-4299.

[6]TIAN B Z， XU S N， LI Z H. Glassware crack defects detection based on wavelet transform[C]//Chinese Automation Congress （CAC）. New York： IEEE， 2017：4954-4958.

[7]LI W J， ZHANG M， SHEN Z H， et al. Track crack detection method in complex environment[C]//11th International Symposium on Computational Intelligence and Design （ISCID）. New York： IEEE， 2018：356-359.

[8]YANG Z L， XU X Y. An improved crack detection algorithm based on characteristics of texture analysis and gravity model[C]//9th International Conference on Intelligent Human-Machine Systems and Cybernetics （IHMSC）. New York： IEEE， 2017：271-275.

[9]裘國永， 李麗， 李良福， 等. 基于自適應(yīng)亮度高程模型的路面陰影消除算法研究[J]. 輕工學(xué)報(bào)，2018，33（1）：79-87.

[10]YUSOF N A M， OSMAMN M K， NOOR M H M， et al. Crack detection and classification in asphalt pavement images using deep convolution neural network[C]//8th IEEE International Conference on Control System， Computing and Engineering （ICCSCE）. New York： IEEE， 2018：227-232.

[11]譚小剛，張洪偉.基于小尺度分形維數(shù)的裂縫圖像分割方法[J].公路交通科技，2018，35（5）：34-39.

[12]郭立媛，張磊，李威，等.基于先驗(yàn)知識(shí)MinMax K-means聚類算法的道路裂縫研究[J].中國測試，2018，44（4）：112-117.

[13]李鵬， 趙芬芬， 杜敏. 基于雙樹復(fù)小波的直方圖路面裂縫檢測算法[J].安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，42（1）：38-44.

[14]GIRI P， KHARKOVSKY S. Detection of surface crack in concrete using measurement technique with laser displacement sensor[J]. IEEE Transactions on Instrumentation amp; Measurement， 2016， 65（8）：1951-1953.

[15]趙婷婷， 趙鳳展， 巨云濤， 等. 基于定常海森矩陣的配電網(wǎng)三相最優(yōu)潮流模型[J].電力系統(tǒng)自動(dòng)化，2018，42（15）：11-17.

[16]OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems， Man， and Cybernetics， 1979， 9（1）：62-66.

（責(zé)任編輯：周曉南）