基于局部圖像分割與多特征濾波的自適應(yīng)橋梁露筋檢測(cè)算法

賀福強(qiáng)，羅 紅，姚學(xué)練，平 安

（貴州大學(xué) 機(jī)械工程學(xué)院，貴州 貴陽(yáng) 550025）

引言

橋梁的主體結(jié)構(gòu)多數(shù)是由鋼筋和混凝土澆筑而成，由于長(zhǎng)期處于復(fù)雜的氣候環(huán)境中，使得橋墩側(cè)面和橋面底部的混凝土發(fā)生脫落，裸露出里面的鋼筋，若不及時(shí)修復(fù)，將會(huì)縮短橋梁的使用壽命，甚至引發(fā)嚴(yán)重的事故[1-2]。因此及時(shí)地發(fā)現(xiàn)漏筋區(qū)域并且進(jìn)行修復(fù)是首要問(wèn)題。目前使用的技術(shù)是通過(guò)無(wú)人機(jī)進(jìn)行橋梁圖像的采集，再結(jié)合圖像處理技術(shù)完成漏筋區(qū)域的提取。由于混凝土表面污漬較多，使得漏筋的提取比較困難。Michael等人[3]針對(duì)此問(wèn)題提出了一種基于HSV（hue，saturation，value）空間的漏筋檢測(cè)方法。通過(guò)提取彩色圖像的色度、飽和度、亮度分量再結(jié)合自適應(yīng)分割算法，完成漏筋的提取，但提取的結(jié)果中有部分噪聲的殘留。李良福等人[4]提出了基于深度學(xué)習(xí)的混凝土缺陷檢測(cè)算法，該方法需要對(duì)大量的圖像進(jìn)行訓(xùn)練，最終通過(guò)生成的模型來(lái)檢測(cè)缺陷，檢測(cè)的結(jié)果主要受到訓(xùn)練集數(shù)量以及網(wǎng)絡(luò)層參數(shù)設(shè)置的影響。以上方法在缺陷的檢測(cè)過(guò)程中都有一定的效果，但要完成病害的精準(zhǔn)提取，還需對(duì)算法進(jìn)行優(yōu)化?；叶韧队胺ㄊ且环N用于字符分割[5-9]、車牌識(shí)別[10-12]的算法，該方法利用圖像中灰度信息的分布來(lái)確定目標(biāo)的位置。因此本文結(jié)合漏筋區(qū)域特性以及投影法的原理完成缺陷的定位，再結(jié)合分割和濾波算法實(shí)現(xiàn)缺陷的提取。

1 基于局部圖像分割與多特征濾波的自適應(yīng)橋梁露筋檢測(cè)算法

針對(duì)橋梁漏筋圖像中復(fù)雜背景的干擾問(wèn)題，本文提出了一種自適應(yīng)閾值分割與多特征濾波相結(jié)合的漏筋檢測(cè)方法，首先通過(guò)投影法完成漏筋區(qū)域定位，縮小檢測(cè)范圍，再結(jié)合特定的分割和濾波方法去除各種噪聲，實(shí)現(xiàn)漏筋特征的提取，圖1 給出了算法實(shí)現(xiàn)的流程圖。具體的實(shí)施步驟如下：

1） 對(duì)原圖進(jìn)行圖像灰度化，并對(duì)灰度圖像進(jìn)行雙邊濾波使其平滑；

2） 將濾波后的灰度圖進(jìn)行水平投影和垂直投影；尋找水平投影和垂直投影圖中的峰值及其相鄰波谷的坐標(biāo)和其投影值；

3） 計(jì)算每個(gè)峰值與其相鄰波谷的高度差，將高度差與所設(shè)閾值對(duì)比，記錄符合要求的高度差所對(duì)應(yīng)的波谷坐標(biāo)，若所記波谷坐標(biāo)靠近邊緣位置，進(jìn)一步判斷是否為外景與橋梁背景形成的波谷；

4） 求該圖像中點(diǎn)到圖像邊緣在投影圖上的投影值的標(biāo)準(zhǔn)差，將標(biāo)準(zhǔn)差與所設(shè)閾值進(jìn)行比較，結(jié)合高度差確定小于閾值的標(biāo)準(zhǔn)差所對(duì)應(yīng)的波谷的坐標(biāo)；

5） 以波谷中心位置左右設(shè)置剪切寬度對(duì)灰度圖分別進(jìn)行行和列的剪切以剔除背景的干擾，并將剪切后的圖像進(jìn)行合并；

6） 對(duì)合并圖像進(jìn)行自適應(yīng)閾值分割；

7） 進(jìn)行形態(tài)學(xué)處理，以連接露筋“斷層”部分；進(jìn)行圓形度閾值濾波以排除排水孔和小面積孤立噪聲點(diǎn)；進(jìn)行面積閾值濾波處理以去除非目標(biāo)的干擾；進(jìn)行長(zhǎng)寬比閾值濾波以去除橋面夾角形成的干擾；

8） 計(jì)算漏筋長(zhǎng)度。

圖 1 算法流程圖Fig. 1 Flow chart of algorithm

2 局部閾值分割

2.1 雙邊濾波

由于橋面不整潔以及拍攝時(shí)光照的影響，使得漏筋的提取比較困難，因此首先需要對(duì)圖像進(jìn)行降噪處理。雙邊濾波是一種非線性的濾波器[13]，它可以在保留邊緣的同時(shí)平滑背景區(qū)域，其原理是將兩種不同性質(zhì)的函數(shù)進(jìn)行疊加，從而得到一組權(quán)重，將權(quán)重與原圖進(jìn)行卷積操作實(shí)現(xiàn)圖像的去噪，其表達(dá)式如（1）～（2）式：

式中：I（i，j）為圖像I 在點(diǎn)（i，j）的像素值；（u，v）為（i，j）的鄰域像素點(diǎn)；W 為權(quán)重；σk和σl為平滑系數(shù)。濾波后的灰度圖像如圖2 所示。

圖 2 濾波效果圖Fig. 2 Filtering effect image

2.2 基于灰度值投影法漏筋區(qū)域定位

由于漏筋多為條狀且顏色發(fā)黑，為了能夠排除大部分背景的干擾，確定漏筋的大致區(qū)域，本文將雙邊濾波后的灰度圖像進(jìn)行投影，生成投影曲線，通過(guò)計(jì)算曲線中波峰與相鄰波谷的高度差與所設(shè)閾值進(jìn)行對(duì)比，保留符合要求的波谷坐標(biāo)，以波谷為中心設(shè)置分割范圍對(duì)灰度圖進(jìn)行行和列的剪切，將最終的剪切結(jié)果進(jìn)行合并以保留露筋完整信息。檢測(cè)算法步驟如下：

1） 繪制投影曲線。對(duì)原圖中的像素值按行和列分別累加求和：

式中T（y）和P（x）分別表示第y 列和第x 行的像素值之和。根據(jù)求和結(jié)果繪制垂直投影曲線和水平投影曲線如圖3 和圖4 所示。

2） 統(tǒng)計(jì)曲線中所有的波谷點(diǎn)與波峰點(diǎn)的坐標(biāo)，并計(jì)算波谷點(diǎn)與相鄰波峰點(diǎn)之間的高度差值，計(jì)算公式如（5）～（6）式：

式中：△d1為左邊波峰與波谷的差值；△d2為右邊波峰與波谷的差值；V 和P 分別為波谷和波峰點(diǎn)的投影值。

圖 3 垂直投影Fig. 3 Vertical projection

圖 4 水平投影Fig. 4 Horizontal projection

3） 排除外景區(qū)域的干擾。拍攝圖像的過(guò)程中難免會(huì)帶入天空或森林等外景，需要首先進(jìn)行去除，由于外景中灰度的分布較為均一，且會(huì)與橋梁形成一條水平或垂直的相交線，因此可以通過(guò)投影得到的差值與求取的圖像邊緣部分標(biāo)準(zhǔn)差來(lái)判斷是否需要存在外景。若△d1或△d2大于120，則利用（7）式計(jì)算V（j）值至曲線最后一個(gè)點(diǎn)的投影值之間的標(biāo)準(zhǔn)差：

式中：σ 為標(biāo)準(zhǔn)差；N 為對(duì)應(yīng)坐標(biāo)個(gè)數(shù)；xi為第i 個(gè)坐標(biāo)對(duì)應(yīng)的投影值；μ 為投影值平均值。

若標(biāo)準(zhǔn)差小于30，則存在外景，將相交線以外的區(qū)域像素值置為1，若標(biāo)準(zhǔn)差大于30，則不存在外景，執(zhí)行下一步。

4） 以波谷中心位置左右設(shè)置15 像素的寬度范圍對(duì)灰度圖分別進(jìn)行行和列的裁剪，最后再將剪切后剩下的行和列進(jìn)行合并，以剔除背景的干擾，結(jié)果如圖5 所示。

圖 5 漏筋區(qū)域定位Fig. 5 Regional location of bare rebar

2.3 局部圖像閾值分割

與其他算法中的物體分割識(shí)別不同，橋梁漏筋圖像中沒有統(tǒng)一的背景和均一的色彩分布，每一張圖都不一樣，因此不能用同一個(gè)閾值去處理所有的圖像。為了除去背景中與漏筋顏色相似的污漬、直線印記、混凝土脫落和滲水區(qū)域像素對(duì)分割結(jié)果的影響，提出了一種自適應(yīng)的閾值分割方法，步驟如下：

1） 統(tǒng)計(jì)合并后的漏筋圖像中灰度值小于1 的像素個(gè)數(shù)n 及灰度值均值Mean：

式中I（i）代表第i 個(gè)像素的灰度值。

2） 由于漏筋灰度值較低，若通過(guò)Mean 值直接進(jìn)行分割會(huì)保留很多噪聲，通過(guò)多次試驗(yàn)分析，當(dāng)閾值選取為Mean/2 時(shí)分割的效果最佳。

3） 取Mean/2 為全局閾值T，根據(jù)（9）式對(duì)合并后的圖像 I(x,y)進(jìn)行二值化：

由于T 是根據(jù)每一張圖像中的灰度信息求取的，因此每一張圖像T 的取值都不同，從而能夠?qū)崿F(xiàn)自適應(yīng)分割。圖6 為各種算法的分割效果圖。

圖 6 不同算法閾值分割對(duì)比Fig. 6 Comparison of threshold segmentation with different algorithms

全局閾值分割方法是通過(guò)人為設(shè)置閾值完成圖像分割，沒有考慮到圖像中像素的分布情況，使得分割效果不佳。最大熵值法是通過(guò)計(jì)算背景與前景中像素分布的概率來(lái)確定閾值的，但由于污漬和滲水區(qū)域的像素灰度與漏筋十分相似，得到的結(jié)果中摻雜了很多干擾，難以去除。OTSU 和迭代算法[14]在外景和漏筋區(qū)域存在較為明顯的分界線時(shí)，直接將橋梁部分所有的像素置為一體，因此無(wú)法實(shí)現(xiàn)漏筋的提取。采用本文算法可以有效地去除部分背景的干擾，實(shí)現(xiàn)目標(biāo)與背景分割，為多特征濾波提取露筋特征奠定了基礎(chǔ)。

3 多特征濾波圖像處理

3.1 形態(tài)學(xué)處理

從圖6（b）可看出露筋部分出現(xiàn)“斷層”不連續(xù)的情況，增加了露筋的特征提取難度，采用半徑為3 圓盤的結(jié)構(gòu)元素B，對(duì)灰度圖像A 形態(tài)學(xué)開運(yùn)算[15]，即使用同樣的結(jié)構(gòu)元素先對(duì)圖像進(jìn)行腐蝕操作后進(jìn)行膨脹操作，開運(yùn)算公式如（10）式所示：

2.2.2 氣溫相關(guān)指標(biāo)。本研究以有無(wú)發(fā)病為分組依據(jù)，分為有發(fā)病組（n=847）、無(wú)發(fā)病組（n=614），納入的氣溫指標(biāo)有平均氣壓、日氣壓差、日平均氣溫、日氣溫差、日平均水汽壓、日平均相對(duì)濕度、日降水量、日平均風(fēng)速、日極大風(fēng)速、舒適度指數(shù)，結(jié)果提示，上述氣象學(xué)指標(biāo)差異均無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05），見（表2）。

3.2 圓形度濾波

采用形態(tài)學(xué)處理后，雖有效將露筋“斷層”部分連接，但仍存在小面積孤立的噪聲以及有些圖像中出現(xiàn)排水孔的干擾等情況，采用圓形度閾值濾波。圓形度計(jì)算公式如（11）式所示：

式中：C 為圓形度：A 為連通域面積：P 為連通域周長(zhǎng)。當(dāng)目標(biāo)為標(biāo)準(zhǔn)圓形時(shí)，圓形度最大為1，而孤立的噪聲和排水孔的形態(tài)特征接近于標(biāo)準(zhǔn)圓，通過(guò)多次試驗(yàn)確定圓形度閾值CT=0.7，通過(guò)（12）式對(duì)g(x,y)進(jìn)行圓形度閾值濾波：

3.3 面積濾波

獲得圓形度濾波后的圖像g′（x，y），根據(jù)《公路橋涵養(yǎng)護(hù)規(guī)范》及實(shí)際的檢測(cè)經(jīng)驗(yàn)，對(duì)于面積較小的露筋可選擇不處理，為了排除其他類似露筋的干擾，如電線、小劃痕等，設(shè)置面積閾值A(chǔ)T=280 像素，通過(guò)（13）式進(jìn)行面積濾波：

3.4 長(zhǎng)寬比濾波

經(jīng)過(guò)圓形度濾波和面積濾波有效去除大部分干擾，剩下的大多為露筋連通域和疑似露筋干擾，通過(guò)分析二值圖像的連通域的形態(tài)特征，發(fā)現(xiàn)露筋呈長(zhǎng)條狀，因此計(jì)算連通域的長(zhǎng)度與寬度，設(shè)置長(zhǎng)寬比濾波閾值KT=5，通過(guò)（14）式進(jìn)行面積濾波：

經(jīng)過(guò)多特征濾波后有效排除了干擾，保留了露筋特征，露筋二值圖像如圖7 所示。

圖 7 多特征濾波露筋特征二值圖Fig. 7 Bare rebar feature binary image of multi-feature filtering

4 實(shí)例驗(yàn)證與分析

圖 8 7 種常見的露筋特征識(shí)別Fig. 8 Identification of 7 kinds of common features of bare rebar

表 1 7 種復(fù)雜工況下露筋檢測(cè)結(jié)果Table 1 Test results of bare rebar under 7 kinds of complex working conditions

式中：Nb指被誤檢為露筋的背景區(qū)域像素個(gè)數(shù)；Nd指沒有被算法檢測(cè)出來(lái)的實(shí)際露筋區(qū)域像素個(gè)數(shù)；Ntotal為本文算法檢測(cè)出的漏筋區(qū)域像素個(gè)數(shù)；Ng為實(shí)際人工檢測(cè)出的露筋像素個(gè)數(shù)。

由表1 可知，本文算法在檢測(cè)圖a（1）時(shí)漏檢率和誤檢率都較高，主要原因在于部分漏筋距離較近且周圍有大量污漬干擾，因此在長(zhǎng)寬比濾波過(guò)程中真實(shí)裂縫被當(dāng)作污漬濾掉了，圖a（5）和a（6）中的漏筋較多，根據(jù)技術(shù)要求，只需提取較大條漏筋即可，同一區(qū)域小條漏筋便可忽略不計(jì)，所以雖然誤檢率較高，但相對(duì)誤差很小，滿足檢測(cè)要求。

表2 給出不同算法在漏筋檢測(cè)中的平均誤檢率、平均漏檢率和平均相對(duì)誤差，本文算法的平均誤檢率為5.15%，平均漏檢率為3.89%，與其他算法相比誤差較小，符合公路橋梁病害評(píng)定標(biāo)準(zhǔn)；計(jì)算的露筋總長(zhǎng)度相對(duì)于人工測(cè)量的平均相對(duì)誤差為3.74%，遠(yuǎn)低于其他算法，說(shuō)明本文算法在漏筋上具有較高精度。

表 2 不同算法的實(shí)驗(yàn)對(duì)比Table 2 Comparison of different algorithm experiments

5 結(jié)論

本文給出一種基于局部圖像分割與多特征濾波的自適應(yīng)橋梁露筋檢測(cè)算法。

1） 對(duì)投影圖進(jìn)行了分析，通過(guò)差分曲線找到波谷，利用高度差和標(biāo)準(zhǔn)差閾值綜合判斷，確定了露筋的位置；

2） 以露筋位置為基準(zhǔn)設(shè)置分塊范圍，對(duì)灰度圖像進(jìn)行了行和列分塊，合并行列分塊圖像并進(jìn)行局部圖像閾值分割，對(duì)比常用的閾值分割方法，本文算法可以有效地將目標(biāo)與背景分開；

3） 基于多特征濾波，去除了非露筋的干擾，最大程度保留了露筋的主要信息。

采用該算法對(duì)7 種常見的露筋類型進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明：該算法平均的誤檢率、漏檢率和相對(duì)誤差分別為5.15%、3.89%、3.74%，誤差較小均符合公路病害評(píng)定標(biāo)準(zhǔn)。本文算法有效解決了光照不均、多背景并存對(duì)橋梁露筋提取的干擾問(wèn)題，實(shí)現(xiàn)了復(fù)雜環(huán)境下的露筋的自適應(yīng)識(shí)別，降低了人力檢測(cè)成本，提高了露筋檢測(cè)效率，為從事橋梁檢測(cè)的技術(shù)人員提供了參考。