高等級公路路面裂縫類病害輪廊提取的算法研究

1、高等級公路路面裂縫類病害輪廊提取的算法研究    摘要：介紹了高等級公路路面的裂縫類病害的輪廓利用數(shù)字圖像技術進行提取的方法。利用高速的黑白CCD攝像機配合光源，實時攝取公路路面的圖像，并對圖像進行噪聲濾除、邊緣檢測和圖像分割操作，最后可以清晰地提取出路面裂縫的輪廓，為后期計算裂縫開裂長度、寬度和損壞密度等參數(shù)的計算提供依據(jù)。    關鍵詞：CCD 圖像處理 邊緣檢測 裂縫隨著我國高等級公路建設的快速發(fā)展，高等級公路路基路面的質(zhì)量監(jiān)控體系越來越完善，要求的檢測水平也越來越高。由于車輛在高等級公路上行駛時，對路面的平整度、路面

2、完好率要求很高，當路面出現(xiàn)凹凸、裂紋等病害時，應及時進行維修；否則，交通安全就會受到影響。目前，國內(nèi)檢測高等級公路路況的手段主要是依靠人工丈量的方法，不但效率低、勞動強度大、檢測速度慢、誤差較大，不能滿足高等級公路檢測的要求，而且在高速公路上進行人工檢測十分危險。CCD攝像機作為一種光電圖像傳感器，已廣泛應用于幾何尺寸測量、光譜測試、位移測量、速度測量、天文觀測等領域1。將CCD技術應用于高等級公路路況的檢測，可解決人工丈量所存在的缺陷和不足。    本文提出利用數(shù)字圖像技術對高等級公路路面的裂縫類病害的輪廓進行提取。利用高速的黑白CCD攝像機配合光源，實時攝取公

3、路路面的圖像，并對圖像進行噪聲濾除、邊緣檢測和圖像分割等操作，最后可以清晰地提取出裂縫的輪廓，為后期的測量提到高質(zhì)量的圖像。1 圖像采集系統(tǒng)硬件環(huán)境的結(jié)構(gòu)設計是系統(tǒng)實現(xiàn)的關鍵之一。根據(jù)系統(tǒng)實現(xiàn)目標和可行性的分析，以及實驗條件的限制，搭建了圖1所示的實驗室硬件工作環(huán)境。經(jīng)實踐證實，該系統(tǒng)可以滿足對路面圖像采集的要求?？紤]到整個系統(tǒng)將運行在野外的測試車上，各種設備的交、直流供電情況是必須考慮的一個問題。應選用合適的穩(wěn)壓電源和調(diào)光電源向照明系統(tǒng)、CCD和計算機進行供電。CCD相機對被測路面的光線情況要求很高，太強或太弱的光線都不利于病害路面在CCD相機中成像，合適的光源和光學系統(tǒng)才能保證被測路面在C

4、CD中良好地成像。CCD借助光學系統(tǒng)將照射于其上的光信號轉(zhuǎn)換為電信號，形成視頻信號。圖像采集卡完成對圖像模擬視頻信號的模/數(shù)轉(zhuǎn)換功能，經(jīng)抽樣與量化的數(shù)字圖像在計算機中進行后期的數(shù)字圖像處理。在實際應用中，CCD攝像機選用MINTRON公司的MTV-1881EX 1/2英寸黑白低照度高解析攝像機，圖像采集卡選用MicroView公司的MVPCI-V2A專業(yè)黑白圖像采集卡。攝像機固定在可移動的測試裝置上，實時地攝取高等級公路路面的圖像并輸出視頻信號給圖像采集卡。圖像采集卡完成模擬視頻信號的數(shù)字化工作。數(shù)字化圖像的空間分辨率設置為512×512，灰度分辨率8位256級。選用精工SE0813

5、-3CCD光學鏡頭，焦距為8mm，F(xiàn)=1.3，銳片規(guī)格為2/3英寸，視場角為42.6°。2 圖像處理2.1 圖像預處理在圖像的采集過程中，由于受到光源和CCD相機抖動（運行中）的影響，圖像中不可避免地存在大量的噪聲，這為后面的邊緣檢測工作帶來了較大地困難。因此，首先需要對采集的數(shù)字圖像進行濾波去噪處理。噪聲濾除一直是數(shù)字圖像處理領域中一個經(jīng)典的課題。對有噪聲的圖像進行邊緣檢測的方法已有很多，如Robert梯子各有所長，但對于裂縫類病害的圖像并不適用。所以，希望能尋求既能很好地保護裂縫的邊緣，又有濾除圖像中噪聲的圖像濾噪算法，對圖像進行預處理。通常的濾波算法都設計為低通濾波算法，在濾除

6、噪聲的同時也模糊了圖像中的邊緣細節(jié)。應用較多的濾波技術有Lee濾波器、Frost濾波器、Camma CAP濾波器等。這些濾波算法都是基于對圖像局部統(tǒng)計特性自適應的，濾除噪聲的效果較好。但是，由于算法本身的原因，往往造成圖像邊緣細節(jié)信息模糊，降低了圖像的質(zhì)量。針對這一問題，人們提出許多改進算法，如改進的Lee濾波器、變窗口濾波器等。這些算法雖然在一定程度上解決了邊緣模糊的問題，但也帶來新問題。例如改進的Lee濾波器，由于要進行邊緣檢測，所以選擇的窗口就不能太大；但小窗口對消除斑噪聲不利，又降低了效能5。因此，希望能尋求一種具有邊緣保護功能的噪聲濾除算法。針對以上情況，本文采用加權的領域平均算法對

7、圖像進行噪聲濾除。該算法不僅能夠有效地平滑噪聲，還能夠銳化模糊圖像的邊緣。同時該算法計算比較簡單，不需要任何驗知識和預定的參數(shù)，能為后期的邊緣檢測工作提供高質(zhì)量的數(shù)字圖像。算法的計算公式描述如下：用f(x,y)表示原始圖像，g(x,y)為平滑后點（x,y）的灰度值，Vx,y表示以點（x,y）為中心的領域，該鄰域包含N個像素，m(x,y)表示鄰域Vx,y內(nèi)的灰度均值。則修正的領域平均法由下式給出：式（1）中，為修正系數(shù)，取值范圍為0到1，它的大小反映Vx,y中的邊緣狀況。定義如下：式（2）中，>0。上偏差以mg(x,y)表示，定義為灰度值大于領域均值m的各像素的灰度平均值與m之差；下偏差以

8、m1(x,y)表示，定義為領域均值m與灰度值小于m的各像素的灰度平均值之差。分別以Ng,N0，Nl代表Vx,y內(nèi)灰度值大于、等于、小于m的像素數(shù)，則灰度的上偏差mg(x,y)和下偏差ml(x,y)可以分別表示為：式（3）中，m的定義如下：指數(shù)的大小直接影響上式的性能。越小，對噪聲的平滑作用越強；越大，其稅化作用越強。一般在噪聲較強的情況下，噪聲干擾對圖像質(zhì)量的影響比較突出，所以應當取較小的值；反之，在噪聲較弱和圖像細節(jié)較多的情況下，應當取較大的值。在本文的實驗中，考慮到噪聲的濾除效果和后期的處理，取1，而Vx,y取為7×7鄰域。2.2 邊緣檢測對于路面裂縫類病害的識別檢測來說，邊緣檢

9、測算法的好壞在很大程度上影響識別和檢測的效果與精度。在數(shù)字圖像處理的邊緣檢測方面，前人已進行了大量的科學研究和探索，提出和推導了大量經(jīng)典的邊緣檢測算法。經(jīng)典的、最簡單的邊緣檢測方法是對原始圖像按像素的某領域構(gòu)造邊緣檢測算子，例如梯度算子、Sobel算子、Laplacian算子、Marr算子和Rosenfeld的門式算子等。在上述常用的算法中，梯度算子的思路簡捷，運行速度較快；但是梯度算子只有水平和垂直兩個方向的模板，其模板方向僅表示灰階變化的梯度方向，而不是圖像的實際邊緣方向。Sobel算子運行速度較塊，能濾除一些噪聲，去掉部分偽邊緣，可提供最精確的邊緣方向估計2，并在檢測斜向階躍邊緣時具有較

10、好的效果。但是Sobel邊緣檢測算子主要有水平和垂直兩個方向的模板，算法的有向性使其不能對路面病害中的不規(guī)則裂縫進行有效識別與檢測。Laplacian和Marr算子無方向性，并在邊緣檢測過程中，先對原始圖像進行平滑，以降低噪聲的影響。但是，由于對圖像的平滑使得算子對邊緣的定位不精確，處理后的邊緣像素數(shù)目較多。    考慮到采集的路面裂縫類病害圖像已進行了噪聲濾除的預處理，又考慮到裂縫類病害的類型包括模向裂縫、縱向裂縫和不規(guī)則裂縫，邊緣可能在各個角度方向存在梯度。因此，構(gòu)造了8個方向的模板對圖像進行Sobel邊緣檢測。該算法在邊緣檢測中是各向同性的。算法實現(xiàn)的基本思

11、想是：構(gòu)造如圖2所示的8方向模板，對圖像進行逐點計算，并且取最大值作為該點的新的灰度值，該最大值對應模板所表示的方向為該像素點的邊緣方向。2.3 圖像分割該部分將經(jīng)過8方向Sobel邊緣檢測的數(shù)字圖像，進行圖像分割（二值化）。考慮到需要對路面的病害圖像作備份，同時也為了方便檢測者了解裂縫的形狀和走向，系統(tǒng)要提供直觀的二值化圖像，以供參考和進行后續(xù)的圖像處理與測量工作。本文的圖像分割算法選用由Ostu提出的最大類間方差法，該算法是在判決分析最小二乘法原理的基礎上推導得出的2。OSTU準則分割原理如下：設一幅圖像的灰度等級范圍為1,2,L，對應灰度級i的像素為ni個，整幅圖像的象素總個數(shù)N=n1+

12、n2+nL，則對應灰度級i的像素出現(xiàn)的概率為：整幅圖像總的均值為：若整幅圖像以灰度級K及閾值，且分為C0與C1兩類。其中C0類灰度級范圍為1,K，C1類為K+1,L。這兩類的方差分別為：式中，Pr為在C0（或C1）類中灰度級i的象素出現(xiàn)的概率，u0和u1分別為C0和C1類的均值。這樣有w0u0+w1u1=ur成立，w0和w1分別為C0類和C1類的概率。在此OSTU定義類內(nèi)方差：類間方差：    總的方差： OSTU準則即：最優(yōu)的閾值灰級K*滿足下式：3 實驗分析上面介紹了系統(tǒng)工作的硬件環(huán)境和算法實現(xiàn)的原理和方法。下面將通過對路面橫向裂縫、縱向裂縫和不規(guī)則裂縫圖像的

13、實際處理，觀察算法對裂縫類病害的識別能力。圖3示出本算法對實驗環(huán)境下采集圖像中的各類裂縫進行處理的結(jié)果。圖3（a）、（b）、（c）是在硬件平臺上采集的橫向、縱向和不規(guī)則裂縫的樣圖；圖3（d）、（e）、（f）是對樣圖進行噪聲濾除、8方向Sobel邊緣檢測和圖像分割（二值化）處理后得到的二值化圖。由以上實驗可以看出，本文提出的算法能對各類裂縫類病害進行較好的處理與識別，能夠好地消除噪聲的影響，裂縫輪廓清晰。在實際的測試過程中，當物距為20cm，圖像采集選用512×512像素的分辨率時，視場范圍是11cm×11cm，CCD中像素分辨率為0.2mm。當物距為50cm時，視場范圍是28cm×28cm，CCD像素分辨率為0.5mm。    在Visual C+ 6.0開發(fā)