道路病害形態(tài)特征的圖像分析

洪漢玉，章秀華，程 莉，羅 梟，王萬里

（武漢工程大學(xué)圖像處理與智能控制研究所，湖北 武漢 430205）

0 引 言

目前，我國公路養(yǎng)護(hù)勘查技術(shù)已經(jīng)部分實現(xiàn)了自動化，但是很多具體工作還是需要人工完成．人工方式效率低、投資大、安全性差，影響交通，數(shù)據(jù)精度難以保證，并且無法對采集的信息做性能分析．隨著傳感技術(shù)和數(shù)字圖像處理技術(shù)的發(fā)展，基于視頻圖像的道路裂縫檢測技術(shù)具有良好的經(jīng)濟(jì)效益和發(fā)展?jié)摿Γ芽p是公路路面的常見病害類型，屬于二維線狀病害．我國公路主要以瀝青路面和水泥混凝土路面為主，水泥混凝土路面病害中，裂縫、破碎板、板角斷裂等也屬于二維線狀病害．國內(nèi)外對病害圖像處理的測評方法主要是傳統(tǒng)人工處理方法，通過在現(xiàn)場或者拍攝的車載圖像來確定裂縫的信息，這種方法雖然技術(shù)要求低，但是人工成本高，有用信息量低，并且信息獲取不穩(wěn)定，無法進(jìn)行路面病害的定量分析；龍建武提出了利用灰度校正與自適應(yīng)最小誤差閾值分割的裂縫提取處理方法［1］，該方法能快速有效對裂縫進(jìn)行提取，但僅僅能判斷該區(qū)域是否存在裂縫，而無法對裂縫進(jìn)行評估，不能滿足現(xiàn)代公路管理的需求；Nejad等人提出BP神經(jīng)網(wǎng)絡(luò)方法，采用非線性分類算法對后期裂縫分類檢測［2－3］，這種方法能判斷路面病害類型，但由于處理算法比較復(fù)雜，且無法對裂縫的性能做出統(tǒng)計和描述，難以推廣利用；Zou研究了Crack Tree方法在裂縫提取分析中的應(yīng)用［4］，提出了采用張量投票算子的方法對裂縫圖片進(jìn)行處理，使用Crack Tree方法找到整個裂縫區(qū)域，運算速度大大提高，但Crack Tree起點和終點的確定仍然是一個有待解決的問題．

對路面裂縫進(jìn)行測評的過程就是統(tǒng)計裂縫詳細(xì)信息的一個過程．根據(jù)交通部對路面病害檢測標(biāo)準(zhǔn)的要求，需要知道病害的形態(tài)如位置、長度、寬度和面積等統(tǒng)計信息．

筆者針對提取出的道路裂縫病害信息進(jìn)行裂縫的性能分析，通過膨脹和細(xì)化處理獲得裂縫骨架，利用游碼和鏈碼信息記錄裂縫的幾何形態(tài)特征，對裂縫檢測結(jié)果進(jìn)行特征定義和描述，完成裂縫病害的形態(tài)特征分析．

1 裂縫膨脹處理

先采用基于非負(fù)性特征的裂縫提取方法對路面圖像進(jìn)行裂縫提?。?］．為了連接裂縫提取過程中因灰度信息微弱而出現(xiàn)斷裂的裂縫，采用膨脹處理方法．膨脹操作是形態(tài)學(xué)處理的基礎(chǔ)．A和B是Z2中的集合，?為空集，A被B膨脹的定義為：

式（1）是以得到B的相對于它自身原點的映像并且由x對映像進(jìn)行位移為基礎(chǔ)的．A被B膨脹是所有位移x的集合，這樣B和A至少有一個元素是重疊的，為了保持裂縫特征的連續(xù)性，防止裂縫提取的不完整，筆者利用膨脹處理使得部分?jǐn)嚅_的裂縫連接起來．

2 裂縫細(xì)化處理

圖像細(xì)化處理是為了提取目標(biāo)的骨架，即將原圖像中線條寬度大于一個像素的線條細(xì)化成只有一個像素寬的骨架，形成骨架后易于分析圖像，如提取圖像的特征．細(xì)化的基本思想是“層層剝奪”，即從線條邊緣開始一層一層向里剝奪，直到線條的寬度只有一個像素為止．進(jìn)行細(xì)化算法前要先對圖像進(jìn)行二值化，細(xì)化算法如下：

在圖像中取檢測點的8個鄰域（由于是并行細(xì)化，有些模板要擴(kuò)展為12鄰域），如圖1所示，圖1（a）中o為檢測點，x為其相鄰點．事實上經(jīng)過細(xì)化算法的8個經(jīng)典模板處理后還有圖1（b）和圖1（c）兩種特殊邊沿點保留了下來．筆者在試驗中的解決方法是在并行細(xì)化后再進(jìn)行一次串行細(xì)化，選取圖2中優(yōu)化后的模板a和模板b．

圖1 特殊邊沿點Fig．1 Special edge point

圖2中處理模板a解決了特殊邊沿點1，處理模板b解決了特殊邊沿點2，這是串行細(xì)化處理，以便更好分析圖像．

圖2 處理模板Fig．2 Processing template

3 基于鏈碼跟蹤的路面裂縫描述

游程碼可用來記錄連續(xù)的白色像素和黑色像素的數(shù)目［6］，鏈碼可用于邊界描述和特征提取，比如角點、面積、周長等等．

圖像像素的連通性可分為4鄰域和8鄰域．4鄰域連通性指像素在4個方向延伸，用0，1，2，3方向碼分別對應(yīng)著上下左右4個方向；而8鄰域連通性指像素在8個方向延伸，每一個方向賦以一個方向碼，用0，1，2，3，4，5，6，7分別對應(yīng)著8個方向．圖3（a）、圖3（b）分別是4鄰域和8鄰域方向碼．筆者采用8鄰域方向碼，由于裂縫跟蹤的需要，定義含8個元素的二維數(shù)組：Direct［8］［2］＝｛｛0，1｝，｛－1，1｝，｛－1，0｝，｛－1，－1｝，｛0，－1｝，｛1，－1｝，｛1，0｝，｛1，1｝｝，其鄰域方向碼值為d，當(dāng)前點坐標(biāo)，鄰域點坐標(biāo)表示為：

圖3 鄰域方向碼與方向碼優(yōu)先示意圖Fig．3 Illustration of neighborhood direction code and direction code precedence

在跟蹤過程中，當(dāng)碰到多個分支時，傳統(tǒng)的鏈碼法則視為“干擾”而丟掉信息，同時對塊圖像問題也無能為力．針對上述情況，筆者引入優(yōu)先級的概念，提出優(yōu)先級方向碼－1，1，－2，2，－3，3，4｝；Prior［k］）%8．

分析裂縫骨架分枝信息，建立分枝結(jié)點鏈表．分枝信息的遍歷為深度優(yōu)先遍歷，深度遍歷按從小到大的順序進(jìn)行，越到后面，其跟蹤點離根接點越遠(yuǎn)．遍歷過程如下：

①按照柵格掃描順序從上到下從左到右，找到右上角滿足條件的端點（根接點），將端點指向的鄰域點作為第一個結(jié)點的分支存入棧（結(jié)點分支存儲圖），添加坐標(biāo)和方向信息，同時標(biāo)記已訪問點．開始遍歷骨架，并計算相應(yīng)的鏈碼；

②訪問自上一結(jié)點而來的分支，當(dāng)遇當(dāng)前分支結(jié)點時，按照優(yōu)先方向碼，一方面將結(jié)點除最高優(yōu)先級外的其他方向存入棧，并添入相應(yīng)信息；另一方面接著訪問最高優(yōu)先級方向的分支段，同時標(biāo)記已訪問接點；

③重復(fù)過程②操作，直到訪問當(dāng)前分支的末端點．即該點周圍除來的方向外沒有未被標(biāo)記的點，認(rèn)為自當(dāng)前分支結(jié)點而來的分支段結(jié)束．接著到棧中訪問下一分支；

④從棧中新的分支結(jié)點開始，按照過程②和過程③操作，直到自新的分支結(jié)點而來的分支訪問到分支結(jié)束點．訪問棧中下一分支；

⑤重復(fù)過程②～④操作，不斷的從棧中取出新的結(jié)點分支，直到整棵樹被遍歷；

⑥按照①～ ⑤操作訪問下一棵樹，最后整幅細(xì)化圖被遍歷，跟蹤結(jié)束．

定義結(jié)點分支的結(jié)構(gòu)體Nodetree：

struct＊Nodetree｛DWORDx；DWORDy；DWORDd；｝；

其中，x為結(jié)點分支點縱坐標(biāo)，y為結(jié)點分支點橫坐標(biāo)，d為指向結(jié)點分支點的方向．

最后一步是刪除目標(biāo)區(qū)域中的短鏈．為此筆者采用區(qū)域生長的長度閾值法刪除短鏈，具體的操作步驟如下：

①利用鏈碼跟蹤所得到的各棵樹的坐標(biāo)信息，可以計算各棵樹的重心坐標(biāo)，利用統(tǒng)計特征，得到計算公式：

②筆者認(rèn)為其長度小于某一閾值length的鏈為噪聲，對其進(jìn)行重點排查．以此鏈重心為中心，在length×length的窗口內(nèi)尋找是否存在除自身外的較長的鏈，若不存在，則認(rèn)為其為孤立的噪聲點予以刪除，否則，保留此鏈；

經(jīng)過去除短鏈的操作后，圖像上的裂縫部分幾乎沒有受到刪除短鏈操作的影響，孤立的噪聲鏈均被刪除，效果較為明顯．

4 路面裂縫特征定義及描述

4．1 外接矩形及長寬比特征

設(shè)H為裂縫水平方向投影的長度，W為裂縫垂直方向投影的長度，則定義：

一般橫向裂縫的L1比較小，在區(qū)間（0，1）中，L＝L1；縱向裂縫L1比較大，在區(qū)間（1，＋∞）中，L＝1／L1；在區(qū)間（0，1）里，L值靠近下界0的為縱向裂縫或橫向裂縫，靠近上界1的為其他幾種裂縫．但是對于有一定角度傾斜的縱向裂縫，角度傾斜大到某一值后，很容易把它判屬于網(wǎng)狀裂縫．為此，采用矩形度特征以準(zhǔn)確判斷．

4．2 矩形度特征

裂縫矩形度R定義為：

式（5）中：A0為裂縫所占的區(qū)域面積，AL為裂縫最小外接矩形的面積，R的大小反映裂縫覆蓋的區(qū)域充滿裂縫最小外接水平矩形區(qū)域的能力．

4．3 路面裂縫特征描述

從公路狀況評價出發(fā)，需對路面裂縫特征進(jìn)行定量描述，在此定義裂縫特征結(jié)構(gòu)體如下：

Typedef struct｛long iType；long iTL；long i TL；long iBR；long iBR；long iCrack－Width；long iCrack Length；float f Area；long iGrade；｝CRACKINFO；

（1）破損類型i Type：

iType＝0表示橫向裂縫；iType＝1表示縱向裂縫；i Type＝2表示網(wǎng)狀裂縫．

（2）破損的位置（最小外接矩形區(qū)MER）：

（3）裂縫寬度iCrackWidth和長度iCrack Length：

iCrack Width表示裂縫寬度（以像素計）；iCrack Length表示裂縫長度（以像素計）．

（4）破損區(qū)域的面積f Area：

f Area表示破損區(qū)域的面積，即裂縫在最小外接矩形區(qū)MER中覆蓋的面積．

（5）病害程度iGrade：

以裂縫寬度為依據(jù)，0—輕，1—中，2—重．

5 實驗結(jié)果與分析

為測試本文算法效果及性能，在微機(jī)（Pentium IV，2．40 GHz，1 G）上對大量路面裂縫病害圖像進(jìn)行一系列的測試，實驗結(jié)果如下．

5．1 膨脹處理

圖4（a）、圖5（a）、圖6（a）為采集到的路面圖像，圖4（b）、圖5（b）、圖6（b）為裂縫特征圖像，而圖4（c）、圖5（c）、圖6（c）分別為膨脹處理圖像．從圖4（c）、圖5（c）、圖6（c）中可以看出，膨脹處理后將斷開的裂縫連接起來了．

圖4 龜裂裂縫特征處理結(jié)果Fig．4 Processing results of cracking images

圖5 塊裂縫圖像處理結(jié)果Fig．5 Processing results of block crack images

5．2 細(xì)化處理

圖4（c）、圖5（c）、圖6（c）裂縫圖片為膨脹處理后得到的圖片信息，經(jīng)過細(xì)化處理后分別得到圖4（d）、圖5（d）、圖6（d）．

圖6 橫裂縫圖像處理結(jié)果Fig．6 Processing results of lateral crack images

5．3 裂縫形態(tài)特征統(tǒng)計

從圖4（d）、圖5（d）、圖6（d）統(tǒng)計出的裂縫形態(tài)特征如下：圖4（d）中有2條裂縫，其中一條裂縫有35個節(jié)點個數(shù)，長寬比為11∶7，裂縫病害類型為龜裂裂縫，裂縫的區(qū)域如圖7（a）所示，破損區(qū)域的面積大小為811 623個像素，病害程度為中．從圖5（d）中統(tǒng)計的信息為裂縫有20個節(jié)點，裂縫長寬比為3∶4，裂縫為塊裂，破損區(qū)域面積為792 369個像素，病害程度為中．從圖6（d）中統(tǒng)計的信息為裂縫節(jié)點為0，裂縫長寬比為1∶9，為橫向裂縫，裂縫定位區(qū)域如圖7（b）所示，破損區(qū)域的面積大小為194 304個像素，病害程度為輕．

圖7 裂縫區(qū)域Fig．7 Pavement crack area

6 結(jié) 語

筆者提出了道路病害形態(tài)特征的圖像分析方法．利用形態(tài)學(xué)中膨脹和細(xì)化處理，提取裂縫骨架．采用鏈碼和游程碼統(tǒng)計裂縫的拓?fù)浜蛶缀涡畔ⅲ涗浟芽p節(jié)點個數(shù)和位置、裂縫的形態(tài)和長度等信息，便于對裂縫進(jìn)行定量分析．實驗結(jié)果表明該方法能定量地對道路病害形態(tài)特征進(jìn)行分析，為道路病害的檢測提供科學(xué)依據(jù)．

致謝

北京星通聯(lián)華科技發(fā)展有限公司和中交路橋（北京）科技有限公司對該算法進(jìn)行多次測試，在此表示感謝！

［1］龍建武，申鉉京，陳鵬海．自適應(yīng)最小誤差閾值分割算法［J］．自動化學(xué)報，2012，38（7）：1134－1144．LONG Jian－wu，SHEN Xuan－jing，CHENG Penghai．Adaptive minimum error thresholding algorithm［J］．Acta Automatica Sinica，2012，38（7）：1134－1144．（in Chinese）

［2］NEJAD F M，IAKERI H．An optimum feature extraction method based on Wavelet－Radon Transform an Dynamic Neural Network for pavement distress classification［J］．Expert Systems with Applications，2011，38（8）：9442－9460．

［3］韓宏，楊靜宇．神經(jīng)網(wǎng)絡(luò)分類器的組合［J］．計算機(jī)研究與發(fā)展，2000，37（12）：1488－1492．HAN Hong，YANG Jing－yu．Combination of neural network classifiers［J］．Journal of Computer Research and Development，2000，37（12）：1488－1492．（in Chinese）

［4］ZOU Qin，CAO Yu，LI Qingquan，et al．Crack Tree：Automatic crack detection from pavement images［J］．Pattern Recognition Letters，2012，33（3）：227－238．

［5］洪漢玉．現(xiàn)代圖像圖形處理與分析［M］．武漢：中國地質(zhì)大學(xué)出版社，2011．HONG Han－yu．Advanced processing and analysis for image and graphics［M］．Wuhan：China University of Geosciences Press，2011．（in Chinese）

［6］魯光泉，許洪國，李一兵．基于鏈碼檢測的直線段檢測方法［J］．計算機(jī)工程，2006，32（14）：1－3，10．LU Guang－quan，XU Hong－guo，LI Yi－bing．Line segment detection based on chain code detection［J］．Computer Engineering，2006，32（14）：1－3，10．（in Chinese）