基于分?jǐn)?shù)階積分谷底邊界檢測(cè)的路面裂縫提取*

王衛(wèi)星 吳林春

(1.福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350002;2.瑞典皇家理工學(xué)院，瑞典 斯德哥爾摩)

由于行車荷載作用和自然因素的影響，公路路面會(huì)逐漸產(chǎn)生各種破損.裂縫是大多數(shù)路面病害的早期形式，如果處理不當(dāng)，那么在反復(fù)交通壓力和雨雪等天氣的影響下，路面病害將會(huì)越來越嚴(yán)重［1］.Oliveira等［2］對(duì)路面裂縫進(jìn)行了分類和特性分析.

傳統(tǒng)的基于人工視覺的路面裂縫檢測(cè)方法工作強(qiáng)度大、安全無保障、無統(tǒng)一標(biāo)準(zhǔn)，檢測(cè)速度慢、精度較低，而且無法對(duì)路面進(jìn)行實(shí)時(shí)檢測(cè)和修復(fù).為此，許多學(xué)者開始采用圖像處理技術(shù)進(jìn)行路面裂縫的相關(guān)研究.馬常霞［3］詳細(xì)闡述了路面裂縫的特征，在總結(jié)現(xiàn)有利用圖像處理技術(shù)的相關(guān)算法的基礎(chǔ)上，提出了一種基于非下采樣輪廓波變換(NSCT)的路面裂縫檢測(cè)算法.Li 等［4］提出了基于區(qū)域增長(zhǎng)的路面裂縫檢測(cè)方法.Wang 等［5］采用邊界掃描的方法來跟蹤裂縫.Ayenu-Prah 等［6］提出了基于二維經(jīng)驗(yàn)?zāi)Ｊ椒纸獾穆访媪芽p檢測(cè)方法.Chambon 等［7］利用基于馬爾可夫隨機(jī)過程的多尺度方法進(jìn)行路面裂縫的檢測(cè).Landstr?m 等［8］提出了基于形態(tài)學(xué)的路面裂縫檢測(cè)算法.這些算法在相應(yīng)條件下的裂縫檢測(cè)均取得了較好的結(jié)果，但對(duì)細(xì)小裂縫的檢測(cè)仍然存在弱邊界漏檢等不足.目前的檢測(cè)系統(tǒng)主要將光學(xué)成像裝置(如CCD 相機(jī))安裝在載車后部，并將成像系統(tǒng)所拍攝到的視頻圖像利用圖像處理技術(shù)對(duì)裂縫進(jìn)行檢測(cè)，由于路面材質(zhì)粗糙和平滑程度不均，加上系統(tǒng)裝置受非均勻光照成像環(huán)境和系統(tǒng)裝置本身的影響，使得所獲得的路面圖像存在大量的噪聲和陰影，同時(shí)細(xì)小裂縫占整幅圖像的比重較小，故在進(jìn)行細(xì)小路面裂縫的識(shí)別檢測(cè)時(shí)存在很大的困難.

針對(duì)上述問題，文中提出了一種基于分?jǐn)?shù)階積分谷底邊界檢測(cè)的細(xì)小路面裂縫提取方法，首先根據(jù)裂縫圖像的特征結(jié)合形態(tài)學(xué)的思想對(duì)原始圖像進(jìn)行預(yù)處理，進(jìn)而利用谷底邊界檢測(cè)方法進(jìn)行裂縫定位，采用形態(tài)學(xué)方法對(duì)檢測(cè)結(jié)果進(jìn)行處理后再進(jìn)行目標(biāo)細(xì)線化和短線毛刺噪聲消除，最后采用基于最大熵閾值的斷線連接方法連接裂縫斷口，從而得到最終的路面裂縫檢測(cè)結(jié)果.

1 裂縫圖像特征及圖像預(yù)處理

一般情況下，系統(tǒng)裝置采集到的路面圖像包含兩類對(duì)象:①表面粗糙并帶有三維信息的不均勻路面背景;②長(zhǎng)短不一及灰度差異較大的裂縫，即要識(shí)別的目標(biāo).

結(jié)合文獻(xiàn)［9］，文中將路面圖像特征歸納如下:①裂縫相對(duì)于其附近的路面背景來說是一些灰度值較低的像素集合;②一般來說，裂縫具有一定的線性特征和方向，在空間上具有連續(xù)性;③由于光照不均勻，裂縫像素在整幅路面圖像中的不同位置上可能呈現(xiàn)出不同的灰度值;④裂縫較細(xì)小，裂縫目標(biāo)像素在整個(gè)路面圖像中占據(jù)的比例較小(1% 以下);⑤同一裂縫的各段粗細(xì)不均，在圖像識(shí)別時(shí)很容易受到各種噪聲的影響;⑥斑點(diǎn)顆粒噪聲強(qiáng)，裂縫信噪比低，裂縫與背景之間亮度對(duì)比度低，裂縫目標(biāo)像素的空間連續(xù)性差.

根據(jù)上述裂縫圖像特征，在路面裂縫圖像增強(qiáng)中，主要是增強(qiáng)裂縫信息(如擴(kuò)展其寬度等)及減少圖像背景噪聲.由于路面本身是一個(gè)三維體，所拍攝的路面圖像背景存在凹凸不平的顆粒噪聲，故文中先對(duì)原始圖像進(jìn)行預(yù)處理.基于裂縫灰度值比背景灰度低的特點(diǎn)，文中在預(yù)處理路面圖像時(shí)結(jié)合中值濾波，采用鄰域均值思想找出以目標(biāo)像素f(i，j)為中心、n×n 鄰域內(nèi)的像素f0(i，j)，f1(i，j)，f2(i，j)，…，fn2－1(i，j)，取該鄰域內(nèi)前n 個(gè)最小像素灰度的平均值f'(i，j)作為該像素點(diǎn)的灰度，即

經(jīng)過多鄰域平滑預(yù)處理后，能較好地消除白色噪聲，顆粒噪聲得到了平滑，且裂縫也得到一定程度的擴(kuò)張.采用不同尺寸鄰域的預(yù)處理結(jié)果如圖1 所示，鄰域尺寸的選取將影響到處理結(jié)果，范圍較小時(shí)裂縫擴(kuò)張不夠明顯，范圍過大時(shí)將產(chǎn)生新的黑點(diǎn)噪聲，故文中方法采用3 ×3 鄰域?qū)D像進(jìn)行平滑處理.

圖1 路面裂縫圖像預(yù)處理結(jié)果Fig.1 Preprocessing results of pavement crack image

2 基于分?jǐn)?shù)階積分的谷底邊界檢測(cè)算法

路面圖像中裂縫占整個(gè)圖像的比例小、圖像對(duì)比度低、裂縫邊界弱等特點(diǎn)導(dǎo)致了利用傳統(tǒng)邊界檢測(cè)算法(如Robert、Prewitt、Sobel、LOG、Canny 等)得到的邊界結(jié)果并不理想(定位不準(zhǔn)及難以識(shí)別等)，不利于裂縫的進(jìn)一步檢測(cè)、定位與提取.在對(duì)路面圖像進(jìn)行預(yù)處理后，圖像更加平滑，但也削弱了裂縫邊界，并且會(huì)產(chǎn)生一些黑點(diǎn)噪聲.考慮到分?jǐn)?shù)階積分在去除噪聲的同時(shí)，能對(duì)圖像中的邊緣、紋理細(xì)節(jié)信息進(jìn)行不同程度的保留，尤其是對(duì)圖像中灰度變化不大的弱邊緣和弱紋理細(xì)節(jié)信息均能有效地保留［10］.文獻(xiàn)［10-11］中采用8 方向構(gòu)造分?jǐn)?shù)階積分模板，取得了較好的圖像去噪效果，因此文中在進(jìn)行谷底邊界檢測(cè)時(shí)引用了分?jǐn)?shù)階積分.

目前有不同的分?jǐn)?shù)階微積分的定義［12-13］，其中Grümwald-Letnikov 定義已被廣泛用于數(shù)字圖像處理中，其定義為

在式(2)中，令階次v= -v，數(shù)字系統(tǒng)中h=1，便得到Grümwald-Letnikov 分?jǐn)?shù)階積分:

2.1 分?jǐn)?shù)階積分谷底邊界檢測(cè)算子模板

如圖2(a)所示，將像素f(i，j)的5 ×5 鄰域分為8 個(gè)方向，結(jié)合分?jǐn)?shù)階積分構(gòu)造8 個(gè)方向的模板，如圖2(b)-2(i)所示，分別是沿X 軸正方向的模板W1、與X 軸正軸逆時(shí)針成45°的模板W2、沿Y 軸正方向的模板W3、與X 軸正軸逆時(shí)針成135°的模板W4、沿X 軸負(fù)方向的模板W5、與X 軸正軸逆時(shí)針成225°的模板W6、沿Y 軸負(fù)方向的模板W7、與X 軸正軸逆時(shí)針成315°的模板W8，其中a1= - v，a2=v(v+1)/2.

圖2 8 個(gè)方向的模板Fig.2 Templates along 8 directions

2.2 谷底檢測(cè)算子的運(yùn)算規(guī)則

利用上述8 個(gè)方向掩模對(duì)圖像F 進(jìn)行卷積運(yùn)算，8 個(gè)方向的掩模卷積數(shù)值運(yùn)算規(guī)則定義如下:

式中，b 為模板大小.將上述所得到的8 個(gè)方向值分為4 對(duì):0°和180°、45°和225°、90°和270°、135°和315°.設(shè)谷底閾值為T，若每對(duì)的兩個(gè)方向值均比目標(biāo)像素值高出T，則判定f(i，j)在該方向上為谷底，并按式(12)對(duì)4 個(gè)方向?qū)M(jìn)行賦值:

式中:m=0，1，2，3.取4 個(gè)方向的最大值作為谷底值g(i，j).選定閾值T'，根據(jù)g(i，j)大小對(duì)圖像進(jìn)行二值化:

文中算法是根據(jù)裂縫所在像素進(jìn)行跟蹤定位，為驗(yàn)證文中提出的谷底邊界檢測(cè)算法在裂縫定位檢測(cè)中的優(yōu)勢(shì)，實(shí)驗(yàn)采用傳統(tǒng)邊界檢測(cè)算法和文中算法對(duì)圖3(a)所示裂縫圖像(圖1(c)經(jīng)平滑處理后)進(jìn)行檢測(cè)，結(jié)果如圖3(b)-3(i)所示.

圖3 幾種邊界檢測(cè)算法的檢測(cè)結(jié)果比較Fig.3 Comparison of detection results among several edge detection algorithms

3 短線噪聲消除和邊界連接

經(jīng)過谷底邊界檢測(cè)后，圖像中還存在較多的短線(其跟蹤長(zhǎng)度小于跟蹤步長(zhǎng)Tk)毛刺噪聲和斷線(其跟蹤長(zhǎng)度不小于跟蹤步長(zhǎng))，而且兩線中間存在斷裂間隙［14］.處理時(shí)一般先進(jìn)行骨架提取［15］和短線毛刺去除.短線噪聲大致可以分為閉合的環(huán)形短線噪聲、非閉合的曲線噪聲和孤立噪聲.為了能更好地消除這3 類噪聲，文中先采用形態(tài)學(xué)方法對(duì)谷底邊界檢測(cè)結(jié)果進(jìn)行膨脹腐蝕操作，再進(jìn)行毛刺判定與消除.膨脹操作可以實(shí)現(xiàn)圖像中裂隙小斷裂口的連接，腐蝕可以消除圖像中細(xì)小毛刺，先膨脹后腐蝕操作不但可以使目標(biāo)趨于光滑，而且可以消除孔洞環(huán)線噪聲及填補(bǔ)部分裂隙斷裂部分.具體方法如下:先對(duì)目標(biāo)像素(灰度值為255)進(jìn)行8 鄰域方向的膨脹操作，然后對(duì)圖像進(jìn)行4 鄰域方向的腐蝕操作并進(jìn)行細(xì)線化;接著按順序掃描圖像，若遇到孤立點(diǎn)則直接消除(賦值為0)，若遇到端點(diǎn)則記錄該點(diǎn)，并跟蹤該端點(diǎn)所在的曲線，若跟蹤過程中遇到交叉點(diǎn)(即8 鄰域目標(biāo)像素個(gè)數(shù)≥3)，則認(rèn)為是裂縫內(nèi)部信息，清除記錄信息，否則繼續(xù)跟蹤直到另一端點(diǎn)，并根據(jù)跟蹤步長(zhǎng)與閾值Tk來決定是否清除該線段.

消除短線噪聲后的裂縫存在一些斷裂口，連接斷線前首先要找到端點(diǎn).常用的方法一般是在端點(diǎn)周圍搜索可能的連接候選端點(diǎn)，然后根據(jù)該端點(diǎn)和候選端點(diǎn)之間的距離及其所在線段的角度差來判斷這兩端點(diǎn)是否能夠連接.但采用該方法連接斷線時(shí)存在如下不足:①兩端點(diǎn)處所在的方向角度不好判定;②端點(diǎn)與端點(diǎn)的連接路徑和方式靠主觀判定，連接時(shí)可能存在錯(cuò)連和漏連等問題.為此，文中采用短連接和長(zhǎng)連接相結(jié)合的連接方法:短連接是指兩端點(diǎn)距離小于某個(gè)值(文中取為4 像素)時(shí)直接連接這兩點(diǎn);長(zhǎng)連接是指基于最大熵閾值的斷線連接方法，最大熵閾值法能較好地確定平滑后圖像裂縫與背景的分離閾值，具體方法是先計(jì)算最大熵閾值，然后根據(jù)閾值判定平滑后圖像中兩端點(diǎn)間的像素是否有裂縫信息再進(jìn)行連接.具體描述如下:

4 實(shí)驗(yàn)結(jié)果及分析

采用C ++編程實(shí)現(xiàn)文中算法，實(shí)驗(yàn)選取典型的路面影像圖(如圖4(a)所示)，該圖像的裂縫邊界比較弱，背景噪聲較大，對(duì)比度較低.實(shí)驗(yàn)參數(shù)選擇如下:分?jǐn)?shù)階積分階次v=0.8，谷底閾值T=4，二值化閾值T'=6，短線閾值Tk=10，端點(diǎn)連接距離L=15.裂縫提取實(shí)驗(yàn)結(jié)果如圖4(b)-4(i)所示.

文中還對(duì)其他不同性質(zhì)及成像條件不同的路面影像圖(這些圖像噪聲強(qiáng)，裂縫信息較弱)進(jìn)行裂縫提取實(shí)驗(yàn)，發(fā)現(xiàn)傳統(tǒng)方法的提取效果很不理想，文中方法在抗噪性能、提取精度和定位準(zhǔn)確度等方面均取得了較好的效果.圖5 給出了文中方法與傳統(tǒng)方法對(duì)3 幅不同性質(zhì)路面圖像的裂縫提取結(jié)果.

圖4 裂縫提取實(shí)驗(yàn)結(jié)果Fig.4 Experimental results of crack extraction

圖5 文中方法與傳統(tǒng)方法對(duì)3 幅不同性質(zhì)路面圖像的裂縫提取結(jié)果Fig.5 Extraction results of three different types of pavement crack images among the proposed method and traditional methods

5 結(jié)論

文中提出了一種基于雙閾值谷底檢測(cè)的細(xì)小路面裂縫檢測(cè)方法.該方法在保證不損失裂縫信息的前提下，對(duì)原始圖進(jìn)行有選擇的鄰域平滑，然后采用基于分?jǐn)?shù)階積分模板的多方向谷底邊界檢測(cè)算法初步提取細(xì)小裂縫，進(jìn)而在提取骨架的前提下采用形態(tài)學(xué)方法光滑裂縫并進(jìn)行短線毛刺噪聲的消除，最后根據(jù)最大熵閾值斷線連接法連接裂縫斷口，從而提取到最終的路面裂縫.實(shí)驗(yàn)結(jié)果表明，文中方法在提取細(xì)小裂縫時(shí)的抗噪性能、提取精度、定位準(zhǔn)確度均優(yōu)于傳統(tǒng)方法，能滿足細(xì)小裂縫的定位和檢測(cè)要求.進(jìn)一步的研究工作是改進(jìn)相關(guān)算法以實(shí)現(xiàn)在線道路裂縫的檢測(cè)和預(yù)警.

［1］Ni Zhiping，Tang Peihe，Xi Yiyi.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，2012:755-758.

［2］Oliveira Henrique，Correia Paulo Lobato.Automatic road crack detection and characterization［J］.IEEE Transactions on Intelligent Transportation Systems，2013，14(1):155-168.

［3］馬常霞.基于圖像分析的路面裂縫檢測(cè)的關(guān)鍵技術(shù)研究［D］.南京:南京理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，2012:2-54.

［4］Li Qingquan，Zou Qin，Zhang Daqiang，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］Wang Kelvin C P，Gong Weiguo，Li Xuyang，et a1.Data analysis of real-time system for automated distress survey［J］.Transportation Research Record:Journal of the Transportation Research Board，2002，1806:101-109.

［6］Ayenu-Prah A，Attoh-Okine N.Evaluating pavement cracks with bidimensional empirical mode decomposition［J］.EURASIP Journal on Advances in Signal Processing，2008，2008:861701/1-7.

［7］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］∥Proceedings of Image Processing:Machine Vision Applications II.San Jose:SPIE，2009:72510A/1-12.

［8］Landstr?m Anders，Thurley Matthew J.Morphology-based crack detection for steel slabs［J］.IEEE Journal of Selected Topics in Signal Processing，2012，6(7):866-875.

［9］Tsai Yichang (James)，Kaul Vivek，Yezzi Anthony.Automating the crack map detection process for machine operated crack sealer［J］.Automation in Construction，2013，31:10-18.

［10］Wang W X，Li W S，Yu X.Fractional differential algorithms for rock fracture images ［J］.Imaging Science Journal，2012，60(2):103-111.

［11］劉彥，蒲亦非，周激流.一種基于分?jǐn)?shù)階積分的數(shù)字圖像去噪算法［J］.四川大學(xué)學(xué)報(bào):工程科學(xué)版，2011，43(3):90-95.Liu Yan，Pu Yi-fei，Zhou Ji-liu.A digital image denoising method based on fractional calculus［J］.Journal of Sichuan University:Engineering Science Edition，2011，43(3):90-95.

［12］張意，蒲亦非，周激流.分?jǐn)?shù)階微分掩模及其濾波器的構(gòu)造［J］.華南理工大學(xué)學(xué)報(bào):自然科學(xué)版，2012，39(7):96-101.Zhang Yi，Pu Yi-fei，Zhou Ji-liu.Construction of fractional derivation masks and corresponding filter［J］.Journal of South China University of Technology:Natural Science Edition，2012，39(7):96-101.

［13］Oldham K B，Spanier J.The fractional calculus ［M］.New York:Academic Press，1974.

［14］楊松，邵龍?zhí)叮鶗韵?，?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):1850-1854.Yang Song，Shao Long-tan，Guo Xiao-xia，et al.Skeleton and fractal law based image recognition algorithm for concrete crack［J］.Chinese Journal of Scientific Instrument，2012，33(8):1850-1854.

［15］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.Tang Jin，Jiang Bo，Luo Bin，et al.Shape description and skeleton-graph matching algorithm based on histogram［J］.Journal of South China University of Technology:Natural Science Edition，2010，38(7):27-32.