基于區(qū)域生長和最外邊緣追蹤的路面損壞檢測

王 維，孟麗娜，閆兆進(jìn)

（1.中國民航大學(xué)機場學(xué)院，天津 300300；2.山東科技大學(xué)測繪科學(xué)與工程學(xué)院，山東青島 266590）

基于區(qū)域生長和最外邊緣追蹤的路面損壞檢測

王 維1，孟麗娜1，閆兆進(jìn)2

（1.中國民航大學(xué)機場學(xué)院，天津 300300；2.山東科技大學(xué)測繪科學(xué)與工程學(xué)院，山東青島 266590）

為提高瀝青路面損壞檢測的效率和準(zhǔn)確度，提出一種基于區(qū)域生長和最外邊緣追蹤的瀝青路面損壞檢測方法。該方法先對路面圖像進(jìn)行區(qū)域生長分割，得到病害的連續(xù)區(qū)域，然后利用數(shù)學(xué)形態(tài)學(xué)中的閉運算進(jìn)行處理，連接鄰近物體和平滑邊界，接著通過邊界標(biāo)記和獲取最外邊界唯一值得到最外邊界的邊界點坐標(biāo)，最后通過坐標(biāo)轉(zhuǎn)換，生成相應(yīng)的GIS圖層。通過路面數(shù)據(jù)驗證，證明了該方法的有效性。

道路工程；路面破損；圖像識別；區(qū)域生長；邊緣追蹤

公路在使用過程中，由于受到行車載荷過大和自然因素的影響[1]，導(dǎo)致路面出現(xiàn)不同程度的破損，如何對路面損壞進(jìn)行快速檢測已成為急需解決的問題[2]。目前中國的路面損壞檢測還是以人工檢測方法為主，但人工檢測方法存在耗時長、效率低、現(xiàn)場檢測危險性高等缺點，因此不適應(yīng)道路發(fā)展的需求。隨著計算機技術(shù)的發(fā)展，尤其是近景攝影測量技術(shù)和圖像處理技術(shù)的發(fā)展，使得基于圖像分析的路面損壞檢測成為可能[3]，快速自動識別路面破損成為該領(lǐng)域的研究熱點。

由于國外發(fā)達(dá)國家公路發(fā)展起步較早，因此國外學(xué)者提出了許多成熟的基于圖像處理自動識別路面病害的算法。例如，Kapela R等[4]利用圖像的梯度直方圖檢測病害，計算比較簡單，但檢測精度較低；Salari E等[5]根據(jù)圖像的紋理特征檢測病害，實現(xiàn)了病害的分類提取，但計算較為復(fù)雜，需要設(shè)置多個參數(shù)。國內(nèi)對路面損壞自動識別的研究雖然起步較晚，但也提出了許多行之有效的方法，例如，錢彬等[6]利用子塊鑒別分析結(jié)果提取病害，但該方法只能檢測路面裂縫而對路面坑槽等非線性病害提取效果較差；李清泉等[7]提出了一種基于圖像自動勻光的病害檢測方法，解決了不同光照條件的限制，但算法較復(fù)雜，計算時間較長。

由于現(xiàn)有的路面損壞識別方法通常用檢測出的邊緣點勾繪物體輪廓，很少能形成圖像分割所需要的閉合且連通的邊界，因此不得不在邊緣提取的基礎(chǔ)上增加邊緣連接[8]，對于過多邊緣點的復(fù)雜場景，連接效果往往較差，并且會增加相應(yīng)的處理時間。路面病害大都呈現(xiàn)線狀或網(wǎng)狀，因此病害的實際長度和面積經(jīng)常作為判斷路面損壞程度的重要參考。目前得到病害長度和面積的方法一般有兩種：①通過傳統(tǒng)的人工測量方法獲得，但人工測量方法費時費力，效率較低；②在現(xiàn)場放置尺寸已知的標(biāo)盤，獲取現(xiàn)場的數(shù)字圖像后，通過病害和標(biāo)盤在圖像上所占像素的比值再乘以標(biāo)盤的實際面積獲得[9]，該方法每次測量都需要放置標(biāo)盤，不適合大面積作業(yè)，局限性較大。針對上述問題，本文提出一種改進(jìn)的病害識別和病害信息存儲方法，首先用區(qū)域生長方法進(jìn)行圖像分割，得到連續(xù)區(qū)域，然后進(jìn)行最外邊緣追蹤，得到病害的最外邊界，最后根據(jù)得到的邊界點生成各類病害的GIS圖層，對病害進(jìn)行管理和存儲。瀝青路面損壞檢測和信息存儲的流程，如圖1所示。

圖1 瀝青路面損壞檢測流程圖Fig.1 Flowchart of asphalt pavement damage detection

1 改進(jìn)的瀝青路面損壞檢測方法

1.1 區(qū)域生長算法

區(qū)域生長算法，最初由Zucker[10]提出，其基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。

生長區(qū)域的好壞取決于兩個因素：①種子點的選取，②生長準(zhǔn)則的選取。本文利用灰度直方圖進(jìn)行種子點的自動選取，即在圖像的灰度直方圖中選取出現(xiàn)頻數(shù)最高的點，同時標(biāo)記這些邊緣像素點，則這組像素點就是種子點。區(qū)域生長的生長準(zhǔn)則為：如果所考慮的像素（對種子點進(jìn)行八鄰域或四鄰域擴展得到）與種子點灰度值的差的絕對值小于或等于某個閾值，則將該像素點包括在種子點所在的區(qū)域，即

其中：n為邊緣像素點總數(shù)，X（i）為邊緣點的灰度值。

區(qū)域生長算法實現(xiàn)的步驟如下：

步驟1 新建一組數(shù)組temp并且置空，將種子像素點加入該數(shù)組中；

步驟2 取出temp中的像素作為種子點執(zhí)行步驟3，直到temp為空，生長結(jié)束；

步驟3 種子點的像素記為（x0，y0），對其進(jìn)行八鄰域擴展，判斷擴展像素p（x，y）是否滿足公式（1）的生長準(zhǔn)則。若滿足，則將該像素點添加到temp中，繼續(xù)進(jìn)行生長，若不滿足則停止該方向生長，檢測其他擴展像素，直到生長區(qū)域中再沒有符合要求的像素點加入到temp中，返回步驟2。

綜上所述，配偶間HIV傳播受多種因素綜合影響，預(yù)防配偶間HIV傳播，需要應(yīng)用生物醫(yī)學(xué)—行為干預(yù)—社區(qū)結(jié)構(gòu)等綜合性干預(yù)，才能最大限度降低配偶間HIV傳播風(fēng)險。

1.2 閉運算

在對圖像處理過程中，數(shù)學(xué)形態(tài)學(xué)作為一種常用工具得到廣泛使用，本文利用數(shù)學(xué)形態(tài)學(xué)中的閉運算對區(qū)域生長所得到的圖像進(jìn)行處理。通過閉運算處理，可以使輪廓線更為光滑，閉運算通常可以消除狹窄的間斷，消除小的孔洞，并且填補上輪廓線的斷裂。使用結(jié)構(gòu)元素E對A進(jìn)行閉運算，則閉運算的定義為：

其中：⊕表示膨脹算子，Θ為腐蝕算子。因此，用E對A進(jìn)行閉運算，即是用E對A膨脹，然后用E對結(jié)果進(jìn)行腐蝕。

1.3 最外邊界追蹤

1.3.1 邊緣追蹤原理

邊緣追蹤就是檢測每個像素和其直接鄰域的狀態(tài)，已決定該像素是否位于一個物體的邊界上。二值圖像中所有的像素只能從0和1這兩個值中取值，把互相連接的像素的集合匯集為一組稱為連接組分。連接組分標(biāo)記就是對于相同的連接組分用同一個整數(shù)來表示，對于不同的連接組分則用不同的整數(shù)值來區(qū)分。標(biāo)注以后，就可以識別二值圖像中的每一個對象。本文首先對圖像中的連接組分進(jìn)行標(biāo)記，然后對其進(jìn)行最外邊界追蹤，這樣就得到了圖像的最外邊界。獲取最外邊界的過程如圖2所示。

圖2 最外邊緣追蹤Fig.2 Outermost border following

1.3.2 獲取最外邊界唯一值

當(dāng)且僅當(dāng)（i，j）滿足以下兩個條件時，邊界點（i，j）在最外邊界上：①像素（i，1），（i，2）…（i，j-1）都是0像素；②對一行從左向右進(jìn)行掃描時，遇到的最近邊界點（i，h）在最外邊界上，并且像素（i，h+1）屬于非邊界點。最外邊緣跟蹤算法的實現(xiàn)步驟如下：

步驟1 按照從左到右、從上至下的順序?qū)D像進(jìn)行掃描，當(dāng)發(fā)現(xiàn)像素值從0變?yōu)?時，記為p0點。判斷p0是否是邊界點，若是，則作為邊界的起點，記錄下它的坐標(biāo)值（i，j）；

步驟2 從p0點的正上鄰接點開始，逆時針方向在p0點的8鄰域?qū)ふ抑禐橄袼刂?的點，當(dāng)?shù)谝淮纬霈F(xiàn)的像素值為1的點記為pk，記錄下它的坐標(biāo)值；

步驟3 同上，從pk-1作為起點，逆時針方向在pk的八鄰域內(nèi)尋找像素值為1的點，把最新滿足條件的點記為pk+1，存儲它的坐標(biāo)值；

步驟4 當(dāng)且僅當(dāng)起點與終點重合，即pk=p0時，跟蹤結(jié)束。否則，返回第三步，反復(fù)處理。

1.3.3 坐標(biāo)轉(zhuǎn)換

把得到的最外邊界的像素點坐標(biāo)根據(jù)坐標(biāo)文件轉(zhuǎn)換成地理坐標(biāo)。轉(zhuǎn)換公式如下：

其中：X′為轉(zhuǎn)換后的地理X坐標(biāo)，Y′為轉(zhuǎn)換后的地理Y坐標(biāo)；X為像素坐標(biāo)的列號；Y為像素坐標(biāo)的行號；A為X方向上的像素分辨率；E為Y方向上的像素分辨率；B為旋轉(zhuǎn)系數(shù)；D為平移系數(shù)；C為柵格地圖左上角像素中心X坐標(biāo)；F為柵格地圖左上角像素中心Y坐標(biāo)。通過坐標(biāo)轉(zhuǎn)換實現(xiàn)了圖像坐標(biāo)與地理坐標(biāo)的轉(zhuǎn)換，然后用轉(zhuǎn)換后的地理坐標(biāo)生成GIS圖層。

2 試驗結(jié)果分析

根據(jù)上述算法原理，利用Matlab語言，實現(xiàn)了基于區(qū)域生長和最外邊緣追蹤的瀝青路面損壞檢測算法，并且利用C#語言和ArcGIS Engine組件做二次開發(fā)，實現(xiàn)了由邊界點生成不同類型的病害圖層。為驗證算法的試驗效果，選用了連續(xù)5 km瀝青道路作為研究對象。本文算法病害識別的實例，如圖3所示。為驗證本文算法的有效性，選取文獻(xiàn)[4]中的梯度直方圖法和文獻(xiàn)[5]中的紋理法與本文算法進(jìn)行了對比分析，選用病害檢出率和平均處理時間兩個定量指標(biāo)進(jìn)行計算，其檢測結(jié)果如表1所示。

表1 路面病害檢測結(jié)果Tab.1 Road surface disease test results

圖3 病害識別結(jié)果Fig.3 Results of disease recognition

2.1 定量指標(biāo)

病害遺漏總數(shù)為實地勘察存在而區(qū)域邊緣追蹤算法沒有檢測出來的病害總數(shù)。病害檢出率為病害檢出的總數(shù)與實際存在的病害總數(shù)的比值，即

其中：λ為病害檢出率；N為病害實際存在的總數(shù)；M為病害遺漏總數(shù)。

平均檢測時間為平均檢測一張圖片所需的時間，其定義如下：

其中：TA為平均檢測時間，單位為s；TS為算法運行的總時間；N為圖像總張數(shù)。

2.2 結(jié)果分析

由圖3可知，本文算法對裂縫的識別度較高。由表1可以看出，本文算法的病害檢出率達(dá)到96%，高于梯度直方圖法的88%和紋理特征法的85%，同時可以看出本文算法檢測出的冗余病害數(shù)目少于其他兩種方法，并且本文算法的平均檢測時間低于其他兩種方法的平均檢測時間。綜上可知，實驗數(shù)據(jù)的對比分析結(jié)果證明了本文算法的有效性。同時也可以看出，利用本文算法檢測出的病害總數(shù)多于實際存在的病害總數(shù)，這是因為圖像在拼接過程中，由于拼接誤差的存在，導(dǎo)致位于圖像拼接出的連續(xù)病害被分成了不連續(xù)的多條，因此出現(xiàn)了檢出病害信息冗余的情況。因此如何減少冗余病害，是未來工作中的重點。

3 結(jié)語

本文通過區(qū)域生長獲取病害的連續(xù)區(qū)域，利用數(shù)學(xué)形態(tài)學(xué)中的閉運算對區(qū)域生長的結(jié)果進(jìn)行進(jìn)一步處理，消除孔洞并填補上輪廓線的斷裂，然后進(jìn)行邊緣追蹤，通過標(biāo)記算法和最外邊界唯一值算法獲取病害的最外邊界點，接著通過坐標(biāo)轉(zhuǎn)換，把得到的像素坐標(biāo)轉(zhuǎn)換成地理坐標(biāo)，生成不同類型的病害圖層。算法可以準(zhǔn)確、快速地得到病害邊界，無需經(jīng)過邊緣連接就可以獲取閉合、連通的病害區(qū)域，通過GIS圖層進(jìn)行存儲和管理病害，方便查詢病害的屬性信息和計算病害的長度、面積等，對瀝青路面損壞的自動檢測具有重要實用價值。

[1]張 娟,沙愛民,高懷鋼,等.基于數(shù)字圖像處理的路面裂縫自動識別與評價系統(tǒng)[J].長安大學(xué)學(xué)報(自然科學(xué)版),2004,24(2):18-22.

[2]張金柱,張國慶,張金棟.瀝青路面施工中快速檢測方法的應(yīng)用[J].中外公路,2012,32(1):109-112.

[3] 張德津,李清泉,陳 穎,等.基于空間聚集特征的瀝青路面裂縫檢測方法[J].自動化學(xué)報,2016,42(3):443-454.

[4]KAPELAR,SNIATALAP,TURKOTA,etal.AsphaltSurfacedPavement Cracks Detection Based on Histograms of Oriented Gradients[C]//2015 22nd International Conference on Mixed Design of Integrated Circuits& Systems(MIXDES),2015:579-584.

[5]SALARI E,BAO G.Pavement Distress Detection and Classification Using Feature Mapping[C]//IEEE International Conference on Electro/Information Technology,2010:1-5.

[6]錢 彬,唐振民,徐 威,等.子塊鑒別分析的路面裂縫檢測[J].中國圖象圖形學(xué)報,2015,20(12):1652-1663.

[7]李清泉,胡慶武.基于圖像自動勻光的路面裂縫圖像分析方法[J].公路交通科技,2010,27(4):1-5.

[8]董 晶,楊 夏,于起峰.基于邊緣連接的快速直線段檢測算法[J].光學(xué)學(xué)報,2013,33(3):220-227.

[9]RODRIGUEZ T.Practical camera calibration and image rectification in monocular road traffic applications[J].Machine Graphics and Vision, 2006,15(1):51-71.

[10]ZUCKER S W.Region growing:childhood and adolescence[J].Computer Graphics&Image Processing,1976,5(3):382-399.

（責(zé)任編輯：劉智勇）

Asphalt pavement damage detection method based on region growing and outermost border following

WANG Wei1,MENG Lina1,YAN Zhaojin2
（1.College of Airport Engineering,CAUC,Tianjin 300300,China;2.College of Geomatics, Shandong University of Science and Technology,Qingdao 266590,China）

In order to improve the efficiency and accuracy of asphalt pavement damage detection,a damage detection method is proposed to the asphalt pavement based on region growing and border following of outermost borders.Firstly, road image is divided into different regions according to region growing to get the continuous area of diseases. Secondly,adjacent objects and smooth border are connected by closing operation of mathematical morphology,and then border point coordinates of outermost border are obtained by marking the border and getting unique value of outermost border.Finally,the appropriate GIS layers are generated through coordinate conversion,proving the effectiveness of this method through road data testing.

road engineering;pavement damage;image recognition;regional growth;border following

TP751.1

：A

：1674－5590（2016）06－0051－04

2016-03-22；

：2016-05-10

：中央高?；究蒲袠I(yè)務(wù)費專項（Y16-18）

王維（1960—），男，河北豐南人，教授，碩士，研究方向為機場工程.