基于多特征的路面裂縫目標(biāo)提取方法

姜吉榮，陳小惠

(南京郵電大學(xué) 自動(dòng)化學(xué)院，江蘇 南京 210023)

基于多特征的路面裂縫目標(biāo)提取方法

姜吉榮，陳小惠

(南京郵電大學(xué) 自動(dòng)化學(xué)院，江蘇 南京 210023)

根據(jù)路面裂縫圖像受到各種環(huán)境的干擾，從實(shí)用角度出發(fā)，提出了結(jié)合局部灰度特征、局部相異度特征和局部方向特征的裂縫目標(biāo)提取算法。首先以數(shù)量統(tǒng)計(jì)值對裂縫目標(biāo)和背景粗劃分，對粗劃分后裂縫目標(biāo)計(jì)算其灰度特征，結(jié)合當(dāng)前點(diǎn)相異度特征并計(jì)算自適應(yīng)閾值得到裂縫信息。但由于裂縫存在空洞點(diǎn)和斷裂點(diǎn)，彌補(bǔ)方法是判斷當(dāng)前點(diǎn)鄰域內(nèi)非零像素點(diǎn)數(shù)，符合條件下再計(jì)算窗口內(nèi)非零像素點(diǎn)與當(dāng)前點(diǎn)的斜率，對角度進(jìn)行投票，提取局部方向特征描述。最后結(jié)合多結(jié)構(gòu)元素形態(tài)學(xué)去噪算子，去除孤立噪聲。與最大類間方差法和基于傳統(tǒng)特征的分割算法進(jìn)行了對比，實(shí)驗(yàn)表明文中方法能夠較為完整、連續(xù)地提取路面裂縫目標(biāo)。

路面裂縫；灰度特征；相異度特征；方向特征；特征描述；去噪

0 引 言

路面裂縫是路面病害的主要初期表現(xiàn)形式，影響正常的交通運(yùn)輸，降低車輛行駛速度及舒適度。實(shí)際采集到的路面裂縫圖像存在噪聲多、裂縫信息弱小、受環(huán)境干擾等復(fù)雜特性，使裂縫目標(biāo)很難從背景中提取出來，所以研究路面裂縫圖像的分割算法具有實(shí)際意義。目前的研究算法主要可分為：基于紋理特征的方法[1-3]、基于數(shù)學(xué)變換的方法[4-5]、基于灰度特征的方法[6-10]以及基于閾值分割的方法[11-14]。

文獻(xiàn)[1]引入了局部二元模式特征算子和相對標(biāo)準(zhǔn)差以及對比度特征，通過加權(quán)融合算法提取路面裂縫信息，但三種特征權(quán)重的選擇較為困難。文獻(xiàn)[6]利用裂縫圖像裂縫區(qū)域的灰度值小于非裂縫區(qū)域的灰度值的特點(diǎn)，確定經(jīng)差分處理后路面圖像灰度值的隸屬度函數(shù)的參數(shù)，對裂縫圖像進(jìn)行模糊化處理，得到路面裂縫圖像的分割結(jié)果。文獻(xiàn)[7-8]根據(jù)裂縫非負(fù)特征、對比度特征以及圓投影變換進(jìn)行裂縫提取，雖然有著較好的提取效果，但其特征閾值選擇由于不同環(huán)境路面裂縫圖像而有區(qū)別，圓投影變換不能很好地對裂縫進(jìn)行斷裂或者空洞點(diǎn)修復(fù)，具有一定的局限。文獻(xiàn)[15]對不同的裂縫分割方法進(jìn)行了客觀評價(jià)，為路面裂縫檢測方法的發(fā)展提供了有利的指導(dǎo)。

以路面裂縫圖像為研究對象，文中在前人研究的基礎(chǔ)上，從實(shí)用角度出發(fā)，首先對裂縫目標(biāo)和背景進(jìn)行粗劃分，提取劃分后裂縫目標(biāo)點(diǎn)的局部灰度特征(Local Gray Feature,LGF)，結(jié)合局部相異度特征(Local Dissimilarity Feature,LDF)得到LGF-LDF圖，并通過最大類間方差法自適應(yīng)選擇最佳閾值。提出了局部方向特征(Local Orientation Feature,LOF)的提取方法，去噪并彌補(bǔ)裂縫斷裂點(diǎn)和空洞點(diǎn)。最后結(jié)合多結(jié)構(gòu)元素形態(tài)學(xué)去噪算子去除孤立噪聲。實(shí)驗(yàn)表明，文中方法提取裂縫信息較為完整、準(zhǔn)確和豐富，在保留裂縫細(xì)節(jié)和抑制噪聲上達(dá)到較好的平衡。

1 特征提取

1.1 LGF-LDF

實(shí)際采集到的路面裂縫圖像(見圖1(a))裂縫區(qū)域的像素點(diǎn)的灰度值普遍低于背景像素點(diǎn)的灰度值，而且差異明顯。即裂縫的灰度特征[2,8]以(2N1+1)(2N1+1)為計(jì)算窗口，為避免處理邊界附近像素點(diǎn)時(shí)造成坐標(biāo)越界，將裂縫圖像邊界向外拓展N1個(gè)像素點(diǎn)，拓展區(qū)域像素值以邊界像素點(diǎn)灰度值填充。

當(dāng)前點(diǎn)(i,j)與窗口內(nèi)其他像素點(diǎn)的灰度差如式(1):

(1)

其中,-N1≤k,l≤N1。

首先對裂縫目標(biāo)和背景點(diǎn)進(jìn)行粗劃分，因?yàn)樵跓o意義的背景點(diǎn)上進(jìn)行灰度特征提取是沒有意義的，同時(shí)影響處理速度。粗劃分的依據(jù)是數(shù)量統(tǒng)計(jì)特征C(i,j)，其定義和粗劃分公式如式(2)：

(2)

其中，H(x)為閾值函數(shù)。

若當(dāng)前點(diǎn)為裂縫目標(biāo)，由于裂縫點(diǎn)的灰度值較小，窗口內(nèi)比當(dāng)前點(diǎn)像素值大的個(gè)數(shù)較多，而背景點(diǎn)由于灰度值較大，窗口內(nèi)出現(xiàn)比其像素值大的像素概率較少，以此對目標(biāo)點(diǎn)和背景點(diǎn)粗劃分是可行的。根據(jù)經(jīng)驗(yàn)，確定閾值T1的范圍為：T1=0.85±0.05。

圖1示例圖的數(shù)量統(tǒng)計(jì)特征大體劃分出了裂縫目標(biāo)和背景。

圖1 數(shù)量統(tǒng)計(jì)值粗劃分

若當(dāng)前點(diǎn)Count(i,j)非零，則進(jìn)行局部灰度特征提取工作。

定義調(diào)節(jié)參數(shù)ω：

(3)

定義當(dāng)前點(diǎn)與其他像素點(diǎn)的灰度相關(guān)性因子Rough如下：

(4)

那么當(dāng)前中心點(diǎn)(i,j)灰度特征可以描述為F1(i,j),G(x)為閾值函數(shù)，th為設(shè)定閾值。

(5)

根據(jù)大量實(shí)驗(yàn)結(jié)果，設(shè)Rough的最大值為max_diff，確定閾值:

th=0.1*max_diff

(6)

灰度特征圖I_gray提取方法如下：

(7)

為了使閾值T2自適應(yīng)圖像，從灰度特征F1出發(fā)，采用最大類間方差法(Otsu)求解F1的最佳閾值。Otsu是選擇全局閾值的最優(yōu)方法，計(jì)算簡單，實(shí)現(xiàn)如下[13]：

設(shè)取整后F1灰度值為0～M級。設(shè)待定閾值T1，類間方差b計(jì)算方法如式(8):

b=w0(u-u0)2+w1(u-u1)2=w0w1(u0-u1)2

(8)

其中:u為F1像素平均灰度值；w0，u0為F1像素值在[0,T2]出現(xiàn)的概率和平均灰度值；w1,u1為F1像素值在[T2+1,M]之間的概率和平均灰度值。

從[0,M]遍歷T2，當(dāng)b最大時(shí)相應(yīng)的T2值即為最佳閾值。

當(dāng)灰度特征值在所規(guī)定的閾值范圍內(nèi)，則將F1(i,j)賦值給I_gray(i,j)，否則當(dāng)前中心點(diǎn)賦值為零。圖2為示例裂縫圖像的數(shù)量統(tǒng)計(jì)特征和灰度特征圖(T1=0.8,T2=5)。

圖2 灰度特征提取結(jié)果

灰度特征圖中存在大量的噪聲信息，文獻(xiàn)[7-8]給出了對比度特征值的提取方法，但對比度特征以區(qū)域灰度均值和方差為判斷標(biāo)準(zhǔn)，由于存在和裂縫區(qū)域灰度值相近的噪聲區(qū)域，提取對比度特征并不能很好地去除這部分噪聲。文中從灰度特征圖出發(fā)，提取路面裂縫圖像局部相異度特征，并能夠自動(dòng)選擇閾值。局部相異度特征獲取步驟如下：

步驟一：首先篩選出疑似裂縫點(diǎn)，疑似裂縫點(diǎn)為灰度特征圖中像素值不為零的點(diǎn)。

步驟二：設(shè)當(dāng)前中心點(diǎn)坐標(biāo)為(i,j)，所在窗口大小為(2N2+1)×(2N2+1),將窗口內(nèi)疑似裂縫點(diǎn)對應(yīng)到原始圖像區(qū)域的點(diǎn)的集合設(shè)為疑似目標(biāo)區(qū)域G，點(diǎn)的個(gè)數(shù)為Num_G；窗口內(nèi)其他坐標(biāo)點(diǎn)對應(yīng)到原始圖像區(qū)域的點(diǎn)的集合設(shè)為背景區(qū)域B，點(diǎn)的個(gè)數(shù)為Num_B。

步驟三：定義當(dāng)前中心點(diǎn)區(qū)域相異度特征描述D(i,j)如下：

(9)

其中：f0為當(dāng)前中心點(diǎn)在原始圖像中的灰度值；fz、fy為疑似裂縫點(diǎn)和其他點(diǎn)在原始圖像中的灰度值。

步驟四：設(shè)相異度特征圖為I_Dissimilarity，那么

(10)

為了使閾值T3根據(jù)相異度特征圖D自動(dòng)選擇，T3的求解方法同T2，實(shí)際測試時(shí)取2倍的Otsu閾值為宜，這樣減少了手動(dòng)調(diào)節(jié)閾值的麻煩。圖3(b)為LGF-LDF方法提取結(jié)果(T3=40)，圖3(c)為文獻(xiàn)[8]對

圖3 LGF-LDF和對比度特征提取結(jié)果

比度特征圖?？梢钥吹絃GF-LDF圖已經(jīng)去除了大量的噪聲，但裂縫存在空洞點(diǎn)和斷裂點(diǎn)，相比對比度特征，其去除噪聲效果較好。

1.2 LOF

文獻(xiàn)[7-8]采用了圓投影變換來增強(qiáng)目標(biāo)信息，但由于局部區(qū)域裂縫并不是嚴(yán)格的直線分布，該方法可能造成背景點(diǎn)直接判為目標(biāo)點(diǎn)的問題，導(dǎo)致裂縫信息的不準(zhǔn)確。該方法統(tǒng)計(jì)灰度分布情況，由于目標(biāo)點(diǎn)和噪聲點(diǎn)的灰度值的不確定性，導(dǎo)致目標(biāo)和噪聲判斷界限的模糊，且判斷規(guī)則較為復(fù)雜。文中受文獻(xiàn)[7-8]的啟發(fā)，提取當(dāng)前點(diǎn)局部方向特征描述。待處理當(dāng)前點(diǎn)包括目標(biāo)點(diǎn)和背景點(diǎn)，以便更好地提取完整豐富的裂縫信息。圖4給出了實(shí)際裂縫點(diǎn)、斷裂點(diǎn)/空洞點(diǎn)、噪聲點(diǎn)/背景點(diǎn)標(biāo)記圖。

圖4 標(biāo)記圖

為了避免處理I_Dissimilarity邊界附近的像素點(diǎn)時(shí)造成坐標(biāo)越界，將圖像四個(gè)邊界向外拓展，拓展像素點(diǎn)根據(jù)計(jì)算窗口的大小確定，拓展區(qū)域像素值為0。

若待處理當(dāng)前中心點(diǎn)坐標(biāo)為(i0,j0)，窗口選(41×41)。若其(5×5)鄰域內(nèi)像素值不為零的點(diǎn)的個(gè)數(shù)大于等于4，則提取當(dāng)前點(diǎn)方向特征描述，否則當(dāng)前點(diǎn)直接賦值為零并轉(zhuǎn)向下一像素點(diǎn)的判斷。通過這樣的預(yù)先判斷，可以大大減少不必要的計(jì)算，提高運(yùn)行效率。局部方向特征描述提取步驟如下：

步驟一：設(shè)(i,j)為窗口內(nèi)的非零像素點(diǎn)坐標(biāo)，其值為f(i,j)，與當(dāng)前點(diǎn)的斜率轉(zhuǎn)化為角度表示為:

(11)

將角度統(tǒng)一取整并規(guī)劃到(0，π)，有:

degree(i,j)=floor(θ(i,j)+90°)

(12)

Dir(degree(i,j))=Dir(degree(i,j))+1

(13)

步驟二：返回步驟一，直到窗口內(nèi)所有非零像素點(diǎn)都投票完成，最終得到當(dāng)前點(diǎn)方向特征向量Dir，以標(biāo)準(zhǔn)差d和峰值md為特征描述，計(jì)算如式(14):

選取圖4中五種典型點(diǎn)分別計(jì)算方向特征向量峰值、標(biāo)準(zhǔn)差以及統(tǒng)計(jì)(5×5)鄰域非零像素的個(gè)數(shù)，分布見圖5。

圖5 五種當(dāng)前點(diǎn)方向特征描述

可以看到，裂縫斷裂點(diǎn)和空洞點(diǎn)之間方向特征描述差異較小，噪聲點(diǎn)和背景點(diǎn)之間的差異也較??；前三者和后兩者之間的特征描述差異比較大。

文中實(shí)驗(yàn)表明，實(shí)際裂縫點(diǎn)、裂縫斷裂點(diǎn)或者裂縫區(qū)域空洞點(diǎn)方向特征標(biāo)準(zhǔn)差在4至6之間變化，且特征曲線峰值大于10。而背景點(diǎn)以及噪聲點(diǎn)的方向特征標(biāo)準(zhǔn)差在0至1之間變化，且特征曲線峰值小于8。

那么判斷當(dāng)前點(diǎn)為實(shí)際裂縫點(diǎn)、裂縫斷裂點(diǎn)或者裂縫區(qū)域空洞點(diǎn)條件如下：

(15)

文中th1取值為8，th2取值為1。

若像素點(diǎn)符合上述兩點(diǎn)限制，認(rèn)為當(dāng)前中心點(diǎn)為裂縫斷裂點(diǎn)或者裂縫區(qū)域空洞點(diǎn)或者實(shí)際裂縫點(diǎn)，當(dāng)前像素值賦值為255，否則認(rèn)為當(dāng)前點(diǎn)為背景或者噪聲點(diǎn)，像素值依然為0。

2 去除孤立噪聲點(diǎn)

LGF-LDF-LOF提取裂縫目標(biāo)信息已經(jīng)較為完整，但裂縫目標(biāo)邊緣不夠平滑，且仍存在著少量孤立噪聲。文中采用形態(tài)學(xué)去噪算子去除裂縫目標(biāo)周圍的孤立噪聲。在四種形態(tài)學(xué)基本運(yùn)算中，開運(yùn)算可以消除孤立的小塊區(qū)域和離散點(diǎn)，在纖細(xì)點(diǎn)處分離物體，平滑邊緣的同時(shí)并不明顯改變目標(biāo)面積。閉運(yùn)算用來填充物體內(nèi)細(xì)小空洞和縫隙，消除狹窄的間斷，連接鄰近物體，也可以并不明顯地改變目標(biāo)面積[13]。結(jié)合兩者優(yōu)勢，定義如下開-閉濾波器算子F：

F=I°S?S

(16)

其中：I為輸入圖像；S為結(jié)構(gòu)元素；F為去噪后圖像。

由于裂縫目標(biāo)狹長，部分區(qū)域?qū)挾戎挥袔讉€(gè)像素點(diǎn)，選取大尺寸結(jié)構(gòu)元素會濾掉裂縫細(xì)節(jié)信息，所以文中選取小尺寸結(jié)構(gòu)元素。同時(shí)，為了解決使用單一結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)去噪很難兼容抑制噪聲和保持細(xì)節(jié)的問題，文中結(jié)合圓形和方形兩種形狀結(jié)構(gòu)元素的優(yōu)點(diǎn)，采用多結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)去噪。算法實(shí)現(xiàn)步驟如下：

(1)分別構(gòu)造大小為2×2的方形結(jié)構(gòu)元素S1和半徑為1的圓形結(jié)構(gòu)元素S2；

(2)將S1和S2代入式(16)進(jìn)行去噪計(jì)算，得到兩種結(jié)構(gòu)元素情況下形態(tài)學(xué)去噪圖像F1和F2;

(3)將兩種結(jié)構(gòu)元素形態(tài)學(xué)去噪圖像進(jìn)行融合得到最終的去噪圖像，融合方法如式(17)。

F=F1+F2

(17)

3 測試結(jié)果

圖6是不同環(huán)境下路面裂縫圖像。圖(a)的裂縫目標(biāo)信息較弱，右上角區(qū)域存在油污。圖(c)裂縫所處環(huán)境較為復(fù)雜，圖像顆粒感較強(qiáng)，斑馬線將裂縫分成三段，三段所處的環(huán)境有較大差異。圖(e)為一幅網(wǎng)狀裂縫圖像，路面破損嚴(yán)重，部分區(qū)域散布著粉塵，導(dǎo)致局部區(qū)域的灰度值偏高，圖像光照不均勻。

圖6 不同場景下裂縫圖像及處理結(jié)果圖

圖(b)(T1=0.8，T2=2，T3=15)、圖(d)(T1=0.85，T2=3，T3=30)、圖(f)(T1=0.8，T2=6，T3=40)分別是提取的裂縫目標(biāo)圖像?？梢钥吹剑\(yùn)用文中算法可以較好地提取出裂縫目標(biāo)，能夠抑制復(fù)雜背景，去噪效果明顯。

對比文中方法與最大類間方差分割算法[13]和文獻(xiàn)[7]提取算法的處理效果。

圖7(a)是在雨天攝取的一幅路面裂縫圖像，由于光照不均勻、雨點(diǎn)覆蓋整幅圖像導(dǎo)致圖像的對比度較低。圖7(b)、(c)、(d)分別是Otsu(最佳閾值為149)、文獻(xiàn)[7]、文中算法的提取結(jié)果圖。從主觀評價(jià)，文獻(xiàn)[7]方法提取效果也還可以，文中方法相比Otsu和文獻(xiàn)[7]算法，得到的裂縫目標(biāo)圖像基本消除了噪聲的影響，提取的裂縫信息表達(dá)較為完整、連續(xù)和豐富。

圖7 算法效果對比(1)

圖8(a)裂縫圖像受到豎桿陰影的影響；圖8(b)

是Otsu算法分割結(jié)果，其中最佳閾值為90，沒有抑制豎桿陰影的影響；圖8(c)是文獻(xiàn)[7]算法提取結(jié)果，該算法可以消除豎桿陰影的影響，但裂縫圖像目標(biāo)仍然出現(xiàn)斷裂點(diǎn)和空洞點(diǎn)；圖8(d)是文中算法提取結(jié)果，相比文獻(xiàn)[7]算法，文中算法提取裂縫目標(biāo)較為連續(xù)、完整、豐富，填補(bǔ)了大部分內(nèi)部空洞點(diǎn)，對噪聲有一定的抑制作用。

圖8 算法效果對比(2)

為了更加客觀地對文中方法進(jìn)行評價(jià)，文中以灰度特征圖為參考圖，計(jì)算Otsu法、文獻(xiàn)[7]算法以及文中方法的均方誤差(MSE)和峰值信噪比(PSNR)，記錄見表1。無論是主觀評價(jià)還是客觀指標(biāo)評價(jià)，文中算法均優(yōu)于Otsu和文獻(xiàn)[7]算法。

表1同時(shí)記錄了三種方法的運(yùn)行時(shí)間，由于文獻(xiàn)[7]和文中方法計(jì)算量較大，運(yùn)行時(shí)間相對較長。文獻(xiàn)[7]方法需要對特征進(jìn)行閾值選擇而增加了時(shí)間，相比之下，文中方法較為明顯地提高了處理速度。

表1 效果對比

4 結(jié)束語

針對路面裂縫受到各種環(huán)境的干擾問題，文中采用基于多特征的路面裂縫目標(biāo)提取算法，結(jié)合多結(jié)構(gòu)元素形態(tài)學(xué)去噪算子，在保留目標(biāo)細(xì)節(jié)和去除噪聲之間達(dá)到比較好的平衡。以數(shù)量統(tǒng)計(jì)值對裂縫目標(biāo)和背景進(jìn)行粗劃分，計(jì)算裂縫圖像的局部灰度特征，結(jié)合局部相異度特征描述獲取裂縫目標(biāo)信息。為了彌補(bǔ)裂縫空洞點(diǎn)和斷裂點(diǎn)，提取了局部方向特征，包括鄰域內(nèi)非零像素點(diǎn)數(shù)、方向特征峰值和標(biāo)準(zhǔn)差。

實(shí)驗(yàn)結(jié)果表明，相比最大類間方差算法和傳統(tǒng)基于特征的分割算法，文中方法能夠較好地提取不同環(huán)境下路面裂縫目標(biāo)信息，在保留裂縫細(xì)節(jié)的同時(shí)去噪效果良好，具有實(shí)用性和可行性，為后續(xù)進(jìn)行裂縫分類奠定了良好的基礎(chǔ)。

[1] 章秀華，陳艷君，洪漢玉.基于加權(quán)融合紋理的路面裂縫檢測[J].計(jì)算機(jī)與數(shù)字工程，2011，39(10)：153-156.

[2] 于泳波，李萬恒，張勁泉，等.基于圖像連通域的橋梁裂縫提取方法[J].公路交通科技，2011，28(7)：90-93.

[3] 徐 威，唐振民，徐 丹，等.融合多特征與格式塔理論的路面裂縫檢測[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2015，27(1)：147-156.

[4]XuBugao,HuangYaxiong.Developmentofanautomaticpavementsurfacedistressinspectionsystem[R].Austin:CenterforTransportationResearch，theUniversityofTexasatAustin,2005.

[5]SubiratsP,DumoulinJ,LegeayV,etal.Automationofpavementsurfacecrackdetectionusingthecontinuouswavelettransform[C]//ProcofIEEEinternationalconferenceonimageprocessing.Atlanta,GA:IEEE,2009:3037-3040.

[6]ChengHD,ChenJR,GlazierC,etal.Novelapproachtopa-vementcrackingdetectionbasedonfuzzysettheory[J].JournalofComputinginCivilEngineering,1999,13(4):270-280.

[7] 洪漢玉，章秀華，葉佳倫,等.橋梁裂痕檢測與識別方法[J].武漢工程大學(xué)學(xué)報(bào)，2014，36(2)：63-67.

[8] 王 澍.復(fù)雜背景下路面裂縫圖像自動(dòng)檢測與識別算法研究[D].武漢：武漢工程大學(xué)，2013.

[9] 董安國，梁苗苗.基于灰度相關(guān)性的裂縫檢測算法[J].計(jì)算機(jī)應(yīng)用研究，2013，30(10)：3121-3123.

[10] 褚文濤，李鄭明，陸 鍵.路面病害檢測中的裂縫信息快速識別方法研究[J].中外公路，2013，33(6)：80-84.

[11] 劉 娜，宋偉東，趙泉華.形態(tài)學(xué)和最大熵圖像分割的城市路面裂縫檢測[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào):自然科學(xué)版,2015，34(1)：57-61.

[12] 徐志剛，趙祥模，宋煥生,等.基于直方圖估計(jì)和形狀分析的瀝青路面裂縫識別算法[J].儀器儀表學(xué)報(bào)，2010，31(10)：2260-2266.

[13] 邱漢興.基于圖像分割的路面裂縫檢測與識別研究[D].重慶：重慶交通大學(xué)，2012.

[14] 王 睿，漆泰岳，朱 鑫,等.隧道檢測裂縫的圖像處理研究[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2014，58(10)：93-96.

[15]TsalYC,KaulV,MersereauRM.Criticalassessmentofpavementdistresssegmentationmethods[J].JournalofTransportationEngineering,2010,136(1):11-19.

Pavement Crack Object Extraction Method Based on Multi-features

JIANG Ji-rong,CHEN Xiao-hui

(School of Automation,Nanjing University of Posts and Telecommunications,Nanjing 210023,China)

A practical method for pavement crack object extraction based on Local Gray Feature (LGF),Local Dissimilarity Feature (LDF) and Local Orientation Feature (LOF) is proposed,aiming at extracting crack targets in various complex conditions.Firstly,rough division of crack target and background is done by the count statistics and gray feature is computed as LGF description,LGF-LDF feature is obtained for the crack basic information with adaptive thresholds,combined with the current point dissimilarity feature.To fill void and breaking points and to enhance computing efficiency,the number of non-zero pixels in the neighbor of the processing pixel point is judged and the orientation of the non-zero point and the processing point is computed to vote for the angle and the local orientation feature description is extracted.The morphological filter operators are utilized combing with multi-structure elements to eliminate isolated noises.The experiment results show that the method proposed achieves a better performance in extracting the crack targets than both Otsu and algorithm based on traditional features.

pavement crack;gray feature;dissimilarity feature;orientation feature;feature description;denoising

2015-07-05

2015-10-15

時(shí)間：2016-03-22

江蘇省科技支撐計(jì)劃項(xiàng)目(BE2011843)；南京郵電大學(xué)實(shí)驗(yàn)室建設(shè)項(xiàng)目(2012XZZ06)

姜吉榮(1990-)，男，碩士研究生，研究方向?yàn)橹悄軆x器與圖像處理；陳小惠，教授，研究方向?yàn)閳D像處理、智能儀器與網(wǎng)絡(luò)化測控。

http://www.cnki.net/kcms/detail/61.1450.TP.20160322.1519.052.html

TP391

A

1673-629X(2016)05-0173-06

10.3969/j.issn.1673-629X.2016.05.038