基于多技術(shù)融合的橋梁蜂窩麻面的圖像分割

聶秀才,李寶林

(西華師范大學(xué)計(jì)算機(jī)學(xué)院,南充 637000)

在橋梁安全結(jié)構(gòu)檢測(cè)中,混凝土結(jié)構(gòu)的橋梁往往伴隨著諸多橋梁安全問題,諸如結(jié)構(gòu)裂縫、空洞孔洞等,而蜂窩麻面也是混凝土結(jié)構(gòu)橋梁常見的一種病害。此種病害不僅僅影響橋梁的美觀問題,而且伴隨著此病害的惡化,會(huì)嚴(yán)重影響橋梁的安全,甚至導(dǎo)致橋梁坍塌等危險(xiǎn)。所以在橋梁安全檢測(cè)中,能夠快速識(shí)別檢測(cè)出此類病害,并及時(shí)提出修復(fù)方案是極為重要的。圖像識(shí)別問題是目前諸多領(lǐng)域的難題之一,尤其是在橋梁安全檢測(cè)領(lǐng)域。目前圖像處理技術(shù)在橋梁安全檢測(cè)扮演著越來越重要的角色,但也面臨著不少問題。對(duì)在復(fù)雜條件下的橋梁蜂窩麻面病害圖像進(jìn)行圖像分割操作也是一個(gè)挑戰(zhàn)。

蜂窩麻面是打造混凝土結(jié)構(gòu)的骨料出現(xiàn)空隙、水泥漿不足、模板粗糙等因素造成的一種形狀不規(guī)則的凹坑或小坑,是一種常見的橋梁外觀病害。目前,應(yīng)用于橋梁病害圖像輪廓提取分割的算法大多為已存在的圖像分割算法,且大多數(shù)應(yīng)用于橋梁裂縫的分割與提取,用于蜂窩麻面圖像的分割方法較少。因此基于實(shí)驗(yàn)提出了一種基于多種圖像處理技術(shù)融合的方法。

一、基于實(shí)驗(yàn)的圖像處理技術(shù)分析與選擇

通過實(shí)驗(yàn)比較,才能更好地選擇合適的算法。實(shí)踐才能更好地體現(xiàn)所選方法的優(yōu)與劣,因此不管是灰度化方法的選擇還是二值化方法的選擇,都是基于實(shí)驗(yàn)選擇的,要選擇適合實(shí)驗(yàn)對(duì)象的處理方式,才能更好地顯示實(shí)驗(yàn)對(duì)象的特征。

(一)基于實(shí)驗(yàn)的灰度化方法選擇

圖像灰度化處理[1]是為了減少輸入圖像的信息量或者減少圖像的運(yùn)算量而進(jìn)行的一種圖像預(yù)處理操作,通俗地講是將多維通道的圖像信息轉(zhuǎn)換為一維圖像信息數(shù)據(jù)的過程。

以RGB顏色空間圖像為基礎(chǔ),對(duì)于圖像灰度化操作方法常用的有以下幾種:1.以RGB三個(gè)分量中某一分量值作為灰度值的分量法;2.以RGB三個(gè)分量中最大值作為灰度值的最大值法;3.以RGB三個(gè)分量平均值作為灰度值的平均值法;4.加權(quán)法,基于人眼對(duì)RGB顏色敏感度而提出的分量加權(quán)法。公式如下:

式中,R、G、B均表示為像素點(diǎn)值矩陣。通過對(duì)原圖像像素值矩陣的處理,得到相對(duì)應(yīng)處理的灰度圖。

各灰度化公式應(yīng)用于蜂窩麻面后得到的灰度圖如圖1所示:

圖1 四種灰度化方法取得的灰度圖

其中,xlw_g.png為分量法中的G分量顯示;xlwma.png為最大值法;xlwme.png為均值法;xlwgr.png為加權(quán)法。

在以上提到的幾種灰度化方法中,最大值法只保留了最大分量,完全丟棄了其他分量,丟失了大部分的信息,且灰度化后的圖像不是整體偏亮,就是整體偏暗;分量法也依據(jù)選擇的分量不同,灰度化效果也不同,并且所得到灰度圖的有效信息也丟失了不少,因此,文獻(xiàn)[2]基于RGB單通道的高像素值像素灰度直方圖分布,提出了一種基于粒子群算法尋找最佳閾值并自動(dòng)生成RGB分量權(quán)值,由此進(jìn)行灰度化處理,更好地體現(xiàn)特征。此方法重點(diǎn)在于保留彩色圖像灰度化后的原有特征,不適合本文保留重要病害特征的特點(diǎn),但思路是可取的。

對(duì)原始RGB圖像進(jìn)行區(qū)域分割以及分割后的區(qū)域灰度化,再進(jìn)行區(qū)域二值化處理,使得該區(qū)域的二值化圖像體現(xiàn)更好的效果,更能體現(xiàn)病害區(qū)域的特征[3]。該文提出的算法可以直接將處理后的灰度圖打印出來,再進(jìn)行一些報(bào)告制作和報(bào)告生成直接使用。

通過實(shí)驗(yàn)分析與比較各類灰度化方法,選擇了最適合蜂窩麻面的三原色灰度化法,即加權(quán)法。

(二)基于實(shí)驗(yàn)的二值化方法選擇

將灰度圖的灰度級(jí)數(shù)設(shè)置為兩級(jí),此時(shí)的圖像稱為二值化圖像。二值化圖像的像素色彩只有黑白兩種,一般色彩值為0或1。雖然灰度級(jí)數(shù)越高,越能體現(xiàn)圖像的層次感,但實(shí)驗(yàn)需要的是盡可能體現(xiàn)最大病害的特征區(qū)域,所以選取了二值化操作。如同灰度化處理一樣,二值化處理也廣泛應(yīng)用于圖像處理中。

在灰度化原始圖像之后,基于不同區(qū)域的劃分進(jìn)行二值化圖像處理,針對(duì)分割閾值進(jìn)行動(dòng)態(tài)調(diào)節(jié),以便得到更好的圖像特征[4]。

通過對(duì)弱光背景下的原始圖進(jìn)行照度分量去除、非文字場(chǎng)景抑制以及最后的L0平滑濾波處理,使得處理后的圖片在常規(guī)二值化時(shí)得到更好的目標(biāo)結(jié)果[5]。該算法實(shí)現(xiàn)了少有的弱光背景下圖片文字的二值化提取,并取得了比以往算法更好的結(jié)果。通過對(duì)原始數(shù)字圖像進(jìn)行小波分解、小波重構(gòu)以及低通濾波等一系列的操作,得到圖像的前景或后景分布,再引入基于直方圖的二值化方法對(duì)其進(jìn)行處理,明顯地提高了二值化的效果[6]。

對(duì)灰度圖片進(jìn)行二值化處理的常用方法還有很多,本文對(duì)比采取了全局閾值法、自適應(yīng)閾值法以及自定義閾值法。以上一小節(jié)得到的灰度圖為基礎(chǔ),分別對(duì)三種二值化方法進(jìn)行了實(shí)驗(yàn)。通過比較實(shí)驗(yàn)結(jié)果,得出自適應(yīng)閾值法更適合所研究對(duì)象的特征需求以及實(shí)驗(yàn)需求。在使用加權(quán)法灰度化后,選取了自適應(yīng)閾值二值化法,調(diào)整最佳閾值取得了更好的圖像特征輪廓。三種方法的實(shí)驗(yàn)結(jié)果圖如圖2所示。

圖2 三種二值化方法效果圖

其中,xlwgr.png為加權(quán)法取得的灰度圖;xlw_gr_global.png為全局閾值法下得到的二值化圖;xlw_gr_custom.png為自定義閾值法下得到的二值化圖;xlw_gr_local.png為自適應(yīng)閾值法得到的二值化圖。

在取得較好特征輪廓的情況下,圖像也產(chǎn)生了一些的噪聲點(diǎn),將采取措施進(jìn)一步消除噪聲,保留更好的圖像特征輪廓,即蜂窩麻面最大病害區(qū)域。

二、引入中值濾波實(shí)現(xiàn)最佳分割

中值濾波算法[7]在大類上分為基于決策的算法、開關(guān)中值濾波法、自適應(yīng)濾波法三類,各有優(yōu)點(diǎn)。實(shí)驗(yàn)證明,在處理椒鹽噪聲問題上,開關(guān)中值濾波算法略遜色于基于決策的算法,然而在噪聲密度逐漸升高之后,基于決策的算法遜色于自適應(yīng)中值濾波算法,所以在選擇中值濾波算法進(jìn)行椒鹽除噪時(shí),要依據(jù)處理數(shù)據(jù)進(jìn)行最優(yōu)選擇。此外,自適應(yīng)窗口方法的提出,也為基于決策的算法提供了新的思路,不僅能有效降噪還能降低時(shí)間復(fù)雜度。

在高濃度椒鹽噪聲處理中,各類濾波算法都不能有效地解決圖像邊緣細(xì)節(jié)與信息,目前能更好保留邊緣信息與細(xì)節(jié)的算法是IMAMF[8](基于均值改進(jìn)的自適應(yīng)中值濾波算法)。在濾波窗口中引入了自適應(yīng)的均值方法,跟隨窗口滑動(dòng)的同時(shí),帶有噪聲檢測(cè)和均值濾波處理,基于擴(kuò)充圖像的方式,更好地保留了圖像細(xì)節(jié)與邊緣信息。

中值濾波過程[9]一般分為兩個(gè)步驟,第一個(gè)步驟是噪聲檢測(cè),第二個(gè)步驟是噪聲去除。一個(gè)發(fā)現(xiàn)異常目標(biāo),一個(gè)解決異常目標(biāo)。噪聲檢測(cè)可采用極值法檢測(cè);噪聲去除可使用中值濾波法等算法處理。

文獻(xiàn)[10]針對(duì)噪聲分布的情況不同、密度不同,提出了一種基于自適應(yīng)窗口改動(dòng)的中值濾波算法,既有效地去除了噪聲,也保留了大部分圖像邊緣的細(xì)節(jié)信息,不足之處在于整體圖像的均勻性不佳,還有待進(jìn)一步完善。引入濾波操作的主要緣由是解決病害圖中存在的較小的點(diǎn),保留較大的病害區(qū)域。與解決圖像拍攝過程中產(chǎn)生的各類噪聲相似,以及解決光照不足、光線亮度不均勻等問題,因此使用濾波來平滑解決此類問題。

常用的模糊操作方法有均值濾波、中值濾波、自定義濾波以及高斯濾波[11]。不同濾波操作有不同的效果,既可以提取重要特征,也可以移除多余噪聲。其中,高斯濾波是均值濾波的一種特例,只不過高斯濾波是加權(quán)平均操作,而均值操作只是中心像素點(diǎn)基于鄰近像素點(diǎn)的平均值替代而已。由此,針對(duì)蜂窩麻面病害,進(jìn)行了不同半徑范圍的均值濾波、中值濾波以及自定義濾波實(shí)驗(yàn)。由此得出了在自適應(yīng)閾值二值化的前提下,均值濾波和自定義濾波操作使得二值化圖起到了模糊效果,并隨著所選半徑的不斷增加,變得更加模糊。而中值濾波操作不僅使得圖像中較小噪音消失,也使剩下的病害區(qū)域越加突出,即主要的病害區(qū)域,也是蜂窩麻面病害最主要的病害特征。到此,實(shí)現(xiàn)了基于多圖像處理技術(shù)的蜂窩麻面病害的圖像分割,提取了蜂窩麻面基于二值化的主要特征。其中,基于半徑漸變的中值濾波效果如圖3所示:

圖3 中值模糊效果圖

采取中值濾波的方式,對(duì)自適應(yīng)閾值二值化的圖片進(jìn)行了半徑為9的卷積中值濾波方式,取得了較好的圖像特征,保留了最重要的病害特征輪廓。

相較于以上得出的結(jié)果,進(jìn)行了基于二維OTSU法以及NiBlack 法的分割對(duì)比,結(jié)果如圖4所示:

圖4 分割結(jié)果對(duì)比

圖4中,第一張圖為本算法所得到的分割結(jié)果;第二張圖為NiBlack法的分割結(jié)果;第三張為二維OTSU法的分割結(jié)果?；谙庹詹蛔愕挠绊懸约氨Ａ糁饕牟『^(qū)域需求,顯然,本文算法更適合于蜂窩麻面的最主要病害區(qū)域的分割。

三、結(jié)語(yǔ)

在光照不均、復(fù)雜環(huán)境下取得的圖像往往達(dá)不到需求,因此在實(shí)驗(yàn)基礎(chǔ)上,提出了一種基于融合多種圖像處理技術(shù)的橋梁蜂窩麻面的圖像分割算法?；谒鶎?shí)現(xiàn)的多種灰度化算法、二值化算法以及中值濾波算法,融合選取最適合于體現(xiàn)蜂窩麻面病害輪廓圖的算法,得到了優(yōu)于已存在的二維OTSU法以及NiBlack 法的結(jié)果,提高了蜂窩麻面病害的特征表現(xiàn)以及保留了最重要的病害區(qū)域。