基于改進的Otsu法的地鐵隧道裂縫識別方法研究 *

張振海，賈爭滿，季 坤

(蘭州交通大學(xué) 自動化與電氣工程學(xué)院，甘肅 蘭州 730070)

0 引 言

近年來，我國地鐵隧道建設(shè)進入了快速發(fā)展期，隨著時間的推移，地鐵隧道在使用過程中會因為材質(zhì)和溫度等原因產(chǎn)生裂縫，直接影響到隧道的穩(wěn)定性和列車運行的安全性，因此必須對其進行有效的檢測[1]。目前我國隧道裂縫檢測主要依靠人工標記，效率低，工作量大，且受主觀因素影響大，準確率不高。但隨著機器視覺檢測技術(shù)的日益成熟，裂縫檢測的自動化程度也越來越高，基于圖像處理的裂縫檢測技術(shù)由于具有實時性高，精度高，可操作性強，便捷直觀等優(yōu)點，逐漸成為隧道裂縫檢測技術(shù)的主要發(fā)展方向[2]。Y. NOH等[3]利用均值聚類來對圖像進行分割；P. HUTHWOHL等[4]利用神經(jīng)網(wǎng)絡(luò)來對分割后圖像進行分類；T. H. TRAN等[5]提取感興趣區(qū)域，然后利用移動濾波器來濾除噪聲；王博等[6]利用圖像顯著性來突出裂縫圖像特征，結(jié)合Prewitt算子來檢測裂縫，加入人工篩選來識別出裂縫區(qū)域；朱力強等[7]將噪聲分為不同特征的噪聲，然后分類處理來濾除噪聲；王耀東等[8]將圖像分為多個子區(qū)域，在子區(qū)域中對圖像進行分割。但是目前大多數(shù)算法是針對路面裂縫來進行處理，對于地鐵隧道裂縫的適用性較差，而且屬于半自動的檢測方法，對于分割中的參數(shù)確定是需要大量的實驗來確定，工作量大，無法快速有效的對裂縫圖像進行識別。為此，針對隧道圖像具有光照不均，噪聲復(fù)雜等問題，筆者采用Mask勻光和自適應(yīng)灰度拉伸結(jié)合來提高裂縫圖像的對比度；利用像素點領(lǐng)域灰度差值來判斷噪聲點，并只對窗口內(nèi)的有效像素點操作來濾除噪聲；最后在Canny邊緣檢測的基礎(chǔ)上，結(jié)合Otsu法進行閾值分割，來對裂縫圖像進行自動檢測和識別。

1 隧道表面裂縫檢測

1.1 圖像預(yù)處理

地鐵隧道在建設(shè)的過程中，由于地理位置的限制，達不到光照的均勻性。因此，筆者采用Mask勻光和自適應(yīng)灰度拉伸相結(jié)合的方法來對圖像進行預(yù)處理。

基于Mask勻光和自適應(yīng)灰度拉伸結(jié)合的算法包括高斯低通濾波、圖像差分和圖像自適應(yīng)灰度拉伸。高斯低通濾波抑制高頻成分保留低頻成分到達圖像平滑；圖像差分將原始圖像與背景圖像差分運算，消除光照不均的信息；自適應(yīng)灰度拉伸是將灰度區(qū)間[a1,a2]內(nèi)的點變換到灰度區(qū)間[b1,b2]，能夠有效的抑制噪聲，增強裂縫對比度。

(1)

如圖1，直方圖均衡化和均勻拉伸改變了全像素灰度范圍，同時增強了背景和目標圖像，不利于后續(xù)裂縫目標的提取?；贛ask勻光和自適應(yīng)灰度拉伸結(jié)合的算法有效的均衡了光照，并且在小范圍內(nèi)改變了像素的灰度值，也一定程度上增強了圖像背景與目標裂縫的對比度，為后續(xù)圖像濾波與分割奠定了基礎(chǔ)。

圖1 圖像預(yù)處理效果對比Fig. 1 Comparison of image preprocessing effects

1.2 改進的自適應(yīng)中值濾波

屈正庚等[9]提出根據(jù)噪聲點的數(shù)量自適應(yīng)的改變?yōu)V波窗口大小的濾波算法。筆者首先將圖像中的像素點進行分類，分別采用不同的濾波窗口去濾除噪聲，改進的自適應(yīng)中值濾波算法如圖2。

圖2 改進的自適應(yīng)中值濾波算法Fig. 2 Improved adaptive median filter algorithm

具體步驟如下：

1)遍歷所有像素點領(lǐng)域。設(shè)定閾值T，計算當(dāng)前像素點3×3領(lǐng)域內(nèi)的區(qū)域灰度差值G。

2)當(dāng)G≥T時，則為噪聲點，采用自適應(yīng)中值濾波，且對濾波窗口內(nèi)的有效像素點進行排序，取中值，結(jié)果作為當(dāng)前像素點的輸出值，如圖3。

3)當(dāng)G

圖3 對有效像素點進行操作Fig. 3 Operation on effective pixels

為驗證算法的有效性，將高斯濾波，中值濾波等應(yīng)用到地鐵裂縫圖像進行實驗對比，輸出圖像如圖4(實驗Ⅰ、實驗Ⅱ、實驗Ⅲ)。并以峰值信噪比(PSNR)作為評價指標，結(jié)果如表1。

圖4 濾波方法比較Fig. 4 Comparison of filtering methods

表1 不同濾波算法對比客觀評價Table 1 Comparison and objective evaluation of different filteringalgorithms

如圖4，高斯濾波后的圖像與原圖像變化不大，均值濾波和中值濾波會造成裂縫邊緣的模糊；自適應(yīng)中值濾波后裂縫與背景的差別較?。还P者基于改進的自適應(yīng)中值濾波模糊了背景部分，突出了裂縫目標區(qū)域，有利于后續(xù)圖像分割。

從表1可以看出，通過對3種裂縫進行客觀評價，筆者改進的濾波算法的峰值信噪比最高，也從客觀上驗證了筆者算法的有效性。

1.3 基于改進的Otsu法閾值分割

韋春桃等[10]提出一種移動窗口的閾值分割方法，在移動窗口中來識別細小裂縫；王睿等[11]針對隧道裂縫圖像，提出將Prewitt算子和Otsu法結(jié)合的閾值分割方法，能夠很好的識別出裂縫邊緣，以便后續(xù)的圖像特征提??；占繼剛[12]通過計算連通域面積的方法，去除孤立點噪聲；YU Tianting等[13]通過對隧道紅外圖像進行分塊，在每一塊中進行迭代法閾值分割，然后將分割后的子塊裂縫進行連接，得到完整的裂縫圖像；CHENG Yuhua等[14]通過圖像連通域的特性，提出一種基于像素填充模型的自適應(yīng)閾值選擇方法，根據(jù)填充面積的變化來選擇出比較好的閾值對圖像進行分割。

筆者首先利用Canny檢測進行非極大值抑制，然后將候選邊緣點分為3類，利用Otsu法獲取最佳分割點，對圖像進行分割。改進的Otsu法閾值分割流程圖如圖5。

圖5 改進的Otsu法閾值分割Fig. 5 Improved Otsu method threshold segmentation

具體步驟如下：

1)設(shè)經(jīng)過改進的自適應(yīng)中值濾波后的圖像為g(x,y)。

2)遍歷g(x,y)的所有像素點，采用2×2領(lǐng)域一階有限差分式近似計算x的偏導(dǎo)數(shù)P(i,j)和y的偏導(dǎo)數(shù)Q(i,j)，如式(2)和式(3)：

P(i,j)≈[g(i,j+1)-g(i,j)+g(i+1,j+1)-g(i+1,j)]1/2

(2)

Q(i,j)≈[g(i,j)-g(i+1,j)+g(i,j+1)-g(i+1,

j+1)]1/2

(3)

求出x，y方向的偏導(dǎo)后，則該點的梯度值M(i,j)和方位角θ(i,j)計算如式(4)和式(5)：

(4)

(5)

3)進行非極大值抑制來細化裂縫圖像。若點(x,y)的M(i,j)大于梯度方向相鄰點的梯度值，則該點為候選邊緣點[15]。

4)將候選邊緣點分為A1、A2、A33類。設(shè)圖像像素個數(shù)為N，梯度級范圍為[1,L]，通常取L=64，梯度級ti對應(yīng)的像素個數(shù)為ni，各梯度級包含的像素數(shù)在總像素占比為pi=ni/N,i=1,2,…,L，則A1={t1,t2,…,tk}表示非邊緣點；A2={tk+1,tk+2,…,tm}表示需要判斷的點；A3={tm+1,tm+2,…,tL}表示邊緣點，其中，k∈[1,L]，m∈[k+1,L]。

5)計算最大類間方差，尋找最佳分界點。ti和pi由原圖像的灰度直方圖獲得，則灰度均值E和像素占比p計算如式(6)和式(7)：

(6)

(7)

則類間方差公式計算如式(8)：

σ2(k,m)=[EA1-E]2·pA1+[EA2-EA]2·pA2+[EA3-EA]2·pA3

(8)

計算最大類間方差σ2(k,m)對應(yīng)的tk，tm的值即為A1、A2、A3區(qū)間的分界點，即為Canny檢測的高低閾值，對圖像進行分割。

6)去除孤立點噪聲，進行形態(tài)學(xué)連接。通過連通域計算，將小面積的連通域濾除；利用數(shù)學(xué)形態(tài)學(xué)運算，連接裂縫圖像中的斷裂部分。裂縫圖像分割效果如圖6。

圖6 裂縫識別結(jié)果Fig. 6 Crack recognition results

如圖6，對濾波后的圖像進行改進的Otsu法閾值分割能夠準確地識別出裂縫區(qū)域，得到裂縫區(qū)域完整且噪聲較少的二值圖像，為圖像特征提取奠定了基礎(chǔ)。

2 隧道裂縫特征提取

通過對裂縫圖像進行分割，得到二值圖像，利用Zhang并行細化方法對其進行骨架細化。在裂縫骨架圖中結(jié)合二值圖像，提取裂縫特征參數(shù)。

2.1 裂縫長度計算

裂縫的長度計算通常是計算目標在圖像上中心點單層像素的輪廓，采用Zhang并行細化方法得到骨架圖，如圖7。

圖7 裂縫骨架細化Fig. 7 Crack skeleton refinement

由裂縫的二值圖像得到裂縫的骨架圖，采用8連通Freeman編碼，按照逆時針方向依次編碼，遍歷所有像素點，得到裂縫的鏈碼[16]，如圖8。

圖8 8連通示意Fig. 8 Eight-connectivity diagram

設(shè)1條裂縫為N(x,y)，使用Freeman鏈碼對其進行編碼，鏈碼長度計算如式(9)：

L=cNa+dNb

(9)

2.2 裂縫寬度和面積計算

2.2.1 裂縫面積計算

在裂縫二值圖像里，從左上角開始，逐行逐列開始掃描，累計像素值為1的像素點，即為裂縫區(qū)域的面積S。

2.2.2 裂縫寬度計算

(10)

對于裂縫局部寬度，用5×5滑動窗口對整條裂縫進行掃描，確定局部法線方向，然后根據(jù)法線方向統(tǒng)計像素點的個數(shù)，作為裂縫的局部寬度，如圖9。

圖9 裂縫寬度掃描示意Fig. 9 Schematic diagram of crack width scanning

在獲得局部寬度W1,W2,…,Wn之后，經(jīng)過排序可得到裂縫的局部最大寬度Wmax。

對10組隧道裂縫圖像進行裂縫的長度，平均寬度，最大寬度和面積的測量，結(jié)果如表2。

表2 裂縫測量結(jié)果Table 2 Crack measurement results px

3 實驗結(jié)果與分析

3.1 實驗平臺設(shè)計

基于Visual Studio2015+Opencv3.0平臺進行系統(tǒng)界面仿真，實現(xiàn)從裂縫圖像的輸入，預(yù)處理，濾波去噪以及特征提取。界面左側(cè)為圖像操作區(qū)域，界面右側(cè)為圖像顯示區(qū)域，并進行特征參數(shù)計算。地鐵隧道裂縫圖像分析系統(tǒng)界面如圖10。

3.2 實驗結(jié)果分析

局部閾值分割是將圖像分成不同鄰域子塊，根據(jù)子塊中像素灰度值的均值作為該塊的分割閾值來對圖像進行分割，但當(dāng)子塊中完全為背景或目標時，直方圖屬于單峰，很難進行分割。

圖10 地鐵隧道裂縫圖像分析系統(tǒng)界面Fig. 10 Interface of subway tunnel crack image analysis system

圖11 裂縫圖像閾值分割效果對比Fig. 11 Comparison of threshold segmentation effects of crack images

傳統(tǒng)Otsu法是一種全局閾值分割方法，它是將圖像直方圖的灰度像素基于某一閾值分為兩類，計算兩類的類間方差，通過不斷迭代，使得類間方差達到極小值，從而得到分割閾值。對于直方圖具有雙峰性的圖像具有較好的分割效果。

最大熵閾值分割也屬于全局閾值分割方法，是根據(jù)不同閾值進行分割，然后計算所有分割閾值下的圖像總熵，找到最大的熵，將最大熵對應(yīng)的分割閾值作為全局分割閾值，對圖像進行分割，將圖像中灰度大于此閾值的像素作為前景，否則作為背景。

為驗證筆者算法的有效性，對不同場景，不同條件下的傳統(tǒng)表面圖像和裂縫圖像進行實驗，分別采用局部閾值分割法，傳統(tǒng)Otsu法，最大熵閾值分割法以及文中算法進行對比，分割結(jié)果如圖11。

由圖11可知，局部閾值分割在對隧道圖像分割后，能夠識別出裂縫，但背景圖中仍含有較多的雜質(zhì)；傳統(tǒng)的Otsu法閾值分割只能夠識別出部分裂縫，不能夠很好的區(qū)分開裂縫和背景圖像，并且分割后圖像中含有較多的雜質(zhì)；最大熵閾值分割相比于局部閾值分割和傳統(tǒng)Otsu法，效果較好，能夠檢測出完整裂縫，但也將部分噪聲點誤判為裂縫邊緣，造成目標圖像復(fù)雜。筆者算法準確地將目標和背景圖像分割，能夠得到裂縫區(qū)域完整且噪聲點較少的二值圖像。結(jié)果表明：筆者改進的Otsu法自適應(yīng)的計算出最佳分割閾值，且能夠準確的識別出完整裂縫區(qū)域。

4 結(jié) 論

1)采用Mask勻光和自適應(yīng)灰度拉伸結(jié)合，可以在小范圍內(nèi)改善圖像灰度分布，并平衡光照；針對隧道圖像噪聲復(fù)雜的問題，提出改進的自適應(yīng)中值濾波算法，能夠有效降低混合噪聲的影響，保護了裂縫邊緣信息。

2)改進的Otsu法能夠有效的將裂縫分割出來，利用連通域計算和形態(tài)學(xué)處理，去除孤立點噪聲，避免了圖像目標區(qū)域缺失情況，得到完整的二值圖像，和傳統(tǒng)的Otsu法相比，能夠準確地識別出裂縫區(qū)域。

3) 建立地鐵隧道裂縫圖像分析系統(tǒng)，對裂縫圖像進行預(yù)處理，濾波，分割，特征提取以及位置標注，能夠同時顯示原圖像與處理后圖像，直觀地對裂縫圖像的處理結(jié)果進行對比。