融合視覺處理的堤壩水下裂縫檢測方法

張來勝，李亞萍

（1.鄭州市人力資源和社會保障數(shù)據(jù)管理中心，河南鄭州 450052；2.華北水利水電大學(xué)物理與電子學(xué)院，河南 鄭州 450046）

0 引言

大壩作為國民經(jīng)濟(jì)的重要基礎(chǔ)設(shè)施，在防災(zāi)減災(zāi)、緩解水資源供需矛盾等方面具有重要作用。由于大壩長期受水壓、溫度等因素影響，堤壩工程可能會出現(xiàn)不同程度的裂縫、滲透、磨損、侵蝕、氣蝕等問題。其中，裂縫是最常見的堤壩安全問題，不僅存在于堤壩表面，甚至能夠延伸到堤壩內(nèi)部［1］。因此，定期對堤壩表面狀況進(jìn)行檢測評估，及時(shí)、精確地檢測水下堤壩表面的裂縫情況，對保持堤壩混凝土結(jié)構(gòu)穩(wěn)定、延長大壩使用壽命至關(guān)重要。

目前，分析堤壩表面問題的主流方法是通過光學(xué)相機(jī)在水下拍攝的堤壩表面圖像，自動識別堤壩表面裂縫。相較于傳統(tǒng)的視覺檢測方法，自動裂縫檢測算法更安全，人工成本更低、實(shí)時(shí)性更強(qiáng)，檢測結(jié)果也更客觀［2-4］。隨著數(shù)字圖像處理技術(shù)和計(jì)算機(jī)視覺的發(fā)展，裂縫檢測算法得到了發(fā)展［5-8］，并已成功應(yīng)用于橋梁道路裂縫檢測領(lǐng)域［9］。但水下圖像與陸上圖像存在較大區(qū)別，光在水中傳播時(shí)會出現(xiàn)嚴(yán)重的衰減現(xiàn)象和散射效應(yīng)，水中的懸浮物及水游動植物也會對水下成像系統(tǒng)造成干擾，使圖像具有低照度、低對比度、模糊、亮度不均勻等特性，大幅度增加了水下堤壩裂縫信息識別的困難程度［10］。

為此，國內(nèi)外科研人員提出了多種算法以提高檢測水下堤壩表面裂縫的準(zhǔn)確性。付軍等［11］提出了基于BP 神經(jīng)網(wǎng)絡(luò)的堤壩裂縫檢測算法，通過分析二維圖像的亮度值，映射得到三維立體表面圖像。Cong 等［12］提出了基于多結(jié)構(gòu)和多規(guī)模元素的自適應(yīng)水下堤壩圖像裂縫檢測算法。張大偉等［13］提出了基于最大熵理論改進(jìn)的Canny 算法，通過自適應(yīng)Canny 算子提高邊緣檢測的準(zhǔn)確性，但當(dāng)水下堤壩裂縫圖像背景十分模糊或圖像中的裂縫特征較小時(shí)，大部分檢測算法將無法有效、準(zhǔn)確地提取出水下堤壩裂縫圖像中的裂縫特征信息。

由于水下環(huán)境的復(fù)雜性，圖像采集易受到水下光學(xué)特性的影響，堤壩裂縫圖像低照度的情況，且壩體上存在的泥沙附著物，也會導(dǎo)致圖像具有嚴(yán)重的背景噪聲。針對以上問題，本文根據(jù)堤壩細(xì)狀線性裂縫和寬裂縫兩種情況的特點(diǎn)，分別采用不同的裂縫分割和提取方法：前者通過結(jié)合Prewitt算子邊緣檢測的閾值分割算法［14］，分割水下圖像存在的細(xì)小裂縫，并結(jié)合形態(tài)學(xué)處理消除分割后的水下堤壩裂縫二值圖像的噪聲；后者采用自適應(yīng)閾值分割方法結(jié)合Gamma 校正［15］進(jìn)行多次處理得到水下堤壩裂縫圖像的最佳分割閾值，并結(jié)合形態(tài)學(xué)方法［16］對裂縫二值圖像進(jìn)行連通域提取和空洞填充，得到完整的裂縫二值圖像。最后，根據(jù)像機(jī)的分辨率估算圖像中每個像素點(diǎn)所對應(yīng)實(shí)際長度，進(jìn)而得到堤壩裂縫的特征參數(shù)值。

1 圖像分割和提取

由于水下圖像的堤壩裂縫區(qū)域多為弱目標(biāo)，且存在大量的泥沙背景，傳統(tǒng)方法提取效果較差，尤其在面對細(xì)線狀裂縫的邊緣時(shí)，檢測效果最差。因此，根據(jù)細(xì)狀線性裂縫和寬裂縫兩種情況，采用不同的裂縫分割和提取方法。

1.1 細(xì)狀線性裂縫分割方法

該區(qū)域具有亮度較低、背景灰度差別較小、背景噪聲大且所占像素較少等特點(diǎn)。為此，采用對背景噪聲有抑制作用的Prewitt 邊緣檢測算子進(jìn)行邊緣提取，利用膨脹和最大周長操作確定裂縫區(qū)域，分割方法如圖1所示。

Fig.1 Flow chart of segmentation method for fine linear cracks圖1 細(xì)狀線性裂縫的分割方法流程圖

通過Prewitt 邊緣檢測算子使用一階微分求取邊緣，對噪聲具有一定的抑制作用，既能夠得到的水下堤壩裂縫二值圖像P，又突出了目標(biāo)裂縫的邊緣信息。但由于水下圖像會受到泥沙、水下生物等干擾，會導(dǎo)致連通域出現(xiàn)誤判。因此，為了準(zhǔn)確提取大壩的裂縫區(qū)域，采用形態(tài)學(xué)處理方法對二值化的水下堤壩的裂縫圖像進(jìn)行確認(rèn)，提取的細(xì)性線狀裂縫結(jié)果如圖2所示。

Fig.2 Segmentation results of fine linear cracks圖2 細(xì)狀線性裂縫分割結(jié)果

首先，采用膨脹操作處理水下裂縫圖像，得到二值圖像P1。然后，進(jìn)行最大周長選擇操作，以S0為周長閾值，消除周長小于S0的小面積區(qū)域，獲得裂縫邊緣區(qū)域Cr0。但由于在圖像拍攝過程中，可能會出現(xiàn)曝光導(dǎo)致的亮斑，它會對裂縫邊緣提取造成的干擾較大。為此，在處理過程中需要對裂縫邊緣Cr進(jìn)行亮斑限制調(diào)節(jié)，根據(jù)增強(qiáng)后的圖像R設(shè)置灰度閾值Tx0，提高裂縫邊緣提取準(zhǔn)確性。最后，對裂縫連通域進(jìn)行空洞填充操作，得到水下堤壩裂縫提取圖像Cr。

1.2 寬型線性裂縫的分割方法

在實(shí)際情況中，水下堤壩出現(xiàn)寬大的線狀裂縫情況較多?？紤]到堤壩水下裂縫區(qū)域存在泥沙附著、裂縫和背景區(qū)域差別不大等特點(diǎn)，首先采用自適應(yīng)最大類間方差閾值分割方法（Otsu）［17］計(jì)算圖像的分割閾值，按照灰度特性將水下堤壩裂縫圖像分為背景區(qū)域干擾部分和目標(biāo)裂縫部分［18］。為了提高裂縫提取的準(zhǔn)確性，采用Gamma 校正對降低增強(qiáng)圖像R的亮度，得到圖像K。

接下來，采用Otsu 方法對圖像R和圖像K進(jìn)行處理，得到閾值T及T1。但實(shí)驗(yàn)表明，直接采用閾值T對圖像R進(jìn)行二值化處理得到的結(jié)果并不理想，背景區(qū)域存在大量噪聲。因此，為了盡可能降低背景區(qū)域的干擾，選擇圖像R中灰度值在T1～T間的像素點(diǎn)（其余像素點(diǎn)置0）進(jìn)行二次Otsu 處理得到閾值T2。對于背景區(qū)域干擾過多、目標(biāo)裂縫區(qū)域和背景區(qū)域不易區(qū)分的圖像采用多次迭代計(jì)算得到閾值Tk，相較于采用閾值T，利用Tk對增強(qiáng)后的水下裂縫圖像進(jìn)行二值化處理得到的水下裂縫二值圖像效果更好，背景干擾顯著減少。

最后，為保證水下堤壩裂縫的完整性，采用形態(tài)學(xué)處理方法去除背景區(qū)域殘留的少部分噪聲，并填充目標(biāo)裂縫區(qū)域的空洞，得到完整的目標(biāo)裂縫二值圖像。寬型線性裂縫區(qū)域分割方法如圖3所示。分割效果如圖4所示。

1.3 裂縫參數(shù)提取

1.3.1 裂縫面積

通過計(jì)算二值裂縫圖像中白色區(qū)域裂縫像素點(diǎn)的總數(shù)值可得到水下裂縫連通域的面積。

1.3.2 裂縫長度和最大寬度

運(yùn)用Steger 算法［19］得到裂縫中心線，以此可估算裂縫長度l和裂縫最大寬度Mw。對于任意一幅二維圖像，其Hessian 矩陣［20］表示為：

式中，兩個特征值分別為圖像二階導(dǎo)數(shù)的極大值和極小值，所對應(yīng)的兩個特征向量則表示了兩個極值所取的方向，并且兩者方向正交。

裂縫法方向n(x，y)對應(yīng)Hessian 矩陣的最大絕對特征值的特征向量，設(shè)定(nx，ny)表示法方向n(x，y)，=1，二圖像灰度函數(shù)在(nx，ny)方向的二階導(dǎo)數(shù)對應(yīng)于Hessian 矩陣的最大絕對特征值。通過求得Hessian矩陣的最大絕對特征值和所對應(yīng)的特征量，即可獲得法方向(nx，ny)和在該方向的二階導(dǎo)數(shù)。

Fig.3 Flow chart of segmentation method of wide linear crack圖3 寬型線性裂縫的分割方法流程圖

Fig.4 Crack binary image extraction圖4 裂縫二值化圖像提取

二維圖像中任意像素(x0，y0)的相鄰像素圖像可通過二次泰勒多項(xiàng)式進(jìn)行表示，由于裂縫中心點(diǎn)在裂縫法向量上，若已知裂縫法向量(nx，ny)，則：

對于裂縫灰度圖像，裂縫中心點(diǎn)處的一階導(dǎo)數(shù)為0，即認(rèn)為法方向n(x，y)上的一階方向?qū)?shù)為0，二階導(dǎo)數(shù)取極大絕對值的點(diǎn)就是裂縫中心點(diǎn)。因此，令f[(tnx+x0)，(tny+y0)]=0，可得：

因此，圖像灰度極小點(diǎn)為(px，py)=((tnx+x0)，(tny+y0))。

如圖5 所示，通過遍歷所有裂縫中心點(diǎn)可得到裂縫中心線能夠估算裂縫長度l。然后，計(jì)算裂縫中心線某點(diǎn)的法向量可得到該處裂縫寬度wi=，最后比較可得最大裂縫寬度為：

Fig.5 Target crack centerline圖5 目標(biāo)裂縫中心線

2 融合視覺處理的裂縫參數(shù)估算

由于水下裂縫圖像中提取出的參數(shù)為圖像的像素值，為了獲取裂縫的物理尺寸，采用融合視覺處理方法對裂縫參數(shù)進(jìn)行估算。視覺估算模型如圖6 所示，該系統(tǒng)中激光測距裝置和水下攝像機(jī)平行擺放，由攝像機(jī)光心O和光軸構(gòu)建坐標(biāo)系OXYZ及像平面坐標(biāo)系UV。水下堤壩裂縫上任一點(diǎn)（x，y，z）在圖像中像素坐標(biāo)為（u，v），攝像機(jī)焦距為f，激光測距裝置、水下攝像機(jī)和堤壩三者的距離均為d。

在不考慮折射影響的情況下，裂縫上任一點(diǎn)（x，y，z）可以表示為：

Fig.6 Crack parameter estimation圖6 裂縫參數(shù)估算

式中，1/kx和1/ky為單像素在U、V方向上的物理尺寸，單位為mm/pixel，（u0，v0）為像平面的中心點(diǎn)坐標(biāo)，λ為徑向放大倍數(shù)，z用距離d近似表示。

融合視覺成像原理，根據(jù)圖像提取的最大裂縫寬度Mw和長度l，可估算裂縫的實(shí)際尺寸（裂縫的寬度max?width和長度length）：

其中，f和k均通過相機(jī)先前標(biāo)定設(shè)定，距離d由激光測距儀測得。

基于以上分析，對圖2（a）、圖4（a）進(jìn)行裂縫參數(shù)提取，相機(jī)與對標(biāo)注區(qū)域的參數(shù)估計(jì)如下：相機(jī)焦距f為12mm，相機(jī)與堤壩表面距離d約為1 500mm。實(shí)驗(yàn)可得，細(xì)型線狀裂縫區(qū)域長為420.80mm，最大寬度為11.55mm，面積為1.78×103mm2；寬型線性裂縫區(qū)域長為747.44mm，最大寬度為82.36mm，面積為2.21×104mm2。

3 實(shí)驗(yàn)比較及分析

為驗(yàn)證本文算法對于水下堤壩裂縫檢測的有效性和優(yōu)越性，將該算法與現(xiàn)有算法進(jìn)行比較。實(shí)驗(yàn)選取6 幅水下堤壩裂縫圖像：第1 幅圖像（如圖7（a1）所示）亮度均勻，背景無太多噪聲，含有一條清晰的線狀裂縫；第2 幅圖像（如圖7（b1）所示）亮度均勻，背景存在部分噪聲，含有一條清晰的較寬線狀裂縫；第3 幅圖像（如圖7（c1）所示）背景光照不均勻，圖像對比度較低，背景存在較多噪聲，含有一條模糊且傾斜的細(xì)小線狀裂縫；第4 幅圖像（如圖7（d1）所示）圖像整體亮度很低，圖像霧化嚴(yán)重，對比度極低，背景存在大量噪聲，含有一條模糊垂直的細(xì)小線狀裂縫；第5幅圖像（如圖7（e1）所示）整體亮度均勻，背景存在部分噪聲，含有一條清晰的寬大線狀裂縫；第6幅圖像（如圖7（f1）所示）整體亮度偏低，對比度較低，圖像存在霧化現(xiàn)象，背景存在大量噪聲，含有一條模糊的較寬線狀裂縫。這6 幅圖像涵蓋了有無背景干擾、圖像是否霧化模糊、不同長短寬細(xì)的線狀裂縫等問題，并且圖像尺寸也存在一定的區(qū)別。

比較算法選擇目前較為常用的基于Canny算子的邊緣檢測方法和改進(jìn)的Otsu 方法［14］。前者對6 幅圖像的檢測效果如圖7（a2）-圖7（f2）所示；后者檢測結(jié)果如圖7（a3）-圖7（f3）所示；本文算法檢測結(jié)果如圖7（a4）-圖7（f4）所示。圖7（a5）-圖7（f5）為標(biāo)記的目標(biāo)裂縫信息，估計(jì)的裂縫信息特征參數(shù)值如表1所示。

Table 1 Characteristic parameter values of target crack表1 目標(biāo)裂縫的特征參數(shù)值

Fig.7 Comparison of different experimental results圖7 不同實(shí)驗(yàn)結(jié)果比較

由圖7 可見，現(xiàn)有算法在無背景干擾或背景干擾較少的情況下裂縫獲取效果較好，但遇見較為模糊霧化的水下堤壩裂縫圖像時(shí)，圖像通常會產(chǎn)生大量噪聲，導(dǎo)致算法無法準(zhǔn)確、有效地提取目標(biāo)裂縫信息，而本文算法在背景復(fù)雜且干擾較大的低照度情況下，均能夠準(zhǔn)確、有效地提取圖像中的裂縫信息。

4 結(jié)語

針對現(xiàn)有裂縫檢測方法無法準(zhǔn)確、完整地提取堤壩存在的細(xì)狀線狀裂縫和寬型線性裂縫的問題，提出了融合視覺處理的水下裂縫檢測方法。

通過結(jié)合邊緣檢測和自適應(yīng)閾值分割方法對裂縫圖像進(jìn)行二值化處理，既抑制了噪聲的干擾，又有效提取細(xì)小和寬大線狀堤壩裂縫。

此外，運(yùn)用Steger 算法定位裂縫中心線，通過裂縫中心線和成像原理成功計(jì)算出裂縫的長度和最大寬度信息，提高了裂縫檢測方法的適用性。實(shí)驗(yàn)表明，本文算法在復(fù)雜的水下環(huán)境中均能準(zhǔn)確、高效地提取堤壩裂縫，算法的魯棒性較高，然而該算法在圖形二值化處理過程中，對部分背景干擾過大的圖像處理效果并不理想，還需要進(jìn)一步優(yōu)化。