基于改進(jìn)的種子填充算法的混凝土裂縫圖像識(shí)別系統(tǒng)

孫曉賀 施成華 劉凌暉 雷明鋒

(中南大學(xué) 土木工程學(xué)院，湖南 長(zhǎng)沙，410075)

隨著我國(guó)大量基礎(chǔ)設(shè)施逐漸進(jìn)入運(yùn)營(yíng)維護(hù)階段，高效率監(jiān)測(cè)手段的缺乏給運(yùn)營(yíng)維護(hù)帶來(lái)了巨大的挑戰(zhàn)。圖像識(shí)別方法因其高效、客觀、低成本等特點(diǎn)成為自動(dòng)化監(jiān)測(cè)的焦點(diǎn)，是應(yīng)對(duì)大規(guī)模運(yùn)維工作的重要方法。裂縫是建筑工程運(yùn)維中的主要健康監(jiān)測(cè)對(duì)象，針對(duì)其開展自動(dòng)化的圖像識(shí)別算法研究具有重要意義。

隨著圖像采集設(shè)備的更新?lián)Q代，目前已經(jīng)可以較為高效地獲取待監(jiān)測(cè)結(jié)構(gòu)的圖像[1- 3]。但受環(huán)境因素和結(jié)構(gòu)本身的影響，得到的圖像往往存在曝光不均、干擾較多等問(wèn)題。這些問(wèn)題一方面可以通過(guò)提升采集設(shè)備的性能來(lái)減弱干擾；另一方面則可以通過(guò)使用抗干擾能力強(qiáng)的程序?qū)D像進(jìn)行處理，從算法方面減輕干擾因素造成的干擾。隨著計(jì)算機(jī)技術(shù)發(fā)展而崛起的深度學(xué)習(xí)算法在裂縫識(shí)別方面就具有抗干擾能力強(qiáng)、識(shí)別準(zhǔn)確率高等優(yōu)勢(shì)。很多學(xué)者將深度學(xué)習(xí)技術(shù)應(yīng)用于橋梁[4]、隧道[5- 6]等結(jié)構(gòu)的裂縫識(shí)別，均獲得了很好的識(shí)別效果。然而，現(xiàn)在一般采用基于監(jiān)督學(xué)習(xí)模式的深度學(xué)習(xí)方法對(duì)裂縫進(jìn)行識(shí)別，這就意味著訓(xùn)練前需要準(zhǔn)備大量的數(shù)據(jù)集以及進(jìn)行繁瑣的數(shù)據(jù)標(biāo)記工作。數(shù)據(jù)集的獲取一直以來(lái)就是個(gè)難題，對(duì)于投入運(yùn)營(yíng)不久的基礎(chǔ)設(shè)施更是如此。同時(shí)數(shù)據(jù)標(biāo)記工作也將耗費(fèi)大量的時(shí)間和精力，上述缺點(diǎn)，一定程度上限制了該方法的推廣使用。

傳統(tǒng)的圖像處理方法是基于裂縫圖像的特征描述而開發(fā)的，基本不需要數(shù)據(jù)集且無(wú)需對(duì)圖片進(jìn)行標(biāo)記操作，避免了深度學(xué)習(xí)方法的缺點(diǎn)，如閾值分割[7]、邊緣檢測(cè)[8]、OTSU[9]、種子跟蹤[10- 11]等算法。這些方法處理簡(jiǎn)單的裂縫圖像效果較好，但是當(dāng)裂縫圖像中干擾多，背景雜亂時(shí)處理效果往往不理想。因此很多學(xué)者對(duì)傳統(tǒng)圖像處理算法進(jìn)行了改進(jìn)，例如在加入頻率濾波[12]和霍夫變換[13]等算法后去除了水泥路面刻槽、接縫及線路等特征鮮明的干擾，算法抗干擾能力得到了加強(qiáng)，但還是無(wú)法應(yīng)對(duì)復(fù)雜的干擾。張碩和邵永軍等[14- 15]利用種子填充方法實(shí)現(xiàn)了橋梁及隧道裂縫的準(zhǔn)確提取，抗干擾能力很強(qiáng)；但該方法需要手動(dòng)在裂縫圖像上提供種子點(diǎn)，無(wú)法滿足自動(dòng)化檢測(cè)的需求。

鑒于上述算法的不足，本研究提出了一種基于種子自動(dòng)填充算法的圖像裂縫識(shí)別方法，并通過(guò)整合、優(yōu)化一些既有的圖像處理方法，形成了一套兼顧了效率和識(shí)別精度的裂縫圖像自動(dòng)化識(shí)別系統(tǒng)。該系統(tǒng)在算法方面進(jìn)行了多處創(chuàng)新，包括使用光照不均勻系數(shù)來(lái)提高勻光算法的計(jì)算效率以及引入種子填充算法來(lái)提高裂縫圖像分割的抗干擾能力；并經(jīng)過(guò)多項(xiàng)對(duì)比實(shí)驗(yàn)，對(duì)該識(shí)別系統(tǒng)的優(yōu)越性進(jìn)行論證。

1 裂縫識(shí)別系統(tǒng)流程設(shè)計(jì)

裂縫圖像自動(dòng)識(shí)別過(guò)程主要包括預(yù)處理、裂縫識(shí)別和特征提取三個(gè)部分，如圖1所示。預(yù)處理過(guò)程中的勻光處理采用光照不均勻系數(shù)對(duì)圖像進(jìn)行篩選，提高效率的同時(shí)最大程度保留了裂縫的信息；隨后的裂縫識(shí)別過(guò)程創(chuàng)新性地引入了計(jì)算機(jī)圖形學(xué)中種子填充算法的概念，在此基礎(chǔ)上結(jié)合自動(dòng)確定生長(zhǎng)點(diǎn)以及連通域?yàn)V波等算法實(shí)現(xiàn)了圖像中裂縫的精準(zhǔn)提??；特征提取階段對(duì)裂縫骨架提取流程進(jìn)行了優(yōu)化，并且加入了骨架拼接等方法，最終可準(zhǔn)確得到裂縫的條數(shù)、長(zhǎng)寬值等量化參數(shù)，為結(jié)構(gòu)健康評(píng)定提供了依據(jù)。

圖1 總體設(shè)計(jì)流程圖

2 圖像預(yù)處理

2.1 勻光處理及圖像增強(qiáng)

對(duì)所有圖像都使用勻光算法不僅會(huì)降低預(yù)處理效率，而且會(huì)造成圖像細(xì)節(jié)的損失。為克服這一缺點(diǎn)，本研究針對(duì)光照不足的圖像常帶有暗角的現(xiàn)象，提出了基于光照不均勻系數(shù)的勻光算法；該方法能自動(dòng)篩選需要?jiǎng)蚬馓幚淼膱D像，提高運(yùn)算效率的同時(shí)保留了裂縫的細(xì)節(jié)信息。預(yù)處理流程如圖2所示，具體實(shí)施過(guò)程如下。

步驟1對(duì)原始圖像進(jìn)行HSV變換，對(duì)V通道提取得到灰度圖(亮度矩陣)，將灰度圖劃分為6×6的小塊。

步驟2計(jì)算圖像光照不均勻系數(shù)。如圖2所示，分別計(jì)算邊角位置B處12個(gè)子塊平均灰度iB，中心位置A處4個(gè)子塊平均灰度為iA，按照式(1)求取不均勻系數(shù)。將不均勻系數(shù)與0.1作對(duì)比，如果大于0.1，則進(jìn)行步驟3勻光處理；反之，直接進(jìn)入步驟4灰度線性變換。

K=|iA-iB|/iA

(1)

步驟3勻光處理，采用基于亮度均衡的處理算法[16]。

步驟4灰度線性變換。對(duì)勻光后的圖像進(jìn)行灰度線性拉伸增強(qiáng)處理，使其灰度值充滿在0-255范圍，以此增加裂縫與背景圖像的對(duì)比度，方便裂縫提取。

圖2 勻光處理及圖像增強(qiáng)流程圖

2.2 圖像降噪

對(duì)裂縫圖像的降噪處理有兩個(gè)目標(biāo)：①近可能地保留裂縫信息；②對(duì)非裂縫區(qū)域盡可能的降噪模糊。為此，本研究將不同的降噪方法應(yīng)用到混凝土裂縫圖像進(jìn)行對(duì)比，結(jié)果如表1所示。其中的雙邊濾波算法[17]考慮了距離及灰度值兩個(gè)方面的影響因素，對(duì)背景區(qū)域進(jìn)行模糊的同時(shí)保留了裂縫的邊緣信息，可以很好地滿足降噪處理的兩個(gè)目標(biāo)，因此本研究選用雙邊濾波方法進(jìn)行降噪處理[18]。

表1 關(guān)于混凝土圖像的降噪方法對(duì)比

3 基于種子填充算法的圖像分割

種子填充算法原是計(jì)算機(jī)圖形學(xué)的概念，是指通過(guò)手動(dòng)指定封閉區(qū)域中的一個(gè)像素點(diǎn)，從而將整個(gè)封閉區(qū)域用指定顏色進(jìn)行填充[19]。本研究借鑒種子填充算法的原理并對(duì)其進(jìn)行改進(jìn)，實(shí)現(xiàn)了裂縫圖像的自動(dòng)分割；該方法克服了邊緣檢測(cè)、閾值分割等傳統(tǒng)算法抗干擾能力弱的缺點(diǎn)，具有較強(qiáng)的魯棒性。

改進(jìn)后的種子填充算法首先自動(dòng)確定若干個(gè)種子生長(zhǎng)點(diǎn)，然后搜索生長(zhǎng)點(diǎn)周圍與其灰度相似的像素點(diǎn)，將搜索得到的像素點(diǎn)作為種子點(diǎn)進(jìn)行生長(zhǎng)區(qū)域的擴(kuò)張，反復(fù)執(zhí)行此操作，直至遇到邊界；得到的整個(gè)生長(zhǎng)區(qū)域的圖像就是裂縫初始二值圖；再通過(guò)連通域?yàn)V波即可得到最終準(zhǔn)確的裂縫二值圖像。總流程如圖3所示。

圖3 圖像分割流程圖

3.1 生長(zhǎng)點(diǎn)的確定

通過(guò)對(duì)大量裂縫圖像進(jìn)行觀察，發(fā)現(xiàn)圖像中的裂縫區(qū)域比背景更暗(裂縫灰度值較低)，并且裂縫在局部區(qū)域內(nèi)是連續(xù)的[20]。因此，只要確保選擇的生長(zhǎng)點(diǎn)位于裂縫區(qū)域，依據(jù)種子填充算法的特點(diǎn)，就能提取出整條裂縫，而不必關(guān)心種子點(diǎn)數(shù)量的多少。為滿足上述要求，生長(zhǎng)點(diǎn)的確定主要通過(guò)以下兩個(gè)步驟。

步驟1找出濾波處理后圖像中灰度值低的點(diǎn)，并將其坐標(biāo)記錄在矩陣M中備用。

此步的關(guān)鍵在于選取合適數(shù)量的種子點(diǎn)。如果選取的種子點(diǎn)數(shù)量太少，極可能導(dǎo)致所選種子全部落于混凝土裂縫圖像背景中的零星黑點(diǎn)區(qū)域，導(dǎo)致裂縫分割失敗。如果選取的種子點(diǎn)數(shù)量過(guò)多，種子點(diǎn)的灰度值就會(huì)增大，由此可能使灰度值比裂縫高的背景區(qū)域被選為種子點(diǎn)，也使得裂縫分割失敗。本研究處理的原圖大小為800萬(wàn)個(gè)像素，經(jīng)過(guò)大量試驗(yàn)比較，種子點(diǎn)數(shù)量為像素總數(shù)的1‰時(shí)(即 8 000 個(gè)像素點(diǎn))可以達(dá)到較好效果。此時(shí)，不管是粗裂縫還是細(xì)裂縫，該比例都能保證裂縫區(qū)域存在生長(zhǎng)點(diǎn)且不溢出至背景區(qū)域，具有較高的魯棒性。經(jīng)此步驟提取的種子點(diǎn)如圖4(b)所示，可以看到大部分生長(zhǎng)點(diǎn)都位于裂縫中，說(shuō)明選取該比例的種子點(diǎn)是成功的。

步驟2隨機(jī)從矩陣M中選取一定數(shù)量的坐標(biāo)點(diǎn)作為生長(zhǎng)點(diǎn)。

為提高算法的運(yùn)行效率，此步選取矩陣M中的部分種子點(diǎn)作為生長(zhǎng)點(diǎn)即可?？紤]到一個(gè)圖像中可能有一條以上的裂縫，再加上背景區(qū)域黑色噪點(diǎn)干擾，如果選取種子點(diǎn)太少，難以保證生長(zhǎng)點(diǎn)覆蓋全部裂縫。經(jīng)過(guò)大量試驗(yàn)，對(duì)于800萬(wàn)像素大小的圖像，從矩陣M中隨機(jī)選取50個(gè)作為最終的種子生長(zhǎng)點(diǎn)就可達(dá)到很好的效果。處理結(jié)果如圖4(c)所示，裂縫中都有種子點(diǎn)的存在，因此選取該數(shù)量的種子生長(zhǎng)點(diǎn)是可行的。

通過(guò)圖4(c)可以看到，經(jīng)此步處理后，這些種子點(diǎn)有位于裂縫中的，也有位于背景區(qū)域的黑點(diǎn)中的。當(dāng)在實(shí)施種子填充算法時(shí)，位于裂縫中的種子點(diǎn)因?yàn)榱芽p具有連續(xù)性，所以能擴(kuò)張到整個(gè)裂縫區(qū)域；而位于背景區(qū)域的黑點(diǎn)中的種子，周圍像素值與其差別很大(如圖4(c)綠框中的種子點(diǎn)，該種子點(diǎn)為灰度值較低的點(diǎn)，而周圍均為白色背景)。此處種子往往擴(kuò)張不了，從而只填充極小一部分，而這一部分可以在后續(xù)連通域?yàn)V波階段進(jìn)行去除，因此通過(guò)種子填充算法進(jìn)行裂縫圖像分割是可行的。

(a)局部位置選取

3.2 鄰近像素的搜索方式

對(duì)鄰近像素的搜索通常是在以生長(zhǎng)點(diǎn)為中心的3×3大小的區(qū)域進(jìn)行操作。實(shí)施種子填充算法時(shí)連通像素的搜索分為四方向搜索和八方向搜索，如圖5所示，其中T為搜索方向，F(xiàn)為非搜索方向。

圖5 鄰近像素的搜索方式

假定圖6(a)中藍(lán)色部分為裂縫區(qū)域，其中橙色點(diǎn)為種子生長(zhǎng)點(diǎn)。四方向搜索結(jié)果如圖6(b)所示，而八方向搜索結(jié)果為如圖6(c)所示。八方向搜索方法更為全面，抗干擾能力更強(qiáng)，所以本研究用八方向搜索方法。

圖6 不同搜索方式結(jié)果對(duì)比

3.3 邊界的判斷

邊界的確定考慮鄰近像素與生長(zhǎng)點(diǎn)的灰度差，如果灰度差超過(guò)某一閾值則視為邊界像素點(diǎn)。本研究采用抗干擾能力較強(qiáng)的相對(duì)閾值法進(jìn)行邊界判斷。

首先嘗試將生長(zhǎng)點(diǎn)鄰近像素加入生長(zhǎng)區(qū)域J，然后計(jì)算區(qū)域J的平均灰度值m，判斷m是否超過(guò)預(yù)設(shè)的閾值K。如果超過(guò)閾值K，則將該點(diǎn)定義為邊界點(diǎn)；如果沒(méi)超過(guò)閾值K，則將該點(diǎn)加入生長(zhǎng)區(qū)域J，繼續(xù)進(jìn)行下一個(gè)鄰近像素點(diǎn)的搜索，直至遇到邊界點(diǎn)。設(shè)圖像區(qū)域J中的像素?cái)?shù)目為N，坐標(biāo)(x，y)處的灰度值為f(x，y)，則平均灰度m可用式(2)表達(dá)：

(2)

假設(shè)有一幅圖像，如圖7(a)所示，以灰度值為1的點(diǎn)進(jìn)行種子填充，閾值為2，采用八方向搜索。種子點(diǎn)的生長(zhǎng)過(guò)程如圖7所示。種子填充算法執(zhí)行完成后，記錄種子填充的區(qū)域，即可得到裂縫的二值化圖像。

3.4 連通域?yàn)V波

連通域?yàn)V波即統(tǒng)計(jì)二值圖中各部分連通區(qū)域像素點(diǎn)的個(gè)數(shù)，然后將極小面積的噪點(diǎn)進(jìn)行去除。本步驟分濾除背景區(qū)域白色噪點(diǎn)與濾除裂縫內(nèi)部黑色噪點(diǎn)兩個(gè)階段進(jìn)行。

圖7 種子生長(zhǎng)過(guò)程

第一階段中采用八方向連通域搜索算法對(duì)各白色連通區(qū)域像素點(diǎn)個(gè)數(shù)進(jìn)行統(tǒng)計(jì)，將面積小的白色噪點(diǎn)進(jìn)行濾除，處理結(jié)果如圖8(b)所示。此時(shí)背景白色噪點(diǎn)基本濾除干凈，但裂縫內(nèi)部仍存在大量黑色噪點(diǎn)，這些噪點(diǎn)將會(huì)嚴(yán)重影響后續(xù)的裂縫細(xì)化操作，必須進(jìn)行濾除。因此，采用連通域?yàn)V波方法對(duì)小面積黑色區(qū)域像素點(diǎn)進(jìn)行濾除。考慮到存在如圖9所示的裂縫內(nèi)部黑色噪點(diǎn)，該噪點(diǎn)與外部黑色背景斜向相連，若采用八連通域搜索方式對(duì)各黑色連通區(qū)域進(jìn)行搜索時(shí)，程序會(huì)將圖9中裂縫內(nèi)部黑色噪點(diǎn)與黑色大背景視為一體，不會(huì)將小面積噪點(diǎn)剔除。而四方向搜索僅進(jìn)行上下左右方向搜索，并不進(jìn)行斜向搜索，此時(shí)圖9所示黑色噪點(diǎn)會(huì)被視為孤立點(diǎn)，會(huì)被算法濾除。因此在第二階段必須采用四方向連通域搜索算法進(jìn)行濾波處理，處理后的裂縫二值圖幾乎不含內(nèi)、外噪點(diǎn)，如圖8(c)所示。

圖8 連通域?yàn)V波處理

圖9 裂縫內(nèi)部的黑色噪點(diǎn)放大圖

4 裂縫特征提取

裂縫特征提取旨在獲取裂縫長(zhǎng)寬值，實(shí)現(xiàn)對(duì)裂縫的量化，包括圖像細(xì)化、獲取裂縫條數(shù)、寬度、長(zhǎng)度等步驟。

4.1 圖像細(xì)化

圖像細(xì)化流程如圖10所示，該步處理得到的裂縫骨架可以提供裂縫的中心位置及走向信息。如果直接對(duì)裂縫二值化圖像進(jìn)行細(xì)化處理，得到的圖像往往含有很多毛刺，如圖10(b)所示。為解決這個(gè)問(wèn)題，本研究先對(duì)圖像進(jìn)行形態(tài)學(xué)膨脹處理，然后進(jìn)行Zhang-Suen快速并行細(xì)化算法[21]處理即可得到毛刺較少的骨架圖，如圖10(d)所示。最后再將長(zhǎng)度小的支鏈進(jìn)行剔除[22]，即可得到最終裂縫骨架，如圖10(e)所示。此時(shí)裂縫骨架圖已經(jīng)沒(méi)有了細(xì)小毛刺，可為裂縫的特征提取提供基礎(chǔ)。

圖10 裂縫骨架提取流程

4.2 條數(shù)提取

當(dāng)裂縫中存在干擾(如泥塊、小石塊)時(shí)，因?yàn)楦蓴_處的亮度比裂縫區(qū)域高，使用種子填充算法進(jìn)行圖像分割會(huì)認(rèn)為裂縫在此斷開，從而將其當(dāng)成兩條裂縫，如圖11所示。然而實(shí)際上此裂縫確實(shí)為一條，考慮到干擾點(diǎn)面積較小的特點(diǎn)，可以先對(duì)裂縫骨架圖中各條裂縫的端點(diǎn)之間的距離進(jìn)行獲取。如果距離過(guò)小(小于圖像長(zhǎng)度或?qū)挾?/40)，則對(duì)干擾處斷開裂縫在骨架圖中實(shí)施連接，作為一條裂縫(如圖11所示)。如果距離過(guò)大，則認(rèn)為是兩條裂縫。統(tǒng)計(jì)連接好的骨架圖中連通區(qū)域的個(gè)數(shù)，以此作為裂縫的條數(shù)。

圖11 骨架圖連接

4.3 長(zhǎng)度提取

每條裂縫是一個(gè)連通區(qū)域，可能為單一裂縫，也可能是網(wǎng)狀裂縫。對(duì)于單一裂縫，可以采取Freeman編碼，以此來(lái)獲取裂縫的長(zhǎng)度及方向信息[23]。對(duì)于網(wǎng)狀裂縫，可以先消除網(wǎng)狀裂縫的節(jié)點(diǎn)(如圖12所示)，使其變?yōu)槎鄠€(gè)簡(jiǎn)單單一裂縫，統(tǒng)計(jì)出各簡(jiǎn)單裂縫的長(zhǎng)度最后進(jìn)行相加即可獲得網(wǎng)狀裂縫的總長(zhǎng)度。

圖12 斷除節(jié)點(diǎn)

4.4 寬度提取

裂縫的平均寬度和局部最大寬度在一定程度上可以反映結(jié)構(gòu)健康狀態(tài)，因此本研究將對(duì)這兩個(gè)指標(biāo)進(jìn)行獲取。裂縫的平均寬度獲取較簡(jiǎn)單，直接由每條裂縫二值化圖像面積除以對(duì)應(yīng)的裂縫長(zhǎng)度獲得。而裂縫局部最大寬度可結(jié)合Freeman鏈碼信息及裂縫二值圖進(jìn)行獲取，具體操作方法可參考文獻(xiàn)[23]確定。

5 試驗(yàn)結(jié)果及對(duì)比分析

為了測(cè)試該圖像識(shí)別方法的處理效果，對(duì)幾種典型工程結(jié)構(gòu)的襯砌裂縫圖像進(jìn)行了處理，并與其他常規(guī)算法進(jìn)行了比較?？傮w而言，這些或直觀或定量的處理結(jié)果在一定程度上反映了文中所提出的圖像識(shí)別系統(tǒng)的優(yōu)越性。

5.1 預(yù)處理效果分析

本研究圖像預(yù)處理中采取先判斷圖像光照均勻程度，再?zèng)Q定是否使用勻光算法進(jìn)行勻光處理。這樣不僅可以提高計(jì)算效率，而且能避免勻光處理對(duì)光照均勻圖像的裂縫信息造成損失、最大程度保留裂縫細(xì)節(jié)。最后再用灰度值線性變化使得裂縫信息完整呈現(xiàn)出來(lái)，如圖13所示。

圖13 勻光處理及圖像增強(qiáng)

同時(shí)，為比較各濾波方法的處理效果及適應(yīng)性，選取了3種不同干擾環(huán)境下的圖像來(lái)對(duì)比。由圖14可以看出，均值和高斯濾波在一定程度上模糊了裂縫的邊緣信息，而中值濾波對(duì)背景噪點(diǎn)的處理效果又不甚理想。本研究采用的雙邊濾波方法既可以很好地處理背景噪聲，又可以保留裂縫邊緣的細(xì)節(jié)。同時(shí)采用峰值信噪比(PSNR)來(lái)對(duì)比不同濾波方法對(duì)圖的處理效果，其中峰值信噪比越高，處理效果越好，結(jié)果如圖15所示，由圖15可見(jiàn)，采用文中提出的雙邊濾波處理法的效果最好。

圖15 不同濾波方法PSNR對(duì)比圖

5.2 裂縫提取效果對(duì)比

本研究選取了4種不同環(huán)境下的裂縫圖像來(lái)對(duì)裂縫提取效果進(jìn)行對(duì)比分析，如圖16所示。由圖16可以看出，自適應(yīng)閾值法對(duì)噪聲異常敏感，分割后的圖像干擾太多；OTSU算法則因裂縫與背景所占圖像比例相差過(guò)大，導(dǎo)致該算法得到的閾值較實(shí)際最佳閾值高，使得部分背景區(qū)域也被識(shí)別為裂縫，識(shí)別效果不理想；而采用文中基于種子填充的分割算法則可在保留裂縫形態(tài)基礎(chǔ)上使得噪聲干擾降至極低的水平，增大了裂縫的識(shí)別率，更有利于進(jìn)行裂縫的特征提取。

為了對(duì)裂縫識(shí)別算法效果進(jìn)行定量評(píng)價(jià)，采用下式來(lái)表示裂縫識(shí)別算法的識(shí)別率[10]。

(3)

式中，∪表示集合的并運(yùn)算，∩表示集合的交運(yùn)算，Rc值為0%～100%(數(shù)值越高表示識(shí)別效果越好)。

(a)原圖

圖17為文中算法與自適應(yīng)閾值法、OTSU法分割效果的對(duì)比圖，從圖中可以看出，本研究采用的種子填充算法在面對(duì)背景復(fù)雜的裂縫圖像時(shí)識(shí)別率遠(yuǎn)高于自適應(yīng)閾值及OTSU分割算法。

圖17 識(shí)別率定量對(duì)比

5.3 特征提取結(jié)果展示

采用文中的特征提取方法對(duì)圖16中4種環(huán)境下的圖片分別進(jìn)行處理，結(jié)果如表2所示，其中長(zhǎng)、寬值均以像素為單位。從表中可以看出，程序所得裂縫長(zhǎng)、寬值與實(shí)際值非常接近，誤差基本在10%以內(nèi)。因此文中所采用的圖像識(shí)別系統(tǒng)對(duì)復(fù)雜干擾情況下的裂縫進(jìn)行識(shí)別及特征提取是可行的。

表2 裂縫信息提取結(jié)果的對(duì)比

6 結(jié)語(yǔ)

本研究提出了一種裂縫圖像自動(dòng)識(shí)別系統(tǒng)，該系統(tǒng)在集成成熟算法的基礎(chǔ)上，進(jìn)一步改進(jìn)了勻光處理算法，并且提出了基于種子填充算法的裂縫圖像自動(dòng)分割方法。對(duì)比其他傳統(tǒng)圖像識(shí)別方法，本研究所提出的圖像處理系統(tǒng)在裂縫識(shí)別方面抗干擾能力更強(qiáng)，結(jié)果更加準(zhǔn)確且系統(tǒng)整體效率更高。研究成果主要包括以下幾個(gè)方面：

(1)該系統(tǒng)集成了一系列圖像處理程序，實(shí)現(xiàn)了裂縫的自動(dòng)化識(shí)別。

(2)勻光算法流程通過(guò)光照不均勻系數(shù)進(jìn)行照片初選，大幅提高了預(yù)處理效率，并且減少了算法造成的圖像細(xì)節(jié)損失。

(3)提出基于種子填充算法的圖像分割方法，結(jié)合連通域?yàn)V波算法，減輕了混凝土裂縫圖像背景干擾，具有較強(qiáng)的抗干擾能力。

(4)改進(jìn)了裂縫特征提取流程。其中圖像細(xì)化中引入了形態(tài)學(xué)處理及毛刺剔除，優(yōu)化了裂縫骨架；條數(shù)提取中將節(jié)點(diǎn)間距離過(guò)短的骨架相連，消除了裂縫中石塊或泥塊的干擾。改進(jìn)后的程序得到的長(zhǎng)寬值與實(shí)際值更加接近，誤差在10%左右。