改進(jìn)組件樹在隧道裂縫識別中的應(yīng)用*

喬建剛，陶 瑞，劉 翔

(河北工業(yè)大學(xué) 土木與交通學(xué)院，天津 300401)

0 引言

我國隧道、橋梁等基礎(chǔ)設(shè)施逐步由施工條件向養(yǎng)護條件轉(zhuǎn)變。為確保運作期間的結(jié)構(gòu)安全和功能，必須及時進(jìn)行結(jié)構(gòu)健康監(jiān)測[1]，以維持基礎(chǔ)設(shè)施系統(tǒng)的穩(wěn)定運作?，F(xiàn)有隧道檢測方法主要依賴于人的視覺檢查，以尋找可見的損傷和模式，但視覺檢查存在一定缺陷，尤其對于大型項目需要耗費高昂成本和時間。由于人工評估存在主觀性[2]，其可靠性和效率取決于檢查員的知識和經(jīng)驗，所以一般采用超聲波層析成像、激光雷達(dá)、視覺成像和射線成像等無損檢測技術(shù)識別裂縫[3-4]。

傳統(tǒng)方法大都將圖像處理和特征提取[4]作為裂縫檢測的關(guān)鍵步驟。邊緣和邊界檢測[5]、濾波[6]、模板匹配、背景相減、紋理識別等[7]基本圖像處理技術(shù)依賴于明顯的裂紋特征，不適用于裂紋背景復(fù)雜且受嚴(yán)重干擾的隧道內(nèi)情況。

學(xué)者提出各種基于深度學(xué)習(xí)的方法進(jìn)行隧道缺陷檢測：Ren等[8]提出改進(jìn)的深度全卷積神經(jīng)網(wǎng)絡(luò)CrackSegNet進(jìn)行密集的像素級隧道裂縫分割；Lei等[9]提出差分噪聲濾波和自適應(yīng)分割、邊緣檢測和閾值法相結(jié)合的改進(jìn)分割方法，以提高隧道裂縫的識別精度；Huang等[10]提出基于移動激光掃描隧道襯砌點云數(shù)據(jù)的綜合深度學(xué)習(xí)漏水檢測方法，解決由于缺乏空間信息無法提供泄漏位置的問題，實現(xiàn)隧道襯砌漏水在三維空間的自動化檢測與評價；Hoang等[11]建立隧道裂縫自動檢測與分類模型，由射影積分的性質(zhì)和裂紋對象性質(zhì)組成的特征集可得到最理想的結(jié)果，可以幫助運輸機構(gòu)和檢查人員完成路面狀況評估任務(wù)；鮮晴羽等[12]針對隧道掌子面圖像多樣性和復(fù)雜性提出基于CNN以余弦相似度為指標(biāo)的方法，判定圖像質(zhì)量，篩選滿足工程需求的隧道圖像。

現(xiàn)有方法的識別精度和效率較低，仍需大量人工輔助[13]。鑒于此，本文利用傳統(tǒng)數(shù)字圖像處理方法識別缺陷，可有效解決隧道襯砌圖像中存在的光不均勻、噪聲和斑點等問題，研究結(jié)果可為裂縫識別提供技術(shù)支持。

1 裂紋識別算法系統(tǒng)及圖像處理

1.1 裂紋識別算法系統(tǒng)

裂紋識別算法系統(tǒng)流程如圖1所示，主要包括數(shù)據(jù)采集、圖像處理增強、特征提取3個步驟。隧道襯砌表面數(shù)據(jù)通過襯砌掃描車進(jìn)行采集[14],安裝在車輛上的高清CCD相機和減震裝置可獲取高質(zhì)量的數(shù)字圖像，根據(jù)需求和隧道條件,對捕獲的圖像區(qū)域進(jìn)行分割，得到候選裂紋圖像,最終使用圖像拼接技術(shù)組裝所有圖像。圖像預(yù)處理和增強包括灰度圖像轉(zhuǎn)化、增強以及勻光處理，可提前突出裂縫細(xì)節(jié)，獲取更多信息。特征提取主要通過組件樹的建立和分割將裂縫像素從背景中準(zhǔn)確分離出來(灰度值:crack_255;back-ground_0)。為提高裂紋識別效率，系統(tǒng)根據(jù)裂紋與背景灰度值差異，自動去除灰度變化有限的圖像,基于對比試驗和工程應(yīng)用測試，可驗證本文算法的優(yōu)越性。

1.2 隧道圖像增強

隧道內(nèi)應(yīng)急燈分布比較分散，一般沒有強光源照明，容易造成光照不均勻[15]。隧道表面采用自適應(yīng)Retinex方法對圖像進(jìn)行預(yù)處理?；叶仍鰪姳厝粫鰪姽庹盏牟痪鶆蛐裕瑸檫M(jìn)行動態(tài)范圍的有效壓縮，采用自適應(yīng)Retinex算法進(jìn)行避光處理，消除光照成分，提高圖像黑暗區(qū)域的亮度[16]。采用自適應(yīng)Retinex相關(guān)算法能夠獲得更好的信息和視覺效果，如式(1)所示：

F(x,y)=R(x,y)·L(x,y)

(1)

式中：F(x,y)為人眼或其它設(shè)備觀測到的圖像；L(x,y)表示入射光圖像；R(x,y)表示反射光圖像。

在Retinex模型中，L(x,y)是圖像的亮度信息，對應(yīng)圖像的低頻部分，可以利用低頻濾波器分別計算各顏色通道的亮度值，所得值與物體本身性質(zhì)無關(guān)。R(x,y)對應(yīng)圖像高頻部分，包含圖像細(xì)節(jié)信息，與光照無關(guān)。由式(1)可知，通過Retinex算法達(dá)到增強圖像質(zhì)量的目的，其核心要素是去除入射光圖像L(x,y)對原圖像F(x,y)的影響，提取反射光圖像R(x,y)并精準(zhǔn)提取照度部分。

Retinex算法采用對數(shù)域處理,原因是人眼視覺感知系統(tǒng)通過指數(shù)形式感受光照強度，對數(shù)形式更加接近光照信息，通過將乘法運算改為加法運算，可減少算法的復(fù)雜性,提高算法計算速度。因此，Retinex算法表達(dá)式可修改為式(2)：

f(x,y)=r(x,y)+l(x,y)

(2)

式中：f(x,y)=log(F(x,y));r(x,y)=log(R(x,y);l(x,y)=log(L(x,y))。

Retinex算法基本步驟如圖2所示，先求取對數(shù)變換后的光照圖像l(x,y)，再運用對數(shù)相減得到反射圖像對數(shù)形式r(x,y)，通過指數(shù)運算得到最終的反射圖像R(x,y)。

圖2 Retinex算法處理過程

不同方法裂縫圖像增強勻光比較如圖3所示。直方圖均衡化和灰度變換改變原圖像在全圖范圍內(nèi)的灰度分布，沒有達(dá)到均衡光照的作用，背景灰度變化較大，為后續(xù)處理工作增加難度?；谧赃m應(yīng)Retinex算法改變局部像素灰度值，可有效平衡光照保護圖像細(xì)節(jié)，勻光處理后，在一定范圍內(nèi)增強圖像背景與裂縫的對比度，圖像整體亮度的提高有利于后續(xù)圖像分割。

圖3 不同方法裂縫圖像增強勻光比較

2 圖像分割

圖像分割在計算機視覺技術(shù)中是更高層次圖像分析的基礎(chǔ)。在目標(biāo)識別任務(wù)中，輪廓通常被認(rèn)為是目標(biāo)識別最重要的特征信息。一般來說，圖像鄰域點的像素值在同一物體內(nèi)部比較接近，如果某一點像素點與它鄰域像素點的值差別較大，即該點像素值發(fā)生突變，則該像素點為噪聲點或者是在物體邊界上。對隧道襯壁圖像而言，像素值突變點也可以是裂縫邊沿點。

2.1 組件樹

圖像中灰度值大于給定閾值點的集合被稱為灰度圖像的水平集，不同閾值下的水平集可能含有多個連通組件(Connected Component)[16]。采用樹結(jié)構(gòu)組織存在

包含關(guān)系不同閾值下的連通組件，這種樹結(jié)構(gòu)稱為“連通組件樹”(Connected Component tree)，簡稱組件樹(Component Tree)[17]。本文使用地形參考，將灰度圖像視為山地地形，呈現(xiàn)出的地圖是1個浮雕表面與1個點的高度對應(yīng)[18]。

2.2 組件樹構(gòu)建

圖像水平截面如圖4所示。圖像I對應(yīng)的組件樹結(jié)構(gòu)如圖5所示。通過尋找圖像I的各個Level組件C[k，c]其中的包含關(guān)系建立組件樹。圖像I在Level 4中有[D,1]、[D,2]、[D,3]、[D,4]4個組件；在Level 3中有3個組件[C,1]、[C,2]、[C,3]，其中[C,1]包含[D,1]，[C,3]包含[D,3]，[C,2]包含[D,2]、[D,4]；在Level 2的組件[B,1]、[B,2]中，[B,1]包含[C,1]、[C,3]，[B,2]包含[C,2]；在Level 1中組件[A,1]由組件[B,1]、[B,2]連接而成。組件樹是每層的組件用樹的方式相連接而成。在組件樹構(gòu)造過程中，多個不同的連通組件在圖像I不同的Level中被劃分。直接構(gòu)建的組件樹含有多個葉子節(jié)點，葉子節(jié)點區(qū)域面積較小，大部分是沒有價值的噪聲信號。為達(dá)到圖像濾波目的，可以通過刪除組件樹中相應(yīng)葉子節(jié)點來抑制噪聲和防止干擾。另一方面，隧道圖像由于受噪聲污染，不同組件受灰度值相似的像素點分割影響，出現(xiàn)過分割現(xiàn)象。因此，通過組件樹中上層截面中灰度值較低的組件連接，構(gòu)成任一截面里的組件代表空間位置不相交的區(qū)域。圖5將[B,2]、[C,2]、[D,2]3個有可能相近但灰度值不同的節(jié)點組件進(jìn)行合并，可快速篩分相近的像素點，達(dá)到目標(biāo)區(qū)域像素合并的目的。

圖4 圖像水平截面

圖5 圖像I對應(yīng)組件樹結(jié)構(gòu)

對于定義域為Ω的圖像f，給定值λ和μ，定義上水平集Xλ、下水平集Xμ分別為Xλ={x∈Ω|f(x)≥λ},Xμ={x∈Ω|f(x)≤μ}，上/下水平集的連通組件被組織成1個包含樹，稱為最大/最小樹[19]。該算法采用自上向下的方法計算正水平線樹τ，其中每個水平線為上水平集的1條連通邊界，然后由τ計算最大樹T。每個組件C∈T，由1個外部邊界(在τ中為1條正水平線)和0或多個內(nèi)部邊界(在τ中為負(fù)水平線)組成。算法通過在各個層次上匹配正水平線與負(fù)水平線并得到相應(yīng)組件。實驗表明該算法在low-bit圖像上比傳統(tǒng)算法具有明顯優(yōu)勢。

2.3 算法描述

當(dāng)?shù)玫浇M件樹之后，刪除區(qū)域面積小于感興趣區(qū)域δ的組件，計算組件樹各節(jié)點的穩(wěn)定值φ(Ct)，得到最穩(wěn)定邊界值并作為輸出結(jié)果。對組件樹中不同層次區(qū)域邊界進(jìn)行基于梯度的比較，檢測出最穩(wěn)定的邊界。首先計算Ct邊界像素梯度，如式(3)所示：

(3)

計算區(qū)域Ct的穩(wěn)定值φ(Ct) 如式(4)所示：

(4)

式中：?Ct是區(qū)域Ct的邊界；N為邊界像素個數(shù)。

計算組件樹各節(jié)點穩(wěn)定值φ(Ct)，再查找最穩(wěn)定的邊界，輸出邊界區(qū)域作為檢測結(jié)果。

基于組件樹的裂縫檢測和圖像分割算法流程包括以下4個步驟：

1)Input：組件樹T，閾值δ。

Output：合并后的組件樹T′，分割完成的圖像f′。

2)根據(jù)輸入的圖像組件樹T，計算所有組件的面積及穩(wěn)定值。

3)依據(jù)裁剪準(zhǔn)則，進(jìn)行組件裁剪。

4)根據(jù)新的組件樹T′，輸出分割后的圖像f′。

3 試驗結(jié)果與分析

采用MATLAB 2020a作為開發(fā)工具，在Intel(R)Core(TM)i7-10510U CPU中，采用CCD相機拍攝200張裂縫圖像中選取3幀圖片進(jìn)行分析。

3.1 圖像分割試驗

將本文算法與傳統(tǒng)OTSU、迭代閾值分割、距離變換與二值圖像結(jié)合方法進(jìn)行試驗對比，結(jié)果如圖6所示。由圖6可知，OTSU算法易受圖像中噪聲影響，目標(biāo)分割過于單一，當(dāng)目標(biāo)和背景大小比例懸殊時效果較差；迭代閾值可以保持裂紋整體結(jié)構(gòu)特征，但分割容易提取偽邊緣，導(dǎo)致背景中缺失裂紋和相應(yīng)噪聲，加大后續(xù)處理難度，影響準(zhǔn)確率;距離變換與二值圖像結(jié)合法對噪聲的濾波效果一般，多依賴二值信息，識別效果較差，導(dǎo)致圖像分割精度不高，不符合裂縫識別的準(zhǔn)確性需求。結(jié)果表明本文方法提取的裂縫效果最好。

圖6 不同方法裂縫圖像分割比較

為進(jìn)一步驗證本文分割算法的可靠性,選取200幅不同的隧道裂縫圖像進(jìn)行分析,分別利用上述3種方法和本文算法對圖像進(jìn)行比較,各種裂縫邊緣提取算法的時間和性能比較見表1。由于計算機有較高的硬件配置，每幅圖像的識別速度快，響應(yīng)時間差別較小，本文算法平均計算時相對最小；本文選擇的圖像均為裂縫圖像,所以4種算法都有比較好的識別效果，本文分割算法的正確率相對最高，達(dá)0.955。綜上，本文分割算法識別效果相對最優(yōu)。

表1 各種裂縫邊緣提取算法的時間和性能比較

3.2 裂縫寬度對照試驗

裂縫寬度是衡量裂縫嚴(yán)重程度的主要因素，因此需定量計算裂縫寬度。以某開裂隧道襯砌為對象抽取隨機樣本，對該表面的11條裂縫進(jìn)行檢測及驗證。基于圖像所得裂縫寬度識別值與實測值的比較如圖7所示，1～11號裂縫最大寬度相對誤差變化范圍為4.69%～11.86%，平均相對誤差7.24%，縫寬度識別精度為92.76%。因此，本文設(shè)計方法對于0.2 mm以上裂縫寬度具有較好的檢測結(jié)果。

圖7 裂縫寬度識別值和實測值比較

3.3 工程應(yīng)用

為驗證本文算法的適用性，以北京-秦皇島高速公路遵化至秦皇島段溫泉堡隧道為試驗背景，通過CCD拍攝采集10個里程處的隧道襯砌裂縫圖像，根據(jù)隧道內(nèi)應(yīng)用場景特殊性，即每個襯砌表面均存在光照不勻、光照不足、光照過強等因素影響，進(jìn)行對照試驗，結(jié)果見圖8。由圖8可知，Mask算法亮度有提升，但對比度信息仍有欠缺，導(dǎo)致隧道襯砌表面顏色整體偏暗，灰度級的合并會導(dǎo)致某些細(xì)節(jié)無法呈現(xiàn)出來。本文在Retinex算法勻光后再采用組件樹進(jìn)行分割，圖像中裂縫特征明顯，背景干擾少，可快速實現(xiàn)裂縫區(qū)域的識別，能夠使圖像的整體視覺真實地體現(xiàn)出來。

圖8 隧道裂縫圖像勻光算法對比試驗

4 結(jié)論

1)本文采用勻光優(yōu)化算法處理非均勻光照圖像，運用自適應(yīng)Retinex方法進(jìn)行圖像增強，可有效校正并平衡圖像光照，保護圖像中裂縫邊緣信息，提高裂縫輪廓與圖像背景的對比度，為后續(xù)圖像分割奠定基礎(chǔ)。

2)本文分割方法能夠抑制圖像噪聲，具有較快的運行速度，時間復(fù)雜度低，又可抑制過分割現(xiàn)象，達(dá)到預(yù)期分割效果。

3)采用CCD相機拍攝的200幀圖像進(jìn)行分析并與現(xiàn)有算法相比較，本文算法對隧道襯砌裂縫的識別精度大于95%，裂縫寬度識別精度可達(dá)92.76%，驗證本文算法的適性。根據(jù)多組試驗結(jié)果對比發(fā)現(xiàn)，本文算法在定性和定量方面表現(xiàn)突出，可有效解決隧道裂縫圖像光照不勻等問題，圖像輪廓顯示、良好的細(xì)節(jié)顯示和全局性對比度。

4)下一步研究可在本文基礎(chǔ)上引入聚集度，對圖像屬性進(jìn)行更詳細(xì)的分析，從而提高裂縫分類的準(zhǔn)確性，提出1種新的組件樹合并準(zhǔn)則，以適應(yīng)更多類型的裂縫圖像識別。