裂縫檢測中的圖像處理技術(shù)★

金 靈,陳曹陽

(長沙理工大學(xué)土木工程學(xué)院，湖南 長沙 410114)

陳曹陽(1997- )，男，在讀碩士，從事結(jié)構(gòu)工程研究

1 概述

數(shù)字圖像處理是利用計算機(jī)對圖像進(jìn)行變換、增強(qiáng)、復(fù)原、分割、壓縮、分析、理解的理論、方法和技術(shù)[1]。數(shù)字圖像處理自20世紀(jì)50年代提出后，已在多個學(xué)科中成功應(yīng)用，如：航空航天[2]、衛(wèi)星遙感[3]和醫(yī)學(xué)影像等[4]。

目前，裂縫檢測的主要方法仍然是以人工檢測為主。裂縫的人工檢測方法存在費(fèi)用高，效率低以及人員安全無法保障等問題。裂縫檢測技術(shù)與圖像處理技術(shù)相結(jié)合能夠解決人工檢測技術(shù)的困境。通過采集設(shè)備代替人工識別裂縫并計算裂縫寬度、長度，能夠大幅度提升裂縫檢測的安全以及效率。因此，圖像處理技術(shù)與裂縫檢測技術(shù)融合已成為發(fā)展趨勢。

2 裂縫檢測技術(shù)

基于圖像處理技術(shù)的裂縫檢測流程如圖1所示。裂縫檢測主要包括圖像采集、灰度化、去噪、圖像增強(qiáng)以及圖像裂縫檢測五個部分。

2.1 灰度化處理

直接對RGB圖像進(jìn)行圖像處理存在著數(shù)據(jù)量巨大，效率低等問題，所以需要對裂縫圖像進(jìn)行降維處理，即灰度化處理?；叶葓D像是單通道圖像，像素點(diǎn)取值范圍為0～255，僅有256階。處理灰度圖像可以大幅度降低運(yùn)算量，提升運(yùn)算速度?；叶然幚矸椒ㄖ饕譃樽畲笾捣ā⒓訖?quán)法和平均值法三種。

最大值法即取RGB通道內(nèi)像素點(diǎn)的最大值作為灰度值，原理如式(1)所示。

GRAY(i,j)=max{R(i,j),G(i,j),B(i,j)}

(1)

其中，i為元素的行數(shù);j為元素的列數(shù);GRAY(x,y)為灰度通道內(nèi)元素值;R(i,j)為R通道內(nèi)元素值;G(i,j)為G通道內(nèi)元素值;B(i,j)為B通道內(nèi)元素值。

使用加權(quán)平均法進(jìn)行灰度化處理時，灰度值為R,G,B三通道像素值的加權(quán)平均結(jié)果。常用的加權(quán)平均參數(shù)如式(2)所示。

GRAY(x,y)=0.299×R(i,j),0.587×G(i,j),0.114×B(i,j)

(2)

平均值法是特殊的平均值法，即所有加權(quán)參數(shù)均為1/3。三種方法中最大值法灰度化后圖像對比度最高。

2.2 圖像去噪

噪聲是圖像識別精準(zhǔn)度的主要干擾因素，當(dāng)光照條件不理想時，圖像的噪點(diǎn)將會增多。噪聲是影響裂縫檢測精度的主要因素，因此需要盡可能地去除噪聲圖像，去噪技術(shù)主要分為空域?yàn)V波與頻域?yàn)V波兩類。

2.2.1 空域?yàn)V波

空域?yàn)V波是指在圖像的空間域?qū)D像的灰度值直接進(jìn)行操作的去噪方法，空域?yàn)V波主要考慮和處理像素點(diǎn)與周邊像素點(diǎn)之間的關(guān)聯(lián)，主要的空域?yàn)V波方法有均值濾波、高斯濾波和中值濾波等。

均值濾波屬于線性平滑濾波方法，其中均值濾波是空域?yàn)V波中的基礎(chǔ)方法之一。它的基本原理是選擇一個目標(biāo)像素點(diǎn)，賦予其一定鄰域內(nèi)的所有像素點(diǎn)灰度值的平均值。

去噪后圖像為原圖像與局部算子的卷積結(jié)果，噪點(diǎn)在經(jīng)過均值濾波后會大幅度降低，通過迭代的方式能提高均值濾波的效果[5]。然而均值濾波處理后的圖像的對比度會下降，模板越大，邊緣越模糊。

高斯濾波與均值濾波相似，屬于線性平滑濾波方法。通過選取某一像素點(diǎn)的鄰域，根據(jù)高斯正態(tài)分布曲線求加權(quán)平均值作為新的像素點(diǎn)的像素值。通過降低像素點(diǎn)間的差值達(dá)到消除噪點(diǎn)的目的。

線性平滑濾波會造成圖像邊緣模糊，難以達(dá)到令人滿意的效果，因此，研究者們設(shè)計了非線性平滑濾波器。其中中值濾波[6]的應(yīng)用最為廣泛。中值濾波對于椒鹽噪聲有較好的濾波效果，但對于高斯噪聲效果不理想，對于點(diǎn)線多的圖像中值濾波的去噪效果較差，丟失細(xì)節(jié)。因此，中值濾波不適合于裂縫圖像的去噪處理。

2.2.2 頻域?yàn)V波

頻域?yàn)V波是將圖像由二維空域轉(zhuǎn)換到一維頻域進(jìn)行處理的濾波方法[7]。頻域中幅度為像素點(diǎn)的灰度，頻率為灰度變化的快慢。使用傅里葉變換將圖像由空域轉(zhuǎn)換至頻率后，噪聲在頻域中表現(xiàn)為高頻成分。因此，通過構(gòu)造低頻濾波器，可以有效的對噪聲進(jìn)行過濾。頻域?yàn)V波的濾波過程如式(3)所示。

(3)

其中，f(x,y)為原圖像;DFT為離散傅里葉變換;F(x,y)為f(x,y)經(jīng)過傅里葉變換后得到的頻域函數(shù);H(u,v)為濾波器;G(u,v)為低頻濾波后得到的函數(shù);g(x,y)為進(jìn)行反傅里葉變換后輸出的圖像。

基于小波變換的降噪方法主要有形式簡單的閾值法和使用先驗(yàn)概率模型，如廣義高斯模型[8]，高斯混合模型[9]等基于貝葉斯估計理論的降噪方法。其中閾值法效果較差，且需要設(shè)定閾值，但是具有計算速度快，程序簡單，便于實(shí)現(xiàn)的優(yōu)點(diǎn)。因此，在閾值法基礎(chǔ)上，研究者們提出了各種自適應(yīng)閾值的閾值法去噪，在一定程度上彌補(bǔ)了閾值法的缺陷[10-13]。閾值法濾波如圖2所示，閾值大小為100。

2.3 圖像增強(qiáng)

圖像增強(qiáng)能夠提高圖像的對比度，突出細(xì)節(jié)信息，使裂縫更容易被人和機(jī)器識別。好的圖像增強(qiáng)算法應(yīng)該能有效抑制噪聲，并且使圖像具有良好的視覺效果。其中，應(yīng)用最為廣泛的圖像增強(qiáng)算法有直方圖均衡算法和Retinex算法等。

2.3.1 直方圖均衡法

灰度直方圖表能夠反映每一灰度級在圖像中出現(xiàn)的頻率。其中橫坐標(biāo)表示灰度級，縱坐標(biāo)表示頻數(shù)或頻率。通過直方圖能夠了解圖像的對比度和動態(tài)范圍，灰度分布越平均，對比度越高，灰度分布越廣，動態(tài)范圍越大。直方圖均衡后的直方圖對比如圖3所示，通過拉伸圖像的灰度，使灰度分布更廣更均勻，從而提升圖像整體的對比度和動態(tài)范圍。直方圖均衡法算法具有實(shí)現(xiàn)簡單，處理快捷的優(yōu)勢，可用于裂縫的實(shí)時檢測。然而，使用直方圖均衡法增強(qiáng)后的圖像往往存在亮度不均勻、細(xì)節(jié)部分消失、對比度過分增強(qiáng)等問題。

2.3.2 Retinex圖像增強(qiáng)算法

“Retinex”一詞由Retina(視網(wǎng)膜)及Cortex(大腦皮層)兩個單詞合成，Retinex是20世紀(jì)60年代由E.Land等[14]所提出的一種基于顏色恒常性的色彩理論。Retinex理論及基本原理如式(4)所示。原始圖像模型s(x,y)是由照射圖像L(x,y)和反射圖像R(x,y)的乘積構(gòu)成。

S(x,y)=L(x,y)×R(x,y)

(4)

目前，基于中心環(huán)繞的Retinex算法被廣泛的接受和傳播，然而，該類算法仍然存在著一定缺陷?？臻g上Retinex算法假設(shè)光照變化是比較平滑的，與事實(shí)不符。為此陳超[15]將Retinex中使用雙邊濾波替換高斯濾波。

2.4 裂縫檢測

裂縫檢測主要通過圖像分割算法將裂縫從背景中分割出來。圖像分割算法是圖像處理技術(shù)的重要分支，在裂縫識別方法中占據(jù)重要地位。圖像分割算法主要分為閾值分割與基于邊緣檢測的圖像分割方法。

2.4.1 閾值分割

早期的圖像分割主要通過設(shè)定合適的閾值實(shí)現(xiàn)，即閾值分割。最常用的閾值分割法有最大類間方差法(Ostu法)[16]與最大熵法[17]。進(jìn)行圖像處理時，圖像灰度變化劇烈的位置被認(rèn)為是圖像的邊緣處。因此，通過設(shè)定合適的閾值T，如式(5)所示。對輸入圖像f(x,y)進(jìn)行二值化得到輸出圖像g(x,y)，能夠?qū)崿F(xiàn)裂縫的分割。

(5)

閾值分割的核心是設(shè)置合適的閾值，這也是閾值分割法最大的缺點(diǎn)。閾值分割法方法簡單，容易實(shí)現(xiàn)，處理速度快，但是卻需要人工設(shè)定閾值。此外，閾值法受噪聲干擾嚴(yán)重，只適用于灰度均勻分布，變化小，物體與背景有較強(qiáng)對比的圖像。因此，閾值法常與其他分割方法結(jié)合使用。

2.4.2 基于邊緣檢測的圖像分割

圖像中灰度值梯度較大的像素點(diǎn)為可能的邊界點(diǎn)。檢測出所有可能的邊界點(diǎn)后，連接相鄰的邊界點(diǎn)，便能得到目標(biāo)物體的邊界輪廓，實(shí)現(xiàn)圖像分割。

實(shí)現(xiàn)邊緣檢測操作需要使用微分算子，通過模板與圖像的卷積得到圖像的邊緣。常用的一階微分算子有Roberts算子、Soble算子、Prewitt算子[18]和Canny算子[19]等。其中Canny算子是應(yīng)用最廣，最受歡迎的算子。然而，Canny算子對噪聲尤為敏感且需要手動設(shè)置雙閾值，為此，研究者們提出了一系列自適應(yīng)的Canny檢測方法[20-21]。二階微分算子有Laplace算子、LOG算子等，二階算子雖然對邊緣的定位能力更強(qiáng)，但是噪聲對檢測結(jié)果的影響加倍，因此很少直接用于圖像邊緣分割。

使用一階算子對灰度圖像直接進(jìn)行圖像分割的效果如圖4所示，圖像存在大量噪聲。

3 結(jié)語

本文首先介紹了基于圖像處理技術(shù)的裂縫檢測方法的檢測流程。之后，針對灰度化、圖像去噪、圖像增強(qiáng)以及圖像分割方法展開了論述。目前，圖像處理技術(shù)在裂縫檢測方面的研究仍處于初步階段，具有較大的研究價值。