基于泊松噪聲-雙邊濾波算法的橋梁裂縫修補(bǔ)痕跡圖像分割方法

赫中營(yíng)　徐聞

摘要：裂縫作為混凝土橋梁的主要病害大量存在，部分裂縫修補(bǔ)后會(huì)二次開(kāi)裂，在病害智能識(shí)別中，裂縫修補(bǔ)痕跡易與混凝土剝落等缺陷混淆，因此，裂縫修補(bǔ)痕跡的準(zhǔn)確識(shí)別不僅是二次裂縫準(zhǔn)確識(shí)別的基礎(chǔ)，也是混凝土橋梁整體病害識(shí)別的重要環(huán)節(jié)。為了獲取邊緣清晰連續(xù)的裂縫修補(bǔ)痕跡，先對(duì)裂縫修補(bǔ)痕跡的圖像添加泊松噪聲，再利用雙邊濾波對(duì)添加的噪聲及原有噪聲進(jìn)行平滑。然后用Otsu算法對(duì)裂縫修補(bǔ)痕跡進(jìn)行圖像分割，并使用峰值信噪比（PSNR）和結(jié)構(gòu)相似性（SSIM）評(píng)價(jià)濾波效果，使用運(yùn)行時(shí)間和最大連續(xù)可用內(nèi)存塊（LCFB）使用情況評(píng)價(jià)分割效果。最后以河南省某高速公路橋梁歷年定檢中的裂縫修補(bǔ)痕跡圖像為例，對(duì)方法進(jìn)行實(shí)際驗(yàn)證。結(jié)果顯示：經(jīng)過(guò)泊松噪聲-雙邊濾波算法處理后，裂縫修補(bǔ)痕跡圖像PSNR值最高約35.090 1 dB，SSIM值可達(dá)約0.880 1，說(shuō)明添加泊松噪聲可改善圖像質(zhì)量并優(yōu)化雙邊濾波效果；經(jīng)過(guò)Otsu算法進(jìn)行圖像分割的運(yùn)行時(shí)間比其他方法約短25%～50%，LCFB比其他方法約提高0.25%；經(jīng)過(guò)處理的裂縫修補(bǔ)痕跡圖像達(dá)到理想預(yù)期效果，驗(yàn)證了提出方法的有效性和可行性。

關(guān)鍵詞：橋梁工程；裂縫修補(bǔ)痕跡；圖像處理；泊松噪聲；雙邊濾波；圖像分割

中圖分類(lèi)號(hào)：U446.3? ? ?文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：2096-6717（2024）01-0232-12

Image segmentation method of bridge crack repair traces based on Poisson-noise and bilateral-filtering algorithm

HE Zhongying， XU Wen

（School of Civil and Architectural Engineering， Henan University， Kaifeng 475004， Henan， P. R. China）

Abstract： Large number of cracks， as the main disease，? exist in the concrete bridge， and some cracks will be secondary dehisced after maintenance， and the crack repair traces are easily confused with concrete spalling and other defects when identifying disease intelligently， as a result of which? identifying the crack repair traces accurately is not only the basis for identification of secondary cracks but also important for identification of the overall disease of concrete bridges. To obtain crack repair traces with continuous edges clearly， Poisson-noise is firstly added to the image of crack repair traces， then bilateral-filtering was adopted to smooth the added and the original noise， the Otsu algorithm was also used to segment the image of crack repair traces. The filtering effect is evaluated using the peak signal-to-noise ratio （PSNR） and structural similarity （SSIM）， and the segmentation effect is evaluated using the running time and maximum continuous memory block （LCFB） use. The results show that the highest PSNR value of the crack repair trace images processed by the Poisson-noise and bilateral-filtering algorithm is about 35.090 1 dB， and the SSIM value reach about 0.880 1， which shows that adding Poisson-noise improves image quality and optimizes the bilateral filtering effect. The running time of image segmentation by the Otsu algorithm is about 25%-50% shorter than other methods， and meanwhile the LCFB is about 0.25% higher. The processed crack repair trace images achieve the desired effect， which verifies the effectiveness and feasibility of the method proposed.

Keywords： bridge engineering； crack repair traces； image processing； Poisson-noise； bilateral-filtering； image segmentation

中國(guó)絕大部分既有橋梁為鋼筋混凝土橋梁，該類(lèi)橋梁的損壞90%以上由裂縫引起[1]。橋梁出現(xiàn)裂縫病害后，環(huán)境中的水蒸氣及CO2會(huì)滲入裂縫并與鋼筋接觸，導(dǎo)致鋼筋出現(xiàn)不同程度銹蝕，從而縮短橋梁服役壽命，增加危險(xiǎn)性[2]，所以，對(duì)橋梁裂縫進(jìn)行檢測(cè)、處治及預(yù)防是橋梁智慧管養(yǎng)的重要部分。

現(xiàn)行《公路橋涵養(yǎng)護(hù)規(guī)范》（JTG 5120—2021）[3]和《公路養(yǎng)護(hù)技術(shù)規(guī)范》（JTG H10—2009）[4]中規(guī)定，寬度≥0.15 mm的裂縫采用壓漿法修補(bǔ)，寬度＜0.15 mm的裂縫采用封閉法修補(bǔ)。無(wú)論采用哪種方法，修補(bǔ)后均會(huì)留下修補(bǔ)痕跡。在橋梁病害智能檢測(cè)及圖像識(shí)別中，裂縫修補(bǔ)痕跡易與混凝土剝落、脫落、掉角等病害混淆，造成誤檢。另外，裂縫修補(bǔ)材料與混凝土存在性能差異，隨著使用時(shí)間的增長(zhǎng)，裂縫修補(bǔ)材料與混凝土自身耐久性進(jìn)一步退化，裂縫修補(bǔ)材料自身被撕裂[5]或與裂縫內(nèi)壁脫離[6]，在原有位置或附近，裂縫會(huì)二次開(kāi)裂。因此，準(zhǔn)確識(shí)別二次開(kāi)裂裂縫及對(duì)橋梁其他病害準(zhǔn)確分類(lèi)，對(duì)裂縫修補(bǔ)痕跡的識(shí)別十分必要。裂縫修補(bǔ)痕跡準(zhǔn)確識(shí)別的關(guān)鍵是對(duì)修補(bǔ)痕跡圖像進(jìn)行合理預(yù)處理，相關(guān)學(xué)者對(duì)此進(jìn)行了大量研究。Li等[7]為了準(zhǔn)確地提取裂縫，提出了一種基于相鄰差分直方圖的裂縫分割算法，但沒(méi)有考慮環(huán)境及光照等的干擾；Qiao等[8]在U-net卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加了改進(jìn)的incep模塊和Atrous Spatial Pyramid Pooling模塊，并通過(guò)室內(nèi)試驗(yàn)驗(yàn)證了該方法能夠提高分割圖像的精度及識(shí)別的準(zhǔn)確性，但其獲取的裂縫圖像來(lái)源于實(shí)驗(yàn)室內(nèi)混凝土抗彎試驗(yàn)，沒(méi)有考慮自然環(huán)境對(duì)混凝土的影響；Tian等[9]提出了一種基于Mask R-CNN的混凝土CT掃描圖像細(xì)觀裂縫分割與提取方法，并應(yīng)用于靜態(tài)單軸壓縮下的實(shí)時(shí)CT試驗(yàn)圖像分割及混凝土CT掃描圖像中空洞和裂縫的高精度識(shí)別；賈真等[10]提出一種基于貝葉斯概率模型的泊松噪聲圖像去噪方法，經(jīng)過(guò)仿真試驗(yàn)對(duì)比，其去噪性能顯著優(yōu)于其他方法；黃啟宏等[11]提出了一種基于成分分析（ICA）的軟閾值濾波算法，主要用于識(shí)別自然中的物體圖像；許玉婷等[12]提出了一種基于剪切變換的降噪方法，并通過(guò)對(duì)集裝箱掃描圖像的處理驗(yàn)證了該方法降噪效果的優(yōu)越性；王惠琴等[13]將雙邊濾波和三維塊匹配算法（BM3D）相融合，提出了一種聯(lián)合去噪算法，并應(yīng)用于地質(zhì)雷達(dá)圖像，取得了很好的去噪效果；楊燕等[14]基于α-Le模型提出了一種基于框式約束的快速全變差圖像泊松去除算法（CADMM算法），并通過(guò)多種類(lèi)型的圖像驗(yàn)證了算法的可行性與有效性，但其使用的試驗(yàn)圖像中線(xiàn)條都極為豐富，輪廓均較清晰。上述方法使用的驗(yàn)證圖像一般來(lái)自試驗(yàn)或自然界，形狀規(guī)則且特征明顯。但在實(shí)際橋梁裂縫病害檢測(cè)中[15]，裂縫修補(bǔ)痕跡受樹(shù)木等物體的陰影遮擋，光照的不均勻會(huì)破壞裂縫修補(bǔ)痕跡的連續(xù)性和亮度均衡性，使其特征被弱化，采集到的圖像一般形狀不規(guī)則、特征不明顯，使用上述方法進(jìn)行裂縫修補(bǔ)痕跡圖像預(yù)處理很難達(dá)到準(zhǔn)確識(shí)別效果。Wu等[16]在自然語(yǔ)言文本翻譯的預(yù)處理過(guò)程中發(fā)現(xiàn)，對(duì)于特征不明顯的自然語(yǔ)言文本，隨著預(yù)訓(xùn)練語(yǔ)言模型（PLM）由淺至深，詞性、成分和依存等通用淺層特征逐漸向語(yǔ)言原型角色和上下文關(guān)聯(lián)等具體深層特征轉(zhuǎn)化。受dueling bandits機(jī)制啟發(fā)，在PLM微調(diào)之前，使用NoisyTune將不同強(qiáng)度的噪聲根據(jù)其方差添加到PLM不同的參數(shù)矩陣，對(duì)PLMs進(jìn)行適當(dāng)擾動(dòng)來(lái)探索不同參數(shù)空間，以減少語(yǔ)言文本數(shù)據(jù)過(guò)擬合問(wèn)題，并基于英語(yǔ)的GLUE benchmark和XTREME多語(yǔ)言benchmark試驗(yàn)證明了其性能的優(yōu)越性。

裂縫修補(bǔ)痕跡圖像識(shí)別與語(yǔ)言文本翻譯具有類(lèi)似特征和過(guò)程，隨著圖像預(yù)訓(xùn)練模型由淺至深，圖像識(shí)別的感受野重疊區(qū)域逐漸增加，提取的裂縫修補(bǔ)痕跡圖像細(xì)粒度信息向粗粒度信息轉(zhuǎn)變，細(xì)粒度信息包含裂縫修補(bǔ)痕跡邊緣紋理等淺層特征，其像素位置等空間參數(shù)關(guān)聯(lián)性較差，而粗粒度信息包含更多高級(jí)語(yǔ)義信息，其中像素點(diǎn)梯度值等參數(shù)的變化反映了裂縫修補(bǔ)痕跡邊緣的灰度變化及層次感[17-18]，是正確識(shí)別裂縫修補(bǔ)痕跡的基礎(chǔ)?；诖耍P者針對(duì)裂縫修補(bǔ)痕跡圖像形狀不規(guī)則、特征不完整的問(wèn)題，擬借鑒自然語(yǔ)言文本預(yù)處理技術(shù)，首先使用泊松噪聲-雙邊濾波算法對(duì)裂縫修補(bǔ)痕跡圖像進(jìn)行平滑，然后使用Otsu算法對(duì)平滑后圖像進(jìn)行分割，以期得到修補(bǔ)痕跡細(xì)節(jié)良好且特征明顯的二值化圖像，為進(jìn)一步實(shí)現(xiàn)對(duì)裂縫修補(bǔ)痕跡圖像及二次裂縫的準(zhǔn)確識(shí)別奠定基礎(chǔ)。

1 圖像預(yù)處理流程

易與裂縫修補(bǔ)痕跡混淆的病害如圖1所示，裂縫修補(bǔ)痕跡上出現(xiàn)的二次裂縫如圖2所示，它們都會(huì)對(duì)裂縫修補(bǔ)痕跡圖像的識(shí)別造成干擾。

為保證準(zhǔn)確識(shí)別裂縫修補(bǔ)痕跡，擬采用的裂縫修補(bǔ)痕跡圖像預(yù)處理技術(shù)流程如圖3所示。

2 泊松噪聲-雙邊濾波算法

2.1 算法基本原理

對(duì)于采集到的裂縫修補(bǔ)痕跡圖像，為了用較少數(shù)據(jù)表征圖像大部分特征，使用圖像灰度效果最好的加權(quán)平均法[19]將橋梁裂縫修補(bǔ)痕跡的RGB圖像轉(zhuǎn)化為灰度圖像，如圖4所示，其中圖4（a）為采集到的裂縫修補(bǔ)痕跡圖像，圖4（b）為灰度化后的圖像。

假設(shè)裂縫修補(bǔ)痕跡含噪灰度圖像中每個(gè)像素y_i都是獨(dú)立的泊松隨機(jī)變量[20]，則泊松噪聲圖像中像素的離散泊松分布概率P_G如式（1）所示，其中f_i和y_i分別表示干凈圖像f和含噪圖像y中的第i個(gè)分量，e為自然對(duì)數(shù)的底。 （1）

根據(jù)式（1）及統(tǒng)計(jì)理論可知，亮度越大的像素受干擾越多。由于最大灰度值是固定的，亮度的增加使裂縫修補(bǔ)痕跡圖像中最大灰度值和最小灰度值的差值減小，影響圖像的對(duì)比度和清晰度。對(duì)裂縫修補(bǔ)痕跡灰度圖像進(jìn)行亮度和噪聲處理后的圖像如圖5所示。

對(duì)圖5（a）所示的原裂縫修補(bǔ)痕跡灰度圖進(jìn)行全局亮度增強(qiáng)后得到圖5（b）所示的全局亮度增強(qiáng)灰度圖，對(duì)比可看出，亮度增強(qiáng)后圖像特征趨向不明顯。

圖5（a）、（b）根據(jù)式（1）添加泊松噪聲后得到圖5（c）、（d）所示的含噪灰度圖，對(duì)比可看出，添加泊松噪聲后的圖像像素略有降低，裂縫修補(bǔ)痕跡圖像對(duì)比度增強(qiáng)，原灰度圖中的部分背景干擾被泊松噪聲掩蓋。

對(duì)圖5（a）～（d）所示的灰度圖像分別進(jìn)行各灰度級(jí)在圖像中分布頻率的讀取統(tǒng)計(jì)，得到圖5（e）～（h）所示的各灰度直方圖。其中，橫坐標(biāo)表示各灰度級(jí)像素，縱坐標(biāo)表示各灰度級(jí)像素在灰度圖像中出現(xiàn)的頻率。

將圖5（e）作為參照對(duì)象，圖5（f）亮度增強(qiáng)后的圖像直方圖各灰度級(jí)像素的頻率波動(dòng)范圍擴(kuò)大且峰值增加。圖5（g）、（h）含泊松噪聲的灰度圖像直方圖中，灰度級(jí)像素的頻率峰值下降，裂縫修補(bǔ)痕跡灰度圖像的像素灰度值動(dòng)態(tài)范圍增加，反映出裂縫修補(bǔ)痕跡圖像特征得到增強(qiáng)。

綜上，對(duì)裂縫修補(bǔ)痕跡圖像添加泊松噪聲可改善原灰度圖像中亮度不均衡的問(wèn)題。

通過(guò)上述分析可知，未添加噪聲前，原灰度圖像中本身含有真實(shí)的背景噪聲，添加泊松噪聲后，裂縫修補(bǔ)痕跡灰度圖像中含有更多噪聲。為減少圖像的次要細(xì)節(jié)，以提取裂縫修補(bǔ)痕跡的結(jié)構(gòu)，需對(duì)含多種類(lèi)型噪聲的灰度圖像進(jìn)行濾波處理。由于裂縫修補(bǔ)痕跡邊緣細(xì)節(jié)多且密集，故采用雙邊濾波對(duì)添加泊松噪聲后的裂縫修補(bǔ)痕跡圖像進(jìn)行濾波，以保護(hù)圖像邊緣。

雙邊濾波算法以裂縫修補(bǔ)痕跡灰度圖像領(lǐng)域內(nèi)像素亮度值的加權(quán)平均值代表某處位置上像素的強(qiáng)度，如式（2）所示[21]，其中，空間域核G_（σ_s ）代表像素位置的歐氏距離決定的模板權(quán)值，由式（3）計(jì)算；值域核G_（σ_r ）代表像素差值決定的模板權(quán)值，由式（4）計(jì)算；W_p是檢測(cè)到的每個(gè)像素點(diǎn)G_（σ_s ）與G_（σ_r ）相乘結(jié)果的和，由式（5）計(jì)算；式（3）、式（4）兩個(gè)模板相乘得到雙邊濾波器的模板權(quán)值，如式（6）所示，式中的i、j、k、l分別代表系數(shù)坐標(biāo)點(diǎn)q（i，j）和中心坐標(biāo)點(diǎn)p（k，l），f（i，j）為q（i，j）處的像素值，f（k，l）為p（k，l）處的像素值。

由式（2）～式（6）可看出，雙邊濾波器的空間域權(quán)重隨兩點(diǎn)間距離的增加而降低，值域權(quán)重隨兩點(diǎn)間像素相似程度的增加而增加。當(dāng)圖像處于沒(méi)有邊緣的區(qū)域，臨近像素差值較小，鄰域內(nèi)點(diǎn)和泊松噪聲點(diǎn)分配權(quán)重基本一致，近似高斯均值濾波；圖像處于有邊緣的區(qū)域，臨近像素差值較大，邊緣內(nèi)部權(quán)重分配增加，邊緣外部權(quán)重分配減少，圖像邊緣細(xì)節(jié)信息得以保持。

對(duì)添加泊松噪聲的裂縫修補(bǔ)痕跡圖像進(jìn)行雙邊濾波，結(jié)果如圖6所示，其中圖6（a）為濾波前圖像，圖6（b）～（f）分別為圖6（a）在不同雙邊濾波參數(shù)下的濾波后圖像，圖6（g）、（h）分別為圖6（e）、（f）兩種濾波參數(shù)的濾波圖像直方圖。

由圖6（b）、（c）、（d）圖像中噪聲和裂縫修補(bǔ)痕跡的變化可看出，隨著雙邊濾波參數(shù)的增加，濾波效果也逐漸增強(qiáng)；由圖6（e）、（f）視覺(jué)感知及圖6（g）、（h）灰度峰值可知，兩種濾波參數(shù)下的濾波圖像無(wú)較大差異，原背景真實(shí)噪聲和添加的泊松噪聲被有效濾除，裂縫修補(bǔ)痕跡的邊緣特征連續(xù)突出，達(dá)到“去噪”和“保邊”的目的。為防止雙邊濾波后裂縫修補(bǔ)痕跡圖像像素的降低對(duì)后續(xù)圖像分割產(chǎn)生不利影響，經(jīng)綜合考慮，取參數(shù)space-Sigma=5和range-Sigma=10作為后續(xù)添加泊松噪聲后對(duì)裂縫修補(bǔ)痕跡圖像進(jìn)行雙邊濾波的濾波參數(shù)。

2.2 算法評(píng)價(jià)指標(biāo)

目前對(duì)圖像質(zhì)量評(píng)價(jià)的共識(shí)是，通過(guò)主客觀相結(jié)合，以觀察者的感覺(jué)為主，針對(duì)具體圖像進(jìn)行具體分析，目標(biāo)是追求客觀的評(píng)價(jià)結(jié)果與人的主觀評(píng)價(jià)盡可能地一致，也就是客觀評(píng)價(jià)要以主觀評(píng)價(jià)為準(zhǔn)則。

采用峰值信噪比（PSNR）作為泊松噪聲-雙邊濾波算法處理后的圖像評(píng)價(jià)指標(biāo)，如式（7）所示，單位為分貝（dB），其中，MAX_I表示裂縫修補(bǔ)痕跡灰度圖像點(diǎn)顏色的最大值。MSE[22]為均方誤差，如式（8）所示，其中I為原裂縫修補(bǔ)痕跡灰度圖像，K為添加噪聲后的裂縫修補(bǔ)痕跡濾波圖像，I和K均為大小為m×n的灰度圖像。

3 Otsu圖像分割

通過(guò)泊松噪聲-雙邊濾波算法得到了干凈的裂縫修補(bǔ)痕跡灰度圖像，為了快速定位裂縫修補(bǔ)區(qū)域或二次裂縫發(fā)生位置，為后續(xù)橋梁裂縫處置提供依據(jù)，需要對(duì)濾波后的圖像進(jìn)行圖像分割。根據(jù)類(lèi)間方差最大化，選取的Otsu圖像閾值分割方法將裂縫修補(bǔ)痕跡圖像的所有像素分為只含裂縫修補(bǔ)痕跡的黑色前景和含背景的白色后景兩部分[26-27]，類(lèi)間方差越大則說(shuō)明前景和后景差別越大，裂縫修補(bǔ)痕跡和背景的錯(cuò)分概率越小，裂縫修補(bǔ)痕跡圖像分割效果越明顯。

根據(jù)Otsu算法設(shè)計(jì)流程，選取圖6（d）、（e）互為參照輸入程序進(jìn)行Otsu圖像閾值分割，分割后的圖像如圖8所示，其中，圖8（a）為圖6（d）含些許噪聲的裂縫修補(bǔ)痕跡濾波圖像分割后的圖像，圖8（b）為圖6（e）滿(mǎn)足預(yù)期濾波效果的裂縫修補(bǔ)痕跡濾波圖像分割后的圖像。從圖8（a）中可以看出，裂縫修補(bǔ)痕跡大部分邊緣較清晰連續(xù)，但邊緣仍有毛刺，背景中的少許黑點(diǎn)為圖6（d）濾波修補(bǔ)痕跡濾波圖像中未濾除的裂縫修補(bǔ)痕跡圖像噪聲，圖8（b）中裂縫修補(bǔ)痕跡的邊緣清晰連續(xù)，背景中無(wú)噪聲干擾，裂縫修補(bǔ)痕跡的邊緣細(xì)節(jié)保留完整，分割效果達(dá)到預(yù)期。

4 工程案例

基于河南省某高速公路橋梁歷年定檢中的圖像，以處理器為Intel（R）i5-1135G7、內(nèi)存為16 GB的計(jì)算機(jī)和Matlab作為試驗(yàn)操作環(huán)境，隨機(jī)選取5種情況的裂縫修補(bǔ)痕跡圖像，按照選取順序分別命名為案例1、案例2、案例3、案例4和案例5，如表3中原圖所示，其中案例1至案例4為只含裂縫修補(bǔ)痕跡的圖像，案例5為裂縫修補(bǔ)痕跡上出現(xiàn)二次裂縫的圖像。將椒鹽噪聲和高斯噪聲作為參照，以PSNR和SSIM作為評(píng)價(jià)指標(biāo)，5個(gè)案例分別添加椒鹽噪聲、高斯噪聲和泊松噪聲后的圖像如表3中第2、3、4列所示。從圖像可以看出，添加椒鹽噪聲和高斯噪聲的灰度圖像噪聲污染均比較嚴(yán)重，添加泊松噪聲的圖像無(wú)較大變化。

4.1 泊松噪聲-雙邊濾波算法的PSNR和SSIM

原灰度圖及添加不同噪聲的圖像進(jìn)行雙邊濾波處理后的圖像如表4所示。從表中圖像可以看出，泊松噪聲濾波圖圖像效果優(yōu)于原灰度圖濾波圖像，椒鹽噪聲濾波圖和高斯噪聲濾波圖圖像效果劣于原灰度圖濾波效果，分別計(jì)算PSNR和SSIM，如表5所示。

通過(guò)表4圖像和表5數(shù)據(jù)可以看出，對(duì)于原灰度濾波圖像，裂縫修補(bǔ)痕跡邊緣細(xì)節(jié)或二次裂縫信息存在丟失；對(duì)于泊松噪聲濾波圖像，裂縫修補(bǔ)痕跡邊緣或二次裂縫清晰連續(xù)，噪聲也被有效濾除；對(duì)于椒鹽噪聲濾波圖像和高斯噪聲濾波圖像，裂縫修補(bǔ)痕跡邊緣或二次裂縫特征已無(wú)法觀察。根據(jù)圖像的PSNR和SSIM值可以得出同樣的結(jié)論。

綜上，泊松噪聲可以保護(hù)圖像細(xì)節(jié)信息并優(yōu)化圖像質(zhì)量，是理想的添加噪聲類(lèi)型，適用于裂縫修補(bǔ)痕跡圖像預(yù)處理。

4.2 圖像分割的運(yùn)行時(shí)間和LCFB

將Canny算子、Laplacian算子和Prewitt算子作為參照，以運(yùn)行時(shí)間和最大連續(xù)可用內(nèi)存塊（LCFB）使用情況作為Otsu算法的評(píng)價(jià)指標(biāo)。Otsu算法、Canny算子、Laplacian算子和Prewitt算子對(duì)5個(gè)案例的分割效果圖如表6所示，其中對(duì)原灰度圖濾波圖像和泊松噪聲濾波圖像均進(jìn)行了Otsu分割。

通過(guò)表6圖像可看出，原灰度圖濾波圖像的分割效果均較差，不僅裂縫修補(bǔ)痕跡邊緣信息及二次裂縫信息缺失較多，且多處區(qū)域被誤分為裂縫修補(bǔ)痕跡。

對(duì)于泊松噪聲濾波圖像，Canny算子將部分背景判定為裂縫修補(bǔ)痕跡邊緣，出現(xiàn)誤判；Prewitt算子分割后的裂縫修補(bǔ)痕跡邊緣不連續(xù)且特征少；Laplacian算子近似無(wú)法分割出裂縫修補(bǔ)痕跡邊緣。而Otsu算法對(duì)5個(gè)案例的分割效果均達(dá)到預(yù)期，痕跡邊緣和二次裂縫清晰連續(xù)，達(dá)到理想的圖像分割效果。

圖像分割的運(yùn)行時(shí)間和LCFB見(jiàn)表7，其中變化量是其他算法運(yùn)行時(shí)間或LCFB相對(duì)“泊松噪聲Otsu”算法運(yùn)行時(shí)間或LCFB差值的百分比。為減小誤差，對(duì)各算子均進(jìn)行多輪測(cè)試后參與指標(biāo)評(píng)價(jià)。

通過(guò)表7數(shù)據(jù)可以看出，相較于原灰度圖濾波圖像，Otsu算法對(duì)泊松噪聲濾波圖像分割時(shí)的運(yùn)行時(shí)間起伏較小，LCFB略有減少，總體效果呈現(xiàn)良好；Canny算子、Laplacian算子、Prewitt算子的運(yùn)行時(shí)間起伏較大，LCFB近似不變，總體效果呈現(xiàn)較差。

5 結(jié)論

針對(duì)裂縫修補(bǔ)痕跡圖像形狀不規(guī)則、特征不完整的問(wèn)題，基于自然語(yǔ)言文本預(yù)處理技術(shù)，提出先添加泊松噪聲再進(jìn)行雙邊濾波及Otsu分割的圖像預(yù)處理方法，得到易于識(shí)別的二值化圖像，并通過(guò)工程案例驗(yàn)證了方法的可行性和有效性，結(jié)論如下：

1）對(duì)裂縫修補(bǔ)痕跡的灰度圖像添加泊松噪聲，降低直方圖峰值的同時(shí)，有選擇地增強(qiáng)某灰度像素點(diǎn)鄰域內(nèi)的對(duì)比度，使裂縫修補(bǔ)痕跡信息突出，與背景形成對(duì)比，說(shuō)明泊松噪聲可以顯著改善裂縫修補(bǔ)痕跡圖像的質(zhì)量。

2）對(duì)添加泊松噪聲后的圖像進(jìn)行雙邊濾波，在合理的濾波參數(shù)下，對(duì)圖像進(jìn)行多次濾波操作，裂縫修補(bǔ)痕跡的邊緣保存良好，原圖像真實(shí)噪聲和后添加噪聲均有效濾除，兼具“去噪”和“保邊”的效果。

3）對(duì)裂縫修補(bǔ)痕跡濾波圖像采用Otsu自適應(yīng)閾值算法進(jìn)行分割，可自動(dòng)生成最佳分割閾值，在分割后的裂縫修補(bǔ)痕跡二值化圖像中，裂縫修補(bǔ)痕跡邊緣連續(xù)完整，說(shuō)明Otsu算法可將噪聲的干擾降至最低。

4）對(duì)不同橋梁裂縫修補(bǔ)痕跡圖像使用提出的圖像處理方法，濾波后的圖像視覺(jué)感知達(dá)到要求，PSNR和SSIM均達(dá)到理想數(shù)值，進(jìn)行圖像分割的運(yùn)行時(shí)間有顯著提高，LCFB穩(wěn)定且略有降低，在出現(xiàn)了二次裂縫的裂縫修補(bǔ)痕跡圖像中，裂縫修補(bǔ)痕跡和二次裂縫界限明顯，易于分辨。

參考文獻(xiàn)

[1]? 吳向東. 基于卷積神經(jīng)網(wǎng)絡(luò)的橋梁裂縫識(shí)別及亞像素測(cè)量技術(shù)研究[D]. 上海： 上海交通大學(xué)， 2020.

WU X D. Research on bridge crack recognition based on convolutional neural network and sub-pixel measurement technology [D]. Shanghai： Shanghai Jiao Tong University， 2020. （in Chinese）

[2]? 馬嘉斌. 基于圖像處理的橋梁裂縫識(shí)別與測(cè)量方法研究[D]. 北京： 北京交通大學(xué)， 2021.

MA J B. Research on bridge crack recognition and measurement method based on image processing [D]. Beijing： Beijing Jiaotong University， 2021. （in Chinese）

[3]? 公路橋涵養(yǎng)護(hù)規(guī)范： JTG 5120—2021 [S]. 北京： 人民交通出版社， 2021.

Specifications for maintenance of highway bridges and culverts： JTG 5120—2021 [S]. Beijing： China Communications Press， 2021. （in Chinese）

[4]? 公路養(yǎng)護(hù)技術(shù)規(guī)范： JTG H10—2009 [S]. 北京： 人民交通出版社， 2009.

Technical specifications of maintenance for highway： JTG H10—2009 [S]. Beijing： China Communications Press， 2009. （in Chinese）

[5]? 成新元. 內(nèi)置膠囊自修復(fù)混凝土梁二次開(kāi)裂模式研究[J]. 天津城市建設(shè)學(xué)院學(xué)報(bào)， 2012， 18（1）： 18-21.

CHENG X Y. Research of secondary cracking patterns to self-repairing concrete beams with embedded capsules[J]. Journal of Tianjin Institute of Urban Construction， 2012， 18（1）： 18-21. （in Chinese）

[6]? 由興巖. 一種避免二次開(kāi)裂的道路橋梁裂縫加固結(jié)構(gòu)： CN213596728U [P]. 2021-07-02.

YU J T. High road and bridge crack reinforcing structure of security： CN213596728U [P]. 2021-07-02. （in Chinese）.

[7]? LI Q Q， LIU X L. Novel approach to pavement image segmentation based on neighboring difference histogram method [C]//2008 Congress on Image and Signal Processing. May 27-30， 2008， Sanya， China. IEEE， 2008： 792-796.

[8]? QIAO W T， ZHANG H W， ZHU F， et al. A crack identification method for concrete structures using improved U-net convolutional neural networks [J]. Mathematical Problems in Engineering， 2021， 2021（18）： 6654996.

[9]? TIAN W， CHENG X， LIU Q， et al. Meso-structure segmentation of concrete CT image based on mask and regional convolution neural network [J]. Materials & Design， 2021， 208： 109919.

[10]? 賈真， 董文德， 徐貴力， 等. 基于馬爾科夫?qū)＜覉?chǎng)的泊松噪聲圖像去噪方法[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版）， 2020， 54（6）： 1164-1169.

JIA Z， DONG W D， XU G L， et al. Image Poisson denoising algorithm based on Markov fields of experts [J]. Journal of Zhejiang University （Engineering Science）， 2020， 54（6）： 1164-1169. （in Chinese）

[11]? 黃啟宏， 段昶， 劉釗. 基于獨(dú)立分量分析的圖像特征提取及泊松噪聲去除[J]. 光電工程， 2006， 33（11）： 128-132.

HUANG Q H， DUAN C， LIU Z. Image feature extraction and Poisson noise removal based on independent component analysis [J]. Opto-Electronic Engineering， 2006， 33（11）： 128-132. （in Chinese）

[12]? 許玉婷， 吳志芳， 王強(qiáng)， 等. 基于剪切波變換的輻射圖像泊松噪聲降噪技術(shù)研究[J]. 原子能科學(xué)技術(shù)， 2022， 56（3）： 577-584.

XU Y T， WU Z F， WANG Q， et al. Denoising technology for radiation image with Poisson noise based on shearlet transform [J]. Atomic Energy Science and Technology， 2022， 56（3）： 577-584. （in Chinese）

[13]? 王惠琴， 呂佳蕓， 張偉. 基于雙邊濾波-BM3D算法的GPR圖像去噪[J]. 蘭州理工大學(xué)學(xué)報(bào)， 2022， 48（1）： 91-97.

WANG H Q， Lü J Y， ZHANG W. GPR image denoising based on bilateral filtering BM3D algorithm [J]. Journal of Lanzhou University of Technology， 2022， 48（1）： 91-97. （in Chinese）

[14]? 楊燕， 金正猛， 蔣曉連， 等. 保持泊松噪聲圖像細(xì)節(jié)的快速變分去噪算法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2016， 52（20）： 172-176.

YANG Y， JIN Z M， JIANG X L， et al. Fast variational algorithm based on detail preserving for Poisson noise removal [J]. Computer Engineering and Applications， 2016， 52（20）： 172-176. （in Chinese）

[15]? 鐘迎冬. 混凝土表面裂縫識(shí)別與提取技術(shù)研究[D]. 鄭州： 鄭州大學(xué)， 2020.

ZHONG Y D. The research on identification and extraction technology of concrete surface cracks [D]. Zhengzhou： Zhengzhou University， 2020. （in Chinese）

[16]? WU C H， WU F Z， QI T， et al. NoisyTune： A little noise can help you finetune pretrained language models better [EB/OL]. 2022： arXiv： 2202.12024. https：//arxiv.org/abs/2202.12024.

[17]? 蘆晨晨. 基于深度學(xué)習(xí)的圖像高級(jí)語(yǔ)義描述算法的研究與實(shí)現(xiàn)[D]. 北京： 北京郵電大學(xué)， 2021.

LU C C. Resaerch and implementation of image captioning algorithm with high-level semantics based on deep learning [D]. Beijing： Beijing University of Posts and Telecommunications， 2021. （in Chinese）

[18]? 王曉紅， 龐云杰， 麻祥才. 基于底層特征和高級(jí)語(yǔ)義的真實(shí)失真圖像質(zhì)量評(píng)價(jià)[J]. 包裝工程， 2020， 41（1）： 134-142.

WANG X H， PANG Y J， MA X C. Real distorted images quality assessment based on image underlying features and high-level semantics [J]. Packaging Engineering， 2020， 41（1）： 134-142. （in Chinese）

[19]? 袁琳. 基于圖像處理和深度學(xué)習(xí)的橋梁結(jié)構(gòu)裂縫識(shí)別研究[D]. 杭州： 浙江大學(xué)， 2019.

YUAN L. Investigation of crack detection of bridge structures using image processing and deep learning [D]. Hangzhou： Zhejiang University， 2019. （in Chinese）

[20]? 張芳. 圖像泊松去噪算法研究[D]. 杭州： 杭州電子科技大學(xué)， 2017.

ZHANG F. Research on image Poisson denoising [D]. Hangzhou： Hangzhou Dianzi University， 2017. （in Chinese）

[21]? 余博， 郭雷， 錢(qián)曉亮， 等. 一種新的自適應(yīng)雙邊濾波算法[J]. 應(yīng)用科學(xué)學(xué)報(bào)， 2012， 30（5）： 517-523.

YU B， GUO L， QIAN X L， et al. A new adaptive bilateral filtering [J]. Journal of Applied Sciences， 2012， 30（5）： 517-523. （in Chinese）

[22]? 萬(wàn)里勇， 陳家益. 基于雙樹(shù)復(fù)小波變換與雙邊濾波的圖像濾波[J]. 華中師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 55（6）： 1030-1036.

WAN L Y， CHEN J Y. Image denoising based on dual tree complex wavelet transform and bilateral filter [J]. Journal of Central China Normal University （Natural Sciences）， 2021， 55（6）： 1030-1036. （in Chinese）

[23]? TOMASI C， MANDUCHI R. Bilateral filtering for gray and color images [C]//Sixth International Conference on Computer Vision （IEEE Cat. No.98CH36271）. January 7-7， 1998， Bombay， India. IEEE， 2002： 839-846.

[24]? WANG Z， BOVIK A C. Mean squared error： Love it or leave it？ A new look at signal fidelity measures [J]. IEEE Signal Processing Magazine， 2009， 26（1）： 98-117.

[25]? SHEIKH H R， SABIR M F， BOVIK A C. A statistical evaluation of recent full reference image quality assessment algorithms [J]. IEEE Transactions on Image Processing： A Publication of the IEEE Signal Processing Society， 2006， 15（11）： 3440-3451.

[26]? 梁遠(yuǎn)哲， 馬瑜， 江妍， 等. 基于分?jǐn)?shù)階混合蝙蝠算法的Otsu圖像分割[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2021， 42（11）： 3091-3098.

LIANG Y Z， MA Y， JIANG Y， et al. Otsu image segmentation based on fractional-order hybrid bat algorithm [J]. Computer Engineering and Design， 2021， 42（11）： 3091-3098. （in Chinese）

[27]? 張鵬帆， 席劍輝， 朱琳琳. 基于梯度極值Otsu算法的Canny邊緣檢測(cè)改進(jìn)[J]. 沈陽(yáng)航空航天大學(xué)學(xué)報(bào)， 2021， 38（5）： 58-65.

ZHANG P F， XI J H， ZHU L L. Improved Canny edge detection based on Otsu algorithm of gradient extremum[J]. Journal of Shenyang Aerospace University， 2021， 38（5）： 58-65. （in Chinese）

（編輯? 王秀玲）

收稿日期：2022?08?12

基金項(xiàng)目：甘肅省科技重大專(zhuān)項(xiàng)計(jì)劃（19ZD2GA002）；校企合作項(xiàng)目（2019-003）；河南省科技發(fā)展計(jì)劃（182300410150、162102210173）；河南省交通廳項(xiàng)目（2016Y2）

作者簡(jiǎn)介：赫中營(yíng)（1980- ），男，博士，副教授，主要從事橋梁健康診斷與維修加固等研究，E-mail：hezhy89@henu.edu.cn。

Received： 2022?08?12

Foundation items： Gansu Province Science and Technology Major Special Program Project （No. 19ZD2GA002）; School-Enterprise Cooperation Project （No. 2019-003）; Henan Science and Technology Development Program （No. 182300410150， 162102210173）; Henan Provincial Department of Transportation Project （No. 2016Y2）

Author brief： HE Zhongying （1980- ）， PhD， associate professor， main research interests： bridge health diagnosis， maintenance and reinforcement， E- mail： hezhy89@henu.edu.cn.