高等級公路路面裂縫類病害輪廊提取的算法研究

摘要：介紹了高等級公路路面的裂縫類病害的輪廓利用數(shù)字圖像技術(shù)進(jìn)行提取的方法。利用高速的黑白CCD攝像機(jī)配合光源，實(shí)時(shí)攝取公路路面的圖像，并對圖像進(jìn)行噪聲濾除、邊緣檢測和圖像分割操作，最后可以清晰地提取出路面裂縫的輪廓，為后期計(jì)算裂縫開裂長度、寬度和損壞密度等參數(shù)的計(jì)算提供依據(jù)。

隨著我國高等級公路建設(shè)的快速發(fā)展，高等級公路路基路面的質(zhì)量監(jiān)控體系越來越完善，要求的檢測水平也越來越高。由于車輛在高等級公路上行駛時(shí)，對路面的平整度、路面完好率要求很高，當(dāng)路面出現(xiàn)凹凸、裂紋等病害時(shí)，應(yīng)及時(shí)進(jìn)行維修；否則，交通安全就會受到影響。目前，國內(nèi)檢測高等級公路路況的手段主要是依靠人工丈量的方法，不但效率低、勞動(dòng)強(qiáng)度大、檢測速度慢、誤差較大，不能滿足高等級公路檢測的要求，而且在高速公路上進(jìn)行人工檢測十分危險(xiǎn)。CCD攝像機(jī)作為一種光電圖像傳感器，已廣泛應(yīng)用于幾何尺寸測量、光譜測試、位移測量、速度測量、天文觀測等領(lǐng)域[1]。將CCD技術(shù)應(yīng)用于高等級公路路況的檢測，可解決人工丈量所存在的缺陷和不足。

本文提出利用數(shù)字圖像技術(shù)對高等級公路路面的裂縫類病害的輪廓進(jìn)行提取。利用高速的黑白CCD攝像機(jī)配合光源，實(shí)時(shí)攝取公路路面的圖像，并對圖像進(jìn)行噪聲濾除、邊緣檢測和圖像分割等操作，最后可以清晰地提取出裂縫的輪廓，為后期的測量提到高質(zhì)量的圖像。

1 圖像采集

系統(tǒng)硬件環(huán)境的結(jié)構(gòu)設(shè)計(jì)是系統(tǒng)實(shí)現(xiàn)的關(guān)鍵之一。根據(jù)系統(tǒng)實(shí)現(xiàn)目標(biāo)和可行性的分析，以及實(shí)驗(yàn)條件的限制，搭建了圖1所示的實(shí)驗(yàn)室硬件工作環(huán)境。經(jīng)實(shí)踐證實(shí)，該系統(tǒng)可以滿足對路面圖像采集的要求。

考慮到整個(gè)系統(tǒng)將運(yùn)行在野外的測試車上，各種設(shè)備的交、直流供電情況是必須考慮的一個(gè)問題。應(yīng)選用合適的穩(wěn)壓電源和調(diào)光電源向照明系統(tǒng)、CCD和計(jì)算機(jī)進(jìn)行供電。CCD相機(jī)對被測路面的光線情況要求很高，太強(qiáng)或太弱的光線都不利于病害路面在CCD相機(jī)中成像，合適的光源和光學(xué)系統(tǒng)才能保證被測路面在CCD中良好地成像。CCD借助光學(xué)系統(tǒng)將照射于其上的光信號轉(zhuǎn)換為電信號，形成視頻信號。圖像采集卡完成對圖像模擬視頻信號的模/數(shù)轉(zhuǎn)換功能，經(jīng)抽樣與量化的數(shù)字圖像在計(jì)算機(jī)中進(jìn)行后期的數(shù)字圖像處理。在實(shí)際應(yīng)用中，CCD攝像機(jī)選用MINTRON公司的MTV-1881EX 1/2英寸黑白低照度高解析攝像機(jī)，圖像采集卡選用MicroView公司的MVPCI-V2A專業(yè)黑白圖像采集卡。攝像機(jī)固定在可移動(dòng)的測試裝置上，實(shí)時(shí)地?cái)z取高等級公路路面的圖像并輸出視頻信號給圖像采集卡。圖像采集卡完成模擬視頻信號的數(shù)字化工作。數(shù)字化圖像的空間分辨率設(shè)置為512×512，灰度分辨率8位256級。選用精工SE0813-3CCD光學(xué)鏡頭，焦距為8mm，F(xiàn)=1.3，銳片規(guī)格為2/3英寸，視場角為42.6°。

2 圖像處理

2.1 圖像預(yù)處理

在圖像的采集過程中，由于受到光源和CCD相機(jī)抖動(dòng)（運(yùn)行中）的影響，圖像中不可避免地存在大量的噪聲，這為后面的邊緣檢測工作帶來了較大地困難。因此，首先需要對采集的數(shù)字圖像進(jìn)行濾波去噪處理。噪聲濾除一直是數(shù)字圖像處理領(lǐng)域中一個(gè)經(jīng)典的課題。對有噪聲的圖像進(jìn)行邊緣檢測的方法已有很多，如Robert梯子各有所長，但對于裂縫類病害的圖像并不適用。所以，希望能尋求既能很好地保護(hù)裂縫的邊緣，又有濾除圖像中噪聲的圖像濾噪算法，對圖像進(jìn)行預(yù)處理。

通常的濾波算法都設(shè)計(jì)為低通濾波算法，在濾除噪聲的同時(shí)也模糊了圖像中的邊緣細(xì)節(jié)。應(yīng)用較多的濾波技術(shù)有Lee濾波器、Frost濾波器、Camma CAP濾波器等。這些濾波算法都是基于對圖像局部統(tǒng)計(jì)特性自適應(yīng)的，濾除噪聲的效果較好。但是，由于算法本身的原因，往往造成圖像邊緣細(xì)節(jié)信息模糊，降低了圖像的質(zhì)量。針對這一問題，人們提出許多改進(jìn)算法，如改進(jìn)的Lee濾波器、變窗口濾波器等。這些算法雖然在一定程度上解決了邊緣模糊的問題，但也帶來新問題。例如改進(jìn)的Lee濾波器，由于要進(jìn)行邊緣檢測，所以選擇的窗口就不能太大；但小窗口對消除斑噪聲不利，又降低了效能[5]。因此，希望能尋求一種具有邊緣保護(hù)功能的噪聲濾除算法。

針對以上情況，本文采用加權(quán)的領(lǐng)域平均算法對圖像進(jìn)行噪聲濾除。該算法不僅能夠有效地平滑噪聲，還能夠銳化模糊圖像的邊緣。同時(shí)該算法計(jì)算比較簡單，不需要任何驗(yàn)知識和預(yù)定的參數(shù)，能為后期的邊緣檢測工作提供高質(zhì)量的數(shù)字圖像。

算法的計(jì)算公式描述如下：

用f(x,y)表示原始圖像，g(x,y)為平滑后點(diǎn)（x,y）的灰度值，Vx,y表示以點(diǎn)（x,y）為中心的領(lǐng)域，該鄰域包含N個(gè)像素，m(x,y)表示鄰域Vx,y內(nèi)的灰度均值。則修正的領(lǐng)域平均法由下式給出：

式（1）中，α為修正系數(shù)，取值范圍為0到1，它的大小反映Vx,y中的邊緣狀況。α定義如下：

式（2）中，γ>0。

上偏差以mg(x,y)表示，定義為灰度值大于領(lǐng)域均值m的各像素的灰度平均值與m之差；下偏差以m1(x,y)表示，定義為領(lǐng)域均值m與灰度值小于m的各像素的灰度平均值之差。分別以Ng,N0，Nl代表Vx,y內(nèi)灰度值大于、等于、小于m的像素?cái)?shù)，則灰度的上偏差mg(x,y)和下偏差ml(x,y)可以分別表示為：

式（3）中，m的定義如下：

指數(shù)γ的大小直接影響上式的性能。γ越小，對噪聲的平滑作用越強(qiáng)；γ越大，其稅化作用越強(qiáng)。一般在噪聲較強(qiáng)的情況下，噪聲干擾對圖像質(zhì)量的影響比較突出，所以γ應(yīng)當(dāng)取較小的值；反之，在噪聲較弱和圖像細(xì)節(jié)較多的情況下，γ應(yīng)當(dāng)取較大的值。

在本文的實(shí)驗(yàn)中，考慮到噪聲的濾除效果和后期的處理，γ取1，而Vx,y取為7×7鄰域。

2.2 邊緣檢測

對于路面裂縫類病害的識別檢測來說，邊緣檢測算法的好壞在很大程度上影響識別和檢測的效果與精度。在數(shù)字圖像處理的邊緣檢測方面，前人已進(jìn)行了大量的科學(xué)研究和探索，提出和推導(dǎo)了大量經(jīng)典的邊緣檢測算法。經(jīng)典的、最簡單的邊緣檢測方法是對原始圖像按像素的某領(lǐng)域構(gòu)造邊緣檢測算子，例如梯度算子、Sobel算子、Laplacian算子、Marr算子和Rosenfeld的門式算子等。在上述常用的算法中，梯度算子的思路簡捷，運(yùn)行速度較快；但是梯度算子只有水平和垂直兩個(gè)方向的模板，其模板方向僅表示灰階變化的梯度方向，而不是圖像的實(shí)際邊緣方向。Sobel算子運(yùn)行速度較塊，能濾除一些噪聲，去掉部分偽邊緣，可提供最精確的邊緣方向估計(jì)[2]，并在檢測斜向階躍邊緣時(shí)具有較好的效果。但是Sobel邊緣檢測算子主要有水平和垂直兩個(gè)方向的模板，算法的有向性使其不能對路面病害中的不規(guī)則裂縫進(jìn)行有效識別與檢測。Laplacian和Marr算子無方向性，并在邊緣檢測過程中，先對原始圖像進(jìn)行平滑，以降低噪聲的影響。但是，由于對圖像的平滑使得算子對邊緣的定位不精確，處理后的邊緣像素?cái)?shù)目較多。

考慮到采集的路面裂縫類病害圖像已進(jìn)行了噪聲濾除的預(yù)處理，又考慮到裂縫類病害的類型包括模向裂縫、縱向裂縫和不規(guī)則裂縫，邊緣可能在各個(gè)角度方向存在梯度。因此，構(gòu)造了8個(gè)方向的模板對圖像進(jìn)行Sobel邊緣檢測。該算法在邊緣檢測中是各向同性的。

算法實(shí)現(xiàn)的基本思想是：構(gòu)造如圖2所示的8方向模板，對圖像進(jìn)行逐點(diǎn)計(jì)算，并且取最大值作為該點(diǎn)的新的灰度值，該最大值對應(yīng)模板所表示的方向?yàn)樵撓袼攸c(diǎn)的邊緣方向。

2.3 圖像分割

該部分將經(jīng)過8方向Sobel邊緣檢測的數(shù)字圖像，進(jìn)行圖像分割（二值化）?？紤]到需要對路面的病害圖像作備份，同時(shí)也為了方便檢測者了解裂縫的形狀和走向，系統(tǒng)要提供直觀的二值化圖像，以供參考和進(jìn)行后續(xù)的圖像處理與測量工作。本文的圖像分割算法選用由Ostu提出的最大類間方差法，該算法是在判決分析最小二乘法原理的基礎(chǔ)上推導(dǎo)得出的[2]。

OSTU準(zhǔn)則分割原理如下：

設(shè)一幅圖像的灰度等級范圍為[1,2,…L]，對應(yīng)灰度級i的像素為ni個(gè)，整幅圖像的象素總個(gè)數(shù)N=n1+n2+…+nL，則對應(yīng)灰度級i的像素出現(xiàn)的概率為：

整幅圖像總的均值為：

若整幅圖像以灰度級K及閾值，且分為C0與C1兩類。其中C0類灰度級范圍為[1,…K]，C1類為[K+1,…L]。

這兩類的方差分別為：

式中，Pr為在C0（或C1）類中灰度級i的象素出現(xiàn)的概率，u0和u1分別為C0和C1類的均值。

這樣有w0u0+w1u1=ur成立，w0和w1分別為C0類和C1類的概率。在此OSTU定義類內(nèi)方差：

類間方差：

總的方差：

OSTU準(zhǔn)則即：最優(yōu)的閾值灰級K*滿足下式：

3 實(shí)驗(yàn)分析

上面介紹了系統(tǒng)工作的硬件環(huán)境和算法實(shí)現(xiàn)的原理和方法。下面將通過對路面橫向裂縫、縱向裂縫和不規(guī)則裂縫圖像的實(shí)際處理，觀察算法對裂縫類病害的識別能力。

圖3示出本算法對實(shí)驗(yàn)環(huán)境下采集圖像中的各類裂縫進(jìn)行處理的結(jié)果。圖3（a）、（b）、（c）是在硬件平臺上采集的橫向、縱向和不規(guī)則裂縫的樣圖；圖3（d）、（e）、（f）是對樣圖進(jìn)行噪聲濾除、8方向Sobel邊緣檢測和圖像分割（二值化）處理后得到的二值化圖。由以上實(shí)驗(yàn)可以看出，本文提出的算法能對各類裂縫類病害進(jìn)行較好的處理與識別，能夠好地消除噪聲的影響，裂縫輪廓清晰。

在實(shí)際的測試過程中，當(dāng)物距為20cm，圖像采集選用512×512像素的分辨率時(shí)，視場范圍是11cm×11cm，CCD中像素分辨率為0.2mm。當(dāng)物距為50cm時(shí)，視場范圍是28cm×28cm，CCD像素分辨率為0.5mm。

在Visual C++ 6.0開發(fā)環(huán)境下編制的這套圖像處理和病害識別軟件，采用模塊化設(shè)計(jì)，具有方便、簡潔的用戶界面，系統(tǒng)易于開發(fā)、易于移植等特點(diǎn)。它可控制圖像采集卡對圖像進(jìn)行實(shí)時(shí)監(jiān)控、采集、顯示和存儲等操作，同時(shí)具有對路面裂縫類病害包括橫向、縱向和不規(guī)則裂縫圖像進(jìn)行噪聲濾波、邊緣檢測、圖像分割和目標(biāo)識別的功能。

由以上實(shí)驗(yàn)可以看出，本文提出的對高等級公路路面的裂縫類病害的輪廓進(jìn)行提取的算法可以清晰的提出路面裂縫的輪廓，為后期的測量提供高質(zhì)量的圖像。