瞿 中，周海寬

（1.重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶400065；2.重慶郵電大學(xué) 軟件工程學(xué)院，重慶400065）

0 引 言

由于裂縫存在背景的復(fù)雜性及其自身的差異性，至今沒(méi)有一種通用的算法來(lái)實(shí)現(xiàn)對(duì)裂縫的準(zhǔn)確檢測(cè)。鄒勤等［1］提出了一種利用目標(biāo)最小點(diǎn)生成樹(shù)的算法，M.Salman等［2］提出了一種Gabor Filter濾波的方法，張雷等［3］采用了一種多尺度輪廓結(jié)構(gòu)元素的算法，Henrique Oliveira等［4］提出了一種利用樣本訓(xùn)練無(wú)監(jiān)督的檢測(cè)和分類(lèi)算法，沈照慶等［5］提出了一種模糊核空間的裂縫識(shí)別算法，Liu等［6］提出了一種先把圖像分割成若干小塊的分割算法，但這些算法都存在缺陷。

根據(jù)裂縫目標(biāo)及背景的特點(diǎn)，提出了一種結(jié)合紋理特征融合與顯著性檢測(cè)的路面裂縫提取算法。該算法用形態(tài)學(xué)黑帽變換矯正部分光照，提取出裂縫的LBP （local binary pattern）即局部二元模式、Laws、對(duì)比度3 種紋理特征，然后進(jìn)行融合，最后采用顯著算法將裂縫顯著化后分割得到裂縫，實(shí)驗(yàn)結(jié)果表明，該算法效果優(yōu)于其它算法。

1 紋理特征提取

紋理［7］作為圖像最重要的內(nèi)容之一，已經(jīng)被廣泛的研究和使用。分析裂縫圖像的紋理分布規(guī)律，紋理融合與顯著性結(jié)合裂縫檢測(cè)算法采用微觀紋理描述算子LBP算子［8］及宏觀紋理描述算法Laws［9］紋理能量測(cè)度法和描述紋理對(duì)比度的對(duì)比度描述因子，分別對(duì)裂縫進(jìn)行描述得到3種紋理特征向量，最后按照權(quán)值加權(quán)思想把3個(gè)紋理融合，得到裂縫紋理特征圖。

1.1 LBP紋理特征

LBP算子是Ojala提出的一種統(tǒng)計(jì)紋理分析方法，設(shè)一幅灰度圖像中的任意像素點(diǎn)為p，其灰度值為gc，以p 為中心點(diǎn)的3×3窗口中，以該中心點(diǎn)的左上角的第一個(gè)點(diǎn)為起始位，按順時(shí)針命名其鄰域像素點(diǎn)的灰度值為g0，g1，...g7。根據(jù)式 （1）可以求得像素點(diǎn)p 的LBP值

遍歷圖像所有像素點(diǎn)求得整幅灰度圖像f（x，y）的所有LBP值，用LBP值表示圖像得到LBP（x，y），該算法采用的裂縫原圖如圖1所示，圖2為L(zhǎng)BP實(shí)驗(yàn)結(jié)果。

圖1 混泥土路面裂縫原圖

圖2 混泥土路面裂縫LBP效果

1.2 Laws紋理

Laws紋理能量度量法是通過(guò)計(jì)算圖像中紋理的平均灰度級(jí)、邊緣、斑點(diǎn)、波紋和波形來(lái)確定紋理的屬性，這些屬性可以由3個(gè)簡(jiǎn)單的向量來(lái)描述：L3＝（1，2，1）表示平均；E3＝（－1，0，1）表示一階微分即邊緣信息；S3＝（－1，2，－1）表示二階微分即斑點(diǎn)信息。把這3個(gè)向量相互或是與自身卷積后得到5個(gè)向量如式 （2）所示

利用上面5個(gè)向量相互卷積或是自身卷積可以得出4個(gè)性能最強(qiáng)的5×5 的能量為零的模板，能量為零即∑i∑jaij＝0。其中aij是模板中（i，j＝1，2，3，4，5），4個(gè)模板分別為L(zhǎng)5E5，L5S5，E5S5，R5R5，具體參數(shù)如圖3所示。

這4個(gè)模板可以濾出圖像的水平邊緣、垂直邊緣、V形狀和高頻點(diǎn)，能夠很好的反映紋理區(qū)域與像素點(diǎn)的關(guān)系。

圖3 4個(gè)零和模板

紋理融合與顯著性結(jié)合算法使用了Laws紋理的垂直，水平和V 形的3個(gè)模板分別對(duì)紋理圖像進(jìn)行卷積得到3個(gè)紋理特征向量，然后按照經(jīng)驗(yàn)系數(shù)，垂直邊緣向量0.4，水平邊緣向量0.4，V 形向量0.2進(jìn)行加權(quán)融合得到Laws紋理特征圖。融合后的圖像不僅保持了原有圖像大部分細(xì)節(jié)而且還對(duì)裂縫進(jìn)行了強(qiáng)化，實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 Laws三種紋理融合的裂縫效果

1.3 對(duì)比度紋理特征

對(duì)比度［10］是描述像素點(diǎn)之間大小差異的，假設(shè)當(dāng)前像素點(diǎn)為p，設(shè)其鄰域窗口為（2 M＋1）×（2 M＋1），令s窗口里灰度級(jí)的隨機(jī)變量，n（sk）表示灰度值sk的出現(xiàn)的次數(shù)，p（sk）表示n（sk）概率值

其中，V 即為對(duì)比度紋理特征，y 為當(dāng)前灰度級(jí)。

1.4 紋理融合

為了得到更完整的效果，將圖1中圖像的3種紋理的融合后的圖像與形態(tài)學(xué)變化后圖像向量再次融合得到最終融合效果。對(duì)于3種紋理各自系數(shù)的選取，太大或太小都影響裂縫和背景的對(duì)比效果，太大時(shí)融合效果如圖5 （b）所示，背景存在較多與裂縫目標(biāo)像素值接近的干擾噪聲；系數(shù)選取太小時(shí)，紋理融合效果如圖5 （c）所示，裂縫目標(biāo)的部分細(xì)節(jié)信息被省略了。算法在測(cè)試了1000張圖像后得到LBP、Laws、對(duì)比度3 種特征向量經(jīng)驗(yàn)權(quán)值分別為0.4、0.3、0.2時(shí)融合后的顯著性提取效果最佳，融合效果如圖5 （c）所示。

2 顯著性檢測(cè)

圖5 LBP、Laws、對(duì)比度系數(shù)不同時(shí)的融合效果

顯著圖反映了圖像中不同區(qū)域的顯著程度，利用顯著性可以快速提取圖像中的顯著目標(biāo)而把大部分背景省略掉，在經(jīng)過(guò)LBP，Laws，對(duì)比度紋理特征的提取與形態(tài)學(xué)特征融合之后，裂縫目標(biāo)在整幅圖中與背景的視覺(jué)對(duì)比變得相當(dāng)明顯，紋理融合與顯著性結(jié)合算法采用Achanta等［11］提出的一種高效簡(jiǎn)單的FT （frequency－tuned）顯著區(qū)域提取算法對(duì)裂縫目標(biāo)進(jìn)行提取。FT 通過(guò)使用頻率調(diào)頻的原理來(lái)獲得ωlc和ωhc，ωlc為獲得顯著性需要的最低頻率，ωhc則為最高頻率。FT方法是通過(guò)一組DoG （difference of Gaussian）濾波器的聯(lián)合來(lái)獲得ωlc到ωhc的信息。其定義如式 （5）所示

該濾波器的帶寬由σ1和σ2的比率來(lái)決定。為了有效檢測(cè)物體的邊緣，σ1和σ2最佳比值為ρ＝1∶1.6［12］，這樣ρ限定了DoG 濾波器通過(guò)的帶寬的高低，但是單個(gè)DoG 不能有效地得到足夠大的［ωlc，ωhc］，F(xiàn)T 就將多個(gè)DoG 聯(lián)合成一個(gè)更大的DoG 濾波器，如式 （6）定義

當(dāng)N ＞0時(shí)，F(xiàn)N就可以用兩個(gè)高斯函數(shù)的差來(lái)表示。這時(shí)DoG 的寬度由K ＝ρN來(lái)決定。在實(shí)際提取顯著區(qū)域時(shí)，F(xiàn)T 方法使用5×5大小的窗口進(jìn)行高斯平滑去除特高頻。為了獲得更大的［ωlc，ωhc］，F(xiàn)T 使K 盡可能的大，F(xiàn)T讓N ＝∞，此時(shí)G（x，y，σρN）就是對(duì)整個(gè)圖像的平均。像素p 的顯著性可以通過(guò)式 （7）來(lái)獲得

FT 計(jì)算平均特征Iu是使用的CIELAB 顏色特征。Iwhc（p）為在經(jīng)過(guò)高斯平滑后的圖像中像素p 的CIELAB顏色特征。

將圖5融合效果圖用顯著性提取算法處理過(guò)后效果如圖6所示，當(dāng)融合系數(shù)比較大時(shí)，從圖6 （a）中可以看出裂縫目標(biāo)雖然顯著性較好且細(xì)節(jié)信息比較完整，但背景干擾噪聲較大，不利于目標(biāo)的提?。划?dāng)融合系數(shù)比較小時(shí)，從圖6 （b）中可以看出背景噪聲干擾雖然比較小，但是裂縫顯著性較差，細(xì)節(jié)信息同時(shí)也被去除去，也不利于目標(biāo)的完整提??；從圖6 （c）中可以看出此時(shí)的裂縫顯著性提取效果最好，既保證了裂縫目標(biāo)的細(xì)節(jié)信息又去除了大部分背景的干擾信息。

圖6 3種紋理融合后的FT 顯著性提取效果

3 實(shí)驗(yàn)結(jié)果分析

紋理融合與顯著性結(jié)合算法檢測(cè)裂縫的詳細(xì)流程如圖7所示。

圖7 紋理融合與顯著性提取結(jié)合裂縫檢測(cè)流程

為了驗(yàn)證提出算法的有效性和準(zhǔn)確性，實(shí)驗(yàn)選取了3種對(duì)圖像分割具有較好效果的算法與提出的算法進(jìn)行分割比較，圖8 （a）為裂縫原圖，圖8 （b）為二維大津法分割效果，可見(jiàn)大津法對(duì)這類(lèi)裂縫分割完全沒(méi)有效果；圖8 （c）采用最佳直方圖熵與遺傳算法相結(jié)合的分割算法，可以看出，裂縫的提取完整度較好，但是對(duì)于背景的光照比較敏感，產(chǎn)生較大的噪聲；圖8 （d）采用最佳直方圖熵與窮舉法結(jié)合的分割算法，可以看出，光照的噪聲被有效的去除了，背景對(duì)目標(biāo)的干擾較小，但裂縫目標(biāo)出現(xiàn)了較多的斷裂，裂縫目標(biāo)不完整；圖8 （e）是本文提出算法效果，可以明顯看出，背景干擾被完全的去除掉，而且提取的裂縫目標(biāo)也較為完整和清晰。

圖8 分割對(duì)比效果

為了驗(yàn)證了算法的精確性，對(duì)紋理融合與顯著性結(jié)合算法所提的裂縫進(jìn)行精確率和召回率的量化評(píng)估。實(shí)驗(yàn)照片路面裂縫均是自然光照條件下，大小為950＊400。

精確率P 和召回率R 定義［13］如式 （8）所示

式中：Np——檢測(cè)到的像素中屬于真正裂縫的像素點(diǎn)的個(gè)數(shù)，Nr人工分割真實(shí)裂縫的像素點(diǎn)個(gè)數(shù)的總和，Ntotal——用紋理融合與顯著性結(jié)合算法所提取的裂縫像素點(diǎn)數(shù)總和。從240幅樣本圖中抽取6 幅進(jìn)行精確率和召回率的測(cè)試，裂縫原圖如圖9所示、紋理融合與顯著性結(jié)合算法提取的裂縫如圖10所示，及人工分割的裂縫如圖11 所示，每條裂縫的精確率P 和召回率R 見(jiàn)表1。

4 結(jié)束語(yǔ)

圖9 裂縫原圖

圖10 紋理融合與顯著性結(jié)合分割效果

圖11 人工分割效果

表1 精確率P與召回率R

根據(jù)裂縫實(shí)際存在環(huán)境，提出了一種運(yùn)用紋理特征與顯著性相結(jié)合的裂縫檢測(cè)算法，首先采用形態(tài)學(xué)方法矯正光照，之后提取裂縫的LBP 紋理，Laws紋理，分別從微觀和宏觀的角度對(duì)裂縫進(jìn)行描述，再加上對(duì)比度特征，在形態(tài)學(xué)矯正的基礎(chǔ)上根據(jù)經(jīng)驗(yàn)權(quán)值把提取的3種紋理特征進(jìn)行融合，采用顯著性提取方法對(duì)紋理融合后的裂縫目標(biāo)進(jìn)行提取，最后閾值分割后采用中值濾波及連通域?yàn)V波有效的去除噪聲得到最終裂縫。實(shí)驗(yàn)結(jié)果表明該算法能夠有效提取出復(fù)雜背景下的裂縫，精確率和召回率都達(dá)到了92%以上。

［1］ZOU Qin，LI Qingquan.Target－point MST for pavement crack detection ［J］.Geomatics and Information Science of Wuhan University，2011，36 （1）：71－75 （in Chinese）.［鄒勤，李清泉.利用目標(biāo)點(diǎn)最小生成樹(shù)的裂縫檢測(cè) ［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2011，36 （1）：71－75.］

［2］Salman M，Mathavan S.Pavement crack detection using the Gabor filter ［C］／／IEEE Annual Conference on Intelligent Transportation Systems，2013：2039－2044.

［3］ZHANG Lei，XIAO Mei.Pavement crack detection based on visual model［J］.Journal of Chang’an University （Natural Science Edition），2009，29 （5）：21－24 （in Chinese）.［張雷，肖梅.基于視覺(jué)模型的路面檢測(cè)算法 ［J］.長(zhǎng)安大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，29 （5）：21－24.］

［4］Henrique Oliveira.Automatic road crack detection and characterization ［J］.IEEE Transactions on Intelligent Transportation Systems，2013，14 （1）：155－168.

［5］SHEN Zhaoqing，ZHONG Liang，XIAO Shasha.Intelligent recognition and evaluation of highway pavament cracks in fuzzy kernel space ［J］.Highway，2014 （2）：180－184 （in Chinese）.［沈照慶，鐘良，肖沙沙.模糊核空間下高速公路路面裂縫智能識(shí)別與評(píng)價(jià) ［J］.公路，2014 （2）：180－184.］

［6］Liu F，Xu G，Yang Y，et al.Novel approach to pavement cracking automatic detection based on segment extending［C］／／IEEE Proceedings of International Symposium on Knowledge Acquisition and Modeling，2008：610－614.

［7］BU Yadong.Image texture feature extraction ［D］.Jinan：Shandong Normal University，2012 （in Chinese）. ［步亞?wèn)|.圖像紋理特征提取 ［D］.濟(jì)南：山東師范大學(xué)，2012.］

［8］ZHOU Shuren，YIN Jianping.LBP texture feature based on Haar characteristics［J］.Journal of Software，2013，24 （8）：1909－1926 （in Chinese）. ［周書(shū)仁.殷建平.基于Harr特征的LBP 紋理特征［J］. 軟件學(xué)報(bào)，2013，24 （8）：1909－1926.］

［9］WANG Huafeng，WANG Yuting，CHAI Hua.State－of－art on texture－based well logging image classification ［J］.Journal of Computer Research and Development，2013，50 （6）：1335－1348 （in Chinese）. ［王華鋒，王玉婷，柴華.基于紋理特征的測(cè)井圖像分類(lèi)算法的研究 ［J］.計(jì)算機(jī)研究與發(fā)展，2013，50 （6）：1335－1348.］

［10］ZHANG Xiuhua，CHENG Yanjun，HONG Hanyu.Pavement crack detection based on weight texture［J］.Computer＆Digital Engineering，2011，39 （10）：153－156 （in Chinese）.［章秀華，陳艷君，洪漢玉.基于加權(quán)融合紋理的路面裂縫檢測(cè)［J］.計(jì)算機(jī)與數(shù)字工程，2011，39 （10）：153－156.］

［11］Radhakrishna Achanta，Sheila Hemami.Frequency－tuned salient region detection ［C］／／IEEE Conference on Computer Vision and Pattern Recognition，2009：1597－1604.

［12］Marr D.Vision：A computational investigation into the human representation and processing of visual information ［M］.San Francisco，1982.

［13］Yamaguchi T， Hashimoto S.Improved percolation－based method for crack detection in concrete surface images［C］／／International Conference on Pattern Recognition，2008：1－4.