姜吉榮，陳小惠

(南京郵電大學 自動化學院，江蘇 南京 210023)

基于多特征的路面裂縫目標提取方法

姜吉榮，陳小惠

(南京郵電大學 自動化學院，江蘇 南京 210023)

根據(jù)路面裂縫圖像受到各種環(huán)境的干擾，從實用角度出發(fā)，提出了結(jié)合局部灰度特征、局部相異度特征和局部方向特征的裂縫目標提取算法。首先以數(shù)量統(tǒng)計值對裂縫目標和背景粗劃分，對粗劃分后裂縫目標計算其灰度特征，結(jié)合當前點相異度特征并計算自適應閾值得到裂縫信息。但由于裂縫存在空洞點和斷裂點，彌補方法是判斷當前點鄰域內(nèi)非零像素點數(shù)，符合條件下再計算窗口內(nèi)非零像素點與當前點的斜率，對角度進行投票，提取局部方向特征描述。最后結(jié)合多結(jié)構(gòu)元素形態(tài)學去噪算子，去除孤立噪聲。與最大類間方差法和基于傳統(tǒng)特征的分割算法進行了對比，實驗表明文中方法能夠較為完整、連續(xù)地提取路面裂縫目標。

路面裂縫；灰度特征；相異度特征；方向特征；特征描述；去噪

0 引 言

路面裂縫是路面病害的主要初期表現(xiàn)形式，影響正常的交通運輸，降低車輛行駛速度及舒適度。實際采集到的路面裂縫圖像存在噪聲多、裂縫信息弱小、受環(huán)境干擾等復雜特性，使裂縫目標很難從背景中提取出來，所以研究路面裂縫圖像的分割算法具有實際意義。目前的研究算法主要可分為：基于紋理特征的方法[1-3]、基于數(shù)學變換的方法[4-5]、基于灰度特征的方法[6-10]以及基于閾值分割的方法[11-14]。

文獻[1]引入了局部二元模式特征算子和相對標準差以及對比度特征，通過加權(quán)融合算法提取路面裂縫信息，但三種特征權(quán)重的選擇較為困難。文獻[6]利用裂縫圖像裂縫區(qū)域的灰度值小于非裂縫區(qū)域的灰度值的特點，確定經(jīng)差分處理后路面圖像灰度值的隸屬度函數(shù)的參數(shù)，對裂縫圖像進行模糊化處理，得到路面裂縫圖像的分割結(jié)果。文獻[7-8]根據(jù)裂縫非負特征、對比度特征以及圓投影變換進行裂縫提取，雖然有著較好的提取效果，但其特征閾值選擇由于不同環(huán)境路面裂縫圖像而有區(qū)別，圓投影變換不能很好地對裂縫進行斷裂或者空洞點修復，具有一定的局限。文獻[15]對不同的裂縫分割方法進行了客觀評價，為路面裂縫檢測方法的發(fā)展提供了有利的指導。

以路面裂縫圖像為研究對象，文中在前人研究的基礎(chǔ)上，從實用角度出發(fā)，首先對裂縫目標和背景進行粗劃分，提取劃分后裂縫目標點的局部灰度特征(Local Gray Feature,LGF)，結(jié)合局部相異度特征(Local Dissimilarity Feature,LDF)得到LGF-LDF圖，并通過最大類間方差法自適應選擇最佳閾值。提出了局部方向特征(Local Orientation Feature,LOF)的提取方法，去噪并彌補裂縫斷裂點和空洞點。最后結(jié)合多結(jié)構(gòu)元素形態(tài)學去噪算子去除孤立噪聲。實驗表明，文中方法提取裂縫信息較為完整、準確和豐富，在保留裂縫細節(jié)和抑制噪聲上達到較好的平衡。

1 特征提取

1.1 LGF-LDF

實際采集到的路面裂縫圖像(見圖1(a))裂縫區(qū)域的像素點的灰度值普遍低于背景像素點的灰度值，而且差異明顯。即裂縫的灰度特征[2,8]以(2N1+1)(2N1+1)為計算窗口，為避免處理邊界附近像素點時造成坐標越界，將裂縫圖像邊界向外拓展N1個像素點，拓展區(qū)域像素值以邊界像素點灰度值填充。

當前點(i,j)與窗口內(nèi)其他像素點的灰度差如式(1):

(1)

其中,-N1≤k,l≤N1。

首先對裂縫目標和背景點進行粗劃分，因為在無意義的背景點上進行灰度特征提取是沒有意義的，同時影響處理速度。粗劃分的依據(jù)是數(shù)量統(tǒng)計特征C(i,j)，其定義和粗劃分公式如式(2)：

(2)

其中，H(x)為閾值函數(shù)。

若當前點為裂縫目標，由于裂縫點的灰度值較小，窗口內(nèi)比當前點像素值大的個數(shù)較多，而背景點由于灰度值較大，窗口內(nèi)出現(xiàn)比其像素值大的像素概率較少，以此對目標點和背景點粗劃分是可行的。根據(jù)經(jīng)驗，確定閾值T1的范圍為：T1=0.85±0.05。

圖1示例圖的數(shù)量統(tǒng)計特征大體劃分出了裂縫目標和背景。

圖1 數(shù)量統(tǒng)計值粗劃分

若當前點Count(i,j)非零，則進行局部灰度特征提取工作。

定義調(diào)節(jié)參數(shù)ω：

(3)

定義當前點與其他像素點的灰度相關(guān)性因子Rough如下：

(4)

那么當前中心點(i,j)灰度特征可以描述為F1(i,j),G(x)為閾值函數(shù)，th為設(shè)定閾值。

(5)

根據(jù)大量實驗結(jié)果，設(shè)Rough的最大值為max_diff，確定閾值:

th=0.1*max_diff

(6)

灰度特征圖I_gray提取方法如下：

(7)

為了使閾值T2自適應圖像，從灰度特征F1出發(fā)，采用最大類間方差法(Otsu)求解F1的最佳閾值。Otsu是選擇全局閾值的最優(yōu)方法，計算簡單，實現(xiàn)如下[13]：

設(shè)取整后F1灰度值為0～M級。設(shè)待定閾值T1，類間方差b計算方法如式(8):

b=w0(u-u0)2+w1(u-u1)2=w0w1(u0-u1)2

(8)

其中:u為F1像素平均灰度值；w0，u0為F1像素值在[0,T2]出現(xiàn)的概率和平均灰度值；w1,u1為F1像素值在[T2+1,M]之間的概率和平均灰度值。

從[0,M]遍歷T2，當b最大時相應的T2值即為最佳閾值。

當灰度特征值在所規(guī)定的閾值范圍內(nèi)，則將F1(i,j)賦值給I_gray(i,j)，否則當前中心點賦值為零。圖2為示例裂縫圖像的數(shù)量統(tǒng)計特征和灰度特征圖(T1=0.8,T2=5)。

圖2 灰度特征提取結(jié)果

灰度特征圖中存在大量的噪聲信息，文獻[7-8]給出了對比度特征值的提取方法，但對比度特征以區(qū)域灰度均值和方差為判斷標準，由于存在和裂縫區(qū)域灰度值相近的噪聲區(qū)域，提取對比度特征并不能很好地去除這部分噪聲。文中從灰度特征圖出發(fā)，提取路面裂縫圖像局部相異度特征，并能夠自動選擇閾值。局部相異度特征獲取步驟如下：

步驟一：首先篩選出疑似裂縫點，疑似裂縫點為灰度特征圖中像素值不為零的點。

步驟二：設(shè)當前中心點坐標為(i,j)，所在窗口大小為(2N2+1)×(2N2+1),將窗口內(nèi)疑似裂縫點對應到原始圖像區(qū)域的點的集合設(shè)為疑似目標區(qū)域G，點的個數(shù)為Num_G；窗口內(nèi)其他坐標點對應到原始圖像區(qū)域的點的集合設(shè)為背景區(qū)域B，點的個數(shù)為Num_B。

步驟三：定義當前中心點區(qū)域相異度特征描述D(i,j)如下：

(9)

其中：f0為當前中心點在原始圖像中的灰度值；fz、fy為疑似裂縫點和其他點在原始圖像中的灰度值。

步驟四：設(shè)相異度特征圖為I_Dissimilarity，那么

(10)

為了使閾值T3根據(jù)相異度特征圖D自動選擇，T3的求解方法同T2，實際測試時取2倍的Otsu閾值為宜，這樣減少了手動調(diào)節(jié)閾值的麻煩。圖3(b)為LGF-LDF方法提取結(jié)果(T3=40)，圖3(c)為文獻[8]對

圖3 LGF-LDF和對比度特征提取結(jié)果

比度特征圖。可以看到LGF-LDF圖已經(jīng)去除了大量的噪聲，但裂縫存在空洞點和斷裂點，相比對比度特征，其去除噪聲效果較好。

1.2 LOF

文獻[7-8]采用了圓投影變換來增強目標信息，但由于局部區(qū)域裂縫并不是嚴格的直線分布，該方法可能造成背景點直接判為目標點的問題，導致裂縫信息的不準確。該方法統(tǒng)計灰度分布情況，由于目標點和噪聲點的灰度值的不確定性，導致目標和噪聲判斷界限的模糊，且判斷規(guī)則較為復雜。文中受文獻[7-8]的啟發(fā)，提取當前點局部方向特征描述。待處理當前點包括目標點和背景點，以便更好地提取完整豐富的裂縫信息。圖4給出了實際裂縫點、斷裂點/空洞點、噪聲點/背景點標記圖。

圖4 標記圖

為了避免處理I_Dissimilarity邊界附近的像素點時造成坐標越界，將圖像四個邊界向外拓展，拓展像素點根據(jù)計算窗口的大小確定，拓展區(qū)域像素值為0。

若待處理當前中心點坐標為(i0,j0)，窗口選(41×41)。若其(5×5)鄰域內(nèi)像素值不為零的點的個數(shù)大于等于4，則提取當前點方向特征描述，否則當前點直接賦值為零并轉(zhuǎn)向下一像素點的判斷。通過這樣的預先判斷，可以大大減少不必要的計算，提高運行效率。局部方向特征描述提取步驟如下：

步驟一：設(shè)(i,j)為窗口內(nèi)的非零像素點坐標，其值為f(i,j)，與當前點的斜率轉(zhuǎn)化為角度表示為:

(11)

將角度統(tǒng)一取整并規(guī)劃到(0，π)，有:

degree(i,j)=floor(θ(i,j)+90°)

(12)

Dir(degree(i,j))=Dir(degree(i,j))+1

(13)

步驟二：返回步驟一，直到窗口內(nèi)所有非零像素點都投票完成，最終得到當前點方向特征向量Dir，以標準差d和峰值md為特征描述，計算如式(14):

選取圖4中五種典型點分別計算方向特征向量峰值、標準差以及統(tǒng)計(5×5)鄰域非零像素的個數(shù)，分布見圖5。

圖5 五種當前點方向特征描述

可以看到，裂縫斷裂點和空洞點之間方向特征描述差異較小，噪聲點和背景點之間的差異也較??；前三者和后兩者之間的特征描述差異比較大。

文中實驗表明，實際裂縫點、裂縫斷裂點或者裂縫區(qū)域空洞點方向特征標準差在4至6之間變化，且特征曲線峰值大于10。而背景點以及噪聲點的方向特征標準差在0至1之間變化，且特征曲線峰值小于8。

那么判斷當前點為實際裂縫點、裂縫斷裂點或者裂縫區(qū)域空洞點條件如下：

(15)

文中th1取值為8，th2取值為1。

若像素點符合上述兩點限制，認為當前中心點為裂縫斷裂點或者裂縫區(qū)域空洞點或者實際裂縫點，當前像素值賦值為255，否則認為當前點為背景或者噪聲點，像素值依然為0。

2 去除孤立噪聲點

LGF-LDF-LOF提取裂縫目標信息已經(jīng)較為完整，但裂縫目標邊緣不夠平滑，且仍存在著少量孤立噪聲。文中采用形態(tài)學去噪算子去除裂縫目標周圍的孤立噪聲。在四種形態(tài)學基本運算中，開運算可以消除孤立的小塊區(qū)域和離散點，在纖細點處分離物體，平滑邊緣的同時并不明顯改變目標面積。閉運算用來填充物體內(nèi)細小空洞和縫隙，消除狹窄的間斷，連接鄰近物體，也可以并不明顯地改變目標面積[13]。結(jié)合兩者優(yōu)勢，定義如下開-閉濾波器算子F：

F=I°S?S

(16)

其中：I為輸入圖像；S為結(jié)構(gòu)元素；F為去噪后圖像。

由于裂縫目標狹長，部分區(qū)域?qū)挾戎挥袔讉€像素點，選取大尺寸結(jié)構(gòu)元素會濾掉裂縫細節(jié)信息，所以文中選取小尺寸結(jié)構(gòu)元素。同時，為了解決使用單一結(jié)構(gòu)元素進行形態(tài)學去噪很難兼容抑制噪聲和保持細節(jié)的問題，文中結(jié)合圓形和方形兩種形狀結(jié)構(gòu)元素的優(yōu)點，采用多結(jié)構(gòu)元素進行形態(tài)學去噪。算法實現(xiàn)步驟如下：

(1)分別構(gòu)造大小為2×2的方形結(jié)構(gòu)元素S1和半徑為1的圓形結(jié)構(gòu)元素S2；

(2)將S1和S2代入式(16)進行去噪計算，得到兩種結(jié)構(gòu)元素情況下形態(tài)學去噪圖像F1和F2;

(3)將兩種結(jié)構(gòu)元素形態(tài)學去噪圖像進行融合得到最終的去噪圖像，融合方法如式(17)。

F=F1+F2

(17)

3 測試結(jié)果

圖6是不同環(huán)境下路面裂縫圖像。圖(a)的裂縫目標信息較弱，右上角區(qū)域存在油污。圖(c)裂縫所處環(huán)境較為復雜，圖像顆粒感較強，斑馬線將裂縫分成三段，三段所處的環(huán)境有較大差異。圖(e)為一幅網(wǎng)狀裂縫圖像，路面破損嚴重，部分區(qū)域散布著粉塵，導致局部區(qū)域的灰度值偏高，圖像光照不均勻。

圖6 不同場景下裂縫圖像及處理結(jié)果圖

圖(b)(T1=0.8，T2=2，T3=15)、圖(d)(T1=0.85，T2=3，T3=30)、圖(f)(T1=0.8，T2=6，T3=40)分別是提取的裂縫目標圖像?？梢钥吹剑\用文中算法可以較好地提取出裂縫目標，能夠抑制復雜背景，去噪效果明顯。

對比文中方法與最大類間方差分割算法[13]和文獻[7]提取算法的處理效果。

圖7(a)是在雨天攝取的一幅路面裂縫圖像，由于光照不均勻、雨點覆蓋整幅圖像導致圖像的對比度較低。圖7(b)、(c)、(d)分別是Otsu(最佳閾值為149)、文獻[7]、文中算法的提取結(jié)果圖。從主觀評價，文獻[7]方法提取效果也還可以，文中方法相比Otsu和文獻[7]算法，得到的裂縫目標圖像基本消除了噪聲的影響，提取的裂縫信息表達較為完整、連續(xù)和豐富。

圖7 算法效果對比(1)

圖8(a)裂縫圖像受到豎桿陰影的影響；圖8(b)

是Otsu算法分割結(jié)果，其中最佳閾值為90，沒有抑制豎桿陰影的影響；圖8(c)是文獻[7]算法提取結(jié)果，該算法可以消除豎桿陰影的影響，但裂縫圖像目標仍然出現(xiàn)斷裂點和空洞點；圖8(d)是文中算法提取結(jié)果，相比文獻[7]算法，文中算法提取裂縫目標較為連續(xù)、完整、豐富，填補了大部分內(nèi)部空洞點，對噪聲有一定的抑制作用。

圖8 算法效果對比(2)

為了更加客觀地對文中方法進行評價，文中以灰度特征圖為參考圖，計算Otsu法、文獻[7]算法以及文中方法的均方誤差(MSE)和峰值信噪比(PSNR)，記錄見表1。無論是主觀評價還是客觀指標評價，文中算法均優(yōu)于Otsu和文獻[7]算法。

表1同時記錄了三種方法的運行時間，由于文獻[7]和文中方法計算量較大，運行時間相對較長。文獻[7]方法需要對特征進行閾值選擇而增加了時間，相比之下，文中方法較為明顯地提高了處理速度。

表1 效果對比

4 結(jié)束語

針對路面裂縫受到各種環(huán)境的干擾問題，文中采用基于多特征的路面裂縫目標提取算法，結(jié)合多結(jié)構(gòu)元素形態(tài)學去噪算子，在保留目標細節(jié)和去除噪聲之間達到比較好的平衡。以數(shù)量統(tǒng)計值對裂縫目標和背景進行粗劃分，計算裂縫圖像的局部灰度特征，結(jié)合局部相異度特征描述獲取裂縫目標信息。為了彌補裂縫空洞點和斷裂點，提取了局部方向特征，包括鄰域內(nèi)非零像素點數(shù)、方向特征峰值和標準差。

實驗結(jié)果表明，相比最大類間方差算法和傳統(tǒng)基于特征的分割算法，文中方法能夠較好地提取不同環(huán)境下路面裂縫目標信息，在保留裂縫細節(jié)的同時去噪效果良好，具有實用性和可行性，為后續(xù)進行裂縫分類奠定了良好的基礎(chǔ)。

[1] 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[J].計算機與數(shù)字工程，2011，39(10)：153-156.

[2] 于泳波，李萬恒，張勁泉，等.基于圖像連通域的橋梁裂縫提取方法[J].公路交通科技，2011，28(7)：90-93.

[3] 徐 威，唐振民，徐 丹，等.融合多特征與格式塔理論的路面裂縫檢測[J].計算機輔助設(shè)計與圖形學學報，2015，27(1)：147-156.

[4]XuBugao,HuangYaxiong.Developmentofanautomaticpavementsurfacedistressinspectionsystem[R].Austin:CenterforTransportationResearch，theUniversityofTexasatAustin,2005.

[5]SubiratsP,DumoulinJ,LegeayV,etal.Automationofpavementsurfacecrackdetectionusingthecontinuouswavelettransform[C]//ProcofIEEEinternationalconferenceonimageprocessing.Atlanta,GA:IEEE,2009:3037-3040.

[6]ChengHD,ChenJR,GlazierC,etal.Novelapproachtopa-vementcrackingdetectionbasedonfuzzysettheory[J].JournalofComputinginCivilEngineering,1999,13(4):270-280.

[7] 洪漢玉，章秀華，葉佳倫,等.橋梁裂痕檢測與識別方法[J].武漢工程大學學報，2014，36(2)：63-67.

[8] 王 澍.復雜背景下路面裂縫圖像自動檢測與識別算法研究[D].武漢：武漢工程大學，2013.

[9] 董安國，梁苗苗.基于灰度相關(guān)性的裂縫檢測算法[J].計算機應用研究，2013，30(10)：3121-3123.

[10] 褚文濤，李鄭明，陸 鍵.路面病害檢測中的裂縫信息快速識別方法研究[J].中外公路，2013，33(6)：80-84.

[11] 劉 娜，宋偉東，趙泉華.形態(tài)學和最大熵圖像分割的城市路面裂縫檢測[J].遼寧工程技術(shù)大學學報:自然科學版,2015，34(1)：57-61.

[12] 徐志剛，趙祥模，宋煥生,等.基于直方圖估計和形狀分析的瀝青路面裂縫識別算法[J].儀器儀表學報，2010，31(10)：2260-2266.

[13] 邱漢興.基于圖像分割的路面裂縫檢測與識別研究[D].重慶：重慶交通大學，2012.

[14] 王 睿，漆泰岳，朱 鑫,等.隧道檢測裂縫的圖像處理研究[J].鐵道標準設(shè)計，2014，58(10)：93-96.

[15]TsalYC,KaulV,MersereauRM.Criticalassessmentofpavementdistresssegmentationmethods[J].JournalofTransportationEngineering,2010,136(1):11-19.

Pavement Crack Object Extraction Method Based on Multi-features

JIANG Ji-rong,CHEN Xiao-hui

(School of Automation,Nanjing University of Posts and Telecommunications,Nanjing 210023,China)

A practical method for pavement crack object extraction based on Local Gray Feature (LGF),Local Dissimilarity Feature (LDF) and Local Orientation Feature (LOF) is proposed,aiming at extracting crack targets in various complex conditions.Firstly,rough division of crack target and background is done by the count statistics and gray feature is computed as LGF description,LGF-LDF feature is obtained for the crack basic information with adaptive thresholds,combined with the current point dissimilarity feature.To fill void and breaking points and to enhance computing efficiency,the number of non-zero pixels in the neighbor of the processing pixel point is judged and the orientation of the non-zero point and the processing point is computed to vote for the angle and the local orientation feature description is extracted.The morphological filter operators are utilized combing with multi-structure elements to eliminate isolated noises.The experiment results show that the method proposed achieves a better performance in extracting the crack targets than both Otsu and algorithm based on traditional features.

pavement crack;gray feature;dissimilarity feature;orientation feature;feature description;denoising

2015-07-05

2015-10-15

時間：2016-03-22

江蘇省科技支撐計劃項目(BE2011843)；南京郵電大學實驗室建設(shè)項目(2012XZZ06)

姜吉榮(1990-)，男，碩士研究生，研究方向為智能儀器與圖像處理；陳小惠，教授，研究方向為圖像處理、智能儀器與網(wǎng)絡(luò)化測控。

http://www.cnki.net/kcms/detail/61.1450.TP.20160322.1519.052.html

TP391

A

1673-629X(2016)05-0173-06

10.3969/j.issn.1673-629X.2016.05.038