陶開云

摘要： 針對(duì)壩面裂縫損傷尺度的識(shí)別的方法少、識(shí)別精度和效率較低的問題，提出了一種基于SVM的壩面裂縫損傷智能識(shí)別方法。在整個(gè)圖像的范圍內(nèi)，運(yùn)用photoshop將圖像中的非關(guān)鍵因素進(jìn)行處理且不破壞原影像中裂縫的條數(shù)、和大小等參數(shù)。再將壩面的裂縫影像根據(jù)一定的閾值提取特征圖像建立影像模型，將不同的尺度設(shè)計(jì)了運(yùn)用支持向量機(jī)SVM的“1Vm”壩面裂縫損傷影像模式識(shí)別器進(jìn)行處理，可以有效地提取細(xì)裂縫和粗裂縫的信息。理論分析和實(shí)驗(yàn)結(jié)果表明，該算法提高了壩面裂縫損傷的識(shí)別精度和效率，能快速準(zhǔn)確的識(shí)別出壩面裂縫損傷程度。

Abstract： In order to solve the problem that the identification method of the fracture scale of dam surface is less， the recognition accuracy and efficiency are low， a new method based on SVM is proposed to intelligently identify the damage of dam surface. In the range of the whole image， photoshop is used to deal with the non key factors in the image， and the parameters such as the number of cracks in the original image and the size are not destroyed. The image model of cracks in the dam face image is established based on feature image extraction according to a certain threshold， and the different scales are designed to use support vector machine SVM "1Vm" dam surface crack damage pattern recognition for image processing， which can effectively extract the fine cracks and rough cracks. Theoretical analysis and experimental results show that the algorithm can improve the accuracy and efficiency of the dam surface crack damage identification， and can quickly and accurately identify the damage degree of the dam surface cracks.

關(guān)鍵詞： photoshop；壩面裂縫識(shí)別；特征提??；SVM；多尺度

Key words： photoshop；dam surface fracture identification；feature extraction；SVM；multi-scale

中圖分類號(hào)：TP391.4；U416.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2017）19-0124-02

0 引言

從上個(gè)世紀(jì)開始，整個(gè)圖形圖像處理領(lǐng)域的研究得到了飛躍式的發(fā)展。在此基礎(chǔ)之上，工程中的相關(guān)技術(shù)也取得了極大的進(jìn)步。對(duì)于我們所使用的現(xiàn)代水利的各種大壩的修建、維護(hù)、安全監(jiān)測(cè)能夠滿足人們的需要。然而對(duì)于修建好的大壩來說，由于其受環(huán)境的影響，在外形和內(nèi)在結(jié)構(gòu)上易多變，這個(gè)變化對(duì)于現(xiàn)在的技術(shù)來說仍然沒有較為有效的識(shí)別方法。

壩面裂縫不同于路面裂縫，壩面受很多的因素影響，比如說水質(zhì)、壓力日照變化、噪聲種類和數(shù)量。以上影像識(shí)別算法多半是基于像元的圖像檢測(cè)，因此說上述算法不足以應(yīng)用在壩面這樣復(fù)雜的環(huán)境之下，他們忽略了損傷部位像元之間豐富的相關(guān)信息，但是若尺度選取的過分大或者不足都會(huì)造成過多的識(shí)別誤差與錯(cuò)誤，使得信息的提取精度和正確性受到了抑制。本文提出了一種基于SVM的壩面裂縫損傷智能識(shí)別方法，根據(jù)預(yù)先設(shè)定的閾值提取特征影像針對(duì)特征圖像進(jìn)行非關(guān)鍵因素處理和灰度變換增強(qiáng)處理，減少了數(shù)據(jù)量，并且降低了噪聲影響，大大提高了識(shí)別效率，確保了目標(biāo)識(shí)別結(jié)果的精準(zhǔn)度。

1 樣本與分析

為完成本文的目標(biāo)以及結(jié)果驗(yàn)證，通過線陣CCD捕獲多幅影像進(jìn)行試驗(yàn)，影像中包含多種不同的狀態(tài)，空間分辨率設(shè)置為1mm。另外，選用像素為500×500大小的一張路面影像，以更好地體現(xiàn)出本文研究的針對(duì)性。采用本文提出的算法對(duì)影像進(jìn)行相關(guān)處理，從識(shí)別效率、相關(guān)性以及識(shí)別精確度等方面與區(qū)域增長(zhǎng)識(shí)別算法展開了詳細(xì)比較。

對(duì)壩面裂縫圖像跨尺度構(gòu)建了4個(gè)不同尺度的影像，在圖（a）中，噪聲比較多，細(xì)部特征很明顯；圖（b）中，雖然噪聲明顯減少，但是細(xì)裂縫仍清晰可見；圖（c）中噪聲更加淡化，粗裂縫更加突出，數(shù)據(jù)量有所減少，但是損失了細(xì)裂縫等信息；（d）中噪聲更加淡化，粗裂縫更加突出，數(shù)據(jù)量繼續(xù)減少，細(xì)裂縫損失，但是干擾因素的信息量減少。四者統(tǒng)一轉(zhuǎn)化為JPEG格式，大小依次為126k、64.7k、53.2k、40.7k，數(shù)據(jù)信息量大幅度減少，使得壓縮海量壩面監(jiān)測(cè)有了更多可靠的參考信息。跨尺度組合尺度影像，由圖（c）和圖（d）疊加對(duì)粗裂縫進(jìn)行快速檢測(cè)，由圖（a）與圖（b）2疊加對(duì)細(xì)裂縫進(jìn)行快速檢測(cè)，繼而運(yùn)用形態(tài)膨脹法突出現(xiàn)實(shí)裂縫的尺寸特征[1]。結(jié)合徑向基核函數(shù)RBF，k（||x-xc||）=exp{-||x-xc||^2/（2*σ^2）}，在“1Vm”多分類中參數(shù)設(shè)置與識(shí)別結(jié)果詳見表1。

隨著路面信息采集技術(shù)的不斷成熟，裂縫圖像識(shí)別技術(shù)也取得了傲人的研究成果：閾值分割法計(jì)算很方便、應(yīng)用越來越廣泛，如果把較暗的像素視為裂縫，就可能將陰影油污等也識(shí)別為裂縫目標(biāo)；邊緣識(shí)別算法提出從裂縫過度到背景時(shí)灰度劇烈變化，因此將梯度較大的像素視為裂縫，檢測(cè)結(jié)果斷續(xù)情況較為嚴(yán)重，并且容易受孤立噪聲的影響；紋理識(shí)別法側(cè)重于消除路面材料顆粒和紋理對(duì)裂縫的干擾。此外還有基于模糊邏輯和全局優(yōu)化的裂縫識(shí)別方法。

綜上研究所述，算法多種多樣，但是要準(zhǔn)確識(shí)別完整的裂縫圖像將存在巨大困難，因?yàn)槁访媲闆r多種多樣，存在路面紋理、光照、陰影和油污等多種干擾因素。

常見的裂縫識(shí)別算法有閾值控制、邊緣檢測(cè)和區(qū)域增長(zhǎng)，利用性能較好的區(qū)域增長(zhǎng)法與本文算法進(jìn)行對(duì)比。利用區(qū)域合并方法分割裂縫信息得圖1（c），形態(tài)學(xué)膨脹顯示得圖1（e），利用本文算法得裂縫識(shí)別結(jié)果為圖1（d），形態(tài)學(xué)膨脹顯示得圖1（f）。從圖1中可以看出，圖（f）的識(shí)別效果更好，尤其是細(xì)部裂縫部分，具有更好的連續(xù)性，識(shí)別出的整個(gè)裂縫與周邊環(huán)境像素的鄰元差非常明顯，無論是線性特征還是寬度范圍都與原圖非常接近，周邊的離散噪聲基本消失，這是SVM高識(shí)別能力的體現(xiàn)。除此以外，本文算法分類識(shí)別的效率較高見表2，顯示了跨尺度裂縫識(shí)別在效率上的優(yōu)勢(shì)。區(qū)域增長(zhǎng)法的分割結(jié)果噪聲很多，裂縫不夠突出，過分割現(xiàn)象嚴(yán)重（如圖e），并且所需時(shí)間較多（見表2）。這是由于區(qū)域增長(zhǎng)法大多建立在全局特性上，且一般所有的像素都需要被搜索，增加了區(qū)域生長(zhǎng)的復(fù)雜度，且分割結(jié)果的建立還需要建立一定的模型或者加入一些先驗(yàn)知識(shí)，造成欠分割或者過分割問題[2]。

從表2中數(shù)據(jù)分析可以知道，區(qū)域增長(zhǎng)識(shí)別出的噪聲數(shù)量為290320個(gè)，與裂縫數(shù)量相比，減少了69882個(gè)；本文研究的算法所得到的裂縫長(zhǎng)寬比約為區(qū)域長(zhǎng)的一半，這表明本文采用的算法識(shí)別的裂縫寬度更明顯。本文研究的算法識(shí)別更加精準(zhǔn)，針對(duì)同一幅圖像，消耗時(shí)間雖然尚未達(dá)到區(qū)域增長(zhǎng)法的二分之一，但識(shí)別的精準(zhǔn)度非常高。由此可證，跨尺度影像模型能夠從點(diǎn)、線、面三個(gè)維度來表現(xiàn)裂縫的長(zhǎng)寬比，并且可以有效降低裂縫檢測(cè)時(shí)間復(fù)雜度，防止影像噪聲干擾檢測(cè)結(jié)果；另外，也能實(shí)現(xiàn)從繁雜路面背景中檢測(cè)出肉眼無法識(shí)別的裂縫，并且不失連續(xù)性，識(shí)別精度得到了有效提高。

2 結(jié)語

壩面破損影像由于受到各種不可控的外界干擾因素的影響，由于裂縫的分布程度非常復(fù)雜，無形中增加了破損檢測(cè)的難度。本文的研究基于效率以及對(duì)別的效果兩方面出發(fā)，基于SVM模式識(shí)別二分類理論提出錄用1Vm的道路裂縫影像跨尺度識(shí)別分類策略。①該算法是一種最新方法，算法簡(jiǎn)單，分類精度很高。②該方法對(duì)樣本進(jìn)行訓(xùn)練之后，才用特征構(gòu)造方法自動(dòng)解譯對(duì)尺度的主觀需求，將1Vm分類尺度聯(lián)系在一起。③該方法在面向?qū)ο蟮姆诸惙绞街校梢宰罡咝实睦枚喑叨刃畔?，在高分辨率以及中高分辨率影像處理過程中可以實(shí)現(xiàn)很高的分類精度。④對(duì)幾何尺寸不相同的粗、細(xì)兩種裂縫，分別創(chuàng)建與之對(duì)應(yīng)的尺度影像。⑤針對(duì)不同的裂縫目標(biāo)完成尺度影響組合。通過SVM二分類法去除游離噪聲，進(jìn)而對(duì)裂縫進(jìn)行識(shí)別。利用具有裂縫的壩面進(jìn)行實(shí)驗(yàn)，在存在諸多影響因素的惡劣環(huán)境下，算例結(jié)果顯示，本文所提及算法簡(jiǎn)單方便，可以快速識(shí)別裂縫并且具有很高的精度。⑥算例結(jié)果顯示跨尺度方法與單一尺度分類相比，可以更加準(zhǔn)確地區(qū)分地物，分類精度明顯提高。⑦與相同像元值離散噪聲相比，裂縫的線性分布是連續(xù)的，在后續(xù)的研究中，研究者應(yīng)當(dāng)結(jié)合紋理特征對(duì)裂縫特征進(jìn)行更全面識(shí)別與分析。

參考文獻(xiàn)：

[1]彭博，陳成.基于各向異性測(cè)度的路面三維圖像裂縫識(shí)別[J].西南交通大學(xué)學(xué)報(bào)，2014，49（5）：0258-2724.

[2]沈照慶，彭余華，舒寧. 一種基于SVM的路面影像損傷跨尺度識(shí)別方法[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2013（08）：993-997.

[3]王剛，肖亮.脊小波變換域模糊自適應(yīng)圖像增強(qiáng)算法[J].光學(xué)學(xué)報(bào)，2007，27（7）：0253-2239.

[4]李清泉，劉向龍.路面裂縫影像幾何特征提取算法[J].2007，2（7）：1673-7180.