魏永杰，葛婷婷，張中岐，馬寶強，車進超

(河北工業(yè)大學(xué) 機械工程學(xué)院，天津 300130)

引言

建筑物的破壞往往是從裂縫開始的，各種原因產(chǎn)生的裂縫影響結(jié)構(gòu)的正常使用、耐久性和安全性。對裂縫進行長期的監(jiān)測可以及時掌握建筑物裂縫變化的情況和規(guī)律，為建筑物的質(zhì)量檢測提供依據(jù)?；趫D像法的裂縫檢測方法在該領(lǐng)域得到了廣泛應(yīng)用[1]。

裂縫的圖像檢測方法是典型的邊界提取算法。為了從圖像中提取邊緣，通常會使用到邊緣檢測算子[2]，如Sobel算子、prewitt算子、log算子、Roberts算子和Laplacian算子等。其中Sobel算子并沒有將圖像的主題與背景嚴格地區(qū)分開來，沒有基于圖像灰度進行處理，所以提取的圖像輪廓有時并不能令人滿意；在現(xiàn)場測量距離遠、鏡頭焦距長的情況下，裂縫所處環(huán)境比較復(fù)雜，背景和光照信息多樣，實際場景的圖像包含的數(shù)據(jù)是不連續(xù)和模糊的，常用邊緣檢測方法對圖像的復(fù)雜程度估計不夠，難以滿足工程應(yīng)用的需求，結(jié)果往往不能令人滿意。因此，研究如何消除噪聲的邊緣提取算法是目前的一個熱點問題。

目前，在常用的裂縫檢測算法中[3]，最為著名的是Otsu算法，它能夠應(yīng)用于多種邊緣檢測算子，可有效降低噪聲的影響[4]。HA算法是較早提出的一種方法，有效地解決了裂縫節(jié)點識別困難、缺陷處理量小等常規(guī)方法不能解決的問題[5]。采用基于小波變換的裂縫檢測方法，可將圖像變換到不同方向的子帶進行裂縫提取[6]。將形態(tài)學(xué)方法用于裂縫檢測，可通過中值濾波、灰度形態(tài)算子等邊緣檢測算法檢測具有較高對比度的裂縫[7]?？紤]到光照等周圍環(huán)境對圖像造成的劇烈影響，有人提出了基于自適應(yīng)模糊的局部區(qū)域圖像增強算法[8]。此外，由于二維影像平面處理，沒有充分考慮裂縫所處的物方三維空間，很難建立精確的數(shù)學(xué)模型，導(dǎo)致計算的裂縫尺寸具有較大的誤差[9]，因此有人將二維圖像轉(zhuǎn)化到三維空間進行測量[10]，除對平面圖像進行處理外，用雙目立體視覺模型測量裂縫的空間尺寸，彌補了二維建模和測量精度的缺陷[11]，但在光線條件較差時容易導(dǎo)致匹配和計算精度下降[12]。

常用常規(guī)圖像法提取裂縫，識別位置和尺寸信息比較困難。因此，基于圖像形態(tài)學(xué)的基本原理，提出累積梯度算法，用于裂縫的圖像識別。

1 原理

對于建筑物的各種裂縫，在有光照情況下表現(xiàn)為暗線條，以灰度圖像表示，為較小的灰度值。如果背景為均勻且噪聲小的高灰度值，則可通過設(shè)定域值，將圖像直接轉(zhuǎn)化為二值化圖像，得到裂縫信息。而在多數(shù)情況下，裂縫所處背景復(fù)雜，尤其是在建筑物上，由于材料及建造工藝等因素影響，使得根本無法得到裂縫缺陷信息。圖1是采集到的含有裂縫的建筑物原始圖片及處理結(jié)果。其中圖1(a)是原始圖片，該雕塑上面有一條清晰裂縫。圖1(b)是經(jīng)直方圖均衡化的結(jié)果，可見該圖片光照不均均，左側(cè)光強，右側(cè)光弱，但即便是在右側(cè)光照非常差的范圍內(nèi)，人眼也能夠觀察到裂縫。圖中花崗巖的紋理非常明顯，且有許多斑點，這些對檢測結(jié)果都會產(chǎn)生影響。圖2是采用Otsu算法處理的結(jié)果。該結(jié)果不能提取到所有的裂縫區(qū)域。

圖1 含有裂縫的圖像Fig.1 Image with crack

圖2 Otsu算法處理結(jié)果Fig.2 Result with Otsu

圖3是分別采用6種邊緣檢測算子檢測的結(jié)果。圖3中所采用的邊緣檢測算子對于標(biāo)準圖像均可得到較好效果，但對于圖1的實驗照片只可見到一條模糊邊界，如圖3(a)、(b)所示，這條裂縫在右側(cè)暗區(qū)是觀察不到的，且這些算子得到的圖像含有大量孤立噪聲點。對比圖1(b)，圖3中的6幅圖像右側(cè)均為零值，與圖1中光照較差有關(guān)。由圖3結(jié)果可見，這些算子均不能滿足圖1的檢測要求。

圖3 常用邊緣算子檢測結(jié)果Fig.3 Results by commonly used edge detection operators

為解決上述問題，在對原始圖像濾波的基礎(chǔ)上，首先采用自適應(yīng)二值化方法得到裂縫的邊緣信息[13]。該算法是基于每個像素點選取不同的域值來達到二值化目的。它是通過計算像素點周圍的一個小區(qū)域內(nèi)進行加權(quán)平均，然后減去一個常數(shù)來得到自適應(yīng)閾值[14]。即:

(1)

式中：Ti表示第i個像素點的域值；Gmn表示第i點周圍[-b,b]×[-b,b]的區(qū)域內(nèi)各點的像素值。(1)式中右側(cè)第一項表示加權(quán)平均，可采用平均加權(quán)方法或高斯加權(quán)方法。C為選定的常數(shù)，該參數(shù)根據(jù)圖像對比度及光照均勻程度選取。本文的裂縫為低灰度值，應(yīng)選擇較小的C值，得到處理后的裂縫比實際裂縫寬，以便于后續(xù)處理。

在(1)式處理后的二值化圖像中可觀察到明顯的裂縫形狀，但該圖像仍含有大量噪聲，不能滿足計算機處理的要求。為此，基于計算機圖像形態(tài)學(xué)和OpenCV計算機視覺庫[15]，對結(jié)果進行進一步處理。

二值化后裂縫的灰度值為0，通過圖像形態(tài)學(xué)的腐蝕操作可將(1)式處理的二值化圖像孤立點連在一起，同時會將灰度值為0的噪聲點范圍擴大，采用比腐蝕窗口稍大的窗口進行一次閉操作可消除噪聲點。

為了進行裂縫識別，需要對形態(tài)學(xué)操作后進行去噪聲、識別和提取。因此，可采用連通域方法，將裂縫和噪聲分別連接為連通區(qū)域，并找到這些連通區(qū)域的邊界。

裂縫特征和噪聲具有不同的連通域特征。裂縫一般為極窄極長的連通域，噪聲區(qū)域為長寬比相差不多的連通域且面積較小，考慮幾何圖形周長和面積的關(guān)系，可去掉二值化圖像中大部分噪聲信號。設(shè)裂縫寬度為b且相差不多，長度為a，周長為l，面積為S，長寬比a∶b=m，則面積和周長的比值k為

(2)

由(2)式可知，對于寬度為定值的裂縫，如果設(shè)定長寬比為m0，則可得到面積和周長平方的比值k0。根據(jù)裂縫的特性，一般長度要比寬度大很多。設(shè)a∶b>m0時為裂縫，則k>k0，反之為噪聲。通過連通域計算，可得到各個連通域的面積S和長度l。根據(jù)上述判據(jù)，可將a∶b≤m0的連通域作為噪聲去除。同時，當(dāng)面積S很小時，對于我們研究裂縫無意義，因此將a∶b>m0且面積很小的連通域也作為噪聲區(qū)域去除，得到裂縫連通域。對于少數(shù)噪聲點也可手動刪除。

經(jīng)過自適應(yīng)二值化和圖像形態(tài)學(xué)操作后的裂縫連通域與原始圖像的裂縫形狀相同但范圍擴大，即裂縫變寬，不能滿足測量需要。為解決上述問題，提出了累積梯度算法。

所謂累積梯度算法，即將二值化和圖像形態(tài)學(xué)操作后的裂縫連通域作為掩模區(qū)域，該區(qū)域比裂縫區(qū)域?qū)?，灰度值為零。對照掩模區(qū)域，將原始圖像灰度值相加，得累積灰度值Gk。對該掩模區(qū)域進行膨脹操作，掩模區(qū)域變小，將對應(yīng)的原始圖像灰度值相加得Gk+1，設(shè)累積灰度差k為

(3)

式中：n、m分別為膨脹前后裂縫連通域模板的像素點數(shù)。對原始圖像依次迭代膨脹；k為最大時即為累積梯度值，第k次膨脹前的原始圖像即為識別出的裂縫圖像。

2 實驗

采用上述方法對圖1(a)圖像進行了處理，結(jié)果如圖4所示。

其中圖4(a)是對原始圖像進行平均濾波后的結(jié)果，采用3×3的均值濾波窗口。圖4(b)是自適應(yīng)二值化的結(jié)果，圖中采用31×31的窗口，考慮到裂縫為低灰度值，取常數(shù)C=4。由圖4(b)可以明顯看出裂縫區(qū)域，但周圍噪聲點很多，且裂縫不連續(xù)。圖4(c)是采用7×7的窗口腐蝕后的結(jié)果，由于裂縫和噪聲區(qū)域表現(xiàn)為低灰度值，與圖4(b)相比，圖4(c)的裂縫變寬，噪聲區(qū)域也加大。為便于后續(xù)尋找連通域和噪聲去除，采用更大些的窗口對圖4(c)的腐蝕圖像進行閉操作，如圖4(d)所示，采用窗口為9×9。經(jīng)閉操作后裂縫連通的區(qū)域沒有被分割，但噪聲區(qū)域變小。有利于尋找連通域邊緣。圖4(e)是找到并進行黑色內(nèi)部填充的裂縫連通域，并根據(jù)周長及面積的關(guān)系式(2)將不符合裂縫特征的噪聲區(qū)域刪除后的結(jié)果。從圖中可以看出，如果噪聲與裂縫區(qū)域相連通，則該噪聲區(qū)域不能自動刪除，可采用手動方法進行刪除。經(jīng)手動刪除后，可作為原始圖像的掩模版圖像，該圖像為二值化圖像，如圖4(f)所示。

圖4 累積梯度算法得到的模板Fig.4 Stencils by accumulated gradients

將圖4(f)所示掩模版作用于原始圖像，即在原始圖像中只將對應(yīng)掩模圖像灰度值為零的部分進行膨脹操作，選取3×3的窗口進行迭代膨脹，原始圖像中累積灰度變化k為最大值時，膨脹前結(jié)果為實際裂縫。圖5為檢測的最終結(jié)果。

圖5 裂縫檢測結(jié)果Fig.5 Crack result

圖5中裂縫連通域為灰度圖，背景以白色表示。圖5與圖4(b)～(e)相比，裂縫區(qū)域要窄，說明經(jīng)自適應(yīng)二值化和圖像形態(tài)學(xué)操作后對于深色裂縫區(qū)域均會加寬。圖6是采用圖4(f)為模版，對原始圖像進行迭代膨脹的灰度差變化曲線，在第7次膨脹時，該值達到最大，即為累積梯度，即第6次迭代膨脹后為圖5的裂縫求解結(jié)果。

圖6 迭代膨脹的灰度差變化曲線Fig.6 Gray difference in iterations

為驗證該方法的有效性，對另外一種復(fù)雜背景條件下的樣品進行了拍攝和處理。如圖7所示。

圖7 樣品的拍攝和處理Fig.7 Sample shooting and processing

由圖7(a)和7(b)的結(jié)果比較可以看出，采用該方法能夠提取得到有裂縫區(qū)域。

3 結(jié)論

在自適應(yīng)二值化和圖像形態(tài)學(xué)的基礎(chǔ)上，采用累積梯度算法，對裂縫連通域進行迭代膨脹運算，并計算膨脹前后的灰度差值。灰度差值最大時即為累積梯度，對應(yīng)裂縫的邊緣信息。采用上述方法可在背景復(fù)雜、光照不均的條件下提取得到裂縫信息，為建筑物的安全性檢測提供預(yù)防手段。