吳應(yīng)永，高曉蓉，楊 陽，尹紫紅

(1.浙江郵電職業(yè)技術(shù)學(xué)院 通信技術(shù)咨詢院，杭州 310000；2.西南交通大學(xué) 物理科學(xué)與技術(shù)學(xué)院 光電工程研究所，成都 610031；3.中國移動通信集團(tuán)浙江有限公司 杭州分公司，杭州 310000；4.西南交通大學(xué) 土木工程學(xué)院 道路與鐵道工程系，成都 610031)

由于高速鐵路無砟軌道板在國內(nèi)的應(yīng)用時間不長，所以在檢測其疾病(缺陷)方面仍然缺乏經(jīng)驗，通過系統(tǒng)地對比分析高速鐵路無砟軌道板的結(jié)構(gòu)[1]、主要病害類型及其原因[2]，以及對應(yīng)無損檢測方法的優(yōu)缺點[3]，說明了探地雷達(dá)方法是一種很好的檢測無砟軌道板的方法，實際探測也證明了該方法的有效性。但是，由于目前探地雷達(dá)病害(缺陷)圖像的鋼筋自動檢測識別功能有限，故基于探地雷達(dá)病害(缺陷)圖像，進(jìn)行了鋼筋自動檢測識別技術(shù)研究，為之后的病害(缺陷)工作奠定了良好的基礎(chǔ)。

筆者通過改進(jìn)尺度不變特征變換(SIFT)算法和模板匹配算法，使其適用于高速鐵路無砟軌道板探地雷達(dá)的病害(缺陷)圖像，實現(xiàn)了鋼筋自動檢測識別和計數(shù)判斷功能，節(jié)省了人力物力。

1 基本原理

1.1 SIFT算法概述

1.1.1 SIFT算法的基本原理

產(chǎn)生SIFT圖像特征的主要計算步驟如下所述[4]。

(1) 尺度空間極值檢測：搜索圖像的所有尺度空間，使用高斯差分尺度空間DOG(Difference of Gaussian) 來檢測尺度空間的極值點。

(2) 精確定位關(guān)鍵點：準(zhǔn)確計算每個候選點的位置和尺度。

(3) 關(guān)鍵點指定方向：為每個關(guān)鍵點分配方向，將圖像數(shù)據(jù)操作轉(zhuǎn)換為特征點尺度操作。

(4) 特征點描述子的生成：梯度統(tǒng)計當(dāng)前關(guān)鍵點周圍的尺度區(qū)域，形成特征點描述子。

1.1.2 SIFT算法存在的問題

SIFT算法仍有些許問題需要改進(jìn)：首先，提取的特征不是人眼的焦點，特征點被大量檢測，導(dǎo)致信息冗余，影響后續(xù)的匹配速度和準(zhǔn)確性；其次，特征向量的生成維數(shù)高，計算量大，影響實時性，難以應(yīng)用于實時性要求較高的系統(tǒng)，如基于雙目立體視覺的實時跟蹤系統(tǒng)[5]。盡管已有不斷提出的改進(jìn)算法，以求在一定程度上提高實時性能，但仍然沒有達(dá)到預(yù)期的效果。

1.2 無砟軌道板鋼筋自動檢測原理

設(shè)計實現(xiàn)的無砟軌道板鋼筋自動檢測算法基于探地雷達(dá)圖像，采用SIFT改進(jìn)算法和模板匹配的方法實現(xiàn)了鋼筋自動檢測識別和數(shù)目計數(shù)的判斷功能，通過去除錯誤和重復(fù)匹配點，提高了檢測的精度，減少了算法的復(fù)雜度以及運行時間和內(nèi)存占用率。

1.2.1 圖像預(yù)處理

所采用的圖像預(yù)處理方法流程如圖1所示。

圖1 圖像預(yù)處理流程圖

采用累積分布函數(shù)CDF (Cumulative Distribution Function)，此時的直方圖均衡化映射函數(shù)如式(1)所示。

gk=EQ(fk)=(ni/n)=Pf(fi)，

k=0, 1, 2, …,L-1

(1)

式中：EQ為映射函數(shù)；L為圖像的灰度等級;求和間隔為0～k。

根據(jù)式(1)，可由原圖各像素灰度值得到直方圖均衡化后各像素的灰度值。

中值濾波：數(shù)字圖像中一點的值被該點鄰域中的其他點的中值替換，使得周圍的像素值接近真實值，從而消除了孤立的噪聲點。二維中值濾波輸出如式(2)所示。

g(x,y)=med{f(x-k,y-l),(k,l∈W)}

(2)

式中：f(x,y)，g(x,y)分別為原始圖像和處理后的圖像；W為二維模板，通常為3×3，5×5區(qū)域;l為縱向平移量。

全局二值化：設(shè)置全局閾值T，并使用T將圖像數(shù)據(jù)分為兩部分，大于T的像素群和小于T的像素群。將大于T的像素組的像素值設(shè)置為白色(或黑色)，并且將小于T的像素組的像素值設(shè)置為黑色(或白色)，從背景和噪聲中凸顯出目標(biāo)物體。

Sobel邊緣銳化：圖像的每一個像素的橫向及縱向灰度值通過式(3)來計算該點灰度的大小。

(3)

式中：Gx為像素點的橫向灰度值；Gy為像素點的縱向灰度值。

如果梯度G大于某一閾值，則認(rèn)為該點(x,y)為邊緣點。

Canny邊緣檢測過程如下所述。

(1) 圖像邊緣檢測必須滿足兩個條件：一是能有效地抑制噪聲；其次，必須盡可能準(zhǔn)確地確定邊緣的位置。

(2) 根據(jù)信噪比和定位乘積的測量，得到最佳逼近算子，這就是Canny邊緣檢測算子。

(3) 與Marr(LoG，高斯拉普拉斯)邊緣檢測方法類似，其也是一種在平滑后再獲得導(dǎo)數(shù)的方法。

提取模板圖像：采用邊緣像素分割法即可實現(xiàn)。

1.2.2 SIFT提取特征點

基于LOWE提出的SIFT算法，采用歐氏距離確定匹配特征點，定義如式(4)所示。

d(loc1,loc2)={[loc1(i,1)-loc2(i,1)]2+

[loc1(i,2)-loc2(i,2)]2}1/2，

i=1, 2, …,n

(4)

式中：loc1(i,1)和loc1(i,2)分別為點1的x和y的坐標(biāo)值；loc2(i,1)和loc2(i,2)分別為點2的x和y的坐標(biāo)值。

閾值參數(shù)為dR，范圍為[0,1]，定義如式(5)所示。

(5)

式中：d12(loc1,loc2)為點1，2之間的歐氏距離；d13(loc1,loc3)為點1，3之間的歐氏距離。

1.2.3 模板匹配

待測圖像和模板圖像進(jìn)行配準(zhǔn)，找到最佳匹配位置，計算兩幅圖像的SSD(平方差總和)與NCC(歸一化互相關(guān))，來獲得鋼筋部位并標(biāo)記顯示。SSD和NCC定義如式(6)和(7)所示。

(6)

(7)

式中：x0和y0分別為最佳匹配位置的橫縱坐標(biāo)；g(x,y)和f(x,y)分別為待測圖像和模板圖像；F(u,v)實現(xiàn)f(x,y)的頻域平移；M，N為模板圖像的長度和寬度;G*(u,v)為待測圖像g(x,y)的頻域平移特解;u,v分別為頻域里的自變量和因變量。

(8)

1.2.4 鋼筋計數(shù)

將Canny邊緣檢測過后的圖像用于鋼筋數(shù)目的計數(shù)和判斷。采用連通性分析法中的Seed Filling(種子填充法)。

選擇前景像素作為種子，然后根據(jù)連通區(qū)域的兩個基本條件將與種子相鄰的前景像素合并到同一像素集中(像素值相同且位置相鄰)。然后，得到的像素組是連接區(qū)域。

基于種子填充方法的連通區(qū)域分析方法如下所述。

(1) 掃描圖像，直到當(dāng)前像素點A(x,y)=1。

(a)A(x,y)作為種子(像素位置)，并給其一個標(biāo)簽，然后將與種子相鄰的所有前景像素推入堆棧。

(b) 彈出堆棧的頂部像素，給其相同的標(biāo)簽，然后將堆棧頂部像素附近的所有前景像素推到堆棧上。

(c) 重復(fù)步驟(b)，直到棧為空。

此時，找到圖像A中的連接區(qū)域，并將該區(qū)域中的像素值標(biāo)記為標(biāo)簽。

(2) 重復(fù)第(1)步，直到掃描結(jié)束。

掃描結(jié)束后，可以得到圖像A中的所有連接區(qū)域。

圖2為種子填充算法的標(biāo)記結(jié)果，標(biāo)記為“1”的為一個連通區(qū)域，標(biāo)記為“2”的為另外一個連通區(qū)域。

圖2 種子填充算法的標(biāo)記結(jié)果

2 試驗結(jié)果與分析

2.1 仿真圖像

采用的無砟軌道板探地雷達(dá)圖像由仿真軟件產(chǎn)生。仿真的無砟軌道板為CRTS I型P4962，尺寸為4 962 mm×2 400 mm×200 mm(長×寬×高)，表層預(yù)留100 mm厚的空氣作為實際探地雷達(dá)探頭與無砟軌道板接觸時的間隙?？v向排布16根直徑為13 mm的鋼筋，并從左至右加入不同性質(zhì)、不同形狀的病害(缺陷)，病害(缺陷)類型尺寸如表1所示。

根據(jù)表1設(shè)置的病害(缺陷)類型、大小和位置，仿真的無砟軌道板模型如圖3所示。

表1 病害(缺陷)類型尺寸

圖3 無砟軌道板病害(缺陷)仿真模型

2.2 圖像預(yù)處理

按照前文所述圖像預(yù)處理的基本原理和流程，對仿真軟件獲得的無砟軌道板探地雷達(dá)仿真圖像進(jìn)行處理，直方圖均衡化結(jié)果如圖4所示。

圖4 直方圖均衡化結(jié)果

圖4顯示的直方圖均衡化處理后的探地雷達(dá)圖像中，表面直達(dá)波、鋼筋反射波以及背景雜波的對比更加明顯。中值濾波結(jié)果如圖5所示，可見，采用4×4窗口中值濾波處理后的探地雷達(dá)圖像中，背景雜波以及噪聲可被有效去除。

圖5 中值濾波結(jié)果

原圖及全局二值化結(jié)果如圖6所示，可見，采用閾值為0.5的全局二值化處理后的探地雷達(dá)圖像中，鋼筋反射波可被大部分保留，其余大部分被剔除。

圖6 全局二值化結(jié)果

原圖及圖像分割結(jié)果如圖7所示，圖7(b)為采用圖像分割技術(shù)獲得的單獨鋼筋反射波圖像。

圖7 原圖及圖像分割結(jié)果

原圖及Sobel邊緣銳化結(jié)果如圖8所示，圖8(b)中使用Sobel算子銳化鋼筋反射波圖像的邊緣。

圖8 原圖及Sobel邊緣銳化結(jié)果

圖9 原圖及Canny邊緣檢測結(jié)果

圖10 原圖及提取的模板圖像

2.3 改進(jìn)SIFT提取特征點

使用LOWE提出的SIFT算法初步建立和提取特征點，并通過位置信息判斷去除重復(fù)和錯誤匹配的特征點，獲得最終的可靠特征點，結(jié)果如圖11所示。

圖11 改進(jìn)SIFT提取特征點結(jié)果

由圖11分析可得，通過改進(jìn)SIFT算法，可于待測圖像建立146個特征點，于模板圖像建立4個特征點，初步獲得30個匹配特征點，通過位置信息判斷去除了3個重復(fù)匹配特征點，最終獲得27個匹配特征點。

2.4 模板匹配

通過模板匹配法可獲得最佳匹配位置并進(jìn)行標(biāo)記，以及SSD和NCC參數(shù)，模板匹配結(jié)果如圖12所示。

圖12 模板匹配結(jié)果

由圖12可知：通過模板匹配法可首先定位最佳匹配位置并進(jìn)行紅星標(biāo)記顯示，其次通過NCC和SSD的顯示，可直觀判斷波紋交叉點(SSD值越接近0，NCC值越接近1)所在位置極有可能是鋼筋所在位置區(qū)域。

2.5 鋼筋計數(shù)

通過矩陣的行以及連通性分析法即可獲得鋼筋的準(zhǔn)確數(shù)目。試驗結(jié)果如圖13～15所示。

圖13 待測原始圖

由圖13～15分析可得，對圖13做矩陣求行和，可得結(jié)果如圖14所示，為了便于連通性分析，對圖14中的縱坐標(biāo)在區(qū)間[0, 2]內(nèi)做規(guī)約可得如圖15所示結(jié)果，通過連通性分析可準(zhǔn)確獲得待測原始圖的鋼筋數(shù)目為16根，加之模板匹配法獲得的輔助判斷信息，可更加肯定該方法的可行性和正確性。

圖14 待測圖像矩陣行和結(jié)果圖

圖15 用于連通性分析圖

3 結(jié)語

通過對仿真軟件獲得的無砟軌道板探地雷達(dá)仿真圖像進(jìn)行圖像處理，改進(jìn)SIFT算法，去除重復(fù)和錯誤匹配點從而獲得較好的匹配特征點，加之模板匹配的方法，最終實現(xiàn)了鋼筋的計數(shù)判斷。文中算法是無砟軌道板探地雷達(dá)圖像處理領(lǐng)域的一種探索和嘗試，后期可在無砟軌道板探地雷達(dá)圖像病害(缺陷)自動檢測和算法的實際圖像適用性方面進(jìn)一步研究。