付理想，劉 奇，邸昊田，張曉宇，于 斌，孟祥成

（1.江蘇省瑞沃建設(shè)有限公司，江蘇 高郵 225600；2.東南大學(xué) 交通學(xué)院，江蘇 南京 211189）

引言

傳統(tǒng)的人工或半機(jī)械化的瀝青路面檢測方法主觀因素大、檢測效率低、受制于環(huán)境因素，重復(fù)性較差，不利于道路現(xiàn)代化管理。因此，為了及時、高效、準(zhǔn)確地評價路面狀況，需要開發(fā)半自動化或自動化的路面檢測方法。

數(shù)字圖像處理技術(shù)作為瀝青路面裂縫識別的核心，關(guān)乎裂縫信息提取的準(zhǔn)確性。為了消除背景不均勻光照及陰影的影響，董靜薇等［1］提出了采用同態(tài)濾波的方法，但該算法對噪聲復(fù)雜的路面圖像處理效果不佳。此外，圖像在采集、傳輸及存儲的過程中不可避免地引入各種噪聲，增加了裂縫目標(biāo)提取的難度。中值濾波作為非線性處理方法，其降噪效果較為明顯，尤其針對椒鹽噪聲，但對于多種噪聲的處理效果較差［2］。易春菊［3］提出了多結(jié)構(gòu)的中值濾波算法，從水平、45°、垂直、-45°方向?qū)D像進(jìn)行中值濾波處理，但平滑后的像素鄰域內(nèi)仍然存在孤點(diǎn)噪聲。為了去除油污等具有一定紋理特征的噪聲，王婷婷［4］采用連通域的幾何特征。形態(tài)學(xué)處理方法也被用于裂縫圖像降噪處理［5］。在頻率域方面，采用小波分解將裂縫圖像分為不同頻率的子帶，并對不同頻率的子帶進(jìn)行處理，以達(dá)到降噪的目的［6-8］，還可以根據(jù)子塊圖像直方圖的重疊部分來均衡化圖像以增強(qiáng)處理［9］?；谥鲃由L的裂縫斷裂連接方法采用最簡單的3×3結(jié)構(gòu)元素進(jìn)行兩次迭代連接即可實(shí)現(xiàn)裂縫連接［10］。通過將神經(jīng)網(wǎng)絡(luò)分類模型引入到道路圖像的識別，通過訓(xùn)練集訓(xùn)練模型，使用模型對測試集進(jìn)行分類，準(zhǔn)確率較高［11］。

1 圖像預(yù)處理

1.1 圖像勻光處理

根據(jù)Mask勻光法的疊加原理［12］，對裂縫圖像進(jìn)行拆分并進(jìn)行模型描述。

式中：F'（x，y）m×n，x（0，m），y（0，n）—光照不均勻圖像；F（x，y）—獲取的勻光圖像，B（x，y）背景圖像。

根據(jù)Mask勻光法基本原理求背景矩陣，然后用原灰度矩陣F'減去背景矩陣G，得到矩陣K'，將矩陣K'中＜0的元素置為0，之后再將矩陣中各元素乘以拉伸系數(shù)k，得到灰度矩陣F（x，y），即進(jìn)行灰度校正后的瀝青路面灰度圖像。

針對圖像橫向光照不均勻的特性，采用基于改進(jìn)的Mask勻光算法實(shí)現(xiàn)圖像的光照均勻，見圖1。

圖1 原圖像與勻光后圖像及其直方圖對比

勻光前圖像宏觀表現(xiàn)為左暗右亮分布，不均勻性明顯，勻光后圖像表現(xiàn)亮度更均勻。對比勻光前后圖像矩陣的灰度值，見圖2。

圖2 勻光前后橫斷面方向路面灰度值對比

勻光后圖像的灰度值波動較為集中，像素的灰度值標(biāo)準(zhǔn)差由26.26降低至20.65，下降了27.2%，但仍然存在一些較大的灰度值，可能是孤點(diǎn)噪聲或者路面的紋理噪聲，因此，需要進(jìn)行降噪濾波處理。

1.2 圖像濾波

結(jié)合維納濾波與中值濾波的特點(diǎn)，提出針對混合噪聲的濾波算法，由于中值濾波對椒鹽噪聲有較好地濾除效果，采用中值濾波去除椒鹽噪聲，而對高斯噪聲則采用濾除高斯噪聲較好地均值濾波。

（1）采用3×3的濾波模板，首先用濾波器中心與需濾波的像素點(diǎn)重合，然后將鄰域內(nèi)灰度值從小到大排列，即a1,a2,a3,a4,a5,a6,a7,a8,a9,am表示鄰域內(nèi)像素的灰度均值。（2）判斷濾波器中心處像素灰度值，若中心點(diǎn)灰度值為a1或a9，則把濾波器的中值a5作為該點(diǎn)的灰度值；若中心點(diǎn)灰度值在區(qū)間（a1,am）內(nèi)，則判斷該像素不是噪聲點(diǎn)，不對其進(jìn)行濾波處理；若中心點(diǎn)灰度值在區(qū)間（am,a9）內(nèi)，則判斷為高斯噪聲點(diǎn)，把a(bǔ)3～a7的平均值作為該點(diǎn)的灰度值。（3）待濾波模板對所有像素重復(fù)前兩步后，圖像濾波結(jié)束，輸出濾波后的圖像。

對原瀝青路面圖像添加均值為0，方差為0.05的高斯噪聲和密度為0.01的椒鹽噪聲，并計(jì)算添加噪聲后圖像矩陣的均值和標(biāo)準(zhǔn)差，其次分別進(jìn)行算術(shù)均值濾波、中值濾波及改進(jìn)的均值-中值濾波，并計(jì)算濾波后圖像矩陣的均值和標(biāo)準(zhǔn)差，然后采用方差法對比均值與標(biāo)準(zhǔn)差的比值，見表1。

表1 三種方法濾波后均值與標(biāo)準(zhǔn)差對比

根據(jù)表1，三種濾波后圖像矩陣的均值大致相等，中值濾波與算術(shù)平均值濾波后的圖像矩陣標(biāo)準(zhǔn)差也大致相等，而采用改進(jìn)的均值-中值濾波法得到的圖像矩陣的標(biāo)準(zhǔn)差為13.202 2，比前兩種方法最大降低了51%，表明改進(jìn)的濾波算法能有效降低圖像的高斯與椒鹽噪聲。

1.3 圖像增強(qiáng)

為了突出裂縫信息，需要通過弱化背景信息以增強(qiáng)圖像對比度，從而達(dá)到分割圖像的目的。瀝青路面裂縫圖像中高頻信息一般是小區(qū)域內(nèi)灰度值變化較大的部分，如裂縫邊緣、孤立噪聲點(diǎn)等，而低頻信息一般是背景部分。采用小波對瀝青路面裂縫圖像進(jìn)行濾波分解，弱化背景增強(qiáng)細(xì)節(jié)部分，最后進(jìn)行重構(gòu)。

（1）采用母小波函數(shù)sym4對瀝青裂縫圖像矩陣在第2層進(jìn)行離散小波分解，得到分解系數(shù)矩陣C和相應(yīng)的分解系數(shù)的長度矢量矩陣S，分解系數(shù)矩陣C=［A（2）|H（2）|V（2）|D（2）|H（1）|V（1）|D（1）］，其中A（2）為第2層的低頻系數(shù)，H（2）|V（2）|D（2）分別代表第2層的水平高頻系數(shù)、垂直高頻系數(shù)及對角高頻系數(shù)，H（1）|V（1）|D（1）依次類推；（2）對得到的分解系數(shù)矩陣中的高頻系數(shù)進(jìn)行增強(qiáng)，低頻系數(shù)弱化，以達(dá)到去除低頻部分即背景的目的；（3）采用同樣的母小波函數(shù)sym4對增強(qiáng)后的高頻系數(shù)，弱化后的低頻系數(shù)進(jìn)行小波重構(gòu)，得到增強(qiáng)后的瀝青路面裂縫圖像；（4）使用圓盤形結(jié)構(gòu)元素對增強(qiáng)后的裂縫圖像進(jìn)行閉運(yùn)算。

圖像增強(qiáng)無法有效去除背景中的紋理噪聲，經(jīng)過小波變換后，瀝青路面裂縫輪廓清晰可見，基本實(shí)現(xiàn)了裂縫與背景分離，見圖3，但過多的背景噪聲無法繼續(xù)進(jìn)行裂縫類型分類，因此，需要進(jìn)一步的處理。與原圖相比，在裂縫信息增強(qiáng)的過程中，由于參數(shù)的調(diào)試，可能的裂縫區(qū)域信息被弱化，導(dǎo)致裂縫出現(xiàn)斷裂（紅色區(qū)域），使得得到的裂縫并非完全形式的裂縫。

圖3 基于小波變換增強(qiáng)后的裂縫圖像

1.4 去連通域

為了去除與裂縫區(qū)別明顯的紋理噪聲，且不影響裂縫信息的完整性，采用標(biāo)記連通域的方法，去除具有一定特征的紋理噪聲連通域，保留裂縫連通域。（1）圖像中的像素子集用R表示，若像素點(diǎn)r和l在R內(nèi)，可以通過其他像素點(diǎn)將r和l連接到一起，則像素點(diǎn)r和l是連通的。（2）對于R中任何像素r，R中連通到該像素的集合稱為R的連通分量。該方法和區(qū)域生長具有類似性。遍歷圖像中的所有像素點(diǎn)，標(biāo)記連通域，每個連通域的像素個數(shù)記為s，去除s＜T的連通域，可以去除大部分的紋理噪聲。

小波變換后的圖像基本上實(shí)現(xiàn)了裂縫目標(biāo)與背景的分離，但仍需進(jìn)一步的分割處理。通過連通域操作，將裂縫從背景圖像中分離，見圖4。此外，由于裂縫區(qū)域灰度值變化較大，去除噪聲的同時也去除了屬于裂縫的小部分區(qū)域，因此，進(jìn)一步出現(xiàn)了裂縫斷裂，同時閉運(yùn)算并沒有把斷裂的裂縫連接起來，但裂縫的特征明顯，足以進(jìn)行分類。

圖4 去連通域后的路面裂縫二值圖像

2 SVM決策樹模型

支持向量機(jī)（Support Vector Machine）是分類與回歸分析中分析數(shù)據(jù)的監(jiān)督式學(xué)習(xí)模型與相關(guān)的學(xué)習(xí)算法。SVM在解決非線性、小樣本、高維數(shù)的問題上有較大優(yōu)勢，基于識別精度與計(jì)算量的考慮，采用SVM作為瀝青路面裂縫圖像的分類器。《公路技術(shù)狀況評定標(biāo)準(zhǔn)》（JTG 5210—2018）［13］把路面裂縫分為橫向裂縫、縱向裂縫、龜裂和塊狀裂縫，其中橫縱裂縫具有明顯的走向，將其歸為規(guī)則裂縫，龜裂與塊狀裂縫走向不規(guī)則，歸為不規(guī)則裂縫。SVM一般只能進(jìn)行單一的二分類，因此，需要決策樹模型進(jìn)行判斷，決策樹的思想是運(yùn)用多級的二分類對多類型進(jìn)行分類，通過多次“一對多”的二分類達(dá)到多分類，即對增強(qiáng)的圖像首先劃分為有裂縫和無裂縫兩個子類，然后對有裂縫的圖像進(jìn)一步劃分成規(guī)則裂縫和不規(guī)則裂縫，對規(guī)則裂縫劃分為橫向裂縫和縱向裂縫，通過二分類使最后的子類中只有一個類別，決策樹模型見圖5。

圖5 SVM決策樹模型

經(jīng)過圖像分割處理獲得了裂縫目標(biāo)，還需要對裂縫進(jìn)行分類以評估道路病害程度。首先通過分析裂縫整體分布情況對裂縫進(jìn)行特征提取；再運(yùn)用SVM決策樹模型對裂縫目標(biāo)進(jìn)行分類。選擇線統(tǒng)計(jì)特征和橫縱向投影特征作為裂縫特征，較好地反映了裂縫整體的特征，便于裂縫的是識別分類。

線統(tǒng)計(jì)特征是指在檢測完之后的裂縫圖像中等間距地用橫線和縱線進(jìn)行切割，統(tǒng)計(jì)直線與裂縫區(qū)域相交的次數(shù)［14］。橫向裂縫與縱直線相交的次數(shù)遠(yuǎn)大于與橫直線相交的次數(shù)，縱向裂縫與之相反，不規(guī)則裂縫與橫、縱直線相交的次數(shù)較為接近；而從橫縱投影看，橫向裂縫垂直投影的波峰數(shù)遠(yuǎn)多于水平投影，縱向裂縫相反，不規(guī)則裂縫則較為相近。

為了訓(xùn)練SVM分類器，決策樹第一步選擇了598張有裂縫圖像和542張無裂縫圖像從中隨機(jī)選擇70%作為訓(xùn)練集，余下作為測試集；第二步在有裂縫的圖像中隨機(jī)選擇100張規(guī)則裂縫和100張不規(guī)則裂縫，從中隨機(jī)選擇70%作為訓(xùn)練集，余下作為測試集；第三步在規(guī)則裂縫中選擇50張橫向裂縫和50張縱向裂縫，從中隨機(jī)選擇70%作為訓(xùn)練集，余下作為測試集。采用父節(jié)點(diǎn)優(yōu)先的原則來構(gòu)造決策樹分類器［15］，首先訓(xùn)練根節(jié)點(diǎn)SVM分類器，再訓(xùn)練子節(jié)點(diǎn)SVM分類器，選取Sigmoid函數(shù)為支持向量機(jī)核函數(shù)。訓(xùn)練后的分類器對測試集的分類結(jié)果見表2。

表2 SVM分類結(jié)果

2.1 橫向裂縫

橫向裂縫及其水平垂直投影見圖6、圖7。

圖6 橫向裂縫

圖7 橫向裂縫水平垂直投影

2.2 縱向裂縫

縱向裂縫及其水平垂直投影見圖8、圖9。

圖8 縱向裂縫

圖9 縱向裂縫水平垂直投影

2.3 不規(guī)則裂縫

不規(guī)則裂縫及其水平垂直投影見圖10、圖11。

圖10 不規(guī)則裂縫

圖11 不規(guī)則裂縫水平垂直投影

3 結(jié)語

（1）基于改進(jìn)的勻光算法實(shí)現(xiàn)了路面圖像的光照均勻性，橫向灰度值標(biāo)準(zhǔn)差降低了27.2%；（2）基 于改進(jìn)的均值-中值濾波方法能夠有效地濾除高斯和椒鹽噪聲，濾波后圖像灰度值標(biāo)準(zhǔn)差最大降低了51%，連通域操作并不能連接所有的斷裂裂縫；（3）支 持向量機(jī)方法在有無裂縫的分類中識別精度達(dá)到94.41%和94.47%，在裂縫規(guī)則性分類中，識別精度達(dá)90%和93.3%，在橫縱裂縫的分類中識別精度達(dá)93.30%，總體識別精度滿足標(biāo)準(zhǔn)要求的90%。