張小偉，包騰飛，高興和

(1.河海大學(xué)水利水電學(xué)院，江蘇 南京 210098；2.河海大學(xué)水文水資源與水利工程科學(xué)國家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210098；3.江蘇省太湖水利規(guī)劃設(shè)計(jì)研究院有限公司，江蘇 南京 210098)

在混凝土壩的運(yùn)行期間，由于壩體需要承受很大的水壓、溫度荷載，以及受到水的沖刷、滲透、侵蝕等原因，導(dǎo)致大壩不可避免地產(chǎn)生裂縫[1]。裂縫的產(chǎn)生會(huì)降低大壩結(jié)構(gòu)的承載能力以及壩體耐久性[2-3]，最終可能導(dǎo)致大壩因結(jié)構(gòu)破壞而失事，因此快速而準(zhǔn)確地發(fā)現(xiàn)混凝土表面裂縫是混凝土壩安全監(jiān)測(cè)中的一項(xiàng)重要任務(wù)。目前，常用的裂縫檢查方法仍是人工檢測(cè)法，即由檢查人員用肉眼來檢查，這種檢測(cè)方式不僅費(fèi)時(shí)費(fèi)力，并且在特高壩高程較高的地方，其檢測(cè)的危險(xiǎn)性大。

隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，以及無人機(jī)的廣泛運(yùn)用，裂縫的檢測(cè)具有一種全新的思路和方法。通過遠(yuǎn)程操控?zé)o人機(jī)來獲取裂縫照片，然后結(jié)合圖像識(shí)別分割算法，就可以自動(dòng)識(shí)別并分割裂縫圖片，進(jìn)一步自動(dòng)提取出裂縫特征數(shù)據(jù)，從而為壩面后期的風(fēng)險(xiǎn)評(píng)價(jià)提供有力的支持。但是由于光照條件、混凝土表面污漬、混凝土氣泡、陰影等原因，通過無人機(jī)拍照得到的裂縫圖片往往存在大量的噪聲污染，傳統(tǒng)的圖像分割算法已不能滿足工程要求。為此，許多學(xué)者提出了去噪優(yōu)化算法，如Fan等[4]通過局部聚類保留存在裂縫的局部區(qū)域，同時(shí)去除存在噪聲的局部區(qū)域，再通過全局聚類計(jì)算分割閾值，雖然聚類算法計(jì)算速度快，適應(yīng)性較強(qiáng)，但隨機(jī)性強(qiáng)，可能導(dǎo)致局部裂縫區(qū)域丟失；Zhao等[5]通過建立一種組合云模型(CMM)來檢測(cè)裂縫邊緣，雖然抗噪性較Robert、Prewitt等邊緣檢測(cè)算子有所提高，但對(duì)混凝土氣泡、陰影等噪聲仍然十分敏感，算法的適應(yīng)性較差；陳波等[6]采用改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)對(duì)裂縫圖片進(jìn)行預(yù)測(cè)分割，雖然抗噪性較好，但全卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中容易陷入局部最優(yōu)，導(dǎo)致算法的適應(yīng)性較差；Noh等[7]運(yùn)用掩膜運(yùn)算以及連通域分析來去除噪聲，算法的適應(yīng)性較強(qiáng)，能針對(duì)不同類型的噪聲設(shè)計(jì)不同的掩膜，但算法的分割結(jié)果中總會(huì)剩余部分噪聲，抗噪性較弱；Tsai等[8]通過連接標(biāo)記的裂縫點(diǎn)來完成裂縫的提取，同時(shí)去除噪聲，但算法需要人工預(yù)先在裂縫路徑上標(biāo)記多個(gè)裂縫點(diǎn)，算法的自動(dòng)化程度低，無法快速處理大量的裂縫圖片。

綜上所述，目前已有的一些去噪優(yōu)化算法往往不能同時(shí)兼顧算法的抗噪性和適應(yīng)性。為了提高算法的抗噪性以及適應(yīng)性，本文提出一種基于自適應(yīng)區(qū)域生長(zhǎng)和局部K-Means聚類的裂縫檢測(cè)算法。該算法首先運(yùn)用雙邊濾波對(duì)裂縫灰度圖進(jìn)行初步降噪，然后采用基于梯度幅度變化的分段雙閾值區(qū)域生長(zhǎng)算法來分割裂縫圖片獲得粗分割結(jié)果并標(biāo)記之。通過梯度幅度變化分段設(shè)定生長(zhǎng)閾值來提高算法的適應(yīng)性以及抗噪性，不僅能有效去除噪聲，同時(shí)保證裂縫邊緣完整。標(biāo)記的目的是提高后面的聚類效果，標(biāo)記完成后對(duì)粗分割結(jié)果進(jìn)行形態(tài)學(xué)腐蝕以及最大連通域提取，通過提取最大連通域來去除其中孤立的點(diǎn)狀以及團(tuán)狀噪聲，同時(shí)提取足夠多的局部數(shù)據(jù)點(diǎn)樣本，對(duì)該局部數(shù)據(jù)點(diǎn)樣本進(jìn)行灰度值以及標(biāo)記值聚類后，得到最終精確的分割結(jié)果。本文檢測(cè)裂縫的方法能為實(shí)際工程提供大量實(shí)時(shí)的檢測(cè)數(shù)據(jù)，可以節(jié)約大量人力物力，為自動(dòng)化檢測(cè)大壩裂縫奠定基礎(chǔ)。

1 基于自適應(yīng)區(qū)域生長(zhǎng)和局部K-Means聚類的裂縫檢測(cè)算法

1.1 自適應(yīng)區(qū)域生長(zhǎng)算法

區(qū)域生長(zhǎng)算法是基于區(qū)域的分割算法中的經(jīng)典算法[9]，運(yùn)用區(qū)域生長(zhǎng)算法來分割裂縫圖片，需要在背景區(qū)域或者裂縫區(qū)域內(nèi)預(yù)先給出種子點(diǎn)以及種子點(diǎn)的生長(zhǎng)準(zhǔn)則，通過種子點(diǎn)的生長(zhǎng)提取出正確的裂縫區(qū)域。區(qū)域生長(zhǎng)的關(guān)鍵點(diǎn)是生長(zhǎng)準(zhǔn)則的設(shè)定，閾值是最重要的準(zhǔn)則之一。傳統(tǒng)的區(qū)域生長(zhǎng)算法，閾值一般設(shè)定為常數(shù)，但是這種設(shè)定方法魯棒性差，無自適應(yīng)性。為提高區(qū)域生長(zhǎng)算法的自適應(yīng)性，許多學(xué)者提出了改進(jìn)措施。陸劍鋒等[10]通過計(jì)算種子點(diǎn)附近鄰域統(tǒng)計(jì)信息來自適應(yīng)改變生長(zhǎng)準(zhǔn)則，雖然自適應(yīng)性有所提高，但計(jì)算量劇增。Pohle等[11]通過計(jì)算已生長(zhǎng)區(qū)域的灰度值高斯分布參數(shù)來控制生長(zhǎng)準(zhǔn)則，從而提高算法的抗噪性，但高斯擬合的實(shí)際效果較差。王勝軍等[12]通過梯度幅度變化設(shè)定閾值，這樣的設(shè)定方法使得閾值與種子點(diǎn)灰度值成正相關(guān)，當(dāng)種子點(diǎn)灰度值減小時(shí)，閾值也在減小。當(dāng)分割區(qū)域和背景區(qū)域灰度值相差較小時(shí)，梯度幅度變化減小，閾值的自適應(yīng)性變差。

基于以上分析，本文提出基于梯度幅度變化的分段雙閾值區(qū)域生長(zhǎng)方法，該方法采用梯度幅度變化來設(shè)定閾值(梯度閾值)，當(dāng)種子點(diǎn)灰度值減小并不斷接近裂縫區(qū)域灰度值時(shí)，灰度閾值(梯度閾值與種子點(diǎn)灰度值的乘積)減小，生長(zhǎng)條件收窄，算法的自適應(yīng)性提高。為了避免梯度幅度變化過小導(dǎo)致自適應(yīng)性變差，本文將大津閾值[13]N引入生長(zhǎng)準(zhǔn)則中，當(dāng)種子點(diǎn)灰度值大于，小于或等于N時(shí)，梯度閾值分別取N1和N2。當(dāng)種子點(diǎn)灰度值大于N時(shí)，種子點(diǎn)主要存在于背景區(qū)域內(nèi)，此時(shí)設(shè)定的梯度閾值N1較大，保證背景區(qū)域內(nèi)的噪聲被完全去除；當(dāng)種子點(diǎn)灰度值小于或等于N時(shí)，種子點(diǎn)灰度值接近裂縫區(qū)域灰度值，此時(shí)設(shè)定的梯度閾值N2較小，以保證裂縫邊緣完整。綜合大量試驗(yàn)，梯度閾值N1在0.2～0.4之間取值，梯度閾值N2在0.05～0.1之間取值。通過分段設(shè)定梯度閾值使得算法在有效去除背景區(qū)域內(nèi)噪聲的同時(shí)有效保證了裂縫邊緣的完整性。改進(jìn)后的區(qū)域生長(zhǎng)準(zhǔn)則為

|(S-G(x,y))/S|≤T

(1)

(2)

式中：S為種子點(diǎn)灰度值；G(x,y)為種子點(diǎn)鄰域內(nèi)像素點(diǎn)灰度值；T為梯度閾值。

獲得生長(zhǎng)準(zhǔn)則之后需要在背景區(qū)域內(nèi)選定種子點(diǎn)，種子點(diǎn)自動(dòng)選取方法為：用10×10的網(wǎng)格來劃分裂縫圖片，計(jì)算網(wǎng)格節(jié)點(diǎn)處灰度值，將其中灰度值大于N的節(jié)點(diǎn)作為種子點(diǎn)。確定種子點(diǎn)和種子點(diǎn)生長(zhǎng)準(zhǔn)則之后，就可以運(yùn)用自適應(yīng)區(qū)域生長(zhǎng)算法分割裂縫圖像，提取裂縫的粗分割圖。

1.2 局部K-Means聚類算法

K-Means聚類算法[14]是一種基于劃分的聚類算法[15]。算法需要預(yù)先指定初始聚類中心，然后根據(jù)相似性準(zhǔn)則完成聚類，通過不斷更新聚類中心并降低類簇誤差平方和來得到最佳聚類結(jié)果[16]。本文將K-Means聚類算法運(yùn)用到裂縫圖像分割中，通過將屬性值接近的像素點(diǎn)聚為一類來完成裂縫區(qū)域和背景區(qū)域分割任務(wù)。K-Means聚類算法思想簡(jiǎn)單，聚類速度快，聚類效果好，但是對(duì)初始聚類中心敏感，并且容易陷入局部最優(yōu)解[17]。目前主要的改進(jìn)方法集中在以下幾個(gè)方向：算法中初始聚類中心個(gè)數(shù)的選取，初始聚類中心點(diǎn)的選取，離群點(diǎn)的檢測(cè)和去除等。

為此，提出局部K-Means聚類算法，該方法的主要思想是對(duì)包含裂縫區(qū)域像素點(diǎn)的局部像素點(diǎn)樣本進(jìn)行聚類，由于樣本點(diǎn)中剔除了大部分非裂縫區(qū)域而保留了所有的裂縫區(qū)域，離群點(diǎn)的干擾減小，并且初始聚類中心易于尋找，所以對(duì)該局部像素點(diǎn)進(jìn)行聚類，不易陷入局部最優(yōu)解。為了提高聚類效果，對(duì)局部數(shù)據(jù)點(diǎn)樣本中疑似裂縫區(qū)域像素點(diǎn)進(jìn)行標(biāo)記，標(biāo)記值為M(權(quán)重屬性值)，對(duì)非疑似裂縫區(qū)域像素點(diǎn)標(biāo)記值為0。運(yùn)用K-Means聚類算法對(duì)該局部像素點(diǎn)進(jìn)行聚類，像素點(diǎn)屬性值為其灰度值以及標(biāo)記值，聚類的目的是將灰度值和標(biāo)記值接近的像素點(diǎn)聚為一類。相似性準(zhǔn)則一般由歐式距離來衡量，距離越小，相似性越高。聚類的相似性公式為

d((gij,oij),(g1,o1))=

(3)

式中：gij,oij分別為坐標(biāo)點(diǎn)(i,j)處像素點(diǎn)灰度值和標(biāo)記值；g1,o1分別為初始聚類中心的灰度值和標(biāo)記值。

此時(shí)對(duì)應(yīng)的誤差平方和公式為

式中：Ct為第t個(gè)聚類;gt、ot分別為第t個(gè)聚類的聚類中心(gt,ot)的灰度值和標(biāo)記值。

為了避免初始聚類中心的隨機(jī)性導(dǎo)致結(jié)果的隨機(jī)性，g1取局部區(qū)域中疑似裂縫區(qū)域像素點(diǎn)灰度均值，g2取局部像素點(diǎn)中非疑似像素點(diǎn)灰度均值，o1取M，o2取0。聚類結(jié)果：當(dāng)M較小時(shí)，聚類結(jié)果主要由灰度值決定，聚類結(jié)果趨近于局部像素點(diǎn)灰度值聚類；當(dāng)M較大時(shí)，聚類結(jié)果主要由標(biāo)記值決定，聚類結(jié)果主要由疑似像素點(diǎn)組成。

2 算法流程

本文的算法流程主要包括圖片預(yù)處理，裂縫粗提取，二值圖像去噪以及裂縫精提取。①圖片預(yù)處理：輸入原始裂縫圖片，灰度化， 然后運(yùn)用雙邊濾波進(jìn)行初步去噪平滑，雙邊濾波能在保留裂縫邊緣信息的同時(shí)降低噪聲平滑圖像。②裂縫粗提?。哼\(yùn)用自適應(yīng)區(qū)域生長(zhǎng)算法進(jìn)行分割，得到裂縫的粗分割圖。③二值圖像去噪：經(jīng)過區(qū)域生長(zhǎng)分割后，裂縫圖像被分割為裂縫區(qū)域和背景區(qū)域兩部分，裂縫區(qū)域灰度值設(shè)定為0，標(biāo)記值為M，背景區(qū)域灰度值設(shè)定為255，標(biāo)記值為0。對(duì)二值圖像進(jìn)行形態(tài)學(xué)腐蝕操作以及最大連通域提取，連接斷裂裂縫，并去除二值圖像中孤立的團(tuán)狀及點(diǎn)狀噪聲。④裂縫精提取：由于環(huán)形裂縫的阻擋，導(dǎo)致裂縫粗分割圖像中仍有許多未被生長(zhǎng)的區(qū)域，需要運(yùn)用局部K-means聚類算法，通過局部區(qū)域灰度值以及標(biāo)記值聚類進(jìn)一步去除其中非裂縫區(qū)域。在裂縫精提取中，通過試驗(yàn)研究發(fā)現(xiàn)，當(dāng)裂縫圖像中裂縫區(qū)域灰度值與背景區(qū)域灰度值相差較大時(shí)，像素點(diǎn)灰度值聚類的效果好；當(dāng)裂縫圖像中裂縫區(qū)域灰度值與背景區(qū)域灰度值相差較小時(shí)，通過區(qū)域生長(zhǎng)分割獲得的分割圖更加準(zhǔn)確，所以標(biāo)記值M應(yīng)該選取能夠表征原灰度圖像裂縫區(qū)域灰度值與背景區(qū)域灰度值差異的參數(shù)。本文M值取原灰度圖中灰度值在閾值N以上的像素點(diǎn)灰度均值與灰度值在閾值N以下的像素點(diǎn)灰度均值之差。綜上所述，可以得到應(yīng)用本文算法進(jìn)行裂縫圖片處理的流程如下：

步驟1通過無人機(jī)拍攝得到裂縫圖片，經(jīng)過預(yù)處理得到預(yù)處理圖片，圖像預(yù)處理包括圖像灰度化和圖像雙邊濾波。

步驟2根據(jù)灰度圖計(jì)算N、M的值。

步驟3運(yùn)用本文設(shè)計(jì)的自適應(yīng)區(qū)域生長(zhǎng)算法分割裂縫圖片獲得裂縫的粗分割圖，將其中的裂縫區(qū)域標(biāo)記為疑似裂縫區(qū)域。

步驟4對(duì)粗分割圖進(jìn)行腐蝕操作，腐蝕操作的目的是連接分割圖像中因局部過生長(zhǎng)而斷裂的裂縫，腐蝕操作的結(jié)構(gòu)元素為2×2，腐蝕次數(shù)為2次。

步驟5腐蝕完成后，提取被分割部分的最大連通區(qū)域，通過最大連通域提取來去除其中孤立的點(diǎn)狀及團(tuán)狀噪聲。

步驟6再次進(jìn)行腐蝕操作，為聚類運(yùn)算提供足夠多的像素點(diǎn)樣本，腐蝕操作的結(jié)構(gòu)元素為2×2，腐蝕次數(shù)為2次。

步驟7提取局部數(shù)據(jù)點(diǎn)樣本，并確定數(shù)據(jù)點(diǎn)樣本的灰度值以及標(biāo)記值(標(biāo)記值的確定需要結(jié)合從步驟3中得到的疑似裂縫區(qū)域)，運(yùn)用局部K-Means聚類算法進(jìn)行聚類。

步驟8得到最終的裂縫分割結(jié)果。

3 實(shí)例分析

選取3幅存在噪聲污染的裂縫圖片進(jìn)行對(duì)比分析，如圖1所示。3幅圖片都經(jīng)過了預(yù)處理。裂縫1是1條近似豎向裂縫，裂縫圖片中主要存在污漬噪聲污染，同時(shí)背景區(qū)域灰度值與裂縫區(qū)域灰度值相差較?。涣芽p2是1條叉形裂縫，裂縫圖片中主要存在混凝土表面毛刺噪聲，同時(shí)裂縫區(qū)域灰度值與背景區(qū)域灰度值相差較大；裂縫3是1條豎向裂縫，裂縫圖片中主要存在塊狀以及條狀噪聲，這些噪聲污染是由水對(duì)壩體的侵蝕造成的。

圖1 裂縫圖片

3.1 區(qū)域生長(zhǎng)算法改進(jìn)前后分割結(jié)果對(duì)比

為了對(duì)改進(jìn)前和改進(jìn)后的區(qū)域生長(zhǎng)算法進(jìn)行比較，分別運(yùn)用這兩種算法對(duì)圖1進(jìn)行分割，分割結(jié)果如圖2所示。分析圖2可知，改進(jìn)前的區(qū)域生長(zhǎng)算法(閾值取15)獲得的裂縫分割圖中有大量的灰色點(diǎn)狀噪聲，同時(shí)裂縫邊緣存在大量毛刺，裂縫寬度比實(shí)際寬度大。改進(jìn)后的區(qū)域生長(zhǎng)算法由于梯度閾值的自適應(yīng)性以及N值對(duì)裂縫邊緣分割的控制作用，使得分割圖中點(diǎn)狀噪聲少，裂縫邊緣更加平滑，與實(shí)際裂縫邊緣更加接近，但分割圖中仍存在圓形標(biāo)記處環(huán)形裂縫內(nèi)的誤分割，同時(shí)背景區(qū)域內(nèi)存在少量孤立的點(diǎn)狀及團(tuán)狀噪聲。

圖2 區(qū)域生長(zhǎng)算法改進(jìn)前后分割結(jié)果對(duì)比

3.2 最大連通域提取結(jié)果和聚類分割結(jié)果對(duì)比

對(duì)圖2中改進(jìn)后的分割圖進(jìn)行形態(tài)學(xué)腐蝕操作并提取最大連通區(qū)域后得到圖3，再對(duì)圖3進(jìn)行形態(tài)學(xué)腐蝕操作，提取其中包含裂縫的局部區(qū)域數(shù)據(jù)點(diǎn)樣本，運(yùn)用局部K-Means聚類算法進(jìn)行聚類，最終獲得分割結(jié)果如圖4所示。

圖3 最大連通域提取結(jié)果

圖4 局部K-means聚類分割結(jié)果

對(duì)比圖2和圖3可知，經(jīng)過腐蝕操作以及最大連通域提取后，裂縫圖片中的點(diǎn)狀和團(tuán)狀噪聲被完全除去。對(duì)比圖3和圖4可知，對(duì)提取到的局部數(shù)據(jù)點(diǎn)樣本進(jìn)行聚類后，獲得的最終分割圖像不僅有效地保留了自適應(yīng)區(qū)域生長(zhǎng)的結(jié)果，同時(shí)圓形標(biāo)記處環(huán)形裂縫內(nèi)誤分割區(qū)域被正確分割。

3.3 本文算法與常用分割算法對(duì)比

為了證明本文算法的優(yōu)越性，將本文算法與大津閾值分割算法(OTSU)、文獻(xiàn)[5]算法、Canny邊緣檢測(cè)算法[18]進(jìn)行對(duì)比，運(yùn)用以上算法對(duì)圖1進(jìn)行分割，得到裂縫分割結(jié)果如圖5所示。為了對(duì)裂縫提取效果進(jìn)行量化分析和評(píng)價(jià)，本文引入完成度和正確度指數(shù)[19-20]。完成度指數(shù)用于描述完成裂縫提取這一任務(wù)的完成程度，正確度指數(shù)則描述完成任務(wù)的質(zhì)量水平，其定義分別見式(5)和式(6)。

圖5 不同算法裂縫分割結(jié)果對(duì)比

(5)

(6)

式中：Lr為提取結(jié)果的真實(shí)裂縫長(zhǎng)度；Lgt為裂縫的實(shí)際長(zhǎng)度；LT為提取的總長(zhǎng)度。

根據(jù)式(5)和式(6)以及圖5中裂縫的分割圖像，計(jì)算得到各算法提取的裂縫完成度和正確度指數(shù)，計(jì)算結(jié)果如表1所示。

表1 裂縫分割結(jié)果評(píng)價(jià)

為了對(duì)算法的適應(yīng)性和抗噪性進(jìn)行評(píng)價(jià)，將適應(yīng)性等級(jí)劃分為優(yōu)、良、中、差4個(gè)等級(jí)，算法能去除的噪聲種類越多則適應(yīng)性等級(jí)越高；將抗噪性等級(jí)劃分為強(qiáng)、較強(qiáng)、較弱、弱4個(gè)等級(jí)，算法獲得的分割結(jié)果中噪聲越少則抗噪性越強(qiáng)。根據(jù)圖5的分割結(jié)果和表1的評(píng)價(jià)數(shù)據(jù)可以得到算法的適應(yīng)性和抗噪性水平。

分析圖5和表1可知，本文算法能有效分割存在污漬噪聲、混凝土表面毛刺噪聲、塊狀以及條狀噪聲污染的裂縫圖片，算法的適應(yīng)性等級(jí)為優(yōu)，同時(shí)分割結(jié)果的完成度指數(shù)以及正確度指數(shù)均在0.95以上，算法的抗噪性強(qiáng)；大津閾值分割算法對(duì)裂縫1和3的分割結(jié)果差，分割的完成度指數(shù)和正確度指數(shù)極低，無法確定裂縫的完整形態(tài)，但算法對(duì)裂縫2的分割結(jié)果較好，整體而言，算法適應(yīng)性等級(jí)為中，抗噪性弱；文獻(xiàn)[5]算法對(duì)裂縫3的分割效果好，完成度指數(shù)和正確度指數(shù)均超過了0.95，但是對(duì)裂縫1和2的分割效果較差，主要表現(xiàn)在裂縫局部斷裂、裂縫寬度局部偏大以及剩余少量的背景噪聲，但通過分割結(jié)果基本可以確認(rèn)裂縫的完整形態(tài)，算法的適應(yīng)性等級(jí)為良，抗噪性較強(qiáng)；Canny邊緣檢測(cè)算法對(duì)裂縫1的分割結(jié)果好，裂縫分割的完成度指數(shù)和正確度指數(shù)高，對(duì)裂縫2和3的分割結(jié)果較差，分割圖中存在大量的偽邊緣，但同樣可以基本確定裂縫的完整形態(tài)，算法適應(yīng)性等級(jí)為中，抗噪性較弱。

綜上可知，本文算法能有效去除污漬噪聲、混凝土表面毛刺噪聲、塊狀以及條狀噪聲，算法提取的裂縫完成度指數(shù)和正確度指數(shù)均在0.95以上。不論是適應(yīng)性還是抗噪性都要優(yōu)于其他3種算法，能夠滿足實(shí)際工程需要的精度要求。

4 結(jié) 論

a.本文提出一種基于自適應(yīng)區(qū)域生長(zhǎng)和局部K-Means聚類的混凝土壩面裂縫檢測(cè)算法，該算法解決了傳統(tǒng)分割算法適應(yīng)性差、抗噪性性弱的問題。與改進(jìn)前的區(qū)域生長(zhǎng)算法相比，改進(jìn)后的自適應(yīng)區(qū)域生長(zhǎng)算法通過梯度幅度變化分段設(shè)定生長(zhǎng)閾值，不僅提高了算法的自適應(yīng)性，同時(shí)提高了算法的抗噪性，其分割結(jié)果中裂縫邊緣更加平滑，背景噪聲更少。

b.本文通過去除離群點(diǎn)以及計(jì)算具有強(qiáng)代表性的初始聚類中心來避免聚類算法陷入局部最優(yōu)解，同時(shí)避免算法因聚類中心的隨機(jī)性導(dǎo)致聚類結(jié)果的隨機(jī)性。通過改進(jìn)后的K-means聚類算法對(duì)裂縫進(jìn)行精確分割，得到的分割結(jié)果正確度指數(shù)和完成度指數(shù)極高，能滿足實(shí)際工程要求。

c.與其他圖像分割算法相比，本文分割算法適應(yīng)性更好，抗噪性更強(qiáng)，能有效去除諸多類型噪聲，算法提取的裂縫完成度指數(shù)和正確度指數(shù)最高。與傳統(tǒng)人工檢測(cè)方法相比，本文基于計(jì)算機(jī)視覺的混凝土裂縫檢測(cè)方法能自動(dòng)并且快速地檢測(cè)大量裂縫，可以節(jié)約大量人力物力。