高永博, 李斌斌

（1.甘肅省交通科學(xué)研究院集團(tuán)有限公司, 甘肅 蘭州 730030；2.甘肅省道路材料工程實(shí)驗(yàn)室, 甘肅 蘭州 730030）

0 引言

近年, 隨著我國(guó)公路事業(yè)的快速發(fā)展, 公路網(wǎng)建設(shè)已趨于飽和, 公路事業(yè)亦趨向養(yǎng)護(hù)維修。以前, 對(duì)于道路檢測(cè)多采取人工檢測(cè)的方法, 但由于其具有耗時(shí)耗力、危險(xiǎn)系數(shù)大、檢測(cè)成本高等缺點(diǎn), 不能快速地對(duì)收集的數(shù)據(jù)做相關(guān)性能評(píng)價(jià), 故已不能成為主流的道路病害檢測(cè)方法[1-4］。隨著高分辨率影像和高清圖像處理技術(shù)的發(fā)展, 基于視頻圖像的道路病害智能化、自動(dòng)化識(shí)別技術(shù)研究已勢(shì)在必行[5-8］。Medina等[9］提出了一種紅外圖像增強(qiáng)算法, 其主要原理是將圖像的灰度值映射到直方圖當(dāng)中, 然后采用削波直方圖均衡化, 對(duì)其大直方圖中的小直方圖進(jìn)行切割, 實(shí)現(xiàn)紅外圖像的增強(qiáng)；雖然該方法能較好的與原始圖像形成對(duì)比, 但是沒(méi)有考慮灰度不均勻性在圖像中的存在。顧振飛等[10］提出了一種基于區(qū)域顯著性識(shí)別的圖像增強(qiáng)方法, 該方法首先依據(jù)圖像各區(qū)域的亮度和紋理提取圖像內(nèi)容, 然后依據(jù)圖像內(nèi)容, 采用暗通道先驗(yàn)的方法得到圖像透視圖, 在此基礎(chǔ)上, 利用導(dǎo)向全變分模型對(duì)區(qū)域顯著的圖像部分進(jìn)行圖像增強(qiáng)；該方法由于沒(méi)有考慮圖像灰度不均勻性, 使增強(qiáng)后圖像的對(duì)比度下降。Abhisek等[11-13］對(duì)道路病害圖像進(jìn)行識(shí)別時(shí), 使用反向傳播神經(jīng)網(wǎng)絡(luò)（BP）算法實(shí)現(xiàn)了道路病害的歸類劃分, 其較高的精度滿足道路檢測(cè)規(guī)程的需要, 但由于未考慮特殊天氣對(duì)智能檢測(cè)數(shù)據(jù)的影響, 其算法還需優(yōu)化。郭鈺璐等[14-16］提出一種結(jié)合邊緣信息的對(duì)比度增強(qiáng)算法, 該方法首先利用濾波將圖像分解為基礎(chǔ)圖像和細(xì)節(jié)圖像, 其中基礎(chǔ)圖像利用對(duì)比度限制直方圖的方法均衡, 細(xì)節(jié)圖像利用Gamma 變換增強(qiáng)信息, 然后融合處理后的兩幅圖片, 接著利用自適應(yīng)直方圖均衡和拉普拉斯銳化濾波對(duì)原始圖像進(jìn)行灰度不均勻處理, 最后將融合后的圖片和處理后的灰度均勻圖片進(jìn)行線性加權(quán)并融合, 以重建出最終的紅外圖像；該方法可以較好的提高原始圖像的對(duì)比度, 但對(duì)較小的目標(biāo)該方法處理效果不佳。

基于上述研究基礎(chǔ), 本論述提出了一種針對(duì)采集圖像灰度不均勻性的處理方法。該方法原理是將一張采集的路面灰度圖像劃分為非均勻背景光照、道路病害及高頻噪聲三個(gè)組成部分, 然后通過(guò)雙線性插值和曲面擬合的方法在三部分中將道路病害從中提取出來(lái)的方法。

1 灰度不均勻校正算法

1.1 加法模型

以路面灰度圖像為目標(biāo)函數(shù), 以非均勻光照背景、道路病害及高頻噪聲為變量因子得下列公式：

式中,T(p)指一張灰度不均勻的道路病害識(shí)別圖像；Th(p)指道路識(shí)別病害圖像中的不均勻光照背景；Tb(p)指道路識(shí)別病害圖像中的病害；Tg(p)指道路識(shí)別病害圖像中的干擾因素, 如路面雜物、減速帶、凸起標(biāo)志等。

1.2 乘法模型

式中,A(p)指光照的不均勻程度函數(shù)；T'(p)指灰度均勻的道路病害識(shí)別圖像。

式中,T'N(p)指一張標(biāo)準(zhǔn)均勻光照?qǐng)D像在非均勻成像系統(tǒng)下的成像；N指一張標(biāo)準(zhǔn)均勻光照?qǐng)D像均勻光照后在各位置處的灰度級(jí)常數(shù)。

綜上可知, 系統(tǒng)中所得的圖像可以通過(guò)不勻均函數(shù)A(p)進(jìn)行校正。

所以, 由公式（3）與公式（4）可以推導(dǎo)出：

1.3 灰度不均勻型模型

在實(shí)際現(xiàn)場(chǎng)采集數(shù)據(jù)過(guò)程中發(fā)現(xiàn), 當(dāng)采用加法模型時(shí), 要從Th(p)和Tg(p)中提取出病害信息Tb(p)時(shí)很困難；當(dāng)采用乘法模型時(shí), 主要關(guān)鍵點(diǎn)是得到不均勻函數(shù)A(p), 但由于A(p)在隨檢測(cè)車的移動(dòng)過(guò)程中攝像機(jī)焦距的改變而改變, 故用前期確定好的A(p)來(lái)校正所有病害圖像是不實(shí)際的。理想的狀態(tài)是從一副病害圖像中分離出Tb(p)和A(p)。將組成路面的物質(zhì)視為是均勻一致的, 故其亮度場(chǎng)也能視為是均勻一致的, 則可做以下假設(shè)：

在t0時(shí)點(diǎn), 道路檢測(cè)車采集到?jīng)]有病害的路面圖像T0；在t1時(shí)點(diǎn), 道路檢測(cè)車采集到了含病害的圖像T1, 假設(shè)t1-t0差值很小, 通過(guò)對(duì)T1與T0兩幅圖像配對(duì)后, 可近似求得背景灰度均勻的病害ΔT=T1-T0, 當(dāng)進(jìn)行分割圖像時(shí), ΔT中各個(gè)分割部分可以視為都是均勻一致的。

由假設(shè)可知, 在很短的時(shí)間內(nèi),T1與T0采集的兩幅圖像中肯定會(huì)有重疊的部分, 即得公式（6）：

式中,M(x,y)為T1與T0的重疊背景像素, 且φ不能為空集。

根據(jù)二次曲面擬合及插值法得到重疊部分像素M(x,y)的灰度值, 即：

故由上述假設(shè)可知：

或由公式（5）可知：

式中,T1(x,y) 為T1中（x,y）的圖像像素灰度值,T'1(x,y)為T1校正后（x,y）的圖像像素灰度值；T'0(x,y)為T0中圖像像素（x,y）的灰度值。

2 求重疊交集φ

假定：光照不均勻在采集的病害圖像中表現(xiàn)是明顯的, 但將一張圖像分割成若干張小圖像, 可視為若干張小圖像上的灰度是均勻的；圖像背景或者病害在分割的小圖像上至少有一處均勻或者近似均勻[17-18］。

實(shí)施步驟：

（1）首先對(duì)采集的原圖像進(jìn)行分割, 設(shè)原圖像的大小是256*256 的像素, 將其以8*8 像素分割, 將每塊視為一個(gè)背景塊, 共得到32*32塊。塊的大小一般依據(jù)原圖像的大小和能承受的局部圖像均勻性的大小程度確定。對(duì)較小的圖像分割要稍微小些, 大的圖像可適當(dāng)調(diào)整其大小。

（2）將分割后得到的每塊歸納到φ中, 這樣就可得到T1的背景子集φ。由于采集的病害圖像中含有瀝青、病害及石子（瀝青路面）或者水泥、病害及石子（水泥路面）, 其中瀝青或者水泥是分布占比最大的, 且兩者的灰度值均處于中間位置, 故選取瀝青或者水泥像素M(x,y)作為背景像素。最后去掉分割后25%亮度偏大和25%亮度偏低的小圖像, 取剩余的50%的分割圖像為最終的重疊交集φ。

3 雙線性插值

考慮到實(shí)際過(guò)程中圖像上的灰度變化呈現(xiàn)的是一種漸變過(guò)程, 故在處理灰度不均勻時(shí)本論述采用相對(duì)平滑的函數(shù), 通過(guò)擬合將重疊交集φ溯源到初始采集圖中。因此本論述選用了能使圖像表面連續(xù), 實(shí)際效果良好的雙線性插值法進(jìn)行溯源求解。

已知Q11（x1,y1）、Q12（x1,y2）、Q21（x2,y1）、Q22（x2,y2）4點(diǎn)的值, 首先對(duì)其在x方向進(jìn)行線性插值, 得到下列雙線性方程：

然后在y方向進(jìn)行線性插值, 得到下列公式：

由于圖像雙線性插值只會(huì)用相鄰的4個(gè)點(diǎn), 設(shè)相鄰的4 個(gè)點(diǎn)為：f(Q11)=f(0,0) ,f(Q21)=f(0,1) ,f(Q12)=f(1,0),f(Q22)=f(1,1)；則可得式（13）。

4 實(shí)驗(yàn)驗(yàn)證

本論述的初始圖像集是通過(guò)多功能檢測(cè)車采集得到的, 如圖1所示, 多功能檢測(cè)車由高清黑白面陣相機(jī)、線結(jié)構(gòu)光激光器、高清3D工業(yè)相機(jī)、GNSS定位系統(tǒng)及嵌入式工業(yè)板卡計(jì)算機(jī)等核心元器件組成。由于每幅圖上各部分的灰度值都不一樣, 為了提取病害目標(biāo), 取得重疊交集φ, 去掉25%灰度值偏大和25%灰度值偏小的圖像, 取剩余的50%的分割圖像為最終的重疊交集φ。最后在MATLAB中采用雙線性插值法溯源得到擬合路面的背景及病害目標(biāo)。

圖1 多功能檢測(cè)車

圖2 路面病害采集相機(jī)

為了驗(yàn)證灰度不均勻模型的可行性和適用性, 選取了G312 線古浪金三角至豐樂(lè)段路面工程進(jìn)行路面自動(dòng)化病害檢測(cè)。G312線是甘肅交通運(yùn)輸?shù)拇髣?dòng)脈, 同時(shí)承擔(dān)著青蘭國(guó)家高速公路、福銀國(guó)家高速公路和連霍國(guó)家高速公路的輔道和集散功能。其中G312 線古浪金三角至豐樂(lè)段公路改造工程是交通運(yùn)輸部確定的“十二五”國(guó)省干線改造的15條重點(diǎn)建設(shè)項(xiàng)目之一, 是連接蘭州、永登、天祝、武威、永昌、金昌、山丹、張掖及新疆的重要路段。G312線古浪金三角至豐樂(lè)段路面工程路線起點(diǎn)位于武威市古浪縣城金三角, 途經(jīng)雙塔、黃羊鎮(zhèn)、謝河鎮(zhèn)、武南鎮(zhèn)、高壩鎮(zhèn)、武威市、和平鎮(zhèn)、永豐鎮(zhèn), 終點(diǎn)位于武威市豐樂(lè)鎮(zhèn)與金昌市交界處, 路線全長(zhǎng)97.948 km。

通過(guò)對(duì)G312 線古浪金三角至豐樂(lè)段路面工程進(jìn)行路面自動(dòng)化病害檢測(cè)的過(guò)程中發(fā)現(xiàn), 該線路部分路段存有縱向裂縫、橫向裂縫、龜裂等瀝青路面病害現(xiàn)象, 通過(guò)多功能智能檢測(cè)車的病害圖像采集, 利用灰度不均勻模型進(jìn)行優(yōu)化, 通過(guò)對(duì)比分析可以發(fā)現(xiàn)初始采集的病害圖片在灰度不均勻模型的加持優(yōu)化下, 有效消除了由于道路兩旁樹(shù)蔭、標(biāo)志牌及照相機(jī)曝光程度不同造成的圖像灰度不均勻情況, 且對(duì)提高病害圖像飽和度和清晰度有較好的應(yīng)用成效。

圖像處理的初始時(shí)期, 通過(guò)多功能智能檢測(cè)車采集到的初始病害圖像, 如圖3所示。由圖3可以清晰地發(fā)現(xiàn), 圖像由于道路旁其他物質(zhì)存在的干擾導(dǎo)致采集的圖片左邊部分陰暗, 右邊部分圖像過(guò)于明亮, 這種情形會(huì)導(dǎo)致在后期通過(guò)病害識(shí)別軟件處理病害時(shí)將灰度不均勻病害圖像中間分割線識(shí)別成豎向裂縫, 致使病害識(shí)別軟件在識(shí)別該圖像時(shí)就會(huì)出現(xiàn)一條橫向裂縫, 一條豎向裂縫, 導(dǎo)致路面病害增加, 影響數(shù)據(jù)結(jié)果, 最終導(dǎo)致錯(cuò)誤的研判。

圖3 初始病害圖像

因此, 優(yōu)化病害圖像灰度不均勻性是非常必要的, 故按照前文的模型設(shè)計(jì)要求, 首先對(duì)初始病害圖像的背景進(jìn)行除噪, 得到只有病害的圖像, 如圖4所示。

圖4 去除背景噪聲后的病害圖像

然后通過(guò)去除圖像中25%灰度值偏大和25%灰度值偏小的圖像, 取剩余的50%的分割圖像為最終的重疊交集φ, 然后將取得的灰度均勻重疊集提高其飽和度, 使其清晰顯示, 得到如圖5所示圖像。

圖5 增強(qiáng)重疊交集φ 飽和度的病害圖像

最后采用雙線性插值法溯源得到消除灰度不均勻現(xiàn)象擬合路面的背景及病害目標(biāo), 如圖6所示。

圖6 利用雙線性插值回歸后的病害圖像

5 結(jié)論

由圖3 可知, 本論述中所采集的圖片均由高清3D工業(yè)相機(jī)拍攝而成, 但由于其位置在車頂且倒置, 再者因?yàn)樗捎玫母咔?D 工業(yè)相機(jī)需要在病害采集過(guò)程中不斷的人為手動(dòng)進(jìn)行補(bǔ)光操作, 導(dǎo)致采集的圖片呈現(xiàn)灰度不均勻現(xiàn)象, 故提出一種針對(duì)采集圖像灰度不均勻性的處理方法。通過(guò)對(duì)病害圖像去背景降噪, 然后求取灰度均勻部分的重疊交集φ取得灰度均勻集, 將取得的均勻集提高其飽和度, 使其清晰顯示, 然后采用雙線性插值法溯源得到擬合路面的背景及病害目標(biāo)。試驗(yàn)驗(yàn)證顯示, 本論述的算法應(yīng)用對(duì)矯正病害圖像灰度不均勻及提高圖像飽和度和清晰度有較好的應(yīng)用成效。