何 昊, 賀福強(qiáng), 謝 丹，紀(jì)家平

(貴州大學(xué) 機(jī)械工程學(xué)院，貴州 貴陽 550025)

0 引言

隨著我國交通的高速發(fā)展，橋梁的數(shù)目日益增多，橋梁的安全問題得到了巨大的關(guān)注。由于橋梁狀況的檢測手段多為人工檢測，效率非常低，檢測的準(zhǔn)確性也很難得到保證。貴州作為山區(qū)，其橋梁的數(shù)量已經(jīng)達(dá)到20 000多座，光靠人工檢測會浪費(fèi)許多的人力物力，開發(fā)橋梁缺陷自動檢測系統(tǒng)能很好的解決這一難題。其中裂縫是橋梁的主要缺陷之一，裂縫的分割是完成自動檢測的關(guān)鍵技術(shù)，裂縫分割的準(zhǔn)確性[1]決定了后續(xù)裂縫長度、寬度等特征分析和裂縫分類的可靠性。

近年來，國內(nèi)外學(xué)者提出了很多的裂縫檢測算法。Frangi等[2]提出基于使用多尺度二階局部結(jié)構(gòu)-海森矩陣的特征值來構(gòu)建響應(yīng)函數(shù)，能夠極大增強(qiáng)線性結(jié)構(gòu)，但對于噪聲十分敏感，濾波需要對圖像平滑處理。Tsai等提出了一種評分指標(biāo)客觀定量的評價(jià)分割性能。Sorncharean等[3]針對不均勻光照和強(qiáng)紋理的圖像，將圖像分為網(wǎng)格單元，通過比較裂紋單元的特征和預(yù)先設(shè)置的閾值，識別出裂紋單元和非裂紋單元，Yun等[4]提出了一種基于對比度增強(qiáng)和多重自適應(yīng)濾波相結(jié)合的圖像預(yù)處理方法，提高了背景噪聲的去除效果，結(jié)合改進(jìn)的Sobel算子過濾孤立噪聲點(diǎn)，提取裂紋邊緣信息，但對信噪比低的圖像提取效果較差。李灝天等[5]提出了一種基于雙邊濾波的改進(jìn)Frangi濾波，相較于傳統(tǒng)frangi濾波更能保留并增強(qiáng)裂縫邊緣特征。Jenkins等[6]提出了一種基于CNN的語義分割算法，對圖像進(jìn)行像素級的分類，并提供大量道路裂縫數(shù)據(jù)集，對深度學(xué)習(xí)在裂縫分割的研究有很大的促進(jìn)作用，但運(yùn)算時(shí)間太長。Shu等[7]提出了一種基于輪廓線域的多方向、多層次的裂縫檢測算法，利用輪廓線變換對圖像進(jìn)行分解，利用方向性和各向異性增強(qiáng)圖像的奇異性。賀福強(qiáng)、平安等[8]提出了一種聯(lián)合局部特征網(wǎng)格聚類和區(qū)域增長的算法來檢測裂縫，根據(jù)裂縫點(diǎn)的空間相關(guān)性實(shí)現(xiàn)裂縫點(diǎn)聚類，并利用形狀特征和結(jié)構(gòu)相似性剔除區(qū)域生長后的噪聲。

本研究以Bilateral-Frangi濾波、Otsu[9]預(yù)處理后的圖像為基礎(chǔ)，利用支持向量機(jī)去除非裂縫連通域，在裂縫連通域中提取高質(zhì)量種子點(diǎn)集，對種子點(diǎn)進(jìn)行檢驗(yàn)保證種子點(diǎn)都位于裂縫區(qū)域，用篩選后的種子點(diǎn)進(jìn)行區(qū)域生長，最后根據(jù)裂縫連通域間方向一致性和相對位置信息連接裂縫。

1 圖像預(yù)處理

1.1 圖像灰度化

為降低運(yùn)算量，按式(1)將RGB圖像轉(zhuǎn)化為單通道的灰度圖像。

Gray=0.114B+0.587G+0.299R,

(1)

式中B，G，R分別為RGB 3通道灰度值。

1.2 圖像背景去噪及結(jié)構(gòu)增強(qiáng)

拍攝過程中由于光照、溫度、雜物、油污等原因，圖像質(zhì)量較差，獲得的圖像具有較大的背景噪聲，需要對圖像進(jìn)行濾波去噪。增強(qiáng)裂縫結(jié)構(gòu)，增加裂縫的對比度，減少辨識難度，能讓后續(xù)的工作更好地完成。

本研究采用一種結(jié)合雙邊濾波的Bilateral-Frangi濾波增強(qiáng)裂縫結(jié)構(gòu)、去噪。雙邊濾波[10]的原理和高斯濾波很相近，同高斯濾波一樣采用周邊像素的亮度值高斯分布的加權(quán)平均，但雙邊濾波除了考慮了像素歐式距離，還考慮了像素周圍的輻射差異。相較于傳統(tǒng)的Frangi濾波采用高斯濾波去噪，保留了相同的結(jié)構(gòu)增強(qiáng)、去噪效果，同時(shí)保留了更多的邊緣信息，雙邊濾波的空間域高斯核函數(shù)可以表示為：

(2)

灰度值域高斯核函數(shù)可以表示為：

(3)

雙邊濾波的高斯核函數(shù)表示為：

G(x,y,k,l)=G1(x,y,k,l)·G2(x,y,k,l)

(4)

式中，(x,y)為目標(biāo)像素點(diǎn)坐標(biāo)；(k,l)為卷積核的其他像素的坐標(biāo)；I(x,y)和I(k,l)分別為像素點(diǎn)(x,y)，(k,l)的灰度值；σd和σr分別為空域和灰度值域核函數(shù)的標(biāo)準(zhǔn)差。

Frangi濾波利用圖像海森矩陣[11]的特征值來構(gòu)建傳遞函數(shù)，使線性目標(biāo)的像素對傳遞函數(shù)有較高的響應(yīng)值。

海森矩陣的計(jì)算公式為：

(5)

式中，Ixx，Iyy分別為圖像在x，y方向上的2階偏導(dǎo)數(shù)，Ixy為圖像先對x方向求偏導(dǎo)，再對y方向求偏導(dǎo)，Iyx值與Ixy相等。

結(jié)合雙邊濾波高斯核后圖像的2階偏導(dǎo)數(shù)可以表示為：

(6)

(7)

Ixy=I?[G(x,y,k,l)?▽x▽y]=

(8)

二維圖像的海森矩陣H有2個(gè)特征值：λ1和λ2(λ1≤λ2)，和該點(diǎn)特征向量方向的梯度大小成正相關(guān)，特征值越大，對應(yīng)梯度越大。λ1對應(yīng)特征向量方向?yàn)樵擖c(diǎn)較小的梯度方向，λ2對應(yīng)特征向量方向?yàn)樵擖c(diǎn)較大的梯度方向。 據(jù)此構(gòu)造變量：

構(gòu)造相應(yīng)函數(shù)：

(9)

式中，β為條形區(qū)域敏感系數(shù)；c為整體平滑系數(shù)；λ1和λ2(λ1≤λ2)為海森矩陣的特征值。經(jīng)過去噪和增強(qiáng)后的結(jié)果如圖1所示。

圖1 去噪、增強(qiáng)結(jié)果Fig.1 Denoising and enhancement result

1.3 裂縫預(yù)分割

為方便后續(xù)裂縫區(qū)域提取，還需要對圖像進(jìn)行二值化處理，常用的二值化算法有：全局閾值、局部閾值、自適應(yīng)閾值法、Niblack、P-分位數(shù)、迭代、熵方法、最大類間方差法等。

本研究采用(迭代、熵方法、最大類間方差法、Niblack)方法經(jīng)過多組試驗(yàn)對比，發(fā)現(xiàn)迭代法和最大類間方差法雖然有大量的噪點(diǎn)，但基本能將裂縫區(qū)域分割出來，而迭代法耗時(shí)較長，故本研究采用最大類間方差法。最大類間方差法又名大津法(Otsu)，算法假設(shè)圖像被閾值分割為前景和背景，若背景和前景之間的方差越大，則分割效果越好。分割結(jié)果如圖2所示，噪聲比較多，并且擴(kuò)寬了實(shí)際裂縫寬度。

圖2 粗分割結(jié)果Fig.2 Rough segmentation result

2 裂縫區(qū)域提取

為了將預(yù)分割中的噪聲去除，獲得裂縫區(qū)域，本研究利用連通域的特征區(qū)別裂縫區(qū)域和非裂縫區(qū)域。提取出預(yù)分割的各連通域，計(jì)算出特征向量，采用基于支持向量機(jī)的分類方法對裂縫和非裂縫區(qū)域進(jìn)行分類。將圖像中8-領(lǐng)域像素值為255的像素鄰接，記連通域?yàn)镻i，i為連通域序號。

2.1 裂縫特征

裂縫特點(diǎn)[12]如下：(1)裂縫像素較暗，垂直方向灰度呈亮-暗-亮。(2)裂縫方向性較強(qiáng)。(3)一定的線性結(jié)構(gòu)。(4)裂縫長度較長?；趯α芽p特征分析，構(gòu)造裂縫連通域如下特征：

(1)最小外接矩形長寬比

最小外接矩形長寬比Ts是區(qū)分細(xì)長矩形和方形的形狀度量?？p一般有細(xì)長的特點(diǎn)，故可以利用連通域長比來區(qū)分。以連通域每一個(gè)邊界線做其外接矩形，其中面積最小的外接矩形為最小外接矩形。

(10)

式中l(wèi)，w分別為最小外接圓長和寬。對于部分裂縫(龜狀裂紋、環(huán)形裂紋等)，最小外接矩形長寬比表現(xiàn)不好，不能很好區(qū)分裂紋和噪聲，但可以根據(jù)其他特征(面積、結(jié)構(gòu)相似性、圓形度等)區(qū)分。

(2)面積(0階矩)

利用連通域面積特征可以直接篩除大部分噪聲，面積公式表示為:

S=m00，

(11)

式中，m00為連通域0階矩；S為連通域面積(像素點(diǎn)數(shù)目)。

(3)圓形度

圓形度[13]是描述指定區(qū)域緊湊度、圓形度的一個(gè)指標(biāo)，圓形度Tc的計(jì)算公式為：

(12)

式中,S為連通域面積；C為連通域輪廓周長；圓形度取Tc值范圍0～1，當(dāng)Tc越接近1時(shí)，連通域越接近圓形。圓形度和最小外接矩形長寬比在一些方面有相似，但圓形度對龜狀裂紋、環(huán)形裂紋有很高的識別能力。

(4)標(biāo)準(zhǔn)差

標(biāo)準(zhǔn)差等于方差的算術(shù)平均數(shù)的算術(shù)平方根，是衡量數(shù)據(jù)波動程度的指標(biāo)。在原圖中裂縫區(qū)域和背景區(qū)域的的灰度值波動程度是不一樣的。標(biāo)準(zhǔn)差表示為：

(13)

2.2 基于連通域基礎(chǔ)特征的去噪

為減少運(yùn)算量，可以利用連通域的部分特征去除掉圖像部分噪聲，考慮連通域面積、圓形度特征計(jì)算速度快，區(qū)分效果好，最終選擇連通域面積、圓形度特征進(jìn)行初篩選。經(jīng)過多組試驗(yàn)，擬定的特征閾值為：

圓形度：Tc≤0.2；面積：S≥10?；A(chǔ)特征去噪結(jié)果如圖3所示。

圖3 基礎(chǔ)特征去噪結(jié)果Fig.3 Denoising result of basic feature

2.3 基于支持向量機(jī)裂縫分類

支持向量機(jī)是一種經(jīng)典的2分類模型，通過尋找一個(gè)使類別間間隔最大的超平面對數(shù)據(jù)樣本進(jìn)行分割。

2.3.1 訓(xùn)練

本研究選取56張預(yù)處理后的圖像作為樣本，共2 436個(gè)連通域，其中裂縫連通域152個(gè)。為了解決正負(fù)樣本比例失調(diào)問題，采用SMOTE算法對正類(裂縫類)樣本進(jìn)行過采樣添加到數(shù)據(jù)集中。計(jì)算每個(gè)正類樣本x的k近鄰，設(shè)置采樣倍率N為2 436/152≈16，從每個(gè)正類樣本x的k近鄰選擇N-1個(gè)近鄰p。則對于每個(gè)選擇的近鄰p，按照式(14)構(gòu)造新的正類樣本。

xnew=x+rand(0,1)×|x-p| 。

(14)

獲得正類新樣本2 280個(gè)，正類樣本共計(jì)2 432個(gè)，負(fù)類樣本2 436個(gè)。將樣本隨機(jī)打亂，數(shù)據(jù)樣本集為：

{(x1,y1)(x2,y2),…,(x4 868,y4 868)},

(15)

式中，xi為第i個(gè)連通域特征向量，xi=(Ts,S,Tc,σ)，并對xi做歸一化處理；yi為類標(biāo)記yi∈{1,-1}，yi=1時(shí)，為此連通域?yàn)榱芽p區(qū)域。

以樣本集{(x1,y1)(x2,y2),…,(x2 000,y2 000)}作為訓(xùn)練集，以{(x2 001,y2 001),…,(x4 868,y4 868)}作為測試集。通過sklearn庫對訓(xùn)練集進(jìn)行訓(xùn)練，采用徑向基(RBF)作為核函數(shù)，采用基于網(wǎng)格搜索的交叉驗(yàn)證的方法對懲罰因子C、損失系數(shù)ε和核函數(shù)參數(shù)g進(jìn)行尋優(yōu)。

2.3.2 測試

將測試集樣本特征數(shù)據(jù)代入訓(xùn)練好的SVM分類模型，將輸出結(jié)果和類標(biāo)記ym對比，該SVM模型在測試集上獲得的正確率為98.85%。按分類結(jié)果，將非裂縫類的連通域刪除，結(jié)果如圖4所示。

圖4 SVM分類結(jié)果Fig.4 SVM classification result

3 改進(jìn)區(qū)域生長法

大多分割算法在裂縫邊緣處不能取得很好的準(zhǔn)確度，區(qū)域生長法的邊緣分割效果較好，故本研究利用區(qū)域生長提取更精準(zhǔn)的裂縫邊緣。區(qū)域生長法需要預(yù)先選擇種子點(diǎn)，人工選擇種子點(diǎn)效率低下，種子點(diǎn)質(zhì)量不穩(wěn)定；區(qū)域生長后的圖像有噪聲，并且一些裂縫會不連續(xù)。針對上述問題，本研究提出一種自動選擇高質(zhì)量種子點(diǎn)的方法。然后對區(qū)域生長后的圖像進(jìn)行去噪、裂縫連接的后處理。

3.1 種子點(diǎn)選擇與檢驗(yàn)

3.1.1 種子點(diǎn)的選擇

一般來講，種子點(diǎn)選擇在裂縫邊緣及毛刺會使后續(xù)區(qū)域生長的效果不佳，反之，選擇裂縫中心作為種子點(diǎn)，生長效果普遍較好。故對經(jīng)過SVM分類后的圖像進(jìn)行形態(tài)學(xué)腐蝕，以減少毛刺、排除掉裂縫邊緣，獲得裂縫絕對區(qū)域。

為保證種子點(diǎn)與ROI的相似性，選擇的種子點(diǎn)像素值應(yīng)該靠近ROI像素值均值。像素值要求如下：

(16)

3.1.2 種子點(diǎn)的檢驗(yàn)

如果所選擇的種子點(diǎn)在絕對的裂縫區(qū)域，那么以種子點(diǎn)為中心，沿著裂縫垂直方向各像素的深度值大致呈高-低-高的形態(tài)。計(jì)算出種子點(diǎn)在0°，45°，90°，135°方向上的深度變化，判斷其變化是否呈高低高形態(tài)。種子點(diǎn)左右兩側(cè)r個(gè)像素的灰度平均值分別為：

(17)

各方向的灰度變化為：

(18)

深度形態(tài)變化判定：

max(dw)≥T1。

(19)

裂縫方向性判定：

max(dw)-min(dw)≥T2，

(20)

式中，I(u)為檢測模板中第u個(gè)像素的灰度值；w=1,2,3,4，分別代表0°，45°，90°，135°方向；mwm為w方向兩側(cè)的最小灰度值；T1，T2分別為形態(tài)變化閾值和方向性閾值。如果種子點(diǎn)不滿足深度形態(tài)變化判定或者方向性判定，則去除該種子點(diǎn)。結(jié)果如圖5所示，局部細(xì)節(jié)圖如圖6所示，方框內(nèi)為展示的種子點(diǎn)。

圖5 種子點(diǎn)集示意圖Fig.5 Schematic diagram of seed point set

圖6 局部細(xì)節(jié)Fig.6 Local details

3.2 區(qū)域生長

區(qū)域生長的思想就是把領(lǐng)域(4領(lǐng)域、8領(lǐng)域等)的相同性質(zhì)化為一個(gè)區(qū)域。首先頂出種子地點(diǎn)集中一個(gè)種子點(diǎn)作為生長的開始，然后將種子點(diǎn)鄰域內(nèi)滿足相似準(zhǔn)則要求的像素點(diǎn)合并到種子的區(qū)域，將這個(gè)區(qū)域的像素都作為種子點(diǎn)加入種子點(diǎn)集，在種子點(diǎn)集中重新頂出一個(gè)種子點(diǎn)，繼續(xù)進(jìn)行生長，直到種子點(diǎn)集中沒有種子地安，生長結(jié)束，所有頂出的種子點(diǎn)像素作為生長的區(qū)域。上文已經(jīng)選擇好種子點(diǎn)集，相似準(zhǔn)則為：

|gray(seed)-gray(4_neibour)|≤Thresh,

(21)

式中，gray(seed)為本輪種子點(diǎn)的灰度值；gray(4_neibour)為其4鄰域各點(diǎn)的像素值；Thresh為設(shè)置的閾值。

區(qū)域生長的具體流程如下：

(1)將各個(gè)連通域選擇的種子點(diǎn)集坐標(biāo)放入種子點(diǎn)集seeds。

(2)頂出種子點(diǎn)集中的一個(gè)種子點(diǎn)，對種子點(diǎn)8鄰域的像素點(diǎn)進(jìn)行相似準(zhǔn)則判斷；滿足相似準(zhǔn)則條件的點(diǎn)，視為種子點(diǎn)放入種子點(diǎn)集seeds。

(3)將頂出的種子點(diǎn)存入種子集S。

(4)如果種子點(diǎn)集內(nèi)沒有元素，則跳到步驟(5)；如果種子點(diǎn)集中還有元素，則跳到步驟(2)。

(5)生成一張和輸入圖像長寬一致，像素值全為0的圖像I。

(6)將圖像I中對應(yīng)種子集S坐標(biāo)的像素值置為255，得到分割圖像I′。

獲得的圖像有毛刺，并且有些斷連。但相對于預(yù)處理，裂縫沒有被擴(kuò)寬，邊界處的分割更準(zhǔn)確，區(qū)域生長后的結(jié)果如圖7所示。

圖7 區(qū)域生長結(jié)果Fig.7 Regional growth result

3.3 裂縫連接

經(jīng)過區(qū)域生長后的裂縫由于噪聲的影響，會出現(xiàn)毛刺、空洞甚至裂縫斷裂的情況，故需要對區(qū)域生長后的裂縫圖像進(jìn)行去噪和裂縫連接。本研究首先對經(jīng)過區(qū)域生長后的裂縫圖像進(jìn)行形態(tài)學(xué)開運(yùn)算處理去除毛刺、再進(jìn)行形態(tài)學(xué)閉運(yùn)算去除空洞，過濾掉面積小于10的孤立區(qū)域。然后根據(jù)連通域之間的方向性和位置信息對裂縫進(jìn)行連接。

經(jīng)過區(qū)域生長后的裂縫存在的毛刺般比較細(xì)，空洞比較小，形態(tài)學(xué)開運(yùn)算只需要對很小的結(jié)構(gòu)元就能剔除毛刺和空洞。但開運(yùn)算也會過濾掉本來相連接的細(xì)小裂縫，再加上區(qū)域生長的局限性所產(chǎn)生的裂縫不連續(xù)，對裂縫進(jìn)行連接就變得更加重要了。

本研究根據(jù)裂縫區(qū)域間方向一致性和相對位置距離來連接裂縫。

上文中得到各最優(yōu)擬合橢圓的旋轉(zhuǎn)角為θi;相鄰的裂縫區(qū)域Pj最優(yōu)擬合橢圓的旋轉(zhuǎn)角為θj;lij為裂縫區(qū)域Pi和Pj的最近距離。當(dāng)兩個(gè)裂縫連通域生長方向基本一致并且距離也比較近時(shí)，就可以判定兩裂縫區(qū)域需要連接，否則不連接。當(dāng)滿足式(22)時(shí)，將距離最近的兩個(gè)像素直接連接，線寬為3。

(22)

4 試驗(yàn)與分析

對20張包括各種裂縫的圖像進(jìn)行檢測，利用labelme對圖像進(jìn)行人工標(biāo)注。

4.1 算法參數(shù)

算法需要確定深度形態(tài)變化判定閾值T1、裂縫方向性判定閾值T2、區(qū)域生長閾值Thresh、像素均值偏置a、檢測模板半徑r這5個(gè)參數(shù)。經(jīng)觀察，多數(shù)裂縫的寬度為4～6，要盡可能避免檢測模板未跨越裂縫，需要滿足2r+1>16，考慮到r越小靈敏度越好，合理選擇T1=4，T2=3，經(jīng)過試驗(yàn)比較，當(dāng)檢測模板半徑r=8時(shí)取得較好結(jié)果。此外，由于選擇的一系列點(diǎn)作為種子點(diǎn)，嚴(yán)格的生長條件也能獲得不錯的邊界，但連續(xù)性受影響，綜合考慮選擇Thresh=5。為保證種子點(diǎn)與ROI的相似性，又盡可能多保留像素作為種子點(diǎn)，設(shè)置a=10。

4.2 試驗(yàn)結(jié)果

選取的20張不同類型的裂縫圖像作為試驗(yàn)圖像，圖像背景包括滲水、混凝土砂漿黏結(jié)等干擾，圖像尺寸為1 024×1 024像素。測試平臺硬件處:Intel(R) Core(TM) i5-8500 CPU @3.00GHz; 安裝內(nèi)存(RAM): 16.0GB; 操作系統(tǒng): Ubuntu 16.04，軟件編程語言: Python。

本研究分別對分水嶺法[14]～[15]、文獻(xiàn)[16]～[17]的FFA算法、本研究算法、Frangi濾波后進(jìn)行基礎(chǔ)特征濾。

圖8中，圖8(a)為對應(yīng)圖像的人工標(biāo)注圖像，圖8(b)為對應(yīng)圖像分水嶺算法分割結(jié)果，圖8(c)為對應(yīng)圖像FFA算法分割結(jié)果，圖8(d)為對應(yīng)圖像本研究算法分割結(jié)果,圖8(e)為對應(yīng)圖像算法F的分割結(jié)果。從圖中對比可以看出本研究算法由于使用SVM預(yù)先選出裂縫區(qū)域，誤判較少，噪聲較少；區(qū)域生長法的邊緣分割較準(zhǔn)確。

圖8 各算法分割結(jié)果對比Fig.8 Comparison of segmentation results obtained by different algorithms

對比標(biāo)注圖像，計(jì)算分割圖像各算法的準(zhǔn)確率A、精確率P、召回值R，F(xiàn)1值[18]，進(jìn)行分割效果客觀比較。

準(zhǔn)確率:

(23)

精確率：

(24)

召回率：

(25)

F1值：

(26)

式中TP，TN，F(xiàn)P，F(xiàn)N分別為正類判定為正類數(shù)目、負(fù)類判定為負(fù)類數(shù)目、負(fù)類判定為正類數(shù)目、正類判定為負(fù)類數(shù)目。

根據(jù)各算法分割結(jié)果計(jì)算的準(zhǔn)確率、精確率、召回率、F1值繪制折線圖。由于分水嶺算法結(jié)果較差，為更好顯示折線圖細(xì)節(jié)，不展示分水嶺評價(jià)對比。各算法分割結(jié)果評價(jià)如圖9所示，圖9(a)為各算法準(zhǔn)確率圖，圖9(b)為各算法精確率圖，圖9(c)為各算法召回率圖。

圖9 各算法分割結(jié)果評價(jià)Fig.9 Evaluation of segmentation result obtained by each algorithm

從圖9可以看出，本研究算法在準(zhǔn)確率、精確率、F1值方面表現(xiàn)較好，并且波動較?。辉谡倩芈史矫?，算法F較本研究好。因?yàn)樵诒狙芯克惴ㄖ?，召回率表示正確預(yù)測的裂縫點(diǎn)占總的裂縫點(diǎn)比例，算法F在增加TP數(shù)目同時(shí)拓寬了實(shí)際裂縫，雖然實(shí)際效果并不好，但能獲得較好召回率。

表1 各算法性能比較Tab.1 Comparison of performance of different algorithms

從表1可以看出，本研究算法在準(zhǔn)確率、精確率、F1值優(yōu)于其他算法，召回率均值上表現(xiàn)不如算法F。本研究算法各指標(biāo)均方差都最小，說明本研究算法波動較小，泛化更好。

5 結(jié)論

(1)本研究針對復(fù)雜背景下的裂縫，提出裂縫分割算法，進(jìn)行了Bilateral-Frangi濾波、支持向量機(jī)訓(xùn)練、種子點(diǎn)集選擇、區(qū)域生長、去噪、裂縫連接。經(jīng)過測試，本研究算法在準(zhǔn)確率、召回率和F1值方面表現(xiàn)良好，總體上優(yōu)于其余3種算法。

(2)本研究對于各種裂縫有更好的泛化性，但運(yùn)行速度不夠理想，可以利用多線程等手段加速運(yùn)行速度。

(3)裂縫人工標(biāo)注具有主觀性，標(biāo)注沒有形成標(biāo)準(zhǔn)，所測結(jié)果隨標(biāo)注不同而表現(xiàn)不同，后續(xù)可以對標(biāo)注標(biāo)準(zhǔn)進(jìn)行研究。由于背景和裂縫種類繁多，單一圖像包含信息有限，可以進(jìn)一步結(jié)合更多信息，開發(fā)新的裂縫分割方法。