高等級公路路面裂縫類病害輪廊提取的算法研究

摘要：介紹了高等級公路路面的裂縫類病害的輪廓利用數(shù)字圖像技術進行提取的方法。利用高速的黑白CCD攝像機配合光源，實時攝取公路路面的圖像，并對圖像進行噪聲濾除、邊緣檢測和圖像分割操作，最后可以清晰地提取出路面裂縫的輪廓，為后期計算裂縫開裂長度、寬度和損壞密度等參數(shù)的計算提供依據(jù)。

隨著我國高等級公路建設的快速發(fā)展，高等級公路路基路面的質量監(jiān)控體系越來越完善，要求的檢測水平也越來越高。由于車輛在高等級公路上行駛時，對路面的平整度、路面完好率要求很高，當路面出現(xiàn)凹凸、裂紋等病害時，應及時進行維修；否則，交通安全就會受到影響。目前，國內檢測高等級公路路況的手段主要是依靠人工丈量的方法，不但效率低、勞動強度大、檢測速度慢、誤差較大，不能滿足高等級公路檢測的要求，而且在高速公路上進行人工檢測十分危險。CCD攝像機作為一種光電圖像傳感器，已廣泛應用于幾何尺寸測量、光譜測試、位移測量、速度測量、天文觀測等領域[1]。將CCD技術應用于高等級公路路況的檢測，可解決人工丈量所存在的缺陷和不足。

    本文提出利用數(shù)字圖像技術對高等級公路路面的裂縫類病害的輪廓進行提取。利用高速的黑白CCD攝像機配合光源，實時攝取公路路面的圖像，并對圖像進行噪聲濾除、邊緣檢測和圖像分割等操作，最后可以清晰地提取出裂縫的輪廓，為后期的測量提到高質量的圖像。

1 圖像采集

系統(tǒng)硬件環(huán)境的結構設計是系統(tǒng)實現(xiàn)的關鍵之一。根據(jù)系統(tǒng)實現(xiàn)目標和可行性的分析，以及實驗條件的限制，搭建了圖1所示的實驗室硬件工作環(huán)境。經實踐證實，該系統(tǒng)可以滿足對路面圖像采集的要求。

考慮到整個系統(tǒng)將運行在野外的測試車上，各種設備的交、直流供電情況是必須考慮的一個問題。應選用合適的穩(wěn)壓電源和調光電源向照明系統(tǒng)、CCD和計算機進行供電。CCD相機對被測路面的光線情況要求很高，太強或太弱的光線都不利于病害路面在CCD相機中成像，合適的光源和光學系統(tǒng)才能保證被測路面在CCD中良好地成像。CCD借助光學系統(tǒng)將照射于其上的光信號轉換為電信號，形成視頻信號。圖像采集卡完成對圖像模擬視頻信號的模/數(shù)轉換功能，經抽樣與量化的數(shù)字圖像在計算機中進行后期的數(shù)字圖像處理。在實際應用中，CCD攝像機選用MINTRON公司的MTV-1881EX 1/2英寸黑白低照度高解析攝像機，圖像采集卡選用MicroView公司的MVPCI-V2A專業(yè)黑白圖像采集卡。攝像機固定在可移動的測試裝置上，實時地攝取高等級公路路面的圖像并輸出視頻信號給圖像采集卡。圖像采集卡完成模擬視頻信號的數(shù)字化工作。數(shù)字化圖像的空間分辨率設置為512×512，灰度分辨率8位256級。選用精工SE0813-3CCD光學鏡頭，焦距為8mm，F(xiàn)=1.3，銳片規(guī)格為2/3英寸，視場角為42.6°。

2 圖像處理

2.1 圖像預處理

在圖像的采集過程中，由于受到光源和CCD相機抖動（運行中）的影響，圖像中不可避免地存在大量的噪聲，這為后面的邊緣檢測工作帶來了較大地困難。因此，首先需要對采集的數(shù)字圖像進行濾波去噪處理。噪聲濾除一直是數(shù)字圖像處理領域中一個經典的課題。對有噪聲的圖像進行邊緣檢測的方法已有很多，如Robert梯子各有所長，但對于裂縫類病害的圖像并不適用。所以，希望能尋求既能很好地保護裂縫的邊緣，又有濾除圖像中噪聲的圖像濾噪算法，對圖像進行預處理。

通常的濾波算法都設計為低通濾波算法，在濾除噪聲的同時也模糊了圖像中的邊緣細節(jié)。應用較多的濾波技術有Lee濾波器、Frost濾波器、Camma CAP濾波器等。這些濾波算法都是基于對圖像局部統(tǒng)計特性自適應的，濾除噪聲的效果較好。但是，由于算法本身的原因，往往造成圖像邊緣細節(jié)信息模糊，降低了圖像的質量。針對這一問題，人們提出許多改進算法，如改進的Lee濾波器、變窗口濾波器等。這些算法雖然在一定程度上解決了邊緣模糊的問題，但也帶來新問題。例如改進的Lee濾波器，由于要進行邊緣檢測，所以選擇的窗口就不能太大；但小窗口對消除斑噪聲不利，又降低了效能[5]。因此，希望能尋求一種具有邊緣保護功能的噪聲濾除算法。

針對以上情況，本文采用加權的領域平均算法對圖像進行噪聲濾除。該算法不僅能夠有效地平滑噪聲，還能夠銳化模糊圖像的邊緣。同時該算法計算比較簡單，不需要任何驗知識和預定的參數(shù)，能為后期的邊緣檢測工作提供高質量的數(shù)字圖像。

算法的計算公式描述如下：

用f(x,y)表示原始圖像，g(x,y)為平滑后點（x,y）的灰度值，Vx,y表示以點（x,y）為中心的領域，該鄰域包含N個像素，m(x,y)表示鄰域Vx,y內的灰度均值。則修正的領域平均法由下式給出：

式（1）中，α為修正系數(shù)，取值范圍為0到1，它的大小反映Vx,y中的邊緣狀況。α定義如下：

式（2）中，γ>0。

上偏差以mg(x,y)表示，定義為灰度值大于領域均值m的各像素的灰度平均值與m之差；下偏差以m1(x,y)表示，定義為領域均值m與灰度值小于m的各像素的灰度平均值之差。分別以Ng,N0，Nl代表Vx,y內灰度值大于、等于、小于m的像素數(shù)，則灰度的上偏差mg(x,y)和下偏差ml(x,y)可以分別表示為：

式（3）中，m的定義如下：

指數(shù)γ的大小直接影響上式的性能。γ越小，對噪聲的平滑作用越強；γ越大，其稅化作用越強。一般在噪聲較強的情況下，噪聲干擾對圖像質量的影響比較突出，所以γ應當取較小的值；反之，在噪聲較弱和圖像細節(jié)較多的情況下，γ應當取較大的值。

在本文的實驗中，考慮到噪聲的濾除效果和后期的處理，γ取1，而Vx,y取為7×7鄰域。

2.2 邊緣檢測

對于路面裂縫類病害的識別檢測來說，邊緣檢測算法的好壞在很大程度上影響識別和檢測的效果與精度。在數(shù)字圖像處理的邊緣檢測方面，前人已進行了大量的科學研究和探索，提出和推導了大量經典的邊緣檢測算法。經典的、最簡單的邊緣檢測方法是對原始圖像按像素的某領域構造邊緣檢測算子，例如梯度算子、Sobel算子、Laplacian算子、Marr算子和Rosenfeld的門式算子等。在上述常用的算法中，梯度算子的思路簡捷，運行速度較快；但是梯度算子只有水平和垂直兩個方向的模板，其模板方向僅表示灰階變化的梯度方向，而不是圖像的實際邊緣方向。Sobel算子運行速度較塊，能濾除一些噪聲，去掉部分偽邊緣，可提供最精確的邊緣方向估計[2]，并在檢測斜向階躍邊緣時具有較好的效果。但是Sobel邊緣檢測算子主要有水平和垂直兩個方向的模板，算法的有向性使其不能對路面病害中的不規(guī)則裂縫進行有效識別與檢測。Laplacian和Marr算子無方向性，并在邊緣檢測過程中，先對原始圖像進行平滑，以降低噪聲的影響。但是，由于對圖像的平滑使得算子對邊緣的定位不精確，處理后的邊緣像素數(shù)目較多。

    考慮到采集的路面裂縫類病害圖像已進行了噪聲濾除的預處理，又考慮到裂縫類病害的類型包括模向裂縫、縱向裂縫和不規(guī)則裂縫，邊緣可能在各個角度方向存在梯度。因此，構造了8個方向的模板對圖像進行Sobel邊緣檢測。該算法在邊緣檢測中是各向同性的。

算法實現(xiàn)的基本思想是：構造如圖2所示的8方向模板，對圖像進行逐點計算，并且取最大值作為該點的新的灰度值，該最大值對應模板所表示的方向為該像素點的邊緣方向。

2.3 圖像分割

該部分將經過8方向Sobel邊緣檢測的數(shù)字圖像，進行圖像分割（二值化）?？紤]到需要對路面的病害圖像作備份，同時也為了方便檢測者了解裂縫的形狀和走向，系統(tǒng)要提供直觀的二值化圖像，以供參考和進行后續(xù)的圖像處理與測量工作。本文的圖像分割算法選用由Ostu提出的最大類間方差法，該算法是在判決分析最小二乘法原理的基礎上推導得出的[2]。

OSTU準則分割原理如下：

設一幅圖像的灰度等級范圍為[1,2,…L]，對應灰度級i的像素為ni個，整幅圖像的象素總個數(shù)N=n1+n2+…+nL，則對應灰度級i的像素出現(xiàn)的概率為：

整幅圖像總的均值為：

若整幅圖像以灰度級K及閾值，且分為C0與C1兩類。其中C0類灰度級范圍為[1,…K]，C1類為[K+1,…L]。

這兩類的方差分別為：

式中，Pr為在C0（或C1）類中灰度級i的象素出現(xiàn)的概率，u0和u1分別為C0和C1類的均值。

這樣有w0u0+w1u1=ur成立，w0和w1分別為C0類和C1類的概率。在此OSTU定義類內方差：

類間方差：

    總的方差：

OSTU準則即：最優(yōu)的閾值灰級K*滿足下式：

3 實驗分析

上面介紹了系統(tǒng)工作的硬件環(huán)境和算法實現(xiàn)的原理和方法。下面將通過對路面橫向裂縫、縱向裂縫和不規(guī)則裂縫圖像的實際處理，觀察算法對裂縫類病害的識別能力。

圖3示出本算法對實驗環(huán)境下采集圖像中的各類裂縫進行處理的結果。圖3（a）、（b）、（c）是在硬件平臺上采集的橫向、縱向和不規(guī)則裂縫的樣圖；圖3（d）、（e）、（f）是對樣圖進行噪聲濾除、8方向Sobel邊緣檢測和圖像分割（二值化）處理后得到的二值化圖。由以上實驗可以看出，本文提出的算法能對各類裂縫類病害進行較好的處理與識別，能夠好地消除噪聲的影響，裂縫輪廓清晰。

在實際的測試過程中，當物距為20cm，圖像采集選用512×512像素的分辨率時，視場范圍是11cm×11cm，CCD中像素分辨率為0.2mm。當物距為50cm時，視場范圍是28cm×28cm，CCD像素分辨率為0.5mm。

    在Visual C++ 6.0開發(fā)環(huán)境下編制的這套圖像處理和病害識別軟件，采用模塊化設計，具有方便、簡潔的用戶界面，系統(tǒng)易于開發(fā)、易于移植等特點。它可控制圖像采集卡對圖像進行實時監(jiān)控、采集、顯示和存儲等操作，同時具有對路面裂縫類病害包括橫向、縱向和不規(guī)則裂縫圖像進行噪聲濾波、邊緣檢測、圖像分割和目標識別的功能。

由以上實驗可以看出，本文提出的對高等級公路路面的裂縫類病害的輪廓進行提取的算法可以清晰的提出路面裂縫的輪廓，為后期的測量提供高質量的圖像。