韋春桃， 余俊辰， 趙平， 李小勇

(重慶交通大學 土木工程學院， 重慶市 400074)

1 前言

目前的道路裂縫檢測主要是憑借人工檢測，不僅效率低下，而且浪費了大量的人力資源。隨著圖像處理技術的不斷發(fā)展，路面裂縫由計算機圖像技術自動化處理能較好地解決這個問題。但是目前中國還沒有一種普遍認可的道路裂縫自動檢測方法。

目前，對普通裂縫圖像的識別已經(jīng)有了比較深入的研究：在國外，學者們利用或改進現(xiàn)流行的圖像處理方法提取裂縫或者進行圖像分類。如Doycheva K等采用中值濾波和頂帽變換去除圖像中的噪聲和陰影，應用小波變換計算分類值的描述符，基于這個值，圖像被分類為良好的路面圖像或含有裂縫的圖像；Koch C等基于直方圖閾值，先將圖像分割成缺陷和非缺陷區(qū)域，然后基于缺陷區(qū)域的潛在坑槽形狀的幾何性質(zhì)，利用形態(tài)學的細化和橢圓回歸近似估計，針對坑槽類裂縫檢測效果較好。部分學者結(jié)合機器學習與機器視覺的知識，運用分類的思想?yún)^(qū)分出裂縫圖像。如Oliveira H等提出了一種自動選擇數(shù)據(jù)庫圖像，并用于無監(jiān)督的訓練系統(tǒng)；Banharnsakun A等使用人工蜂群算法(ABC)和人工神經(jīng)網(wǎng)絡(ANN)之間混合的路面破損檢測與分類系統(tǒng)；Cord A等基于Adaboost監(jiān)督學習自動區(qū)分道路表面的缺陷圖像和無缺陷圖像。還有學者從數(shù)據(jù)信息類別入手，增加數(shù)據(jù)種類。如：Huang J等將二維(2D)灰度圖像和三維(3D)激光掃描數(shù)據(jù)結(jié)合起來，提出了一種基于Dempster Shafer(D-S)理論的方法來提取裂縫。中國國內(nèi)，學者們利用多特征融合作為特征描述，導入分類器進行分析。如盧紫微等提出一種基于分區(qū)域多尺度分析的新型路面缺陷檢測算法，從圖像的不同尺度上提取裂縫及其周圍不同區(qū)域的灰度、熵和紋理特征分布信息，獲得蘊含方向走勢和彎曲程度等參數(shù)的特征向量，通過支持向量機(Support Vector Machine，SVM) 的學習并對所得特征向量進行判斷，檢測出裂縫點所在位置。計算裂縫范圍與評估災害也是中國的研究方向之一。如許薛軍利用棋盤格角點求解像素率來實現(xiàn)對橋梁裂縫寬度的計算。部分學者基于像素灰度差異，以及聚類與分割算法提取裂縫。如李清泉提出了一種基于最小代價路徑搜索的路面裂縫檢測方法，將裂縫提取問題轉(zhuǎn)化為格狀圖頂點之間最小代價路徑搜索的問題；鄒勤提出了一種基于目標點最小生成樹的路面裂縫檢測方法，對于不連續(xù)裂縫的處理比較優(yōu)秀。還有基于頻率域的特征檢測算法也是研究的熱點。如馬常霞等利用非下采樣Contourlet變換(NSCT)和圖像形態(tài)學方法來檢測裂縫。

以上是關于普通裂縫圖像的研究，它們都對此類問題產(chǎn)生了積極的作用，不過其中大部分文獻處理的裂縫圖像特征較為單一與明顯，與生產(chǎn)單位遇到的實際問題結(jié)合不夠緊密。尤其沒有提及細小裂縫的自動檢測問題。細小裂縫與微灰度差異裂縫的檢測有利于道路養(yǎng)護與災害的防治。而關于細小裂縫的檢測以及微灰度差異的檢測存在著：人眼識別困難、識別效率低、識別錯誤率高的問題。

關于細小裂縫的檢測以及微灰度差異的裂縫檢測的文獻比較少。具有代表性的是：張德津提出了一種基于空間聚集特征的瀝青路面裂縫檢測方法，實現(xiàn)了裂縫區(qū)域較為完整的檢測。但是試驗的裂縫圖像噪聲特征比較單一，對灰度校正方法的依賴性比較高。細小裂縫的自動檢測是道路裂縫檢測能大量減少人力、提高檢測效率和正確率、更好地防治災害的關鍵。

該文提出一種細小裂縫的自動化檢測算法，其針對細小裂縫與微灰度差異裂縫的移動平均自適應閾值分割；利用線性結(jié)構(gòu)的連通域規(guī)則噪聲去除；基于Hough變換的裂縫圖形自動檢測。最后利用該文方法對實例工程細小裂縫進行自動檢測。

2 路面圖像的移動平均自適應閾值分割

為了減少光照偏差的影響，此方法是沿著一幅圖像的掃描線計算移動平均值。掃描以zigzag模式逐線執(zhí)行(圖1)。

圖1 zigzag模式

令Zk為掃描順序中，第k步時點的灰度。這個新點處的移動平均值(平均灰度)由式(1)給出：

(1)

式中：n為用于計算平均的點數(shù)，且M(k)=Zk/n。因為移動平均值在圖像中對每一點計算，所以分割用式(2)執(zhí)行：

(2)

式中：H為[0,1]范圍內(nèi)的常數(shù)；Mxy為輸入圖像在點(x,y)處的移動平均值。移動平均與其他幾種常用的全局閾值分割方法的比較見圖2。

圖2 移動平均與幾種常用閾值分割方法的比較

由圖2可以看出：移動平均的閾值分割方法對道路圖像的處理效果較好，噪聲相對較小，而且減少了灰度不均對于裂縫提取的影響，有利于后續(xù)基于連通域規(guī)則的噪聲去除。

但是傳統(tǒng)的移動平均方法中的閾值H是人為設定的，這樣對不同的圖像處理的效果不同。該文利用大量高速公路圖像進行試驗，提出一種自適應閾值的移動平均分割算法，H的確定方法如下：

H=[1-2(Tmean-Tmin)]/1 000

(3)

式中：Tmean為路面圖像的路面灰度平均值；Tmin為路面灰度的最小值；由于裂縫在圖像中灰度比周圍的像素相對較低，現(xiàn)有設備往往受光照不均以及光照變化的影響，得到的圖像容易造成過度分割或者欠分割。

在圖3中，圖3(a)裂縫灰度值與周圍灰度值相比來說比較接近，中間部分幾乎不相連。用自適應移動平均算法圖3(f)與固定閾值的移動平均算法圖3(b)～(e)的比較，可以看出自適應閾值的分割能提取完整裂縫信息的同時，噪聲相對較小，易去除。與文獻[11]中利用頻率域子帶的粗分割方法相比，該文粗分割算法對于微灰度差異裂縫處理來說具有更好的魯棒性。與文獻[12]的方法相比，灰度不均對該文方法的影響更小。

圖3 該文方法與不同閾值、其他文獻方法效果比較

粗分割的好壞直接影響到整體算法的優(yōu)劣，并且決定了之后處理算法的復雜難易程度，是算法的核心。該文的粗算法不受灰度不均的影響，能較為完整地提取出裂縫，并且粗分割的二值圖像噪聲比較細碎貼合實際，有利于分割后處理，減少了運算的復雜程度。

3 基于連通域線性結(jié)構(gòu)規(guī)則噪聲去除

由于該文上述的粗分割方法會分割出細小而繁多的背景噪聲。為了減小運算量，需要對細碎的噪聲進行去除：使用連通域標記的方法將相互鄰接的圖像單元提取出來并標記，然后去除細小的圖像單元(圖4)。

圖4 連通域標記去噪結(jié)果

連通域規(guī)則線性結(jié)構(gòu)去除噪聲的算法如下：定義Sct為連通域面積，即該連通域中像素個數(shù)；Sce為連通域外接圓面積；Sbx、lm分別為連通域可旋轉(zhuǎn)最小包圍矩形面積、較長邊長。濾除路面紋理噪聲的判別準則為：

(a)Sct

(b)lm

(c)Sct/Sce>Tcc

其中:Tc、Tmb和Tcc為預設閾值。(a)為條件一，(b)與(c)的交集為條件二。條件一表明：面積過小連通域圖斑被認為是噪聲；條件二表明：形狀近似圓形的連通域斑塊，被認為是噪聲。滿足以上任意條件即可去除。

4 道路裂縫邊緣提取

Canny算子能夠準確地檢測到弱邊緣，而且噪聲對該種辦法的干擾較小。由于Canny算子的特點，該文選擇Canny算子進行道路裂縫邊緣提取(圖5)。

圖5 Canny邊緣提取后結(jié)果

5 利用Hough變換檢測裂縫

5.1 Hough變換原理

Hough變換思想為：在原始圖像坐標系下的一個點對應了參數(shù)坐標系中的一條直線，同樣參數(shù)坐標系的一條直線對應了原始坐標系下的一個點。而且，原始坐標系下呈現(xiàn)直線的所有點，它們的斜率和截距是相同的，所以它們在參數(shù)坐標系下對應于同一個點。這樣在將原始坐標系下的各個點投影到參數(shù)坐標系下之后，在參數(shù)坐標系下產(chǎn)生了聚集點，這樣的聚集點就對應了原始坐標系下的直線。Hough變換根據(jù)如下公式：

xcosθ+ysinθ=ρ

(4)

把x-y平面圖像轉(zhuǎn)換為θ-ρ參數(shù)平面上的圖像矩陣。

5.2 Hough變換自動化檢測道路裂縫

由于道路裂縫不可能是完美平滑的直線，所以只能把裂縫當作近似值處理。Hough變換中，當橫縱坐標一定時，像點的灰度值大小與此時Hough變換的橫縱坐標在二值化圖像中代表的直線有關。即此直線上的點越多，在Hough變換中圖像點的灰度越大，代表此方向的特征越明顯。

當各個方向的灰度小于經(jīng)驗閾值時，說明此道路圖像上不具有明顯裂縫特征，根據(jù)經(jīng)驗閾值二值化Hough變換圖像時，不會顯現(xiàn)圖形；當灰度大于或者等于經(jīng)驗閾值時，說明此道路圖像上具有較為明顯的裂縫特征。同時，Hough變換域中的灰度值的大小表示圖形在該方向上的大小(即是原始圖像中裂縫的長短)。在根據(jù)經(jīng)驗閾值二值化Hough變換圖像時，Hough變換坐標軸內(nèi)會顯示一些白色的點，這些點代表著圖像的顯著特征。

把原始圖像中給定曲線的檢測問題轉(zhuǎn)化為尋找參數(shù)空間中的峰值問題。也即把檢測整體特性轉(zhuǎn)化為檢測局部特性。根據(jù)Hough變換的原理及特點，該文對Hough變換之后的圖形進行極值提取，并對提取值最大的10個具有代表性的極值點，用小窗口表示。此時Hough變換中提取的極值點代表的是該圖像中邊緣的特征。根據(jù)極值點的分布可以分析出道路裂縫的主要走勢(圖6)。

以此方法就能將裂縫圖像和完好路面圖像區(qū)分。由于路面圖像復雜，有時會分割出類似于裂縫的噪聲。Hough變換能有效地彌補這一點，在利用Hough變換檢測線性邊緣時，噪聲會以較小的灰度呈現(xiàn)變換域中，以經(jīng)驗閾值分割時會被去掉[圖6(b)]，留下道路裂縫的主要走勢。

圖6 Hough變換處理結(jié)果展示

6 試驗結(jié)果與分析

6.1 高速公路道路標線的去除方法

該文采用的數(shù)據(jù)是2014年長壽湖高速公路的道路路面圖像。由于長壽湖高速公路投入使用時間較短，及時發(fā)現(xiàn)與修補細小裂縫是防治災害、減少財產(chǎn)損失的關鍵。

高速公路裂縫的路面情況豐富，有著許多不是裂縫的奇異點，比如道路車道線、水漬等。因此在高速公路的檢測中，需要盡可能減少干擾裂縫的奇異點。上述結(jié)合移動平均法和連通域規(guī)則的去噪方法是一種魯棒性較好的噪聲去除方法，但是在高速公路圖像中卻受到道路車道線與交通標識線的嚴重影響，導致不能很好地去除噪聲。該文在上述細小裂縫的自動化裂縫檢測算法之前加入Otsu′s閾值處理方法，就可以排除車道線的干擾。

Otsu′s方法又名最大類間差方法(大律法)，通過統(tǒng)計整個圖像的直方圖特性來實現(xiàn)全局閾值Ti的自動選取。

運用大律法能將圖像中灰度值相對高的區(qū)域自動分割的特性，分割出車道白線的區(qū)域。同時在原灰度圖像中，以背景區(qū)域灰度的平均值代替車道白線區(qū)域。但是也有出現(xiàn)車道白線與路面灰度相當?shù)那闆r，此時利用大律法分割之后，根據(jù)車道線近似于矩形的特點與路面區(qū)分，即是根據(jù)連通域與其最小外接矩形的占比區(qū)分：

Sct/Sbx>Tj

(5)

式中：Sct為連通域面積；Sbx為連通域可旋轉(zhuǎn)最小包圍矩形面積；Tj為預設閾值，表示當提取部分近似為矩形時，認為此部分為車道白線。并用其他區(qū)域的灰度平均值淹沒。如圖7所示。

圖7 車道線去除效果展示

從圖7可以看出：高速公路裂縫圖像存在以下幾個問題：圖像四個角灰度比中央低；路面除了車道線還有油漬水漬，以及各種小斑點污漬。該文去噪算法可以在去除噪聲的同時，較為完整地提取細小裂縫。同理，對于光照不均而導致圖像中央灰度高的圖像也可以用此方法去除車道線的干擾。光照不均導致了大律法的過分割，提取了多余的噪聲信息。運用該文的方法可以較好地去除車道線。

6.2 檢測效果展示

該文從長壽湖高速公路裂縫檢測的工程項目中，選取了6幅包含細小裂縫的代表性道路圖像來作為試驗應用效果的展示(圖8、9)。這6幅原始圖像不僅包含了車道線、水漬油漬、樹木陰影等噪聲；還有著圖像灰度不均的干擾。這些干擾都會對細小裂縫的檢測產(chǎn)生影響，尤其是對圖像粗分割產(chǎn)生的影響最大。從圖8、9可以看出：

圖8 分割結(jié)果對比與試驗結(jié)果展示(Ⅰ)

(1) 文獻[11]的方法不適用于細小裂縫的檢測，由于高頻子帶中細小裂縫的系數(shù)與背景噪聲的系數(shù)分布與大小差異小，難以區(qū)分開；文獻[12]的方法適用于細小裂縫的檢測，但是依賴于灰度校正方法；該文的方法粗分割出的裂縫圖像：噪聲比較小，易去除；受灰度不均的影響小，能相對完整地提取出細小裂縫的信息。

(2) 粗分割方法對于裂縫檢測算法的作用極為重要，直接影響到最終裂縫信息的提取。文獻[11]與文獻[12]由于各自的缺點不能將噪聲與細小裂縫區(qū)分，而得不到最終的裂縫提取結(jié)果。

接下來的步驟就是對裂縫提取結(jié)果進行邊緣提取與Hough變換檢測裂縫。該文利用100幅校園道路裂縫圖像，與87幅2014年長壽湖高速公路裂縫圖像來驗證，分別達到了100%與92%的正確率。試驗結(jié)果與道路檢測車對比，該文方法能分辨灰度與裂縫近似的噪聲，減少了誤檢測的幾率。

圖9 分割結(jié)果對比與試驗結(jié)果展示(Ⅱ)

7 結(jié)語

該文對近幾年的裂縫檢測文獻中的數(shù)據(jù)進行分析及總結(jié),從裂縫的噪聲與干擾的角度認識道路圖像與裂縫特征。在此基礎上提出了一種自適應閾值的細小裂縫與微灰度差異的自動檢測方法。首先采用移動平均自適應閾值分割對圖像進行粗分割；然后利用線性結(jié)構(gòu)的連通域規(guī)則對粗分割的細小斑塊、陰影與水漬噪聲去除；最后基于Hough變換對裂縫圖形自動檢測。粗分割的好壞直接影響到整體算法的優(yōu)劣，并且決定了之后處理算法的復雜難易程度，是算法的核心。

該文將此方法與工程單位的實際情況相結(jié)合，著重于改善道路裂縫檢測車配套軟件錯誤識別率高、細小裂縫檢測難的問題，較好地降低了錯誤識別率的同時，能較好地檢測出細小裂縫與微灰度差異圖像中的裂縫。

如果說橋梁裂縫檢測的難點在于對極為細小裂縫進行檢測，那么道路裂縫檢測的難點在于噪聲與裂縫的區(qū)分。雖然該文方法能去除灰度與裂縫近似的噪聲，但是局限性在于噪聲與裂縫相連的情況：沒有辦法去除噪聲的同時留下完整的裂縫。在未來的研究中，將從多特征角度研究噪聲與裂縫，結(jié)合各種特征檢測方法中裂縫與噪聲表現(xiàn)的異同，進一步提高裂縫檢測的正確率與裂縫提取的完整性。