摘 要：針對路面情況影響其裂縫主干提取效果的問題，基于中值濾波、直方圖均衡化、非銳化掩模等圖像處理手段，提出一種裂縫主干提取算法。與手動閾值分割算法、Otsu閾值算法和最大熵閾值分割算法的對比結(jié)果表明，此算法能夠有效提取裂縫主干區(qū)域，減少圖像噪點數(shù)量，對提高路面裂紋提取算法的抗干擾性具有重要的指導(dǎo)意義。

關(guān)鍵詞：圖像處理；裂縫識別；濾波去噪

中圖分類號：TP301.6；TP39 文獻標(biāo)識碼：A 文章編號：2096-4706（2024）15-0104-05

Research on Road Damage Recognition Algorithm Based on OpenCV

WEI Zirou， CHEN Guohua， GAO Zhenshan

（Shijiazhuang Tiedao University， Shijiazhuang 050043， China）

Abstract： A crack backbone extraction algorithm is proposed based on image processing techniques such as median filtering， histogram equalization， and non-sharpening masks to address the issue of road surface conditions affecting the effectiveness of crack backbone extraction. The comparison result with manual threshold segmentation algorithm， Otsu threshold algorithm， and maximum entropy threshold segmentation algorithm shows that this algorithm can effectively extract the crack backbone area， reduce the number of image noise， and have important guiding significance for improving the anti-interference performance of road crack extraction algorithm.

Keywords： image processing; crack recognition; filtering and denoising

0 引 言

我國現(xiàn)有公路里程已經(jīng)達到500多萬千米，但現(xiàn)有路面狀況評估方法基本分為手動、半自動[1-2]。在長距離道路損傷檢測時，面臨數(shù)據(jù)量龐大的問題，導(dǎo)致檢測的人工成本和時間成本較高。因此，許多研究機構(gòu)和企業(yè)致力于道路裂縫檢測的研究和開發(fā)。

孫向鵬[3]的研究重點為圖像處理技術(shù)的應(yīng)用，特別是利用Grunwald-Letnikov分?jǐn)?shù)階微分法進行圖像預(yù)處理，這種方法有助于突出路面裂縫的主要特征。盡管這種方法能夠有效提取裂縫的主干，但它在區(qū)分裂縫與非裂縫的陰影區(qū)域方面存在局限性，導(dǎo)致處理后的圖像中仍可見較多的噪聲。程彬[4]通過結(jié)合同態(tài)濾波增強和BP（反向傳播）神經(jīng)網(wǎng)絡(luò)技術(shù)來識別公路路面裂縫。同態(tài)濾波增強用于調(diào)整圖像的光照分布，而BP神經(jīng)網(wǎng)絡(luò)則負責(zé)從經(jīng)過處理的圖像中提取特征，用于裂縫的有效識別。但是裂縫提取存在一些局限性，BP神經(jīng)網(wǎng)絡(luò)的性能在很大程度上依賴于訓(xùn)練數(shù)據(jù)的質(zhì)量。如果數(shù)據(jù)存在噪聲或者不完整，可能會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練不充分或過擬合。劉愛輝[5]致力于圖像質(zhì)量的改善，通過對比度增強和高斯濾波來提升圖像像素的質(zhì)量。同時還使用中值濾波算法進行降噪，并結(jié)合Prewitt算子和Otsu閾值分割算法對圖像做進一步的分割處理，但當(dāng)光線較差時，其陰影區(qū)域的灰度值和裂縫的灰度值相近，容易造成誤判的情況。He等[6]致力于彌補傳統(tǒng)閾值分割算法的不足，提出一種基于閾值的分割方法。將多閾值平均和多向數(shù)學(xué)形態(tài)學(xué)相結(jié)合，分別采用Otsu方法、最大熵方法、最小誤差方法和最小偏差方法計算出四個閾值，并平均四個閾值，將它們的平均值作為最佳分割閾值，運用多方向morp hology做進一步的修復(fù)和細化，最終得到所需的裂紋二值圖像。但此方法仍然存在噪點，難以完全體現(xiàn)裂縫主干圖像。上述算法都存在對裂縫噪聲抑制能力差、光照依賴性高等問題。

因此，本文針對路面情況影響其裂縫主干提取效果的問題，采用中值濾波對圖像進行去噪處理；利用直方圖均衡化和非銳化掩模銳化增強圖像的對比度；基于閉合區(qū)域填充原理降低路面對其裂縫主體的干擾；利用開閉運算來除去小面積區(qū)域從而提取裂縫主干。相比于Otsu閾值分割算法和Prewitt算子分割法，此算法能夠降低路面區(qū)域?qū)α芽p提取的影響。

1 道路損傷識別方法

針對不同路面區(qū)域?qū)ζ淞芽p提取產(chǎn)生的干擾問題，設(shè)計一種裂縫主干提取算法，其流程如圖1所示。首先，利用中值濾波對圖像進行去噪處理。中值濾波通過將像素值替換為鄰域像素的中值實現(xiàn)去噪效果，以減少圖像中的噪點和干擾[7]。然后利用直方圖均衡化，增強圖像的對比度。直方圖均衡化可以使圖像中的亮度更均勻，從而突出裂縫的細節(jié)。通過調(diào)整像素值的分布，調(diào)節(jié)圖像閾值，將圖像中的像素分為裂縫和背景兩部分。基于閉合區(qū)域填充原理填補圖像孔洞，使裂縫區(qū)域更加完整。然后利用非銳化掩模增強圖像對比度，除去路面干擾。通過開閉運算提取裂縫的主要區(qū)域。最后，運用連通區(qū)域檢測算法去除小面積區(qū)域，從而得到完整的裂縫區(qū)域。

1.1 中值濾波

噪點通常會導(dǎo)致圖像的亮度發(fā)生變化或顏色出現(xiàn)偏移，從而干擾裂縫的識別和提取。中值濾波可以在指定區(qū)域內(nèi)對像素值進行排序，選擇中間像素值作為像素中心點的替代值，從而減少噪點。由于裂縫通常具有明顯的邊界和明亮度變化，中值濾波能夠在減少噪點的同時保持這些特征，從而保留裂縫的主體結(jié)構(gòu)，如圖2所示。中值濾波后像素點與像素值的關(guān)系曲線如圖3所示。

但是中值濾波并不能完全消除所有噪點，尤其是在噪點密集或噪聲與裂縫特征相似的情況下更是如此。因此，需要結(jié)合其他圖像處理方法，進一步改善裂縫主體結(jié)構(gòu)的保留效果。

1.2 直方圖均衡化

在圖像處理過程中，由于光照不均或相機曝光設(shè)置不當(dāng)，使得裂縫的細節(jié)不能很好地展現(xiàn)出來。因此，需要對圖像進行增強對比度處理，使得像素值更加均勻地分布在整個灰度范圍內(nèi)[8]。直方圖均衡化是一種增強圖片對比度的方法，即通過累積分布函數(shù)將一張圖片的直方圖分布變成近似均勻分布，從而增強圖像的對比度，突出裂縫的細節(jié)[9]。通過掃描整幅圖像的像素，計算出整幅圖像的灰度直方圖，利用累計函數(shù)得到一個映射關(guān)系，從而得到最終的圖像。其函數(shù)表達式如下：

式中，Sk為當(dāng)前灰度級經(jīng)過累積分布函數(shù)映射后的值；n為圖像中像素的總和；nj為當(dāng)前灰度級的像素個數(shù)；L為圖像中的灰度級總數(shù)。

直方圖均衡化結(jié)果如圖4所示。

因為直方圖均衡化會擴展像素值的范圍，使得原本相對較低的像素值也被拉伸到更高的范圍，使裂縫的顏色變得更深，裂縫主干更加凸顯，但與此同時也增加了噪點的像素值。直方圖均衡化像素點與像素值的關(guān)系曲線如圖5所示。

1.3 調(diào)節(jié)閾值

針對直方圖均衡化后出現(xiàn)的噪點，對灰度圖像進行閾值調(diào)整[10]。為了方便圖像處理，本文選用的手動選取閾值法，即通過選擇一個適當(dāng)?shù)拈撝祦韺崿F(xiàn)這種分割。首先選擇一個合適的閾值，然后將圖像中的像素值與該閾值進行比較。如果像素值大于閾值，將像素設(shè)置為白色；如果像素值小于或等于閾值，將像素設(shè)置為黑色。通過這種方式，將圖像轉(zhuǎn)換為二值形式，然后在原圖像上進行區(qū)域填充，使圖像的背景和裂縫分割明顯。

1.4 閉合區(qū)域填充

閉合區(qū)域填充[11]是指將一個閉合區(qū)域內(nèi)的所有像素都填充為指定的顏色或值。本文選用的是閉合區(qū)域填充中的種子填充算法，即洪泛填充算法，它基于種子點的選擇和顏色的比較，將特定區(qū)域內(nèi)的像素填充為指定的顏色或值。其基本原理為：選擇一個種子點作為起始點（種子點通常是待填充區(qū)域內(nèi)的一個像素）。比較種子點的顏色和目標(biāo)填充顏色。如果二者相同，表示該像素已經(jīng)填充過，無須再處理。如果種子點的顏色與目標(biāo)填充顏色不同，則將種子點的顏色修改為目標(biāo)填充顏色，并將其標(biāo)記為已填充。遞歸或使用棧等數(shù)據(jù)結(jié)構(gòu)，從種子點開始遍歷其相鄰像素。對于每個相鄰像素，比較其顏色與種子點的顏色。如果相同且未填充，則將其顏色修改為目標(biāo)填充顏色，并將其加入遍歷隊列中。重復(fù)比較顏色與種子點顏色，直至遍歷隊列為空。

本文對閉合區(qū)域填充的顏色為白色，這樣將會減少圖像中的黑色噪點，并且可以在原圖上完整保留裂縫的形狀，但此時路面和裂縫區(qū)域相混合，如圖6所示。其圖像像素值分布如圖7所示。

根據(jù)圖7的觀察結(jié)果可以發(fā)現(xiàn)，經(jīng)過閉合區(qū)域填充后，圖像中的主要部分具有較高的亮度值，并且在灰度范圍內(nèi)接近最大值。這表明圖像中存在一些明亮的元素或特征，而其他區(qū)域則相對較暗。需要調(diào)整圖像的對比度和亮度，增加像素值之間的差異，以使圖像中的細節(jié)更加清晰可見。

1.5 非銳化掩模

經(jīng)過連通區(qū)域閉合后，路面背景和裂縫相混合。此時采用非銳化掩模對圖像進行銳化，去除路面上的非裂縫區(qū)域，使裂縫輪廓更加清晰[12]。其主要過程如圖8所示，首先利用低通濾波器使高頻成分受到抑制，從而得到一個低頻圖像。其次，將原始圖像與低頻圖像相減，得到被抑制的高頻分量。再次，通過放大這些高頻分量，將其恢復(fù)到原始圖像的尺度。最后，將放大后的高頻圖像與原始圖像進行疊加，得到銳化后的圖像。銳化圖像如圖9所示。

此時的圖像僅保留了裂縫的主干結(jié)構(gòu)，但是周圍依然存在一些噪點。非銳化掩模后的圖像像素值如圖10所示。

根據(jù)圖9、圖10的觀察結(jié)果得出結(jié)論：經(jīng)過非銳化掩模操作后，裂縫主干的像素值固定為一個特定的值，其他區(qū)域則被抑制，從而只保留了裂縫的像素子集。這種處理方式有助于突出裂縫區(qū)域的細節(jié)，使其更加清晰可見。

1.6 連通區(qū)域檢測除去小面積區(qū)域

為進一步提取裂縫主干，本文選用八鄰域的中值來去除噪點部分。連通區(qū)域是指具有相同特征或?qū)傩缘南袼卦诳臻g上相互連接形成的區(qū)域[13]。其中八鄰域連接考慮像素的上、下、左、右四個鄰域以及像素的四個對角鄰域。根據(jù)圖11所示的連通區(qū)域面積統(tǒng)計結(jié)果，通過計算這些連通區(qū)域的平均值篩選出路面裂縫的主干。具體方法是，將所有連通區(qū)域的面積相加，然后將總面積除以連通區(qū)域的數(shù)量，得到連通區(qū)域面積的平均值。最后篩選掉那些面積小于平均值的連通區(qū)域，從而得到最終的路面裂縫主干。

由圖11可知，在233個連通區(qū)域中，有93%的區(qū)域面積小于像素的平均值，因此將其判斷為噪點區(qū)域。而僅有17個區(qū)域面積大于平均值，將它們判斷為道路的裂縫主干。

通過比較每個連通區(qū)域的面積與區(qū)域面積的平均值，可以將噪點區(qū)域和道路裂縫主干進行有效區(qū)分。提取裂縫結(jié)果如圖12所示，此時已除去路面上的噪點，最終保留裂縫主干。

2 路面裂縫仿真及其結(jié)果分析

2.1 路面裂縫仿真設(shè)計

選用PyCharm+OpenCV 4平臺進行系統(tǒng)仿真，實現(xiàn)對裂縫圖像的采集、輸入，以及對裂縫特征的提取，并選用了5幅不同情況下的道路裂縫圖像對此算法結(jié)果與Otsu閾值算法、手動閾值分割算法和最大熵閾值分割算法進行對比，如圖13所示。

2.2 仿真結(jié)果分析

本文對比了不同算法的提取效果，提取結(jié)果如圖14所示。

由上述對比圖可知，Otsu閾值分割算法在提取裂縫主干時極易受不同地面情況的影響，無法準(zhǔn)確捕捉到裂縫的主要輪廓和形狀。由于圖像中存在大量的噪點干擾，造成其提取效果較差。采用手動閾值分割算法提取的裂縫主干圖像存在許多噪點，并且在處理圖像時無法正確地區(qū)分裂縫和陰影，這將導(dǎo)致陰影區(qū)域被錯誤地標(biāo)記為裂縫，帶來提取結(jié)果的嚴(yán)重偏差。最大熵閾值分割算法由于對圖像噪聲比較敏感，使圖像的灰度分布變得不均勻，該算法在確定閾值上會有較大的誤差，使得分割結(jié)果中存在噪點和分割邊界不清晰的情況，進而影響分割結(jié)果的準(zhǔn)確性。將上述算法與文中所應(yīng)用的方法進行對比可知，本文方法能夠較為準(zhǔn)確地將裂縫主干和背景圖像分割，得到區(qū)域完整且噪點少的二值化圖像。因此，文中方法能夠提供精確、可靠的裂縫提取結(jié)果。

3 結(jié) 論

針對不同路面區(qū)域?qū)ζ淞芽p產(chǎn)生干擾的問題，本文提出一種裂縫主干提取算法，旨在提升圖像對比度，降低道路背景對裂縫的影響。通過檢驗此算法得出以下結(jié)論：相比于傳統(tǒng)的Otsu閾值分割、最大熵閾值分割等算法，本文算法對裂縫主干的提取效果更顯著，降低了其他算法處理圖像過程中對圖像噪點的敏感性，能夠有效解決不同道路區(qū)域?qū)ζ淞芽p主干的干擾問題。

參考文獻：

[1] 張揚.基于圖像處理的公路路面裂縫識別技術(shù)的研究 [D].昆明：昆明理工大學(xué)，2018.

[2] 肖靖.道路裂縫識別算法研究 [D].北京：北京郵電大學(xué)，2009.

[3] 孫向鵬.基于圖像處理的高速路面裂縫識別技術(shù)研究 [J].交通世界，2022（33）：86-88.

[4] 程彬.基于BP神經(jīng)網(wǎng)絡(luò)的公路路面裂縫識別技術(shù) [J].交通世界，2023（12）：35-37.

[5] 劉愛輝.公路路面裂縫圖像識別技術(shù)研究 [J].交通世界，2022（31）：27-29.

[6] HE Y Q，QIU H X.A Method of Cracks Image Segmentation Based on the Means of Multiple Thresholds [J].通訊和計算機：中英文版，2012，9（10）：1147-1151.

[7] 張永飛，鄧輝.一種基于自適應(yīng)中值濾波的各向異性擴散濾波的圖像去噪算法 [J].裝備制造技術(shù)，2023（11）：18-22.

[8] 唐軍，秦艷霞，林玲，等.多尺度融合與細節(jié)突顯的水下視覺圖像增強算法 [J/OL].機械科學(xué)與技術(shù)，2024：1-8[2024-07-10].https：//doi.org/10.13433/j.cnki.1003-8728.20240044.

[9] 雷明，李擎，朱希安，等.多步態(tài)SVM分類且自適應(yīng)閾值的行人定位方法 [J].傳感技術(shù)學(xué)報，2021，34（7）：911-918.

[10] 羅明帥，董彩虹，王曉天，等.基于邊緣跟蹤的閉合輪廓快速填充算法研究 [J].交通世界，2023（16）：2-5.

[11] 魏海斌，武少威，張啟帆，等.基于圖像處理的瀝青路面裂縫識別算法研究 [J].中外公路，2020，40（4）：73-78.

[12] 馮策，戴樹嶺.一種改進的非銳化掩模深度圖像增強算法 [J].哈爾濱工業(yè)大學(xué)學(xué)報，2014，46（8）：107-112.

[13] 張子原.變電站小目標(biāo)檢測識別關(guān)鍵技術(shù)研究 [D].成都：西南交通大學(xué)，2022.

作者簡介：魏子柔（2003—），女，漢族，河北辛集人，本科在讀，研究方向：機器識別、圖像處理；陳國華（1985—），男，漢族，河北石家莊人，講師，博士，研究方向：動力機械強度與可靠性；高振山（1981—），男，漢族，河南新鄭人，講師，博士，研究方向：齒輪的先進設(shè)計及制造技術(shù)、齒輪的精密塑性成形理論與工藝。