結合紋理特征與顯著性的裂縫提取算法

瞿 中，周海寬

（1.重慶郵電大學 計算機科學與技術學院，重慶400065；2.重慶郵電大學 軟件工程學院，重慶400065）

0 引 言

由于裂縫存在背景的復雜性及其自身的差異性，至今沒有一種通用的算法來實現對裂縫的準確檢測。鄒勤等［1］提出了一種利用目標最小點生成樹的算法，M.Salman等［2］提出了一種Gabor Filter濾波的方法，張雷等［3］采用了一種多尺度輪廓結構元素的算法，Henrique Oliveira等［4］提出了一種利用樣本訓練無監督的檢測和分類算法，沈照慶等［5］提出了一種模糊核空間的裂縫識別算法，Liu等［6］提出了一種先把圖像分割成若干小塊的分割算法，但這些算法都存在缺陷。

根據裂縫目標及背景的特點，提出了一種結合紋理特征融合與顯著性檢測的路面裂縫提取算法。該算法用形態學黑帽變換矯正部分光照，提取出裂縫的LBP （local binary pattern）即局部二元模式、Laws、對比度3 種紋理特征，然后進行融合，最后采用顯著算法將裂縫顯著化后分割得到裂縫，實驗結果表明，該算法效果優于其它算法。

1 紋理特征提取

紋理［7］作為圖像最重要的內容之一，已經被廣泛的研究和使用。分析裂縫圖像的紋理分布規律，紋理融合與顯著性結合裂縫檢測算法采用微觀紋理描述算子LBP算子［8］及宏觀紋理描述算法Laws［9］紋理能量測度法和描述紋理對比度的對比度描述因子，分別對裂縫進行描述得到3種紋理特征向量，最后按照權值加權思想把3個紋理融合，得到裂縫紋理特征圖。

1.1 LBP紋理特征

LBP算子是Ojala提出的一種統計紋理分析方法，設一幅灰度圖像中的任意像素點為p，其灰度值為gc，以p 為中心點的3×3窗口中，以該中心點的左上角的第一個點為起始位，按順時針命名其鄰域像素點的灰度值為g0，g1，...g7。根據式 （1）可以求得像素點p 的LBP值

遍歷圖像所有像素點求得整幅灰度圖像f（x，y）的所有LBP值，用LBP值表示圖像得到LBP（x，y），該算法采用的裂縫原圖如圖1所示，圖2為LBP實驗結果。

圖1 混泥土路面裂縫原圖

圖2 混泥土路面裂縫LBP效果

1.2 Laws紋理

Laws紋理能量度量法是通過計算圖像中紋理的平均灰度級、邊緣、斑點、波紋和波形來確定紋理的屬性，這些屬性可以由3個簡單的向量來描述：L3＝（1，2，1）表示平均；E3＝（－1，0，1）表示一階微分即邊緣信息；S3＝（－1，2，－1）表示二階微分即斑點信息。把這3個向量相互或是與自身卷積后得到5個向量如式 （2）所示

利用上面5個向量相互卷積或是自身卷積可以得出4個性能最強的5×5 的能量為零的模板，能量為零即∑i∑jaij＝0。其中aij是模板中（i，j＝1，2，3，4，5），4個模板分別為L5E5，L5S5，E5S5，R5R5，具體參數如圖3所示。

這4個模板可以濾出圖像的水平邊緣、垂直邊緣、V形狀和高頻點，能夠很好的反映紋理區域與像素點的關系。

圖3 4個零和模板

紋理融合與顯著性結合算法使用了Laws紋理的垂直，水平和V 形的3個模板分別對紋理圖像進行卷積得到3個紋理特征向量，然后按照經驗系數，垂直邊緣向量0.4，水平邊緣向量0.4，V 形向量0.2進行加權融合得到Laws紋理特征圖。融合后的圖像不僅保持了原有圖像大部分細節而且還對裂縫進行了強化，實驗結果如圖4所示。

圖4 Laws三種紋理融合的裂縫效果

1.3 對比度紋理特征

對比度［10］是描述像素點之間大小差異的，假設當前像素點為p，設其鄰域窗口為（2 M＋1）×（2 M＋1），令s窗口里灰度級的隨機變量，n（sk）表示灰度值sk的出現的次數，p（sk）表示n（sk）概率值

其中，V 即為對比度紋理特征，y 為當前灰度級。

1.4 紋理融合

為了得到更完整的效果，將圖1中圖像的3種紋理的融合后的圖像與形態學變化后圖像向量再次融合得到最終融合效果。對于3種紋理各自系數的選取，太大或太小都影響裂縫和背景的對比效果，太大時融合效果如圖5 （b）所示，背景存在較多與裂縫目標像素值接近的干擾噪聲；系數選取太小時，紋理融合效果如圖5 （c）所示，裂縫目標的部分細節信息被省略了。算法在測試了1000張圖像后得到LBP、Laws、對比度3 種特征向量經驗權值分別為0.4、0.3、0.2時融合后的顯著性提取效果最佳，融合效果如圖5 （c）所示。

2 顯著性檢測

圖5 LBP、Laws、對比度系數不同時的融合效果

顯著圖反映了圖像中不同區域的顯著程度，利用顯著性可以快速提取圖像中的顯著目標而把大部分背景省略掉，在經過LBP，Laws，對比度紋理特征的提取與形態學特征融合之后，裂縫目標在整幅圖中與背景的視覺對比變得相當明顯，紋理融合與顯著性結合算法采用Achanta等［11］提出的一種高效簡單的FT （frequency－tuned）顯著區域提取算法對裂縫目標進行提取。FT 通過使用頻率調頻的原理來獲得ωlc和ωhc，ωlc為獲得顯著性需要的最低頻率，ωhc則為最高頻率。FT方法是通過一組DoG （difference of Gaussian）濾波器的聯合來獲得ωlc到ωhc的信息。其定義如式 （5）所示

該濾波器的帶寬由σ1和σ2的比率來決定。為了有效檢測物體的邊緣，σ1和σ2最佳比值為ρ＝1∶1.6［12］，這樣ρ限定了DoG 濾波器通過的帶寬的高低，但是單個DoG 不能有效地得到足夠大的［ωlc，ωhc］，FT 就將多個DoG 聯合成一個更大的DoG 濾波器，如式 （6）定義

當N ＞0時，FN就可以用兩個高斯函數的差來表示。這時DoG 的寬度由K ＝ρN來決定。在實際提取顯著區域時，FT 方法使用5×5大小的窗口進行高斯平滑去除特高頻。為了獲得更大的［ωlc，ωhc］，FT 使K 盡可能的大，FT讓N ＝∞，此時G（x，y，σρN）就是對整個圖像的平均。像素p 的顯著性可以通過式 （7）來獲得

FT 計算平均特征Iu是使用的CIELAB 顏色特征。Iwhc（p）為在經過高斯平滑后的圖像中像素p 的CIELAB顏色特征。

將圖5融合效果圖用顯著性提取算法處理過后效果如圖6所示，當融合系數比較大時，從圖6 （a）中可以看出裂縫目標雖然顯著性較好且細節信息比較完整，但背景干擾噪聲較大，不利于目標的提取；當融合系數比較小時，從圖6 （b）中可以看出背景噪聲干擾雖然比較小，但是裂縫顯著性較差，細節信息同時也被去除去，也不利于目標的完整提取；從圖6 （c）中可以看出此時的裂縫顯著性提取效果最好，既保證了裂縫目標的細節信息又去除了大部分背景的干擾信息。

圖6 3種紋理融合后的FT 顯著性提取效果

3 實驗結果分析

紋理融合與顯著性結合算法檢測裂縫的詳細流程如圖7所示。

圖7 紋理融合與顯著性提取結合裂縫檢測流程

為了驗證提出算法的有效性和準確性，實驗選取了3種對圖像分割具有較好效果的算法與提出的算法進行分割比較，圖8 （a）為裂縫原圖，圖8 （b）為二維大津法分割效果，可見大津法對這類裂縫分割完全沒有效果；圖8 （c）采用最佳直方圖熵與遺傳算法相結合的分割算法，可以看出，裂縫的提取完整度較好，但是對于背景的光照比較敏感，產生較大的噪聲；圖8 （d）采用最佳直方圖熵與窮舉法結合的分割算法，可以看出，光照的噪聲被有效的去除了，背景對目標的干擾較小，但裂縫目標出現了較多的斷裂，裂縫目標不完整；圖8 （e）是本文提出算法效果，可以明顯看出，背景干擾被完全的去除掉，而且提取的裂縫目標也較為完整和清晰。

圖8 分割對比效果

為了驗證了算法的精確性，對紋理融合與顯著性結合算法所提的裂縫進行精確率和召回率的量化評估。實驗照片路面裂縫均是自然光照條件下，大小為950＊400。

精確率P 和召回率R 定義［13］如式 （8）所示

式中：Np——檢測到的像素中屬于真正裂縫的像素點的個數，Nr人工分割真實裂縫的像素點個數的總和，Ntotal——用紋理融合與顯著性結合算法所提取的裂縫像素點數總和。從240幅樣本圖中抽取6 幅進行精確率和召回率的測試，裂縫原圖如圖9所示、紋理融合與顯著性結合算法提取的裂縫如圖10所示，及人工分割的裂縫如圖11 所示，每條裂縫的精確率P 和召回率R 見表1。

4 結束語

圖9 裂縫原圖

圖10 紋理融合與顯著性結合分割效果

圖11 人工分割效果

表1 精確率P與召回率R

根據裂縫實際存在環境，提出了一種運用紋理特征與顯著性相結合的裂縫檢測算法，首先采用形態學方法矯正光照，之后提取裂縫的LBP 紋理，Laws紋理，分別從微觀和宏觀的角度對裂縫進行描述，再加上對比度特征，在形態學矯正的基礎上根據經驗權值把提取的3種紋理特征進行融合，采用顯著性提取方法對紋理融合后的裂縫目標進行提取，最后閾值分割后采用中值濾波及連通域濾波有效的去除噪聲得到最終裂縫。實驗結果表明該算法能夠有效提取出復雜背景下的裂縫，精確率和召回率都達到了92%以上。

［1］ZOU Qin，LI Qingquan.Target－point MST for pavement crack detection ［J］.Geomatics and Information Science of Wuhan University，2011，36 （1）：71－75 （in Chinese）.［鄒勤，李清泉.利用目標點最小生成樹的裂縫檢測 ［J］.武漢大學學報：信息科學版，2011，36 （1）：71－75.］

［2］Salman M，Mathavan S.Pavement crack detection using the Gabor filter ［C］／／IEEE Annual Conference on Intelligent Transportation Systems，2013：2039－2044.

［3］ZHANG Lei，XIAO Mei.Pavement crack detection based on visual model［J］.Journal of Chang’an University （Natural Science Edition），2009，29 （5）：21－24 （in Chinese）.［張雷，肖梅.基于視覺模型的路面檢測算法 ［J］.長安大學學報：自然科學版，2009，29 （5）：21－24.］

［4］Henrique Oliveira.Automatic road crack detection and characterization ［J］.IEEE Transactions on Intelligent Transportation Systems，2013，14 （1）：155－168.

［5］SHEN Zhaoqing，ZHONG Liang，XIAO Shasha.Intelligent recognition and evaluation of highway pavament cracks in fuzzy kernel space ［J］.Highway，2014 （2）：180－184 （in Chinese）.［沈照慶，鐘良，肖沙沙.模糊核空間下高速公路路面裂縫智能識別與評價 ［J］.公路，2014 （2）：180－184.］

［6］Liu F，Xu G，Yang Y，et al.Novel approach to pavement cracking automatic detection based on segment extending［C］／／IEEE Proceedings of International Symposium on Knowledge Acquisition and Modeling，2008：610－614.

［7］BU Yadong.Image texture feature extraction ［D］.Jinan：Shandong Normal University，2012 （in Chinese）. ［步亞東.圖像紋理特征提取 ［D］.濟南：山東師范大學，2012.］

［8］ZHOU Shuren，YIN Jianping.LBP texture feature based on Haar characteristics［J］.Journal of Software，2013，24 （8）：1909－1926 （in Chinese）. ［周書仁.殷建平.基于Harr特征的LBP 紋理特征［J］. 軟件學報，2013，24 （8）：1909－1926.］

［9］WANG Huafeng，WANG Yuting，CHAI Hua.State－of－art on texture－based well logging image classification ［J］.Journal of Computer Research and Development，2013，50 （6）：1335－1348 （in Chinese）. ［王華鋒，王玉婷，柴華.基于紋理特征的測井圖像分類算法的研究 ［J］.計算機研究與發展，2013，50 （6）：1335－1348.］

［10］ZHANG Xiuhua，CHENG Yanjun，HONG Hanyu.Pavement crack detection based on weight texture［J］.Computer＆Digital Engineering，2011，39 （10）：153－156 （in Chinese）.［章秀華，陳艷君，洪漢玉.基于加權融合紋理的路面裂縫檢測［J］.計算機與數字工程，2011，39 （10）：153－156.］

［11］Radhakrishna Achanta，Sheila Hemami.Frequency－tuned salient region detection ［C］／／IEEE Conference on Computer Vision and Pattern Recognition，2009：1597－1604.

［12］Marr D.Vision：A computational investigation into the human representation and processing of visual information ［M］.San Francisco，1982.

［13］Yamaguchi T， Hashimoto S.Improved percolation－based method for crack detection in concrete surface images［C］／／International Conference on Pattern Recognition，2008：1－4.