基于圖像特征值的混凝土橋梁表面病害圖像分類

陳飛飛 張宇峰 韓曉健,*

(1.南京工業大學土木工程學院,南京 210000; 2.蘇交科集團股份有限公司,南京 210000)

0 引 言

鋼筋混凝土橋梁表面病害不僅影響著橋梁的正常使用與耐久性[1],而且當病害目標的損傷值超過了規定的允許值之后,就有可能危及結構的安全。因此橋梁表面病害的檢測[2],對橋梁的安全評估和養護具有非常重要的意義。

實際橋梁定期的檢測[3]工作中,表面病害的檢測通常采用人工拍照的方法。大量的病害圖片的處理通常采用人工判讀的方法,這需要有一定經驗的專業人員耗費大量的時間處理,效率低且人為因素干擾較大。

隨著計算機數字圖像處理技術[4]的發展和廣泛應用。采用數字圖像處理技術對病害目標進行定性和定量分析,可以有效解決人工檢測存在的缺點,提高檢測效率,減少人為誤差,降低檢測成本。

對檢測圖像,本文采取先分類再定量分析的處理流程。本文采用的是圖像空間的分類方法,對圖像的灰度、紋理等底層特征進行提取[5],最后采用支持向量機(SVM)[6]作為分類器,選取一定的樣本圖像作為訓練集,生成SVM訓練模型,然后對測試樣本圖像進行識別與分類。

1 圖像的預處理

在對橋梁病害圖像進行特征參數提取之前,需要對圖像進行預處理。這里主要分為如下幾步:第一步先對圖像的尺寸進行統一,這里統一圖像的尺寸大小為300×300,這樣可以提高病害圖像特征提取與分類的效率。第二步灰度化,由于人眼對綠色最敏感而對藍色的敏感最低,所以本文采用加權平均法,假設一幅RGB圖像為f(i,j),灰度化公式如下:

f(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)

(1)

第三步對調整后的圖像進行濾波去噪,去除干擾點,加強病害目標的細節,使得圖像更加清晰。這里采用的濾波方法為中值濾波。這里取裂縫圖像為示例,如圖1所示。

圖1 處理前后對比圖Fig.1 Comparison before and after processing

2 圖像特征提取

2.1 紋理特征提取

紋理特征是一種重要的視覺線索,是圖像中普遍存在而且常用來作為圖像分類的重要特征,這里我們采用比較常用的紋理特征提取方法—統計法,對橋梁病害圖像進行特征值的提取。

統計法的典型代表是一種基于灰度共生矩陣的紋理特征分析方法,一般從灰度共生矩陣[7]計算出一些參數來定量的描述紋理特性,這里選取能量、逆差矩、慣性矩、相關性、熵五個參數作為紋理特征參數,各個參數都是反映圖像在紋理特征上的變化。

本文選取像素距離d=1,角度θ分別為0,45°,90°,135°,計算各統計量,并取四個放個方向的均值,這樣就減少了特征空間維數。最后將這四個方向的紋理特征值的均值作為圖像分類的特征值。各統計量公式如下:

(2)

(3)

(4)

(5)

式中,i,j表示灰度級i與灰度級j;d為兩個像素點距離;θ為對應角度。

2.2 灰度直方圖特征值提取

灰度直方圖[8]是灰度級函數,它表示圖像中具有每種灰度級的像素函數,可用式(6)來表示:

(6)

式中,i表示灰度級;L表示灰度級種類;ni表示圖像中具有灰度級i的像素個數;N表示圖像總像素數。

通過灰度直方圖可以很直觀的觀察出圖像的灰度分布,如圖2所示。

圖2 裂縫與缺損直方圖Fig.2 Crack and defect in the histogram

這里我們一般不是直接將灰度直方圖作為特征,而是通過一些統計量來反映圖像的直方圖,這些統計量被定義為灰度直方圖的統計特征;這些統計量通常為均值(u)、方差(δ)、歪斜度(us)、峰態(uk)、能量(uN)。每個統計參數反映的都是灰度圖像灰度值的分布規律,通過這些統計參數來區分不同的病害圖像,例如,歪斜度反映的是圖像直方圖分布的不對稱程度,歪斜度越大,表示直方圖分布越不對稱,反之越對稱;而能量反映的是灰度分布的均勻程度,灰度分布較均勻時能量越大,反之越小。各統計公式如下:

(7)

(8)

(9)

(10)

(11)

式中,各變量含義見式(6)。

3 顏色矩

顏色矩是基于內容圖像檢索與識別系統中常用的一種特征量之一,其基本思想是得到圖像的顏色直方圖之后計算二次統計量,具體實現方法為:采用矩來表示圖像中出現的顏色,即統計每種顏色分量的1～3矩,分別為均值、方差和斜度。其中方差即二階矩可以描述圖像顏色分布范圍的大小,值越大表示分布范圍越廣,反之亦然。這里我們采用二階矩來描述病害圖像特征。表達式如下:

(12)

式中,pij為第j個像素的第i個分量;N為像素總數。

4 特征提取結果

選取混凝土橋梁病害圖像數據庫中的3種類型圖像(裂縫、缺損、露筋銹蝕)各500張,本文采用Matlab軟件編程對圖像進行預處理并計算圖像的灰度直方圖特征、紋理特征[8]與顏色矩特征[9],這里列舉出裂縫與缺損部分數據如表1所示。

表1500張裂縫圖像與缺損圖像的灰度特征值與紋理特征值

Table 1 500 fractures and defect image gray and texture eigenvalue

5 圖像分類與結果分析

對于橋梁病害圖像的分類,本文采用支持向量機(SVM)的圖像分類法。SVM[10-11]分為線性與非線性,而實際應用中,很多情況下都是線性不可分的,所以這里我們采用非線性SVM[12-13],通過核函數把特征向量映射到高維特征空間去,使得樣本成為線性可分,常用的核函數有多項式核函數、高斯核函數(RBF)、Sigmoid核函數表達式如下:

多項式:K(u,v)=[(u·v)+1]d

(13)

(14)

Sigmoid:K(u,v)=tanh[k(u,v)-μ]

(15)

式中,u和v為輸入的兩個變量;d為多項式核函數的參數;σ為RBF核函數參數。

如圖3所示為三類橋梁病害圖像,將上述提取的圖像特征值數據輸入支持向量機中進行訓練,生成分類模型,這里在進行訓練之前,本文采取的方法是先對特征數據采用了不同的歸一化方式進行處理并對比其分類效果以及支持向量機中選擇不同核函數進行訓練,同樣也進行了分類效果的比較。分類結果如表2、表3所示。

圖3 病害圖像Fig.3 Plant disease image

表2采用不同歸一化方式對比

Table 2 Image classification results

表3采用不同核函數對比

Table 3 Image classification results

上述圖像分類試驗中,核函數統一采用的是高斯核函數,懲罰系數c與核函數參數g分別選擇2與1。從表2中可以看出,需要對特征數據先進行歸一化的預處理,這樣才能提高最后分類的準確率,并且歸一化的方式對分類結果也有一定影響,不進行歸一化其準確率僅為58%,而進行歸一化處理后其準確率可提高至79%與78%。

上述圖像分類試驗統一在對特征數據進行[0,1]歸一化方式后進行分類判別,通過表中數據對比發現,選擇多項式核函數作為支持向量的核函數,其分類準確率最高,準確率高達83%,其分類效果圖如圖4總結整個算法流程:第一步對橋梁病害圖像進行特征數據提取;第二步對提取的特征數據進行歸一化處理;第三步選擇多項式核函數作為支持向量機訓練模型的核函數;第四步選取一定的測試樣本進行測試驗證其分類的準確率。

5 結 論

鋼筋混凝土橋梁表面病害圖像特征的提取是橋梁病害圖像分類的重要環節,特征的好壞直接影響圖像分類的結果。根據裂縫、露筋銹蝕、缺損在灰度、紋理以及顏色上的差距,以圖像的灰度直方圖特征、紋理特征及顏色矩特征為基礎,提取其特征參數并建立支持向量機(SVM)分類模型,對橋梁病害圖像進行分類,研究表明,以上述特征值為參數,并且選擇支持向量機為分類器可以有效地對橋梁病害圖像進行分類,這為進一步研究混凝土橋梁病害圖像分類與完善特征提取方法提供了依據。

圖4 分類效果圖Fig.4 Classification of rendering

[1] 陸洲導,蘇磊,余江滔,等.火災后混凝土結構檢測的方法與發展討論[J].結構工程師,2010,26(1):132-136.

Lu Zhoudao,Su Lei,Yu Jiangtao,et al.Concrete structures after fire detection methods and development of the discussion[J].Structural Engineer,2010,26(1):132-136.(in Chinese)

[2] 王瑀,荊國強,王波.橋梁健康監測系統在線結構分析及狀態評估方法[J].橋梁建設,2014,44(1):25-30.

Wang Yu,Jin Guoqiang,Wang Bo.Bridge health monitoring system for online structural analysis and state evaluation method[J].Bridge Construction,2014,44(1):25-30.(in Chinese)

[3] 李炳生,湯海林,張其林.結構試驗與加載檢測技術的發展及其應用[J].結構工程師,2011,27:70-75.

Li Bingsheng,Tang Hailin,Zhang Qilin.Structure testing and load testing technology the development of technology and its application[J].Structural Engineer,2011,27:70-75.(in Chinese)

[4] 孫正.數字圖像處理與識別[M].北京:機械工業出版社,2014.

Sun Zheng.Digital image processing and recognition[M].Beijing:Mechanical industry press,2014.(in Chinese)

[5] 劉益新,郭依正.灰度直方圖特征提取的Matlab實現[J].電腦知識與技術,2009,32(5):9032-9034.

Liu Yixin,Guo Yizheng.Gray histogram feature extraction of Matlab[J].Computer Knowledge and Technology,2009,32(5):9032-9034.(in Chinese)

[6] 顧亞祥,丁世飛.支持向量機研究進展[J].計算機科學,2011,38(2):14-17.

Gu Yaxiang,Ding Shifei.Support vector machine (SVM) is reviewed[J].Computer Sscience,2011,38(2):14-17.(in Chinese)

[7] 焦蓬蓬,郭依正,劉麗娟,等.灰度共生矩陣紋理特征提取的Matlab的實現[J].計算機技術與發展,2012,11(10):170-175.

Jiao Pengpeng,Guo Yizheng,Liu Lijuan,et al.Gray level co-occurrence matrix texture feature extraction of the realization of Matlab[J].The Computer Technology and Development,2012,11(10):170-175.(in Chinese)

[8] 尹劍侖,衛武迪,梁永貴.腫瘤超聲圖像灰度和紋理特征提取方法研究[J].通信技術,2009,42(9):168-170.

[9] 王輝,王晗.基于顏色矩特征板材圖像數字化的研究[J].林業機械與木工設備,2015,43(8):32-34.

Wang Hui,Wang Han.Based on the research of color moment characteristics of plate image digitization[J].Forestry Machinery and Woodworking Equipment,2015,43(8):32-34.(in Chinese)

[10] Carl Vondrick,Aditya Khosla,Tomasz Malisiewicz,etal.HOGales:Visualizing object detection features [C].2013 IEEE International Conference on Computer Vision(ICCV).2013,1:1-8.

[11] Zhigang Yan.Research on ECOC SVMs[C].Intelligent Control and Automation(WCICA),2010,8thWorld Congress on.IEEE,2010:2838-2842.

[12] Wen Ying.An improved discriminative common vectors and support vector machine based face recognition approach[J].Expert Systems with Applications,2012,39(4):4628-4632.

[13] 唐銀鳳,黃志明.基于多特征值提取與SVM分類器的紋理圖像分類[J].計算機應用與軟件,2011,28(6):23-25.

Tang Yinfeng,Huang Zhiming.Based on eigenvalue extraction and the SVM classifier texture image classification[J].Computer Applications and Software,2011,28(6):23-25.(in Chinese)