基于灰度分析的路面裂縫圖像分類算法研究*

馬曉麗 陸 鍵

(同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室 上海 201804)

0 引 言

道路在經(jīng)過(guò)一段時(shí)間的使用之后均會(huì)出現(xiàn)不同程度的損壞.基于圖像的半自動(dòng)化和自動(dòng)化的技術(shù)提供了一致性、高檢測(cè)速率和高準(zhǔn)確性的路面裂縫檢測(cè)算法[1].在基于圖像的裂縫檢測(cè)中，用高速車載攝像機(jī)獲得路面的數(shù)字圖像，并處理和分析路面破損的客觀結(jié)果[2-4].

為了能夠降低處理路面裂縫圖像的工作量，本文的目標(biāo)是自動(dòng)將不含路面裂縫的完好圖像與路面裂縫圖像進(jìn)行分離，從而篩選出不需進(jìn)行下一步處理工作的完好圖像(不含路面裂縫的圖像).在路面裂縫自動(dòng)檢測(cè)領(lǐng)域已經(jīng)提出了許多檢測(cè)方法，這些方法大致可以分為兩大類：①路面圖像的預(yù)處理，包括去噪和增強(qiáng)等算法;②圖像的分類算法，主要有基于閾值和邊緣檢測(cè)的分割算法.

圖像預(yù)處理通過(guò)校正不均勻背景，檢測(cè)非裂縫的特征，降低圖像噪聲，簡(jiǎn)化裂縫檢測(cè)的過(guò)程[5].文獻(xiàn)[3]提出了一種圖像增強(qiáng)算法，將圖像轉(zhuǎn)換為標(biāo)準(zhǔn)化背景.Zou等[6]提出了一種四步測(cè)距的陰影去除算法，以消除路面陰影.Chanda等[7]利用形態(tài)學(xué)的相關(guān)基礎(chǔ)知識(shí)來(lái)設(shè)計(jì)路面破損的檢測(cè)算法，將多尺度的基礎(chǔ)知識(shí)與數(shù)學(xué)形態(tài)學(xué)進(jìn)行結(jié)合，該去噪增強(qiáng)算法具有一定的抵抗噪聲的能力，但當(dāng)路面破損圖像中含有較多的隨機(jī)噪聲時(shí)，此方法并不能得到詳細(xì)的路面裂縫信息.

在圖像分類方面的研究中，Cheng等[8]等提出了閾值分割算法，該算法是以模糊集理論為基礎(chǔ)，對(duì)圖像進(jìn)行濾波和差分處理，基于像素連續(xù)性的特征，連接路面圖像中裂縫區(qū)域的像素得到預(yù)期的路面分割圖像，但該算法效率較低.Jitprasithsir等[9]測(cè)試比較了四種常用的閾值分割算法：Ostu 閾值、regression法、松弛因子法、Kittler 法，得出的結(jié)論是Otsu法和Kittler 法對(duì)路面裂縫圖像的分割效果較差，regression法具有較好的效果，但該方法需要進(jìn)行人工干預(yù)來(lái)建立回歸模型.唐磊[10]提出將圖像進(jìn)行預(yù)處理，然后將二維平面的路面圖像轉(zhuǎn)換到三維的立體空間上，通過(guò)尋找三維曲面中的谷點(diǎn)來(lái)檢測(cè)裂縫，得到谷點(diǎn)之后將其映射到二維圖像的平面中，從而對(duì)含有路面裂縫的圖像進(jìn)行識(shí)別，該方法因?yàn)檗D(zhuǎn)換映射過(guò)程中存在一定的誤差，因此不適于檢測(cè)路面的細(xì)微裂縫.在路面三維圖像的研究中，彭博等[11-12]通過(guò)降低圖像維度，根據(jù)深度驗(yàn)證和對(duì)稱性檢測(cè)將圖像子塊識(shí)別為裂縫種子，然后，根據(jù)深度和方向相似性連接裂縫片段，得到裂縫圖像.

盡管目前對(duì)于路面裂縫圖像的研究已有很多的成果，但如何高效、可靠、經(jīng)濟(jì)的對(duì)路面裂縫圖像的分類研究仍然是至關(guān)重要的，因此本文以減少后續(xù)工作量為目標(biāo)，提出了基于灰度分析的路面裂縫圖像分類算法，從待檢測(cè)圖像中分離不含路面裂縫的圖像.

1 圖像預(yù)處理

在圖像去噪和增強(qiáng)算法領(lǐng)域主要有中值濾波、均值濾波、基于偏微分方程的圖像增強(qiáng)、掩膜增強(qiáng)算法[13].基于對(duì)路面裂縫圖像的頻域分析可知，裂縫集中分布在頻譜中的高頻部分，若想使路面圖像中的裂縫區(qū)域更加明顯，則需要增強(qiáng)高頻成分，使得裂縫更易檢測(cè)，因此本文設(shè)計(jì)了改進(jìn)的圖像掩膜增強(qiáng)算法.

(1)

式中：f(x,y)為待增強(qiáng)處理圖像；F(x,y)為低通濾波后的圖像.

G(x,y)=f(x,y)+K×F(x,y)

(2)

式中：G(x,y)為增強(qiáng)后的圖像；K為修正因子.

偏微分方程算法和本文所設(shè)計(jì)的去噪增強(qiáng)算法均可以保留原始路面圖像中細(xì)微裂縫的輪廓，但偏微分方程算法需進(jìn)行多次迭代，處理路面圖像所需要的時(shí)間較長(zhǎng)，算法的效率較差.

圖1為經(jīng)去噪和增強(qiáng)算法處理之后圖像的直方圖分布，原始圖像的直方圖在灰度值較高的區(qū)域存在峰值，均值濾波和中值濾波的圖像直方圖與原始圖像的分布基本一致；圖1d)表示經(jīng)偏微分方程算法處理后的圖像灰度在200左右出現(xiàn)了第一個(gè)峰值，且較原始圖像來(lái)說(shuō)，其波峰較大；掩膜增強(qiáng)的直方圖分布是對(duì)原始圖像基本取反的結(jié)果，該算法改變了原始圖像的灰度均值；本文設(shè)計(jì)的算法能夠在沒(méi)有改變圖像灰度均值的前提下，拓寬路面圖像的灰度范圍，且可保留圖像中細(xì)微裂縫的輪廓信息.

圖1 算法結(jié)果的直方圖分布

2 圖像特征值的選擇

2.1 圖像局部灰度均值特征

圖像的灰度均值反映的是圖像的明暗程度，基于對(duì)圖像灰度特征的分析可知，路面圖像中的裂縫區(qū)域集中在圖像低灰度分布區(qū)域，因此通過(guò)對(duì)圖像進(jìn)行局部灰度均值特征分析，尋求圖像的分類特征，見(jiàn)圖2.

設(shè)路面圖像為a(i,j)，則圖像的灰度均值為

/(MN)

(3)

圖2 分析對(duì)象

圖3為子塊圖像灰度均值的分布圖，由圖3a)～b)可知，含有路面裂縫的子塊圖像灰度均值分布在180～255及45～80，而完好路面圖像(不含裂縫的路面圖像)分布在70～115.路面圖像的灰度最大值與最小值的差值均在100以內(nèi)，在完好路面圖像與路面裂縫圖像之間并無(wú)明顯的特征性，因此該特征不能較好地對(duì)圖像進(jìn)行分類.

圖3 子塊圖像灰度均值的分布

2.2 圖像局部灰度方差特征

圖像的灰度方差反映的是圖像灰度的離散程度，對(duì)于路面裂縫圖像，局部范圍內(nèi)的灰度方差具有較明顯的差異，選用圖像的局部灰度方差作為特征可識(shí)別不同類別子塊圖像灰度特征值之間的差別，從而對(duì)路面圖像進(jìn)行準(zhǔn)確分類.

(4)

式中：p(r)=nrlnN，其中nr為r級(jí)灰度的像素?cái)?shù)量.

圖4為子塊圖像灰度方差的分布圖，由圖4可知，路面完好圖像(不含路面裂縫的圖像)和裂縫圖像之間存在明顯的分布界限，經(jīng)過(guò)對(duì)樣本的實(shí)驗(yàn)統(tǒng)計(jì)分析后，可以得出子塊圖像方差最值之間的差值小于閾值A(chǔ)時(shí)，可認(rèn)為是路面完好圖像，但若大于閾值A(chǔ)，則該圖像被歸為路面裂縫圖像根據(jù)實(shí)驗(yàn)統(tǒng)計(jì)得到的累積方差分布圖可粗略推導(dǎo)出閾值A(chǔ)的范圍是900～1 100.

圖4 子塊圖像灰度方差的分布

2.3 圖像局部灰度熵特征

圖像的熵表示的是一種特征的統(tǒng)計(jì)形式，反映了圖像中平均信息量的多少，圖像的一維熵表示圖像中灰度分布的聚集特征所包含的信息量.對(duì)256級(jí)灰度圖像而言，每個(gè)像素的灰度值范圍是0～255，因此像素灰度值的符號(hào)集為{0,1,2，…,255} ,令表示圖像中灰度值為gi的像素個(gè)數(shù)為ki，則圖像中灰度值為gi的像素出現(xiàn)的概率為

(5)

整幅圖像的灰度熵值定義為

(6)

圖5為子塊圖像灰度熵的分布圖，由圖5可知，含裂縫的路面子塊圖像的熵值分布在1～7，不含裂縫的路面子塊圖像的熵值分布范圍較為集中，最大值與最小值之差不超過(guò)1.5，對(duì)于路面圖像來(lái)說(shuō)，圖像的熵值反映的是該路面子塊圖像的灰度分布不均勻程度和復(fù)雜程度.

圖5 子塊圖像灰度熵的分布

3 圖像分類

3.1 數(shù)據(jù)獲取

本文研究的路面圖像是使用車載攝像機(jī)在自然采光的條件下對(duì)瀝青路面進(jìn)行捕獲而得，在拍攝圖像時(shí)，相機(jī)垂直于地面放置，并保持與路面恒定的高度，從而使得所拍攝圖像的尺寸保持一致.該圖像集包含15 000張圖像，圖像大小為4 096×1 306.通過(guò)線性插值的分割算法，將圖像進(jìn)行分塊處理，每張路面圖像可得到200個(gè)非重疊的301×48像素大小的子塊路面圖像.

3.2 對(duì)比實(shí)驗(yàn)結(jié)果

基于對(duì)路面圖像的特征分析，選取圖像的灰度作為分類特征.結(jié)合設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)，選取子塊圖像灰度方差的最值之差(max)、一幅路面圖像中子塊圖像方差的最值之差超過(guò)閾值的子塊圖像數(shù)量(m)以及子塊圖像灰度熵的最值之差作為神經(jīng)網(wǎng)絡(luò)輸入的特征值.選取600張圖像集中的圖像，其中包括300張路面裂縫圖像，300張不含路面裂縫的完好圖像對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.

為檢測(cè)該算法的有效性、可行性、高效性，本文選取了三個(gè)評(píng)價(jià)指標(biāo)：誤檢率、漏檢率、檢測(cè)率.指標(biāo)的選取宗旨是為了迎合實(shí)際的應(yīng)用目的，本文研究的目的是對(duì)采集設(shè)備捕獲的所有圖像進(jìn)行分類，且使得完好圖像(不含路面裂縫的圖像)中不會(huì)摻雜含路面裂縫的路面破損圖像，即在保證誤檢率和漏檢率較低的同時(shí)提高檢測(cè)率，見(jiàn)圖6.

圖6 指標(biāo)定義說(shuō)明圖

選取圖像灰度作為分類特征，并與傳統(tǒng)方差算法以及基于閾值的分割算法進(jìn)行對(duì)比實(shí)驗(yàn).傳統(tǒng)基于方差思想的分類算法是選取圖像整體的方差值、子塊圖像方差最小值、子塊圖像方差均值三個(gè)特征量對(duì)圖像進(jìn)行分類；基于閾值的算法是將圖像利用OSTU算法進(jìn)行分割，再對(duì)分割后的二值圖像進(jìn)行水平和垂直方向的投影，選取水平和垂直方向上投影值的和作為特征量對(duì)圖像進(jìn)行分類.

選取兩個(gè)樣本驗(yàn)證所設(shè)計(jì)算法的魯棒性，樣本1為路面裂縫圖像占50%左右(共7 200張圖像，其中3 499張路面裂縫圖像)，樣本2為路面裂縫圖像占1%左右(共7 200張圖像，其中93張路面裂縫圖像)，見(jiàn)圖7.

圖7 算法對(duì)比圖

測(cè)試結(jié)果表明：在樣本1的測(cè)試條件下，閾值分割算法的檢測(cè)率最低，漏檢率最高，但其誤檢率低于傳統(tǒng)方差算法；在樣本2的測(cè)試條件下，傳統(tǒng)方差算法的檢測(cè)率最低，漏檢率最高，但其誤檢率低于閾值分割算法；在兩個(gè)樣本的測(cè)試條件下，本文算法均具有最高的檢測(cè)率，最低的漏檢率與零誤檢率；從兩個(gè)樣本的測(cè)試結(jié)果中可以分析出閾值分割算法與傳統(tǒng)方差算法具有不穩(wěn)定性，其算法結(jié)果隨著裂縫圖像占樣本總數(shù)百分比的不同而隨之改變，但本文算法具有較好的魯棒性，識(shí)別率高達(dá)98%，且在完好路面圖像(不含路面裂縫的圖像)中不會(huì)摻雜路面裂縫的圖像.然而，本文的分類算法也存在一定的局限性.本文的算法無(wú)法識(shí)別路面裂縫的類型，但可以確保在完好圖像(不含路面裂縫的圖像)一類中，不會(huì)摻雜路面裂縫的圖像，因此在后續(xù)工作中可直接將完好路面圖像篩除，降低處理路面裂縫圖像的工作量.

4 結(jié) 論

1) 基于已有的圖像預(yù)處理算法的研究，設(shè)計(jì)了適用于本文研究的改進(jìn)圖像掩膜去噪增強(qiáng)算法，充分對(duì)比了中值濾波、均值濾波、偏微分方程、圖像掩膜算法與本文算法的處理效果，結(jié)果表明本文算法與偏微分方程的算法均可保留圖像中的細(xì)微裂縫信息，但偏微分方程的迭代次數(shù)較多，算法不能達(dá)到較高的處理效率.

2) 基于路面圖像的灰度、邊緣、頻域分析的研究，采取路面圖像的灰度作為分類特征.在路面裂縫圖像的研究中，只需其中的路面裂縫的區(qū)域，對(duì)于一幅較復(fù)雜的路面圖像，將其進(jìn)行分塊處理，充分利用圖像裂縫區(qū)域的局部特征信息.在路面子塊圖像的灰度均值、方差以及熵特征的分析基礎(chǔ)之上，選取子塊圖像的方差和熵作為神經(jīng)網(wǎng)絡(luò)的輸入值，對(duì)路面圖像進(jìn)行分類，其檢測(cè)率高達(dá)98%，且誤檢率為0.

3) 給定路面圖像集，經(jīng)過(guò)本文算法處理可自動(dòng)將該圖像集分成兩個(gè)類別.研究的結(jié)果對(duì)于路面裂縫的精確化處理、路面裂縫的位置確定等具有一定的參考價(jià)值，且因在現(xiàn)實(shí)路面中，完好圖像(不含路面裂縫的圖像)的數(shù)量相對(duì)于需要進(jìn)行后續(xù)處理的路面裂縫圖像數(shù)量較多，本文算法可將完好圖像篩選出，并保證其類別中不會(huì)含有路面裂縫的圖像，因此其能極大降低后續(xù)的工作量.

4) 研究結(jié)論不能給出具體指標(biāo)(如路面裂縫的類型、寬度、深度等)，后期需對(duì)已經(jīng)篩選出的路面裂縫圖像進(jìn)行更細(xì)化的研究，從而能夠形成一套完整的路面圖像自動(dòng)分類與路面裂縫識(shí)別的系統(tǒng).