基于SVM決策樹的瀝青路面裂縫智能分類研究

付理想，劉 奇，邸昊田，張曉宇，于 斌，孟祥成

（1.江蘇省瑞沃建設(shè)有限公司，江蘇 高郵 225600；2.東南大學(xué) 交通學(xué)院，江蘇 南京 211189）

引言

傳統(tǒng)的人工或半機械化的瀝青路面檢測方法主觀因素大、檢測效率低、受制于環(huán)境因素，重復(fù)性較差，不利于道路現(xiàn)代化管理。因此，為了及時、高效、準確地評價路面狀況，需要開發(fā)半自動化或自動化的路面檢測方法。

數(shù)字圖像處理技術(shù)作為瀝青路面裂縫識別的核心，關(guān)乎裂縫信息提取的準確性。為了消除背景不均勻光照及陰影的影響，董靜薇等［1］提出了采用同態(tài)濾波的方法，但該算法對噪聲復(fù)雜的路面圖像處理效果不佳。此外，圖像在采集、傳輸及存儲的過程中不可避免地引入各種噪聲，增加了裂縫目標提取的難度。中值濾波作為非線性處理方法，其降噪效果較為明顯，尤其針對椒鹽噪聲，但對于多種噪聲的處理效果較差［2］。易春菊［3］提出了多結(jié)構(gòu)的中值濾波算法，從水平、45°、垂直、-45°方向?qū)D像進行中值濾波處理，但平滑后的像素鄰域內(nèi)仍然存在孤點噪聲。為了去除油污等具有一定紋理特征的噪聲，王婷婷［4］采用連通域的幾何特征。形態(tài)學(xué)處理方法也被用于裂縫圖像降噪處理［5］。在頻率域方面，采用小波分解將裂縫圖像分為不同頻率的子帶，并對不同頻率的子帶進行處理，以達到降噪的目的［6-8］，還可以根據(jù)子塊圖像直方圖的重疊部分來均衡化圖像以增強處理［9］。基于主動生長的裂縫斷裂連接方法采用最簡單的3×3結(jié)構(gòu)元素進行兩次迭代連接即可實現(xiàn)裂縫連接［10］。通過將神經(jīng)網(wǎng)絡(luò)分類模型引入到道路圖像的識別，通過訓(xùn)練集訓(xùn)練模型，使用模型對測試集進行分類，準確率較高［11］。

1 圖像預(yù)處理

1.1 圖像勻光處理

根據(jù)Mask勻光法的疊加原理［12］，對裂縫圖像進行拆分并進行模型描述。

式中：F'（x，y）m×n，x（0，m），y（0，n）—光照不均勻圖像；F（x，y）—獲取的勻光圖像，B（x，y）背景圖像。

根據(jù)Mask勻光法基本原理求背景矩陣，然后用原灰度矩陣F'減去背景矩陣G，得到矩陣K'，將矩陣K'中＜0的元素置為0，之后再將矩陣中各元素乘以拉伸系數(shù)k，得到灰度矩陣F（x，y），即進行灰度校正后的瀝青路面灰度圖像。

針對圖像橫向光照不均勻的特性，采用基于改進的Mask勻光算法實現(xiàn)圖像的光照均勻，見圖1。

圖1 原圖像與勻光后圖像及其直方圖對比

勻光前圖像宏觀表現(xiàn)為左暗右亮分布，不均勻性明顯，勻光后圖像表現(xiàn)亮度更均勻。對比勻光前后圖像矩陣的灰度值，見圖2。

圖2 勻光前后橫斷面方向路面灰度值對比

勻光后圖像的灰度值波動較為集中，像素的灰度值標準差由26.26降低至20.65，下降了27.2%，但仍然存在一些較大的灰度值，可能是孤點噪聲或者路面的紋理噪聲，因此，需要進行降噪濾波處理。

1.2 圖像濾波

結(jié)合維納濾波與中值濾波的特點，提出針對混合噪聲的濾波算法，由于中值濾波對椒鹽噪聲有較好地濾除效果，采用中值濾波去除椒鹽噪聲，而對高斯噪聲則采用濾除高斯噪聲較好地均值濾波。

（1）采用3×3的濾波模板，首先用濾波器中心與需濾波的像素點重合，然后將鄰域內(nèi)灰度值從小到大排列，即a1,a2,a3,a4,a5,a6,a7,a8,a9,am表示鄰域內(nèi)像素的灰度均值。（2）判斷濾波器中心處像素灰度值，若中心點灰度值為a1或a9，則把濾波器的中值a5作為該點的灰度值；若中心點灰度值在區(qū)間（a1,am）內(nèi)，則判斷該像素不是噪聲點，不對其進行濾波處理；若中心點灰度值在區(qū)間（am,a9）內(nèi)，則判斷為高斯噪聲點，把a3～a7的平均值作為該點的灰度值。（3）待濾波模板對所有像素重復(fù)前兩步后，圖像濾波結(jié)束，輸出濾波后的圖像。

對原瀝青路面圖像添加均值為0，方差為0.05的高斯噪聲和密度為0.01的椒鹽噪聲，并計算添加噪聲后圖像矩陣的均值和標準差，其次分別進行算術(shù)均值濾波、中值濾波及改進的均值-中值濾波，并計算濾波后圖像矩陣的均值和標準差，然后采用方差法對比均值與標準差的比值，見表1。

表1 三種方法濾波后均值與標準差對比

根據(jù)表1，三種濾波后圖像矩陣的均值大致相等，中值濾波與算術(shù)平均值濾波后的圖像矩陣標準差也大致相等，而采用改進的均值-中值濾波法得到的圖像矩陣的標準差為13.202 2，比前兩種方法最大降低了51%，表明改進的濾波算法能有效降低圖像的高斯與椒鹽噪聲。

1.3 圖像增強

為了突出裂縫信息，需要通過弱化背景信息以增強圖像對比度，從而達到分割圖像的目的。瀝青路面裂縫圖像中高頻信息一般是小區(qū)域內(nèi)灰度值變化較大的部分，如裂縫邊緣、孤立噪聲點等，而低頻信息一般是背景部分。采用小波對瀝青路面裂縫圖像進行濾波分解，弱化背景增強細節(jié)部分，最后進行重構(gòu)。

（1）采用母小波函數(shù)sym4對瀝青裂縫圖像矩陣在第2層進行離散小波分解，得到分解系數(shù)矩陣C和相應(yīng)的分解系數(shù)的長度矢量矩陣S，分解系數(shù)矩陣C=［A（2）|H（2）|V（2）|D（2）|H（1）|V（1）|D（1）］，其中A（2）為第2層的低頻系數(shù)，H（2）|V（2）|D（2）分別代表第2層的水平高頻系數(shù)、垂直高頻系數(shù)及對角高頻系數(shù)，H（1）|V（1）|D（1）依次類推；（2）對得到的分解系數(shù)矩陣中的高頻系數(shù)進行增強，低頻系數(shù)弱化，以達到去除低頻部分即背景的目的；（3）采用同樣的母小波函數(shù)sym4對增強后的高頻系數(shù)，弱化后的低頻系數(shù)進行小波重構(gòu)，得到增強后的瀝青路面裂縫圖像；（4）使用圓盤形結(jié)構(gòu)元素對增強后的裂縫圖像進行閉運算。

圖像增強無法有效去除背景中的紋理噪聲，經(jīng)過小波變換后，瀝青路面裂縫輪廓清晰可見，基本實現(xiàn)了裂縫與背景分離，見圖3，但過多的背景噪聲無法繼續(xù)進行裂縫類型分類，因此，需要進一步的處理。與原圖相比，在裂縫信息增強的過程中，由于參數(shù)的調(diào)試，可能的裂縫區(qū)域信息被弱化，導(dǎo)致裂縫出現(xiàn)斷裂（紅色區(qū)域），使得得到的裂縫并非完全形式的裂縫。

圖3 基于小波變換增強后的裂縫圖像

1.4 去連通域

為了去除與裂縫區(qū)別明顯的紋理噪聲，且不影響裂縫信息的完整性，采用標記連通域的方法，去除具有一定特征的紋理噪聲連通域，保留裂縫連通域。（1）圖像中的像素子集用R表示，若像素點r和l在R內(nèi)，可以通過其他像素點將r和l連接到一起，則像素點r和l是連通的。（2）對于R中任何像素r，R中連通到該像素的集合稱為R的連通分量。該方法和區(qū)域生長具有類似性。遍歷圖像中的所有像素點，標記連通域，每個連通域的像素個數(shù)記為s，去除s＜T的連通域，可以去除大部分的紋理噪聲。

小波變換后的圖像基本上實現(xiàn)了裂縫目標與背景的分離，但仍需進一步的分割處理。通過連通域操作，將裂縫從背景圖像中分離，見圖4。此外，由于裂縫區(qū)域灰度值變化較大，去除噪聲的同時也去除了屬于裂縫的小部分區(qū)域，因此，進一步出現(xiàn)了裂縫斷裂，同時閉運算并沒有把斷裂的裂縫連接起來，但裂縫的特征明顯，足以進行分類。

圖4 去連通域后的路面裂縫二值圖像

2 SVM決策樹模型

支持向量機（Support Vector Machine）是分類與回歸分析中分析數(shù)據(jù)的監(jiān)督式學(xué)習(xí)模型與相關(guān)的學(xué)習(xí)算法。SVM在解決非線性、小樣本、高維數(shù)的問題上有較大優(yōu)勢，基于識別精度與計算量的考慮，采用SVM作為瀝青路面裂縫圖像的分類器。《公路技術(shù)狀況評定標準》（JTG 5210—2018）［13］把路面裂縫分為橫向裂縫、縱向裂縫、龜裂和塊狀裂縫，其中橫縱裂縫具有明顯的走向，將其歸為規(guī)則裂縫，龜裂與塊狀裂縫走向不規(guī)則，歸為不規(guī)則裂縫。SVM一般只能進行單一的二分類，因此，需要決策樹模型進行判斷，決策樹的思想是運用多級的二分類對多類型進行分類，通過多次“一對多”的二分類達到多分類，即對增強的圖像首先劃分為有裂縫和無裂縫兩個子類，然后對有裂縫的圖像進一步劃分成規(guī)則裂縫和不規(guī)則裂縫，對規(guī)則裂縫劃分為橫向裂縫和縱向裂縫，通過二分類使最后的子類中只有一個類別，決策樹模型見圖5。

圖5 SVM決策樹模型

經(jīng)過圖像分割處理獲得了裂縫目標，還需要對裂縫進行分類以評估道路病害程度。首先通過分析裂縫整體分布情況對裂縫進行特征提取；再運用SVM決策樹模型對裂縫目標進行分類。選擇線統(tǒng)計特征和橫縱向投影特征作為裂縫特征，較好地反映了裂縫整體的特征，便于裂縫的是識別分類。

線統(tǒng)計特征是指在檢測完之后的裂縫圖像中等間距地用橫線和縱線進行切割，統(tǒng)計直線與裂縫區(qū)域相交的次數(shù)［14］。橫向裂縫與縱直線相交的次數(shù)遠大于與橫直線相交的次數(shù)，縱向裂縫與之相反，不規(guī)則裂縫與橫、縱直線相交的次數(shù)較為接近；而從橫縱投影看，橫向裂縫垂直投影的波峰數(shù)遠多于水平投影，縱向裂縫相反，不規(guī)則裂縫則較為相近。

為了訓(xùn)練SVM分類器，決策樹第一步選擇了598張有裂縫圖像和542張無裂縫圖像從中隨機選擇70%作為訓(xùn)練集，余下作為測試集；第二步在有裂縫的圖像中隨機選擇100張規(guī)則裂縫和100張不規(guī)則裂縫，從中隨機選擇70%作為訓(xùn)練集，余下作為測試集；第三步在規(guī)則裂縫中選擇50張橫向裂縫和50張縱向裂縫，從中隨機選擇70%作為訓(xùn)練集，余下作為測試集。采用父節(jié)點優(yōu)先的原則來構(gòu)造決策樹分類器［15］，首先訓(xùn)練根節(jié)點SVM分類器，再訓(xùn)練子節(jié)點SVM分類器，選取Sigmoid函數(shù)為支持向量機核函數(shù)。訓(xùn)練后的分類器對測試集的分類結(jié)果見表2。

表2 SVM分類結(jié)果

2.1 橫向裂縫

橫向裂縫及其水平垂直投影見圖6、圖7。

圖6 橫向裂縫

圖7 橫向裂縫水平垂直投影

2.2 縱向裂縫

縱向裂縫及其水平垂直投影見圖8、圖9。

圖8 縱向裂縫

圖9 縱向裂縫水平垂直投影

2.3 不規(guī)則裂縫

不規(guī)則裂縫及其水平垂直投影見圖10、圖11。

圖10 不規(guī)則裂縫

圖11 不規(guī)則裂縫水平垂直投影

3 結(jié)語

（1）基于改進的勻光算法實現(xiàn)了路面圖像的光照均勻性，橫向灰度值標準差降低了27.2%；（2）基 于改進的均值-中值濾波方法能夠有效地濾除高斯和椒鹽噪聲，濾波后圖像灰度值標準差最大降低了51%，連通域操作并不能連接所有的斷裂裂縫；（3）支 持向量機方法在有無裂縫的分類中識別精度達到94.41%和94.47%，在裂縫規(guī)則性分類中，識別精度達90%和93.3%，在橫縱裂縫的分類中識別精度達93.30%，總體識別精度滿足標準要求的90%。