一種灰度不均勻模型在公路病害自動檢測中的應用

高永博, 李斌斌

（1.甘肅省交通科學研究院集團有限公司, 甘肅 蘭州 730030；2.甘肅省道路材料工程實驗室, 甘肅 蘭州 730030）

0 引言

近年, 隨著我國公路事業(yè)的快速發(fā)展, 公路網(wǎng)建設已趨于飽和, 公路事業(yè)亦趨向養(yǎng)護維修。以前, 對于道路檢測多采取人工檢測的方法, 但由于其具有耗時耗力、危險系數(shù)大、檢測成本高等缺點, 不能快速地對收集的數(shù)據(jù)做相關性能評價, 故已不能成為主流的道路病害檢測方法[1-4］。隨著高分辨率影像和高清圖像處理技術的發(fā)展, 基于視頻圖像的道路病害智能化、自動化識別技術研究已勢在必行[5-8］。Medina等[9］提出了一種紅外圖像增強算法, 其主要原理是將圖像的灰度值映射到直方圖當中, 然后采用削波直方圖均衡化, 對其大直方圖中的小直方圖進行切割, 實現(xiàn)紅外圖像的增強；雖然該方法能較好的與原始圖像形成對比, 但是沒有考慮灰度不均勻性在圖像中的存在。顧振飛等[10］提出了一種基于區(qū)域顯著性識別的圖像增強方法, 該方法首先依據(jù)圖像各區(qū)域的亮度和紋理提取圖像內(nèi)容, 然后依據(jù)圖像內(nèi)容, 采用暗通道先驗的方法得到圖像透視圖, 在此基礎上, 利用導向全變分模型對區(qū)域顯著的圖像部分進行圖像增強；該方法由于沒有考慮圖像灰度不均勻性, 使增強后圖像的對比度下降。Abhisek等[11-13］對道路病害圖像進行識別時, 使用反向傳播神經(jīng)網(wǎng)絡（BP）算法實現(xiàn)了道路病害的歸類劃分, 其較高的精度滿足道路檢測規(guī)程的需要, 但由于未考慮特殊天氣對智能檢測數(shù)據(jù)的影響, 其算法還需優(yōu)化。郭鈺璐等[14-16］提出一種結(jié)合邊緣信息的對比度增強算法, 該方法首先利用濾波將圖像分解為基礎圖像和細節(jié)圖像, 其中基礎圖像利用對比度限制直方圖的方法均衡, 細節(jié)圖像利用Gamma 變換增強信息, 然后融合處理后的兩幅圖片, 接著利用自適應直方圖均衡和拉普拉斯銳化濾波對原始圖像進行灰度不均勻處理, 最后將融合后的圖片和處理后的灰度均勻圖片進行線性加權并融合, 以重建出最終的紅外圖像；該方法可以較好的提高原始圖像的對比度, 但對較小的目標該方法處理效果不佳。

基于上述研究基礎, 本論述提出了一種針對采集圖像灰度不均勻性的處理方法。該方法原理是將一張采集的路面灰度圖像劃分為非均勻背景光照、道路病害及高頻噪聲三個組成部分, 然后通過雙線性插值和曲面擬合的方法在三部分中將道路病害從中提取出來的方法。

1 灰度不均勻校正算法

1.1 加法模型

以路面灰度圖像為目標函數(shù), 以非均勻光照背景、道路病害及高頻噪聲為變量因子得下列公式：

式中,T(p)指一張灰度不均勻的道路病害識別圖像；Th(p)指道路識別病害圖像中的不均勻光照背景；Tb(p)指道路識別病害圖像中的病害；Tg(p)指道路識別病害圖像中的干擾因素, 如路面雜物、減速帶、凸起標志等。

1.2 乘法模型

式中,A(p)指光照的不均勻程度函數(shù)；T'(p)指灰度均勻的道路病害識別圖像。

式中,T'N(p)指一張標準均勻光照圖像在非均勻成像系統(tǒng)下的成像；N指一張標準均勻光照圖像均勻光照后在各位置處的灰度級常數(shù)。

綜上可知, 系統(tǒng)中所得的圖像可以通過不勻均函數(shù)A(p)進行校正。

所以, 由公式（3）與公式（4）可以推導出：

1.3 灰度不均勻型模型

在實際現(xiàn)場采集數(shù)據(jù)過程中發(fā)現(xiàn), 當采用加法模型時, 要從Th(p)和Tg(p)中提取出病害信息Tb(p)時很困難；當采用乘法模型時, 主要關鍵點是得到不均勻函數(shù)A(p), 但由于A(p)在隨檢測車的移動過程中攝像機焦距的改變而改變, 故用前期確定好的A(p)來校正所有病害圖像是不實際的。理想的狀態(tài)是從一副病害圖像中分離出Tb(p)和A(p)。將組成路面的物質(zhì)視為是均勻一致的, 故其亮度場也能視為是均勻一致的, 則可做以下假設：

在t0時點, 道路檢測車采集到?jīng)]有病害的路面圖像T0；在t1時點, 道路檢測車采集到了含病害的圖像T1, 假設t1-t0差值很小, 通過對T1與T0兩幅圖像配對后, 可近似求得背景灰度均勻的病害ΔT=T1-T0, 當進行分割圖像時, ΔT中各個分割部分可以視為都是均勻一致的。

由假設可知, 在很短的時間內(nèi),T1與T0采集的兩幅圖像中肯定會有重疊的部分, 即得公式（6）：

式中,M(x,y)為T1與T0的重疊背景像素, 且φ不能為空集。

根據(jù)二次曲面擬合及插值法得到重疊部分像素M(x,y)的灰度值, 即：

故由上述假設可知：

或由公式（5）可知：

式中,T1(x,y) 為T1中（x,y）的圖像像素灰度值,T'1(x,y)為T1校正后（x,y）的圖像像素灰度值；T'0(x,y)為T0中圖像像素（x,y）的灰度值。

2 求重疊交集φ

假定：光照不均勻在采集的病害圖像中表現(xiàn)是明顯的, 但將一張圖像分割成若干張小圖像, 可視為若干張小圖像上的灰度是均勻的；圖像背景或者病害在分割的小圖像上至少有一處均勻或者近似均勻[17-18］。

實施步驟：

（1）首先對采集的原圖像進行分割, 設原圖像的大小是256*256 的像素, 將其以8*8 像素分割, 將每塊視為一個背景塊, 共得到32*32塊。塊的大小一般依據(jù)原圖像的大小和能承受的局部圖像均勻性的大小程度確定。對較小的圖像分割要稍微小些, 大的圖像可適當調(diào)整其大小。

（2）將分割后得到的每塊歸納到φ中, 這樣就可得到T1的背景子集φ。由于采集的病害圖像中含有瀝青、病害及石子（瀝青路面）或者水泥、病害及石子（水泥路面）, 其中瀝青或者水泥是分布占比最大的, 且兩者的灰度值均處于中間位置, 故選取瀝青或者水泥像素M(x,y)作為背景像素。最后去掉分割后25%亮度偏大和25%亮度偏低的小圖像, 取剩余的50%的分割圖像為最終的重疊交集φ。

3 雙線性插值

考慮到實際過程中圖像上的灰度變化呈現(xiàn)的是一種漸變過程, 故在處理灰度不均勻時本論述采用相對平滑的函數(shù), 通過擬合將重疊交集φ溯源到初始采集圖中。因此本論述選用了能使圖像表面連續(xù), 實際效果良好的雙線性插值法進行溯源求解。

已知Q11（x1,y1）、Q12（x1,y2）、Q21（x2,y1）、Q22（x2,y2）4點的值, 首先對其在x方向進行線性插值, 得到下列雙線性方程：

然后在y方向進行線性插值, 得到下列公式：

由于圖像雙線性插值只會用相鄰的4個點, 設相鄰的4 個點為：f(Q11)=f(0,0) ,f(Q21)=f(0,1) ,f(Q12)=f(1,0),f(Q22)=f(1,1)；則可得式（13）。

4 實驗驗證

本論述的初始圖像集是通過多功能檢測車采集得到的, 如圖1所示, 多功能檢測車由高清黑白面陣相機、線結(jié)構(gòu)光激光器、高清3D工業(yè)相機、GNSS定位系統(tǒng)及嵌入式工業(yè)板卡計算機等核心元器件組成。由于每幅圖上各部分的灰度值都不一樣, 為了提取病害目標, 取得重疊交集φ, 去掉25%灰度值偏大和25%灰度值偏小的圖像, 取剩余的50%的分割圖像為最終的重疊交集φ。最后在MATLAB中采用雙線性插值法溯源得到擬合路面的背景及病害目標。

圖1 多功能檢測車

圖2 路面病害采集相機

為了驗證灰度不均勻模型的可行性和適用性, 選取了G312 線古浪金三角至豐樂段路面工程進行路面自動化病害檢測。G312線是甘肅交通運輸?shù)拇髣用}, 同時承擔著青蘭國家高速公路、福銀國家高速公路和連霍國家高速公路的輔道和集散功能。其中G312 線古浪金三角至豐樂段公路改造工程是交通運輸部確定的“十二五”國省干線改造的15條重點建設項目之一, 是連接蘭州、永登、天祝、武威、永昌、金昌、山丹、張掖及新疆的重要路段。G312線古浪金三角至豐樂段路面工程路線起點位于武威市古浪縣城金三角, 途經(jīng)雙塔、黃羊鎮(zhèn)、謝河鎮(zhèn)、武南鎮(zhèn)、高壩鎮(zhèn)、武威市、和平鎮(zhèn)、永豐鎮(zhèn), 終點位于武威市豐樂鎮(zhèn)與金昌市交界處, 路線全長97.948 km。

通過對G312 線古浪金三角至豐樂段路面工程進行路面自動化病害檢測的過程中發(fā)現(xiàn), 該線路部分路段存有縱向裂縫、橫向裂縫、龜裂等瀝青路面病害現(xiàn)象, 通過多功能智能檢測車的病害圖像采集, 利用灰度不均勻模型進行優(yōu)化, 通過對比分析可以發(fā)現(xiàn)初始采集的病害圖片在灰度不均勻模型的加持優(yōu)化下, 有效消除了由于道路兩旁樹蔭、標志牌及照相機曝光程度不同造成的圖像灰度不均勻情況, 且對提高病害圖像飽和度和清晰度有較好的應用成效。

圖像處理的初始時期, 通過多功能智能檢測車采集到的初始病害圖像, 如圖3所示。由圖3可以清晰地發(fā)現(xiàn), 圖像由于道路旁其他物質(zhì)存在的干擾導致采集的圖片左邊部分陰暗, 右邊部分圖像過于明亮, 這種情形會導致在后期通過病害識別軟件處理病害時將灰度不均勻病害圖像中間分割線識別成豎向裂縫, 致使病害識別軟件在識別該圖像時就會出現(xiàn)一條橫向裂縫, 一條豎向裂縫, 導致路面病害增加, 影響數(shù)據(jù)結(jié)果, 最終導致錯誤的研判。

圖3 初始病害圖像

因此, 優(yōu)化病害圖像灰度不均勻性是非常必要的, 故按照前文的模型設計要求, 首先對初始病害圖像的背景進行除噪, 得到只有病害的圖像, 如圖4所示。

圖4 去除背景噪聲后的病害圖像

然后通過去除圖像中25%灰度值偏大和25%灰度值偏小的圖像, 取剩余的50%的分割圖像為最終的重疊交集φ, 然后將取得的灰度均勻重疊集提高其飽和度, 使其清晰顯示, 得到如圖5所示圖像。

圖5 增強重疊交集φ 飽和度的病害圖像

最后采用雙線性插值法溯源得到消除灰度不均勻現(xiàn)象擬合路面的背景及病害目標, 如圖6所示。

圖6 利用雙線性插值回歸后的病害圖像

5 結(jié)論

由圖3 可知, 本論述中所采集的圖片均由高清3D工業(yè)相機拍攝而成, 但由于其位置在車頂且倒置, 再者因為所采用的高清3D 工業(yè)相機需要在病害采集過程中不斷的人為手動進行補光操作, 導致采集的圖片呈現(xiàn)灰度不均勻現(xiàn)象, 故提出一種針對采集圖像灰度不均勻性的處理方法。通過對病害圖像去背景降噪, 然后求取灰度均勻部分的重疊交集φ取得灰度均勻集, 將取得的均勻集提高其飽和度, 使其清晰顯示, 然后采用雙線性插值法溯源得到擬合路面的背景及病害目標。試驗驗證顯示, 本論述的算法應用對矯正病害圖像灰度不均勻及提高圖像飽和度和清晰度有較好的應用成效。