基于圖像處理的路面裂縫識別技術研究

史英英

（邯鄲市華威公路設計咨詢有限公司，河北 邯鄲 056001）

0 引言

公路路面常見的病害有裂縫、龜裂、車轍、油污和沉陷等破壞形式，其中裂縫是路面的主要病害形式。因此，路面裂縫的修復是公路養護的重點工作，以往通過人工檢測路面裂縫，其檢測精度和檢測效率較低，路面出現橫向裂縫、縱向裂縫和不規則裂縫時不能有效地檢測裂縫特征。隨著科技快速發展，采用圖像處理的自動檢測技術越來越普遍[1]。本文僅就基于圖像處理的路面裂縫識別技術進行研究。

1 公路路面裂縫的分析

裂縫形式主要包括：縱向裂縫、橫向裂縫、塊狀裂縫和網狀裂縫[2]。其形成原因在于施工因素、氣候條件、交通通行量及車輛類型等綜合因素作用。

1.1 縱向裂縫

縱向裂縫產生的原因分為施工原因和使用原因。施工時路面縱向連接處理不當及路面加寬壓實不足等容易產生裂縫；使用原因為路面在重載車輛長期作用下容易形成裂縫。其裂縫特征：縱向裂縫的長度和深度較大，深度一般為0.5～4cm；長度能達幾十米，裂縫的寬度在0.1～0.5cm 不等，一般裂縫的中部較大，兩邊裂縫較細淺；裂縫方向與公路中線平行。

1.2 橫向裂縫

在公路的修筑初期，由于路基的壓實度不夠造成路面出現橫向裂縫，尤其是在公路的側邊路面，在長時間的過載作用下，會使橫向裂縫越來越長。橫向裂縫的特征是：間距比縱向裂縫較大，裂縫的分布相對規則，裂縫的方向垂直道路中線。

1.3 塊狀裂縫

瀝青老化、不均勻的基礎層鋪設及自然環境溫度的變化造成路面出現塊狀裂縫。裂縫主要特征為：由縱向裂縫和橫向裂縫交錯形成，其形狀不規則，裂縫的間距相對均勻，長短不一，一般長邊不大于3.0m，短邊不小于0.4m。

1.4 網狀裂縫

網狀裂縫產生的原因是路面的整體強度嚴重不足、路面基礎層軟化和穩定性不強等因素，其特征為：裂縫的縫間距處于0.4m 以下，裂縫的寬度一般＞1mm，其短邊的長度＜0.4mm，裂縫區域的面積往往＞12m2，網狀裂縫處于縱向裂縫與橫向裂縫之間，其形狀多為不規則結構[2]。

2 圖像預處理技術要點

公路路面裂縫圖像采集時，會受內外因素的影響，造成采集的圖像模糊不清，譬如受光照、路況及采集設備等因素的影響，造成采集圖像模糊，路面裂縫特征不夠突出，導致計算機不能夠有效識別。因此，在對路面圖像采集時進行科學有效的預處理是保障計算機分析結果的主要技術手段。圖像數據的預處理可以有效削弱因圖像采集時設備噪音、光照不均勻及環境曝光度等不利因素造成的影響，提高所采集的圖像質量、消除相關無用干擾信息，突出有效的圖像信息，為后期處理提供豐富的數據資源和優質圖像。根據公路路面裂縫的實際特點，一般采取基于對比度增強和高斯濾波對圖像像素增強的方法進行預處理[3]。

2.1 基于對比度增強和高斯濾波像素增強的處理

（1）對圖像進行像素增強處理有利于后期對裂縫進行準確識別，采用對比度增強和高斯濾波像素增強進行預處理，其對比度表示灰度圖的像素值從白到黑的漸變層次[4]。灰度處理公式如下：

式中：δ(i,j)2——圖像相鄰像素的灰度差，=|i-j|2；

Pδ(i,j)——相鄰像素灰度差的分布概率，通過實際測試，強弱光下的圖像對比值分布為0.6 和1 時，能夠得到圖像最佳的預處理狀態。

高斯濾波公式：

（2）式采用長度單位為3的窗口進行3核卷積處理，令 σ=1，設定圖像的中心點坐標為（1，1），則高斯濾波的卷積核為(xa,x, xb)，對其卷積核進行歸一化的高斯濾波，提高采集圖像的識別率，便于圖像的后期處理。

2.2 基于均值濾波算法對圖像進行去噪處理

在采集圖像過程中，會受到一系列的干擾因素影響，圖像會存在噪點，會大大降低圖像分析的準確率和增加計算機計算的時間。采集的路面圖像噪點多處于高頻信息段，用于分析的圖像信息位于中低頻段。采用均值濾波能夠使中低頻的信號波進行有效提取，采用均值替代規定原圖像區域中的各像素點，有效去除與原圖中像素點的突變點，從而起到去噪效果，此法原理簡單、濾波速度較快，具體均值濾波算法函數如式（3）所示[5，6]：

式中：m,n——圖像的坐標值；

f(s,t)——圖像原函數；

s xy——設定的圖像位于原函數處，大小為m×n的鄰域圖像坐標。

具體實施過程為：圖像的原函數f(s,t)在指定的坐標區域內進行相加取平均值，用平均值代替中心點的數值，采用均值濾波處理圖像數據，能夠有效突出圖像中裂縫的變化，保留裂縫圖像信息，便于進一步的分析。處理前后的圖像效果如圖1、圖2所示。

圖1 公路路面裂縫原圖像

圖2 中值濾波處理后的圖像

由圖1、圖2 比較可知，經過均值濾波處理后的圖像有效過濾了高頻噪點，很大程度上提高了計算效率。

2.3 基于Prewitt算子圖像分割分析

通過均值濾波算法處理后，圖像亮度及對比度有了較大的提高，使圖像的質量和視覺效果有了較大的改善。但是采集的圖像較大，大大降低了圖像識別的效率，為提高圖像分析效率，需要對前期處理的圖像進行分割，將分割的裂縫圖像進一步提取并作降噪處理，以提高分析效率。

圖像分割是指在圖像中提取要研究分析的對象（縱向裂縫、橫向裂縫等）。通過采用Prewitt 算子分割法將相關裂縫目標從處理的圖像中提取出來，并進行降噪處理，完成對其特征的分析[7，8]。基于Prewitt 算子圖像分割分析主要技術手段如下：

基于Prewitt 算子法以像素原函數在3 階鄰域內計算其x和y方向的偏導函數，然后進行計算加權平均差值，利用平均值進行降噪處理，其3 階垂直梯度和水平梯度如圖3、圖4所示。

圖3 垂直梯度算子

圖4 水平梯度算子

像素原函數f(x,y)的x和y方向偏導函數如（3）式、（4）式所示[1，8]：

將上述的梯度偏導函數代入加權平均差值公式：

式中：f——像素點的灰度值，對應下標為3階矩陣像素點對應的位置。

利用Prewitt 算子對圖像像素點進行邊緣檢測，方法簡單、易實現，且能夠對圖像的噪點進行有效處理。圖5為經過均值濾波預處理后的路面圖像，圖6為經過Prewitt 算子運算處理后的圖像，經過對比發現，圖5 相較于圖6 來說具有較高的邊緣定位準確度和去噪效果，同時也能明顯看出其對噪聲較多的點和灰度值鑒別的圖像處理效果好。

圖5 均值濾波預處理后的圖像

2.4 基于Otsu閾值分割算法

圖像經過分割處理后，其路面裂縫特征的提取效果存在較大的差異性，因此，在經過Prewitt算子處理后仍需要對其進行閾值分割。采用Otsu閾值分割算法進行處理，該算法簡單，可自動求解閾值，適用范圍廣。Otsu 閾值分割算法是根據Prewitt 算子處理的像素點的灰度值的具體分布，采用統計學的方法選取參考閾值（目標和背景二者的分界值即是要計算出來的閾值）。將上述處理的圖像分為背景和目標兩部分，其中目標圖像需要從閾值中分割出來，將采集的圖像灰度值的整個閾值統計出來，計算背景相對于目標閾值的類間方差，選取類間方差為最大值時，對應的閾值即為該算法所要求出的閾值。圖7 和圖8 分別為經過均值濾波預處理后的路面圖像和經過Otsu閾值分割算法后的路面圖像[8-10]。

圖8 Otsu閾值分割算法后的路面圖像

采用Otsu 閾值分割算法的操作過程：首先統計圖像相同灰度值像素點的個數和像素點的總體個數，計算所采集圖像每個灰度值在采集圖像中出現概率及各數值對應的平均灰度值。其次，在采集圖像所對應的全部灰度值（0～255）中，按序依次選取閾值T，T 將圖像分割為背景和目標兩大部分，通過數值計算分別求出每類灰度值的出現概率及每類像素點的平均灰度值。最后，計算出每個像素閾值T 所對應的類間方差，選取類間方差的最大值為最佳閾值。處理后的圖像背景和目標能夠明顯區分，具有較好的分割效果，便于計算機進行檢測分析。

3 結束語

本文針對公路路面裂縫存在形式及產生原因進行了闡述，對公路路面裂縫采用圖像識別系統的關鍵技術進行了初步研究。結合公路路面裂縫圖像噪聲大、對比度低等特點，采用對比度增強和高斯濾波對圖像像素進行增強預處理；基于均值濾波算法進行降噪處理，采用Prewitt 算子分割法和Otsu 閾值分割算法對圖像進行分割處理，得出便于計算機進行分類和識別的明確邊緣定位和圖像去噪效果的路面裂縫圖像，提高路面裂縫識別的效率。