基于公路缺陷自動化檢測的圖像預處理技術(shù)研究

摘要：傳統(tǒng)圖像預處理技術(shù)在公路缺陷自動化檢測中，因無法及時調(diào)整參數(shù)以適應不同公路和環(huán)境變化，導致適應性差，易造成誤檢和漏檢。本文提出了一種名為PTAGD的圖像預處理技術(shù)，利用改進的圖像增強和混合雙濾波方法處理公路圖像。實驗結(jié)果表明，PTAGD在公路缺陷自動化檢測中對不同公路和環(huán)境變化的適應性優(yōu)于現(xiàn)有方法，信噪比、熵、紋理清晰度和對比度均有所提升。

關鍵詞：公路缺陷；圖像預處理；CLAHE

中圖分類號：TP391.41" " 文獻標識碼： A

文章編號：1009-3044（2025）07-0119-04

開放科學（資源服務） 標識碼（OSID）

0 引言

隨著計算機視覺和圖像處理技術(shù)的發(fā)展，這些技術(shù)在公路缺陷自動化檢測中的應用日益廣泛。通過對公路圖像進行預處理和分析，可以自動、快速地識別缺陷，從而大幅提高檢測效率和準確性。圖像預處理是整個檢測過程中的關鍵步驟。

張衛(wèi)東[1]等人提出了一種基于多通道卷積顏色恢復多尺度Retinex的單幅圖像去霧方法；曹海杰[2]等人提出了一種自適應逆直方圖均衡化細節(jié)增強算法；裴春陽[3]等人提出了基于引導濾波和稀疏表示的雙尺度多模態(tài)醫(yī)學圖像融合；汪子君[4]等人提出了一種基于引導濾波的自適應紅外圖像增強改進算法；劉沛津[5]等人提出了一種基于引導濾波的新穎紅外與可見光圖像融合算法；上述算法適用于特定場景且參數(shù)固定。然而，在公路缺陷檢測中，用戶無法調(diào)整參數(shù)，固定參數(shù)難以適應不同公路和環(huán)境變化，從而影響檢測效果。

本文介紹了一種圖像預處理技術(shù)PTAGD（Image Preprocessing Techniques Based on Automated Ground Defect Detection） ，旨在通過改進的圖像增強和混合雙濾波處理公路圖像，有效去除噪聲并保留邊緣信息，以增強重要結(jié)構(gòu)信息，即便在不同公路和環(huán)境變化下也能保持圖像質(zhì)量。

1 算法基礎

1.1 限制對比度的自適應直方圖均衡化（CLAHE）

限制對比度的自適應直方圖均衡化（CLAHE） 用于增強圖像局部對比度，尤其適用于光照不均的圖像。CLAHE通過分塊處理圖像并限制對比度來抑制噪聲，原理如下：

1） 分塊。將灰度圖像劃分為若干個小的非重疊區(qū)域?k，稱為“上下文區(qū)域”。

2） 局部直方圖的計算。對每個上下文區(qū)域?計算灰度直方圖，計算公式如下：

[[H?（i）=（x，y）∈?δ（Igray（x，y）-i）]" （1） ]

式中，δ是Kronecker delta函數(shù)；Igray（x，y）是圖像在位置（x，y）處的灰度值；i為灰度級別，總數(shù)為L。

3） 對比度限制。設定對比度限制閾值T，將直方圖中超過T的灰度級別數(shù)量限制為T，限制后的直方圖公式如下所示：

[[H′?（i）=H?（i）T" " " " " H?（i） ≤TH?（i） gt; T]" （2） ]

式中，CLAHE的參數(shù)clipLimit和T存在一定關系，假設上下文區(qū)域像素總數(shù)為|?|，計算公式如下：

[[T=clipLimit×?L] （3） ]

4） 重新分布灰度級別。計算多余像素數(shù)S，將超過T的部分均勻分布到所有灰度級別，計算公式如下：

[[S=i=0L-1max（H?（i）-T，0）] （4） [H″?（i）=H′?（i）+SL] （5） ]

5） 計算累積分布函數(shù)CDF，計算公式如下：

[CDF?（i）=j=0iH″?（j）]

6） 應用直方圖均衡化，計算公式如下：

[[IE（x，y）=CDF?（Igray（x，y）-CDF?（0））?-CDF（0）×（L-1）]" （6） ]

7） 插值處理。由于圖像分為多個上下文區(qū)域進行了灰度值處理，它們之間會存在邊界效應，故須通過雙線性插值平滑過渡，考慮包含像素（x，y）的四個上下文區(qū)域即?1，?2，?3，?4，則插值公式如下：

[[Ifinal（x，y）=k=14ωkI?k（x，y）]" （7） ]

式中，[I?k]為上下文區(qū)域?k的均衡化結(jié)果；ωk為權(quán)重系數(shù)。

1.2 雙邊濾波

雙邊濾波是一種結(jié)合空間和顏色信息的非線性圖像平滑技術(shù)，能夠在減少圖像噪聲的同時有效保留邊緣細節(jié)，避免傳統(tǒng)濾波方法常見的邊緣模糊問題。雙邊濾波的計算公式如下：

[[J（p）=q∈ΩA（q）?fr（||A（q）-A（p）||）?fs（||q-p||）q∈Ωfr（||A（q）-A（p）||）?fs（||q-p||）]" （8） ]

式中，Ω是p的鄰域；C（p）和C（q）是圖像A在位置p和q處的像素值；fr是像素值差異的顏色域權(quán)重函數(shù)，fs是基于像素位置距離的空間域權(quán)重函數(shù)，分別與σs空間域參數(shù)和顏色域參數(shù)σr有關，由用戶手動設置，兩者都是曲線的高度為1的高斯函數(shù)。

1.3 引導濾波

引導濾波是一種局部線性濾波技術(shù)，它利用導向圖像來指導輸入圖像的平滑處理。這種濾波器在保持邊緣的同時，能有效去噪和增強細節(jié)。它涉及兩個圖像，輸入圖像C和導向圖像D，在一個局部窗口ωk內(nèi)，假設它們滿足局部線性關系，通過計算這些局部線性模型的參數(shù)來實現(xiàn)圖像的平滑。引導濾波的計算公式如下：

[[Ci=akDi+b k" ?i∈ωk] （9） ]

式中，Ci是輸入圖像C在位置i處的像素值；Di是導向圖像D在位置i的像素值；ak和bk是局部窗口ωk內(nèi)的線性系數(shù)，計算公式如下：

[[ak=1ωki∈ωkDiCi-μkCkσ2k+ε]" （10） [bk=Ck-akμk]" （11） ]

式中，μk是導向圖像D在窗口ωk內(nèi)的均值；σk2是導向圖像D在窗口ωk內(nèi)的方差；[Ck]是輸入圖像C在局部窗口ωk的均值；正則化參數(shù)ε控制平滑的程度，平衡導向濾波處理后的圖像的去噪效果和細節(jié)保持。

最終的輸出圖像F通過線性變換得到以下計算公式：

[[Fi=aiDi+bi] （12） ]

式中，F(xiàn)i是精細處理后的輸出圖像在位置i處的像素值；[ai]和[bi]分別是以像i為中心的所有局部窗口ωk內(nèi)ak和bk的均值。

2 圖像增強方法

環(huán)境光照和曝光可能影響公路圖像處理，導致陰影和對比度問題。常用的增強方法包括伽馬校正、對數(shù)變換、直方圖均衡化和CLAHE。然而，這些方法的全局處理和參數(shù)依賴性可能在實時圖像處理時效果不佳。因此，本文提出結(jié)合伽馬校正、CLAHE和圖像統(tǒng)計特征的算法。

首先進行伽馬校正，接著應用改進的CLAHE，該方法通過利用圖像統(tǒng)計特征來動態(tài)調(diào)整clipLimit，以自適應不同圖像內(nèi)容，增強對比度并抑制噪聲，從而實現(xiàn)更佳的增強效果，其中CLAHE的改動原理如下。

1） 計算平均亮度。平均亮度是圖像所有像素灰度值的平均值，反映圖像整體的亮度水平，計算公式如下：

[[mean_intensity=1Ni=1Nri] （13） ]

式中，ri是第i個像素的灰度值，N是圖像的總像素數(shù)。

2） 基于圖像的平均亮度，對clipLimit進行調(diào)整。設置一個基礎經(jīng)驗值clipLimit_base。如果圖像的平均亮度較低，例如小于60，圖像較暗，需增強對比度，則clipLimit_base的值增加常數(shù)t0，增加對比度，如不小于180，圖像較亮，則clipLimit_base的值減少t0，降低對比度而抑制噪聲，計算公式如下：

[[clipLimit=clipLimitbase+t0clipLimitbase-t0clipLimitbase" " mean_intensitylt;60mean_intensity≥180otherwise]" "（14） ]

3） 計算噪聲。采用塊匹配噪聲估計法，計算輸入灰度圖像和經(jīng)過基于圖像平均亮度調(diào)整的clipLimit處理后的圖像的噪聲值，即noisegray和noise。將圖像分割成M×N的小塊，計算每個塊的方差，取方差的中位數(shù)作為噪聲方差，計算公式如下：

[[noise0=median（var（blockij））]" （15） ]

式中，block ij是位于位置（i，j）的小塊。

4） 噪聲反饋調(diào)整。當噪聲大于noisegray的1.2倍時，降低clipLimit值減小常數(shù)t1以減少對比度增強并抑制噪聲，計算公式如下：

[[clipLimit=clipLimit-t1 clipLimitnoise≥1.2?noisegrayotherwise] （16） ]

3 濾波處理

增強圖像H進行濾波處理以去噪和平滑。傳統(tǒng)方法如中值、均值和高斯濾波難以平衡噪聲與細節(jié)。本文提出混合雙濾波算法，結(jié)合自適應雙邊濾波和引導濾波，根據(jù)圖像局部特性調(diào)整參數(shù)，有效去噪并保留細節(jié)，其原理如下：

1） 通過自適應雙邊濾波處理增強圖像H得到圖像G。與傳統(tǒng)雙邊濾波不同，自適應雙邊濾波的參數(shù)σs和σr會根據(jù)圖像的局部梯度信息動態(tài)調(diào)整，從而在去噪的同時更好地保留圖像邊緣和細節(jié)。

①自適應空間域參數(shù)σs。空間域參數(shù)σs決定了濾波器對像素位置的敏感性。在自適應雙邊濾波中，空間域參數(shù)σs，根據(jù)圖像的梯度信息進行調(diào)整，計算公式如下：

[[σs（i，j）=σs0?1+GH（i，j）GHmax] （17） ]

式中，σs0是基準空間域參數(shù)，通常為一個常數(shù)，Hmax是圖像梯度幅值的最大值，用于歸一化，GH（i，j）是輸入圖像H在像素（i，j）處的梯度幅值，由Sobel算子計算得到，計算公式如下：

[[GH（i，j）=?GH（i，j）?x2+?GH（i，j）?y2] （18） ]

在邊緣區(qū)域，梯度GH（i，j）較大，導致σs（i，j）增加，濾波器在這些區(qū)域?qū)臻g位置更加敏感，從而減少平滑效果，保留邊緣細節(jié)；在平坦區(qū)域，梯度GH（i，j）較小，σs（i，j）接近σs0，此時濾波器的行為與傳統(tǒng)雙邊濾波類似。

②自適應顏色域參數(shù)σr。顏色域參數(shù)σr決定了濾波器對像素值差異的敏感性。在自適應雙邊濾波中，σr同樣根據(jù)圖像的梯度信息進行調(diào)整，公式原理和自適應空間域參數(shù)σs一致。

2） 通過自適應引導濾波進行精細處理。將圖像G作為導向圖，圖像H作為輸入圖。與傳統(tǒng)引導濾波不同，自適應引導濾波根據(jù)圖像梯度信息動態(tài)調(diào)整正則化參數(shù)ε，以保留細節(jié)并有效去除噪聲。ε（i，j）動態(tài)調(diào)整的計算公式如下：

[[ε（i，j）=ε0?1+G（i，j）G′max]" （19） ]

式中，ε0是基準正則化參數(shù)。G′max是導向圖像G梯度幅值的最大值，用于歸一化，G′（i，j）是導向圖像G在像素（i，j）處的梯度幅值，由Sobel算子計算得到，計算公式如下：

[[G（i，j）=?G（i，j）?x2+?G（i，j）?y2] （20） ]

在邊緣區(qū)域，導向圖像的梯度G′（i，j）較大，導致ε（i，j）增大，濾波器在這些區(qū)域會減少平滑效果，保留邊緣細節(jié)；在平坦區(qū)域，梯度較小，ε（i，j）接近0，此時濾波器會更好地平滑噪聲。

4 試驗與結(jié)果

4.1 圖像增強

圖1為3種常用方法和本文使用方法對A、B、C、D 4張圖像進行圖像增強的示例效果圖。研究表明，伽馬校正和對數(shù)變換會顯著降低圖像對比度和熵，導致信息丟失，不利于檢測。直方圖均衡化易引入噪聲，對比度過強，也不適合檢測。相比之下，本文方法優(yōu)化了圖像的對比度、熵和紋理清晰度，有效抑制噪聲，滿足實際檢測需求。

4.2 混合雙濾波處理

圖2為3種常用方法和本文方法對A、B、C、D 4張圖像處理后的示例效果圖。效果表明，常用的3種濾波方法無法平衡噪聲和圖像的平滑程度，且容易導致圖像失真，而本文采用的混合雙濾波處理在去噪的同時增加了圖像平滑程度，信噪比和紋理清晰度也有所優(yōu)化，滿足實際要求。

5 總結(jié)

本文提出PTAGD方法，通過改進的圖像增強和混合雙濾波處理，實現(xiàn)圖像預處理的自適應調(diào)整，以適應不同公路和環(huán)境變化，減小自動化檢測中不可調(diào)整參數(shù)的影響。表1展示了算法處理后圖像質(zhì)量與原圖質(zhì)量的對比評價。

視覺觀察和圖像質(zhì)量評價表明，該方法在公路缺陷自動化檢測中提高了圖像對比度、去噪效果和邊緣保留能力，且適應性優(yōu)于現(xiàn)有技術(shù)。與原圖相比，信噪比、熵、紋理清晰度和對比度等指標均得到改善，滿足實際應用需求。

參考文獻：

[1] ZHANG W D，DONG L L，PAN X P，et al.Single image defogging based on multi-channel convolutional MSRCR[J].IEEE Access，2019，7：72492-72504.

[2] 曹海杰，劉寧，許吉，等.紅外圖像自適應逆直方圖增強技術(shù)[J].紅外與激光工程，2020，49（4）：256-262.

[3] PEI C Y，F(xiàn)AN K G，WANG W S.Two-scale multimodal medical image fusion based on guided filtering and sparse representation[J].IEEE Access，2020（8）：140216-140233.

[4] 汪子君，羅淵貽，蔣尚志，等.基于引導濾波的自適應紅外圖像增強改進算法[J].光譜學與光譜分析，2020，40（11）：3463-3467.

[5] LIU P J，ZHANG L C，LI M Y，et al.An efficient algorithm to highlight details in infrared and visible image fusion[J].IEEE Access，2021，9：110223-110235.

【通聯(lián)編輯：梁書】