基于數字圖像的水庫岸坡裂縫自動識別研究

0 引言

水庫作為中國水利建設中不可或缺的重要組成部分，具有包括防洪、發電、灌溉、供水、航運等多種功能[1]。然而，水庫往往建設于高山峽谷地帶，這些地區地質結構復雜，巖層多變，巖性差異明顯，巖石的力學性質和穩定性受多種因素影響。當水庫蓄水后，水的作用會對水庫周圍的巖石和土壤產生影響，導致岸坡的穩定性發生變化[2]。受自然環境影響，斜坡體在重力的驅動下會發育裂縫，并可能進一步發育為滑坡、崩塌，造成大量的生命財產損失，因此對庫區裂縫的識別是庫區災害隱患排查的重要步驟。但截至目前，對于庫區裂縫的識別主要還是依賴人工現場調查，無法快速準確地識別地表裂縫，以及排查地質災害隱患區域 [3] 0

近年來，隨著無人機攝影測量技術的迅猛發展，利用該技術可以獲取數字正射影像圖[4]、三維點云[5]數字表面模型[等多種遙感數據，并用于裂縫災害的識別研究。但目前基于無人機數據的裂縫識別和信息采集仍主要依賴于人工目視解譯和測量數據，然而裂縫具有分布范圍廣、形態復雜、背景噪點繁多等特點，解譯往往需要耗費大量人力資源，且準確性較大程度上取決于解譯人員的專業水平，具有較強的主觀性。

隨著數字圖像識別技術的發展，利用計算機視覺技術在混凝土路面[7]、橋梁[8-9]、隧道襯砌[10]、建筑墻壁[1]等比較簡單背景上進行裂縫識別已有了大量算法研究成果。而在水庫地區，由于地質條件復雜，圍繞其開展的裂縫識別研究相對較少。水庫地區地質條件的復雜性體現在其地形地貌、巖性組成、結構等內動力因素以及降雨、地震、水庫消能等外動力作用，使得裂縫的發育分布特征具有差異性，相較于滑坡、泥石流，地表裂縫由于規模小、數量多、隱蔽性強，往往需要更小的特征單元以及更高精度的算法模型，僅憑常規的算法模型無法準確捕捉這些差異，特別是實際任務中識別多裂縫單元巖體時，無法完全準確識別出每一條裂縫，這給水庫地區的災害排查帶來了挑戰[12]

為此，針對復雜背景下裂縫發育區域，本文以無人機傾斜攝影測量技術獲取的數字圖像作為數據源，提出了一種融合多種算法識別模型的水庫岸坡裂縫自動檢測方法，通過將不同算法模型的優勢互補結合，可以更全面地捕捉裂縫在復雜背景下的特征，以提高裂縫檢測的準確性和魯棒性。

1水庫岸坡裂縫自動識別方法

目前，水庫安全巡查已逐步由人工現場巡查轉變為無人機巡航拍攝結合人工室內解譯的模式，一定程度上提升了巡查的安全性和效率性，但此種方法仍然主要依靠人工目視解譯，在面對海量數據時，或者在需要快速對水庫岸坡穩定性做出評價時，仍存在一定的局限性。

針對水庫岸坡裂縫自動化檢測需求，需實現以下兩點： ① 快速獲取海量高清水庫岸坡圖像； ② 快速準確識別海量圖像中的裂縫隱患。因此，提出如下水庫岸坡裂縫自動化檢測方法。

（1）利用無人機傾斜攝影測量對水庫岸坡進行拍攝，生成水庫岸坡的數字正射影像圖（圖1）。無人機傾斜攝影測量作為常用的一種技術手段，優勢是能大范圍快速成圖，相比于機載LiDAR成本更低，而相比于衛星影像又具備更高的分辨率。在獲得大量高清正射影像圖后，以灰度化-灰度增強-雙邊濾波的方式對生成的岸坡正射影像圖進行預處理。

（2）針對預處理之后的圖像，采用灰度閾值、邊緣梯度、監督分類3種算法對岸坡裂縫進行初步提取。

（3）利用形態學修復，以及長度和方向兩種濾波方法，對初步提取的裂縫圖像進行像素點修復以及噪點濾除。

（4）使用最小風險的貝葉斯概率決策對算法模型的識別效果進行融合，以進一步提升識別精度。總體技術流程如圖2所示。

1.1 數據預處理

目前，基于圖像的裂縫提取，大多數研究者均采用色彩（RGB值）作為區分裂縫與背景的主要特征[13]由于本文研究區屬于高山峽谷地區，植被覆蓋率較高且工作環境復雜，因此在該地區采集到的光學影像數據往往會受到顯著的背景噪聲干擾和氣候光照變化的影響。為此，本文采取灰度化－灰度增強－雙邊濾波的處理方法，確保圖像數據更加均一化、規范化。

（1）按照數字電視信號標準，將原始RGB圖像以紅：綠：藍 的權重進行分配[14]由三通道的RGB圖像生成單通道的灰度圖像，消除顏色信息可能會引入的額外復雜性，突出圖像的紋理、形狀和結構信息。

（2）使用直方圖均衡化的方法對圖像進行灰度增強[15]。通過使用一定大小的矩陣進行全圖采集，了解各個灰度級別的像素分布情況，并根據累積分布函數進行灰度映射，將原始圖像中的每個像素值分配到新的灰度級別，從而實現灰度增強，灰度重分配結果如圖3所示。此種方法可以有效增強圖像的視覺表現，改善圖像的質量，突出圖像中的細節信息，使圖像更適用于后續的圖像處理和分析任務。

（3）對圖像進行雙邊濾波去噪。雙邊濾波的優點是能夠有效處理不同類型的噪聲，包括高斯噪聲、椒鹽噪聲等，這使得圖像在去噪的同時不會出現模糊或失真的情況[16]，通過適當選擇濾波器的大小和標準差，在去除噪聲的同時盡量保留圖像的細節和邊緣信息。預處理后的正射影像如圖4所示。

1.2 基于數字圖像的裂縫識別

由于裂縫下凹于周圍地形，當受到不同角度的太陽光照射時，裂縫底部會產生黑色陰影。在灰度圖像中，這種情況通常表現為裂縫像素的灰度值明顯低于其周圍地形像素的灰度值。此外，鑒于水庫岸坡地形的復雜性，所采集的裂縫圖像背景顏色本身有較大的變化。另外，裂縫的發育程度不同，其長度、寬度、深度也不同。如果裂縫中有與背景顏色相近甚至更亮的大顆粒物質，也會導致裂縫圖像顏色的變化。但總的來說，裂縫圖像通常比周圍背景更暗。而數字圖像在計算機中是以像素為單位進行存儲和處理的，因此，基于該特征，裂縫自動檢測方法基本分為3類： ① 閾值分割； ② 邊緣檢測； ③ 監督分類。

（1）閾值分割是裂縫識別模型中最常用，也是最簡單有效的一種方法[17]。裂縫因下凹于地表，被太陽光斜視照射時通常會在裂縫底部產生黑色裂縫陰影，使其在灰度圖像中往往顯示為偏黑色的像素，將無人機采集到的數字圖像經過灰度化處理后，通過設置一定的灰度閾值 H ，將小于 H 的灰度值設為前景，大于 H 的灰度值設為背景，從而實現裂縫提取的效果（圖5）。當背景較為簡單且具有指導性光照條件時，閾值分割能夠有效地將裂縫從背景中分離。但對于細小、窄裂縫，或寬度和亮度變化較大的裂縫，閾值分割常常無法有效區分。

（2）邊緣檢測是判斷像素是否屬于物體邊緣的過程，其主要依據是灰度值的梯度變化大小。通過這一過程，邊緣檢測算法能夠有效提取物體的形狀信息。不同的邊緣檢測算法其實質是使用了不同的邊緣濾波器，常見的濾波器有Canny[18]、Sobel[19]和Roberts[20]濾波器等，這些濾波器通過尋找圖像中灰度值梯度變化明顯的部分將其選擇出來，從而完成區域的邊緣輪廓提取。本次研究采用Roberts濾波器進行裂縫的提取，它使用兩個 2×2 卷積核，一個用于檢測水平邊緣，另一個用于檢測垂直邊緣。這些卷積核與圖像進行卷積操作，分別計算出每個像素點水平和垂直方向的梯度值。通過計算這兩個方向的梯度，可以得到每個像素點的梯度幅值和方向，從而描繪出圖像中的邊緣信息。合并水平和垂直方向的梯度后，可以得到該像素點整體的梯度圖像，如公式（1）～（3）所示。Vf越大則表示該像素點的梯度值越大，通過設定閾值選擇所有梯度值較高的像素點，從而提取出圖像中裂縫的邊緣輪廓（圖6）。該算法能較好地適應一些復雜背景，但前提是裂縫的邊緣相對突出，尤其是在高對比度的圖像中，其優勢更加明顯，但對于模糊、丟失邊緣的微小裂縫，邊緣檢測的效果則不太理想。

式中： P5，P6，P8，P9 表示局部窗口的像素值； g_x，g_y 分別表示水平、垂直方向變化梯度； ablaf 為一階像素梯度。

（3）監督分類是根據彩色圖像的特征將其分為不同的類別，本文采用極大似然法進行監督分類。該方法假設每個類別的像素特征遵循某種已知的概率分布，通常是高斯分布。首先，通過人工采集訓練集，分成裂縫、植被、巖體或其他不同的類別（圖7），對采集到的訓練數據集進行分析，估計每個類別的參數，這些參數包括均值向量和協方差矩陣。對于每一個待分類的像素，根據其特征值計算其在每個類別下的概率密度函數值，這個值表示像素屬于某一類別的概率。隨后，通過比較這些概率密度函數值，選擇概率最大的類別作為該像素的分類結果。該算法在復雜背景和各種環境條件下均表現良好，只要有足夠的標注樣本進行訓練，它便能夠準確識別不同特性的裂縫。但若裂縫特征的變化極大，或者樣本數量不足以覆蓋所有情況，則會導致對裂縫的識別過程變得困難，從而影響分類的準確性。

1.3 裂縫像素濾波

經過初提取之后的裂縫圖像中仍會存在部分噪點，這部分噪點不僅會影響后續的分析，還會影響對真實裂縫的準確評估。因此，為了提高裂縫檢測的精度和可靠性，必須對提取后的裂縫圖像進行濾波處理。濾波技術能夠有效抑制噪聲，保留關鍵的裂縫信息，從而提供更加清晰和準確的裂縫圖像。本文針對研究區水庫岸坡的裂縫形態，對初提取后的二值化裂縫圖像，提出兩種濾波方法，分別為長度濾波以及方向濾波。

1.3.1 形態學修復

經邊緣檢測模型得到的裂縫像素僅能代表裂縫的邊緣特征，其中部有大量屬于裂縫的像素點被判斷為背景，而其他兩種模型也可能存在少量真實裂縫像素點被誤判為背景的情況。因此，為了修復被誤判為背景的真實裂縫像素點，采用形態學閉運算方法對初步識別的裂縫二值圖像進行處理。該方法主要用于填充小洞或對中斷的地方進行連接。形態學閉運算的主要步驟分為膨脹和腐蝕兩步。

（1）對輸入圖像進行膨脹操作。膨脹操作利用一個固定大小的矩形框作為結構元素，對圖像進行局部區域的最大值操作。從圖像的左上角開始，通過滑動結構元素的方式掃描整個圖像。對于每個結構元素覆蓋的像素區域，將結構元素的中心與該區域內的像素進行比較。如果該區域內存在任何一個像素點為真值（即裂縫像素點），則將結構元素的中心賦予真值。

（2）在膨脹操作之后，對膨脹后的圖像進行腐蝕操作。腐蝕操作同樣利用結構元素對圖像進行局部區域的最小值操作，結構元素從圖像左上角開始，通過滑動逐一掃描整個圖像。對于每個結構元素覆蓋的像素區域，將結構元素的中心與該區域內的像素進行比較。只有當該區域內所有像素點都為真值時，結構元素的中心像素值才會被賦予真值，其他情況下則賦予假值。

裂縫修復效果如圖8所示。

1.3.2 長度濾波

在初步提取的裂縫圖像中，常常會存在一些孤立的、長度較小的噪點。為了有效處理這些噪點，采用DBSCAN聚類算法，設置領域半徑（EPS）為 ，領域內最小點數為2，對像素進行聚類，這樣取值的目的是能夠將至少有一個共端點的相鄰像元進行聚類，從而形成多條裂縫單元。通過DBSCAN聚類后，裂縫圖像中的像素會被分為不同的聚類簇，每個簇代表一條裂縫單元。接著，對每條裂縫單元進行遍歷，計算其最小外接矩形的對角線長度。同時設定一個閾值，對裂縫單元進行篩選。最小外接矩形的對角線長度小于設定閾值的裂縫單元將被認定為噪點或者無效裂縫，并將其去除。

通過DBSCAN算法可以有效地將數據點分為核心點、邊界點和噪聲點，更好地區分出噪聲點和有效信號。這有助于在后續的長度濾波中更準確地識別和處理噪聲點。長度濾波效果如圖9所示。

1.3.3 方向濾波

裂縫通常以細長的形態出現在圖像中，具有明顯的方向性，而背景噪聲則往往以無規則的形態分布。因此，針對二值圖像中每個被判斷為裂縫的像素點，以該像素點為圓點，畫一定半徑的圓進行采樣，搜索附近像素點，并計算這些像素點的協方差矩陣及其特征值λ₁ 和 λ₂（λ₁gt;λ₂） ，特征值表示數據在不同方向上的變化程度，因此以特征值比率作為該像素點的方向性指標 F （公式（4）），同時根據圖像裂縫特征設定方向閾值，將不符合要求的像素點設為背景。方向濾波效果如圖10所示。

1.4 模型融合

不同識別模型能從多個維度、多個角度挖掘裂縫的形態、色彩及變化特征。也正如前文所說，從不同維度識別出來的裂縫，類型及形態差異較大。因此，為了達到最優的識別效果，需要結合多種算法的信息，互相支撐和補償，從而實現多維影像特征的有效融合。為了提高裂縫識別的準確性和魯棒性，本次研究提出最小風險的貝葉斯概率方法，將閾值分割、邊緣檢測和監督分類3種模型有機地融合在一起。這一方法克服了單一裂縫識別模型的限制，充分發揮了各種模型的優勢，從而提高裂縫識別系統的性能和魯棒性。

貝葉斯決策理論是一種基于貝葉斯概率理論的決策方法，用于在不確定性條件下做出最優決策。該理論基于貝葉斯公式，結合先驗概率和觀測數據的信息，計算后驗概率，并選擇具有最大后驗概率的決策結果，然而這種方法未考慮各決策所帶來的風險。為此，需將每種決策的風險系數納入最終選擇中，以在不同風險條件下實現裂縫信息的融合。本文提出的最小風險貝葉斯概率融合多維裂縫信息的步驟如下：

（1）明確輸入樣本的特征數量 （n） 及其排列組合

種類，從而獲取每個特征 。（2）確定輸出的類別種類，也就是最終的貝葉斯

決策分類結果 f_a，a=1，2，3，…，m_c （3）通過對已有的歷史案例進行統計，確定在不

同場景下各類決策結果的先驗概率分布 P（f_a） 。（4）統計每種決策下不同特征的分布概率 P（Y_i|

f_a ）。（5）使用貝葉斯公式計算每種特征組合 x_i 條件

下，不同分類結果 ω_j 的后驗概率 P（f_a∣Y_i） 。

（6）確定不同決策結果下的風險系數 λ_α，β，λ_α，β 表示當決策將特征 Y 歸類為 f_α 類，而實際上 Y 屬于 ω_β 類時，可能造成的損失系數， α 和 β 取值范圍均為 [1，m] 。

（7）根據公式計算每個類的分類風險 R（f_α∣Y） ，選擇風險最小的分類結果作為 Y_i 的最終決策。

2 水庫岸坡裂縫自動化檢測實例

2.1 研究區概況

烏東德水庫壩頂高程 988m ，最大壩高 270m ，屬于I等大（1）型工程，位于高山峽谷地區，庫區兩側谷坡陡峭，地質結構多樣，復雜的地質環境給壩體建設和運行管理帶來了挑戰（圖11）。本文以該水庫附近一處岸坡作為裂縫識別研究的驗證組（圖12），岸坡分布高程約 936～1045m ，寬約 487m ，長約 293m ，面積約0.14km² 。隨著蓄水水位的逐漸抬升，該岸坡局部開始產生張拉裂縫，隨時間的流逝可能發生滑坡、崩塌等劇烈變形跡象，嚴重威脅著岸坡上方的公路及廠房，是該水庫地質災害防治的重點岸坡。同時，為了提高研究的準確性，將距離驗證組約 2km 且具有相似地質環境的水庫岸坡作為訓練組。該岸坡寬約 396m ，長約230m ，面積約 0.09km² （圖13）。通過調整訓練組模型的參數與閾值，使圖像識別模型能夠更好地適應當地的地質和環境特征。

通過無人機搭載專業相機設備對岸坡裂縫進行自動化檢測，以構建完整的岸坡裂縫數據庫檔案，并充分研究岸坡裂縫的分布特征和發展特征。本次訓練組與驗證組正射影像圖均使用普宙S400無人機在 30m 高度處，采用 80% 航向重疊率及 60% 旁向重疊率于2022年6月拍攝生成，實驗影像采用的分辨率為3 274×1 802 。

2.2 圖像識別成果

針對1.2節提出的3種裂縫識別方法，對本次無人機傾斜攝影獲得的訓練組正射影像進行以下處理：① 針對灰度圖像，為了讓計算機更好地識別圖像信息并準確提取裂縫，根據訓練區域植被覆蓋情況和實際產生噪點的情況，采用clipLimit =2 ，tileGridSize Σ=Σ （16，16）的直方圖均衡化參數，雙邊濾波的參數則設置為15的空間標準差、20的顏色空間標準差以及200的濾波器強度，這些參數使得灰度值的分配更加平滑，在植被較多的情況下能更加凸顯出地形的變化，且能夠更好的濾除高斯噪聲和椒鹽噪聲； ② 針對彩色RGB圖像，結合訓練區域影像特征，運用ArcGIS軟件平臺進行樣本采集，將像素類別分為裂縫、樹木、巖體和草地4類，每類樣本均人工采集了至少1500個像素點。

對處理之后的訓練組正射影像進行識別并統計TP、TN、FP、FN識別結果（TP表示正確預測為“裂縫”的像素數量，TN表示正確預測為“背景”的像素數量，FP表示錯誤預測為“裂縫”的像素數量，FN表示錯誤預測為“背景”的像素數量），采用ROC曲線檢驗分析不同閾值下的分類器預測能力，以獲取3種算法模型各自的最優閾值，曲線縱坐標是真正例率（TPR），即不同閾值下正類樣本中有多少被模型預測為正例的比例，也叫召回率；橫坐標是假正例率（FPR），即不同閾值下假正例占所有反類樣本的比例， FPR=FP/（FP+ TN）。本次研究選取訓練組典型區域的60萬像素點進行ROC曲線繪制，結果如圖14所示。

在ROC曲線上若某一點越靠近（0，1），則該點對應的分割閾值越優，即保證高真正例率的同時，假正例率要盡量小，因此曲線上到（0，1）點距離（ 最小的點即為模型的最佳分割閾值。最優閾值下的模型識別結果如圖15所示。將訓練組獲得的最優閾值運用到驗證組中進行模型識別，獲得的最終結果如圖16所示。

本次研究選擇F－Score指標來綜合評價模型優劣程度，該指標綜合分析了準確率Precision以及召回率Recall兩種指標，是目前最為常見的一種二分類模型綜合評價指標。上述3種指標的計算方法見公式（7）＼～（9）。訓練組與驗證組最優閥值下的TP、TN、FP、FN識別結果及模型評價結果如圖17和表1所示。

2.3 模型融合結果

由2.2節識別結果可以看出，3種基于數字圖像的算法模型均能對水庫岸坡的坡表裂縫進行較為準確的識別，且相比于人工解譯識別，極大提升了識別效率。然而，3種算法模型受限于原始正射影像圖精度的影響，識別結果存在較多噪點，因此，對3種算法模型自動識別的結果采用最小風險的貝葉斯概率方法進行融合，該方法考慮了不同特征對最終結果的風險大小，從而進行決策級融合，進一步提升了裂縫的識別準確率。

3種模型對于圖像中每個像素的識別結果只有兩種情況，即裂縫或背景。其所有特征組合總數 X=2× 2×2=8 ，即特征值

1）， 。考慮水庫岸坡內裂縫發育特征并查閱歷史資料，確定裂縫與背景的先驗概率分布為： P（f₁）=12.38% ， P（f₂）=87.62% 。不同特征組合Y_i 其不同分類結果的后驗概率 P（f₁∣Y_i） 與 P（f₂|Y_i） （2號按照公式（5）計算。同時，加入 λ_1，1，λ_1，2，λ_2，1，λ_2，2 共4種風險系數，其中 λ_1，1=λ_2，2=0 ，并考慮6種風險條件， ，（0：1：1：0）， （0：1：2：0），（0：1：4：0），（0：1：7：0） ，最后通過比較 R（f₁∣Y_i） 和 R（f₂∣Y_i） 的風險大小進行決策融合。訓練組與驗證組融合結果如圖 18～19 所示。不同風險系數下的模型融合結果如表2所列，可見不同的風險系數對融合的結果相差較大，其中訓練組與驗證組均當 時， F 分值最高（圖20＼～21）。

表2不同風險系數下模型融合結果統計

3結論

為實現水庫岸坡裂縫自動化精準識別，本次研究利用普宙S400無人機搭載PDL-1K紅外雙光云臺相機云臺，在烏東德水庫岸坡進行傾斜攝影并采集高清圖像，探索了3種算法模型（邊緣檢測、閾值分割、監督分類）在裂縫檢測中的優勢與短板。同時，通過最小風險的貝葉斯概率方法，研究了不同算法模型融合相較于單一算法的識別效果，主要得出以下結論：

（1）本文提出的濾波算法能夠有效減少裂縫的背景噪點，提高模型的整體準確率。經過方向與長度濾波后，能有效去除復雜噪聲，同時最小化真實裂縫的誤損，各種模型準確率提高了 7.5%～55.3% ，使裂縫識別結果更加真實可靠。

（2）本文提出的最小風險貝葉斯概率模型融合方法，能夠明顯提升單一模型的裂縫識別準確度，融合之后的模型準確率可達 95.4% ，還能夠根據實際情況對不同模型的權重和風險系數進行靈活調整，以達到更好的識別效果。

傳統人工地面調查手段易受時空、環境條件限制，難以高效地對地質災害隱患進行早期識別。但是利用遙感技術和圖像識別技術進行自動化裂縫識別，不僅實現了數據的智能處理，還彌補了傳統人工地災巡檢手段在效率、風險和盲區方面的不足，為地質災害的早期識別提供了新的方法與思路，

參考文獻：

[1]彭虹.大壩安全監測自動化30年歷程回顧與展望[J].水電自動化與大壩監測，2012，36（5）：64-68.

[2]李碧雄，田明武，莫思特.水庫誘發地震研究進展與思考[J].地震工程學報，2014，36（2）：380-386，412.

[3]許強，董秀軍，李為樂.基于天-空－地一體化的重大地質災害隱患早期識別與監測預警[J].武漢大學學報（信息科學版），2019，44（7） ：957 -966.

[4]侯恩科，張杰，謝曉深，等.無人機遙感與衛星遙感在采煤地表裂縫識別中的對比[J].地質通報，2019，38（增1）：443-448.

[5]黃丹.無人機機載雷達在廣西古皂水庫地形測繪中的應用[J].水利水電快報，2022，44（增2）：18-22.

[6]李濤，王帆，胡東升，等.無人機低空遙感裂縫識別與采動地表變形指標的相關性研究[J].金屬礦山，2024（7）：159-167.

[7］曹悅欣.基于方向特征的混凝土路面裂縫檢測算法研究[D].重慶：重慶郵電大學，2019.

[8]朱飛，姚騰，曾梓逸，等.基于數字圖像的混凝土梁裂縫識別試驗[J].南京工業大學學報（自然科學版），2023，45（5）：537-545.

[9]許力之，王耀東，朱力強，等.隧道表面圖像多目標智能識別算法研究[J].鐵道學報，2022，44（9）：154-162.

[10］曹艷玲，袁義宏.基于特征分布的建筑墻體裂縫圖像識別方法[J].沈陽工業大學學報，2018，40（2）：235-240.

[11］謝文高，張怡孝，劉愛榮，等.基于水下機器人與數字圖像技術的混凝土結構表面裂縫檢測方法[J].工程力學，2022，39（增1）：64-70.

[12］彭博，蔣陽升，韓世凡，等.路面裂縫圖像自動識別算法綜述［J].公路交通科技，2014，31（7）：19-25.

[13]CAOW，LIUQ，HEZ.Reviewofpavement defectdetection methods[J].IEEE Access，2020（8）：14531-14544.

[14]杜文俊，龔緒才，趙云景，等.基于輻射變換的DSM質量改進[J].北京測繪，2022，36（10）：1354-1359.

[15]REZA A M. Realization of the contrast limited adaptive histogram e-qualization（CLAHE） for real - time image enhancement[J]. Journalof VLSI Signal Processing Systems for Signal，Image and VideoTechn-ology，2004，38（1） ：35-44.

[16]唐錢龍，譚園，彭立敏，等.基于數字圖像技術的隧道襯砌裂縫識別方法研究[J].鐵道科學與工程學報，2019，16（12）：3041-3049.

[17]OTSU N.A threshold selection method from gray - level histograms[J].IEEE Transactions on Systems，Man，and Cybernetics，1979，9（1）：62-66.

[18］CANNY J.A computational approach to edge detection[J].IEEETransactions on Pattern Analysis and Machine Intelligence，1986，8（6）：679-698.

[19]李晉惠.公路路面裂縫類病害圖像處理算法研究[J].計算機工程與應用，2003（35）：212-213，232.

[20]李剛，賀昱曜.多方位結構元素路面裂縫圖像邊緣檢測算法［J].計算機工程與應用，2010，46（1）：224-226.

（編輯：胡旭東）

Research on automatic recognition of cracks in reservoir bank slope based on digital images

TANG Xiaodan' ，XU Yingjie2 ，ZHONG Hongxing' ，DONG Xiujun2 ，WANG Tuanle2 （1.WudongdeHydropowerPlant，ChinaYangtzePowerCo.，Ltd.Kunming 651512China；2.TheeGorgesGeotechnicalConsultants Co.，Ltd.，Wuhan 430074，China）

Abstract：Therapiddevelopmentofdigitalimagetechnologyhasledtoitswidespreadapplicationinthefieldofautomaticcrack recognition.However，theaccuracyofcrackrecognitionusingasinglealgorithmmodelincomplex backgroundsstillneedsimprovement.Toadressthis，weutizeddigitalorthophoto maps（DOMs）obtainedthrough UAVobliquephotographyasthedata sourceforautomaticackidentificationesearchirstlyosideringtheimaginghracteistsofdierentacktysalgorithmmodels（thresholdsegmentation，edgedtection，ndsupervisedclasification）wereemployedforpreliminarycrackidentification，usingimagepixelgradient，grayscalevalu，andRGBvalueasindicators.Next，teitialextractionresultserepro cessedbymorphologicalrestorationandtwofiteringalgorithsofdirectionndlengthtohandlebackgroundoise.Finalymiimum-risk Bayesian probabilitymodelfusion methodwas proposedtointegratetherecognitionresultsfrom diferent modelsata decisionlevel.Theengineeingapplicationresultsdemonstratedthat：thethreealgorithmmodelsefectivelyextractedcrackson reservoir bank slopes，each achieving an accuracy rate of over 70% .Model fusion minimized the omission of true cracks，with the final fused model achieving a recognition accuracy of 95.4% . The fusion algorithm successfully distinguished target cracks from backgroundinformationinreservoirslopecrackidentification，significantlyrducingimagenoiseandimprovingrecognitionprecision.

Keywords：reservoir bank slope；cracksrecognition；digitalimage；automaticdetection；data fusion；geological disaster; Wudongde Reservoir