张 磊
(陕西交通职业技术学院公路与铁道工程学院，陕西 西安 710018)
摘要：为了提高公路路面裂缝的检测效率，采用图像处理技术对路面裂缝进行自动识别，提取裂缝参数。采集到裂缝图像之后进行灰度化、去噪、阈值分割处理检测出路面裂缝，对线性裂缝提取骨架并细化求出其长度和平均宽度，对于网状裂缝通过其外接矩形的面积计算出破损面积。实例验证这种方法能够有效检测裂缝宽度，相对误差较小。
关键词：灰度化；最大类间方差法；中值滤波算法
公路路面破损导致交通安全问题十分突出，公路交通建设中越来越突出的问题是已建成道路的后期维护问题。由于道路建设中存在的不良行为以及车辆超载、自然及环境等因素的影响，导致路面的持久承重能力不足，出现裂缝[1]。传统的检测方法主要是靠人工检测，测量精度差、 检测效率低，同时检测人员会有安全隐患。不规则裂缝、纵向裂缝、横向裂缝等都是常见的公路路面裂缝类危害，这些裂缝类危害较复杂[2]，采用传统的检测方法很难检测出其特征。现在多采用自动检测的方法对路面裂缝的损害进行检测，其中使用图像处理方法最为普遍。
图像处理是指利用扫描仪、数字摄像机等设备对待检测路面进行图像采样，经过数字化处理之后得到一个外部信息的二维数组。本文的裂缝图像分析流程包括图像采集和灰度化、以3×3窗口进行中值滤波去噪、采用最大类间方差法进行阈值分割提取裂缝、计算图像裂缝面积和长度及宽度，检测方法可提高裂缝检测的效果，从而提高公路的养护效果。
由于公路路面经常会存在一些轮胎痕迹、杂物阴影、油污等，它们会在公路路面检测中形成噪声从而影响公路路面检测效果。当前应用的很多检测算法不能自动有效地剔除噪声[3]，导致裂缝识别结果出现不连续的现象。噪声的干扰导致路面
裂缝特征识别不明显，对裂缝长度、宽度的识别造成影响，因此需要对裂缝图像进行预处理，即图像灰度化和图像去噪。在进行裂缝图像预处理之前，先对裂缝图像进行采集，采集到的原始裂缝图像如图1所示。
图1 原图像
红、绿、蓝3种颜色构成了自然界的一切色彩，因此得到的图像灰度函数也包含这三元色的信息。图像处理是将RGB格式的图像转换为灰度图像。识别裂缝之后开始对其图像进行灰度转换，得到的图像如图2所示。
图2 灰度化后图像
图像灰度转换公式为：
f(i,j)=0.125 0R(i,j)+0.715 4G(i,j)+0.072 1B(i,j)
(1)
式中：f(i，j)为灰度图像中第 i行第 j 列的灰度值；R(i，j)，G(i，j)，B(i，j)分别为原始彩色图像中红、 绿、 蓝3种基本颜色的分量值。
在对公路裂缝图像进行拍摄时容易受到车辆噪声、路面污损等外部因素的影响，导致裂缝图像在完成变换之后出现部分无效的灰度区域或者部分无效的图像。为了提高路面的检测识别效果，需要对这些无效的图像和灰度区域进行处理，形成边界清晰、裂缝区分明显的图像[2]。采用“线性灰度变换”突出公路图像裂缝，设I为变换之前公路图像像素，I′为“线性灰度变换”处理后的公路图像像素，并设定变换之前公路图像的灰度取值范围为[Imin，Imax]，“线性灰度变换”处理后的公路图像的灰度取值范围为
(2)
图像经过灰度转换以后，对比度得到增强，如图3 所示。
图3 灰度转换后图像
在利用计算机处理图像的过程中，用于图像平滑的常见算法包括中值法、均值法和最频值法，对3种算法进行比较分析，发现采用中值算法对图像进行处理，不需要图像的统计特征，并可以高效滤除图像的扫描噪声，消除滤波脉冲的干扰，因此本研究采用中值滤波算法。
中值滤波是百分比滤波的一个特例，它是一种非线性滤波器，围绕数学形态学展开，选用某种结构的二维滑动模板，根据像素值大小对板内像素进行排列，形成单调下降(或上升)的二维数据序列，并输出大于等于(n2-1)/2个像素的值。本研究中中值滤波器的模板尺寸为3×3，其输出可以写为:
(3)
经过中值滤波之后，图像变得更加光滑，图像中的路面油污、斑点等痕迹也得到了较好的处理，但是图像中的裂缝还是不够清晰，如图4所示。
图4 中值滤波后图像
裂缝图像分割的主要作用是对裂缝图像进行进一步分析和处理，分割方法主要有边缘检测和阈值分割两种方法。本文采用阈值分割法进行裂缝图像分割之后，可以直接凸显出裂缝病害信息。在进行裂缝图像阈值分割时需要设定一个图像裂缝灰度阈值和背景灰度阈值，大于阈值的部分为裂缝，小于阈值的部分为背景，这样裂缝可以快速、准确地分割出来。
阈值选取是阈值分割技术中的关键步骤，研究过程中采用OTSU(最大类间方差)法对阈值进行计算。裂缝图像的灰度分为C个等级，灰度值为c的像素个数为n，则有总像素个数N=n0+n1+…+nC，每个像素值所占比例为Pi=ni/N。现假定图像的分割阈值为t，以t 为界对图像的像素集级进行划分，分成C0和C1两大类，即C0={0,1,2,3,…,t},Ci={t+1,t+2.…,C-1}。
裂缝图像整体灰度均值为:
(4)
式中:P(c)为每个像素值所占比例。
像素级C0出现的概率为：
(5)
像素级C0灰度均值为：
(6)
像素级C1出现的概率为：
(7)
像素级C1的灰度均值为：
(8)
C0 和C1类间的方差为：
σ2=ω0(t)[μ0(t)-μ]2+ω1(t)[μ1(t)-μ]2
(9)
式(9)中，当σ2取得最大值时，对应的t则为求出的最佳阈值。分割之后的图像如图5所示。
图5 阈值分割后的图像
3.1 线性裂缝
1)长度计算。
经过上述处理之后得到较为理想的二值图像，在裂缝二值图像中路面为黑色，裂缝为白色。图像线性裂缝长度的计算采用统计的图像中白色像素点个数的方法。在计算线性裂缝长度时，先提取出线性裂缝的骨架，如图6所示，骨架提取后，将线性裂缝细化为单像素宽，然后对白像素的个数进行统计，计算得到由像素点个数表示的线性裂缝长度，再根据摄像机的分辨率标定实际图像，计算得到图像中每个像素点代表的实际长度ì(转换系数)，然后将ì和计算出的像素点个数相乘求出裂缝实际长度，即线性裂缝的实际长度为L=num(白色像素个数)×ì(转换系数)。
图6 线性裂缝的骨架提取
2)计算裂缝平均宽度。
假设在裂缝图像中的每个像素点代表的实际面积大小为S，裂缝所占像素个数为B，则裂缝总面积为A =S×B。得知裂缝总面积和裂缝长度之后，其裂缝平均宽度为W = A /L。
3.2 网状裂缝的面积计算
如图7所示，图中矩形部分便为网状裂缝区域面积。网状裂缝图二值化后根据函数[row,col]=find(B= =1)(函数中，列索引为col，行索引为row)得到白色像素点的最大、最小横纵坐标索引值。
图7 网状裂缝的面积区域
本文中网状裂缝图像中白色像素点中纵坐标值的最大、最小值分别为ymax,ymin,白色像素点中横坐标的最大、最小值分别为xmax,xmin，根据式(10)计算出裂缝外围面积S1。
S1=(ymax-ymin)×(xmax-xmin)
(10)
采用MATLAB软件[4-5]和上述图像处理方法，编制图像处理程序，得出公路路面裂缝的长度、宽度和面积。在此以线性裂缝的宽度计算为例对上述裂缝图像处理方法进行验证。选取某一公路路面，实验数据为线扫描相机采集的1 000幅公路路面裂缝图像，图像大小为2 048像素× 2 048像素，精度为0.92mm/pixel。从中选取300幅图像，分成3组，设M代表每组图像实际存在的裂缝数目，T代表每组图像实际检出的裂缝数目，m代表每组图像实际存在而没有检测出的裂缝数目，检测结果的正确率见表1。
表1 公路路面裂缝图像检测正确率
MTm正确率/%258253598．06214206896．26275270798．18
选取10幅有裂缝的图像，计算线性裂缝宽度，同时采用裂缝宽度观测仪现场实测路面裂缝宽度，与计算得到的理论值进行比较，比较结果见表2。由表2可知，该图像检测方法的识别精度较高，均在95.3%以上。
表2 裂缝宽度的理论计算值及实测值
编号理论计算值/mm实测值/mm误差/mm相对误差/%10．26650．27-0．00351．3120．37580．38-0．00421．1230．25140．240．01144．5340．11550．12-0．00453．9050．53190．530．00240．4560．20010．21-0．00964．8070．13260．12-0．00554．1580．13530．14-0．00473．4790．11490．12-0．00514．44100．15610．16-0．00392．50
本文基于数字图像处理技术对公路路面线性裂缝长度和宽度、网状裂缝面积进行检测、计算，实例验证这种方法能够对上述裂缝进行有效检测且识别精度较高。下一步将系统地研究其他的路面破损类型的识别方法，提高公路路面的破损识别监测效果，提高评价的可靠性和准确性。
参考文献：
[1] 张娟,沙爱民,高怀钢.基于数字图像处理的路面裂缝自动识别与评价系统[J].长安大学学报(自然科学版)，2004，24(2)：18-22.
[2] 闫茂德,伯绍波,贺昱曜.一种基于形态学的路面裂缝检测与分析方法[J].工程图学学报，2008，29(2):142-147.
[3] 孙波成,邱延峻.路面裂缝图像处理算法研究[J].公路交通科技，2008，25(2):64-68.
[4] 张维峰,刘萌,杨明慧.基于数字图像处理的桥梁裂缝检测技术[J].现代交通技术，2008，5(5):34-36.
[5] 张登峰.基于图像处理的铁路混凝土桥梁裂缝探测和信息获取[D].北京: 北京交通大学计算机与信息技术学院，2014.
ZHANG Lei
(School of Highway and Railway Engineering, Shaanxi Institute of Communication Technology, Shaanxi Xi'an, 710018, China)
Abstract：In order to improve the road pavement crack detection efficiency, it applies the image processing technology to automatically identify pavement cracks, extracts the fracture parameters. This method includes graying, de-noising, threshold segmentation process and detecting surface cracks, defining the skeleton from the linear crack and the length, and average width. For the mesh crack,it calculates the damaged area from the area of the circumscribed rectangle. Examples of test show that the method can effectively detect the crack width and decrease the relative errorl.
Key words：graying; Otsu method; median filtering algorithm
DOI：10.3969/j.issn.2095-509X.2017.02.019
收稿日期：2016-12-16
作者简介：张磊(1982—)，男，陕西子洲人，陕西交通职业技术学院讲师，硕士，主要从事盐渍土盐胀特性研究、道桥检测与养护。
中图分类号：TP391；U41
文献标识码：A
文章编号：2095-509X(2017)02-0087-04
联系客服
