桥梁、路基、建筑等工程检测中越来越多的提到了裂缝检测, 通常采用人工记录统计。存在着手工操作不精确, 工作量弊病, 对于比较大规模的检测, 容易造成数据遗漏或混淆的情况。通过计算机图像处理技术智能的进行检测, 提高了工作效率, 保证了测量精度。
裂缝区别于背景的特征有两个, 一是亮度要暗一些, 二是成现出线性的形状。
裂缝图像一般分为三部分:裂缝信息、背景信息和干扰 (噪声) 信息。其特征分别如如下。
(1) 裂缝图像的特征:裂缝相比背景亮度较暗;裂缝具有一定线性特征。
(2) 背景图像的特征:背景图像较裂缝呈亮色;背景一般占图像的比例高;背景的亮度通常较复杂。
(3) 噪声图像的特征:随机产生, 分布较孤立;亮度值突变, 且与其相邻像素点具有无关性。
根据对裂缝的理解, 可以从裂缝区域的灰度特征以及区域几何特征的角度来研究裂缝图像的识别和提取。
要获取图像的参数信息, 需要进行如图1所示的步骤。
对图像进行预处理操作, 为的是去除噪声干扰, 得到优质的图像, 针对裂缝图像特征, 本论文改进了中值滤波的图像增强算法。其次, 进行图像分割, 本文对区域分割方法进行了研究, 在此基础上, 为了减少图像可能仍然存在的不确定因素照成的影响, 进一步利用裂缝的形状特征去除非裂缝图像信息。最后利用干净的裂缝图像对裂缝进行统计和分析, 计算出裂缝的面积, 长度和每一段的宽度。
1 中值滤波的改进方法
在图像的采集过程中, 图像中不可避免的会存在大量的噪声。所以, 首先要对数字图像进行去噪处理。目前图像噪声一般指的是在成像和传输过程中产生的随机噪声中的高斯噪声和脉冲噪声, 高斯噪声的特点是在平坦的区域出现幅值较小的噪声。而脉冲噪声点分布比较孤立, 灰度值突变, 且与相邻像素点无相关性。
对于均值滤波和中值滤波这些经典方法确实不同程度的减少了噪声干扰, 但是这些方法也存在一些问题, 可以看到这些噪声的特点和裂缝边缘的特点近似, 在进行去噪的操作中, 同时也模糊了裂缝的边缘。这不利于对裂缝的识别。因此要克服这个问题, 对这两种经典方法进行了改进, 把这种干扰降到最低。
传统的中值滤波是一种非线性平滑滤波方法。其算法步骤是将滑动窗口中各像素点的按大小进行排序, 去中值来替代指定点 (一般为窗口中心点) , 但这种方法不能全面适用于图像中每条裂缝的形状和走向。
为了适应裂缝具有线性特征的特点, 在二维滑动窗口中, 过中心点分别在0°, 45°, 90°和135°方向形成4个一维子窗口, 分别对4个子窗口求中值, 然后取其最小值作为中心点的值。
具体算法如下:M为大小为 (2n+1) × (2n+1) 的窗口, 中心点为 (i, j) , 窗口内的像素点为X (e, f) , 则4个一维子窗口依次表示为
对于每个子窗口分别进行一维中值滤波即对子窗口所有元素进行排序取中值, 设分别为p1, p2, p3和p4, 则最后输出:
min函数是取最小值运算, 则Y (i, j) 即为中心点像素的灰度值。
图3~图5针对同一幅图像 (图1) 进行均值滤波、中值滤波和改进后的中值滤波处理结果。从处理效果可以看出中值滤波和均值滤波都在一定程度上滤除了噪声, 但也使图像变得模糊且裂缝信息也受到影响。而改进后的中值滤波大大克服的这个弱点, 效果较好。
2 图像的分割
图像分割是从图像处理到图像分析的关键步骤, 只有在图像分割的基础上才能实现对目标对象的信息提取、分析和应用。分割的精确程度甚至决定着图像分析的精确程度。可以说, 图像分割结果的好坏直接影响对图像的理解。
图像分割的方法和种类很多, 但到目前为止, 还没有一种或几种完善的分割方法, 按人们意愿准确分割出目标图像。针对裂缝图像的特点, 介绍最大类间方差阈值分割。
最大类间方差阈值分割算法是由日本学者大津于1979年提出的, 是一种自适应阈值确定方法, 简称OTSU法。其算法如下:
设:图像像素灰度范围为整数集H=[0, 1, 2···L-1], 对应灰度为i的像素个数为ni, 则图像的像素总数为:
灰度为i的像素的对应的概率为:
则整幅图像灰度的平均值和方差分别为µ, 表示为:
假设选定的阈值为T, 可以把整幅图像的像素分成两部分, 用D1和D2表示。其中D1中像素的灰度值集中在[, 0 T]之间, 而D2中像素的灰度值在[T+1, L-1]。则D1和D2发生的概率分别用ω1和ω2表示。
D1和D2的灰度平均值分别用µ1和µ2表示。
类间方差定义为:
令T在[, 0 L-1]中依次取值, 使σ2最大的T值即为最佳分割阈值。
OTSU阈值分割算法简单、处理速度快, 是一种较好的图像分割算法, 分割效果如图4所示。但由于裂缝图像中裂缝相对于背景像素所占的比例非常小时, 可以增添人工选出裂缝区域的功能, 使得算法应用在这个区域中, 这样可以避免裂缝比例小的问题。
但由于裂缝图像通常比较复杂, 如果OTSU阈值分割算法不能得到有效的分割图像, 对于这种情况可以采用人工选择阈值进行分割, 来弥补其不足, 参见图6所示。可以编程绘制灰度直方图, 来描述图像中灰度值所对应的像素的个数, 其横坐标表示像素的灰度级别, 纵坐标表示该灰度出现的像素个数。通过人工输入阈值的方法, 来实现阈值分割图像的目的。人工固定阈值图像分割界面如图7所示。
3 进一步区分图像中裂缝和干扰信息
经过图像分割后裂缝图像基本上从背景中分离出来, 整个图像也变为了二值图像。由于分割时采用了裂缝亮度比背景暗的特征进行的, 在这种情况下, 如果有和裂缝同样亮度的干扰物存在, 就会把干扰图像也同样保留下来。因此, 我要通过裂缝的线性特征把这样干扰图像清除掉, 为下一步的裂缝的分析打下良好基础。
为了实现这个目的, 利用数学形态学的知识来处理经过图像分割处理后的二值图像。
首先, 将图像进行图像细化操作, 所谓细化, 就是从原图中去掉部分点, 但要保持原来的形状, 即保持原图的骨架。如正方形的骨架为它的中心点;圆形的骨架为它的圆心, 长方形的骨架为长方向上的中轴线。根据这个特性, 裂缝经过细化将留下和裂缝走向一致的曲线。
然后, 对细化的图像用文章前面讲过的“中值滤波的改进方法”进行滤波处理, 这样非线性的细化点将会被清除。
最后, 还原裂缝图像信息。运用数学形态学里的图像膨胀的算法对细化的图像进行处理, 然后和细化前的图像的每个像素分别进行与操作, 注意由于是二值图像, 是令裂缝的阈值为1, 而背景的阈值为0。重复膨胀操作和与操作直到细化图像不再发生阈值的改变。此时, 便得到裂缝图像。
4 裂缝的特征参数分析和提取
裂缝特征的提取主要包括裂缝面积、长度和宽度的计算等。裂缝面积的计算是通过对裂缝像素的统计实现的, 而长度和宽度的计算则需先对裂缝进行细化, 得到裂缝的骨架, 求得各段骨架的斜率, 通过计算得到长度和宽度值。
4.1 裂缝的长度
基于裂缝的线性特征, 首先对裂缝做细化操作, 得到单像素宽的裂缝骨架曲线。裂缝的长度实际上就是骨架图像骨干点之间的长度之和。骨化后的图像是一个单像素宽度的连通性好的骨干图像。可以分别求取相邻像素之间长度, 然后把所有的相邻像素之间的距离求和即为所得, 如下式:
H是水平方向的比例因子, 即水平方向上的像素个数与实际情况水平长度的比值;
V是垂直方向的比例因子, 即水平方向上的像素个数与实际情况垂直长度的比值;
l是两个相邻像素之间的长度。
总长度即为所有相邻元素的长度之和。
4.2 裂缝的宽度
骨架各点所在裂缝的位置的宽度反应出裂缝各段的宽度, 由于骨架曲线是单像素曲线, 则一个骨架点与相邻的其他两个骨架点相接, 分别求出与相邻点的斜率。则每个斜率的垂线与裂缝边缘相交两点, 两点的连线的大小即为宽度值。比较这两个宽度值其中较小的为裂缝此段的宽度。
设骨架曲线的其中一个骨架点用B (x1, y1) 表示, 其相邻骨架点分别为A (x2, y2) 和C (x3, y3) 。
骨架线在B点的斜率近似用直线AB的斜率表示, 则斜率k1表示为:
K1=y1-y2x1-x2 (4)
过骨架点斜率为1/k1的直线与裂缝图像边缘交于两点, 记为E (x4, y4) , F (x5, y5) 。
则裂缝此段的裂缝的宽度D1表达式为:
同理, 骨架线在B点的斜率近似用直线BC表示, 同样的原理求出D2, 然后比较与D1的大小, 取较小值作为裂缝此段的宽度的最后结果D=MIN (D1, D2) 。
5 实例
源图像取自在破旧房屋拆迁现场, 实地拍下的房屋侧壁裂缝照片。采集的数据是24位彩色图片。通过各种图像处理得图像裂缝的长度和宽度信息。
其步骤如下。
第一步对灰度图使用改进的均值滤波和中值滤波进行去噪处理。经过滤波后图像中的干扰的得到控制。中值滤波、均值滤波和改进的中值滤波处理图像的结果如下图3~图5。
第三步使用OTSU阈值分割算法进行图像分割, 效果如图6, 采用人工固定阈值分割方法。
第四步进一步去除非线性干扰信息。首先进行细化效果, 然后滤除非线性信息, 还原裂缝图像。
第五步对裂缝特征参数进行提取和分析。首先求得裂缝图像的面积, 然后细化求得裂缝的长度, 得到裂缝的平均宽度, 最后计算出裂缝每一段的宽度信息并显示。
6 结语
本文讲述了裂缝图像采集结束后如何通过利用计算机图像处理技术对数字裂缝图像进行处理, 提取出感兴趣的裂缝信息, 并对裂缝的特征参数进行计算的一套处理方法。根据裂缝特有的特征, 改进了均值滤波和中值滤波等经典算法。在运用OTSU阈值分割算法进行图像分割的同时, 根据裂缝线性特征, 提出一些新的方法去除非线性图像, 进一步更好的分割图像, 随后利用几何算法和统计方法计算出长度、宽度等信息。实现了裂缝图像的自动识别和分析。
摘要：裂缝图像的计算机自动识别和参数统计在工程质量调查方面具有较好的应用前途, 与目前人工判读相比, 不但提高了工作效率, 页提高了解释精度。要实现对裂缝图像解释, 首先改进了中值滤波技术, 通过改进算法, 裂缝边缘得到较好的保护;其次利用最大类间方差阈值法进行图像分割, 并根据裂缝的线性特征, 进一步去除非裂缝图像;最后提出一种合理地有效地计算裂缝平均宽度、长度及每一段的裂缝宽度算法。该算法应用于裂缝识别和检测过程中, 获得良好的应用效果, 证明了算法的有效性。
关键词：裂缝,数字图像处理,图像分割,特征提取
参考文献
[1] 联骏.图像编程精髓:从开发自己的Photoshop开始[M].北京:电子工业出版社, 2006.
[2] 张宏林.Visual C++数字图像处理典型算法及实现[M].北京:人民邮电出版社, 2008.
[3] 李晋惠, 彭海波.公路病害检测中的图像平滑算法研究[J].现代电子技术, 2003.