基于特征分布的建筑墻體裂縫圖像識別方法*

曹艷玲， 袁義宏

(華南理工大學 設計學院， 廣州 510009)

近年來，隨著建筑工程技術領域快速發展，人們對建筑質量的要求也越來越嚴格[1].在工程實踐及現代工程材料的質量研究中，建筑結構最常見的質量問題主要是墻體表面的裂縫問題，而建筑墻體的損壞總是從裂縫開始的[2-4]，小的裂縫會干擾建筑的安全性，大的裂痕會破壞構造整體性，縮短建筑使用壽命，導致安全事故，危害人民的生命和財產安全，會產生嚴重的后果.建筑墻體產生裂縫無法避免，但是可以通過及時識別降低建筑裂縫對建筑的危害水平[5-6].當前建筑裂縫有害和無害的邊界主要是依據工程建設標準和基本的生活經驗確定的，針對一些特殊工程還要考慮心理及美觀的需求.因此，有害及無害墻體裂縫的界定對不同區域工程是變化的.隨著建筑越來越高，一些裂縫如何避免在外界干擾下實現非人工識別成為該領域亟待解決的問題[7].研究發現通過識別建筑墻體裂縫圖像，可提前分析裂縫像素特征，有效識別建筑墻體裂縫，降低人工成本.

很多研究人員對傳統的圖像模式識別方法進行了改進研究.文獻[8]通過顏色特征區分法進行裂縫圖像識別，該方法通過梯度與交叉累積剩余熵相結合的配準算法配準兩個不同的裂縫圖像，采用像素比值法進行建筑墻體裂縫圖像的識別，但是該方法在光照不定的條件下識別精度較差；文獻[9]主要通過SITF算法提取建筑墻體裂縫圖像特征，并保存XML特征文獻，通過創建圖像特征數據庫，保存特征文件信息及圖像的基本信息，最后利用GPS匹配和SITF特征匹配相結合的方式對建筑墻體裂縫圖像進行識別，但該方法受到GPS限制，識別耗時較長；文獻[10]提出了一種支持向量機法，該方法利用Canny算子獲取建筑墻體裂縫的邊緣圖像，采用霍夫變換算法提取出裂縫邊緣圖像中的直線，然后檢測各直線之間的位置關系，并通過局部化原理進行檢測，根據直線之間的位置關系生成直線關系圖，最后遍歷直線關系圖得到封閉幾何圖形，實現建筑墻體裂縫圖像識別，但是該方法存在耗時長、誤差大的問題.

針對上述問題，本文提出基于特征分布和高斯混合模型的建筑墻體裂縫圖像識別方法.通過引入特征分布和高斯混合模型相結合的方法，實現對建筑墻體裂縫圖像的識別.實驗結果表明，采用改進的方法，無論在預處理效果，還是識別時間及準確度均優于傳統的識別方法，具有一定的優勢.

1 圖像預處理與增強處理

1.1 圖像觀測特征計算

在對墻體裂縫圖像進行判斷的過程中，第一步是對采集的建筑墻體裂縫圖像進行預處理，為建筑墻體裂縫圖像的識別提供較好的、可識別的依據.由于采集條件很難做到無干擾，因此采集的建筑墻體裂縫圖像包含很多顏色信息，可被存儲成RGB形式.根據RGB形式對墻體圖像設置了圖像里每個像素色彩的分量數值，并存儲成三維數據矩陣的形式，如果直接處理該形式的建筑圖像，計算量會顯著增加，效率降低.因此，需要在不干擾建筑墻體裂縫識別精度的前提下對其進行簡化，而干擾最小的簡化法就是將RGB格式圖像轉化為灰度圖像，其轉換公式為

Intensity=0.3R+0.59G+0.11B

(1)

式中：Intensity為建筑墻體裂縫圖像中各像素灰度值；R、G、B分別為RGB形式圖像中各像素紅、綠、藍3個顏色的分量數值，其權值根據經驗設定.

由于建筑墻體裂縫圖像在采集過程中會受到各種因素的影響，從而產生噪聲，而噪聲會直接影響圖像處理的效果.因此，采用中值濾波法對圖像進行去噪處理是預處理的一個重要部分.

中值濾波法主要針對以單獨點模式展現的圖像噪聲，且所占像素數較少，建筑墻體裂縫圖像是由多個像素在一個比較大的面積內構成的[11]，因此，中值濾波法對一個區域D里的全部像素灰度值實行排序處理，取排序結果的中間值當作區域D中心點的像素灰度值，其數學表達式為

g(c，r)=Intensity·med(p(c，r)，(c，r)∈D)

(2)

式中：p(c，r)為排序結果的中間值；(c，r)為建筑外墻區域D的中心點；med(·)為符號函數.采用Harris角點檢測算法對裂縫圖像進行角點求解，其表達式為

(3)

式中：(XA，YA)為角點A在建筑墻體裂縫圖像坐標系中的坐標；(xA，yA)為角點A在觀測區域坐標系中的坐標；(XZS，YZS)為所設置觀測區域左上角在整個圖像坐標系中的坐標.

對建筑墻體圖像的像素進行標記，可以實現角點檢測處理.像素標記是為了得到建筑墻體裂縫圖像里像素邊長的真實長度δ，單位為mm.由于在制作觀測標志時，觀測特征的實際尺寸已知，因此在對建筑墻體圖像像素進行標記時，是經過鄰域有用角點間的真實長度和像素數進行比較獲取的[12]，其表達式為

(4)

式中：LAB為鄰域有用角點A、B間的真實間隔；(xB，yB)為角點B在觀測區域坐標系中的坐標.

1.2 圖像特征的區域增強

在對建筑墻體裂縫圖像進行預處理的基礎上，可采用選擇掩模平滑法進行區域增強處理，為建筑墻體裂縫圖像識別提供基礎依據.在預處理過程中，影響閾值去噪因素主要有分解尺度、閾值函數和閾值，在進行圖像增強處理時，主要考慮閾值函數中的軟閾值函數對建筑外墻圖像的干擾，其數學表達式為

(5)

式中：sgn()為符號函數；wj，k為小波系數；λ為所選閾值.當|wj，k|≥λ時，將wj，k設置為λ+1；當|wj，k|<λ時，將wj，k設置為λ-1；當-λ

(6)

(7)

式中：Q為建筑區域圖像各掩模像素點數量；rj′為第j′個訓練樣本圖像對應的子圖像.由于包括尖銳邊緣的鄰域，其方差較大，而這種特質不包括邊緣，邊緣的灰度均勻，鄰域方差較小.方差越小，相應的掩模灰度就越平均，像素(x，y)選取這個掩模的可能性越大；如果(x，y)是邊緣點，則用最小方差的灰度均值替換(x，y)的灰度值，不會損壞裂縫圖像邊緣的清晰度；如果(x，y)是一噪聲點，使用該方法能起到平滑功效，達到對裂縫邊緣圖像的增強處理.

2 圖像識別方法的改進

為了解決全局直方圖均衡化不能局部處理的缺陷，提高建筑墻體裂縫圖像整體識別性能，采用局部直方圖均衡法，其原理是對建筑墻體裂縫圖像里的每個像素在其鄰域里實行直方圖平衡處理，經過部分運算疊加自適應增強圖像局部信息，增強墻體圖像部分較小區域里的裂痕細節.

圖1 鄰域掩模類型Fig.1 Neighborhood mask type

首先定義一個M×M大小的墻體裂痕鄰域，一般是矩形范圍，把此范圍的中心從一個像素點轉移至另一個像素點，在每個像素點(x，y)上，先計算設置區域里的局部直方圖累積分布函數，其表達式為

(8)

式中：nj′為圖像尺度參數；pr為圖像結構元素權值；β為圖像像素調節因子.在對圖像進行局部統計增強時，最有效的方法就是根據局部反差程度來增強圖像的細節信息，增強后的圖像可以表示為

T=Si+k[u(i，j)-d(i，j)]

(9)

式中：u(i，j)為輸入圖像在點(i，j)處的灰度值；d(i，j)為以點(i，j)為中心且k>1時的全局放大因子.當k>1時，若u(i，j)>d(i，j)，此時該像素點(i，j)的灰度被增強；當k<1時，若u(i，j)

針對傳統圖像特征局部對比度增強時，不能調節擴大系數的問題，本文采用局部標準差來動態調節放大系數，對不同區域的對比度同時增強.自適應局部對比度增強算法可表示為

(10)

式中：η為自適應增強系數；Eg為圖像的均值；σs為局部標準差；A(i，j)為圖像在點(i，j)處的分辨率.

在對裂縫圖像進行對比度增強的基礎上，構建馬科維茨模型，使墻體裂縫邊緣和墻體各自的內部顏色差異最小，而墻體內部的顏色差異最大.馬科維茨模型表達式為

minδ2(rp)=H(i，j)∑∑2πcov(ri，rj)

(11)

式中：ri為裂縫邊緣顏色變化增益；rj為墻體顏色變化增益；cov(ri，rj)為裂縫邊緣顏色與墻體顏色變化增益間的協方差.依據馬科維茨模型，在實行顏色通道融合時，其數學表達式為

(12)

式中：N為顏色通道的個數；μmq為在顏色區域m上顏色通道q的期望；μm為在經過N個通道線性組合之后的第m個顏色區域的期望值.采用特征分布法確定建筑墻體裂縫圖像特征，其表達式為

(13)

式中：B為圖像像素矩陣；I(x+u，x+v)為圖像降噪的平滑窗口；I(x，y)為點(x，y)的像素值；u、v為偏移坐標.以此為基礎，將樣本進行改進非負矩陣分解，權值矩陣為C，此時特征向量為WT.根據識別系數x0的稀疏條件，通過NMF壓縮識別法與最小l0范數(計算向量中非零元素的個數)來進行求解，獲得的圖像識別系數為

(14)

引入高斯混合模型的聚類方法實現對建筑墻體裂縫圖像的識別，其表達式為

(15)

式中：ms為分量s的均值；ws為分量s的混合系數；σs為協方差矩陣.

3 實驗結果分析

為了驗證改進裂縫圖像識別方法的有效性及可行性，需要進行實驗對比分析.實驗對改進方法與傳統方法分別進行預處理，其結果如圖2～5所示.

圖2 原始圖像Fig.2 Original image

圖3支持向量機方法預處理結果
Fig.3Pretreatmentresultswithsupport

vectormachinemethod

圖4改進方法預處理結果
Fig.4Pretreatmentresultswithimprovedmethod

圖5顏色特征區分法預處理結果
Fig.5Pretreatmentresultswithcolorfeature

discriminationmethod

由此可以看出，在以裂縫吻合程度、清晰度、紋路重合程度及顯示的裂縫寬度為指標的情況下，采用顏色特征區分法時，其處理效果清晰度較低，裂縫線路不清楚，與原始圖像吻合度也很差，裂縫寬度與原圖裂縫寬度也未準確顯示；而采用支持向量機方法進行預處理時，其處理效果較好，與原始圖像裂縫紋路重合度較低，且未完全表示出裂縫寬度的問題；采用改進方法時，其處理效果清晰度較高，裂縫線路清晰，與原始圖像吻合度較好，裂縫寬度與原圖裂縫寬度非常接近.

為了進一步驗證改進方法在識別建筑墻體裂縫圖像方面的有效性及可行性，在識別樣本量不定的情況下，以識別系數作為參考進行實驗對比分析，結果如圖6～8所示.圖中實線部分為圖像識別基準，即圖像“船”，圓點為非零元素.

圖6 改進圖像識別方法Fig.6 Improved image recognition method

由圖6～8可知，采用改進方法時，從圖像可以看出非零元素非常稀疏，大多數近似為0，且非零項并沒有分布在各類上，主要集中在圖像“船”上，最大的系數值也對應在此圖像“船”上，識別效果較好；采用顏色特征區分法時，用隨機的高斯矩陣和NMF得到WT作為測試樣本在該區域的系數，再通過最小范數進行求解.非零項分布在各類上，大系數比較多，很難判斷出系數對應在哪一類中，識別的效果不明顯.

圖7 顏色特征區分法Fig.7 Color feature distinction method

圖8 支持向量機法Fig.8 Support vector machine method

為了進一步驗證改進方法在識別建筑墻體裂縫圖像方面的有效性及可行性，在識別量不定的情況下，以識別所需時間、識別率及拒識率為指標進行實驗對比分析，結果如表1所示.

表1 不同算法下時間、識別率及拒識率對比Tab.1 Comparison in time，recognition rate andrejection rate with different algorithms

由表1可知，采用改進圖像識別方法時，其識別率為99.4%，拒識率為0.6%，所需時間為10 min，相比支持向量機法、顏色特征區分法，其識別率分別提高了54.1%、49.2%，拒識率分別降低了54.1%、49.2%，所需時間分別降低了46、25 min，其識別率較高，拒識率較低，所需時間較短；采用支持向量機法時，其識別率為45.3%，拒識率為54.7%，所需時間為56 min，其識別率較低的同時，時間過長，識別性能較差；采用顏色特征區分法，其識別率為50.2%，拒識率為49.8%，所需時間為35 min，雖然相比支持向量機法識別率增加，拒識率降低，時間縮短，但還是與改進方法相差很多，無太大優勢.

4 結 論

本文提出一種基于特征分布和高斯混合模型的建筑墻體裂縫圖像識別方法.采用Harris角點檢測算法對裂縫圖像進行角點求解處理，通過選擇掩模平滑法對圖像進行增強處理，以此為基礎，采用局部直方圖均衡法對局部圖像信息進行增強，并將特征分布和高斯混合模型相結合，實現對建筑墻體裂縫圖像的識別.實驗結果表明，采用改進的方法，無論在預處理效果，還是識別系數及識別率，計算方法的復雜度方面均要優于傳統的識別方法，具有一定的優勢.

[1] 陳沛.建筑施工中墻體裂縫防治對策論述 [J].華東科技，2015，36(12)：49.

(CHEN Pei.Discussion on prevention and treatment of wall cracks in building construction [J].East China Science & Technology，2015，36(12)：49.)

[2] 王睿，漆泰岳，朱鑫，等.隧道檢測裂縫的圖像處理研究 [J].鐵道標準設計，2014，32(10)：93-96.

(WANG Rui，QI Tai-yue，ZHU Xin，et al.Study on tunnel crack detection based on image processing [J].Railway Standard Design，2014，32(10)：93-96.)

[3] 吳迅，王藝橋，趙柏巖.預應力混凝土橋底板縱向裂縫控制 [J].沈陽工業大學學報，2012，34(2)：215-219.

(WU Xun，WANG Yi-qiao，ZHAO Bo-yan.Coutrol for longitudinal crack on bottom plate of pre-stressed concrete bridge [J].Journal of Shenyang University of Technology，2012，34(2)：215-219.)

[4] 劉娜，宋偉東，趙泉華.形態學和最大熵圖像分割的城市路面裂縫檢測 [J].遼寧工程技術大學學報(自然科學版)，2015，20(1)：57-61.

(LIU Na，SONG Wei-dong，ZHAO Quan-hua.Morphology and maximum entropy imge segmentation based urban pavement cracks detection [J].Journal of Liaoning Technical University(Natural Science)，2015，20(1)：57-61.)

[5] 朱力強，白彪，王耀東，等.基于特征分析的地鐵隧道裂縫識別算法 [J].鐵道學報，2015，37(5)：64-70.

(ZHU Li-qiang，BAI Biao，WANG Yao-dong，et al.Subway tunnel crack identification algorithm based on feature analysis [J].Journal of the China Railway Society，2015，37(5)：64-70.)

[6] 王耀東，余祖俊，白彪，等.基于圖像處理的地鐵隧道裂縫識別算法研究 [J].儀器儀表學報，2014，35(7)：1489-1496.

(WANG Yao-dong，YU Zu-jun，BAI Biao，et al.Research on image processing based subway tunnel crack identification algorithm [J].Chinese Journal of Scientific Instrument，2014，35(7)：1489-1496.)

[7] 蔡興泉，柳靜華.建筑物圖像識別系統設計與實現 [J].現代計算機，2015(21)：18-20.

(CAI Xing-quan，LIU Jing-hua.Design and implementation of building image recognition system [J].Modern Computer，2015(21)：18-20.)

[8] 張永梅，季艷，馬禮，等.遙感圖像建筑物識別及變化檢測方法 [J].電子學報，2014，29(4)：653-657.

(ZHANG Yong-mei，JI Yan，MA Li，et al.A recognition and change detection method for buildings in remote sensing images [J].Acta Electronica Sinica，2014，29(4)：653-657.)

[9] 游應德，李成大.一種邊界梯度組合的圖像識別技術與分割方法 [J].湘潭大學自然科學學報，2014，36(2)：99-103.

(YOU Ying-de，LI Cheng-da.A image recognition and segmentation’s method of boundary and gradient composition [J].Natural Science Journal of Xiangtan University，2014，36(2)：99-103.)

[10]龐廣樺，紀壽慶，王陽萍.基于霍夫變換的全景圖中建筑物識別方法 [J].蘭州交通大學學報，2014，30(6)：6-10.

(PANG Guang-hua，JI Shou-qing，WANG Yang-ping.Building figure detection in panorama based on Hough transform algorithm [J].Journal of Lanzhou Jiaotong University，2014，30(6)：6-10.)

[11]毛文濤，王文朋，蔣夢雪，等.基于局部特征過濾的快速火焰圖像識別方法 [J].計算機應用，2016，36(10)：2907-2911.

(MAO Wen-tao，WANG Wen-peng，JIANG Meng-xue，et al.Fast flame recognition approach based on local feature filtering [J].Journal of Computer Applications，2016，36(10)：2907-2911.)

[12]王永強，李慶利.基于顏色特征的衛生陶瓷缺陷圖像識別 [J].計算機系統應用，2015，24(6)：258-261.

(WANG Yong-qiang，LI Qing-li.Defect image recognition of sanitary ceramics based on color features [J].Computer Systems & Applications，2015，24(6)：258-261.)