基于灰度分析的路面裂縫圖像分類算法研究*

馬曉麗 陸 鍵

(同濟大學道路與交通工程教育部重點實驗室 上海 201804)

0 引 言

道路在經過一段時間的使用之后均會出現不同程度的損壞.基于圖像的半自動化和自動化的技術提供了一致性、高檢測速率和高準確性的路面裂縫檢測算法[1].在基于圖像的裂縫檢測中，用高速車載攝像機獲得路面的數字圖像，并處理和分析路面破損的客觀結果[2-4].

為了能夠降低處理路面裂縫圖像的工作量，本文的目標是自動將不含路面裂縫的完好圖像與路面裂縫圖像進行分離，從而篩選出不需進行下一步處理工作的完好圖像(不含路面裂縫的圖像).在路面裂縫自動檢測領域已經提出了許多檢測方法，這些方法大致可以分為兩大類：①路面圖像的預處理，包括去噪和增強等算法;②圖像的分類算法，主要有基于閾值和邊緣檢測的分割算法.

圖像預處理通過校正不均勻背景，檢測非裂縫的特征，降低圖像噪聲，簡化裂縫檢測的過程[5].文獻[3]提出了一種圖像增強算法，將圖像轉換為標準化背景.Zou等[6]提出了一種四步測距的陰影去除算法，以消除路面陰影.Chanda等[7]利用形態學的相關基礎知識來設計路面破損的檢測算法，將多尺度的基礎知識與數學形態學進行結合，該去噪增強算法具有一定的抵抗噪聲的能力，但當路面破損圖像中含有較多的隨機噪聲時，此方法并不能得到詳細的路面裂縫信息.

在圖像分類方面的研究中，Cheng等[8]等提出了閾值分割算法，該算法是以模糊集理論為基礎，對圖像進行濾波和差分處理，基于像素連續性的特征，連接路面圖像中裂縫區域的像素得到預期的路面分割圖像，但該算法效率較低.Jitprasithsir等[9]測試比較了四種常用的閾值分割算法：Ostu 閾值、regression法、松弛因子法、Kittler 法，得出的結論是Otsu法和Kittler 法對路面裂縫圖像的分割效果較差，regression法具有較好的效果，但該方法需要進行人工干預來建立回歸模型.唐磊[10]提出將圖像進行預處理，然后將二維平面的路面圖像轉換到三維的立體空間上，通過尋找三維曲面中的谷點來檢測裂縫，得到谷點之后將其映射到二維圖像的平面中，從而對含有路面裂縫的圖像進行識別，該方法因為轉換映射過程中存在一定的誤差，因此不適于檢測路面的細微裂縫.在路面三維圖像的研究中，彭博等[11-12]通過降低圖像維度，根據深度驗證和對稱性檢測將圖像子塊識別為裂縫種子，然后，根據深度和方向相似性連接裂縫片段，得到裂縫圖像.

盡管目前對于路面裂縫圖像的研究已有很多的成果，但如何高效、可靠、經濟的對路面裂縫圖像的分類研究仍然是至關重要的，因此本文以減少后續工作量為目標，提出了基于灰度分析的路面裂縫圖像分類算法，從待檢測圖像中分離不含路面裂縫的圖像.

1 圖像預處理

在圖像去噪和增強算法領域主要有中值濾波、均值濾波、基于偏微分方程的圖像增強、掩膜增強算法[13].基于對路面裂縫圖像的頻域分析可知，裂縫集中分布在頻譜中的高頻部分，若想使路面圖像中的裂縫區域更加明顯，則需要增強高頻成分，使得裂縫更易檢測，因此本文設計了改進的圖像掩膜增強算法.

(1)

式中：f(x,y)為待增強處理圖像；F(x,y)為低通濾波后的圖像.

G(x,y)=f(x,y)+K×F(x,y)

(2)

式中：G(x,y)為增強后的圖像；K為修正因子.

偏微分方程算法和本文所設計的去噪增強算法均可以保留原始路面圖像中細微裂縫的輪廓，但偏微分方程算法需進行多次迭代，處理路面圖像所需要的時間較長，算法的效率較差.

圖1為經去噪和增強算法處理之后圖像的直方圖分布，原始圖像的直方圖在灰度值較高的區域存在峰值，均值濾波和中值濾波的圖像直方圖與原始圖像的分布基本一致；圖1d)表示經偏微分方程算法處理后的圖像灰度在200左右出現了第一個峰值，且較原始圖像來說，其波峰較大；掩膜增強的直方圖分布是對原始圖像基本取反的結果，該算法改變了原始圖像的灰度均值；本文設計的算法能夠在沒有改變圖像灰度均值的前提下，拓寬路面圖像的灰度范圍，且可保留圖像中細微裂縫的輪廓信息.

圖1 算法結果的直方圖分布

2 圖像特征值的選擇

2.1 圖像局部灰度均值特征

圖像的灰度均值反映的是圖像的明暗程度，基于對圖像灰度特征的分析可知，路面圖像中的裂縫區域集中在圖像低灰度分布區域，因此通過對圖像進行局部灰度均值特征分析，尋求圖像的分類特征，見圖2.

設路面圖像為a(i,j)，則圖像的灰度均值為

/(MN)

(3)

圖2 分析對象

圖3為子塊圖像灰度均值的分布圖，由圖3a)～b)可知，含有路面裂縫的子塊圖像灰度均值分布在180～255及45～80，而完好路面圖像(不含裂縫的路面圖像)分布在70～115.路面圖像的灰度最大值與最小值的差值均在100以內，在完好路面圖像與路面裂縫圖像之間并無明顯的特征性，因此該特征不能較好地對圖像進行分類.

圖3 子塊圖像灰度均值的分布

2.2 圖像局部灰度方差特征

圖像的灰度方差反映的是圖像灰度的離散程度，對于路面裂縫圖像，局部范圍內的灰度方差具有較明顯的差異，選用圖像的局部灰度方差作為特征可識別不同類別子塊圖像灰度特征值之間的差別，從而對路面圖像進行準確分類.

(4)

式中：p(r)=nrlnN，其中nr為r級灰度的像素數量.

圖4為子塊圖像灰度方差的分布圖，由圖4可知，路面完好圖像(不含路面裂縫的圖像)和裂縫圖像之間存在明顯的分布界限，經過對樣本的實驗統計分析后，可以得出子塊圖像方差最值之間的差值小于閾值A時，可認為是路面完好圖像，但若大于閾值A，則該圖像被歸為路面裂縫圖像根據實驗統計得到的累積方差分布圖可粗略推導出閾值A的范圍是900～1 100.

圖4 子塊圖像灰度方差的分布

2.3 圖像局部灰度熵特征

圖像的熵表示的是一種特征的統計形式，反映了圖像中平均信息量的多少，圖像的一維熵表示圖像中灰度分布的聚集特征所包含的信息量.對256級灰度圖像而言，每個像素的灰度值范圍是0～255，因此像素灰度值的符號集為{0,1,2，…,255} ,令表示圖像中灰度值為gi的像素個數為ki，則圖像中灰度值為gi的像素出現的概率為

(5)

整幅圖像的灰度熵值定義為

(6)

圖5為子塊圖像灰度熵的分布圖，由圖5可知，含裂縫的路面子塊圖像的熵值分布在1～7，不含裂縫的路面子塊圖像的熵值分布范圍較為集中，最大值與最小值之差不超過1.5，對于路面圖像來說，圖像的熵值反映的是該路面子塊圖像的灰度分布不均勻程度和復雜程度.

圖5 子塊圖像灰度熵的分布

3 圖像分類

3.1 數據獲取

本文研究的路面圖像是使用車載攝像機在自然采光的條件下對瀝青路面進行捕獲而得，在拍攝圖像時，相機垂直于地面放置，并保持與路面恒定的高度，從而使得所拍攝圖像的尺寸保持一致.該圖像集包含15 000張圖像，圖像大小為4 096×1 306.通過線性插值的分割算法，將圖像進行分塊處理，每張路面圖像可得到200個非重疊的301×48像素大小的子塊路面圖像.

3.2 對比實驗結果

基于對路面圖像的特征分析，選取圖像的灰度作為分類特征.結合設計的BP神經網絡，選取子塊圖像灰度方差的最值之差(max)、一幅路面圖像中子塊圖像方差的最值之差超過閾值的子塊圖像數量(m)以及子塊圖像灰度熵的最值之差作為神經網絡輸入的特征值.選取600張圖像集中的圖像，其中包括300張路面裂縫圖像，300張不含路面裂縫的完好圖像對神經網絡進行訓練.

為檢測該算法的有效性、可行性、高效性，本文選取了三個評價指標：誤檢率、漏檢率、檢測率.指標的選取宗旨是為了迎合實際的應用目的，本文研究的目的是對采集設備捕獲的所有圖像進行分類，且使得完好圖像(不含路面裂縫的圖像)中不會摻雜含路面裂縫的路面破損圖像，即在保證誤檢率和漏檢率較低的同時提高檢測率，見圖6.

圖6 指標定義說明圖

選取圖像灰度作為分類特征，并與傳統方差算法以及基于閾值的分割算法進行對比實驗.傳統基于方差思想的分類算法是選取圖像整體的方差值、子塊圖像方差最小值、子塊圖像方差均值三個特征量對圖像進行分類；基于閾值的算法是將圖像利用OSTU算法進行分割，再對分割后的二值圖像進行水平和垂直方向的投影，選取水平和垂直方向上投影值的和作為特征量對圖像進行分類.

選取兩個樣本驗證所設計算法的魯棒性，樣本1為路面裂縫圖像占50%左右(共7 200張圖像，其中3 499張路面裂縫圖像)，樣本2為路面裂縫圖像占1%左右(共7 200張圖像，其中93張路面裂縫圖像)，見圖7.

圖7 算法對比圖

測試結果表明：在樣本1的測試條件下，閾值分割算法的檢測率最低，漏檢率最高，但其誤檢率低于傳統方差算法；在樣本2的測試條件下，傳統方差算法的檢測率最低，漏檢率最高，但其誤檢率低于閾值分割算法；在兩個樣本的測試條件下，本文算法均具有最高的檢測率，最低的漏檢率與零誤檢率；從兩個樣本的測試結果中可以分析出閾值分割算法與傳統方差算法具有不穩定性，其算法結果隨著裂縫圖像占樣本總數百分比的不同而隨之改變，但本文算法具有較好的魯棒性，識別率高達98%，且在完好路面圖像(不含路面裂縫的圖像)中不會摻雜路面裂縫的圖像.然而，本文的分類算法也存在一定的局限性.本文的算法無法識別路面裂縫的類型，但可以確保在完好圖像(不含路面裂縫的圖像)一類中，不會摻雜路面裂縫的圖像，因此在后續工作中可直接將完好路面圖像篩除，降低處理路面裂縫圖像的工作量.

4 結 論

1) 基于已有的圖像預處理算法的研究，設計了適用于本文研究的改進圖像掩膜去噪增強算法，充分對比了中值濾波、均值濾波、偏微分方程、圖像掩膜算法與本文算法的處理效果，結果表明本文算法與偏微分方程的算法均可保留圖像中的細微裂縫信息，但偏微分方程的迭代次數較多，算法不能達到較高的處理效率.

2) 基于路面圖像的灰度、邊緣、頻域分析的研究，采取路面圖像的灰度作為分類特征.在路面裂縫圖像的研究中，只需其中的路面裂縫的區域，對于一幅較復雜的路面圖像，將其進行分塊處理，充分利用圖像裂縫區域的局部特征信息.在路面子塊圖像的灰度均值、方差以及熵特征的分析基礎之上，選取子塊圖像的方差和熵作為神經網絡的輸入值，對路面圖像進行分類，其檢測率高達98%，且誤檢率為0.

3) 給定路面圖像集，經過本文算法處理可自動將該圖像集分成兩個類別.研究的結果對于路面裂縫的精確化處理、路面裂縫的位置確定等具有一定的參考價值，且因在現實路面中，完好圖像(不含路面裂縫的圖像)的數量相對于需要進行后續處理的路面裂縫圖像數量較多，本文算法可將完好圖像篩選出，并保證其類別中不會含有路面裂縫的圖像，因此其能極大降低后續的工作量.

4) 研究結論不能給出具體指標(如路面裂縫的類型、寬度、深度等)，后期需對已經篩選出的路面裂縫圖像進行更細化的研究，從而能夠形成一套完整的路面圖像自動分類與路面裂縫識別的系統.