二階矩&灰度差分的橋梁裂縫快速識別方法

李 娜 許元飛 賈澎濤

(西安科技大學計算機科學與技術學院 陜西 西安 710054)

0 引 言

橋梁裂縫識別是數字圖像處理技術與橋梁監測的主要結合點，圖像質量評價成為該問題的有效解決方法。盡管已有裂縫識別算法眾多，但裂縫圖像的連通性和完整性方面均表現欠佳，快速、準確地識別完整的裂縫圖像依然是一大挑戰[1]。近年來研究者趨向于人眼視覺特征的圖像質量評價方法[2-3]研究，具體是將圖像在顏色空間中進行分解，在已分解的子分量上利用已有人眼視覺模型獲取質量測度，但應用于復雜紋理圖像時，存在計算復雜的問題。對此，研究者提出了各種可計算的質量測度方法。HDR[4]方法利用HDR-VDP-2.2中的基于視覺感知的模型得到關于亮度與對比度的視覺保真度特征，通過支持向量回歸對特征進行融合，得到高動態圖像的客觀評價值。文獻[5]結合峰值信噪比(PSNR)的計算優勢與人眼視覺特征信息熵的結構特性，提出一種基于視覺特征信息熵的彩色圖像質量評價方法。VIF[6]方法通過計算失真和參考圖像間的互信息相關性實現質量評價，具有較好的性能，缺點是小波分解帶來復雜計算。

圖像質量主觀評價和客觀評價的利弊體現在：主觀評價方法[7]準確、合理，但受觀察者知識水平等影響，導致結果不穩定，且難以滿足實時處理的要求[8-9]。客觀評價具有實時穩定、簡單高效等優點。客觀評價從自然圖像統計和空域變換角度出發，提出無參客觀質量評價方法[10-12]。基于梯度信息與HVS濾波器[13]的方法建立了一種新的清晰度評價算法，該算法計算每個像素點的梯度值，得到每點的清晰度描述。Lab色彩空間更接近于人眼視覺，通過提取Lab色彩空間的信息熵特征來表征圖像質量信息[14]。文獻[15]將圖像的模糊度評價轉化為待測圖像與參考圖像對應分量的相似度測量。

為了提高識別的實時性與準確性，本文在無災害參考圖像和待檢測圖像間建立安全評價函數，利用評價值對橋梁裂縫的病害情況進行自動評價并快速識別。

1 基于圖像質量評價的橋梁裂縫識別算法

1.1 橋梁裂縫安全評價時間序列

選擇橋梁初建成時且通過相關質量認定即質量最好時的圖像作為基礎參考圖像R。設定一定時間間隔，采集橋梁表面圖像。設當前n(n>1)時刻的圖像為待評價圖像En，將其與參考圖像R利用評價函數進行比較，得出質量評價參數Dn，如圖1所示。

圖1 基于參考圖像的橋梁輔助安全評價

圖1產生兩組時間序列，分別是待評價圖像序列[E1,E2,…,En]、評價參數序列[D1,D2,…,Dn]。評價圖像En和參考圖像R分別通過相關度比較算法即安全評價函數F計算評價參數Dn，如式(1)所示。若Dn有較大異常，提示人工檢測。

Dn=F(En)-F(R)

(1)

1.2 基于顏色矩與灰度差分的安全評價

HSV顏色模型與其他顏色空間相比較，能夠更好地適應人類對顏色的主觀理解，本文選擇HSV模型實現裂縫安全評價。

通過對圖像進行H、S、V分量觀察，發現V分量的圖像與灰度圖視覺效果相同，式(1)變成：

Dn=F(Env)-F(Rv)

(2)

式(2)在HSV模型中的V分量上進行裂縫安全性計算。

通過二階矩計算待測區域的顏色方差，即顏色的不均勻性。En與R的第i像素在V分量上的二階矩分別表示為：

(3)

式中：N為像素的個數，M1Eiv和M1Riv分別為Ei和Ri的一階矩。

(4)

V(Eiv)和V(Riv)分別代表Ei與Ri上第i個像素在V分量上的值。

裂縫在顏色特征變化的同時，紋理特征也有改變，通過熵計算紋理圖像的灰度差分統計特征。Ei與Ri的熵分別表示為：

(5)

利用顏色二階矩與灰度差分表示橋梁裂縫圖像在顏色和紋理上的變化，并進行裂縫安全性比較，則F表示為：

F=M2+Ent

(6)

評價參數Dn表示為：

Dn=(M2Eiv-M2Riv)+(EntEiv-EntRiv)

(7)

基于顏色二階矩和灰度差分的橋梁裂縫病害評價流程如圖2所示。

圖2 安全評價算法流程

在圖2中，通過基于顏色二階矩與熵的人眼視覺特征相關度方法評價裂縫安全性，評價參數D值越大，表示相關度越低，代表安全質量較差，病害程度越嚴重。

對公路監控設備采集到的橋梁表面圖像信息，利用數字圖像的質量評價，提出道路安全自動輔助評價方法。通過待評價圖像En與參考圖像R相關程度的客觀比較，利用得到的評價參數輔助說明橋梁表面裂縫的質量安全。

2 實驗仿真

選取6組病害程度不同的橋梁裂縫圖像作為待檢測對象，資料搜集建立初期的圖像作為參考圖像R。

2.1 裂縫提取結果

為了與安全評價算法進行對比，分別選取邊緣提取sobel算子、prewitt算子、roberts算子、log算子和canny算子對6組裂縫實現特征提取，觀察病害程度，具體見圖3-圖8。

圖3 橋梁裂縫1

圖4 橋梁裂縫2

圖5 橋梁裂縫3

圖6 橋梁裂縫4

圖7 橋梁裂縫5

圖8 橋梁裂縫6

對于6組病害圖，5種算子中前三種基本能夠提取出裂縫特征，后2種算子噪聲影響較大。通過算子提取的裂縫特征，觀察得到6組裂縫寬度由小到大變化。

2.2 安全評價參數比較

對圖3-圖8的6組病害圖用本文方法進行安全評價。按照圖2的算法流程，通過式(3)、式(5)、式(7)計算質量評價參數，具體數據見表1。

表1 6組病害圖的安全評價參數

表1中，均值、方差不符合裂縫提取6組病害由小到大的變化趨勢，數值有前后波動，無法獲得變化規律。灰度差分在第5組圖處有波動，評價參數D的值由小到大變化，結合1.2節對D的說明，評價參數檢測到6組病害逐級嚴重，與2.1節的特征提取結果一致。

將本文方法與峰值信噪比方法和文獻[7]中彩色圖像質量評價方法計算的圖像質量相關度參數進行比較，計算結果見表2，值越大代表相關度越低。

表2 幾種方法的質量評價參數

2.3 實驗分析

根據2.1節中的裂縫提取結果，將病害圖按照安全質量優劣順序排序，依次是橋梁裂縫1、橋梁裂縫2、橋梁裂縫3、橋梁裂縫4、橋梁裂縫5、橋梁裂縫6。評價參數序列依照值越小相關度越高，安全質量較好的原則。本文方法的客觀質量評價從小到大依次是橋梁裂縫1、橋梁裂縫2、橋梁裂縫3、橋梁裂縫4、橋梁裂縫5、橋梁裂縫6，結果與裂縫提取判斷一致，驗證了方法的有效性。

而對于表2中峰值信噪比的評價參數值，橋梁裂縫1、橋梁裂縫3、橋梁裂縫4由于受到噪聲的影響，值較小，不易按照最小值判斷其裂縫情況，故不適合于橋梁裂縫的自動安全評價。對于視覺感知的評價參數值，能夠說明橋梁裂縫6的相關度最低，但是該方法的時間復雜度高于本文方法。

3 結 語

針對橋梁監控圖像的計算機自動安全輔助，本文提出基于參考圖像的輔助安全識別方法。建立具體的顏色二階矩與人眼視覺信息熵特征客觀評價函數及算法流程。利用參考圖像序列、評價圖像序列，計算評價參數序列，本文方法自動化程度較高，且與人眼主觀感受一致，對于橋梁的自動安全監控有重要的現實應用價值。由于監控圖像的持續性難度和不穩定性特點，本文方法在特殊環境下有可能造成評價失誤。下一步工作主要是對評價參數矩陣的特點進行分析，研究其中蘊含的質量評價規律。