基于數(shù)字圖像技術(shù)的隧道襯砌裂縫識別方法研究

唐錢龍，譚園，彭立敏，曹豪榮

(1.中南大學(xué) 土木工程學(xué)院，湖南 長沙410075；2.江西交通職業(yè)技術(shù)學(xué)院，江西 南昌330013)

隨著隧道工程的不斷建設(shè)和運(yùn)營，我國已經(jīng)逐漸從“隧道建設(shè)時(shí)代”向“隧道養(yǎng)護(hù)時(shí)代”過渡[1]，隧道的病害問題越來越受到重視。其中裂縫是隧道襯砌最常見也是最嚴(yán)重的病害之一，如果未及時(shí)處理，可能會(huì)誘發(fā)其他病害如滲漏水、混凝土剝落、凍害等，嚴(yán)重時(shí)還可能破壞隧道的整體結(jié)構(gòu)安全，因此在工程上需要對隧道襯砌結(jié)構(gòu)進(jìn)行定期的檢測，及時(shí)發(fā)現(xiàn)裂縫并加以處理。目前我國隧道裂縫檢測主要依靠人工判別和記錄，該方法效率低，耗時(shí)長，且檢測結(jié)果受人的主觀因素影響較大，無法滿足現(xiàn)代裂縫檢測的需求。近幾年來，隨著計(jì)算機(jī)測量技術(shù)的迅猛發(fā)展，越來越多的工程領(lǐng)域開始使用數(shù)字圖像處理結(jié)合采集設(shè)備進(jìn)行無損檢測與測量，公路和橋梁等領(lǐng)域已有學(xué)者將此技術(shù)應(yīng)用到了裂縫檢測上，隨著隧道建設(shè)的不斷發(fā)展，國內(nèi)外相關(guān)學(xué)者開始著手研究適用于隧道裂縫的自動(dòng)化檢測系統(tǒng)。韓國、德國、日本已研發(fā)出不同型號的隧道檢測車，但裂縫識別還要依靠人工參與，還沒有成熟可靠的隧道裂縫圖像識別系統(tǒng)。目前，基于圖像處理的裂縫檢測已取得了諸多的研究成果。Premachandra 等[2]針對路面裂縫用中值濾波后采用均勻分塊的OTSU 分割法提取裂縫。該算法相對簡單，也只適用于簡單的裂縫。姒紹輝等[3]提出的基于不規(guī)則區(qū)域的高斯濾波去噪算法，但對椒鹽噪聲的濾除效果不理想；Oliveira 等[4]基于非監(jiān)督學(xué)習(xí)設(shè)計(jì)了2 個(gè)分類器分別用于裂縫的檢測和類型判斷，但該算法去噪部分只考慮到了散點(diǎn)噪聲，對于背景紋理復(fù)雜的裂縫適用性較差。Muduli 等[5]在邊緣檢測步驟時(shí)針對墻面裂縫圖像對Canny 算子進(jìn)行改進(jìn)，但是提取的裂縫丟失了寬度信息，不利于后續(xù)測量。Abdel-Qader 等[6]提出了根據(jù)主成分的分析原則來進(jìn)行裂縫檢測的算法，該算法主要使用了特定的橋梁圖像的圖像庫作為實(shí)驗(yàn)數(shù)據(jù)，實(shí)現(xiàn)起來比較困難而且計(jì)算量很大，花費(fèi)時(shí)間長。Tsai 等[7]采用最小路徑算法來檢測裂縫，該算法需要手動(dòng)找出裂縫點(diǎn)，屬于一種半自動(dòng)的檢測方法。高泰[8]在對隧道裂縫圖像降噪時(shí)提出將噪聲分為點(diǎn)、線、塊狀3 類，分別采取不同的降噪方法，但需要手動(dòng)選取閾值，需要大量實(shí)驗(yàn)且主觀性較大。隧道環(huán)境內(nèi)采集的裂縫圖片存在曝光不足、不均、噪聲嚴(yán)重和背景干擾等問題，現(xiàn)有的算法都具有一定的局限性，無法較好地解決這些問題，需要進(jìn)一步進(jìn)行針對性的研究來設(shè)計(jì)出適用于隧道的裂縫圖片識別系統(tǒng)。

1 隧道襯砌裂縫識別系統(tǒng)流程設(shè)計(jì)

由于隧道環(huán)境及現(xiàn)場拍攝條件制約，所拍攝的隧道裂縫圖像普遍存在著一系列等問題，每張圖像都包含大量的干擾信息，所以從原始照片到最后能識別出裂縫的過程中需要進(jìn)行多步流程，每一步需要完成特定的功能，如圖1所示。

設(shè)計(jì)的算法主要分為4 個(gè)過程，分別為裂縫圖像預(yù)處理過程、圖像的濾波降噪、裂縫的識別檢測、裂縫的幾何特征提取。程序的主界面如圖2所示。

圖1 裂縫識別系統(tǒng)總體流程設(shè)計(jì)Fig.1 Overall process design of crack identification system

圖2 裂縫圖像處理系統(tǒng)面板Fig.2 Crack image processing system panel

2 隧道裂縫圖像預(yù)處理

通常情況下，隧道里沒有強(qiáng)光源，采集圖像時(shí)一般需要陣列光源輔助照明，這時(shí)采集到的圖像亮度并不合適，灰度分布也不均勻，難以突出圖像細(xì)節(jié)，因此首先要對裂縫圖像進(jìn)行灰度校正增強(qiáng)。傳統(tǒng)方法是利用線性拉伸和直方圖均衡化來處理，但是均有一定弊端。采用區(qū)域自適應(yīng)直方圖均衡化配合Retinex 勻光算法，可以有效對隧道裂縫圖像進(jìn)行預(yù)處理，區(qū)域自適應(yīng)直方圖均衡化可以改善圖像灰度范圍，基于Retinex 理論的勻光算法可以使圖像灰度分布更均勻。

和普通的直方圖均衡算法不同，區(qū)域自適應(yīng)直方圖均衡化算法先將圖像分塊，計(jì)算圖像的局部直方圖，然后重新分布亮度來改變圖像對比度，因此，該算法更適合于改進(jìn)圖像的局部對比度以及獲得更多的圖像細(xì)節(jié)。

圖片像素的灰度值由光照分量和物體表面的反射分量2 部分疊加而成，根據(jù)Retinex 理論，圖像的光照分量主要存在于圖像低頻部分并且整體變化平緩；而反射分量則主要存在于圖像高頻部分，如邊緣等處，其變化比較劇烈[9]。因此可以選用多尺度高斯函數(shù)來提取圖像的不均勻光照分量估計(jì)值，再用原圖像與這部分光照分量做差分，即可消除不均勻光照的影響。

如圖3所示，直方圖均衡化在全局調(diào)整了圖片的灰度分布，使圖片對比度提高，但是將它用于對光照不均的圖片進(jìn)行處理后，會(huì)導(dǎo)致這種不均更加明顯。區(qū)域自適應(yīng)直方圖均衡化結(jié)合Retinex 勻光則在局部范圍內(nèi)調(diào)整了像素的灰度分布，有效地平衡了光照，為后續(xù)圖像濾波和分割打下了基礎(chǔ)。

圖3 圖像預(yù)處理對比Fig.3 Image preprocessing comparison

3 隧道裂縫圖像濾波去噪

在隧道裂縫圖像常常包含大量噪聲干擾，其中高斯噪聲和椒鹽噪聲占絕大部分。目前并無在任何場景下通用的濾波降噪方法，經(jīng)典的濾波方法主要包括均值濾波、高斯濾波、中值濾波、自適應(yīng)平滑濾波等，將這些濾波方法應(yīng)用于隧道襯砌裂縫圖片上進(jìn)行對比，發(fā)現(xiàn)效果均不是很理想，主要是因?yàn)樵肼晫儆趫D像的高頻分量，主要表現(xiàn)為像素鄰域灰度值的突變，而裂縫與背景的邊緣部分也會(huì)發(fā)生灰度值突變，前面幾種濾波方法均無法在去噪的同時(shí)保持裂縫邊緣的清晰，為此本文提出基于雙邊濾波的改進(jìn)算法。

雙邊濾波具有雙重濾波作用，可以在過濾高斯噪聲的基礎(chǔ)上較好的保持邊緣[10]，它包含了2 個(gè)高斯基濾波函數(shù)，與均值與高斯濾波采用固定濾波核不同，雙邊濾波的濾波核是根據(jù)不同區(qū)域?qū)崟r(shí)計(jì)算得到的。在處理區(qū)域內(nèi)臨近像素時(shí)，不僅考慮像素空間的鄰近距離、同時(shí)也考慮鄰域內(nèi)像素灰度的相似程度[11]，然后通過對二者的非線性組合來確定最終濾波效果，確保只有鄰域內(nèi)灰度相似的才被一起進(jìn)行加權(quán)平均。

要想在雙邊濾波的基礎(chǔ)上去除椒鹽噪聲，首先要對椒鹽噪聲進(jìn)行識別。椒鹽噪聲是一種特殊的脈沖噪聲，也叫雙極噪聲[12]，它的灰度值呈兩極化，其中椒噪聲灰度值非常大，接近于255；鹽噪聲灰度值非常小，接近于0，可以提出如下判斷方法：

設(shè)置一個(gè)閾值a，可以設(shè)定椒噪聲的灰度值范圍為[0,a]，鹽噪聲的灰度值范圍為[255,255-a]，如果某中心點(diǎn)像素的灰度值落在兩個(gè)范圍之內(nèi)，即可認(rèn)為該像素點(diǎn)為椒鹽噪聲點(diǎn)。

在進(jìn)行雙邊濾波之前對像素點(diǎn)進(jìn)行上述判斷，即可用中值濾波的理念，用鄰域像內(nèi)素的中值代替此噪聲點(diǎn)，然后再進(jìn)行雙邊濾波。在非椒鹽噪聲區(qū)域，則直接進(jìn)行雙邊濾波。算法的流程如圖4所示。

為驗(yàn)證算法有效性，在MATLAB 中對裂縫圖像進(jìn)行不同濾波方法處理的仿真模擬對比，輸出圖像如圖5所示，并以常用的峰值信噪比(PSNR)為指標(biāo)比較不同算法處理算法的客觀效果，結(jié)果如表1所示。

圖4 雙邊濾波改進(jìn)算法流程圖Fig.4 Bilateral filtering improved algorithm flow chart

圖5 不同濾波方法圖像處理對比Fig.5 Image processing comparison of different filtering methods

如圖5所示，均值濾波的降噪效果一般；高斯濾波平滑效果較好，但是造成了裂縫邊緣的過度模糊，不利于后續(xù)裂縫提取；中值濾波處理后邊緣清晰，但是降噪效果不夠好；自適應(yīng)平滑濾波效果介于高斯濾波和中值濾波之間；本文基于雙邊濾波的改進(jìn)算法降噪效果最好，并且保持了裂縫邊緣的清晰，有利于后續(xù)裂縫的提取。

表1 不同濾波算法對比客觀評價(jià)Table 1 Comparison of different filtering algorithms

從表1可以看出，本文改進(jìn)算法對隧道襯砌裂縫圖片處理的峰值信噪比最高，作為濾波的客觀評價(jià)指標(biāo)，圖像的峰值信噪比越大，其濾波降噪效果越好，這也從客觀上印證了本文算法的有效性。

4 隧道襯砌裂縫圖像分割

目前在圖像分割領(lǐng)域尚無通用的分割理論，現(xiàn)已提出的分割算法大都是針對具體問題的[13]，常用的圖像分割算法可以大概有：基于邊緣的分割方法、基于閾值的分割方法以及基于其他特定理論的分割方法[14]。閾值分割具有效果明顯且易于實(shí)現(xiàn)等特點(diǎn)，是目前圖像識別中最常用的分割方法之一。

設(shè)裂縫灰度圖像的大小為M×N，f(x,y)表示坐標(biāo)為(x,y)的點(diǎn)的像素灰度。閾值分割的目的即為確定一個(gè)閾值T，并對圖片所有像素的灰度進(jìn)行如下映射：

這樣即可將裂縫與背景區(qū)分開，轉(zhuǎn)換為只有黑色和白色構(gòu)成的二值圖像。如何找到這個(gè)最合適的閾值T，就決定了提取裂縫成敗的關(guān)鍵。常用的OTSU 分割法適應(yīng)不了復(fù)雜的環(huán)境，對于有剝落掉塊、污漬滲水等背景不均勻的區(qū)域，采用基于自適應(yīng)分塊的OTSU 分割改進(jìn)算法，具體流程如下：

1)計(jì)算初始圖像熵，把圖像均分為4 塊，計(jì)算這4 塊熵的均值作為新圖像的熵，若分塊后熵減，說明系統(tǒng)混亂程度減小，則進(jìn)一步分塊，反之，則停止分塊；為避免分塊太密集帶來計(jì)算量過大，可規(guī)定若圖像塊邊長小于50 像素時(shí)，也停止此塊的繼續(xù)分塊。

2)求每個(gè)分塊圖像的局部閾值。

在一個(gè)分塊的區(qū)域S中，先用OTSU 法求解一次閾值，記為初始閾值T0，將其分為S1和S22 個(gè)點(diǎn)集，裂縫包含在S2點(diǎn)集里，由于OTSU 算法計(jì)算出的T0容易造成欠分割，T0容易偏大，此時(shí)根據(jù)經(jīng)驗(yàn)設(shè)置一個(gè)較低的閾值為T1=0.6T0，用T1再次對原分塊圖S進(jìn)行分割為S3和S4，S4里基本會(huì)濾除S2中的非裂縫的背景區(qū)域，但也會(huì)消除一部分裂縫區(qū)域，使得裂縫信息不全，此時(shí)便需要邊緣檢測來做校對。

3)求每個(gè)分塊圖像的局部邊緣。

在與上一步同一個(gè)分塊內(nèi)部，使用Sobel 算子進(jìn)行邊緣檢測分割，提取裂縫邊緣信息備用。

4)將2 種方法分割的圖像進(jìn)行對比校正。

將第2 步里的像素區(qū)域S2與S4做差分記為S5，將S5與第3 步提取的邊緣信息做交叉對比，若S5里的像素區(qū)域與邊緣區(qū)重合，則說明是裂縫區(qū)域，將這部分像素補(bǔ)充到S4里，若S5里的像素區(qū)域處于邊緣區(qū)之外，則說明這部分是非裂縫區(qū)域，予以丟棄，則經(jīng)過補(bǔ)充的S4為此塊的最終裂縫區(qū)域。

5)圖像整合。

將每個(gè)圖塊的分割的結(jié)果按原分塊位置進(jìn)行拼接，得到最終整個(gè)圖像的分割結(jié)果。

算法流程如圖6所示。

在MATLAB 編程環(huán)境中用不同的分割方法對裂縫圖像進(jìn)行仿真處理，輸出圖像如圖7所示。

如圖7所示，對于含有較多背景干擾的情況下，迭代法閾值分割和Otsu 分割的處理效果均不理想，分割后雜質(zhì)仍然較多，不利于后續(xù)處理；改進(jìn)的算法可提取到含雜質(zhì)較少且完整的裂縫二值圖像，方便后續(xù)對裂縫的測量和等級評定等操作。

圖6 改進(jìn)的隧道襯砌裂縫圖片分割算法Fig.6 Improved tunnel lining crack image segmentation algorithm

圖7 分割算法效果對比Fig.7 Comparison of segmentation algorithms

5 隧道襯砌裂縫測量與等級評定

裂縫分割成二值圖像后，就可以對其進(jìn)行測量和等級評定，用以判斷對裂縫的后續(xù)處理。

5.1 裂縫的測量

數(shù)字圖像在采集、存儲和處理時(shí)，都是以像素為基本單位的，計(jì)算機(jī)處理后測量的信息也均以像素?cái)?shù)量表示。要想測量裂縫的實(shí)際尺寸，必須對單像素進(jìn)行尺寸標(biāo)定。

5.1.1 相機(jī)像素尺寸標(biāo)定

本文采用的數(shù)碼相機(jī)為2 400 萬像素的CMOS鏡頭，拍攝到的圖片尺寸為4 208像素×5 612像素。圖片中的一個(gè)像素對應(yīng)的實(shí)際長度并不是固定的，它與相機(jī)鏡頭參數(shù)、拍攝時(shí)所用的焦距和鏡頭離物體的距離均有關(guān)系，所以在每一次批量采集裂縫前均需要做一次尺寸標(biāo)定。

相機(jī)的尺寸標(biāo)定需要一個(gè)已知實(shí)際尺寸的參照物，拍攝帶有參照物的圖片，則參照物的像素尺寸可以在計(jì)算機(jī)內(nèi)測量得到，而實(shí)際尺寸是已知的，這樣就可以達(dá)到尺寸標(biāo)定的效果。可以按以下步驟進(jìn)行：

1)將相機(jī)固定在支架上，到并將拍攝時(shí)的角度盡可能垂直于拍攝面，測量相機(jī)鏡頭到物體的距離。將高度調(diào)整好，拍攝正前方的參照物圖像，比如一張A4 紙。

2)在圖片處理工具中畫出參考線定位A4 紙的4 條邊，如圖8(a)所示，標(biāo)記時(shí)應(yīng)盡可能放大圖片以求精確貼合邊界，如圖8(b)。

3)測量出參照物的像素尺寸，如圖8(a)中A4紙所占橫向像素分布為762～3 509 pixel(像素)，A4紙真實(shí)距離為210 mm，則橫向距離標(biāo)定為：

A4 紙縱向像素分布為1 007～4 865 pixel，對應(yīng)真實(shí)距離為297 mm，則縱向尺寸標(biāo)定為：

4)重復(fù)上述步驟，對像素經(jīng)過多次標(biāo)定可以求出平均值，作為此次最終的像素標(biāo)定值μ=0.076 7 mm/pixel。

完成本次像素尺寸標(biāo)定后，就可以知道本相機(jī)在不變焦，固定1.0 m 拍攝距離的情況下，單像素代表的實(shí)際距離為0.076 7 mm。

圖8 相機(jī)尺寸標(biāo)定Fig.8 Camera size calibration

5.1.2 裂縫長度計(jì)算

由于一條裂縫經(jīng)常會(huì)沿走勢發(fā)生粗細(xì)不均變化，要消除此影響，求裂縫的長度可以轉(zhuǎn)化為求裂縫中心線的長度，則首先需要提取裂縫骨架，可采用Zhang-Suen 快速并行細(xì)化方法[15]得到單層像素的骨架圖，如圖9所示。

在裂縫骨架圖的基礎(chǔ)上，可以通過引入Freeman 鏈碼來計(jì)算其長度，F(xiàn)reeman 鏈碼又叫做方向鏈碼，是用曲線起始點(diǎn)的坐標(biāo)和邊界點(diǎn)方向代碼來描述曲線的方法。常用的有4 連通鏈碼和8 連通鏈碼，這里采用8 連通鏈碼，在進(jìn)行編碼的過程中，以裂縫端點(diǎn)為起始點(diǎn)，按照圖10所示的方向?qū)σ来芜M(jìn)行編碼，直到掃描完為止，得到一條裂縫的鏈碼表示。

圖9 裂縫圖像細(xì)化Fig.9 Crack image refinement

圖10 Freeman 鏈碼示意圖Fig.10 Freeman chain code diagram

設(shè)一條裂縫為N(x,y)，使用Freeman 鏈碼對其進(jìn)行編碼，而后計(jì)算鏈碼的長度即為此裂縫的長度，計(jì)算過程如下：

式中：L為鏈碼的長度；Na為偶數(shù)鏈碼的個(gè)數(shù)；Nb為奇數(shù)鏈碼的個(gè)數(shù)；A和B為分別為對應(yīng)的權(quán)重參數(shù)。

在偶數(shù)鏈碼處，方向?yàn)樗交蜇Q直，此時(shí)長度即為像素個(gè)數(shù)，故取A=1。在奇數(shù)鏈碼處，裂縫走向?yàn)椤?5°，此時(shí)分段長度為像素個(gè)數(shù)的倍，故

5.1.3 裂縫寬度計(jì)算

對于裂縫寬度，可以在為求長度所抽取的骨架基礎(chǔ)上，統(tǒng)計(jì)在裂縫骨架線上每個(gè)點(diǎn)處裂縫法向像素點(diǎn)的個(gè)數(shù)，即可得到裂縫的最大及最小寬度，由于裂縫在各個(gè)局部寬度均可能不同，所以在求寬度的時(shí)候可分為局部最大寬度和平均寬度。

平均寬度容易獲得，在裂縫二值圖像里統(tǒng)計(jì)像素值為1 的個(gè)數(shù)，可作為裂縫區(qū)域的面積S，在長度L已求出的情況下，平均寬度可直接相除計(jì)算：

對于局部最大寬度，可沿裂縫骨架走勢用n×n滑動(dòng)窗口對整條裂縫進(jìn)行掃描，通常n取值在3～5之間，通過Freeman 鏈碼值確定局部直線的方向，如圖11(a)所示。再在裂縫原二值圖像沿裂縫法向確定裂縫兩側(cè)邊緣的范圍，如圖11(b)所示，這條虛線的長度即為裂縫的局部寬度。

圖11 裂縫寬度掃描示意圖Fig.11 Crack width scanning schematic

在獲得局部寬度b1，b2，…，bn之后，經(jīng)過排序即可得到裂縫的局部最大裂縫寬度bmax。

對3 種裂縫進(jìn)行類型識別和測量，結(jié)果如表2所示。

表2 裂縫測量結(jié)果示例Table 2 Example of crack measurement results

以上長寬信息均以像素為單位，根據(jù)拍攝之前的尺寸標(biāo)定即可轉(zhuǎn)換求得真實(shí)長寬。

5.2 隧道裂縫等級評定

現(xiàn)行的《公路隧道養(yǎng)護(hù)技術(shù)規(guī)范JTG H12—2015》[16]將縱向裂縫劃分為4 個(gè)等級，不同的等級下對應(yīng)著不同的處理方法，從1 到4 級分別為輕微、中等、較嚴(yán)重、嚴(yán)重，橫向裂縫相應(yīng)取低一個(gè)等級，如表3所示。

表3 不能確定有無發(fā)展性的襯砌裂縫的判定標(biāo)準(zhǔn)Table 3 Cannot determine the criteria for the development of lining cracks

前面已求得裂縫的走勢和長寬信息，將以上表格輸入MATLAB 程序中，只需分別對裂縫的長寬所在范圍做2 層判斷即可自動(dòng)評定裂縫的等級。

6 工程實(shí)例

以長沙天際嶺隧道為例，實(shí)地拍攝隧道內(nèi)的裂縫圖片，用裂縫測寬儀和卷尺等工具測量裂縫的長寬，用本文設(shè)計(jì)的裂縫檢測系統(tǒng)系統(tǒng)進(jìn)行隧道二次襯砌裂縫的識別、測量與評價(jià)，將系統(tǒng)測量結(jié)果與實(shí)地測量結(jié)果對比，將系統(tǒng)評定等級與湖南中大建設(shè)工程檢測技術(shù)有限公司提供的檢測報(bào)告作對比，來驗(yàn)證系統(tǒng)的有效性。

天際嶺隧道內(nèi)襯砌裂縫均為環(huán)向裂縫，部分裂縫出現(xiàn)區(qū)域同時(shí)伴隨著剝落掉塊或滲水，總體來看裂損狀況較為輕微，裂縫等級較低。此次拍攝選擇裂縫出現(xiàn)較為集中一段隧道，從YK0+090 開始，至YK0+120 結(jié)束，共采集含裂縫照片300 余張，采集完成后進(jìn)行室內(nèi)計(jì)算機(jī)圖片識別和拼接，部分對比結(jié)果展示如表4。

據(jù)報(bào)告顯示，天際嶺隧道內(nèi)裂縫均為環(huán)向裂縫，裂縫等級評定值均為1 級，本系統(tǒng)的等級評定結(jié)果與報(bào)告中的所有結(jié)果相吻合。

將本系統(tǒng)裂縫測量寬度與人工使用裂縫測寬儀測量結(jié)果進(jìn)行對比，平均精準(zhǔn)度達(dá)到94%，最大誤差率12%，滿足實(shí)際工程應(yīng)用的要求。

表4 天際嶺隧道襯砌裂縫識別評定Table 4 Identification and evaluation of lining cracks in sky ridge tunnel

7 結(jié)論

1)采用區(qū)域自適應(yīng)直方圖均衡化配合Retinex勻光算法，可以有效校正圖像灰度分布并平衡光照，針對隧道圖像噪聲多的問題，提出基于雙邊濾波改進(jìn)的算法，改進(jìn)的算法可以有效去除高斯和椒鹽噪聲，并很好地保護(hù)了裂縫邊緣信息。

2)針對有滲水、污漬、剝落等區(qū)域?qū)λ淼懒芽p識別的影響，提出在圖像自適應(yīng)分塊下結(jié)合閾值和邊緣的分割算法，可以有效進(jìn)行這些復(fù)雜狀況下的裂縫識別，得到完整裂縫的二值圖像。

3)采用相機(jī)尺寸標(biāo)定，通過測量裂縫的像素尺寸轉(zhuǎn)換得到其真實(shí)長度、寬度等指標(biāo)，并進(jìn)行裂縫等級評定。結(jié)合工程實(shí)例表明，所提出的算法對隧道襯砌裂縫的識別準(zhǔn)確率達(dá)92%以上，驗(yàn)證了本文算法的有效性。