基于改進的Otsu法的地鐵隧道裂縫識別方法研究 *

張振海，賈爭滿，季 坤

(蘭州交通大學 自動化與電氣工程學院，甘肅 蘭州 730070)

0 引 言

近年來，我國地鐵隧道建設進入了快速發展期，隨著時間的推移，地鐵隧道在使用過程中會因為材質和溫度等原因產生裂縫，直接影響到隧道的穩定性和列車運行的安全性，因此必須對其進行有效的檢測[1]。目前我國隧道裂縫檢測主要依靠人工標記，效率低，工作量大，且受主觀因素影響大，準確率不高。但隨著機器視覺檢測技術的日益成熟，裂縫檢測的自動化程度也越來越高，基于圖像處理的裂縫檢測技術由于具有實時性高，精度高，可操作性強，便捷直觀等優點，逐漸成為隧道裂縫檢測技術的主要發展方向[2]。Y. NOH等[3]利用均值聚類來對圖像進行分割；P. HUTHWOHL等[4]利用神經網絡來對分割后圖像進行分類；T. H. TRAN等[5]提取感興趣區域，然后利用移動濾波器來濾除噪聲；王博等[6]利用圖像顯著性來突出裂縫圖像特征，結合Prewitt算子來檢測裂縫，加入人工篩選來識別出裂縫區域；朱力強等[7]將噪聲分為不同特征的噪聲，然后分類處理來濾除噪聲；王耀東等[8]將圖像分為多個子區域，在子區域中對圖像進行分割。但是目前大多數算法是針對路面裂縫來進行處理，對于地鐵隧道裂縫的適用性較差，而且屬于半自動的檢測方法，對于分割中的參數確定是需要大量的實驗來確定，工作量大，無法快速有效的對裂縫圖像進行識別。為此，針對隧道圖像具有光照不均，噪聲復雜等問題，筆者采用Mask勻光和自適應灰度拉伸結合來提高裂縫圖像的對比度；利用像素點領域灰度差值來判斷噪聲點，并只對窗口內的有效像素點操作來濾除噪聲；最后在Canny邊緣檢測的基礎上，結合Otsu法進行閾值分割，來對裂縫圖像進行自動檢測和識別。

1 隧道表面裂縫檢測

1.1 圖像預處理

地鐵隧道在建設的過程中，由于地理位置的限制，達不到光照的均勻性。因此，筆者采用Mask勻光和自適應灰度拉伸相結合的方法來對圖像進行預處理。

基于Mask勻光和自適應灰度拉伸結合的算法包括高斯低通濾波、圖像差分和圖像自適應灰度拉伸。高斯低通濾波抑制高頻成分保留低頻成分到達圖像平滑；圖像差分將原始圖像與背景圖像差分運算，消除光照不均的信息；自適應灰度拉伸是將灰度區間[a1,a2]內的點變換到灰度區間[b1,b2]，能夠有效的抑制噪聲，增強裂縫對比度。

(1)

如圖1，直方圖均衡化和均勻拉伸改變了全像素灰度范圍，同時增強了背景和目標圖像，不利于后續裂縫目標的提取?；贛ask勻光和自適應灰度拉伸結合的算法有效的均衡了光照，并且在小范圍內改變了像素的灰度值，也一定程度上增強了圖像背景與目標裂縫的對比度，為后續圖像濾波與分割奠定了基礎。

圖1 圖像預處理效果對比Fig. 1 Comparison of image preprocessing effects

1.2 改進的自適應中值濾波

屈正庚等[9]提出根據噪聲點的數量自適應的改變濾波窗口大小的濾波算法。筆者首先將圖像中的像素點進行分類，分別采用不同的濾波窗口去濾除噪聲，改進的自適應中值濾波算法如圖2。

圖2 改進的自適應中值濾波算法Fig. 2 Improved adaptive median filter algorithm

具體步驟如下：

1)遍歷所有像素點領域。設定閾值T，計算當前像素點3×3領域內的區域灰度差值G。

2)當G≥T時，則為噪聲點，采用自適應中值濾波，且對濾波窗口內的有效像素點進行排序，取中值，結果作為當前像素點的輸出值，如圖3。

3)當G

圖3 對有效像素點進行操作Fig. 3 Operation on effective pixels

為驗證算法的有效性，將高斯濾波，中值濾波等應用到地鐵裂縫圖像進行實驗對比，輸出圖像如圖4(實驗Ⅰ、實驗Ⅱ、實驗Ⅲ)。并以峰值信噪比(PSNR)作為評價指標，結果如表1。

圖4 濾波方法比較Fig. 4 Comparison of filtering methods

表1 不同濾波算法對比客觀評價Table 1 Comparison and objective evaluation of different filteringalgorithms

如圖4，高斯濾波后的圖像與原圖像變化不大，均值濾波和中值濾波會造成裂縫邊緣的模糊；自適應中值濾波后裂縫與背景的差別較小；筆者基于改進的自適應中值濾波模糊了背景部分，突出了裂縫目標區域，有利于后續圖像分割。

從表1可以看出，通過對3種裂縫進行客觀評價，筆者改進的濾波算法的峰值信噪比最高，也從客觀上驗證了筆者算法的有效性。

1.3 基于改進的Otsu法閾值分割

韋春桃等[10]提出一種移動窗口的閾值分割方法，在移動窗口中來識別細小裂縫；王睿等[11]針對隧道裂縫圖像，提出將Prewitt算子和Otsu法結合的閾值分割方法，能夠很好的識別出裂縫邊緣，以便后續的圖像特征提取；占繼剛[12]通過計算連通域面積的方法，去除孤立點噪聲；YU Tianting等[13]通過對隧道紅外圖像進行分塊，在每一塊中進行迭代法閾值分割，然后將分割后的子塊裂縫進行連接，得到完整的裂縫圖像；CHENG Yuhua等[14]通過圖像連通域的特性，提出一種基于像素填充模型的自適應閾值選擇方法，根據填充面積的變化來選擇出比較好的閾值對圖像進行分割。

筆者首先利用Canny檢測進行非極大值抑制，然后將候選邊緣點分為3類，利用Otsu法獲取最佳分割點，對圖像進行分割。改進的Otsu法閾值分割流程圖如圖5。

圖5 改進的Otsu法閾值分割Fig. 5 Improved Otsu method threshold segmentation

具體步驟如下：

1)設經過改進的自適應中值濾波后的圖像為g(x,y)。

2)遍歷g(x,y)的所有像素點，采用2×2領域一階有限差分式近似計算x的偏導數P(i,j)和y的偏導數Q(i,j)，如式(2)和式(3)：

P(i,j)≈[g(i,j+1)-g(i,j)+g(i+1,j+1)-g(i+1,j)]1/2

(2)

Q(i,j)≈[g(i,j)-g(i+1,j)+g(i,j+1)-g(i+1,

j+1)]1/2

(3)

求出x，y方向的偏導后，則該點的梯度值M(i,j)和方位角θ(i,j)計算如式(4)和式(5)：

(4)

(5)

3)進行非極大值抑制來細化裂縫圖像。若點(x,y)的M(i,j)大于梯度方向相鄰點的梯度值，則該點為候選邊緣點[15]。

4)將候選邊緣點分為A1、A2、A33類。設圖像像素個數為N，梯度級范圍為[1,L]，通常取L=64，梯度級ti對應的像素個數為ni，各梯度級包含的像素數在總像素占比為pi=ni/N,i=1,2,…,L，則A1={t1,t2,…,tk}表示非邊緣點；A2={tk+1,tk+2,…,tm}表示需要判斷的點；A3={tm+1,tm+2,…,tL}表示邊緣點，其中，k∈[1,L]，m∈[k+1,L]。

5)計算最大類間方差，尋找最佳分界點。ti和pi由原圖像的灰度直方圖獲得，則灰度均值E和像素占比p計算如式(6)和式(7)：

(6)

(7)

則類間方差公式計算如式(8)：

σ2(k,m)=[EA1-E]2·pA1+[EA2-EA]2·pA2+[EA3-EA]2·pA3

(8)

計算最大類間方差σ2(k,m)對應的tk，tm的值即為A1、A2、A3區間的分界點，即為Canny檢測的高低閾值，對圖像進行分割。

6)去除孤立點噪聲，進行形態學連接。通過連通域計算，將小面積的連通域濾除；利用數學形態學運算，連接裂縫圖像中的斷裂部分。裂縫圖像分割效果如圖6。

圖6 裂縫識別結果Fig. 6 Crack recognition results

如圖6，對濾波后的圖像進行改進的Otsu法閾值分割能夠準確地識別出裂縫區域，得到裂縫區域完整且噪聲較少的二值圖像，為圖像特征提取奠定了基礎。

2 隧道裂縫特征提取

通過對裂縫圖像進行分割，得到二值圖像，利用Zhang并行細化方法對其進行骨架細化。在裂縫骨架圖中結合二值圖像，提取裂縫特征參數。

2.1 裂縫長度計算

裂縫的長度計算通常是計算目標在圖像上中心點單層像素的輪廓，采用Zhang并行細化方法得到骨架圖，如圖7。

圖7 裂縫骨架細化Fig. 7 Crack skeleton refinement

由裂縫的二值圖像得到裂縫的骨架圖，采用8連通Freeman編碼，按照逆時針方向依次編碼，遍歷所有像素點，得到裂縫的鏈碼[16]，如圖8。

圖8 8連通示意Fig. 8 Eight-connectivity diagram

設1條裂縫為N(x,y)，使用Freeman鏈碼對其進行編碼，鏈碼長度計算如式(9)：

L=cNa+dNb

(9)

2.2 裂縫寬度和面積計算

2.2.1 裂縫面積計算

在裂縫二值圖像里，從左上角開始，逐行逐列開始掃描，累計像素值為1的像素點，即為裂縫區域的面積S。

2.2.2 裂縫寬度計算

(10)

對于裂縫局部寬度，用5×5滑動窗口對整條裂縫進行掃描，確定局部法線方向，然后根據法線方向統計像素點的個數，作為裂縫的局部寬度，如圖9。

圖9 裂縫寬度掃描示意Fig. 9 Schematic diagram of crack width scanning

在獲得局部寬度W1,W2,…,Wn之后，經過排序可得到裂縫的局部最大寬度Wmax。

對10組隧道裂縫圖像進行裂縫的長度，平均寬度，最大寬度和面積的測量，結果如表2。

表2 裂縫測量結果Table 2 Crack measurement results px

3 實驗結果與分析

3.1 實驗平臺設計

基于Visual Studio2015+Opencv3.0平臺進行系統界面仿真，實現從裂縫圖像的輸入，預處理，濾波去噪以及特征提取。界面左側為圖像操作區域，界面右側為圖像顯示區域，并進行特征參數計算。地鐵隧道裂縫圖像分析系統界面如圖10。

3.2 實驗結果分析

局部閾值分割是將圖像分成不同鄰域子塊，根據子塊中像素灰度值的均值作為該塊的分割閾值來對圖像進行分割，但當子塊中完全為背景或目標時，直方圖屬于單峰，很難進行分割。

圖10 地鐵隧道裂縫圖像分析系統界面Fig. 10 Interface of subway tunnel crack image analysis system

圖11 裂縫圖像閾值分割效果對比Fig. 11 Comparison of threshold segmentation effects of crack images

傳統Otsu法是一種全局閾值分割方法，它是將圖像直方圖的灰度像素基于某一閾值分為兩類，計算兩類的類間方差，通過不斷迭代，使得類間方差達到極小值，從而得到分割閾值。對于直方圖具有雙峰性的圖像具有較好的分割效果。

最大熵閾值分割也屬于全局閾值分割方法，是根據不同閾值進行分割，然后計算所有分割閾值下的圖像總熵，找到最大的熵，將最大熵對應的分割閾值作為全局分割閾值，對圖像進行分割，將圖像中灰度大于此閾值的像素作為前景，否則作為背景。

為驗證筆者算法的有效性，對不同場景，不同條件下的傳統表面圖像和裂縫圖像進行實驗，分別采用局部閾值分割法，傳統Otsu法，最大熵閾值分割法以及文中算法進行對比，分割結果如圖11。

由圖11可知，局部閾值分割在對隧道圖像分割后，能夠識別出裂縫，但背景圖中仍含有較多的雜質；傳統的Otsu法閾值分割只能夠識別出部分裂縫，不能夠很好的區分開裂縫和背景圖像，并且分割后圖像中含有較多的雜質；最大熵閾值分割相比于局部閾值分割和傳統Otsu法，效果較好，能夠檢測出完整裂縫，但也將部分噪聲點誤判為裂縫邊緣，造成目標圖像復雜。筆者算法準確地將目標和背景圖像分割，能夠得到裂縫區域完整且噪聲點較少的二值圖像。結果表明：筆者改進的Otsu法自適應的計算出最佳分割閾值，且能夠準確的識別出完整裂縫區域。

4 結 論

1)采用Mask勻光和自適應灰度拉伸結合，可以在小范圍內改善圖像灰度分布，并平衡光照；針對隧道圖像噪聲復雜的問題，提出改進的自適應中值濾波算法，能夠有效降低混合噪聲的影響，保護了裂縫邊緣信息。

2)改進的Otsu法能夠有效的將裂縫分割出來，利用連通域計算和形態學處理，去除孤立點噪聲，避免了圖像目標區域缺失情況，得到完整的二值圖像，和傳統的Otsu法相比，能夠準確地識別出裂縫區域。

3) 建立地鐵隧道裂縫圖像分析系統，對裂縫圖像進行預處理，濾波，分割，特征提取以及位置標注，能夠同時顯示原圖像與處理后圖像，直觀地對裂縫圖像的處理結果進行對比。