基于局部紋理特征的瀝青路面裂縫檢測方法

陶 健，田 霖，張德津，胡成雪，何 莉

(1.湖北工業大學 電氣與電子工程學院，湖北 武漢 430068；2.武漢武大卓越科技有限責任公司 算法部，湖北 武漢 430223；3.深圳大學 廣東省城市空間信息工程重點實驗室， 廣東 深圳 518060；4.深圳大學 機電與控制工程學院，廣東 深圳 518060)

0 引 言

裂縫是瀝青路面最常見的病害形式。裂縫會引起路面結構變形和產生滲漏，導致路面承載力下降和路基腐蝕，降低路面使用性能[1]。隨著路面快速檢測技術及裝備的普及應用，提高路面裂縫識別的準確性勢在必行。

干擾裂縫檢測的主要環境因素包括不同強度的環境光照、樹木、指示牌、欄桿等產生的陰影，傳統裂縫檢測方法通常在預處理時消除光照影響，或在圖像分割過程中通過光照局部一致性、歸一化等方式改善識別結果。王德方等[2]通過設計距離函數，增加裂縫距離區域的權重，能夠識別不均勻光照程度較大的裂縫圖像。瞿中等[3]提出基于高斯模糊值的圖像光照歸一化方法，能夠有效消除光照影響。Dihao A等[4]提出利用多尺度鄰域和像素強度信息，能夠應對一定條件下光照條件差、陰影等問題。前者只能改善圖像亮度的均勻性，無法完全消除光照影響，后者通常僅在圖像亮度的均勻性較好的情況下有效。

本文結合兩種方法的優點，提出基于局部紋理特征的瀝青路面裂縫檢測方法。首先，基于結構保持型Retinex算法將高頻的紋理信號從低頻光照信號和結構型紋理中分離；其次，基于裂縫的局部顯著性特征，改進百分比閾值法算法，獲取高信噪比的裂縫區域二值圖像；最后，建立高置信裂縫段的特征匹配機制，進行置信連通域鄰域去噪，實現裂縫區域的提取。

1 瀝青路面裂縫圖像特征分析

瀝青路面在道路建設中被廣泛采用，通常由瀝青結合料、集料(碎石、礫石、沙、石屑)和礦粉組成，具有平整少塵、經久耐用的特點。服役過程中，因路面材料、環境、載荷以及路基等變化，路面會產生裂縫病害，類型包括橫向裂縫、縱向裂縫及龜裂等，裂縫檢測普遍采用基于高速相機結合輔助光的道路綜合檢測裝備獲取路面高清晰度灰度圖像，基于圖像分析進行裂縫識別。由于行道樹、標識標牌等陰影，以及輔助光照明不均勻等，路面圖像存在光照不均現象。輔助光光照通常存在不確定的明暗分布，而樹木、指示牌、欄桿等在路面上的投影為清晰的帶狀投影。明暗光照和帶狀投影在灰度圖像上呈現的特征是該區域灰度閾值同正常區域相比偏高或偏低，并且低頻光照信號和高頻紋理信號有明顯過渡紋理特征。

道路裂縫是路面斷裂形成的狹長或網狀的縫，裂縫一般具有典型的幾何特征，如具備一定的寬度、深度和長度等[5]，一般來說，對于典型裂縫，其灰度與其所在背景都具有一定的區分度。但對于細小裂縫而言，幾何特征并不明顯，表現為連續性差、寬度小。

2 瀝青路面裂縫檢測方法

針對不均勻光照和陰影等因素影響瀝青路面圖像中裂縫檢測誤識別問題，本文提出了一種基于光照特征與局部紋理特征的瀝青路面裂縫檢測方法，該方法如圖1所示。首先從瀝青路面圖像中提取含有裂縫的路面紋理數據，考慮到路面紋理和裂縫數據中尖銳邊緣和復雜特征結構的存在，提出一種結構保持型Retinex算法用于實現路面光照數據和路面紋理數據的分離，分離結果如圖1(b)所示。

圖1 基于光照特征與局部紋理特征的 瀝青路面裂縫檢測方法

其次，基于分離后的含有裂縫的路面紋理對圖像數據進行自適應百分比二值化。自適應百分比閾值法基于如下假設，如果在瀝青路面圖像數據中存在裂縫，其在局部范圍內裂縫像素的灰度值和紋理像素的灰度值具有共性。因此，自適應百分比閾值法先使用固定百分比將路面圖像初略分割成類似裂縫的像素子集Scrack和類似紋理的像素子集Stexture，由兩個子集的灰度差異特征，評估兩類像素的局部顯著性特征。根據局部特征從局部最小分割閾值Pmin至局部最大分割閾值Pmax間選擇一個合適的值作為先驗概率，對該圖像進行分區二值化，自適應百分比二值化之后的結果如圖1(c)所示。

最后，根據文獻[1,4-6]中對裂縫的局部特征，例如線性特征、長度特征和面積特征的量化描述，結合實際工程數據對裂縫連通域和紋理產生的噪聲連通域進行區分，達到裂縫檢測的目的，檢測結果如圖1(d)所示。

2.1 結構保持型Retinex算法

路面圖像檢測通常使用勻光算法處理，從圖像數據中去除光照信息提取紋理信息。Retinex算法[7]是其中的典型代表，該算法使用高斯濾波器估計光照分量區分紋理與光照，并基于理論拆分圖像數據中的光照信息與紋理信息。

由于尖銳邊緣和復雜特征結構的存在，高斯濾波器會破壞此類尖銳結構，對圖像數據中的光照信息與紋理信息進行錯誤的拆分。因此，本文所述算法改用引導濾波器對光照信息與紋理信息進行拆分，改進后的算法稱為結構保持型Retinex算法。同時，為了解決灰度歸一化導致的過/欠校正的現象，該算法引入相鄰路線圖像間具有連續的光照特征和紋理特征這一假設。

Retinex圖像理論認為圖像由光照分量和反射分量組成

I(x,y)=R(x,y)*L(x,y)

(1)

式中：I(x,y) 是帶有光照的原始圖像，L(x,y) 表示圖像的光照分量，R(x,y) 表示圖像的反射分量，(x,y)為圖像像素索引。

結構保持型Retinex算法將高斯濾波替換為引導濾波[8]，使用高斯濾波后圖像作為引導圖像G對原圖進行引導濾波，濾波后的低頻數據作為光照分量。使用式(1)求解反射分量，并將歸一化后的結果通過連續光照/紋理強度評估的方式進行增強。采用單尺度SSR算法[7]與結構保持型Retinex算法進行流程對比，如圖2所示。

圖2 Retinex算法流程及其改進

連續光照/紋理強度評估通過10張光照均勻的相鄰路面圖像完成。利用瀝青路面均勻光照均值ST，估計第i張圖像的校正灰度系數Ki，對濾波器的濾波強度進行線性校正，公式如下

(2)

其中，Si為待校正圖像的灰度均值

CorrectR(x,y)=R(x,y)*(1+Kt)

(3)

當待處理圖像的均值小于正常均值，圖像灰度值較低，Kt大于零，1+Kt為灰度值增大系數；當待處理圖像的均值大于正常均值，圖像灰度值較高，Kt小于零，1+Kt為灰度值減小系數，CorrectR(x,y) 為校正后圖像。

2.2 自適應百分比閾值法

百分比閾值法是一種簡單有效的閾值選取方法[1]，根據先驗概率P設置閾值，使圖像二值化后目標和背景像素的比例等于先驗概率。公式如下

(4)

其中，Thres為分割閾值，滿足方程

(5)

M、N為圖像的高度和寬度，hist(i)為圖像的灰度直方圖。

如圖3(a)、圖3(b)所示，對于連續、灰度特征明顯的典型裂縫，在m*m的窗口范圍內，使用1/m作為百分比進行分割，效果最理想，所有的數據都是裂縫沒有溢出，此時1/m稱之為最小選點比例

Pmin=1/m

(6)

理想情況下對窗口使用Pmin進行分割，判斷其中是否存在如圖3(a)和圖3(b)所示的典型裂縫。實際情況中，圖像經過結構保持型Retinex算法處理之后，雖然圖像光照均勻性和紋理顯著性得到改善，但陰影(樹木、指示牌、欄桿等產生的投影)和瀝青路面的材料特性產生的噪音依然不能完全排除，并且路面背景中包含污漬、灰塵和垃圾等干擾因素，無法有效分割目標與噪音，分割結果如圖3(c)和圖3(d)所示。

此外，對于裂縫顏色更深的干擾因素，若使用Pmin選點，裂縫會丟失，如圖4(a)所示，選出的對象如圖中的黑色方塊，是一系列離散的噪音而非連續的線段。此時，需要估計能夠完整選出裂縫的百分比P，即圖4(a)中黑色和灰色所代表的百分比。

圖3 百分比選點使用Pmin進行分割

圖4 百分比選點使用Pmax進行分割

如圖4(b)所示，裂縫在圖像中占比一般在20%以下[2]，超出該比例的二值結果會保留大量噪音，因此Pmax為20%。

自適應百分比閾值法以固定百分比將路面圖像粗略分割成像類似裂縫的像素子集Scrack和類似紋理的像素子集Stexture，根據這兩個子集的灰度差異特征，評估這兩類像素的局部顯著性特征。并根據這種局部特征從Pmin至Pmax間選擇一個合適的值作為先驗概率，對該區域進行二值化。

含有裂縫的瀝青路面圖像數據如圖5(a)所示。使用固定百分比閾值分割圖像，窗口大小128*128，固定百分比P為15%，分割之后的二值化數據如圖5(b)所示。紋理和裂縫具有不同的灰度分布特征，因此，分割之后的二值圖中裂縫數據和紋理數據呈現出不同的分布特征[9]。其中，裂縫灰度更深且具有一定的連續性，易形成完整的連通域，而紋理區域在二值化之后則表現為離散的連通域。

圖5 自適應百分比閾值法流程

圖5(b)和圖5(c)分別為含有裂縫的瀝青路面二值圖和不含裂縫的瀝青路面二值圖。以圖中面積最大的、線性程度最高的5個連通域(圖中高亮連通域)作為像裂縫的像素子集Scrack和像紋理的像素子集Stexture的分類約束條件。基于這兩個子集，計算圖像局部區域兩個子集的灰度差異特征Sg，作為評估這兩類像素的局部顯著性的依據

(7)

式中：label(i)為裂縫置信區域的閾值總和，sumpixel為裂縫置信區域像素點總數。

計算子塊圖像估計均值Sz，當Sg≤Sz時，式(5)中先驗概率P為0.15。Sg≤Sz表明在子塊圖像中，裂縫閾值較大，增大P值有利于充分保留裂縫信息。當Sg≥Sz，此時P取0.10，Sg≥Sz表明在子塊圖像中，可能出現的裂縫和噪音閾值較小，降低P值有利于減少噪音。

最后，設定值子塊最大和最小分割閾值。對于Sg≤Sz的子塊圖像，Pmax為全圖分割比率為0.2時的閾值，目的是避免分割閾值過高，引入更多噪音。對于Sg≥Sz的子塊圖像，Pmin為全圖分割比率為0.05時的閾值，目的是避免分割閾值過低，無法識別目標。

2.3 鄰域內特征匹配識別

圖像分割后存在大量噪音，通過對裂縫特性和噪音特性的分析，噪音連通域面積和裂縫連通域圓形度較小，以連通域面積篩選和圓形度篩選的方式去除噪音

(8)

式中：area為連通域面積，C為周長，Roundness為圓形度，ConD(i)表示圖像中連通域，Q為面積篩選度，Rth為圓形度篩選值，通過對10張百分比閾值法處理后圖像中所有連通域檢測并評估圓形度，當Q設為80時，取得較好效果，Rth設為0.2時能夠對噪音極大抑制而保留具有線性特征的連通域。

已有研究成果表明[1,6,9,10]，連續裂縫具有線性特征、長度特征和面積特征，不連續裂縫一般滿足聚集特征，而噪音滿足零散分布的特征。如圖6所示，鄰域內連通域的面積、長度和空間分布等特征是識別裂縫連通域和紋理連通域的重要特征。為了量化這些特征，裂縫的像素子集Scrack使用如下公式表述

Scrack={ConD(i)|ConD(Areai|Lenr)≤Areath,ConD(Leni|Lenr)≤Lenth}

(9)

式中：Lenr為固定鄰域半徑，Areai為連通域的面積，Areath是判定為裂縫的面積閾值，Leni為連通域的長度，Lenth為判定為裂縫的長度閾值。

圖6 鄰域內特征匹配去噪

裂縫在宏觀上呈現類似線狀特征，具有不連續的特點，空間上斷裂裂縫間距離較小，且噪音與裂縫長度、面積和圓形度差異明顯。文獻[6]提出裂縫面積一般大于100，裂縫目標和噪音背景的域內最遠距離在450～550之間，文獻[11]中規定輕度裂縫主要寬度小于或等于3 mm，本文以1 mm計算，長度閾值設置為100。考慮到裂縫不連續情況，適當調整文獻參數，基于表1所示參數對圖像數據中的連通域進行識別分類。分類結果如圖6所示，其中高亮區域為符合鄰域內特征的連通域。

表1 特征匹配參數

實現裂縫的特征匹配，核心是提取裂縫的鄰域特征[12]，基于裂縫與其附近的紋理數據識別裂縫。關鍵是找到符合的裂縫結構特征的字典，本文使用特征字典主要用于表達呈現局部線性特征，且稀疏的對象，依次作為約束條件提取置信裂縫。

3 實 驗

實驗使用的測試樣本為含有裂縫的瀝青路面圖像，分辨率2048*2048像素，由智能道路檢測車ZOY0 N-RTM采集。檢測車勻速行駛，并利用激光器、CCD相機和采集控制器組成的連續成像系統采集瀝青路面圖像數據。從采集到的數據中挑選500張含有裂縫的瀝青路面圖像，并分成3個子集：子集A為100張正常瀝青路面圖像，子集B為100張光照不均勻的瀝青路面圖像，剩余圖像作為子集C。

實驗過程包含2組對比實驗：第一組驗證結構保持型Retinex算法對路面圖像中結構紋理的保持和對光照不均勻的改善效果，實驗使用的測試樣本為子集B和子集C，使用信息熵、峰值信噪比和模糊系數為量化指標評定標準，并與使用相同的濾波器尺寸的單尺度SSR算法對照；第二組驗證不同光照條件下，本文所述裂縫檢測方法的準確度，實驗使用的測試樣本為子集A、子集B和子集C，使用查準率、召回率和F-measure作為量化評定標準。

3.1 結構保持型Retinex算法實驗

圖7包含裂縫的瀝青路面原始圖像，經過結構保持型Retinex算法處理后的結果，和相同濾波器尺寸下的單尺度SSR算法[7](對照組)處理后的結果。單尺度SSR算法使用高斯卷積核尺寸4*4，標準差15/√2(√表示根號)；結構保持型Retinex算法使用卷積核尺寸4*4，標準差15/√2的導向圖，引導濾波器局部窗口半徑64，正則化參數0.01。

圖7 單尺度SSR算法和結構保持型Retinex算法處理結果

圖7所示樣本來自測試樣本子集B，為典型的帶有不均勻光照的瀝青路面圖像，樣本(a)中光照不均勻現象由車輛行駛振動導致。其典型特征為沿行車方向周期性的條紋狀光照不均勻；樣本(b)中光照不均勻現象由車輛行駛姿態導致，其典型特征為垂直與行車方向的亮度分布不均勻，通常為一側亮一側暗；樣本c中光照不均勻現象由環境陰影導致，主要為護欄、樹木、標志牌等產生的陰影。

如圖7所示，單尺度SSR算法處理的圖像條紋陰影、光照不均勻和投影現象基本消除，但某些結構(例如標線)邊緣存在暈影現象。同時，單尺度SSR算法處理法對存在光照過處理和光照欠處理的現象，部分圖像整體較暗。結構保持型Retinex算法增強后的圖像光照更加均勻、圖像質量更加平滑清晰，且結構邊緣暈影現象得到極大的抑制。

使用信息熵(H)、峰值信噪比(PSNR)和模糊系數(K)為量化指標，評估結構保持型Retinex算法與單尺度SSR算法的處理效果。計算方式如下所示

(10)

式中：Pi表示圖像中灰度值為i的像素所占的比例，MAXx為圖像中最大像素值，M、N為圖像的高度和寬度，X為待評價圖像，Y為參考圖像，MSE為均方誤差。 |X′(i,j)|、 |Y′(i,j)| 為斜方向空間濾波后得到的值。實驗結果見表2。

表2 光照不均勻圖像處理效果對比

信息熵能夠反映圖像信息豐富程度，通常情況下圖像信息熵越大，數據離散程度越大，噪音越多。相較于單尺度SSR算法，本文算法處理車輛行駛振動和自然環境陰影時，有約15%的改善，處理自然環境陰影情況時，可能是陰影大面積存在，改善前后變化較小。峰值信噪比能夠衡量圖像失真或噪音水平，峰值信噪比越高，失真越小，圖像質量越好。相較于單尺度SSR算法，本文算法處理車輛行駛振動和自然環境陰影情況后，有約10%的改善，在處理車輛行駛姿態情況時效果最佳，有16%的改善。模糊系數能夠衡量圖像質量，越大質量越好。相較于單尺度SSR算法，本文算法處理車輛行駛振動和自然環境陰影后有40%以上的改善，在處理車輛行駛姿態時，效果較差，可能是圖像光照過暗，導致圖像失去了本身的紋理特征。

3.2 本文所述裂縫檢測算法實驗

圖8和圖9分別對比光照均勻和光照不均兩種情況下，本文算法的準確性。圖8(a)至圖8(c)分別為光照均勻情況下，橫向裂縫識別結果、縱向裂縫識別結果和網狀裂縫識別結果。與人工標記的真值作比較，本文算法對這3類裂縫均能較為完整識別。

圖8 光照均勻情況下，本文所述算法結果

圖9(a)至圖9(c)分別為光照不均勻情況下，橫向裂縫識別結果、縱向裂縫識別結果和網狀裂縫識別結果。與人工標記的真值作比較，本文算法也能對這3類裂縫較為完整識別。

圖9 光照不均勻情況下，本文所述算法結果

使用查準率(precision)、召回率(recall)和F-measure作為量化指標，將人工標與本文所述算法作比較。計算方式如下所示

(11)

式中：TP表示算法識別為裂縫且人工標記一致的像素數，FP表示算法識別為非裂縫但人工標記不一致的像素數，FN表示算法識別為裂縫但人工標記不一致的像素數。考慮到裂縫寬度的實際值、人工標記值和識別結果值三者之間存在的誤差余量，檢測結果中裂紋像素距離人工標記值2個像素內的曲線被認為屬于TP。

表3給出了本文方法的準確度。對于樣本子集A本文方法對3種典型裂縫的綜合查準率為0.9096，召回率為0.9370和F-measure為0.9380。本文所述方法對于橫向和縱向裂縫較好，F-measure達到了0.9221和0.9233，其中，縱向裂縫的檢測效果略優于橫向裂縫，縱向裂縫常由荷載不均導致，形狀與閾值特征更加顯著，因此更易通過特征匹配識別。本文方法對于網狀裂縫的識別效果最優，F-measure為0.9237，雖然網狀裂縫在交叉點附近(如圖8(c)和圖9(c)所示)識別效果較差，但網狀裂縫總體面積顯著大于橫、縱向裂縫，而誤識別區域相對較小，因此F-measure更高。

本文方法整體上能夠基于光照特征與局部紋理特征對瀝青路面裂縫進行有效的檢測，平均準確率達0.9096，召回率達0.9370，F-measure達0.9380。

表3 本文所述裂縫檢測方法的準確度

4 結束語

針對不均勻光照下的裂縫檢測，業內已有很多研究，但是因為光照問題的復雜性，難以完全消除光照影響。本文提出的結構保持型Retinex算法改進了傳統Retinex算法中高斯濾波和歸一化算法中存在的不足，改善了傳統算法導致的光照暈影和圖像紋理粗糙；其次，基于裂縫的局部顯著性特征，改進百分比閾值算法，獲取高信噪比的裂縫區域二值圖像；最后，建立高置信裂縫段的特征匹配機制，利用圓形度、面積、不同置信裂縫的類間歐氏距離進行置信連通域鄰域去噪，實現裂縫區域的提取。

實驗結果顯示，本文所述結構保持型Retinex算法能對光照不均勻的圖像做出顯著的改善，處理之后的圖像相較于單尺度SSR算法有10%～40%的改善。另一方面，本文所述路面裂縫檢測算法，對橫向裂縫、縱向裂縫和網狀裂縫也展現除了較好的識別效果，平均準確率達到0.9096，召回率達到0.9370，F-measure達到0.9380。

本文不足之處在于，由于本文使用的路面圖像數據多來自同一路段，對于不同紋理的路面和不同類型的裂縫的研究還不夠深入。由于材料特性和施工工藝的差異，不同路段的紋理特征和裂縫特征存在差異，理論上，需要先對紋理和裂縫的類型進行區分，才能更好完成特征匹配。