基于Retinex算法的水下堤壩裂縫檢測

高 欣，陳文靜，孫遠燦

（黃河水利職業技術學院，河南 開封 475000）

0 引 言

堤壩作為我國農業水利工程的主要設施，一般情況下溫度、水壓以及梯度等較多因素都會影響到堤壩的使用，導致其出現磨損、裂縫、氣蝕、滲透等問題，這些情況都會對堤壩的使用壽命造成威脅，讓周圍居民陷入危險。在以上情況中，堤壩裂縫發生的頻率較高，裂縫一旦存在，就會侵蝕到堤壩的內部，這將會對壩體造成嚴重的威脅；而水下的裂縫由于受水下環境的復雜性和多變性的影響，直接采集到的壩體圖像會出現對比度低、噪聲干擾大、亮度不足、偏色以及細節損失等問題，使得裂縫特征信息無法準確檢測出來。

圖像增強技術是校正圖像的主要技術，同時也是水下堤壩裂縫圖像檢測中重要的技術之一，一直以來倍受人們的關注與研究。目前，圖像增強技術發展迅速，已經被廣泛地應用到多個領域，如農業、醫學、軍事、地質研究以及衛星遙感技術等，在水下堤壩裂縫圖像的檢測技術中也是非常熱門。現有的水下裂縫檢測算法主要以形態學特征和灰度特征兩種方法為基礎，包括數學形態學、遺傳、神經網絡以及模糊邏輯方法等。然而，這些研究中仍需解決下述問題：（1）水下堤壩裂縫圖像的邊緣提取結果模糊不清，存在偽邊緣信息現象；（2）現有的算法在低對比度情況下，得到的特征區域不連續，導致目標檢測結果存在不完整性；（3）水中懸浮物會使水下圖像噪聲增大，水下光照不均勻也會增加圖像背景的顯著度，使圖像在檢測中存在大量的背景區域，導致了檢測率較低、誤報率增高。

本文提出了一種基于自適應閾值分割和Retinex理論的水下堤壩裂縫檢測與提取算法，用于檢測和提取線性裂縫。主要方法為：（1）多尺度導向濾波Retinex算法：對于邊緣位置不清晰、存在較大噪聲以及對比度不夠的問題，首先實現圖像色彩空間的轉換，由RGB變為HSV；之后借助導向濾波算法處理中的亮度圖像，實現其分量的估算；再通過直方圖裁剪、Gamma顏色校正處理和獲取照度圖像，運用Sigmoid函數對反射圖像進行增強，使水下堤壩裂縫圖像達到增強的效果。（2）自適應最大類間方差閾值分割算法：對光照背景部分顯著度增強導致檢測結果中存在大量的背景區域問題，應用自適應最大類間方差閾值分割以及形態學開運算處理方式獲取清晰的二值圖像，得到骨架圖像，同時細化線性裂縫，將其變為單像素寬度，計算白像素的個數和所占區域的面積，從而計算出裂縫的寬度，依據實際攝像機的分辨率大小乘以轉換系數便可以得出裂縫的實際尺度值。

1 Retinex算法

大腦皮層以及視網膜共同構成Retinex，從而對人眼形成圖像的過程進行模擬。Land是人類視覺的亮度和顏色感知的模型，與物體表面的反射特點存在關聯，與入射光的強度沒有關系。所以，將入射光從初始圖像進行提取，處理獲取的場景反射分量是Retinex算法的核心流程。如下式所示：

式中：代表反射圖像；代表原始圖像；代表照度圖像。反射分量可以判定一幅圖像的內在性質，也就是要得到的增強圖像；而照度分量則主管著圖像中像素能達到的動態范圍。估算初始圖像的照度分量，去除照度分量中光照不均勻的影響，分解出反射圖像，以達到改善圖像的視覺效果。

根據不同的照度分量估算方法的不同，現有的Retinex算法主要包含以下幾種：隨機路徑Retinex、MsCann’s Retinex、單/多尺度Retinex、中心/環繞Retinex和帶顏色恢復的Retinex 算法等。雖然采用上述常規算法也能夠起到增強圖像的效果，但是因為在將照度圖像去除、將反射圖像保留的算法應用過程中，使用歸一化后直接做反變換，就能夠將其中均勻的直流分量去除，在灰度拉伸的過程中無法將一部分特征考慮在內，導致從整體上圖像的亮度降低，因此存在局限性，那么增強效果就在色彩和亮度方面的處理上容易出現“光暈偽影”以及偏色問題。

2 多尺度導向濾波Retinex圖像增強

2.1 顏色空間轉換

根據水下裂縫圖像多變性的特點，為避免在后期特征提取中色彩失真會產生不利影響，本設計研究Retinex 圖像增強算法，該算法屬于多尺度導向濾波的一種。對于HSV顏色空間而言，飽和度、色調以及亮度三者相互獨立，而且與人的視覺感知特性相互對應。因此，該顏色空間能夠對多分量進行直接操作，避免了RGB顏色空間中對R、G、B三原色的直接操作，這樣也不會對原始圖像中的色相和飽和度造成不利的影響。通過空間轉換的方式處理初始圖像（），變為HSV顏色空間中的色調圖像IH（，）、飽和度圖像IS（，）以及亮度圖像IV（，），只需要對亮度圖像IV（，）進行計算就可以估算出照度分量。

2.2 以引導濾波為基礎的照度分量估計

以Retinex為基礎的圖像增強算法在增強圖像的過程中，對比度比較高的邊緣區域經常會出現“光暈偽影”，一部分專家在選擇環繞函數時不再使用高斯濾波，而是選擇邊緣保持的雙邊濾波。通過這種方式完成對光照分量的估算，這種算法雖然能夠在一定程度上改善圖像的質量，在應用雙邊濾波算法完成平滑處理過程中有助于圖像細節信息的保留，但是該算法復雜度高，導致耗時較長，降低了執行效率。為了改善以上問題，本文采用能夠產生相同效果的導向濾波算法來估算照度分量，導向濾波在運算過程中主要借助于積分圖像技術和盒濾波技術完成，應用詞算法時的執行效率與濾波窗口的大小之間沒有關聯，降低了運算的復雜度，所以雙邊濾波算法在估算照度分量時的效率會更高。

式中：R(,)為對數形式下的反射分量；為導向濾波函數。導向濾波可表示為局部線性模型：

式中：q代表圖像I窗口ω中像素處的線性變換灰度值；為窗口ω的中心像素；在窗口ω中系數a和b為常數。這個模型在圖像摳圖、圖像超分辨率重建和圖像去霧中也經常應用。局部線性系數a和b通過下式進行求解：

式中：u和σ分別為圖像窗口ω中像素的均值和標準差；N為窗口ω中的像素數量；為正則化參數，該參數能夠將平滑與邊緣得到很好的平衡，正則化參數越大證明平滑性越好，其邊緣的保持性也就越差。為了保證穩定的q，就要做平均值化處理，將式（3）的線性模型應用到整幅圖像，得到導向濾波函數，如下式：

2.3 校正照度分量圖像

借助照度估算的處理方式處理輸入圖像就能夠獲得相應的照度圖形。本文采用直方圖方法進行截取，將兩端位置的像素局部進行截取，再將剩余的圖像像素壓縮到[0，1]的范圍內，并選擇應用優化后的Gamma校正算法完成校正，通過線性拉伸的方式完成相關計算，從而獲取照度圖像。

優化后的Gamma校正為：

式中：是原像素值；()表示輸出值；是控制參數。不同的代表校正函數存在區別，隨著值不斷變小，針對整體亮度不夠的圖像而言效果更好。

2.4 增強反射分量圖像

將原始圖像與照度圖像進行差運算便可得到反射分量圖像。反射分量圖像含有圖像的細節信息，增強反射分量圖像對整個圖像的增強效果非常重要，再通過對數變換處理后就會壓縮圖像的灰度范圍，亮度也會有一定程度的降低，所以需要對其進行增強處理。Sigmoid函數是一種常見的S型函數，又稱S型生長曲線，由于具有單增以及反函數單增等性質，被廣泛應用于圖像增強中。為了提升圖像的亮度與動態范圍，本課題選擇應用優化之后的自適應權值Sigmoid函數增強反射分量圖像。如下所示為相關定義：

式中：代表權重系數，能夠對增強的程度進行調整；表示反射圖像的亮度，由于反射分量圖像相對應的亮度值包含在所屬范圍之內，所以會有負值出現的可能。隨著值的增大，增強反射分量圖像的作用就會更加明顯。

2.5 顏色空間恢復

由于圖像增強算法對噪聲較為敏感，在實際增強中容易產生顏色失真的情況。為了避免這一情況發生，本文通過顏色空間轉換的方法，將顏色空間由(,)轉換為(,)，從而恢復顏色空間，即：

式中：為增益參數；用于調節彩色整體亮度；用于調節增強處理后圖像色彩所占的比重；C(,)為顏色恢復函數；(,)表示最終獲得的反射分量增強圖像。

算法提出的過程如下：（1）轉換顏色空間，從RGB變成HSV；（2）對原始圖像取對數處理；（3）利用導向濾波算法，將進行對數運算處理后的圖像進行操作估算，從而獲得相對應的照度分量圖像；（4）借助直方圖截取方式，將上一步驟中照度分量圖形兩側像素的1%全部去除，隨后用改進的Gamma函數對圖像進行校正；（5）把照度分量以及初始圖像進行求差運算，從而得到反射圖像；（6）應用函數Sigmoid，從整體上將反射分量圖像的亮度進一步提高；（7）通過指數化處理，實現顏色空間的轉換，再將HSV變為RGB顏色空間，同時將亮度提高之后輸出圖形。

2.6 實驗結果與分析

為檢測本文算法的增強效果，分別選擇存在泥土的、暗光的、進行弱化之后的和高曝光的水下堤壩裂縫圖形作為實驗目標，完成圖像增強實驗。為了能夠量化地評價圖像增強質量效果，本文采用能夠檢測圖像亮度的均值與衡量圖像對比度的標準差以及具備評價圖像細節信息的熵對圖像進行量化評價。

為了證實本文算法的優越性，本文采用了三種常用的水下圖像增強算法進行比較。通過實驗可以得出，采用MSR算法、Frankle-McCann算法、MSRCR算法、本文算法對水下圖像進行增強處理后圖像的質量都有了顯著的提高。從直觀來看，圖1～圖4中，采用Frankle-McCann算法時增強強度不夠，具有較小的對比度，而且針對細節而言增強效果更差；應用MSRCR和MSR算法時，則會發生過正常情況，而且特別可能會發生偏色，在邊緣細節的增強效果較差，例如在一些亮度高的圖像區域容易出現“光暈偽影”，這對以后的圖像檢測效果會產生較大的影響；相比之下，本文算法增強效果更加顯著。從客觀來看，表1～表4中，圖像質量客觀評價標準中本文算法的均值、標準差、熵值都有明顯增加。由此證明，本文算法不僅可以提升圖像的亮度，增強圖像的對比度，圖像的細節信息也能很好地呈現，避免了高亮度區域增強后出現的顏色失真與“光暈偽影”的情況，水下裂縫圖像增強效果最為明顯。

表1 帶有泥土圖像質量客觀評價標準

表2 弱化圖像質量客觀評價標準

表3 暗光圖像質量客觀評價標準

表4 曝光度高的圖像質量客觀評價標準

圖1 帶有泥土圖像增強算法效果

圖2 弱化圖像增強算法效果

圖3 暗光圖像增強算法效果

圖4 曝光度高的圖像增強算法效果

3 水下裂縫圖像特征提取

因為水下圖像具有較大噪聲，而且對比度不強，受到不均勻的光照導致圖像的特征提取也很困難。如果選擇應用常規的二值化處理及邊緣檢測方式通常會攜帶較多的背景信息。針對該問題，本課題選擇應用自適應最大類間方差閾值分割的算法，以其灰度特點作為依據完成目標和背景兩部分的劃分；在這兩類的類間方差達到極限值的情況下能夠獲取最好的二值化閾值。隨后再對該圖像做形態學處理，采用開運算去除突出的噪點，效果顯著。方差的計算公式為：

式中：代表在圖像像素中背景所占比值，代表目標所占比值；代表背景像素灰度均值，代表目標像素灰度均值。當類間方差值最大時，從個灰度級遍歷，從而使得對于某個值背景和前景都具有最大的方差值，就能夠獲取分割閾值的最優值。實驗結果如圖5所示。

圖5 本文增強算法最大類間方差開運算效果

由圖5可知，采用開運算方法對水下線性裂縫圖像進行處理，不僅能使分割后的裂縫得到較好的修復，也讓目標物的大小得到很好的保持。

4 水下裂縫特征參數的提取

將得到的二值圖像進行特征參數提取，如圖6所示，圖中白色區域為目標裂縫，黑色區域為圖像背景。通過無限大骨架提取方法對線性裂縫進行提取便可估算出線性裂縫的長度，再求取白色像素所占的區域面積，進而便可求出裂縫的寬度。

圖6 骨架提取

由圖6可以看出，將經過最大類間方差開運算的堤壩裂縫效果圖進行無限大的骨架提取后，線性裂縫便細化為單像素寬。由此便可估算出裂縫的長度、寬度、面積等值，再依據實際攝像機的分辨率大小乘以轉換系數就可以求得裂縫的實際參數值。表5所列為提取的上述圖像的參數數據。

表5 圖6參數計算結果（單位：像素）

表5中，area1表示目標裂縫的的面積值，area2表示無限骨架提取后單像素線性裂縫的面積值，width表示裂縫的寬度值。由于通過上述方法求取的值是用像素點來表示的，因此在標定實際圖像時要求以攝像機的分辨率作為參考，并獲取圖像內部不同像素點長度的實際值，得到轉換系數，通過計算獲取的像素點數量與乘積，就能夠得到實際的裂縫長度、寬度以及面積。即：實際線性裂縫長度=num（裂縫像素個數）×（轉換系數）。

5 結 語

本文以水下堤壩裂縫圖像作為研究目標，深入分析圖像的增強、檢測以及提取算法，提出了一種新的檢測方法。通常情況下，水下堤壩裂縫圖像的邊緣位置不夠清晰，存在噪聲較多且分辨率和對比度不夠等一系列問題。首先在預處理階段為了獲取更好的效果，選擇應用Retinex圖像增強算法；之后為了使裂縫二值圖像更加清楚，選擇應用最大類間方差閾值分割以及形態學進行處理；經過相關處理之后最終獲得了與圖像相關的裂縫特征參數數據。通過實驗說明，應用以上算法對于復雜度較高的水下環境中的裂縫能夠進行有效檢測，同時還能夠更加準確地提取相關參數值。本文方法能有效地檢測出堤壩的裂縫，并且能夠提供裂縫的參數信息，對于我國堤壩安全防治而言具有較大價值。