裂縫檢測中的圖像處理技術★

金 靈,陳曹陽

(長沙理工大學土木工程學院，湖南 長沙 410114)

陳曹陽(1997- )，男，在讀碩士，從事結構工程研究

1 概述

數字圖像處理是利用計算機對圖像進行變換、增強、復原、分割、壓縮、分析、理解的理論、方法和技術[1]。數字圖像處理自20世紀50年代提出后，已在多個學科中成功應用，如：航空航天[2]、衛星遙感[3]和醫學影像等[4]。

目前，裂縫檢測的主要方法仍然是以人工檢測為主。裂縫的人工檢測方法存在費用高，效率低以及人員安全無法保障等問題。裂縫檢測技術與圖像處理技術相結合能夠解決人工檢測技術的困境。通過采集設備代替人工識別裂縫并計算裂縫寬度、長度，能夠大幅度提升裂縫檢測的安全以及效率。因此，圖像處理技術與裂縫檢測技術融合已成為發展趨勢。

2 裂縫檢測技術

基于圖像處理技術的裂縫檢測流程如圖1所示。裂縫檢測主要包括圖像采集、灰度化、去噪、圖像增強以及圖像裂縫檢測五個部分。

2.1 灰度化處理

直接對RGB圖像進行圖像處理存在著數據量巨大，效率低等問題，所以需要對裂縫圖像進行降維處理，即灰度化處理。灰度圖像是單通道圖像，像素點取值范圍為0～255，僅有256階。處理灰度圖像可以大幅度降低運算量，提升運算速度?；叶然幚矸椒ㄖ饕譃樽畲笾捣?、加權法和平均值法三種。

最大值法即取RGB通道內像素點的最大值作為灰度值，原理如式(1)所示。

GRAY(i,j)=max{R(i,j),G(i,j),B(i,j)}

(1)

其中，i為元素的行數;j為元素的列數;GRAY(x,y)為灰度通道內元素值;R(i,j)為R通道內元素值;G(i,j)為G通道內元素值;B(i,j)為B通道內元素值。

使用加權平均法進行灰度化處理時，灰度值為R,G,B三通道像素值的加權平均結果。常用的加權平均參數如式(2)所示。

GRAY(x,y)=0.299×R(i,j),0.587×G(i,j),0.114×B(i,j)

(2)

平均值法是特殊的平均值法，即所有加權參數均為1/3。三種方法中最大值法灰度化后圖像對比度最高。

2.2 圖像去噪

噪聲是圖像識別精準度的主要干擾因素，當光照條件不理想時，圖像的噪點將會增多。噪聲是影響裂縫檢測精度的主要因素，因此需要盡可能地去除噪聲圖像，去噪技術主要分為空域濾波與頻域濾波兩類。

2.2.1 空域濾波

空域濾波是指在圖像的空間域對圖像的灰度值直接進行操作的去噪方法，空域濾波主要考慮和處理像素點與周邊像素點之間的關聯，主要的空域濾波方法有均值濾波、高斯濾波和中值濾波等。

均值濾波屬于線性平滑濾波方法，其中均值濾波是空域濾波中的基礎方法之一。它的基本原理是選擇一個目標像素點，賦予其一定鄰域內的所有像素點灰度值的平均值。

去噪后圖像為原圖像與局部算子的卷積結果，噪點在經過均值濾波后會大幅度降低，通過迭代的方式能提高均值濾波的效果[5]。然而均值濾波處理后的圖像的對比度會下降，模板越大，邊緣越模糊。

高斯濾波與均值濾波相似，屬于線性平滑濾波方法。通過選取某一像素點的鄰域，根據高斯正態分布曲線求加權平均值作為新的像素點的像素值。通過降低像素點間的差值達到消除噪點的目的。

線性平滑濾波會造成圖像邊緣模糊，難以達到令人滿意的效果，因此，研究者們設計了非線性平滑濾波器。其中中值濾波[6]的應用最為廣泛。中值濾波對于椒鹽噪聲有較好的濾波效果，但對于高斯噪聲效果不理想，對于點線多的圖像中值濾波的去噪效果較差，丟失細節。因此，中值濾波不適合于裂縫圖像的去噪處理。

2.2.2 頻域濾波

頻域濾波是將圖像由二維空域轉換到一維頻域進行處理的濾波方法[7]。頻域中幅度為像素點的灰度，頻率為灰度變化的快慢。使用傅里葉變換將圖像由空域轉換至頻率后，噪聲在頻域中表現為高頻成分。因此，通過構造低頻濾波器，可以有效的對噪聲進行過濾。頻域濾波的濾波過程如式(3)所示。

(3)

其中，f(x,y)為原圖像;DFT為離散傅里葉變換;F(x,y)為f(x,y)經過傅里葉變換后得到的頻域函數;H(u,v)為濾波器;G(u,v)為低頻濾波后得到的函數;g(x,y)為進行反傅里葉變換后輸出的圖像。

基于小波變換的降噪方法主要有形式簡單的閾值法和使用先驗概率模型，如廣義高斯模型[8]，高斯混合模型[9]等基于貝葉斯估計理論的降噪方法。其中閾值法效果較差，且需要設定閾值，但是具有計算速度快，程序簡單，便于實現的優點。因此，在閾值法基礎上，研究者們提出了各種自適應閾值的閾值法去噪，在一定程度上彌補了閾值法的缺陷[10-13]。閾值法濾波如圖2所示，閾值大小為100。

2.3 圖像增強

圖像增強能夠提高圖像的對比度，突出細節信息，使裂縫更容易被人和機器識別。好的圖像增強算法應該能有效抑制噪聲，并且使圖像具有良好的視覺效果。其中，應用最為廣泛的圖像增強算法有直方圖均衡算法和Retinex算法等。

2.3.1 直方圖均衡法

灰度直方圖表能夠反映每一灰度級在圖像中出現的頻率。其中橫坐標表示灰度級，縱坐標表示頻數或頻率。通過直方圖能夠了解圖像的對比度和動態范圍，灰度分布越平均，對比度越高，灰度分布越廣，動態范圍越大。直方圖均衡后的直方圖對比如圖3所示，通過拉伸圖像的灰度，使灰度分布更廣更均勻，從而提升圖像整體的對比度和動態范圍。直方圖均衡法算法具有實現簡單，處理快捷的優勢，可用于裂縫的實時檢測。然而，使用直方圖均衡法增強后的圖像往往存在亮度不均勻、細節部分消失、對比度過分增強等問題。

2.3.2 Retinex圖像增強算法

“Retinex”一詞由Retina(視網膜)及Cortex(大腦皮層)兩個單詞合成，Retinex是20世紀60年代由E.Land等[14]所提出的一種基于顏色恒常性的色彩理論。Retinex理論及基本原理如式(4)所示。原始圖像模型s(x,y)是由照射圖像L(x,y)和反射圖像R(x,y)的乘積構成。

S(x,y)=L(x,y)×R(x,y)

(4)

目前，基于中心環繞的Retinex算法被廣泛的接受和傳播，然而，該類算法仍然存在著一定缺陷?？臻g上Retinex算法假設光照變化是比較平滑的，與事實不符。為此陳超[15]將Retinex中使用雙邊濾波替換高斯濾波。

2.4 裂縫檢測

裂縫檢測主要通過圖像分割算法將裂縫從背景中分割出來。圖像分割算法是圖像處理技術的重要分支，在裂縫識別方法中占據重要地位。圖像分割算法主要分為閾值分割與基于邊緣檢測的圖像分割方法。

2.4.1 閾值分割

早期的圖像分割主要通過設定合適的閾值實現，即閾值分割。最常用的閾值分割法有最大類間方差法(Ostu法)[16]與最大熵法[17]。進行圖像處理時，圖像灰度變化劇烈的位置被認為是圖像的邊緣處。因此，通過設定合適的閾值T，如式(5)所示。對輸入圖像f(x,y)進行二值化得到輸出圖像g(x,y)，能夠實現裂縫的分割。

(5)

閾值分割的核心是設置合適的閾值，這也是閾值分割法最大的缺點。閾值分割法方法簡單，容易實現，處理速度快，但是卻需要人工設定閾值。此外，閾值法受噪聲干擾嚴重，只適用于灰度均勻分布，變化小，物體與背景有較強對比的圖像。因此，閾值法常與其他分割方法結合使用。

2.4.2 基于邊緣檢測的圖像分割

圖像中灰度值梯度較大的像素點為可能的邊界點。檢測出所有可能的邊界點后，連接相鄰的邊界點，便能得到目標物體的邊界輪廓，實現圖像分割。

實現邊緣檢測操作需要使用微分算子，通過模板與圖像的卷積得到圖像的邊緣。常用的一階微分算子有Roberts算子、Soble算子、Prewitt算子[18]和Canny算子[19]等。其中Canny算子是應用最廣，最受歡迎的算子。然而，Canny算子對噪聲尤為敏感且需要手動設置雙閾值，為此，研究者們提出了一系列自適應的Canny檢測方法[20-21]。二階微分算子有Laplace算子、LOG算子等，二階算子雖然對邊緣的定位能力更強，但是噪聲對檢測結果的影響加倍，因此很少直接用于圖像邊緣分割。

使用一階算子對灰度圖像直接進行圖像分割的效果如圖4所示，圖像存在大量噪聲。

3 結語

本文首先介紹了基于圖像處理技術的裂縫檢測方法的檢測流程。之后，針對灰度化、圖像去噪、圖像增強以及圖像分割方法展開了論述。目前，圖像處理技術在裂縫檢測方面的研究仍處于初步階段，具有較大的研究價值。