基于公路缺陷自動化檢測的圖像預處理技術研究

摘要：傳統圖像預處理技術在公路缺陷自動化檢測中，因無法及時調整參數以適應不同公路和環境變化，導致適應性差，易造成誤檢和漏檢。本文提出了一種名為PTAGD的圖像預處理技術，利用改進的圖像增強和混合雙濾波方法處理公路圖像。實驗結果表明，PTAGD在公路缺陷自動化檢測中對不同公路和環境變化的適應性優于現有方法，信噪比、熵、紋理清晰度和對比度均有所提升。

關鍵詞：公路缺陷；圖像預處理；CLAHE

中圖分類號：TP391.41" " 文獻標識碼： A

文章編號：1009-3044（2025）07-0119-04

開放科學（資源服務） 標識碼（OSID）

0 引言

隨著計算機視覺和圖像處理技術的發展，這些技術在公路缺陷自動化檢測中的應用日益廣泛。通過對公路圖像進行預處理和分析，可以自動、快速地識別缺陷，從而大幅提高檢測效率和準確性。圖像預處理是整個檢測過程中的關鍵步驟。

張衛東[1]等人提出了一種基于多通道卷積顏色恢復多尺度Retinex的單幅圖像去霧方法；曹海杰[2]等人提出了一種自適應逆直方圖均衡化細節增強算法；裴春陽[3]等人提出了基于引導濾波和稀疏表示的雙尺度多模態醫學圖像融合；汪子君[4]等人提出了一種基于引導濾波的自適應紅外圖像增強改進算法；劉沛津[5]等人提出了一種基于引導濾波的新穎紅外與可見光圖像融合算法；上述算法適用于特定場景且參數固定。然而，在公路缺陷檢測中，用戶無法調整參數，固定參數難以適應不同公路和環境變化，從而影響檢測效果。

本文介紹了一種圖像預處理技術PTAGD（Image Preprocessing Techniques Based on Automated Ground Defect Detection） ，旨在通過改進的圖像增強和混合雙濾波處理公路圖像，有效去除噪聲并保留邊緣信息，以增強重要結構信息，即便在不同公路和環境變化下也能保持圖像質量。

1 算法基礎

1.1 限制對比度的自適應直方圖均衡化（CLAHE）

限制對比度的自適應直方圖均衡化（CLAHE） 用于增強圖像局部對比度，尤其適用于光照不均的圖像。CLAHE通過分塊處理圖像并限制對比度來抑制噪聲，原理如下：

1） 分塊。將灰度圖像劃分為若干個小的非重疊區域?k，稱為“上下文區域”。

2） 局部直方圖的計算。對每個上下文區域?計算灰度直方圖，計算公式如下：

[[H?（i）=（x，y）∈?δ（Igray（x，y）-i）]" （1） ]

式中，δ是Kronecker delta函數；Igray（x，y）是圖像在位置（x，y）處的灰度值；i為灰度級別，總數為L。

3） 對比度限制。設定對比度限制閾值T，將直方圖中超過T的灰度級別數量限制為T，限制后的直方圖公式如下所示：

[[H′?（i）=H?（i）T" " " " " H?（i） ≤TH?（i） gt; T]" （2） ]

式中，CLAHE的參數clipLimit和T存在一定關系，假設上下文區域像素總數為|?|，計算公式如下：

[[T=clipLimit×?L] （3） ]

4） 重新分布灰度級別。計算多余像素數S，將超過T的部分均勻分布到所有灰度級別，計算公式如下：

[[S=i=0L-1max（H?（i）-T，0）] （4） [H″?（i）=H′?（i）+SL] （5） ]

5） 計算累積分布函數CDF，計算公式如下：

[CDF?（i）=j=0iH″?（j）]

6） 應用直方圖均衡化，計算公式如下：

[[IE（x，y）=CDF?（Igray（x，y）-CDF?（0））?-CDF（0）×（L-1）]" （6） ]

7） 插值處理。由于圖像分為多個上下文區域進行了灰度值處理，它們之間會存在邊界效應，故須通過雙線性插值平滑過渡，考慮包含像素（x，y）的四個上下文區域即?1，?2，?3，?4，則插值公式如下：

[[Ifinal（x，y）=k=14ωkI?k（x，y）]" （7） ]

式中，[I?k]為上下文區域?k的均衡化結果；ωk為權重系數。

1.2 雙邊濾波

雙邊濾波是一種結合空間和顏色信息的非線性圖像平滑技術，能夠在減少圖像噪聲的同時有效保留邊緣細節，避免傳統濾波方法常見的邊緣模糊問題。雙邊濾波的計算公式如下：

[[J（p）=q∈ΩA（q）?fr（||A（q）-A（p）||）?fs（||q-p||）q∈Ωfr（||A（q）-A（p）||）?fs（||q-p||）]" （8） ]

式中，Ω是p的鄰域；C（p）和C（q）是圖像A在位置p和q處的像素值；fr是像素值差異的顏色域權重函數，fs是基于像素位置距離的空間域權重函數，分別與σs空間域參數和顏色域參數σr有關，由用戶手動設置，兩者都是曲線的高度為1的高斯函數。

1.3 引導濾波

引導濾波是一種局部線性濾波技術，它利用導向圖像來指導輸入圖像的平滑處理。這種濾波器在保持邊緣的同時，能有效去噪和增強細節。它涉及兩個圖像，輸入圖像C和導向圖像D，在一個局部窗口ωk內，假設它們滿足局部線性關系，通過計算這些局部線性模型的參數來實現圖像的平滑。引導濾波的計算公式如下：

[[Ci=akDi+b k" ?i∈ωk] （9） ]

式中，Ci是輸入圖像C在位置i處的像素值；Di是導向圖像D在位置i的像素值；ak和bk是局部窗口ωk內的線性系數，計算公式如下：

[[ak=1ωki∈ωkDiCi-μkCkσ2k+ε]" （10） [bk=Ck-akμk]" （11） ]

式中，μk是導向圖像D在窗口ωk內的均值；σk2是導向圖像D在窗口ωk內的方差；[Ck]是輸入圖像C在局部窗口ωk的均值；正則化參數ε控制平滑的程度，平衡導向濾波處理后的圖像的去噪效果和細節保持。

最終的輸出圖像F通過線性變換得到以下計算公式：

[[Fi=aiDi+bi] （12） ]

式中，Fi是精細處理后的輸出圖像在位置i處的像素值；[ai]和[bi]分別是以像i為中心的所有局部窗口ωk內ak和bk的均值。

2 圖像增強方法

環境光照和曝光可能影響公路圖像處理，導致陰影和對比度問題。常用的增強方法包括伽馬校正、對數變換、直方圖均衡化和CLAHE。然而，這些方法的全局處理和參數依賴性可能在實時圖像處理時效果不佳。因此，本文提出結合伽馬校正、CLAHE和圖像統計特征的算法。

首先進行伽馬校正，接著應用改進的CLAHE，該方法通過利用圖像統計特征來動態調整clipLimit，以自適應不同圖像內容，增強對比度并抑制噪聲，從而實現更佳的增強效果，其中CLAHE的改動原理如下。

1） 計算平均亮度。平均亮度是圖像所有像素灰度值的平均值，反映圖像整體的亮度水平，計算公式如下：

[[mean_intensity=1Ni=1Nri] （13） ]

式中，ri是第i個像素的灰度值，N是圖像的總像素數。

2） 基于圖像的平均亮度，對clipLimit進行調整。設置一個基礎經驗值clipLimit_base。如果圖像的平均亮度較低，例如小于60，圖像較暗，需增強對比度，則clipLimit_base的值增加常數t0，增加對比度，如不小于180，圖像較亮，則clipLimit_base的值減少t0，降低對比度而抑制噪聲，計算公式如下：

[[clipLimit=clipLimitbase+t0clipLimitbase-t0clipLimitbase" " mean_intensitylt;60mean_intensity≥180otherwise]" "（14） ]

3） 計算噪聲。采用塊匹配噪聲估計法，計算輸入灰度圖像和經過基于圖像平均亮度調整的clipLimit處理后的圖像的噪聲值，即noisegray和noise。將圖像分割成M×N的小塊，計算每個塊的方差，取方差的中位數作為噪聲方差，計算公式如下：

[[noise0=median（var（blockij））]" （15） ]

式中，block ij是位于位置（i，j）的小塊。

4） 噪聲反饋調整。當噪聲大于noisegray的1.2倍時，降低clipLimit值減小常數t1以減少對比度增強并抑制噪聲，計算公式如下：

[[clipLimit=clipLimit-t1 clipLimitnoise≥1.2?noisegrayotherwise] （16） ]

3 濾波處理

增強圖像H進行濾波處理以去噪和平滑。傳統方法如中值、均值和高斯濾波難以平衡噪聲與細節。本文提出混合雙濾波算法，結合自適應雙邊濾波和引導濾波，根據圖像局部特性調整參數，有效去噪并保留細節，其原理如下：

1） 通過自適應雙邊濾波處理增強圖像H得到圖像G。與傳統雙邊濾波不同，自適應雙邊濾波的參數σs和σr會根據圖像的局部梯度信息動態調整，從而在去噪的同時更好地保留圖像邊緣和細節。

①自適應空間域參數σs。空間域參數σs決定了濾波器對像素位置的敏感性。在自適應雙邊濾波中，空間域參數σs，根據圖像的梯度信息進行調整，計算公式如下：

[[σs（i，j）=σs0?1+GH（i，j）GHmax] （17） ]

式中，σs0是基準空間域參數，通常為一個常數，Hmax是圖像梯度幅值的最大值，用于歸一化，GH（i，j）是輸入圖像H在像素（i，j）處的梯度幅值，由Sobel算子計算得到，計算公式如下：

[[GH（i，j）=?GH（i，j）?x2+?GH（i，j）?y2] （18） ]

在邊緣區域，梯度GH（i，j）較大，導致σs（i，j）增加，濾波器在這些區域對空間位置更加敏感，從而減少平滑效果，保留邊緣細節；在平坦區域，梯度GH（i，j）較小，σs（i，j）接近σs0，此時濾波器的行為與傳統雙邊濾波類似。

②自適應顏色域參數σr。顏色域參數σr決定了濾波器對像素值差異的敏感性。在自適應雙邊濾波中，σr同樣根據圖像的梯度信息進行調整，公式原理和自適應空間域參數σs一致。

2） 通過自適應引導濾波進行精細處理。將圖像G作為導向圖，圖像H作為輸入圖。與傳統引導濾波不同，自適應引導濾波根據圖像梯度信息動態調整正則化參數ε，以保留細節并有效去除噪聲。ε（i，j）動態調整的計算公式如下：

[[ε（i，j）=ε0?1+G（i，j）G′max]" （19） ]

式中，ε0是基準正則化參數。G′max是導向圖像G梯度幅值的最大值，用于歸一化，G′（i，j）是導向圖像G在像素（i，j）處的梯度幅值，由Sobel算子計算得到，計算公式如下：

[[G（i，j）=?G（i，j）?x2+?G（i，j）?y2] （20） ]

在邊緣區域，導向圖像的梯度G′（i，j）較大，導致ε（i，j）增大，濾波器在這些區域會減少平滑效果，保留邊緣細節；在平坦區域，梯度較小，ε（i，j）接近0，此時濾波器會更好地平滑噪聲。

4 試驗與結果

4.1 圖像增強

圖1為3種常用方法和本文使用方法對A、B、C、D 4張圖像進行圖像增強的示例效果圖。研究表明，伽馬校正和對數變換會顯著降低圖像對比度和熵，導致信息丟失，不利于檢測。直方圖均衡化易引入噪聲，對比度過強，也不適合檢測。相比之下，本文方法優化了圖像的對比度、熵和紋理清晰度，有效抑制噪聲，滿足實際檢測需求。

4.2 混合雙濾波處理

圖2為3種常用方法和本文方法對A、B、C、D 4張圖像處理后的示例效果圖。效果表明，常用的3種濾波方法無法平衡噪聲和圖像的平滑程度，且容易導致圖像失真，而本文采用的混合雙濾波處理在去噪的同時增加了圖像平滑程度，信噪比和紋理清晰度也有所優化，滿足實際要求。

5 總結

本文提出PTAGD方法，通過改進的圖像增強和混合雙濾波處理，實現圖像預處理的自適應調整，以適應不同公路和環境變化，減小自動化檢測中不可調整參數的影響。表1展示了算法處理后圖像質量與原圖質量的對比評價。

視覺觀察和圖像質量評價表明，該方法在公路缺陷自動化檢測中提高了圖像對比度、去噪效果和邊緣保留能力，且適應性優于現有技術。與原圖相比，信噪比、熵、紋理清晰度和對比度等指標均得到改善，滿足實際應用需求。

參考文獻：

[1] ZHANG W D，DONG L L，PAN X P，et al.Single image defogging based on multi-channel convolutional MSRCR[J].IEEE Access，2019，7：72492-72504.

[2] 曹海杰，劉寧，許吉，等.紅外圖像自適應逆直方圖增強技術[J].紅外與激光工程，2020，49（4）：256-262.

[3] PEI C Y，FAN K G，WANG W S.Two-scale multimodal medical image fusion based on guided filtering and sparse representation[J].IEEE Access，2020（8）：140216-140233.

[4] 汪子君，羅淵貽，蔣尚志，等.基于引導濾波的自適應紅外圖像增強改進算法[J].光譜學與光譜分析，2020，40（11）：3463-3467.

[5] LIU P J，ZHANG L C，LI M Y，et al.An efficient algorithm to highlight details in infrared and visible image fusion[J].IEEE Access，2021，9：110223-110235.

【通聯編輯：梁書】