一種基于主動輪廓模型的路面裂縫檢測方法技術

本發明專利技術提供一種對路面圖像增強的方法、以及一種基于主動輪廓模型的路面裂縫檢測方法，包括以下步驟：對路面裂縫圖像對比度增強；對經過對比度增強后的圖像，進行路面裂縫區域精確檢測；基于精確檢測結果，對路面裂縫進行分類。本發明專利技術的技術方案可對自然場景中高速運行過程中獲得的各種裂縫圖像進行自動識別。利用該方法可對裂縫可疑區域實現高精確性定位，并采用多示例分類方法對定位錯誤的區域進行魯棒性識別。

【技術實現步驟摘要】

本專利技術涉及一項自動檢測技術，尤其是一種對路面圖像增強的方法、。
技術介紹
裂縫是公路路面最常見的病害，對公路的危害極大。特別在冬季和春季，因時有雨、雪滲入，在行車荷載的作用下，使本來就處于裂縫狀態的路面病害更加嚴重。路面病害發現不及時，為道路養護工作帶來很多麻煩，增加養護成本，一定程度上也使得道路養護的滯后。路面裂縫檢測傳統的方法是采用人工現場目測丈量與調查的方法。這種方法存在主觀判讀誤差，效率低，大大影響了公路破損程度信息的及時性、科學性、準確性。因此，采用圖像處理和模式識別技術，研究路面裂縫自動檢測方法，開發和設計快速、高效、準確的路面裂縫自動檢測方法具有重要的意義。現有的裂縫檢測方法主要分兩類一類是以數字圖像處理技術為主的方法，該方法主要目的是提高圖像成像質量，使操作者觀察更清晰。另一類是“半自動檢測方法”，該方法對部分圖像可實現自動識別裂縫的類型，而對較難識別部分由人工判斷，從而實現提醒操作者、避免失誤、減少勞動強度的作用。以數字圖像處理技術為主的方法，其步驟為(I)圖像對比度增強，如直方圖修正技術、頻率域增強法。(2)圖像去噪聲，如中值濾波、小波去噪、偏微分方程方法。(3)裂縫邊緣檢測，基于經典算子如Sobel算子、Laplace算子等。半自動檢測方法的主要步驟為(I)圖像對比度增強，如直方圖修正技術、頻率域增強法。(2)圖像去噪聲，如中值濾波、小波去噪、偏微分方程方法。(3)裂縫邊緣檢測，基于經典算子如Sobel算子、Laplace算子等。(4)裂縫特征提取從圖像樣本中得到的對裂縫分類有用的度量或屬性，用其反映不同裂縫類別之間的本質差別。(5)裂縫分類一般采用有監督學習方法，預先已知訓練樣本集中每個樣本的類別標號，也就是說分別給出了每個類別的訓練樣本集，然后應用這樣的訓練樣本集進行訓練；設計出相應的分類器，根據特征矢量值來決定樣本類型。(6)人工分類對拒識樣本采用人工分類辦法。現有方法對裂縫可疑區域定位準確性較低的原因有(I)裂縫情況復雜，如坑槽、松散等水損壞，車撤、推擁的流動性變形，從而造成形狀、面積和深淺表現各異的裂縫。(2)由于成像設備本身是在自然場景中高速運行過程中拍攝，噪聲、光照的形成的陰影等因素對可疑區的檢測形成干擾。也就是說，現有的裂縫檢測方法(無論是數字圖像處理技術為主的方法，還是“半自動檢測方法”)在識別過程中都需要人工參與，而并非真正意義上的自動檢測。原因是目前的裂縫檢測方法中存在一個矛盾，即現有方法對裂縫可疑區域定位準確性較低，同時，裂縫分類對可疑區域的定位精度要求較高。
技術實現思路
本專利技術旨在提供，可對自然場景中高速運行過程中獲得的各種裂縫圖像進行自動識別。利用該方法可對裂縫可疑區域實現高精確性定位，并采用多示例分類方法對定位錯誤的區域進行魯棒性識別。為達到上述目的，本專利技術提供了一種路面裂縫檢測方法，其步驟為步驟11:采用模糊邏輯的路面裂縫圖像對比度增強算法，達到提高所采集圖像整體對比度和增強裂縫圖像細節的雙重目標。步驟12:采用基于主動輪廓模型的方法對路面裂縫進行檢測。步驟13:采用基于多示例學習方法對路面裂縫進行分類。實施時，步驟11包括步驟111 :裂縫圖像歸一化處理。步驟112 :裂縫圖像局部信息提取及模糊化。步驟113 :裂縫圖像整體對比度轉`換。實施時，步驟12包括步驟121 :采用一種基于有監督學習的局部特征分類方法，進行ROI的確定。步驟122 :將建立一種基于概率距離和水平集方法的主動輪廓模型，對劃分出的感興趣區域進行分割。實施時，步驟12包括步驟1:將圖像劃分為相同大小的塊，每一塊的大小為9X9。步驟2 :圖像的模糊化將圖像通過最大模糊熵方法進行模糊化，以使所有的圖像變換到同樣的亮度水平上。步驟3 :局部特征的提取采用一系列共生矩陣度量表示圖像塊的局部特征。由于裂縫圖像中的局部特征并不具有特定的方向性，為了減少特征向量的維數，將相對距離的共生矩陣中提取的局部特征的均值作為一個特征進行分類。步驟4 :分類器的訓練采用支持向量機方法對圖像塊進行分類。支持向量機可通過核函數將樣例由低維空間映射到高維空間,從而解決非線性分類問題。步驟5 :感興趣區域的確定在對圖像塊進行分類后，將利用數學形態學方法對分類結果構成的二值圖像進行修正，從而確定感興趣區域。步驟6 :計算裂縫圖像邊界指示函數定義Φ為用于表示裂縫邊界的水平集函數，Εβ(Φ)和^($)分別是基于邊緣與基于區域的模型項，Εβ(Φ)用于描述原始裂縫圖像中各區域內灰度的概率分布密度，對圖像的全局信息建模；ΕΚ(Φ)用于描述裂縫圖像中的局部灰度變化，對圖像的局部信息建模；ΕΡ(Φ)是一個懲罰項，防止在邊界演化過程中水平集函數Φ變得過陡，收斂于不正確的位置，α，β和Υ分別是三個模型項的權值。則最終的裂縫圖像邊界指示函數定義為Ε(Φ) = α · Eb( Φ) + β · Ee( Φ) + Y · Ep( Φ) ο步驟7 :為了在最小化能量泛函的過程中控制水平集函數的演化，防止水平集函數變得過平或過陡，影響檢測過程，采用無重新初始化的演化控制方法。步驟8 :計算不同區域中強度分布的實際值與估計值之間的概率差，利用變分法導出相應的Eular-Lagrange方程,得到水平集函數的演化方程。步驟9 :演化方程的穩定狀態，即得到裂縫的準確位置實施時，步驟13包括步驟131 :構建多示例包，將圖像全局分塊，塊大小為bl*bl，圖像為一個包，包已知標簽，每個塊為包中的一個示例(橫裂，縱裂，塊裂，龜裂，圖像背景區域)，示例未知標簽，如下定義，所有裂縫劃為一類，圖像背景區域，即非裂縫區域為一類，若其中存在至少一個裂縫示例，則此包為正例包，反之則為反例包。步驟132 :對裂縫進行特征提取。步驟133 :采用基于多示例學習方法對路面裂縫進行分類。實施時，裂縫特征包括裂縫方位、邊緣特征，外接矩形面積、裂縫長度、長寬比(外接矩形的長寬比)、最長最短徑比、平均歸一化徑向長度、平均歸一化徑向長度標準差、平均歸一化徑向長度的熵、面積比率、邊緣粗糙度、輻射狀特征、方位角度。實施時，步驟133包括步驟1331 :構建訓練樣本庫，選擇不同場景下的橫裂，縱裂，塊裂，龜裂樣本。步驟1332 :計算每一個樣本的13維特征,形成樣本的特征向量。步驟1333 :使用訓練好的模型，對裂縫進行自動分類。本專利技術還提供，包括以下步驟步驟100 :對路面裂縫圖像對比度增強；步驟200 :基于步驟100的經過對比度增強后的圖像，進行路面裂縫區域精確檢測；步驟300 :基于步驟200的精確檢測結果，對路面裂縫進行分類。本專利技術還提供一種對路面圖像的增強方法，包括以下步驟步驟1000，計算背景灰度信息熵和裂縫灰度信息熵，來確定背景和目標的最佳閾值；步驟2000，使用步驟1000中的最佳閾值來確定隸屬度函數的參數，步驟3000，用冪函數作為增強轉換函數，利用冪函數的指數作為增強調節系數。所述調節系數由分別代表局部 信息和全局信息的兩部分參數構成；其中局部信息是根據像素點所處窗口的邊緣均值計算而得。所述步驟1000進一步包括步驟1100 :輸入原始圖像gOTig，計算歸一化后圖像X，并計算圖像X的平均灰度值k ；步驟1200 :在區間上逐一取值賦給t，計算背景灰本文檔來自技高網...

【技術保護點】
一種路面裂縫檢測方法，包括以下步驟：步驟100：對路面裂縫圖像進行對比度增強；步驟200：基于步驟100的經過對比度增強后的圖像，進行路面裂縫區域精確檢測；步驟300：基于步驟200的精確檢測結果，對路面裂縫進行分類。

【技術特征摘要】
1.ー種路面裂縫檢測方法，包括以下步驟 步驟100 :對路面裂縫圖像進行對比度增強； 步驟200 :基于步驟100的經過對比度增強后的圖像，進行路面裂縫區域精確檢測； 步驟300 :基于步驟200的精確檢測結果，對路面裂縫進行分類。2.ー種對路面圖像的增強方法，包括以下步驟 步驟1000，計算背景灰度信息熵和裂縫灰度信息熵，來確定背景和目標的最佳閾值； 步驟2000，使用步驟1000中的最佳閾值來確定隸屬度函數的參數； 步驟3000，用冪函數作為增強轉換函數，利用冪函數的指數作為增強調節系數進行圖像增強。3.如權利要求2所述的對路面圖像增強的方法，其特征在于 所述調節系數由分別代表局部信息和全局信息的兩部分參數構成；其中局部信息是根據像素點所處窗ロ的邊緣均值計算而得。4.如權利要求2所述的對路面圖像增強的方法，其特征在于 所述步驟1000進ー步包括 步驟1100 :輸入原始圖像gOTig，計算歸ー化后圖像X，并計算圖像X的平均灰度值k ;步驟1200 :在區間上逐一取值賦給t，計算背景灰度信息熵Hb (t)和目標灰度信息熵和Ho (t)； 步驟1300 :由最大信息熵確定最佳閾值t*。5.如權利要求4所述的對路面圖像增強的方法，其特征在于 所述步驟2000進ー步包括以下步驟 步驟2100 :計算隸屬函數參數b=t*, a=2b-c, c為圖像x灰度的最大值,將圖像x轉換到模糊域，計算Ux(Xnm),其中Xnm為圖像中的像素點(m，n)的灰度值； 步驟2200 :計算當前位置為(m，n)的像素點局部邊緣值 U，若5 ,,值為零，則求出增強后的該點灰度值X' 否則執行步驟2300 ; 步驟2300 :計算以當前位置為(m，n)的像素點為中心的窗ロ的邊緣均值和近似度系數r丸',; 步驟2400 :計算模糊信息熵P ，計算參數值小值5 min ； 步驟2500 :計算增強系數0 ■和轉換對比度然后計算增強后模糊隸屬度值和空間域內灰度值； 步驟2600 :判斷圖像中的所有像素點是否全部處理完，如果是則結束，否則繼續進...

【專利技術屬性】
技術研發人員：承恒達，
申請(專利權)人：北京恒達錦程圖像技術有限公司，
類型：發明
國別省市：