基于影像的橋梁裂縫檢測與特征提取方法
【專利摘要】本發(fā)明提供一種基于影像的橋梁裂縫檢測與特征提取方法。所述一種基于影像的橋梁裂縫檢測與特征提取方法包括如下步驟：步驟一、橋面圖像采集；步驟二：圖像預處理；步驟三、獲取裂縫候選區(qū)；步驟四、裂縫區(qū)域增強；步驟五、特征提??；步驟六：裂縫結(jié)果提取。本發(fā)明的基于影像的橋梁裂縫檢測與特征提取方法，基于橋梁表面圖像，檢測裂縫區(qū)域并提取描述特征，算法簡單、高效，并且實驗測試顯示具有較高的精度。
【專利說明】
基于影像的橋梁裂縫檢測與特征提取方法
技術(shù)領域
[0001]本發(fā)明涉及磁性材料測量裝置領域，特別涉及一種基于影像的橋梁裂縫檢測與特征提取方法。
【背景技術(shù)】
[0002]隨著我國經(jīng)濟發(fā)展、城市化進程加快、高鐵等國家工程飛速發(fā)展，在公路、鐵路或是城市農(nóng)村水利建設中，修建的跨越障礙的各類橋梁數(shù)目日益激增，橋梁在國民經(jīng)濟發(fā)展中起著舉足輕重的作用，同時也是我國綜合實力的一種體現(xiàn)。由于橋梁的普遍存在性，橋體結(jié)構(gòu)的安全性和持久性不容忽視。裂縫作為一種主要的橋體結(jié)構(gòu)病害特征，對橋體結(jié)構(gòu)的耐久性和安全性產(chǎn)生的危害最大，因此，裂縫是其健康狀況的主要評價指標之一。
[0003]目前的檢測方法仍然以人工檢測為主，存在很多不足之處:
[0004](I)檢測效率低:耗時，需要安裝或拆卸手架等設備；
[0005](2)檢測精度低:主要以人眼進行觀察檢測，容易受到人的主觀因素的影響；
[0006](3)勞動強度大:橋梁多，檢測工作量大，單純依靠人工完成，強度很大；
[0007](4)安全性低:檢測人員需要下到橋梁底下進行檢測，安全沒有保障；
[0008](5)成本高:使用大量的人力、物力進行檢測，花費高；
[0009](6)信息化程度低:無法精確建立橋梁裂縫歷史數(shù)據(jù)，不便于危險橋梁的管理和維護，亦無法給政府管理部門提供決策支撐信息。
[0010]這些不足導致目前的檢測現(xiàn)狀完全不能適應當下的橋梁建設與發(fā)展。
[0011]近幾年來，基于圖像視覺方法檢測盒提取道路裂縫的算法相繼被提出，這使得道路裂縫的自動化、智能化檢測上有了較大的發(fā)展。橋梁結(jié)構(gòu)裂縫與道路路面裂縫檢測相類似，但前者更為復雜，主要表現(xiàn)為兩個方面:第一，橋梁結(jié)構(gòu)的復雜性導致基于視覺圖像方法在獲取數(shù)據(jù)時難度極大增加，橋梁結(jié)構(gòu)上表面與道路基本一致，數(shù)據(jù)相對容易獲取，目前也有實用化的系統(tǒng)投入生產(chǎn)，但是，至今都未出現(xiàn)有效的數(shù)據(jù)獲取與處理系統(tǒng)針對其下表面;第二，道路路面紋理特征相對簡單、單一，裂縫特征一般具有一致性，而橋梁底部表面紋理相對復雜，存在大量的斑點、污跡、水漬、檢測標志線等大量“噪聲”，裂縫檢測與提取的難度更大。這兩點極大限制了橋梁結(jié)構(gòu)裂縫自動化檢測與智能化結(jié)構(gòu)安全監(jiān)測。
[0012]對裂縫特征的不同理解，使得人們提出的裂縫檢測方法也各種各樣，大部分算法利用的基本特征是一致的，而且算法的流程也大致相同:預處理，裂縫區(qū)域檢測與分割，后處理與特征描述。裂縫作為一種看似簡單，卻因為其背景及本身結(jié)構(gòu)特征而具有多變性和復雜性的目標，現(xiàn)有的道路裂縫檢測算法仍存在較多缺陷，遠不能滿足其需求。
[0013]簡言之，用于檢測裂縫的特征多種多樣，但是簡單而又高效的檢測還是一個難點，如何將紛雜多樣的裂縫與背景特征較好的分割開，如何快速提取裂縫特征快速重建裂縫結(jié)構(gòu)特征都是非常具有挑戰(zhàn)性的問題。本專利在一定程度上解決這些問題，提出了基于形態(tài)學的背景移除算法和基于灰度信息聚類與分割的方法，實現(xiàn)在復雜場景下的裂縫檢測，之后利用特征線的含有結(jié)構(gòu)信息的對裂縫結(jié)構(gòu)實現(xiàn)二維拓撲關系優(yōu)化。

【發(fā)明內(nèi)容】

[0014]為了解決現(xiàn)有橋梁檢測過程中由于道路路面紋理特征相對簡單、單一，裂縫特征一般具有一致性，而橋梁底部表面紋理相對復雜，存在大量的斑點、污跡、水漬、檢測標志線等大量“噪聲”，裂縫檢測與提取的難度大的技術(shù)問題，本發(fā)明提供一種能將紛雜多樣的裂縫與背景特征較好的分割開，能快速提取裂縫特征快速重建裂縫結(jié)構(gòu)特征的基于影像的橋梁裂縫檢測與特征提取方法。
[0015]本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法，包括如下步驟:
[0016]步驟一、橋面圖像采集；
[0017]步驟二:圖像預處理:使用高斯平滑濾波，減弱圖像中的噪聲干擾；
[0018]步驟三、獲取裂縫候選區(qū):利用基于圖像清晰度的自適應形態(tài)學背景移除的方法，初步移除圖像非裂縫區(qū)域，獲取裂縫候選區(qū)域；
[0019]步驟四、裂縫區(qū)域增強:利用灰度聚類的方法，進一步增強前一步的結(jié)果，然后使用局部自適應的二值化分割方法獲得最終的裂縫區(qū)域；
[0020]步驟五、特征提取:利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征，根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征，優(yōu)化骨架化結(jié)果；
[0021 ]步驟六:裂縫結(jié)果提取。
[0022]在本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法的一種較佳實施例中，所述步驟二具體為:利用高斯平滑濾波，去除混凝土結(jié)構(gòu)表面存在的斑點、污跡等孤立噪聲點，同時保留好裂縫區(qū)域的結(jié)構(gòu)。
[0023]在本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法的一種較佳實施例中，所述步驟三具體為:利用灰度圖像閉運算原理，并根據(jù)每張照片拍攝時成像的清晰程度，以及人的視覺裂縫生成原理，即沿著裂縫的光強度通常要比其他背景區(qū)域暗得多，并且裂縫的長度要遠大于寬度的原理，自動地生成背景移除的系數(shù)，通過此方法獲得圖像背景，即非裂縫區(qū)域，從而獲得初步的裂縫區(qū)域。
[0024]所述形態(tài)學背景移除的方法包括如下步驟:
[0025]步驟三一、通過形態(tài)學操作獲取背景圖像:利用人的視覺裂縫生成原理，即沿著裂縫的光強度通常要比其他背景區(qū)域暗得多，并且裂縫的長度要遠大于寬度的原理，獲取背景圖像；
[0026]步驟三二、自動生成背景移除系數(shù):在O到I的補償系數(shù)范圍內(nèi)自動生成適合的背景移除系數(shù)；
[0027]步驟三三、獲取圖像背景:利用灰度圖像閉運算原理，將圖像的灰度值拉伸到O到255，再通過線性變換函數(shù)獲得圖像背景。
[0028]在本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法的一種較佳實施例中，所述步驟三三后還包括:應用二維高斯平滑濾波處理所述獲取的圖像背景。
[0029]在本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法的一種較佳實施例中，所述步驟三二中，所述補償系數(shù)與清晰度成反比選定，所述清晰度評價方法采用TenenGrad清晰度評價方法，包括如下步驟:
[0030]步驟三二一、確定梯度大小:根據(jù)水平梯度與垂直梯度平方和的算術(shù)平方根，確定梯度大小；
[0031]步驟三二二、確定最終的清晰度評價值:根據(jù)預設的闕值，獲得最終的清晰度評價值。
[0032]在本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法的一種較佳實施例中，所述步驟四中的所述利用灰度聚類的方法為:利用裂縫區(qū)域顏色暗于背景區(qū)域，且裂縫區(qū)域之間差異性不大，以及聚類分析原理，對每個像素的灰度值與灰度聚類中心通過聚類函數(shù)進行比較，獲取能量值高的灰度圖像，進一步移除圖像非裂縫區(qū)域，增強獲取裂縫候選區(qū)域；
[0033]具體包括如下步驟:
[0034]步驟四一一、可靠區(qū)域的灰度值的集合:對圖像進行全局二值分割，得到可靠區(qū)域范圍，然后與原灰度圖像I進行求交集，在可靠區(qū)域范圍內(nèi)的灰度值被添加到集合Is中；
[0035]步驟四一二、獲取灰度聚類中心:通過裂縫候選區(qū)域中的可靠區(qū)域的灰度值的集合的算術(shù)平均值，獲得灰度聚類中心；
[0036]步驟四一三、圖像灰度聚類值判斷:通過對每個像素的灰度值與灰度聚類中心通過聚類函數(shù)進行比較，獲取能量值高的灰度圖像；
[0037]在本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法的一種較佳實施例中，所述步驟四中的所述局部自適應的二值化分割方法獲得最終的裂縫區(qū)域具體包括如下步驟:
[0038]步驟四二一、獲取灰度級為闕值的類間方差:通過背景、目標部分的灰度均值及概率，獲得灰度級為闕值的類間方差；
[0039]步驟四二二、搜索最大類間方差確定分割闕值:在灰度級為O到最大灰度級的搜索空間內(nèi)尋找最大類間方差，確定分割闕值；
[0040]步驟四二三、確定每個像素值對應的分割闕值:根據(jù)統(tǒng)計局部灰度特征，根據(jù)圖像中窗口的灰度均值，獲得局部自適應闕值；
[0041]步驟四二四、局部自適應二值分割獲得最終裂縫區(qū)域:通過分割闕值及自適應闕值，使用全局與局部加權(quán)分割的方法，將全局與局部閾值結(jié)合，保留全局與局部的特征，達到較理想的分割，獲得最終的裂縫區(qū)域。
[0042]在本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法的一種較佳實施例中，所述步驟五中所述的利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征，具體為利用Guo-Hall Thinning8-鄰域細化算法，生成二值圖像區(qū)域的骨架結(jié)構(gòu)線。
[0043]在本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法的一種較佳實施例中，所述步驟五中所述的根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征，優(yōu)化骨架化結(jié)果，具體為:對區(qū)域細化處理后的由于裂縫區(qū)域上存在的孔隙或斷裂，而破壞了原本具有良好鄰接性和連通性的裂縫結(jié)構(gòu)，對裂縫碎片進行二維拓撲關系分析，對關鍵點進行關鍵點連接，將鄰近或具有良好連接性的裂縫碎片拼接在一起。
[0044]相對于現(xiàn)有技術(shù)，本發(fā)明的基于影像的橋梁裂縫檢測與特征提取方法具有如下的有益效果:
[0045]—、基于橋梁表面圖像，檢測裂縫區(qū)域并提取描述特征，增強裂縫區(qū)域，抑制噪聲和非裂縫區(qū)域，能將紛雜多樣的裂縫與背景特征較好的分割開，能快速提取裂縫特征快速重建裂縫結(jié)構(gòu)特征，算法簡單、高效，并且實驗測試顯示具有較高的精度。
[0046]二、采用高斯平滑濾波、灰度圖像閉運算原理、形態(tài)學的背景移除算法、利用灰度聚類的方法、局部自適應的二值化分割方法獲得最終的裂縫區(qū)域、利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征及根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征等各種方法，去除混凝土結(jié)構(gòu)表面存在大量的斑點、污跡等孤立噪聲點及混凝土、水泥表面存在的噪聲干擾，同時保留好裂縫區(qū)域的結(jié)構(gòu)，并對去噪結(jié)果進行優(yōu)化，使測量結(jié)果具有較高的精度。
[0047]三、利用高斯平滑濾波，去除混凝土結(jié)構(gòu)表面存在大量的斑點、污跡等孤立噪聲點，同時保留好裂縫區(qū)域的結(jié)構(gòu)。使用了 “TenenGrad”清晰度評價方法，獲得補償系數(shù)α的賦值，再通過背景移除算法，具有更為陡峭的變化特性，抗噪性能好，聚焦靈敏度高和可靠性高與人眼的視覺感受比較吻合的特點，進一步降噪;利用灰度聚類的方法中，在可靠區(qū)域范圍內(nèi)的灰度值被添加到集合這一過程其實是對裂縫候選區(qū)域的一個簡單篩選，沒有直接使用背景移除后的區(qū)域作為裂縫區(qū)域，主要是考慮到由于混凝土、水泥表面存在的噪聲干擾，通過全局二值分割使這一干擾進一步弱化，盡可能選取最為顯著的候選區(qū)作為可靠裂縫區(qū)域;采用全局與局部閾值結(jié)合的方法，可以在一定程度上減弱圖像光照不均和局部空白區(qū)域的影響，提高抗噪能力，改善分割效果。利用局部自適應的二值化分割方法獲得最終的裂縫區(qū)域，采用全局與局部閾值結(jié)合的方法，可以在一定程度上減弱圖像光照不均和局部空白區(qū)域的影響，提高抗噪能力，改善分割效果。利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征的方法可以穩(wěn)定得產(chǎn)生單像素寬度的骨架線，但是在細化的過程中，很容易受原區(qū)域提取結(jié)果的影響，尤其是當區(qū)域中存在孔隙和小分支時，這在裂縫區(qū)域檢測中普遍存在，本文在進行細化算法前，使用形態(tài)學膨脹填補區(qū)域中的孔隙;采用根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征的方法，在滿足較好的鄰近性或者良好的連接性時，就可以將兩者所在的裂縫碎片拼接在一起，在局部可以把拼接方法簡化近似為直線連接。
【附圖說明】
[0048]為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它的附圖，其中:
[0049]圖1是本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法一較佳實施例的結(jié)構(gòu)示意圖；
[0050]圖2是圖1所示的基于影像的橋梁裂縫檢測與特征提取方法的形態(tài)學背景移除的方法一較佳實施例的流程圖；
[0051]圖3是圖1所示的基于影像的橋梁裂縫檢測與特征提取方法的利用灰度聚類的方法一較佳實施例的流程圖；
[0052]圖4是圖1所示的基于影像的橋梁裂縫檢測與特征提取方法的局部自適應的二值化分割方法獲得最終的裂縫區(qū)域一較佳實施例的流程圖。
【具體實施方式】
[0053]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅是本發(fā)明的一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。
[0054]請一并參閱圖1至圖4，其中圖1是本發(fā)明提供的基于影像的橋梁裂縫檢測與特征提取方法一較佳實施例的結(jié)構(gòu)示意圖，圖2是圖1所示的基于影像的橋梁裂縫檢測與特征提取方法的形態(tài)學背景移除的方法一較佳實施例的流程圖，圖3是圖1所示的基于影像的橋梁裂縫檢測與特征提取方法的利用灰度聚類的方法一較佳實施例的流程圖，圖4是圖1所示的基于影像的橋梁裂縫檢測與特征提取方法的局部自適應的二值化分割方法獲得最終的裂縫區(qū)域一較佳實施例的流程圖。
[0055]所述基于影像的橋梁裂縫檢測與特征提取方法包括如下步驟:
[0056]步驟S1、橋面圖像采集；
[0057]步驟S2:圖像預處理:使用高斯平滑濾波，減弱圖像中的噪聲干擾；
[0058]具體為:利用高斯平滑濾波，去除混凝土結(jié)構(gòu)表面存在的斑點、污跡等孤立噪聲點，同時保留好裂縫區(qū)域的結(jié)構(gòu)。
[0059]步驟S3、獲取裂縫候選區(qū):利用基于圖像清晰度的自適應形態(tài)學背景移除的方法S30，初步移除圖像非裂縫區(qū)域，獲取裂縫候選區(qū)域，具體為:利用灰度圖像閉運算原理，并根據(jù)每張照片拍攝時成像的清晰程度，以及人的視覺裂縫生成原理，即沿著裂縫的光強度通常要比其他背景區(qū)域暗得多，并且裂縫的長度要遠大于寬度的原理，自動地生成背景移除的系數(shù)，通過此方法獲得圖像背景，即非裂縫區(qū)域，從而獲得初步的裂縫區(qū)域；
[0060]所述形態(tài)學背景移除的方法S30包括如下步驟:
[0061]步驟S31、通過形態(tài)學操作獲取背景圖像:利用人的視覺裂縫生成原理，即沿著裂縫的光強度通常要比其他背景區(qū)域暗得多，并且裂縫的長度要遠大于寬度的原理，獲取背景圖像；
[0062]步驟S32、自動生成背景移除系數(shù):在O到I的補償系數(shù)范圍內(nèi)自動生成適合的背景移除系數(shù)；
[0063]所述補償系數(shù)與清晰度成反比選定，所述清晰度評價方法采用TenenGrad清晰度評價方法S320，包括如下步驟:
[0064]步驟S321、確定梯度大小:根據(jù)水平梯度與垂直梯度平方和的算術(shù)平方根，確定梯度大??；
[0065]步驟S322、確定最終的清晰度評價值:根據(jù)預設的闕值，獲得最終的清晰度評價值。
[0066]步驟S33、獲取圖像背景:利用灰度圖像閉運算原理，將圖像的灰度值拉伸到O到255，再通過線性變換函數(shù)獲得圖像背景；
[0067]步驟S34、應用二維高斯平滑濾波處理所述獲取的圖像背景。
[0068]步驟S4、裂縫區(qū)域增強:利用灰度聚類的方法S410，進一步增強前一步的結(jié)果，然后使用局部自適應的二值化分割方法獲得最終的裂縫區(qū)域S420;
[0069]所述利用灰度聚類的方法S410為:利用裂縫區(qū)域顏色暗于背景區(qū)域，且裂縫區(qū)域之間差異性不大，以及聚類分析原理，對每個像素的灰度值與灰度聚類中心通過聚類函數(shù)進行比較，獲取能量值高的灰度圖像，進一步移除圖像非裂縫區(qū)域，增強獲取裂縫候選區(qū)域；
[0070]具體包括如下步驟:
[0071]步驟S411、可靠區(qū)域的灰度值的集合:對圖像進行全局二值分割，得到可靠區(qū)域范圍，然后與原灰度圖像I進行求交集，在可靠區(qū)域范圍內(nèi)的灰度值被添加到集合Is中；
[0072]步驟S412、獲取灰度聚類中心:通過裂縫候選區(qū)域中的可靠區(qū)域的灰度值的集合的算術(shù)平均值，獲得灰度聚類中心；
[0073]步驟S413、圖像灰度聚類值判斷:通過對每個像素的灰度值與灰度聚類中心通過聚類函數(shù)進行比較，獲取能量值高的灰度圖像；
[0074]所述局部自適應的二值化分割方法獲得最終的裂縫區(qū)域S420具體包括如下步驟:
[0075]步驟S421、獲取灰度級為闕值的類間方差:通過背景、目標部分的灰度均值及概率，獲得灰度級為闕值的類間方差；
[0076]步驟S422、搜索最大類間方差確定分割闕值:在灰度級為O到最大灰度級的搜索空間內(nèi)尋找最大類間方差，確定分割闕值；
[0077]步驟S423、確定每個像素值對應的分割闕值:根據(jù)統(tǒng)計局部灰度特征，根據(jù)圖像中窗口的灰度均值，獲得局部自適應闕值；
[0078]步驟S424、局部自適應二值分割獲得最終裂縫區(qū)域:通過分割闕值及自適應闕值，使用全局與局部加權(quán)分割的方法，將全局與局部閾值結(jié)合，保留全局與局部的特征，達到較理想的分割，獲得最終的裂縫區(qū)域。
[0079]步驟S5、特征提取:利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征，根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征，優(yōu)化骨架化結(jié)果；
[0080]所述的利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征，具體為利用Guo-Hall Thinning8-鄰域細化算法，生成二值圖像區(qū)域的骨架結(jié)構(gòu)線。
[0081 ]所述的根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征，優(yōu)化骨架化結(jié)果，具體為:對區(qū)域細化處理后的由于裂縫區(qū)域上存在的孔隙或斷裂，而破壞了原本具有良好鄰接性和連通性的裂縫結(jié)構(gòu)，對裂縫碎片進行二維拓撲關系分析，對關鍵點進行關鍵點連接，將鄰近或具有良好連接性的裂縫碎片拼接在一起。
[0082]步驟S6:裂縫結(jié)果提取。
[0083]本發(fā)明的基于影像的橋梁裂縫檢測與特征提取方法100及其測量方法具有如下的有益效果:
[0084]—、基于橋梁表面圖像，檢測裂縫區(qū)域并提取描述特征，增強裂縫區(qū)域，抑制噪聲和非裂縫區(qū)域，能將紛雜多樣的裂縫與背景特征較好的分割開，能快速提取裂縫特征快速重建裂縫結(jié)構(gòu)特征，算法簡單、高效，并且實驗測試顯示具有較高的精度。
[0085]二、采用高斯平滑濾波、灰度圖像閉運算原理、形態(tài)學的背景移除算法S30、利用灰度聚類的方法S410、局部自適應的二值化分割方法獲得最終的裂縫區(qū)域S420、利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征及根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征等各種方法，去除混凝土結(jié)構(gòu)表面存在大量的斑點、污跡等孤立噪聲點及混凝土、水泥表面存在的噪聲干擾，同時保留好裂縫區(qū)域的結(jié)構(gòu)，并對去噪結(jié)果進行優(yōu)化，使測量結(jié)果具有較高的精度。
[0086]三、利用高斯平滑濾波，去除混凝土結(jié)構(gòu)表面存在大量的斑點、污跡等孤立噪聲點，同時保留好裂縫區(qū)域的結(jié)構(gòu)。使用了 “TenenGrad”清晰度評價方法S320，獲得補償系數(shù)α的賦值，再通過背景移除算法S30，具有更為陡峭的變化特性，抗噪性能好，聚焦靈敏度高和可靠性高與人眼的視覺感受比較吻合的特點，進一步降噪;利用灰度聚類的方法S410中，在可靠區(qū)域范圍內(nèi)的灰度值被添加到集合這一過程其實是對裂縫候選區(qū)域的一個簡單篩選，沒有直接使用背景移除后的區(qū)域作為裂縫區(qū)域，主要是考慮到由于混凝土、水泥表面存在的噪聲干擾，通過全局二值分割使這一干擾進一步弱化，盡可能選取最為顯著的候選區(qū)作為可靠裂縫區(qū)域;采用全局與局部閾值結(jié)合的方法，可以在一定程度上減弱圖像光照不均和局部空白區(qū)域的影響，提高抗噪能力，改善分割效果。利用局部自適應的二值化分割方法獲得最終的裂縫區(qū)域S420，采用全局與局部閾值結(jié)合的方法，可以在一定程度上減弱圖像光照不均和局部空白區(qū)域的影響，提高抗噪能力，改善分割效果。利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征的方法可以穩(wěn)定得產(chǎn)生單像素寬度的骨架線，但是在細化的過程中，很容易受原區(qū)域提取結(jié)果的影響，尤其是當區(qū)域中存在孔隙和小分支時，這在裂縫區(qū)域檢測中普遍存在，本文在進行細化算法前，使用形態(tài)學膨脹填補區(qū)域中的孔隙;采用根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征的方法，在滿足較好的鄰近性或者良好的連接性時，就可以將兩者所在的裂縫碎片拼接在一起，在局部可以把拼接方法簡化近似為直線連接。
[0087]以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其它相關的技術(shù)領域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。
【主權(quán)項】
1.一種基于影像的橋梁裂縫檢測與特征提取方法，其特征在于，包括如下步驟:步驟一、橋面圖像采集;步驟二:圖像預處理:使用高斯平滑濾波，減弱圖像中的噪聲干擾;步驟三、獲取裂縫候選區(qū):利用基于圖像清晰度的自適應形態(tài)學背景移除的方法，初步移除圖像非裂縫區(qū)域，獲取裂縫候選區(qū)域;步驟四、裂縫區(qū)域增強:利用灰度聚類的方法，進一步增強前一步的結(jié)果，然后使用局部自適應的二值化分割方法獲得最終的裂縫區(qū)域;步驟五、特征提取:利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征，根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征，優(yōu)化骨架化結(jié)果;步驟六:裂縫結(jié)果提取。2.根據(jù)權(quán)利要求1所述的基于影像的橋梁裂縫檢測與特征提取方法，其特征在于，所述步驟二具體為:利用高斯平滑濾波，去除混凝土結(jié)構(gòu)表面存在的斑點、污跡等孤立噪聲點，同時保留好裂縫區(qū)域的結(jié)構(gòu)。3.根據(jù)權(quán)利要求1所述的基于影像的橋梁裂縫檢測與特征提取方法，其特征在于，所述步驟三具體為:利用灰度圖像閉運算原理，并根據(jù)每張照片拍攝時成像的清晰程度，以及人的視覺裂縫生成原理，即沿著裂縫的光強度通常要比其他背景區(qū)域暗得多，并且裂縫的長度要遠大于寬度的原理，自動地生成背景移除的系數(shù)，通過此方法獲得圖像背景，即非裂縫區(qū)域，從而獲得初步的裂縫區(qū)域； 所述形態(tài)學背景移除的方法包括如下步驟: 步驟三一、通過形態(tài)學操作獲取背景圖像:利用人的視覺裂縫生成原理，即沿著裂縫的光強度通常要比其他背景區(qū)域暗得多，并且裂縫的長度要遠大于寬度的原理，獲取背景圖像； 步驟三二、自動生成背景移除系數(shù):在O到I的補償系數(shù)范圍內(nèi)自動生成適合的背景移除系數(shù)； 步驟三三、獲取圖像背景:利用灰度圖像閉運算原理，將圖像的灰度值拉伸到O到255，再通過線性變換函數(shù)獲得圖像背景。4.根據(jù)權(quán)利要求3所述的基于影像的橋梁裂縫檢測與特征提取方法，其特征在于，所述步驟三三后還包括:應用二維高斯平滑濾波處理所述獲取的圖像背景。5.根據(jù)權(quán)利要求3所述的基于影像的橋梁裂縫檢測與特征提取方法，其特征在于，所述步驟三二中，所述補償系數(shù)與清晰度成反比選定，所述清晰度評價方法采用Tenen Grad清晰度評價方法，包括如下步驟: 步驟三二一、確定梯度大小:根據(jù)水平梯度與垂直梯度平方和的算術(shù)平方根，確定梯度大小； 步驟三二二、確定最終的清晰度評價值:根據(jù)預設的闕值，獲得最終的清晰度評價值。6.根據(jù)權(quán)利要求1所述的基于影像的橋梁裂縫檢測與特征提取方法，其特征在于，所述步驟四中的所述利用灰度聚類的方法為:利用裂縫區(qū)域顏色暗于背景區(qū)域，且裂縫區(qū)域之間差異性不大，以及聚類分析原理，對每個像素的灰度值與灰度聚類中心通過聚類函數(shù)進行比較，獲取能量值高的灰度圖像，進一步移除圖像非裂縫區(qū)域，增強獲取裂縫候選區(qū)域； 具體包括如下步驟: 步驟四一一、可靠區(qū)域的灰度值的集合:對圖像進行全局二值分割，得到可靠區(qū)域范圍，然后與原灰度圖像進行求交集，在可靠區(qū)域范圍內(nèi)的灰度值被添加到集合中； 步驟四一二、獲取灰度聚類中心:通過裂縫候選區(qū)域中的可靠區(qū)域的灰度值的集合的算術(shù)平均值，獲得灰度聚類中心； 步驟四一三、圖像灰度聚類值判斷:通過對每個像素的灰度值與灰度聚類中心通過聚類函數(shù)進行比較，獲取能量值高的灰度圖像。7.根據(jù)權(quán)利要求1所述的基于影像的橋梁裂縫檢測與特征提取方法，其特征在于，所述步驟四中的所述局部自適應的二值化分割方法獲得最終的裂縫區(qū)域具體包括如下步驟: 步驟四二一、獲取灰度級為闕值的類間方差:通過背景、目標部分的灰度均值及概率，獲得灰度級為闕值的類間方差； 步驟四二二、搜索最大類間方差確定分割闕值:在灰度級為O到最大灰度級的搜索空間內(nèi)尋找最大類間方差，確定分割闕值； 步驟四二三、確定每個像素值對應的分割闕值:根據(jù)統(tǒng)計局部灰度特征，根據(jù)圖像中窗口的灰度均值，獲得局部自適應闕值； 步驟四二四、局部自適應二值分割獲得最終裂縫區(qū)域:通過分割闕值及自適應闕值，使用全局與局部加權(quán)分割的方法，將全局與局部閾值結(jié)合，保留全局與局部的特征，達到較理想的分割，獲得最終的裂縫區(qū)域。8.根據(jù)權(quán)利要求1所述的基于影像的橋梁裂縫檢測與特征提取方法，其特征在于，所述步驟五中所述的利用二值圖像骨架化方法，提取裂縫區(qū)域的骨架特征，具體為利用Guo-Hall Thinning8-鄰域細化算法，生成二值圖像區(qū)域的骨架結(jié)構(gòu)線。9.根據(jù)權(quán)利要求1所述的基于影像的橋梁裂縫檢測與特征提取方法，其特征在于，所述步驟五中所述的根據(jù)裂縫的連續(xù)性和平滑性的空間結(jié)構(gòu)特征，優(yōu)化骨架化結(jié)果，具體為:對區(qū)域細化處理后的由于裂縫區(qū)域上存在的孔隙或斷裂，而破壞了原本具有良好鄰接性和連通性的裂縫結(jié)構(gòu)，對裂縫碎片進行二維拓撲關系分析，對關鍵點進行關鍵點連接，將鄰近或具有良好連接性的裂縫碎片拼接在一起。
【文檔編號】G01N21/88GK105975972SQ201610269077
【公開日】2016年9月28日
【申請日】2016年4月27日
【發(fā)明人】姚劍, 劉亞輝, 萬智, 劉康, 謝仁平, 夏孟涵
【申請人】湖南橋康智能科技有限公司