高等级公路路面裂缝类病害轮廊提取的算法研究

式给出：

式（1）中，α为修正系数，取值范围为0到1，它的大小反映Vx,y中的边缘状况。α定义如下：

式（2）中，γ>0。

上偏差以mg(x,y)表示，定义为灰度值大于领域均值m的各像素的灰度平均值与m之差；下偏差以m1(x,y)表示，定义为领域均值m与灰度值小于m的各像素的灰度平均值之差。分别以Ng,N0，Nl代表Vx,y内灰度值大于、等于、小于m的像素数，则灰度的上偏差mg(x,y)和下偏差ml(x,y)可以分别表示为：

式（3）中，m的定义如下：

指数γ的大小直接影响上式的性能。γ越小，对噪声的平滑作用越强；γ越大，其税化作用越强。一般在噪声较强的情况下，噪声干扰对图像质量的影响比较突出，所以γ应当取较小的值；反之，在噪声较弱和图像细节较多的情况下，γ应当取较大的值。

在本文的实验中，考虑到噪声的滤除效果和后期的处理，γ取1，而Vx,y取为7×7邻域。

2.2 边缘检测

对于路面裂缝类病害的识别检测来说，边缘检测算法的好坏在很大程度上影响识别和检测的效果与精度。在数字图像处理的边缘检测方面，前人已进行了大量的科学研究和探索，提出和推导了大量经典的边缘检测算法。经典的、最简单的边缘检测方法是对原始图像按像素的某领域构造边缘检测算子，例如梯度算子、Sobel算子、Laplacian算子、Marr算子和Rosenfeld的门式算子等。在上述常用的算法中，梯度算子的思路简捷，运行速度较快；但是梯度算子只有水平和垂直两个方向的模板，其模板方向仅表示灰阶变化的梯度方向，而不是图像的实际边缘方向。Sobel算子运行速度较块，能滤除一些噪声，去掉部分伪边缘，可提供最精确的边缘方向估计[2]，并在检测斜向阶跃边缘时具有较好的效果。但是Sobel边缘检测算子主要有水平和垂直两个方向的模板，算法的有向性使其不能对路面病害中的不规则裂缝进行有效识别与检测。Laplacian和Marr算子无方向性，并在边缘检测过程中，先对原始图像进行平滑，以降低噪声的影响。但是，由于对图像的平滑使得算子对边缘的定位不精确，处理后的边缘像素数目较多。

考虑到采集的路面裂缝类病害图像已进行了噪声滤除的预处理，又考虑到裂缝类病害的类型包括模向裂缝、纵向裂缝和不规则裂缝，边缘可能在各个角度方向存在梯度。因此，构造了8个方向的模板对图像进行Sobel边缘检测。该算法在边缘检测中是各向同性的。

算法实现的基本思想是：构造如图2所示的8方向模板，对图像进行逐点计算，并且取最大值作为该点的新的灰度值，该最大值对应模板所表示的方向为该像素点的边缘方向。

2.3 图像分割

该部分将经过8方向Sobel边缘检测的数字图像，进行图像分割（二值化）。考虑到需要对路面的病害图像作备份，同时也为了方便检测者了解裂缝的形状和走向，系统要提供直观的二值化图像，以供参考和进行后续的图像处理与测量工作。本文的图像分割算法选用由Ostu提出的最大类间方差法，该算法是在判决分析最小二乘法原理的基础上推导得出的[2]。

OSTU准则分割原理如下：

设一幅图像的灰度等级范围为[1,2,…L]，对应灰度级i的像素为ni个，整幅图像的象素总个数N=n1+n2+…+nL，则对应灰度级i的像素出现的概率为：

整幅图像总的均值为：

若整幅图像以灰度级K及阈值，且分为C0与C1两类。其中C0类灰度级范围为[1,…K]，C1类为[K+1,…L]。

这两类的方差分别为：

式中，Pr为在C0（或C1）类中灰度级i的象素出现的概率，u0和u1分别为C0和C1类的均值。

这样有w0u0+w1u1=ur成立，w0和w1分别为C0类和C1类的概率。在此OSTU定义类内方差：

类间方差：

总的方差：

OSTU准则即：最优的阈值灰级K*满足下式：

3 实验分析

上面介绍了系统工作的硬件环境和算法实现的原理和方法。下面将通过对路面横向裂缝、纵向裂缝和不规则裂缝图像的实际处理，观察算法对裂缝类病害的识别能力。

图3示出本算法对实验环境下采集图像中的各类裂缝进行处理的结果。图3（a）、（b）、（c）是在硬件平台上采集的横向、纵向和不规则裂缝的样图；图3（d）、（e）、（f）是对样图进行噪声滤除、8方向Sobel边缘检测和图像分割（二值化）处理后得到的二值化图。由以上实验可以看出，本文提出的算法能对各类裂缝类病害进行较好的处理与识别，能够好地消除噪声的影响，裂缝轮廓清晰。

在实际的测试过程中，当物距为20cm，图像采集选用512×512像素的分辨率时，视场范围是11cm×11cm，CCD中像素分辨率为0.2mm。当物距为50cm时，视场范围是28cm×28cm，CCD像素分辨率为0.5mm。

在Visual C++