毕业设计（论文）基于数字图像处理的路面缺陷识别.doc

1 绪论1.1 课题的背景 “要想富，先修路”，俗语一句话就道出了交通在国民经济和人们生活中的重要地位，在所有交通形式中，道路交通又是与人们生活关系最密切的，而且最能体现一个国家经济实力及其综合国力的交通发展状况就是其道路交通的发展状况。道路交通在国民经济和人们生活中占有重要地位，近几十年来，世界各国公路特别高等级公路建设迅速发展，极大地促进了经济的发展。然而建后保养维护的问题随着道路的建成也随之而来的，为了做出相应的维护策略需要定期调查道路路面状况。若路面病害发现在出现的初期，那将会大大降低道路维护费用。如何快速对整段路面做全面的调查并对病害进行定位，精确地检测出病害的严重程度及造成原因而又不影响正常交通秩序的情况,成为急待解决的一大难题。另外，随着我国高速公路的快速发展，道路建成后的管理与养护工作也需要快速跟进，交通部也明确要求高速公路的检测手段要采用先进的技术与装备。当前我国高速公路管理与养护部门的路面检测设备严重落后甚至不足，一方面很多单位没有此类设备，另一方面现有的设备由于技术落后还不适合在高速公路上使用，也有一些进口设备，由于破损的评价指标的差异、产品售后服务跟不上或维护费用太高，使用率也不高。为了提高高速公路的公共服务水平，高速公路管理与养护部门迫切需要此类系统，且此类产品在国内尚属于空白，所以其产业化前景很乐观【1】。计算机高性能处理器、大容量存储器及图像处理技术的快速发展，使得基于图像分析的道路病害自动检测与识别技术成为可能。近年来，数字图像处理技术在代替和超越人类的视觉功能方面取得了一系列的惊人的成果，显示了强大的生命力。国外高速公路发达国家进入这一领域开始研发产品起步早，在开始早期受计算机及摄像机等硬件产品的限制，但长期的实验研究积累了很多方法和技术。随着近几年硬件的飞速发展，一些研究成果正逐渐转化为产品并投入使用。高等级公路是国家现代化建设的重要基础设施，它不但是交通现代化的重要标志，也是国家现代化的标志。从1988年上海至嘉定高等级公路建成通车至今23间，中国高等级公路总体上实现了持续、快速和有序的发展，特别是1998年以来，国家实施积极的财政政策，高等级公路得到快速发展，继续保持世界第二。随着高等级公路里程的增加和使用时间的延长，公路的养护任务势必将越来越繁重；另外一方面，近年来许多公路建成后，受交通量迅速增长、车辆大型化、超载严重、行驶渠道化等影响，使高等级公路路面在使用过程中受到严重的考验。为使高等级公路逐步进入中修和大修期，养护工作必须向高科技、现代化方向发展。在整个公路养护工作中，路面养护工作是一个中心环节，这是因为路面是直接承受行车载荷和自然因素作用的结构层，关系着行车是否安全、快速、经济和舒适。因此，路面养护质量是公路养护质量考核的重点。随着公路网的扩大，已有公路的养护问题日渐突出。由于车荷载作用、外界环境影响以及施工中存在的不足，路基路面必然会出现各种破损。路面破损对路面的承载能力、耐久性，对车辆的行驶速度、燃油消耗、行车舒适性、交通安全等造成不利的影响。裂纹类病害是公路路面的主要病害之一【2】。路面裂纹是一种比较难估计的破损状态，如果能及早发现路面裂纹并及时处理，那么维护费用将大大降低。目前国内检测高速公路路况的手段主要是人工检测的方法，通常由现场调查人员对破损位置及面积进行测量和记录，然后对数据进行统计和归类，并进行存档，以供评判。人工检测方法效率低、工作强度大、检测速度慢、精度较低，并且在高速公路上进行人工检测时，检测人员的人身安全也受到了影响【4-5】。因此，研究高速公路路面破损自动检测与识别技术，从而高效、快速、准确地对公路路况进行评价不但能够为公路管理和养护部门的决策提供科学的依据，还可以提高公路养护部门的工作效率，减轻公路养护人员的劳动强度，具有重要的意义。1.2 国内外发展状况及意义早在上世纪70年代末，国外就有利用车载16mm摄像机的摄影车来采集路面破损图像信息。随着高速公路建设的飞速发展，路面破损特征自动检测系统开始逐渐出现，如加拿大的Roadware公司在1969年开始了路面数据采集的研究。到目前为止，其客户已经遍布全球17个国家。还有日本的Komatsu系统、美国的ETC公司的PCES系统、IMS公司的“PAVUE”系统、瑞士联邦技术研究所的“CREHOS”系统、英国WDM公司研制的路面裂纹检测车等3-4。但当时的技术还很不完善，其工作原理也不尽相同。载有路面破损图像信息的胶卷经过冲洗以后进行人工的判读，并录入计算机。但由于成本以及精度的问题，一般公路都很难应用。上世纪80年代，随着摄像技术的发展，国外的研究部门开始利用摄像机来开发路面破损信息自动采集系统，如日本的Komatsu系统，该系统利用安装在检测车两旁的人工光源进行照明；数据采集通过一个电视摄像机、传感器、信号处理器和影像记录装置来获得；数据存储由一个高密度影像磁带记录器和一个通用影像磁带记录器组成；图像处理采用并行技术按两个阶段进行，第一个阶段主要是图像分割和特征提取，由一个并行微处理器完成；第二个阶段以并行的方式完成降噪、子图像的连接和恢复5。由于该系统不能分析裂纹的类型，并且只能在夜间工作，另外还需要多个超级微处理器完成两个阶段的图像处理，该系统最终没有得到商业应用6。在这个期间，瑞士的研究工作者于1995开发了CREHOS系统（裂纹识别全息摄影系统），目标是建立“完全、彻底的系统”，试图解决以前的系统在区域分辨率和实时处理技术的困难。它将数据存储在一套模拟并行处理器中，应用模拟方法得到路面破损数据，并分析和识别路面破损的类型。该系统虽然缩短了路上的检测时间，在一定程度上提高了工作效率，但是由于成本较高，对路况的要求较高，并且需要人机交互的方式进行图像的摄取和处理分析，该系统仍需要进行更深一部的研究。目前，该系统仍处于研究阶段，尚未商业化。同时期，美国的ETC公司对路面破损特征自动检测系统发起了大规模的研究，最后研制出了PCES系统，该系统采用线阵扫描摄像机来采集路面数据。不过，既使线扫描摄像机的分辨率和性能比传统的面阵扫描摄像机好，仍需要做大量的工作，例如需要专门的电路板和软件支持相机工作。ETC公司开发研制的“路面状况评价系统（PCES）”，瑞典基础设施服务公司（IME）开发研制的PAVUE系统都是基于模拟技术的路面破损信息检测系统，采集路面破损图像数据均为模拟量，计算机对这些图像数据不能直接处理，需要将其转换为数字量，使得路面破损信息处理的效率大大降低，并且破损识别和测量的精度也是有限的7。上世纪90年代中后期以后，随着硬件技术和数字图像处理技术的发展，尤其是CCD技术的发展，应用CCD摄像技术进行路面破损检测的研究取得了一定的进展。CCD摄像机具有较高的动态范围、分辨率和灵敏度。通过视频采集卡或者图像采集卡可以方便的将CCD摄像机的视频信号存储到计算机中，进行实时的显示、存储和处理。随着计算机硬件的迅速发展，基于CCD摄像机的数字化图像系统成本大大降低。因此，在场景条件下数字化路面破损自动检测系统的开发中,CCD摄像机和计算机图象处理技术得到广泛应用。美国的阿肯色州大学研制出了一套实时路面裂纹测量系统“数字公路数据车（DHDV）”，并提出了图像处理的并行算法以及硬件实现平台。该图像处理的硬件系统是基于一个普通的多处理器（CPU*86）平台，由安装在测试车上的CCD摄像机获得路面破损图像，应用GPS系统进行裂纹的定位，应用距离测量装置（DM）采集距离信息，一个双CPU的微处理器来收集这些数据，并实时地传输到一个多CPU的计算机进行破损分析。该系统集成了数字图像采集和数字图像处理，能够在较高速度的情况下进行路面裂纹的数据采集、识别与分类。但是该系统需要超级计算机的辅助，对硬件的要求很高，目前还是在研究的阶段8。我国在这一领域的研究同国外相比相对较晚，但也取得了一些成果。吉林大学交通学院的王荣本教授，初秀民博士从2002年开始对路面破损自动检测进行研究，在对路面图像的采集、图像处理以及识别方面做了大量的工作，取得了一定的效果9。南京理工大学参与研制开发的N-1型路面状况智能检测车，利用安装在检测车辆上的高速、高精度图像采集与处理设备进行路面图像采集与存储。另外，同济大学的孙立军教授及其研究生在这一领域进行了试探性的研究。最新的消息是武汉大学的李德仁院士及其在加拿大的研究生正在开展的路面破损检测技术的研究，取得了一定的成果。纵观国内外的发展我们可以看到，基于数字图像处理技术的路面裂纹检测系统技术已经日趋成熟。同时，随着图像传感器的发展，图像采集的新技术、新方法也广泛的应用于其中。目前，我国亟需一种高效的路面破损自动检测系统，但进口国外的系统设备不仅价格比较昂贵，而且由于评价标准的差异，国外的系统并不能完全满足我国公路检测的需要。我国现在正对这方面进行初期的研究，本文主要对高速公路路面破损识别进行初步的研究。1.3 本文主要研究工作本文的主要研究工作包括以下几个方面：（1）分析实际需求和具体的应用环境。（2）对裂纹图像进行预处理，以消除光照不均匀、系统硬件等因素带来的 图像噪声；（3） 对裂缝图像进行分割处理并二值化，以突出裂缝的主要特征以便识别 （4）给出裂缝定性标准及识别出的各种裂缝的实验结果。1.4 本文的内容安排本文对基于数字图像处理的公路路面裂纹识别进行了研究，并通过实际路面图像样本对这些方法进行了验证。全文共分三章，内容安排如下：第一章介绍了本文的研究目的和意义、图像处理在路面裂纹检测的应用现状及国内外高速公路路面破损检测技术的发展现状；提出了本文的主要研究工作及内容安排。第二章首先介绍了各种中值滤波、均值滤波以及小波阈值去噪等方法的特点，并根据情况对中值滤波和均值滤波做了比较，根据它们在路面图像去噪中的效果，证明了中值滤波在路面图像去噪处理中是有效的、可行的。然后对图像分割算法进行了讨论，并且提出了本文所用的扩展sobel算子对裂纹图像主要目标特征（裂纹边缘）进行增强。第三章介绍了路面缺陷的定性标准及给出识别结果。 第四章对论文所研究结果进行了总结性的分析，并在所研究的结果的基础上指出有待于后续发展和完善的内容。2 路面破损图像处理2.1 数字图像处理的基础理论我们所说的数字图像处理，就是通过计算机或者其它的集成数字硬件如DSP、ARM等和其他一些集成数字硬件，将外部环境的模拟图像信息进行采集并通过电信号转换为数字信号后，在通过对数字信号的一些运算处理使得图像的质量达到人们的主观要求或者预期结果。例如从遥感图片中辨认农作物、森林、湖泊和军事设施，几何校正失真的图像，使褪色模糊了的照片更清晰，去除被噪声污染的图像中的噪声，对医学显微图片中的细胞的特征进行提取，增强信息微弱的图像等等。现阶段的计算机一般都是采用顺序处理的思想，如果图像的信息量较大，则运算处理速度就比不上光学方法。随着高速集成电路硬件和计算机技术的迅速发展，图像处理技术将会取得更大的进展。 图 2-1数字图像处理结构图数字图像处理的基本步骤如图2-1所示:图像获取是图2-1所示的数字图像处理的第一步。图像增强是数字图像处理最简单并且是最有吸引力的领域，因为增强不但满足计算机的要求，也可以满足人们主观视觉效果的要求。基本上，图像增强的思路是寻找并重现那些被模糊了的细节，或者简单的突出一幅图像中我们所感兴趣的一些特征。一个简单的图像增强的例子是增强图像的对比度，使其看起来的视觉效果更好一些。一般来说，图像增强是图像处理中比较主观的领域。图像复原也是改进图像外貌的一个图像处理领域。然而，图像复原是客观的，在某种意义上说，复原技术倾向于以图像退化的数学或者概率模型为基础，相对的，增强以怎样获得比较好的图像效果这是人的主观偏爱为基础的。压缩，正如其名称所指的意思，所涉及的技术是减少图像的存储量，或者在传输图像时的物理需求。彩色图像处理已逐步成为一个重要领域，因为基于互联网的图像处理应用正在不断增加。形态学处理是一种提取图像元素的工具，它在表现和描述形状方面有非常好的效果。分割过程是将一幅图像划分为几个组成部分或者用来突出目标物，通常，自主分割是数字图像处理中最为困难的任务之一，成功解决要求物体被分别识别出来的成像问题一般需要复杂的分割过程，这就导致需要大量的计算机处理工作，另一方面，不稳定的分割算法以及鲁棒性不高基本总是会导致图像识别的最终失败。通常分割越准确，成功识别概率越高。表示与描述一般是是跟随在分割步骤的输出后面，一般来说这一输出是没有经过加工的数据，其构成不是其区域本身的所有点就是区域的边缘（区分一个图像区域与另一个图像区域的像素集）。不论何种情况，把采集到的数据转换为适合计算机处理的形式都是必要的。首先需要确定的是数据是应该被表现为整个区域还是边界。当感兴趣的特征是图像外部形状特性（如曲线、拐角）时，那么适合用边界表示。当感兴趣的特征是内部特性(如纹理、骨骼形状)时，则适合用区域表示。选择一种表现方式仅仅是解决把原始数据转换为合适计算机后续处理形式的一部分。在一些应用中，这些表示方法是互补的。为了描述数据以使感兴趣的特征更突出，还必须确定一种方法。描述也称为特征选择或者是提取特征，该处提到的特征是一些感兴趣的信息或者是区分目标物与其他背景的基础。识别是基于对目标物的描述给目标赋以特征符号的一个过程。关于问题域的知识以知识库的形式被编码装入一个数字图像处理系统。知识库或者相当复杂，如材料监测问题中所有主要缺陷的图像数据库或者相关列表。除了引导每一个处理模块的操作，知识库还要控制模块间的交互。这一知识库也或如图2.1所示那样简单，由此步骤，需要的信息被搜索定位，这样，限制性的搜就被引导到寻找的信息处。这一特点在图2.1中的处理模块和知识库之间用双箭头连接。实际应用中，在特定的应用场合，并不是需要所有的处理模块，根据使用场合的具体情况选取需要的模块即可。下面将根据路面裂纹这个特定使用场景的具体情况进一步对它们进行研究10。2.2 路面裂纹图像的特点在路面裂纹图像数据的采集过程中，由于采集设备成像原理的多样性及路面状况的复杂性，会采集到具有不同特点的路面图像，而路面图像的这些特点直接影响甚至决定着图像处理的实现算法的选取。对于不同的图像特征，算法的选择是不同的。我们感兴趣的各类图像的产生都是通过形成图像的场景元素和照射源对光的吸收或者反射相结合的方式原理得到的。这里的“场景”和“照射”代表了比我们一般接触到的情况（如，各种三维场景被可见光源照射）更一般的事实。举例来说，照射可能由电磁能源引起，如红外线、X射线能源或者雷达。但是，如前所指，照射也可以由计算机产生的照射模式，甚至由超声波等非传统光源产生。与“照射”类似，场景可能是我们身边接触到的熟悉的物体，但是，它们也可能是人类大脑、分子或者人体骨骼，甚至我们可以做到对一个光源的成像，如对太阳成像。根据光源的性质的不同，我们所说的照射的能量可经过物体透射或者从物体反射。第一类可举例如使用X射线通过透射人体产生一幅X光诊断照片，第二类例子如镜面反射、全反射。在一些特定的应用中，透射和反射都能聚焦到一个图像转换器上（图像屏幕），该转换器的作用是可以把能量转换为可见光。伽马成像和电子显微镜的应用就是这种方法的使用。尽管进行图像的采集的图像采集设备以及成像原理不同，但是我们的最终目标还是相同的，那就是获得高质量的路面图像。由于图像采集设备的不同，采集到的路面破损图像的质量也是不一样的，这是因为11：（1）各种人造光源亮度不一样。（2）摄像头距离地面高度的不同；（3）相对于路面的摄像角的不同；（4）测量车行驶速度的不同；（5）是否应用了人造光源；由于摄像机的成像原理以及系统的特点，采集到的路面图像的特点一般是中间亮，周围边缘较暗。基于摄像机的路面裂纹采集系统，因为工作环境的复杂性以及路面信息本身的多样复杂性，在获取有用信号中掺杂了大量妨碍我们进行路面特征识别的噪音。一般来说，在采集到的路面图像中包含三类对象：一类是裂纹，也既识别的目标；一类就是我们不希望看到的妨碍我们进行路面特征识别的噪音，次类对象也是我们为了更好的进行裂纹图像识别而要下足功夫消除或者削弱的；还有一类是状况良好的路面，即背景。这样，我们可以把数字图像分为三类像素集：代表裂纹的像素集、代表所夹杂噪音像素集以及代表背景的像素集。一般情况下，裂纹像素集应该比背景像素集更暗一些。但是受到诸多的因素的影响，这种情况将会有所不同。具体情况为12：（1）背景像素集的灰度值与裂纹像素集的灰度值有部分的重叠；（2）路面图像的信息量一般比较大；（3）裂纹像素集元素数量远小于背景的像素集元素数量；（4）路面材料的不均匀性导致正常路面的纹理的不均匀。因此，所采集到的路面图像的背景像素集元素灰度值本身就有较大的变化范围；裂纹像素集也有类似的情况。由于裂纹破损的严重程度的不同，其面积、大小也不同。如果裂纹像素集中有与背景像素集灰度值相近甚至更亮的较大的区域（比如汽车油渍），也会导致裂纹图像灰度的变化。但一般来说，裂纹图像要比正常路面的要暗一些。因为条件有限，无法找到CDD摄像机，所以本人经过在网上查询CDD摄像机像素，采用与其相近的的照相机所代替，如图2-2： 图 2-2路面裂纹图像及其灰度直方图由图2-2可看出背景的像素数量远远大于裂纹的像素数量。而且路面自身的特点决定路面背景与路面裂纹的灰度值会有部分重叠。通过上面的分析，我们可以得出，对于采集到的一幅包含裂纹的灰度图像来说，有三个部分是受外界条件影响而变化的：1.路面破损或者非破损图像的不规则物，例如，路面上汽车漏油所形成的斑点等，该部分的特点似乎具有较高的幅值负信号，而边缘是有较高的频率；2.随机噪音，由材料颗粒之间的间隔的不同、不同材料粒度等因素产生的，是中低幅值的一个随机、高频信号13；3.由成像系统电路等自身因素夹杂的干扰和背景光照射非均匀性所形成的缓慢变化部分，该部分的特点是较高的幅值、较低的频率。在这里简单的介绍了路面裂纹图像的特征，对后续讨论的图像处理算法的选择有一定的指导作用。2.3 图像的预处理14图像增强是以处理后的图像比原始图像更适合于特定应用为首要目标的图像处理方法。任何一幅未经处理的原始图像都存在一定程度的噪音。这些噪音使图像的质量恶化，模糊了图像特征，更严重的甚至淹没图像的特征，给图像的分析带来一定的困难。因此，必须对这些质量被恶化了的图像进行改善处理。图像增强的方法分为两大类：频域方法和空间域方法。“空间域”是指图像平面本身，这类方法是以矩阵的方式对图像的像素直接进行运算处理为基础的。“频域”处理技术是建立在图像的傅氏变换的基础上的。图像增强的通用理论是不存在的。当图像为视觉感官而进行处理时，由观察者来判断所选方法的处理效果，图像质量的视觉评价是一个高度主观的过程。所以，定义一个“图像标准”，通过这个标准去衡量算法的性能。当以机器感知为目的而处理图像时，这个评价任务就会容易一些。例如，在一个特征识别的过程中，不考虑像计算要求等问题，最好的图像处理方法是一种能得到机器识别率高的处理方法。图像噪声可以按其性质分类。图像处理技术中常见的噪声有：盐和胡椒噪声、量化噪声、乘性噪声、加性噪声。盐和胡椒噪声在图像上一般是切割引起的即白图像上的黑点，黑图像上的白点噪声；量化噪声是数字图像的主要噪声来源，其大小体现着原始图像和采集到的数字图像的差异，这种噪声最好的消除方法就是最优量化措施，即采用按灰度级概率密度函数选择量化级；乘性噪声与图像信号强度是相关的，一般是随图像信号强度的变化而变化；相对的，加性噪声与图像信号强度不相关，带有此类噪声的图像，可看成为噪声与无噪图像简单的相加的和。我们所采集到的图像中的噪声主要是产生于图像的获取以及传输过程中，其中绝大部分噪声是加性噪声。2.4 图像的强图像噪声可以按其性质分类。图像处理技术中常见的噪声有：盐和胡椒噪声、量化噪声、乘性噪声、加性噪声。盐和胡椒噪声在图像上一般是切割引起的即白图像上的黑点，黑图像上的白点噪声；量化噪声是数字图像的主要噪声来源，其大小体现着原始图像和采集到的数字图像的差异，这种噪声最好的消除方法就是最优量化措施，即采用按灰度级概率密度函数选择量化级；乘性噪声与图像信号强度是相关的，一般是随图像信号强度的变化而变化；相对的，加性噪声与图像信号强度不相关，带有此类噪声的图像，可看成为噪声与无噪图像简单的相加的和。我们所采集到的图像中的噪声主要是产生于图像的获取以及传输过程中，其中绝大部分噪声是加性噪声因为只是图像的预处理，我们应该挑选算法简单容易在计算机上实现且滤波消噪效果比较好的滤波器，算数均值滤波和中值滤波都满足这个要求，下面针对两种滤波器做详细对比，并选择其一作为图像消噪预处理的手段方法。算数均值滤波器又称为平滑线性空间滤波器，它用滤波窗口确定的邻域内像素的平均灰度值作为图像每个像素点的处理后的新值，由于典型的随机噪声特点是灰度级的尖锐变化，所以常见的平滑处理应用就是去噪。但是，由于图像边缘也是图像中的尖锐变化，所以，均值滤波处理还是存在模糊边缘的负面效应。式(2.1)和式(2.2)显示了两个3×3的平滑滤波器。 （2，1） （2，2）第一个滤波器计算得到窗口下标准的像素平均值，相比而言，第二种窗口更为重要些。这个窗口也称为加权平均，使用这一术语是因为和第一种窗口相比它使用了不同的系数对像素操作，这样通过权值的不同就可以反映一些像素的相对重要性。对式2.2的加权方式来说，处于窗口中心位置的像素加权值比其他像素的权值都大，因此在都被16除的情况下，其灰度值占到了十六分之四即四分之一，从而突出了此像素灰度的重要地位，而距离窗口中心较远的其他像素按比例来说就显得不太重要。加权的选择一般是视具体情况而定的。此处把中心点的权值设为最高而且随着距中心点距离的增加减小权值是为了减小平滑处理中对边缘的模糊。经算数均值滤波器滤波的效果如图2-3： 裂纹原始图像 均值滤波后图像图 2-3从图中我们可以看出，算数均值滤波器处理过的图像与原始图像相比噪声减少比较明显。同时也滤去了一些我们所不希望被消除的图像细节部分，比原始图像模糊。中值滤波器是基于图像滤波器窗口包围的像素的统计排序，它将像素邻域内（包括原像素灰度值）像素集的灰度值的中值代替该像素的值。将滤波窗口内欲求的像素及窗口内其他的像素灰度值进行排序后才能确定出中间值，并将此中值赋予该像素点从而对图像上的某个点做中值滤波处理。对于一个3×3窗口共9个像素，将9个像素灰度值按从小到大或者从达到小依次排序则第五个值即为中间值。而一个5×5的窗口第十三个值就是中间值，以此类推。当窗口中处在中间位置像素值和其他的一些像素灰度值相同时，他们中的任何一个都可以作为中值。例如，在一个3×3窗口内9个像素对应的灰度值分别为（10，20，20，20，13，20，20，24，80），对灰度值排序后为（10，13，20，20，20，20，20，24，80），则其中值即为20。由此我们可以看出对图像进行中值滤波处理的主要效果。主要效果就是使拥有不同灰度值的像素点看起来更接近于它邻近像素的值，其目的就是用n×n的中值滤波器去去除窗口中相对于其邻域像素更亮或者更暗并且其尺寸小于n2/2（滤波器区域的一半）的孤立像素集。在这种情况下，“去除”的意思是强制将目标像素置为邻域的中间亮度。可以想象，对于较大的像素集合其大部分的像素的灰度值是基本相等的，所以中值滤波器对其影响很小。经中值滤波器滤波的效果如图2-4： 中值滤波后图像 算数均值滤波后图像图 2-4从图2-4中我们可以看出，经过中值滤波之后噪声得到了抑制，并且路面裂纹图像的主要细节显现出来了。与算数均值相比保持了更多的裂纹边界的细节信息。通过对比我们可以得出，中值滤波器在不增加处理计算量的情况下达到了较好的滤波效果并且保持了更多的图像裂纹细节，为后续的边缘检测提供了良好的前提条件，所以我们选用中值滤波作为图像预处理的图像增强方法。2.5 图像分割与边缘检测17 所谓的图像分割就是把构成图像的各个要素即像素进行分类。其目的就是将图像细分为它的子区域或者对象18。分割的方法取决于所要解决的问题。在应用中，当目标对象已经被分离出来就停止分割。精确的分割决定着计算分析过程的成败。图像的分割是是图象处理中的一项关键技术，一直受到人们的高度重视。图像分割是图像处理中最困难的任务之一，至今尚无通用的图象分割的理论。现在已提出上千种分割算法，提出的分割算法大都是针对具体问题的，并没有一种通用的适合所有图像的分割算法。最近几年对图象分割技术的研究又出现了许多新的思路方法或改进算法。图像分割的算法19一般是根据亮度值的不连续性和相似性这两个基本的特征进行研究的。亮度值的不连续性的应用是基于亮度的不连续变化分割图像，比如图像的边缘；亮度值的相似性主要应用途径是依据事先制订的准则将图像分割为相似区域20。本设计中应用图像分割主要是把采集到的路面数字图像中路面裂纹的特征从整幅图像的背景中提取出来，以供后来图像处理模块识别之用，而路面裂纹的主要特征就表现为裂纹的边缘，所以我们要先对图像进行比较精确的边缘检测才可以进行正确的图像分割提取边缘特征以供识别。首先我们先简单介绍下点检测和线检测来为我们所要进行的边缘检测做铺垫提供理论基础。使用如图2-5所示模板：图 2-5对图像进行处理，包括计算模板系数与模板所包围区域内像素灰度级的乘积之和，其计算公式如式（2，3）： （2，3） 检测一幅图像中的孤立点在理论上是简单的。使用如图2-6所示的模板： 图 2-6如果RT，我们就认为在模板中心位置的像素点就是所要提取分割的像素点。这里T是一个非负门限也即阀值。这个公式的思想是测量中心点与它的邻域像素点之间加权的差值：如果一个孤立的点（此点所在的位置是一个均匀的或者近似均匀的区域且它的灰度级与其背景的差异比较大）与它周围的点差异较大，就很容易被这类模板检测出来。我们可以看到，模板系数之和是为零的，这就意味着在灰度级为常数时模板响应为零或者灰度级缓慢变化的区域模板响应近似为零。线检测是复杂程度更高一级的检测。图2-7给出四个模板。 水 平 +45o 垂 直 -45o 图 2-7如果水平模板在图像中移动，这个模板将对水平方向的线条（一个像素宽度）产生更强的响应。在一个灰度值不变的背景上，当线条经过模板的中间一行时响应产生最大值。画一个元素为1的简单阵列，并且使具有不同灰度级的一行（如7）水平穿过模板，就可以验证这一点。类似的操作可以证明图2.7中的第二个模板对于45°的方向线响应最强，第三个模板对于垂直线响应最强，第四个模板对于-45°方向线响应最强。这些方向也可以通过对模板中元素的权值来设置，即在所需方向上用比其他方向更大的权值（如模板中为2的部分）。图中的每个模板权值的总和为零，其意义为在灰度级恒定区域模板的响应为零或者变化缓慢的区域域模板的响应趋于零。在边缘检测中，基于上面在数字图像中对微分的定义提出了许多微分算子21，如Prewitt梯度算子、Laplacian算子、Sobel梯度算子、Raberts梯度算子及Marr算子(Gauss-Laplace算子)等。利用这些算子对边缘信息的敏感对图像中灰度的变化进行检测，进而得到边缘信息。Prewitt梯度算子、Sobel梯度算子等适合于对具有较多噪声且灰度渐变图像的边缘检测；Roberts梯度算子适合于对具有理想边缘且低噪声图像的边缘检测；Laplacian算子具有各向同性的特点；而Marr算子对有较多噪声的图像具有平滑作用，但Marr算子的平滑的同时导致图像对比度下降；而Roberts梯度算子、Laplacian算子在实施的过程中大大增加了噪声。因为我们所处理的路面裂纹图像属于噪声较多且灰度图像渐变，而Prewitt梯度算子、Sobel梯度算子等有利于对具有较多噪声且灰度渐变图像的分割，所以我们先对两种方法对比选出更适合的并且加以改进。Prewitt算子：Prewitt边缘检测算子使用两个有向算子，它们的模板形式如图2-8所示:图 2-8在模板中，Prewitt算子用隔行（或者隔列）之差模拟一个偏导数。用Prewitt算子进行边缘检测时，先用图2.11中的的水平算子和垂直算子对图像进行卷积得到两个方向上的偏导数值，然后再将两个偏导数计算合成全导数，然后求其模型表示各像素点的梯度值，最后用阈值处理得到边缘图像。Sobel算子：Sobel算子与Prewitt算子的方法基本相同。唯一不同点在于两者使用的模板不同。Sobel算子使用的模板如图2-9所示:图 2-9在Sobel算子中，使用权值的思想如同在均值滤波中讲过的，通过突出中心点像素灰度值在卷积运算中的重要性（即中心点像素灰度值所占比例）而达到平滑的目的。Prewitt算子模板实现起来比Sobel算子更为简单，但Sobel算子噪声抑制特性方面比Prewitt算子做的好。同样的，Prewitt算子和Sobel算子模板中的系数中和为零也是表示在灰度级不变的区域模板的响应为零从而达到无边缘的图像算子无响应的要求。传统的Sobel算子如上所示，只有水平方向和垂直方向两个模板，此两个模板只对严格的水平和垂直方向的裂纹图像产生最大响应，若是碰到不规则裂纹图像如路面中常见的龟裂裂纹图像，Sobel算子就受到应用的局限，有感于前面所介绍的线检测的内容中，其构建的四个方向的模板分别对四个方向线的图像产生最大响应，我们对Sobel算子进行改进，分别构建45°和-45°的Sobel算子模板，如图2-10所示，来对传统Sobel算子进行扩充。 45°方向Sobel算子 -45°方向Sobel算子 图 2-10在路面裂纹图像边缘检测应用中，并不是说水平方向Sobel算子只检测水平方向边缘，45°方向Sobel算子只检测45°方向边缘，因为现实中的路面裂纹图像极少有符合绝对的水平、垂直等要求的情况，所以我们在应用经过扩充了的Sobel算子的时候并不是针对某种方向选择响应方向的算子，对一幅图像我们要应用四个方向的算子分别进行卷积运算，令R1,R2,R3和R4分别代表水平、垂直、45°和-45°方向模板在路面裂纹图像中的响应，这里R的值由式（2.3）给出，然后在像素点(x,y)处对比四个方向模板的响应情况，取响应最大值作为Sobel算子处理后图像该点的输出值（实际应用编程中要注意对模板响应值取绝对值操作，因为响应有正有负，但我们只对其响应幅值的大小感兴趣），即，若丨Ri丨>丨Rj丨，ij，则取Ri作为（x,y）处的输出，运算输出结果即为一幅边缘幅值图像。下图2.11是对一幅龟裂路面裂纹应用上述三种边缘检测算子所得结果，图中可以看出扩充Sobel算子的输出边缘更强烈，对后续处理中进行阀值分割图像二值化时阀值的选取更有利。 原始图像 Prewitt Sobel 扩充Sobel图 2-112.6 阈值分割22阈值分割方法的历史可追溯到近40年前，现已提出了大量算法。阈值分割技术是流行的、经典的图象分割方法之一，同时也是最简单的一种图象分割方法。这种方法的关键在于寻找合适的灰度阈值。一般通过观测图象的灰度直方图来选取。对灰度图象阈值分割，就是在确定一个处于图象灰度取值范围之内的灰度阈值后将图象中各个像素的灰度值与这个阈值相比较，并根据比较结果将对应的像素分为两大类，从而达到分割的目的，而这两类像素一般分属图象的两个区域。从现有的大部分算法都是集中在阈值确定的研究上可以看出，确定一个最优阈值是分割的关键。根据图象本身的特点，阈值分割方法可分为多阈值分割方法和单阈值分割方法；也可分为基于坐标位置的阈值分割，基于像素值的阈值分割方法和基于区域性质的阈值分割方法；若根据分割算法所有的特征或准则，还可以分为最大类空间方差法、概率松驰法、最小误差法与均匀化误差法、共生矩阵法、直方图与直方图变换法、简单统计法与局部特性法、基于过渡区的阈值选取法、特征空间聚类法、模糊集法等。2.6.1 基本原理阈值分割思想是一种区域分割技术。假如物体与背景有较强对比度，则应用阈值方法进行分割是很有效的。该方法是基于图像中目标与背景在灰度特性上的差异。当使用阈值方法进行图像分割时，所有灰度值大于或者等于某阈值的像素都判为目标或者背景，而所有灰度小于该阈值的像素都被判为背景或者目标，因此，选择合适的阈值是阈值算法的关键问题23。阈值法分割图象的基本原理，可用式（2，4）作一般表示： （2，4）式中Z为阀值，是图像灰度级范围内的任意一个灰度级的集合即ZZ1，Zk。ZE和ZB为任意选定的目标物和背景的灰度级。由此可见，阈值的选择直接影响着分割的结果。简单的灰度阈值法只能应用在一些目标物体灰度级和背景相差明显的图像中，而实际应用过程中往往并不如此简单。例如，有些图像中背景和目标的灰度相同，只是目标物体上和背景中黑点颗粒的分布密度不同，此类图像就无法简单的应用阈值方法了，必须对图像进行某种预处理，突出目标与背景之间的灰度差异，才能设置适当阈值进行分割。要由图像本身的特性和应用要求确定对图像进行什么样的处理。前面我们对裂纹图像进行了扩充sobel算子的边缘提取处理，在处理后的图像中我们可以看出我们所感兴趣的裂纹图像特征与背景图像特征的灰度级的差距相当明显，所以我们可以应用简单的灰度阀值法来分割图像中的目标物（裂纹边缘特征）和背景。前面我们已经简单提到了二值图像，它是灰度图像的特例。对灰度图像而言，若图像中所有的像素只有两个灰度值则为二值图像。为了分析图像的特征，一般通过图像阈值分割方法将目标(对象物)从图像中分割提取出来，取值为1，而将其他物体或背景统统认为是背景，取值为0，这样就将要处理的灰度图像变成了二值图像。二值图像的优点主要的是通过二值图像可计算出图像中目标物的几何特性，如目标物的大小、位置等，而且它比灰度图像存储存量小，计算速度快，便于进行图像的布尔逻辑运算来组合图像等。如果不止一个目标物，则可以对应于这些不同目标物进行标记，以及定出对象物间的差别，从而可以进一步进行图像分析和识别。2.6.2 双峰法原理： 本原理认为图像由前景和背景组成，并且，在灰度直方图上前景后景都形成高峰，如图2-12所示：图 2-12灰度直方图在双峰之间