CN102509291A - 基于无线网络视频传感器的公路路面病害检测及识别方法 - Google Patents

Abstract

本发明公开了一种基于无线网络视频传感器的公路路面病害检测及识别方法，首先采集高速公路路面病害视频图像并定位病害位置，再对该视频图像进行预处理提取病害目标区域，最后采用HGM多小波变换提取高速公路路面病害纹理特征。本发明提供的基于无线网络视频传感器的公路路面病害检测及识别方法，能够实时检测到路面病害初期状况，并跟踪其发展情况，分析路面病害发展趋势，具有较好的实时性，并且检测效率高；且该方法在高速公路路面病害检测中的应用可节约高速公路维修成本，确保行车安全，延长公路使用寿命。

Description

基于无线网络视频传感器的公路路面病害检测及识别方法

技术领域

本发明涉及模式识别及交通安全研究技术，尤其涉及一种基于无线网络视频传感器的高速公路路面病害检测及识别技术。

背景技术

无线视频传输技术、计算机高性能处理器、大容量存储系统、图像处理技术和模式识别技术的快速发展使得基于无线视频传感器及图像处理技术的高速公路路面病害自动检测和识别成为可能。通过在测量车上安装无线网络路面视频采集设备和GPS系统，实时采集路面状况信息和位置信息，采集的数据通过无线通信技术传输到信息处理中心，在信息处理中心进行图像预处理、路面病害特征提取及病害类型识别。路面图像数据经数据处理中心分析后，可实时发布总结路面病害情况，分析路面病害发展趋势，为交通维护部门提供技术支持，以节省维修成本。但目前这种基于无线视频传感器及图像处理技术的高速路面病害自动检测和识别技术还很不成熟。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于无线视频传感器及图像处理技术的高速公路路面病害自动检测和识别方法，该方法具有较好的实时性和检测效率。

技术方案：为实现上述目的，本发明采用的技术方案为：

基于无线网络视频传感器的公路路面病害检测及识别方法，包括如下步骤：

(1)采集高速公路路面病害视频图像并定位病害位置，通过无线网络传输到交通信息处理中心存储及预检测，具体包括如下步骤：

(1-1)通过车载高速无线网络摄像机拍摄路面视频图像，所采集的视频图像要覆盖到正在行驶的整个单车道；在获取路面视频图像的同时，GPS记录当前图像帧对应的路面地理位置信息；

(1-2)通过无线通讯网络将视频图像实时传输到交通信息处理中心进行实时处理，当发现病害时，对高速公路路面病害进行特征提取并分类；

(2)对采集到的高速公路路面病害视频图像数据进行预处理，具体包括如下步骤：

(2-1)对获取的病害图像进行色彩分析和灰度化处理，将彩色图像转换为灰度图像；

(2-2)采用Daubechies4小波变换对灰度化的路面图像进行去噪，Daubechies4小波的高频滤波器系数[G₀ G₁ G₂ G₃]和低频滤波器系数[H₀ H₁ H₂ G₃]分别为

$G_0=\frac{(1+\sqrt{3})}{4\sqrt{2}},$ $G_1=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $G_2=\frac{(3-\sqrt{3})}{4\sqrt{2}},$ $G_3=\frac{(1-\sqrt{3})}{4\sqrt{2}}$

$H_0=\frac{(1-\sqrt{3})}{4\sqrt{2}},$ $H_1=\frac{(-3+\sqrt{3})}{4\sqrt{2}},$ $H_2=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $H_3=\frac{(-1-\sqrt{3})}{4\sqrt{2}};$

(2-3)对去噪后的路面图像进行增强；

(3)对高速公路路面病害目标区域进行提取，具体包括如下步骤：

(3-1)采用差影法将路面病害图像像素灰度值与一副标准的无病害的路面图像像素灰度值相减，增强路面病害图像中病害的目标；

(3-2)采用边缘检测算子提取病害边缘信息；

(4)对路面病害特征进行提取及分类，定位到路面病害区域后，提取病害特征并进行归一化，然后根据病害种类及病害严重程度进行分类，具体包括如下步骤：

(4-1)采用HGM多小波变换提取高速公路路面病害纹理特征，HGM多小波的高频滤波器系数[G₀ G₁ G₂ G₃]和低频滤波器系数[H₀ H₁ H₂ G₃]分别为：

$G_0=\left[\begin{array}{cc}\frac{3}{5\sqrt{2}}& \frac{4}{5}\\ -\frac{1}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right],$ $G_1=\left[\begin{array}{cc}\frac{3}{5\sqrt{2}}& 0\\ \frac{9}{20}& \frac{1}{\sqrt{2}}\end{array}\right],$ $G_2=\left[\begin{array}{cc}0& 0\\ \frac{9}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right],$ $G_3=\left[\begin{array}{cc}0& 0\\ -\frac{1}{20}& 0\end{array}\right]$

$H_0=\frac{1}{10}\left[\begin{array}{cc}-\frac{1}{2}& -\frac{3}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}& 3\end{array}\right],$ $H_1=\frac{1}{10}\left[\begin{array}{cc}\frac{9}{2}& -\frac{10}{\sqrt{2}}\\ -\frac{9}{\sqrt{2}}& 0\end{array}\right],$ $H_2=\frac{1}{10}\left[\begin{array}{cc}\frac{9}{2}& -\frac{3}{\sqrt{2}}\\ \frac{9}{\sqrt{2}}& -3\end{array}\right],$ $H_3=\frac{1}{10}\left[\begin{array}{cc}-\frac{1}{2}& 0\\ -\frac{1}{\sqrt{2}}& 0\end{array}\right];$

(4-2)采用支持向量机分类器对提取的高速公路路面病害纹理特征向量进行分类，识别出最终的病害类别。

所述步骤(2-1)中，将彩色图像f(x，y)转换为灰度图像的计算公式为：

f(x，y)＝0.299R+0.587G+0.114B

上式中，(x，y)为图像像素坐标，R、G、B为彩色图像的颜色红绿蓝三个分量。

所述步骤(2-2)中采用Daubechies4小波变换对灰度化的路面图像进行去噪，具体包括如下步骤：

(2-2-1)对路面图像作离散Daubechies4小波变换，得到路面图像的小波变换系数，Daubechies4小波的高频滤波器系数[G₀ G₁ G₂ G₃]和低频滤波器系数[H₀ H₁ H₂ G₃]分别为：

$G_0=\frac{(1+\sqrt{3})}{4\sqrt{2}},$ $G_1=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $G_2=\frac{(3-\sqrt{3})}{4\sqrt{2}},$ $G_3=\frac{(1-\sqrt{3})}{4\sqrt{2}}$

$H_0=\frac{(1-\sqrt{3})}{4\sqrt{2}},$ $H_1=\frac{(-3+\sqrt{3})}{4\sqrt{2}},$ $H_2=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $H_3=\frac{(-1-\sqrt{3})}{4\sqrt{2}};$

(2-2-2)采用n×n的窗口沿着路面图像平滑移动，计算路面图像小波变换系数之间的相关性，得到收缩权值后的路面图像，其中相关性R的计算公式为：

$R=\frac{\mathrm{\ΣXY}-\frac{\mathrm{\ΣX}\·\mathrm{\ΣY}}{n}}{\sqrt{[{\mathrm{\ΣX}}^2-\frac{{\left(\mathrm{\ΣX}\right)}^2}{n}]\·[{\mathrm{\ΣY}}^2-\frac{{\left(\mathrm{\ΣY}\right)}^2}{n}]}};$

上式中，X、Y为图像中任意两个n×n窗口子图像的组合，∑_X，∑_Y分别为子图灰度值总和，∑_XY为X，Y两个子图对应位置灰度值相乘积后求和；

(2-2-3)对收缩权值后的路面图像进行软阈值处理，软阈值λ的计算公式为：

$\mathrm{\λ}=\mathrm{\σ}\sqrt{2\ln \left(N\right)}$

上式中，N×N为收缩权值后路面图像的大小，σ为噪声方差；

(2-2-4)对路面图像进行离散Daubechies4小波反变换，得到去噪后的路面图像。

所述步骤(2-2-2)中的n×n的窗口为5×5的窗口，该窗口大小为经验值，窗口在这个大小内能获得很好的效果，且没有增加太多计算量。

所述步骤(2-3)中对去噪后的路面图像进行增强，具体包括如下步骤：

(2-3-1)采用图像直方图均衡算法消除路面图像中的灰度不均和阴影，其中直方图均衡化变换函数为：

$s_k=T\left(r_k\right)=\underset{j=0}{\overset{k}{\mathrm{\Σ}}}{P}_r\left(r_j\right)$

上式中，T(r)为直方图变换函数，r、s为均衡化前后图像灰度级，0≤r_j≤1，l为图像灰度级，k＝0，1，...l-1，P为r的累积分布函数；

(2-3-2)通过灰度拉伸增强病害目标与正常路面背景的对比度，灰度拉伸公式为：

$g(x,y)=\left\{\begin{array}{cc}{g}_{\min }& f(x,y)<f_{\min }\\ \frac{f(x,y)-f_{\min }}{f_{\max }-f_{\min }}(g_{\max }-g_{\min })+g_{\min }& f_{\min }\&le;f(x,y)\&le;f_{\max }\\ g_{\max }& f(x,y)>f_{\max }\end{array}\right.$

上式中，f(x，y)为原图像在(x，y)处的灰度值，灰度级在[f_min，f_max]范围内，g(x，y)为拉伸后图像在(x，y)处的灰度值，拉伸后图像灰度级在[g_min，g_max]范围内。

有益效果：本发明提供的基于无线网络视频传感器的公路路面病害检测及识别方法，能够能够实时检测到路面病害初期状况，并跟踪其发展情况，分析路面病害发展趋势，具有较好的实时性，并且检测效率高；且该方法在高速公路路面病害检测中的应用可节约高速公路维修成本，确保行车安全，延长公路使用寿命。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种基于无线网络视频传感器的高速公路路面病害检测及识别方法的流程图，具体包括如下步骤：

(1)采集高速公路路面病害视频图像并定位病害位置，通过无线网络传输到交通信息处理中心存储及预检测，具体包括如下步骤：

(1-1)通过车载高速无线网络摄像机拍摄路面视频图像，所采集的视频图像要覆盖到正在行驶的整个单车道；在获取路面视频图像的同时，GPS记录当前图像帧对应的路面地理位置信息；

(1-2)通过无线通讯网络将视频图像实时传输到交通信息处理中心进行实时处理，当发现病害时，对高速公路路面病害进行特征提取并分类；

(2)对采集到的高速公路路面病害视频图像数据进行预处理，具体包括如下步骤：

(2-1)对获取的病害图像进行色彩分析和灰度化处理，将彩色图像转换为灰度图像，其中将彩色图像f(x，y)转换为灰度图像的计算公式为：

f(x，y)＝0.299R+0.587G+0.114B

上式中，(x，y)为图像像素坐标，R、G、B为彩色图像的颜色红绿蓝三个分量。

(2-2)采用Daubechies4小波变换对灰度化的路面图像进行去噪，具体包括如下步骤：

首先对路面图像作离散Daubechies4小波变换，得到路面图像的小波变换系数，Daubechies4小波的高频滤波器系数[G₀ G₁ G₂ G₃]和低频滤波器系数[H₀ H₁ H₂ G₃]分别为：

$G_0=\frac{(1+\sqrt{3})}{4\sqrt{2}},$ $G_1=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $G_2=\frac{(3-\sqrt{3})}{4\sqrt{2}},$ $G_3=\frac{(1-\sqrt{3})}{4\sqrt{2}}$

$H_0=\frac{(1-\sqrt{3})}{4\sqrt{2}},$ $H_1=\frac{(-3+\sqrt{3})}{4\sqrt{2}},$ $H_2=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $H_3=\frac{(-1-\sqrt{3})}{4\sqrt{2}};$

接着采用5×5的窗口沿着路面图像平滑移动，计算路面图像小波变换系数之间的相关性，得到收缩权值后的路面图像，其中相关性R的计算公式为：

$R=\frac{\mathrm{\&Sigma;XY}-\frac{\mathrm{\&Sigma;X}\&CenterDot;\mathrm{\&Sigma;Y}}{n}}{\sqrt{[{\mathrm{\&Sigma;X}}^2-\frac{{\left(\mathrm{\&Sigma;X}\right)}^2}{n}]\&CenterDot;[{\mathrm{\&Sigma;Y}}^2-\frac{{\left(\mathrm{\&Sigma;Y}\right)}^2}{n}]}}$

上式中，X、Y为图像中任意两个n×n窗口子图像的组合，∑_X、∑_Y分别为子图灰度值总和，∑_XY为X、Y两个子图对应位置灰度值相乘积后求和。

然后对收缩权值后的路面图像进行软阈值处理，软阈值λ的计算公式为：

$\mathrm{\&lambda;}=\mathrm{\&sigma;}\sqrt{2\ln \left(N\right)}$

上式中，N×N为图像大小，σ为噪声方差；

最后对路面图像小波变换系数进行离散Daubechies4小波反变换，以得到去噪后的路面图像；

(2-3)对去噪后的路面图像进行增强，首先采用图像直方图均衡算法消除路面图像中的灰度不均和阴影，再通过灰度拉伸增强病害目标与正常路面背景的对比度；

其中直方图均衡化变换函数为：

$s_k=T\left(r_k\right)=\underset{j=0}{\overset{k}{\mathrm{\&Sigma;}}}{P}_r\left(r_j\right)$

上式中，T(r)为直方图变换函数，r、s为均衡化前后图像灰度级，0≤r_j≤1，l为图像灰度级，k＝0，1，...l-1，P为r的累积分布函数；灰度拉伸公式为：

$g(x,y)=\left\{\begin{array}{cc}{g}_{\min }& f(x,y)<f_{\min }\\ \frac{f(x,y)-f_{\min }}{f_{\max }-f_{\min }}(g_{\max }-g_{\min })+g_{\min }& f_{\min }\&le;f(x,y)\&le;f_{\max }\\ g_{\max }& f(x,y)>f_{\max }\end{array}\right.$

上式中，f(x，y)为原图像在(x，y)处的灰度值，灰度级在[f_min，f_max]范围内，g(x，y)为拉伸后图像在(x，y)处的灰度值，拉伸后图像灰度级在[g_min，g_max]范围内。

(3)对高速公路路面病害目标区域进行提取，具体包括如下步骤：

(3-1)采用差影法将路面病害图像像素灰度值与一副标准的无病害的路面图像像素灰度值相减，增强路面病害图像中病害的目标，即

f(x，y)＝f(x，y)-f_b(x，y)

上式中，f_b(x，y)为无病害路面图像；

(3-2)采用边缘检测算子提取病害边缘信息；

(4)对路面病害特征进行提取及分类，定位到路面病害区域后，提取病害特征并进行归一化，然后根据病害种类及病害严重程度进行分类，具体包括如下步骤：

(4-1)采用HGM多小波变换提取高速公路路面病害纹理特征，HGM多小波的高频滤波器系数[G₀ G₁ G₂ G₃]和低频滤波器系数[H₀ H₁ H₂ G₃]分别为：

$G_0=\left[\begin{array}{cc}\frac{3}{5\sqrt{2}}& \frac{4}{5}\\ -\frac{1}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right],$ $G_1=\left[\begin{array}{cc}\frac{3}{5\sqrt{2}}& 0\\ \frac{9}{20}& \frac{1}{\sqrt{2}}\end{array}\right],$ $G_2=\left[\begin{array}{cc}0& 0\\ \frac{9}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right],$ $G_3=\left[\begin{array}{cc}0& 0\\ -\frac{1}{20}& 0\end{array}\right]$

$H_0=\frac{1}{10}\left[\begin{array}{cc}-\frac{1}{2}& -\frac{3}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}& 3\end{array}\right],$ $H_1=\frac{1}{10}\left[\begin{array}{cc}\frac{9}{2}& -\frac{10}{\sqrt{2}}\\ -\frac{9}{\sqrt{2}}& 0\end{array}\right],$ $H_2=\frac{1}{10}\left[\begin{array}{cc}\frac{9}{2}& -\frac{3}{\sqrt{2}}\\ \frac{9}{\sqrt{2}}& -3\end{array}\right],$ $H_3=\frac{1}{10}\left[\begin{array}{cc}-\frac{1}{2}& 0\\ -\frac{1}{\sqrt{2}}& 0\end{array}\right];$

(4-2)采用支持向量机分类器对提取的高速公路路面病害纹理特征向量进行分类，识别出最终的病害类别，如裂缝分成单条裂缝和网状复杂病害，单条裂缝分类出横向、纵向等。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.基于无线网络视频传感器的公路路面病害检测及识别方法，其特征在于：该方法包括如下步骤：

(1)采集高速公路路面病害视频图像并定位病害位置，通过无线网络传输到交通信息处理中心存储及预检测，具体包括如下步骤：

(1-1)通过车载高速无线网络摄像机拍摄路面视频图像，所采集的视频图像要覆盖到正在行驶的整个单车道；在获取路面视频图像的同时，GPS记录当前图像帧对应的路面地理位置信息；

(1-2)通过无线通讯网络将视频图像实时传输到交通信息处理中心进行实时处理，当发现病害时，对高速公路路面病害进行特征提取并分类；

(2)对采集到的高速公路路面病害视频图像数据进行预处理，具体包括如下步骤：

(2-1)对获取的病害图像进行色彩分析和灰度化处理，将彩色图像转换为灰度图像；

(2-2)采用Daubechies4小波变换对灰度化的路面图像进行去噪，Daubechies4小波的高频滤波器系数[G₀ G₁ G₂ G₃]和低频滤波器系数[H₀ H₁ H₂ G₃]分别为：

$G_0=\frac{(1+\sqrt{3})}{4\sqrt{2}},$ $G_1=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $G_2=\frac{(3-\sqrt{3})}{4\sqrt{2}},$ $G_3=\frac{(1-\sqrt{3})}{4\sqrt{2}}$

$H_0=\frac{(1-\sqrt{3})}{4\sqrt{2}},$ $H_1=\frac{(-3+\sqrt{3})}{4\sqrt{2}},$ $H_2=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $H_3=\frac{(-1-\sqrt{3})}{4\sqrt{2}};$

(2-3)对去噪后的路面图像进行增强；

(3)对高速公路路面病害目标区域进行提取，具体包括如下步骤：

(3-1)采用差影法将路面病害图像像素灰度值与一副标准的无病害的路面图像像素灰度值相减，增强路面病害图像中病害的目标；

(3-2)采用边缘检测算子提取病害边缘信息；

(4)对路面病害特征进行提取及分类，定位到路面病害区域后，提取病害特征并进行归一化，然后根据病害种类及病害严重程度进行分类，具体包括如下步骤：

(4-1)采用HGM多小波变换提取高速公路路面病害纹理特征，HGM多小波的高频滤波器系数[G₀ G₁ G₂ G₃]和低频滤波器系数[H₀ H₁ H₂ G₃]分别为：

$G_0=\left[\begin{array}{cc}\frac{3}{5\sqrt{2}}& \frac{4}{5}\\ -\frac{1}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right],$ $G_1=\left[\begin{array}{cc}\frac{3}{5\sqrt{2}}& 0\\ \frac{9}{20}& \frac{1}{\sqrt{2}}\end{array}\right],$ $G_2=\left[\begin{array}{cc}0& 0\\ \frac{9}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right],$ $G_3=\left[\begin{array}{cc}0& 0\\ -\frac{1}{20}& 0\end{array}\right]$

$H_0=\frac{1}{10}\left[\begin{array}{cc}-\frac{1}{2}& -\frac{3}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}& 3\end{array}\right],$ $H_1=\frac{1}{10}\left[\begin{array}{cc}\frac{9}{2}& -\frac{10}{\sqrt{2}}\\ -\frac{9}{\sqrt{2}}& 0\end{array}\right],$ $H_2=\frac{1}{10}\left[\begin{array}{cc}\frac{9}{2}& -\frac{3}{\sqrt{2}}\\ \frac{9}{\sqrt{2}}& -3\end{array}\right],$ $H_3=\frac{1}{10}\left[\begin{array}{cc}-\frac{1}{2}& 0\\ -\frac{1}{\sqrt{2}}& 0\end{array}\right];$

(4-2)采用支持向量机分类器对提取的高速公路路面病害纹理特征向量进行分类，识别出最终的病害类别。

2.根据权利要求1所述的基于无线网络视频传感器的公路路面病害检测及识别方法，其特征在于：所述步骤(2-1)中，将彩色图像f(x，y)转换为灰度图像的计算公式为：

f(x，y)＝0.299R+0.587G+0.114B

上式中，(x，y)为图像像素坐标，R、G、B为彩色图像的颜色红绿蓝三个分量。

3.根据权利要求1所述的基于无线网络视频传感器的公路路面病害检测及识别方法，其特征在于：所述步骤(2-2)中采用Daubechies4小波变换对灰度化的路面图像进行去噪，具体包括如下步骤：

(2-2-1)对路面图像作离散Daubechies4小波变换，得到路面图像的小波变换系数，Daubechies4小波的高频滤波器系数[G₀ G₁ G₂ G₃]和低频滤波器系数[H₀ H₁ H₂ G₃]分别为：

$G_0=\frac{(1+\sqrt{3})}{4\sqrt{2}},$ $G_1=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $G_2=\frac{(3-\sqrt{3})}{4\sqrt{2}},$ $G_3=\frac{(1-\sqrt{3})}{4\sqrt{2}}$

$H_0=\frac{(1-\sqrt{3})}{4\sqrt{2}},$ $H_1=\frac{(-3+\sqrt{3})}{4\sqrt{2}},$ $H_2=\frac{(3+\sqrt{3})}{4\sqrt{2}},$ $H_3=\frac{(-1-\sqrt{3})}{4\sqrt{2}};$

(2-2-2)采用n×n的窗口沿着路面图像平滑移动，计算路面图像小波变换系数之间的相关性，得到收缩权值后的路面图像，其中相关性R的计算公式为：

$R=\frac{\mathrm{\&Sigma;XY}-\frac{\mathrm{\&Sigma;X}\&CenterDot;\mathrm{\&Sigma;Y}}{n}}{\sqrt{[{\mathrm{\&Sigma;X}}^2-\frac{{\left(\mathrm{\&Sigma;X}\right)}^2}{n}]\&CenterDot;[{\mathrm{\&Sigma;Y}}^2-\frac{{\left(\mathrm{\&Sigma;Y}\right)}^2}{n}]}}$

上式中，X、Y为图像中任意两个n×n窗口子图像的组合，∑_X，∑_Y分别为子图灰度值总和，∑_XY为X、Y两个子图对应位置灰度值相乘积后求和；

(2-2-3)对收缩权值后的路面图像进行软阈值处理，软阈值λ的计算公式为：

$\mathrm{\&lambda;}=\mathrm{\&sigma;}\sqrt{2\ln \left(N\right)}$

上式中，N×N为收缩权值后路面图像的大小，σ为噪声方差；

(2-2-4)对路面图像进行离散Daubechies4小波反变换，得到去噪后的路面图像。

4.根据权利要求3所述的基于无线网络视频传感器的公路路面病害检测及识别方法，其特征在于：所述步骤(2-2-2)中的n×n的窗口为5×5的窗口。

5.根据权利要求1所述的基于无线网络视频传感器的公路路面病害检测及识别方法，其特征在于：所述步骤(2-3)中对去噪后的路面图像进行增强，具体包括如下步骤：

(2-3-1)采用图像直方图均衡算法消除路面图像中的灰度不均和阴影，其中直方图均衡化变换函数为：

$s_k=T\left(r_k\right)=\underset{j=0}{\overset{k}{\mathrm{\&Sigma;}}}{P}_r\left(r_j\right)$

上式中，T(r)为直方图变换函数，r、s为均衡化前后图像灰度级，0≤r_j≤1，l为图像灰度级，k＝0，1，...l-1，P为r的累积分布函数；

(2-3-2)通过灰度拉伸增强病害目标与正常路面背景的对比度，灰度拉伸公式为：

$g(x,y)=\left\{\begin{array}{cc}{g}_{\min }& f(x,y)<f_{\min }\\ \frac{f(x,y)-f_{\min }}{f_{\max }-f_{\min }}(g_{\max }-g_{\min })+g_{\min }& f_{\min }\&le;f(x,y)\&le;f_{\max }\\ g_{\max }& f(x,y)>f_{\max }\end{array}\right.$

上式中，f(x，y)为原图像在(x，y)处的灰度值，灰度级在[f_min，f_max]范围内，g(x，y)为拉伸后图像在(x，y)处的灰度值，拉伸后图像灰度级在[g_min，g_max]范围内。

Images