CN103048329A - 一种基于主动轮廓模型的路面裂缝检测方法 - Google Patents

Abstract

本发明提供一种对路面图像增强的方法、以及一种基于主动轮廓模型的路面裂缝检测方法，包括以下步骤：对路面裂缝图像对比度增强；对经过对比度增强后的图像，进行路面裂缝区域精确检测；基于精确检测结果，对路面裂缝进行分类。本发明的技术方案可对自然场景中高速运行过程中获得的各种裂缝图像进行自动识别。利用该方法可对裂缝可疑区域实现高精确性定位，并采用多示例分类方法对定位错误的区域进行鲁棒性识别。

Description

一种基于主动轮廓模型的路面裂缝检测方法

技术领域

本发明涉及一项自动检测技术，尤其是一种对路面图像增强的方法、一种基于主动轮廓模型的路面裂缝检测方法。

背景技术

裂缝是公路路面最常见的病害，对公路的危害极大。特别在冬季和春季，因时有雨、雪渗入，在行车荷载的作用下，使本来就处于裂缝状态的路面病害更加严重。路面病害发现不及时，为道路养护工作带来很多麻烦，增加养护成本，一定程度上也使得道路养护的滞后。路面裂缝检测传统的方法是采用人工现场目测丈量与调查的方法。这种方法存在主观判读误差，效率低，大大影响了公路破损程度信息的及时性、科学性、准确性。因此，采用图像处理和模式识别技术，研究路面裂缝自动检测方法，开发和设计快速、高效、准确的路面裂缝自动检测方法具有重要的意义。

现有的裂缝检测方法主要分两类：一类是以数字图像处理技术为主的方法，该方法主要目的是提高图像成像质量，使操作者观察更清晰。另一类是“半自动检测方法”，该方法对部分图像可实现自动识别裂缝的类型，而对较难识别部分由人工判断，从而实现提醒操作者、避免失误、减少劳动强度的作用。以数字图像处理技术为主的方法，其步骤为：

(1)图像对比度增强，如：直方图修正技术、频率域增强法。

(2)图像去噪声，如：中值滤波、小波去噪、偏微分方程方法。

(3)裂缝边缘检测，基于经典算子如Sobel算子、Laplace算子等。

半自动检测方法的主要步骤为：

(1)图像对比度增强，如：直方图修正技术、频率域增强法。

(2)图像去噪声，如：中值滤波、小波去噪、偏微分方程方法。

(3)裂缝边缘检测，基于经典算子如Sobel算子、Laplace算子等。

(4)裂缝特征提取：从图像样本中得到的对裂缝分类有用的度量或属性，用其反映不同裂缝类别之间的本质差别。

(5)裂缝分类：一般采用有监督学习方法，预先已知训练样本集中每个样本的类别标号，也就是说分别给出了每个类别的训练样本集，然后应用这样的训练样本集进行训练；设计出相应的分类器，根据特征矢量值来决定样本类型。

(6)人工分类：对拒识样本采用人工分类办法。

现有方法对裂缝可疑区域定位准确性较低的原因有：（1）裂缝情况复杂，如坑槽、松散等水损坏，车撤、推拥的流动性变形，从而造成形状、面积和深浅表现各异的裂缝。（2）由于成像设备本身是在自然场景中高速运行过程中拍摄，噪声、光照的形成的阴影等因素对可疑区的检测形成干扰。

也就是说，现有的裂缝检测方法（无论是数字图像处理技术为主的方法，还是“半自动检测方法”）在识别过程中都需要人工参与，而并非真正意义上的自动检测。原因是目前的裂缝检测方法中存在一个矛盾，即现有方法对裂缝可疑区域定位准确性较低，同时，裂缝分类对可疑区域的定位精度要求较高。

发明内容

本发明旨在提供一种基于主动轮廓模型的路面裂缝检测方法，可对自然场景中高速运行过程中获得的各种裂缝图像进行自动识别。利用该方法可对裂缝可疑区域实现高精确性定位，并采用多示例分类方法对定位错误的区域进行鲁棒性识别。

为达到上述目的，本发明提供了一种路面裂缝检测方法，其步骤为：

步骤11:采用模糊逻辑的路面裂缝图像对比度增强算法,达到提高所采集图像整体对比度和增强裂缝图像细节的双重目标。

步骤12:采用基于主动轮廓模型的方法对路面裂缝进行检测。

步骤13:采用基于多示例学习方法对路面裂缝进行分类。

实施时，步骤11包括:

步骤111：裂缝图像归一化处理。

步骤112：裂缝图像局部信息提取及模糊化。

步骤113：裂缝图像整体对比度转换。

实施时，步骤12包括:

步骤121：采用一种基于有监督学习的局部特征分类方法，进行ROI的确定。

步骤122：将建立一种基于概率距离和水平集方法的主动轮廓模型，对划分出的感兴趣区域进行分割。

实施时，步骤12包括:

步骤1：将图像划分为相同大小的块，每一块的大小为9X9。

步骤2：图像的模糊化：将图像通过最大模糊熵方法进行模糊化，以使所有的图像变换到同样的亮度水平上。

步骤3：局部特征的提取：采用一系列共生矩阵度量表示图像块的局部特征。由于裂缝图像中的局部特征并不具有特定的方向性，为了减少特征向量的维数，将相对距离的共生矩阵中提取的局部特征的均值作为一个特征进行分类。

步骤4：分类器的训练：采用支持向量机方法对图像块进行分类。支持向量机可通过核函数将样例由低维空间映射到高维空间，从而解决非线性分类问题。

步骤5：感兴趣区域的确定：在对图像块进行分类后，将利用数学形态学方法对分类结果构成的二值图像进行修正，从而确定感兴趣区域。

步骤6：计算裂缝图像边界指示函数:定义φ为用于表示裂缝边界的水平集函数，E_B(φ)和E_R(φ)分别是基于边缘与基于区域的模型项，E_B(φ)用于描述原始裂缝图像中各区域内灰度的概率分布密度,对图像的全局信息建模;E_R(φ)用于描述裂缝图像中的局部灰度变化,对图像的局部信息建模;E_P(φ)是一个惩罚项，防止在边界演化过程中水平集函数φ变得过陡，收敛于不正确的位置，α,β和γ分别是三个模型项的权值。则最终的裂缝图像边界指示函数定义为:E(φ)=α·E_B(φ)+β·E_R(φ)+γ·E_P(φ)。

步骤7：为了在最小化能量泛函的过程中控制水平集函数的演化,防止水平集函数变得过平或过陡,影响检测过程,采用无重新初始化的演化控制方法。

步骤8：计算不同区域中强度分布的实际值与估计值之间的概率差，利用变分法导出相应的Eular-Lagrange方程，得到水平集函数的演化方程。

步骤9：演化方程的稳定状态，即得到裂缝的准确位置

实施时，步骤13包括:

步骤131：构建多示例包,将图像全局分块，块大小为b1*b1，图像为一个包，包已知标签，每个块为包中的一个示例（横裂，纵裂，块裂，龟裂，图像背景区域），示例未知标签，如下定义，所有裂缝划为一类，图像背景区域，即非裂缝区域为一类，若其中存在至少一个裂缝示例，则此包为正例包，反之则为反例包。

步骤132：对裂缝进行特征提取。

步骤133：采用基于多示例学习方法对路面裂缝进行分类。

实施时，裂缝特征包括:

裂缝方位、边缘特征，外接矩形面积、裂缝长度、长宽比（外接矩形的长宽比）、最长最短径比、平均归一化径向长度、平均归一化径向长度标准差、平均归一化径向长度的熵、面积比率、边缘粗糙度、辐射状特征、方位角度。

实施时，步骤133包括:

步骤1331：构建训练样本库，选择不同场景下的横裂，纵裂，块裂，龟裂样本。

步骤1332：计算每一个样本的13维特征，形成样本的特征向量。

步骤1333：使用训练好的模型，对裂缝进行自动分类。

本发明还提供一种基于主动轮廓模型的路面裂缝检测方法，包括以下步骤：

步骤100：对路面裂缝图像对比度增强；

步骤200：基于步骤100的经过对比度增强后的图像，进行路面裂缝区域精确检测；

步骤300：基于步骤200的精确检测结果，对路面裂缝进行分类。

本发明还提供一种对路面图像的增强方法，包括以下步骤：

步骤1000，计算背景灰度信息熵和裂缝灰度信息熵，来确定背景和目标的最佳阈值；

步骤2000，使用步骤1000中的最佳阈值来确定隶属度函数的参数，

步骤3000，用幂函数作为增强转换函数，利用幂函数的指数作为增强调节系数。

所述调节系数由分别代表局部信息和全局信息的两部分参数构成；其中局部信息是根据像素点所处窗口的边缘均值计算而得。

所述步骤1000进一步包括：

步骤1100：输入原始图像g_orig，计算归一化后图像x，并计算图像x的平均灰度值k；

步骤1200：在区间[0,k]上逐一取值赋给t，计算背景灰度信息熵Hb(t)和目标灰度信息熵和Ho(t)；

步骤1300：由最大信息熵确定最佳阈值t*。

所述步骤2000进一步包括以下步骤：

步骤2100：计算隶属函数参数b=t*，a=2b-c，c为图像x灰度的最大值，将图像x转换到模糊域，计算μ_X(x_mn),其中x_mn为图像中的像素点(m,n)的灰度值；

步骤2200：计算当前位置为(m,n)的像素点局部边缘值

若

值为零，则求出增强后的该点灰度值x′_mn；否则执行步骤2300:；

步骤2300：计算以当前位置为(m,n)的像素点为中心的窗口的边缘均值

和近似度系数

步骤2400：计算模糊信息熵ρ_mn，计算参数值小值δ_min；

步骤2500：计算增强系数σ_mn和转换对比度

然后计算增强后模糊隶属度值和空间域内灰度值；

步骤2600：判断图像中的所有像素点是否全部处理完，如果是则结束，否则继续进行运算。

此外，本发明还提供一种基于路面图像的路面裂缝检测方法，包括以下步骤：

步骤1000，生成的低精度的与实际的裂缝区域较为接近的感兴趣区域；

步骤2000，检测以确定裂缝区域的精确位置。

所述步骤1000中，在低精度的感兴趣区域生成中，进一步包括以下步骤：

步骤1100，通过支持向量机方法建立分类器，将所有图像块分为“裂缝”与“背景”两类；

步骤1200，将分类生成的二值化图像进行后处理，并确定感兴趣区域。

本发明的另一实施方式中，提供一种基于路面图像的路面裂缝检测方法，包括以下步骤：

步骤1000，在高一级尺度层次上对完整的裂缝图像进行检测，找到一个该尺度层次下的分类用感兴趣区域；

步骤2000，降低尺度层次，参考在较高尺度层次下得到的定位结果，在较低尺度上对图像的全部或某一部分进行处理，提高定位精度，直到得到符合后续步骤精度要求的分类用感兴趣区域为止。

本发明的另一实施方式中，提供一种基于主动轮廓模型的路面裂缝检测方法，包括以下步骤：

步骤1000：采用模糊逻辑的路面裂缝图像对比度增强；

步骤2000：对步骤1000中经过对比度增强的图像采用基于主动轮廓模型的方法对路面裂缝进行检测；

步骤3000：对步骤2000中检测出的路面裂缝，采用基于多示例学习方法对路面裂缝进行分类。

所述步骤1000进一步包括：

步骤1100：对裂缝图像归一化处理；

步骤1200：对步骤1100处理后的图像进行图像局部信息提取及模糊化；

步骤1300：对步骤1200处理过的图像进行整体对比度转换。

所述步骤2000进一步包括：

步骤2100：采用基于有监督学习的局部特征分类方法，进行感兴趣区域ROI的确定；

步骤2200：对划分出的感兴趣区域进行分割；

所述步骤3000进一步包括：

步骤3100：构建多示例包,将图像全局分块，块大小为b1*b1，图像为一个包，包已知标签，每个块为包中的一个示例；

步骤3200：对裂缝进行特征提取；

步骤3300：采用基于多示例学习方法对路面裂缝进行分类。

与现有技术相比，本发明能够对自然场景中高速运行过程中获得的各种裂缝图像进行准确地自动识别。

附图说明

图1是本发明所述的基于主动轮廓模型的路面裂缝检测方法技术路线图

图2是本发明所述的模糊逻辑的路面裂缝图像对比度增强算法技术路线图

图3是本发明所述的基于主动轮廓模型的路面裂缝检测方法技术路线图

图4是本发明所述的基于多示例的路面裂缝分类方法技术路线图

具体实施方式

下面结合说明书附图对本发明作进一步的描述。

本发明设计的基于主动轮廓模型的路面裂缝检测方法，是一种全自动的裂缝分类方法，能对自然场景中高速运行过程中获得的各种裂缝图像进行准确地自动识别。

本发明设计的基于主动轮廓模型的路面裂缝检测方法，在第一实施方式中，本发明提供一种基于主动轮廓模型的路面裂缝检测方法，该方法分为三个步骤：第一步为路面裂缝图像对比度增强，第二步为路面裂缝区域精确检测，第三步为路面裂缝分类。

如图1所示，该方法是一种基于水平集方法的主动轮廓模型。其主要有如下两个特点：首先，该方法以各区域中的实际灰度概率密度分布和估计概率密度分布的差异为基础建立检测模型。在该方法中，估计概率密度分布模型通过裂缝图像的背景知识建立，可以有效地对裂缝图像中的各区域的灰度分布进行合理建模。在此条件下，通过最小化实际概率密度与估计概率密度之间差异，可以使检测后产生的各区域中的实际概率密度具有合理的分布，从而获得较好的分割结果。其次，该方法在原始图像上利用了裂缝图像中灰度分布的背景知识建立全局信息模型，同时利用局部边缘响应建立局部信息模型。

上述第一实施方式中所述的三个步骤优选为：

(1)裂缝增强：本领域的技术人员能够理解，该裂缝增强步骤可单独构成一种裂缝增强技术方案。

该步骤进一步包括：

步骤（1-1），基于图像自身灰度分布特点，分别计算背景灰度信息熵和裂缝灰度信息熵，用最大模糊信息熵原则来确定背景和目标的最佳阈值。

步骤（1-2），使用最佳阈值决定隶属度函数的参数，充分利用了图像中的灰度信息。

步骤（1-3），用幂函数作为增强转换函数，巧妙地利用幂函数的指数作为增强调节系数。该系数由分别代表局部信息和全局信息的两部分参数构成。其中局部信息是根据像素点所处窗口的边缘均值计算而得。边缘均值越高，说明该区域越不平坦，即处在边缘或纹理变化剧烈区域的可能性越高，相应的提高其增强系数。反之，像素点所处区域越平坦，则降低其增强系数，使得算法可达到同时提高整体对比度和增强图像细节的双重目标。

作为一个非限制性的描述性的说明，上述步骤（1-1）至（1-3）的步骤如下：

1)输入原始图像g_orig，其尺寸为m×n，计算归一化后图像X，并计算图像X的平均灰度值k；

2)在区间[0,k]上逐一取值赋给t，利用公式(1)和(2)计算背景灰度信息熵H_b(t)和目标灰度信息熵和H_o(t),其中p1，p2，…，pN是各个灰度级的分布概率；

$H_o\left(t\right)=-\underset{i=k}{\overset{t}{\mathrm{\Σ}}}\frac{p_i}{P_t-P_{k-1}}\ln \frac{p_i}{P_t-P_{k-1}}---\left(1\right)$

$H_b\left(t\right)=-\underset{i=t+1}{\overset{N}{\mathrm{\Σ}}}\frac{p_i}{1-P_t}\ln \frac{p_i}{1-P_t}---\left(2\right)$

${\mathrm{\μ}}_X\left(x_{\mathrm{mn}}\right)=S(x_{\mathrm{mn}},a,b,c)=\left\{\begin{array}{c}0,\\ \frac{{(x_{\mathrm{mn}}-a)}^2}{(b-a)(c-a)},\\ 1-\frac{{(x_{\mathrm{mn}}-c)}^2}{(c-b)(c-a)},\\ 1,\end{array}\right.---\left(3\right)$

3)由最大信息熵原则确定最佳阈值t*；。

$H\left(X\right)=\frac{1}{m\×n}\underset{x=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{n-1}{\mathrm{\Σ}}}{S}_n\left(\mathrm{\μ}(x,y)\right)---\left(4\right)$

其中，μ(x,y)为模糊化后图像中像素点的灰度值，H(X)为图像X的信息熵,S_n(·)表示Shannon函数:

S_n(μ(x,y))=-μ(x,y)log₂μ(x,y)-(1-μ(x,y))log₂(1-μ(x,y))    (5)

当参数a和c由直方图确定之后,对每一个处在[a+1,c-1]范围内的t值,根据最大信息熵原则选择最优的值t*：

H_max(I,a,t^*,c)=max{H(I,a,t,c)|a<t<c}    (6)

其中，a和c分别为图像中的像素点的灰度最小值和最大值。

4)计算隶属函数参数b＝t*，a＝2t-c，将图像X转换到模糊域，利用公式（3）计算μ_X(x_mn),其中x_mn为图像中的像素点(m，n)的灰度值；

5)采用公式(7)计算当前位置为(m，n)的像素点局部边缘值

若

值为零，则按公式(8)直接求出增强后的该点灰度值x_mn后转到步骤11)执行，否则转到步骤6)；

${\mathrm{\&delta;}}_{\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)}=\sqrt{S_{1m,n}^2+S_{2m,n}^2}---\left(7\right)$

其中，s₁和s₂分别代表Sobel算子行模板和列模板的计算结果。

x′_mn=f×x_mn    (8)

上式中f的取值范围是：0≤f<1。可以看出，f越小，则像素的灰度值就变得越小。

6)分别按公式(9)和公式(10)计算以当前位置为(m，n)的像素点为中心的窗口的边缘均值

和近似度系数

为表示方便将μ_X(x_mn)记为μ(x_mn)

$E_{\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)}=\frac{\underset{(m,n)\&Element;W_{\mathrm{mn}}}{\mathrm{\&Sigma;}}\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right){\mathrm{\&delta;}}_{\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)}}{\underset{(m,n)\&Element;W_{\mathrm{mn}}}{\mathrm{\&Sigma;}}{\mathrm{\&delta;}}_{\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)}}---\left(9\right)$

其中，W_mn为计算窗口

$C_{\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)}=\frac{|\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)-E_{\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)}|}{|\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)+E_{\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)}|}---\left(10\right)$

7)按公式(11)计算模糊信息熵ρ_mn，并记录模糊信息熵最大值及最小值ρ_max和ρ_min，设置参数最大值σ_max＝1，按公式(9)计算参数值小值σ_mn；

${\mathrm{\&rho;}}_{\mathrm{mn}}=-\frac{\underset{(i,j)\&Element;W_{\mathrm{mn}}}{\mathrm{\&Sigma;}}\left(P_{\mathrm{ij}}{\log }_2{P}_{\mathrm{ij}}\right)}{{\log }_2\left(S_m{S}_n\right)}---\left(11\right)$

式中， $P_{\mathrm{ij}}=\frac{\mathrm{\&mu;}\left(x_{\mathrm{ij}}\right){\mathrm{\&delta;}}_{\mathrm{\&mu;}\left(x_{\mathrm{ij}}\right)}}{\underset{(u,v)\&Element;W_{\mathrm{mn}}}{\mathrm{\&Sigma;}}\mathrm{\&mu;}\left(x_{\mathrm{uv}}\right){\mathrm{\&delta;}}_{\mathrm{\&mu;}\left(x_{\mathrm{uv}}\right)}},$

Sm和Sn分别是图像的宽和高（以像素为单位）。

${\mathrm{\&sigma;}}_{\min }=\frac{c-a}{2(L_{\max }-L_{\min })}---\left(12\right)$

L_max与L_min分别为X图像中的最大灰度值与最小灰度值。

8)分别按公式(13)和公式(14)计算增强系数σ_mn和转换对比度

然后按公式(15)计算增强后模糊隶属度值和空间域内灰度值，ρ_max和ρ_min分别是模糊信息熵的最大值和最小值；

${\mathrm{\&sigma;}}_{\mathrm{mn}}={\mathrm{\&sigma;}}_{\min }+\frac{({\mathrm{\&rho;}}_{\mathrm{mn}}-{\mathrm{\&rho;}}_{\min })({\mathrm{\&sigma;}}_{\max }-{\mathrm{\&sigma;}}_{\min })}{{\mathrm{\&rho;}}_{\max }-{\mathrm{\&rho;}}_{\min }}---\left(13\right)$

$C_{\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)}^{\&prime;}={\left(C_{\mathrm{\&mu;}\left(x_{\mathrm{mn}}\right)}\right)}^{{\mathrm{\&sigma;}}_{\mathrm{mn}}}---\left(14\right)$

$x_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{L}_{\min },& {\mathrm{\&mu;}}^{\&prime;}\left(x_{\mathrm{mn}}\right)=0,\\ L_{\min }+\frac{L_{\max }-L_{\min }}{c-a}\&CenterDot;& \\ \sqrt{{\mathrm{\&mu;}}^{\&prime;}\left(x_{\mathrm{mn}}\right)(b-a)(c-a)},& 0<{\mathrm{\&mu;}}^{\&prime;}\left(x_{\mathrm{mn}}\right)\&le;\frac{b-a}{c-a},\\ L_{\min }+\frac{L_{\max }-L_{\min }}{c-a}\&CenterDot;& \\ (c-a-\sqrt{1-{\mathrm{\&mu;}}^{\&prime;}\left(x_{\mathrm{mn}}\right)(c-b)(c-a)}),& \frac{b-a}{c-a}<{\mathrm{\&mu;}}^{\&prime;}\left(x_{\mathrm{mn}}\right)<1,\\ L_{\max },& {\mathrm{\&mu;}}^{\&prime;}\left(x_{\mathrm{mn}}\right)=1\end{array}\right.---\left(15\right)$

9)判断图像中的所有像素点是否全部处理完，如果是则转到步骤10)；否则转到步骤5)，继续进行运算；

10)算法结束。

关于裂缝增强步骤，可进一步参见本发明的附图2，该图较好地描述了本发明的模糊逻辑的路面裂缝图像对比度增强算法流程。

(2)裂缝检测：本领域的技术人员能够理解，该裂缝检测步骤可单独构成一种裂缝检测技术方案。

该裂缝检测步骤进一步包括：

步骤（2-1），生成的低精度的与实际的裂缝区域较为接近的感兴趣区域。

步骤（2-2），检测以确定裂缝区域的精确位置。

更进一步，所述步骤（2-1）中，在低精度的感兴趣区域生成中，考虑到裂缝图像结构较为复杂、图像的质量较低是妨碍感兴趣区域自动精确定位的。为此，本发明提供的更为优选的实施方式中，“生成的低精度的与实际的裂缝区域较为接近的感兴趣区域”进一步包括以下步骤：

步骤（2-1-1），提出了一种高尺度层次下的低精度感兴趣区域自动定位方法。利用这一方法，可以生成一个与裂缝相近的感兴趣区域。通过这个感兴趣区域，可以为后续步骤提供便利的条件，使问题大大简化。该方法基于局部纹理信息和统计学习方法，将感兴趣区域问题转化为一个分类问题，并通过有监督学习方式建立分类器来解决。在本方法中将图像分为大小相等的块，利用灰度共生矩阵提取每块中的局部纹理信息作为分类特征。

步骤（2-1-2），通过支持向量机方法建立分类器，将所有图像块分为“裂缝”与“背景”两类。

步骤（2-1-3），将分类生成的二值化图像进行后处理，并通过基于一系列规则确定感兴趣区域。这一方法生成的低精度感兴趣区域与实际的裂缝区域较为接近，同时，基于这一结果生成的分割用感兴趣区域可以有效地覆盖完整裂缝区域。这些特性有利于后续步骤的进行。

在本发明提出的上述步骤（2-2）中，裂缝区域的精确位置确定的优选方案中，包括：

步骤（2-2-1），提出了一个基于灰度概率密度差异与局部边缘信息的主动轮廓模型用于对裂缝图像中的感兴趣区域进行进一步检测以确定裂缝区域的精确位置。该方法是一个基于水平集方法的主动轮廓模型，其主要有如下两个特点。首先，该方法以各区域中的实际灰度概率密度分布和估计概率密度分布的差异为基础建立分割模型。在该方法中，估计概率密度分布模型通过裂缝图像的背景知识建立，可以有效地对裂缝图像中的各区域的灰度分布进行合理建模。在此条件下，通过最小化实际概率密度与估计概率密度之间差异，可以使分割后产生的各区域中的实际概率密度具有合理的分布，从而获得较好的检测结果。其次，该方法在原始裂缝图像上利用了图像中灰度分布的背景知识建立全局信息模型，利用局部边缘响应建立局部信息模型。

在另一个可选的实施方式中，裂缝检测的步骤包括：

步骤（2-1’）在高一级尺度层次上对完整的裂缝图像进行检测，找到一个该尺度层次下的分类用感兴趣区域。

步骤（2-2’）降低尺度层次，参考在较高尺度层次下得到的定位结果，在较低尺度上对图像的全部或某一部分进行处理，提高定位精度，直到得到符合后续步骤精度要求的分类用感兴趣区域为止。其中，对于不同尺度层次，针对处理要达到的目标和图像的实际特点采取不同的手段进行处理。

构造主动轮廓模型的能量泛函：

E(φ)=α·E_B(φ)+β·E_R(φ)+γ·E_P(φ)    (16)

φ为用于表示裂缝边界的水平集函数，即为不同区域间的边界曲线。其中,α，β，γ分别为上述各项的权值，为预先设置的正实数。

E_R是一个采用“基于区域”的方式建立的能量项，其作用是考虑图像中不同区域的全局信息。在E_R项中，通过各区域内的灰度的实际概率密度分布与估计概率密度分布之间的加权差异建立能量泛函，以使检测后的各区域具有合理的灰度概率密度分布。E_B是一个采用“基于边缘”的方式建立的能量项，其作用是考虑图像中的局部边缘响应，辅助全局信息项E_R找到更加准确的边界位置。E_P项用于控制目标曲线的长度，以防止过检测现象的产生。基于概率密度差异的全局信息模型：

设图像I^Ro为一个二维实函数，其定义域为Ω；在该图像中，分为前景区域和背景区域分别定义为Ω_i和Ω_e，前景区域与背景区域满足条件：Ω_i∪Ω_e=Ω，

设在前景和背景区域中，灰度的实际概率密度分布分别为p_i和p_e。则在前景区域与背景区域中，可以定义通过估计得到的灰度的概率密度分布为估计概率密度分布，分别可以写作

和

基于概率密度差异的全局信息模型可以表示为如下的泛函：

$E_R\left(C\right)=A_i\left(C\right)\&CenterDot;D(p_i\left(C\right),p_i^E\left(C\right))+A_e\left(C\right)\&CenterDot;D(p_e\left(C\right),p_e^E\left(C\right))---\left(17\right)$

其中，A_i和A_e为前景区域和背景区域的面积；C为不同区域间的边界曲线；D(·,·)为两个灰度概率密度之间的差异；

计算两个灰度概率密度之间的差异D(·,·)，采用式(18)计算：

$D(p,p^E)=\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}p\left(i\right){(p\left(i\right)-p^E\left(i\right))}^2---\left(18\right)$

其中，i为灰度级，g_min和g_max分别为最小和最大灰度级。

前景的实际概率密度分布可以由式(19)计算：

$p_i\left(g\right)=\frac{{\&Integral;\&Integral;}_{{\mathrm{\&Omega;}}_i}\mathrm{\&delta;}(I_{x,y}^{\mathrm{Ro}}-g)\mathrm{dxdy}}{A_i},g=0,...,255---\left(19\right)$

背景区域的实际概率密度分布可以由式(20)计算：

$p_e\left(g\right)=\frac{{\&Integral;\&Integral;}_{{\mathrm{\&Omega;}}_e}\mathrm{\&delta;}(I_{x,y}^{\mathrm{Ro}}-g)\mathrm{dxdy}}{A_e},g=0,...,255---\left(20\right)$

其中，δ(·)是冲激函数，g为灰度等级，

为图像I^Ro在(x,y)点的灰度值，

前景区域的面积为：

$A_i={\&Integral;\&Integral;}_{{\mathrm{\&Omega;}}_i}\mathrm{dxdy}---\left(21\right)$

背景区域的面积分别为：

$A_e={\&Integral;\&Integral;}_{{\mathrm{\&Omega;}}_e}\mathrm{dxdy}---\left(22\right)$

构建估计概率密度模型是建立检测模型的重要组成部分，估计概率密度模型的合理性决定了检测的最终效果。本发明采用如下的方法估计不同区域中灰度的估计概率密度分布的参数：

${\hat{a}}_j={\mathrm{\&mu;}}_j-\sqrt{\mathrm{\&pi;}{\hat{b}}_j/4},j\&Element;\{i,e\}---\left(23\right)$

${\hat{b}}_j=\frac{4{\mathrm{\&sigma;}}_j^2}{4-\mathrm{\&pi;}},j\&Element;\{i,e\}$ (24)

其中，μ_j和

为对应区域中的灰度均值和方差；

和

为参数估计结果。

本发明使用测地线主动轮廓模型作为局部信息模型辅助区域模型进行检测：

$E_B\left(C\right)={\&Integral;}_C{g}^{\mathrm{Rd}}(x\left(s\right),y\left(s\right))\mathrm{ds}+{\&Integral;}_{{\mathrm{\&Omega;}}_i}{g}^{\mathrm{Rd}}(x,d)\mathrm{dxdy}---\left(25\right)$

其中，g^Rd(·)为边缘指示函数。在这里，g^Rd(·)可以写作如下的形式：

$g^{\mathrm{Rd}}(x,y)=\frac{1}{1+{|\&dtri;I^{\mathrm{Rd}}(x,y)|}^2}---\left(26\right)$

其中，I^Rd是对I^Ro进行预处理的结果。s为图像灰度值。

为经预处理后图像灰度值的梯度在“基于边缘”的主动轮廓模型中，边缘指示函数是基于经过一定尺度的高斯滤波的图像建立的，即可得到图像I^Rd以建立边缘指示函数。

由于控制区域边界的长度可以在检测过程中防止过多细小的区域的出现，有效地防止过检测现象，在本发明中，将边界长度项E_P加入检测模型：

E_P(C)=∫_Cds    (27)

检测模型的水平集表示与离散化：采用了水平集方法对曲线的进行演化。为此，首先需要将检测模型写成水平集形式。设水平集函数φ为定义在Ω上的实函数，图像的前景区域Ω_i和背景区域Ω_e分别定义为：Ω_i={(x，y)|φ(x,y)>0,(x,y)∈Ω}和Ω_e={(x,y)|φ(x,y)<0,(x,y)∈Ω}。将水平集函数φ和heavyside函数分别引入模型项E_R、E_B和E_P，可以将模型项写成如下的形式：

$E_R\left(\mathrm{\&phi;}\right)={\&Integral;\&Integral;}_{\mathrm{\&Omega;}}{(p_i\left(I_{x,y}^{\mathrm{Ro}}\right)-p_i^E\left(I_{x,y}^{\mathrm{Ro}}\right))}^{2}H\left({\mathrm{\&phi;}}_{x,y}\right)\mathrm{dxdy}---\left(28\right)$

$+{\&Integral;\&Integral;}_{\mathrm{\&Omega;}}{(p_o\left(I_{x,y}^{\mathrm{Ro}}\right)-p_o^E\left(I_{x,y}^{\mathrm{Ro}}\right))}^2(1-H\left({\mathrm{\&phi;}}_{x,y}\right))\mathrm{dxdy}$

$E_B\left(\mathrm{\&phi;}\right)={\&Integral;\&Integral;}_{\mathrm{\&Omega;}}{g}_{x,y}^{\mathrm{Rd}}\left(\right|\&dtri;H\left({\mathrm{\&phi;}}_{x,y}\right)|+H\left({\mathrm{\&phi;}}_{x,y}\right))\mathrm{dxdy}---\left(29\right)$

$E_P\left(\mathrm{\&phi;}\right)={\&Integral;\&Integral;}_{\mathrm{\&Omega;}}|\&dtri;H\left(\mathrm{\&phi;}\right)|\mathrm{dxdy}---\left(30\right)$

其中heavyside函数定义为H(φ)：

$H\left(\mathrm{\&phi;}\right)=\left\{\begin{array}{c}1,\mathrm{\&phi;}\&GreaterEqual;0\\ 0,\mathrm{\&phi;}<0\end{array}\right.$

(31)

本发明中为了控制水平集函数的演化，采用了无重新初始化（non re-initialization）的演化计算策略。控制项为：

$E_P\left(\mathrm{\&phi;}\right)={\&Integral;\&Integral;}_{\mathrm{\&Omega;}}\frac{1}{2}{\left(\right|\&dtri;\mathrm{\&phi;}|-1)}^2\mathrm{dxdy}---\left(32\right)$

最终的曲线演化方程检测模型可以写为：

$\left\{\begin{array}{c}\frac{\&PartialD;\mathrm{\&phi;}}{\&PartialD;t}=\mathrm{\&delta;}\left(\mathrm{\&phi;}\right)(\mathrm{\&alpha;}{(p_o-p_o^E)}^2-\mathrm{\&alpha;}{(p_i-p_i^E)}^2+\mathrm{div}\left(({\mathrm{\&beta;g}}^{\mathrm{Rd}}+{\mathrm{\&omega;}}_L)\frac{\&dtri;\mathrm{\&phi;}}{|\&dtri;\mathrm{\&phi;}|}\right)-{\mathrm{\&beta;g}}^{\mathrm{Rd}})+\mathrm{\&gamma;}(\mathrm{\&Delta;\&phi;}-\mathrm{div}\left(\frac{\&dtri;\mathrm{\&phi;}}{|\&dtri;\mathrm{\&phi;}|}\right))\\ \mathrm{\&phi;}(x,y,0)={\mathrm{\&phi;}}^0\\ \frac{\mathrm{\&delta;}\left(\mathrm{\&phi;}\right)}{|\&dtri;\mathrm{\&phi;}|}\&CenterDot;\frac{\&PartialD;\mathrm{\&phi;}}{{\&PartialD;}_n^r}=0\end{array}\right.---\left(33\right)$

其中，φ⁰为水平集函数φ的初始条件。其中p_i和p_o分别为前景与背景区域的实际概率密度分布。

(3)裂缝分类：在一般裂缝分类系统中，特征正确提取需要以提取出准确的裂缝区域作为前提，但是由裂缝检测技术无法做到100%准确，即提取算法的不精确性，伪影和其它结构会被当成裂缝区域被检测出来，造成一个样本具有多个检测区域(非裂缝区域，裂缝区域)，使得不确定裂缝区域而引入更多非裂缝信息，进而造成传统分类算法在此种情况下分类效果下降。针对上述情况，本发明采用多示例学习的方法对裂缝分类进行了研究。首先提出了适合于此种问题的多示例包结构构造方法，进而将多示例学习(MIL)的分类算法引入到分类系统中用以解决上述问题。

本发明构建出适当的包结构同时引入多示例学习算法，使得对裂缝不敏感的分类成为可能，分类器设计包含四部分，分别为：包构建，裂缝特征提取，分类器训练以及分类。

包构建：构建多示例包,将图像全局分块，块大小为b1*b1，图像为一个包，包已知标签，每个块为包中的一个示例（横裂，纵裂，块裂，龟裂，图像背景区域），

示例未知标签，定义为：所有裂缝划为一类，图像背景区域，即非裂缝区域为一类，若其中存在至少一个裂缝示例，则此包为正例包，反之则为反例包。

为了完善第一实施方式，本发明的第二实施方式中设计了基于模糊逻辑的路面裂缝图像对比度增强算法。应用模糊数学的理论来处理数字图像，首先需要将图像空间域的特征信息转换到模糊域上，即要将图像的灰度值映射到[0,1]区间上。然后在模糊域中应用模糊数学的理论进行所要的图像操作，最后再将结果从模糊域转换到空间域中。由于在模糊集合中，隶属函数即描述了模糊集合的属性，因此也就表现了模糊操作的性能。

更进一步，本发明的第三实施例中，提供了基于多示例（MIL，multiple instancelearning）的路面裂缝分类方法。

多示例学习（MIL）是一种弱监督学习方法。在传统学习框架中，一个样本代表一个示例，即样本和示例是一一对应关系，同时示例的标签全部已知或者全部未知；而在多示例学习中，一个样本被定义为一个包，其中包含了多个示例，即样本和示例是一对多的对应关系，同时样本（包）的标签已知但是示例的标签未知。所以多示例学习中的训练样本的歧义性与传统学习中样本的歧义性都完全不同，这使得多示例可以解决传统学习方法难于解决的问题。

在本发明的第四实施方式中，提供了一种基于主动轮廓模型的路面裂缝检测方法，其步骤为：

步骤11:采用模糊逻辑的路面裂缝图像对比度增强算法,达到提高所采集图像整体对比度和增强裂缝图像细节的双重目标。

步骤12:采用基于主动轮廓模型的方法对路面裂缝进行检测。

步骤13:采用基于多示例学习方法对路面裂缝进行分类。

实施时，步骤11包括:

步骤111：裂缝图像归一化处理。

步骤112：裂缝图像局部信息提取及模糊化。

步骤113：裂缝图像整体对比度转换。

实施时，步骤12包括:

步骤121：采用一种基于有监督学习的局部特征分类方法，进行ROI的确定。

步骤122：将建立一种基于概率距离和水平集方法的主动轮廓模型，对划分出的感兴趣区域进行分割。

实施时，步骤12包括:

步骤1：将图像划分为相同大小的块，每一块的大小为9X9。

步骤2：图像的模糊化：将图像通过最大模糊熵方法进行模糊化，以使所有的图像变换到同样的亮度水平上。

步骤3：局部特征的提取：采用一系列共生矩阵度量表示图像块的局部特征。由于裂缝图像中的局部特征并不具有特定的方向性，为了减少特征向量的维数，将相对距离的共生矩阵中提取的局部特征的均值作为一个特征进行分类。

步骤4：分类器的训练：采用支持向量机方法对图像块进行分类。支持向量机可通过核函数将样例由低维空间映射到高维空间，从而解决非线性分类问题。

步骤5：感兴趣区域的确定：在对图像块进行分类后，将利用数学形态学方法对分类结果构成的二值图像进行修正，从而确定感兴趣区域。

步骤6：计算裂缝图像边界指示函数:定义φ为用于表示裂缝边界的水平集函数，E_B(φ)和E_R(φ)分别是基于边缘与基于区域的模型项，E_B(φ)用于描述原始裂缝图像中各区域内灰度的概率分布密度,对图像的全局信息建模;E_R(φ)用于描述裂缝图像中的局部灰度变化,对图像的局部信息建模;E_P(φ)是一个惩罚项，防止在边界演化过程中水平集函数φ变得过陡，收敛于不正确的位置，α,β和γ分别是三个模型项的权值。则最终的裂缝图像边界指示函数定义为:E(φ)=α·E_B(φ)+β·E_R(φ)+γ·E_P(φ)。

步骤7：为了在最小化能量泛函的过程中控制水平集函数的演化,防止水平集函数变得过平或过陡,影响检测过程,采用无重新初始化的演化控制方法。

步骤8：计算不同区域中强度分布的实际值与估计值之间的概率差，利用变分法导出相应的Eular-Lagrange方程，得到水平集函数的演化方程。

步骤9：演化方程的稳定状态，即得到裂缝的准确位置

实施时，步骤13包括:

步骤131：构建多示例包,将图像全局分块，块大小为b1*b1，图像为一个包，包已知标签，每个块为包中的一个示例（横裂，纵裂，块裂，龟裂，图像背景区域），示例未知标签，如下定义，所有裂缝划为一类，图像背景区域，即非裂缝区域为一类，若其中存在至少一个裂缝示例，则此包为正例包，反之则为反例包。

步骤132：对裂缝进行特征提取。

步骤133：采用基于多示例学习方法对路面裂缝进行分类。

实施时，裂缝特征包括:

裂缝方位、边缘特征，外接矩形面积、裂缝长度、长宽比（外接矩形的长宽比）、最长最短径比、平均归一化径向长度、平均归一化径向长度标准差、平均归一化径向长度的熵、面积比率、边缘粗糙度、辐射状特征、方位角度。

实施时，步骤133包括:

步骤1331：构建训练样本库，选择不同场景下的横裂，纵裂，块裂，龟裂样本。

步骤1332：计算每一个样本的13维特征，形成样本的特征向量。

步骤1333：使用训练好的模型，对裂缝进行自动分类。

本发明描述了一个基于最大信息熵的裂缝模糊增强方法。该方法根据图像本身特点，综合利用图像的整体及局部信息，提高图像的整体对比度，调节图像的动态范围，在改善图像的整体视觉效果的情况下，又能够恰当地增强图像局部对比度，从而加强了裂缝的边缘及轮廓信息，有效地突出了可疑区域的内部细节。

以上说明对本发明而言是非限制性的，只是说明性的，本领域普通技术人员理解，在不脱离所权利要求的所限定的精神和范围的情况下，可做出许多修改、变化或等效，但都落入本发明的保护范围内。

Claims (10)

1.一种路面裂缝检测方法，包括以下步骤：

步骤100：对路面裂缝图像进行对比度增强；

步骤200：基于步骤100的经过对比度增强后的图像，进行路面裂缝区域精确检测；

步骤300：基于步骤200的精确检测结果，对路面裂缝进行分类。

2.一种对路面图像的增强方法，包括以下步骤：

步骤1000，计算背景灰度信息熵和裂缝灰度信息熵，来确定背景和目标的最佳阈值；

步骤2000，使用步骤1000中的最佳阈值来确定隶属度函数的参数；

步骤3000，用幂函数作为增强转换函数，利用幂函数的指数作为增强调节系数进行图像增强。

3.如权利要求2所述的对路面图像增强的方法，其特征在于：

所述调节系数由分别代表局部信息和全局信息的两部分参数构成；其中局部信息是根据像素点所处窗口的边缘均值计算而得。

4.如权利要求2所述的对路面图像增强的方法，其特征在于：

所述步骤1000进一步包括：

步骤1100：输入原始图像g_orig，计算归一化后图像x，并计算图像x的平均灰度值k；

步骤1200：在区间[0,k]上逐一取值赋给t，计算背景灰度信息熵Hb(t)和目标灰度信息熵和Ho(t)；

步骤1300：由最大信息熵确定最佳阈值t*。

5.如权利要求4所述的对路面图像增强的方法，其特征在于：

所述步骤2000进一步包括以下步骤：

步骤2100：计算隶属函数参数b=t*，a=2b-c，c为图像x灰度的最大值，将图像x转换到模糊域，计算μ_X(x_mn),其中x_mn为图像中的像素点(m,n)的灰度值；

步骤2200：计算当前位置为(m,n)的像素点局部边缘值

若值为零，则求出增强后的该点灰度值x′_mn；否则执行步骤2300；

步骤2300：计算以当前位置为(m,n)的像素点为中心的窗口的边缘均值

和近似度系数

步骤2400：计算模糊信息熵ρ_mn，计算参数值小值δ_min；

步骤2500：计算增强系数σ_mn和转换对比度

然后计算增强后模糊隶属度值和空间域内灰度值；

步骤2600：判断图像中的所有像素点是否全部处理完，如果是则结束，否则继续进行运算。

6.一种基于路面图像的路面裂缝检测方法，包括以下步骤：

步骤1000，生成的低精度的与实际的裂缝区域较为接近的感兴趣区域；

步骤2000，检测以确定裂缝区域的精确位置。

7.如权利要求6所述的基于路面图像的路面裂缝检测方法，其特征在于：

所述步骤1000中，在低精度的感兴趣区域生成中，进一步包括以下步骤：

步骤1100，通过支持向量机方法建立分类器，将所有图像块分为“裂缝”与“背景”两类；

步骤1200，将分类生成的二值化图像进行后处理，并确定感兴趣区域。

8.一种基于路面图像的路面裂缝检测方法，包括以下步骤：

步骤1000，在高一级尺度层次上对完整的裂缝图像进行检测，找到一个该尺度层次下的分类用感兴趣区域；

步骤2000，降低尺度层次，参考在较高尺度层次下得到的定位结果，在较低尺度上对图像的全部或某一部分进行处理，提高定位精度，直到得到符合后续步骤精度要求的分类用感兴趣区域为止。

9.一种路面裂缝检测方法，包括以下步骤：

步骤1000：采用模糊逻辑的路面裂缝图像对比度增强；

步骤2000：对步骤1000中经过对比度增强的图像采用基于主动轮廓模型的方法对路面裂缝进行检测；

步骤3000：对步骤2000中检测出的路面裂缝，采用基于多示例学习方法对路面裂缝进行分类。

10.如权利要求9所述的路面裂缝检测方法，其特征在于：

所述步骤1000进一步包括：

步骤1100：对裂缝图像归一化处理；

步骤1200：对步骤1100处理后的图像进行图像局部信息提取及模糊化；

步骤1300：对步骤1200处理过的图像进行整体对比度转换。

所述步骤2000进一步包括：

步骤2100：采用基于有监督学习的局部特征分类方法，进行感兴趣区域ROI的确定；

步骤2200：对划分出的感兴趣区域进行分割；

所述步骤3000进一步包括：

步骤3100：构建多示例包,将图像全局分块，块大小为bl*bl，图像为一个包，包已知标签，每个块为包中的一个示例；

步骤3200：对裂缝进行特征提取；

步骤3300：采用基于多示例学习方法对路面裂缝进行分类。

Images