CN105241886A - 一种基于hvs与引导滤波器的土遗址裂缝检测方法 - Google Patents

Abstract

本发明公开了一种基于HVS与引导滤波器的土遗址裂缝检测方法，属于图像处理领域。所述发明获取与待处理图像对应的不同尺寸的第一图像、第二图像和第三图像，根据第三图像，使用裂缝检测模板和引导滤波器依次对第三图像、第二图像以及第一图像进行处理，最终获取第一图像的裂缝信息，以便根据第一图像的裂缝信息获取待处理图像的裂缝图像。本发明通过利用人眼视觉特性，在图像的不同尺度下初步检测裂隙，并将其作为下一步引导滤波器的输入图像，以实现土遗址图像中裂缝的准确检测，提高现有技术中所采用图像分割方法的抗噪能力以及降低计算复杂度，同时还防止细小裂缝的缺失，从而提高土遗址图像中裂缝检测的准确性。

Description

一种基于HVS与引导滤波器的土遗址裂缝检测方法

技术领域

本发明属于图像处理领域，特别涉及一种基于HVS与引导滤波器的土遗址裂缝检测方法。

背景技术

土遗址是人类历史上生产、生活等各种活动遗留下来的遗迹，是人类历史上极其珍贵的文化遗产。由于土质建筑材料先天的脆弱性导致绝大多数土遗址病害普遍发育，亟待保护。而在土遗址的众多病害中，裂隙是较为常见的一种病害，也是对土遗址危害程度较高的一种。在土遗址历史文化遗产保护领域中，为能够对土遗址中的裂缝进行无损监测，可采用图像处理的方法。而目前还没有针对土遗址中裂缝的检测方法，现有的裂缝检测方法基本都是针对公路，桥梁或者混凝土等。

现有技术中公开了一种路面裂缝检测系统。该系统包括有信息采集系统、数据存储显示系统、电源管理系统、数据处理系统、GPS定位系统。通过信息采集系统视频记录路面破损信息，结合GPS定位系统的GPS和公路里程桩号对病害位置进行定位，利用数据存储显示系统的数字图像处理技术对病害进行识别，既可得到客观稳定的检测结果，又能快速准确地对病害进行定位、测量。另一种方法则是提出了一种基于图像显著性的路面裂缝检测算法。该方法的具体步骤包括：(1)对路面裂缝图像分块灰度校正，(2)根据灰度稀疏性、全局对比度计算粗尺度下的裂缝显著值，(3)由裂缝局部亮度、边缘特性、连续性特点进行不断扩张的细尺度的局部邻域显著性增强，(4)经空间显著性加强后，采用自适应阈值分割提取裂缝。

发明人在进行相关研究时，发现了如下问题：

前者基于视频图像的裂缝检测，其中视频图像分辨率低，难以检测出准确的裂缝信息，其次，该系统中采用的裂缝检测算法简单，只能检测出裂缝并对其进行定位，但是得到的裂缝的边界不准确，并且对细小裂缝难以检测；后者虽然比传统算法更能正确、有效地检测出裂缝整体区域，抗噪声能力强，漏检率和误检率很低，具有和人类视觉特性相符合的检测结果。但是对于背景复杂的情况，其效果欠佳，并且难以检测到细小的裂缝。因此，现有技术存在一定程度上的局限性。

发明内容

为了解决现有技术的问题，本发明提供了一种基于HVS与引导滤波器的土遗址裂缝检测方法，所述基于HVS与引导滤波器的土遗址裂缝检测方法，包括：

获取待处理图像，将所述待处理图像转换为具有预设尺寸的处理后图像，所述处理后图像包括第一图像、第二图像以及第三图像；

获取所述第三图像的灰度图像，建立裂缝检测模板，对所述第三图像进行裂缝初始定位，得到粗定位第三图像，结合所述第三图像的灰度图像，通过引导滤波器对所述第三图像进行裂缝精确定位，确定所述第三图像中的裂缝信息；

根据所述第三图像中的裂缝信息，获取第二恢复图像，获取所述第二图像的灰度图像，对所述第二图像进行裂缝初始定位，得到粗定位第二图像，结合所述第二恢复图像，确定第二融合图像，结合所述第二图像的灰度图像，通过引导滤波器对所述第二图像进行裂缝精确定位，确定所述第二图像中的裂缝信息；

根据所述第二图像中的裂缝信息，获取第一恢复图像，获取所述第一图像的灰度图像，对所述第一图像进行裂缝初始定位，得到粗定位第一图像，结合所述第一恢复图像，确定第一融合图像，结合所述第一图像的灰度图像，通过引导滤波器对所述第一图像进行裂缝精确定位，确定所述第一图像中的裂缝信息；

获取所述第一图像中的裂缝信息的图像连通区域的面积，去除所述连通区域中的孤立噪点，获取与所述待处理图像对应的裂缝图像。

可选的，所述获取待处理图像，将所述待处理图像转换为具有预设尺寸的处理后图像，包括：

对所述待处理图像使用高斯内核卷积，通过公式(1)获取第l图像中的像素值

$I_l(i,j)=\underset{m=-2}{\overset{2}{\Σ}}\underset{n=-2}{\overset{2}{\Σ}}w(m,n)I_{l-1}(2i+m,2j+n),---\left(1\right)$

将由I_l(i,j)构成的第l图像进行隔行隔列抽样，得到第l+1图像中的像素值，进而构成所述第l+1图像；

其中，I_l(i,j)表示尺度为l的图像中坐标位置为(i,j)处的像素值，w(m,n)为高斯核矩阵中位置为(m,n)处的元素的值，

$w=\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right],$

I_l-1(i,j)表示尺度为l-1的图像中坐标位置为(i,j)处的像素值。

可选的，所述获取所述第三图像的灰度图像，建立裂缝检测模板，对所述第三图像进行裂缝初始定位，得到粗定位第三图像，结合所述第三图像的灰度图像，通过引导滤波器对所述第三图像进行裂缝精确定位，确定所述第三图像中的裂缝信息，包括：

获取所述第三图像的灰度图像，对所述第三图像的灰度图像进行反色处理，进而对处理后的图像进行shear变换，得到变换后的灰度图像；

建立裂缝检测模板，所述裂缝检测模板包括对应裂缝的像素区域和对应所述裂缝周边背景的像素区域；

通过所述裂缝检测模板对所述变换后的灰度图像进行裂缝检测，获取在不同方向上的裂缝图像，将所述不同方向上的裂缝图像进行融合，得到粗定位第三图像；

将所述粗定位第三图像作为引导滤波器的输入图像，将所述第三图像的灰度图像作为所述引导滤波器的引导图像，结合所述引导滤波器对所述第三图像中的裂缝进行精确定位，得到所述第三图像的裂缝信息。

可选的，所述根据所述第三图像中的裂缝信息，获取第二恢复图像，获取所述第二图像的灰度图像，对所述第二图像进行裂缝初始定位，得到粗定位第二图像，结合所述第二恢复图像，确定第二融合图像，结合所述第二图像的灰度图像，通过引导滤波器对所述第二图像进行裂缝精确定位，确定所述第二图像中的裂缝信息，包括：

通过双线性插值法，结合所述第三图像中的裂缝信息进行扩展，得到对应所述第二图像的第二恢复图像；

获取所述第二图像的灰度图像，对所述第二图像的灰度图像进行反色处理，进而对处理后的图像进行shear变换，得到变换后的灰度图像；

通过所述裂缝检测模板，对所述变换后的灰度图像进行裂缝检测，获取在不同方向上的裂缝图像，将所述不同方向上的裂缝图像进行融合，得到粗定位第二图像，结合所述第二恢复图像，确定第二融合图像；

将所述第二融合图像作为引导滤波器的输入图像，将所述第二图像的灰度图像作为所述引导滤波器的引导图像，结合所述引导滤波器对所述第二图像中的裂缝进行精确定位，得到所述第二图像的裂缝信息。

可选的，所述根据所述第二图像中的裂缝信息，获取第一恢复图像，获取所述第一图像的灰度图像，对所述第一图像进行裂缝初始定位，得到粗定位第一图像，结合所述第一恢复图像，确定第一融合图像，结合所述第一图像的灰度图像，通过引导滤波器对所述第一图像进行裂缝精确定位，确定所述第一图像中的裂缝信息，包括：

通过双线性插值法，结合所述第二图像中的裂缝信息进行扩展，得到对应所述第一图像的第一恢复图像；

获取所述第一图像的灰度图像，对所述第一图像的灰度图像进行反色处理，进而对处理后的图像进行shear变换，得到变换后的灰度图像；

通过所述裂缝检测模板，对所述变换后的灰度图像进行裂缝检测，获取在不同方向上的裂缝图像，将所述不同方向上的裂缝图像进行融合，得到粗定位第一图像，结合所述第一恢复图像，确定第一融合图像；

将所述第一融合图像作为引导滤波器的输入图像，将所述第一图像的灰度图像作为所述引导滤波器的引导图像，结合所述引导滤波器对所述第一图像中的裂缝进行精确定位，得到所述第一图像的裂缝信息。

本发明提供的技术方案带来的有益效果是：

通过利用人眼视觉特性，在图像的不同尺度下初步检测裂隙，并将其作为下一步引导滤波器的输入图像，以实现土遗址图像中裂缝的准确检测，提高现有技术中所采用图像分割方法的抗噪能力以及降低计算复杂度，同时还防止细小裂缝的缺失，从而提高土遗址图像中裂缝检测的准确性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种基于HVS与引导滤波器的土遗址裂缝检测方法的流程示意图；

图2a是本发明提供的垂直裂缝检测模板的结构示意图；

图2b是本发明提供的水平裂缝检测模板的结构示意图；

图3a是本发明提供的尺度转换得到的第三图像的示意图；

图3b是本发明提供的尺度转换得到的第二图像的示意图；

图3c是本发明提供的尺度转换得到的第一图像的示意图；

图4a是本发明提供的粗定位第三图像的示意图；

图4b是本发明提供的粗定位第二图像的示意图；

图4c是本发明提供的粗定位第一图像的示意图；

图5a是本发明提供的第三图像的裂缝信息示意图；

图5b是本发明提供的第二图像的裂缝信息示意图；

图5c是本发明提供的第一图像的裂缝信息示意图；

图6是本发明提供的一种基于HVS与引导滤波器的土遗址裂缝检测方法的最终结果示意图；

图7a是本发明提供的GA-Otsu方法的结果示意图；

图7b是本发明提供的FFCM方法的结果示意图；

图7c是本发明提供的一种基于HVS与引导滤波器的土遗址裂缝检测方法的最终结果示意图。

具体实施方式

为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。

实施例一

本发明提供了一种基于HVS与引导滤波器的土遗址裂缝检测方法，如图1所示，所述基于HVS与引导滤波器的土遗址裂缝检测方法，包括：

11、获取待处理图像，将所述待处理图像转换为具有预设尺寸的处理后图像，所述处理后图像包括第一图像、第二图像以及第三图像；

12、获取所述第三图像的灰度图像，建立裂缝检测模板，对所述第三图像进行裂缝初始定位，得到粗定位第三图像，结合所述第三图像的灰度图像，通过引导滤波器对所述第三图像进行裂缝精确定位，确定所述第三图像中的裂缝信息；

13、根据所述第三图像中的裂缝信息，获取第二恢复图像，获取所述第二图像的灰度图像，对所述第二图像进行裂缝初始定位，得到粗定位第二图像，结合所述第二恢复图像，确定第二融合图像，结合所述第二图像的灰度图像，通过引导滤波器对所述第二图像进行裂缝精确定位，确定所述第二图像中的裂缝信息；

14、根据所述第二图像中的裂缝信息，获取第一恢复图像，获取所述第一图像的灰度图像，对所述第一图像进行裂缝初始定位，得到粗定位第一图像，结合所述第一恢复图像，确定第一融合图像，结合所述第一图像的灰度图像，通过引导滤波器对所述第一图像进行裂缝精确定位，确定所述第一图像中的裂缝信息；

15、获取所述第一图像中的裂缝信息的图像连通区域的面积，去除所述连通区域中的孤立噪点，获取与所述待处理图像对应的裂缝图像。

在实施中，为了解决现有裂缝检测方法难以准确检测出土遗址图像中裂缝信息的不足，提出一种基于HVS(humanvisionsystem，人类视觉系统)与引导滤波器的土遗址裂缝检测方法，通过预设的裂缝检测模板对样本图像中的裂缝进行初步检测，并结合引导滤波器对裂缝进行准确检测，从而完成对待处理图像中土遗址裂缝的检测工作，本方法的详细步骤如下：

首先，将待处理图像导入计算机，通过预设的方式将待处理图像转换为三种不同尺寸的图像，尺寸由大到小依次为第一图像、第二图像和第三图像。

接着，对第三图像进行处理，得到其灰度图像，并且构建用于检测图像中裂缝的裂缝检测模板，该模板中确定图像裂缝的像素区域根据土遗址中裂缝的粗细程序进行调整，使用建立好的裂缝检测模板进行裂缝初始定位，得到粗定位的第三图像，并结合已经确定的第三图像的灰度图像在引导滤波器中进行裂缝精确定位，得到第三图像中的裂缝信息。

其次，根据第三图像中的裂缝信息获取第二恢复图像以及对第二图像进行处理获取第二图像的灰度图像，同样适用裂缝检测模板对第二图像进行裂缝初始定位得到粗定位第二图像，结合以获取到的第二恢复图像，获取第二融合图像，进而结合第二图像的灰度图像在引导滤波器中对第二图像进行裂缝精确定位，从而确定第二图像中的裂缝信息。

再次，根据第二图像中的裂缝信息获取第一恢复图像以及对第一图像进行处理获取第一图像的灰度图像，同样适用裂缝检测模板对第一图像进行裂缝初始定位得到粗定位第一图像，结合以获取到的第一恢复图像，获取第一融合图像，进而结合第一图像的灰度图像在引导滤波器中对第一图像进行裂缝精确定位，从而确定第一图像中的裂缝信息。

最后，根据第一图像中的裂缝信息获取图像连通区域的面积，去除其中的孤立早点，从而获取待处理图像中对应的裂缝图像。该步骤属于现有技术已有的方案，因此在本发明内容中不对其进行详细描述。

本发明依据人眼视觉特性HVS，利用基于shear变换与能量密度相结合的裂缝检测方法在不同尺度下的土遗址图像中对裂缝进行粗定位，能够逐步对图像中存在的具有不同宽度的裂缝进行有效的检测。并且本发明对不同尺度下检测的裂缝信息进行融合，能够将更完整地获得图像中的裂缝信息，特别是针对图像中存在的细小裂缝具有较好的检测效果。同时在本发明内引入了引导滤波器，很好的解决了裂缝检测边界不准确的问题。能够准确地检测出裂缝的边界信息，为后期裂缝宽度的准确计算奠定基础。

本发明提供一种基于HVS与引导滤波器的土遗址裂缝检测方法，包括获取与待处理图像对应的不同尺寸的第一图像、第二图像和第三图像，根据第三图像，使用裂缝检测模板和引导滤波器依次对第三图像、第二图像以及第一图像进行处理，最终获取第一图像的裂缝信息，以便根据第一图像的裂缝信息获取待处理图像的裂缝图像。通过利用人眼视觉特性，在图像的不同尺度下初步检测裂隙，并将其作为下一步引导滤波器的输入图像，以实现土遗址图像中裂缝的准确检测，提高现有技术中所采用图像分割方法的抗噪能力以及降低计算复杂度，同时还防止细小裂缝的缺失，从而提高土遗址图像中裂缝检测的准确性。

可选的，所述获取待处理图像，将所述待处理图像转换为具有预设尺寸的处理后图像，包括：

对所述待处理图像使用高斯内核卷积，通过公式(1)获取第l图像中的像素值

$I_l(i,j)=\underset{m=-2}{\overset{2}{\Σ}}\underset{n=-2}{\overset{2}{\Σ}}w(m,n)I_{l-1}(2i+m,2j+n),---\left(1\right)$

将由I_l(i,j)构成的第l图像进行隔行隔列抽样，得到第l+1图像中的像素值，进而构成所述第l+1图像；

其中，I_l(i,j)表示尺度为l的图像中坐标位置为(i,j)处的像素值，w(m,n)为高斯核矩阵中位置为(m,n)处的元素的值，

$w=\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right],$

I_l-1(i,j)表示尺度为l-1的图像中坐标位置为(i,j)处的像素值。

在实施中，在进行具体的图像尺寸变换之前，需要导入待处理的土遗址图像：在计算机中应用matlab软件读取待处理的彩色土遗址图像即待处理图像I，其尺寸大小为M×N；

接着，利用高斯金字塔将待处理的彩色图像进行多尺度变换，可以得到多个不同尺度下的图像；在本发明中待处理图像I变换到3个尺度下的图像，分别为尺度level＝0时的尺寸为M×N的第一图像I₁，尺度level＝1时的尺寸为的第二图像I₂，尺度level＝2时的的第三图像I₃。

上述高斯金字塔多尺度变换主要有两步：

1)对尺度level＝l时的图像进行高斯内核卷积，卷积公式为：

$I_l(i,j)=\underset{m=-2}{\overset{2}{\Σ}}\underset{n=-2}{\overset{2}{\Σ}}w(m,n)I_{l-1}(2i+m,2j+n)---\left(1\right)$

其中，I_l(i,j)表示尺度为l的图像中坐标位置为(i,j)处的像素值，w(m,n)为高斯核矩阵中位置为(m,n)处的元素的值，

$w=\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right],$

I_l-1(i,j)表示尺度为l-1的图像中坐标位置为(i,j)处的像素值。

2)对步骤1)中得到的结果进行隔行隔列抽样，以得到尺度level＝l+1的图像。

通过上述步骤，可以逐渐得到与待处理图像对应的第一图像、第二图像和第三图像。

可选的，所述获取所述第三图像的灰度图像，建立裂缝检测模板，对所述第三图像进行裂缝初始定位，得到粗定位第三图像，结合所述第三图像的灰度图像，通过引导滤波器对所述第三图像进行裂缝精确定位，确定所述第三图像中的裂缝信息，包括：

获取所述第三图像的灰度图像，对所述第三图像的灰度图像进行反色处理，进而对处理后的图像进行shear变换，得到变换后的灰度图像；

建立裂缝检测模板，所述裂缝检测模板包括对应裂缝的像素区域和对应所述裂缝周边背景的像素区域；

通过所述裂缝检测模板对所述变换后的灰度图像进行裂缝检测，获取在不同方向上的裂缝图像，将所述不同方向上的裂缝图像进行融合，得到粗定位第三图像；

将所述粗定位第三图像作为引导滤波器的输入图像，将所述第三图像的灰度图像作为所述引导滤波器的引导图像，结合所述引导滤波器对所述第三图像中的裂缝进行精确定位，得到所述第三图像的裂缝信息。

在实施中，将彩色的第三图像转换为灰度图像所使用的转换公式如公式(2)所示

Gray＝0.233r+0.587g+0.114b(2)

其中，Gray是转换后的灰度图像，r，g和b分别为第三图像I3的红、绿、蓝三个颜色通道。

在得到第三图像的灰度图像后，需要对其进行反色变换。根据人眼视觉特性HVS中人眼对亮度比较敏感的结论，利用公式(3)将灰度图像Gray进行反色处理以得到反色图像G。

G＝e×255-Gray(3)

其中，e是一个和Gray具有相同大小的全1矩阵。

在得到反色图像G后，需要对其进行shear变换，这里需要注意的是图像的Shear变换可以通过Shear矩阵

来实现。其中k∈[-2^(ndir),2^(ndir)],k∈Z，Z表示整数集合，ndir是方向参数(ndir∈N)，本发明中ndir＝0，s₀表示在水平方向对图像进行Shear变换的Shear矩阵。图像G经过Shear变换后可以得到2^(ndir+1)+1个变换后图像。

令A_sh表示s₀，则Shear变换可定义为：

G′_sh＝S(G,A_sh)＝A_sh*G(4)

G'＝{G′_sh|sh∈[-1,1]}(5)

其中S(·)表示Shear变换操作，G为原始图像，G′_sh是Shear变换后的图像，G'是Shear变换后图像的集合。使用Shear矩阵s₀对图像在水平方向上进行Shear变换，变换后图像中位置为(x',y')处的像素值G'_sh(x',y')可以通过公式(6)和(7)得到。

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]=s_0\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}1& 0\\ sh& 1\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]=(x,sh\×x+y)---\left(6\right)$

G'_sh(x',y')＝G(x,y)(7)

其中(x',y')为变换后图像中某个像素的坐标信息，(x,y)为变换前图像中某个像素的坐标信息，G(x,y)表示在shear变换前图像中坐标为(x,y)处的像素值，G'_sh(x',y')表示图像G(x,y)在水平shear变换后的第sh个图像中坐标为(x',y')处的像素值。而在整个Shear变换过程中，图像中各对应像素的值保持不变。

为了达到对图像中的裂缝进行初步检测的目的，这里需要建立裂缝检测模板，构造两个裂缝检测模板，如图2(a)和图2(b)所示，图2(a)和图2(b)中的h₂区域对应于图像裂缝上的像素区域，模板上该区域的大小根据土遗址图像中裂缝的粗细程度来确定。本发明中，其大小可以设置为2×2。模板中的其他部分，即图2(a)和图2(b)中的h₁和h₃区域对应于裂缝周边的背景区域，本发明中，其大小设置为4×2或者2×4。

在裂缝检测模板建立后，使用该模板分别对shear变换后的图像集G'中的每个图像进行裂缝检测。由于在土遗址图像中，裂缝和其周边背景在能量集中程度方面存在较大差异。因此，本发明提出能量密度的概念，以表达图像能量的集中程度。

这里的能量密度是一个反映图像区域能量集中程度的度量标准，使用图像区域能量的平均值来表达，计算公式如公式(8)

$E_d=\frac{\underset{i=1}{\overset{M_A}{\Σ}}\underset{j=1}{\overset{N_A}{\Σ}}{f}^2(i,j)}{M_A\×N_A}---\left(8\right)$

其中，E_d为能量密度，M_A和N_A分别为图像区域Α的长和宽，f(i,j)表示图像中位置为(i,j)处的像素值。裂缝的检测是通过对裂缝上区域的能量密度与其周边背景区域的能量密度进行对比分析来实现的。根据在前一步中构建的模板，裂缝检测模板中各区域的能量密度可以使用公式(9)计算得到：

$E_{dk}=\frac{\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{f}^2(i,j)}{m\×n},(k=1,2,3)---\left(9\right)$

其中，E_dk是模板中各区域的能量密度，E_d1,E_d2和E_d3是对应于h₁，h₂和h₃区域的能量密度，m×n是模板中各区域的大小。计算得到的各区域的能量密度后，依据以下规则对待处理图像进行裂缝检测。

规则1：由于在反色图像中，裂缝的能量集中在较小的区域，即能量密度高；而背景的能量分布较为分散，即能量密度低。因此，在裂缝检测模板的所有区域的能量密度中，裂缝的能量密度是最大的，即：

$\left\{\begin{array}{c}{E}_{d2}>E_{d1}\\ E_{d2}>E_{d3}\end{array}\right.---\left(10\right)$

规则2：裂缝的能量密度与背景的能量密度之间存在较大差异，因此需要设置一个合适的阈值T来控制这一差异，以实现对裂缝的准确判断。该阈值可以使用公式(11)和公式(12)计算：

$\stackrel{\‾}{E_d}=\frac{E_{d1}+E_{d2}+E_{d3}}{3}---\left(11\right)$

$T=E_{d2}-\stackrel{\‾}{E_d}+\mathrm{\α}---\left(12\right)$

其中，为裂缝提取模板中所有区域能量密度的平均值，E_d1,E_d2和E_d3分别为裂缝检测模板中对应的三个区域的能量密度，T为阈值，α为控制参数，α的大小可以根据土遗址图像中裂缝和背景的能量差异来确定。本发明中设定α＝500。根据阈值T，按公式(13)即能够较为准确地将土遗址图像中的裂缝和背景相分离。在裂缝检测模板中，如果h₂区域的能量密度与h₁和h₃区域的能量密度之间的差值都大于T，则h₂区域判定为裂缝上的像素。

$\left\{\begin{array}{c}Ed2-Ed1>T\\ Ed2-Ed3>T\end{array}\right.---\left(13\right)$

经过本步骤就可以得到多个方向的shear变换后图像中的裂缝图像的集合L＝{L_sh|sh∈[-1,1]}。

将上一步中得到的在各个方向上检测的裂缝图像进行逆shear变换。图像的逆Shear变换可以通过逆Shear矩阵

来实现。其中k∈[-2^(ndir),2^(ndir)],k∈Z，Z表示整数集合，ndir是方向参数(ndir∈N)，s₀'表示在水平方向对图像进行逆Shear变换的逆Shear矩阵。

例如对图像集L＝{L_sh|sh∈[-1,1]}中的图像L_sh经过逆Shear变换后可以得到变换后图像，其中L_sh表示图像集L＝{L_sh|sh∈[-1,1]}中第sh个图像。为了准确的进行逆Shear变换，这里需要令A_sh′表示s₀'，这样则逆Shear变换可定义为：

L'_sh＝S′(L_sh,A′_sh)＝A′_sh*L_sh(14)

L'＝{L'_sh|sh∈[-1,1]}(15)

其中，S′(·)表示逆Shear变换操作，L_sh为逆shear变换前图像，L′_sh是L_sh经过逆Shear变换后的图像，L'是逆Shear变换后图像的集合。若使用逆Shear矩阵s₀'对图像在水平方向上进行逆Shear变换，变换后图像中位置为(x_L',y_L')处的像素值L'_sh(x_L',y_L')可以通过公式(16)和公式(17)得到。

$\left[\begin{array}{c}{x_L}^{\′}\\ {y_L}^{\′}\end{array}\right]=s_0\left[\begin{array}{c}{x}_L\\ y_L\end{array}\right]=\left[\begin{array}{cc}1& 0\\ sh& 1\end{array}\right]\left[\begin{array}{c}{x}_L\\ y_L\end{array}\right]=(x_L,sh\×x_L+y_L)---\left(16\right)$

L'_sh(x_L',y_L')＝L(x_L,y_L)(17)

其中，L'_sh(x_L',y_L')表示在水平方向上进行逆shear变换后的图像集的第sh个图像中坐标位置为(x_L',y_L')处的像素值，L(x_L,y_L)表示变换前图像中坐标位置为(x,y)处的像素值。在整个逆Shear变换过程中，图像中各对应像素的值保持不变。

经过上述逆shear变换后，可以得到一个包含不同方向的土遗址裂缝信息的图像集合L'＝{L'_sh|sh∈[-1,1]}。

在经过逆shear变换后，需要将逆shear变换后的图像进行合并。利用公式(18)将获得的不同方向的土遗址裂缝信息的图像集中的图像进行图像融合，最终得到融合后图像L_fusion,3即为在尺度level＝2时的第三图像I₃中的裂缝粗定位。

$L_{fusion,3}(x,y)=\left\{\begin{array}{cc}1& \begin{array}{cc}if& L_{sh}^{\′}(x,y)=1,sh\∈\[-1,1\]\end{array}\\ 0& else\end{array}\right.---\left(18\right)$

其中，L_fusion,3(x,y)表示融合后图像中坐标位置为(x,y)处的像素值，L′_sh(x,y)表示融合前的逆shear变换后图像集的第sh个图像中坐标位置为(x,y)处的像素值。

在得到粗定位的第三图像后，就可以第三图像I₃进行准确的裂缝检测，具体步骤如下：

将粗定位的裂缝图像作为引导滤波器的输入图像，尺度level＝2时的第三图像I₃的灰度图像作为引导滤波器的引导图像。然后利用引导滤波器对第三图像I₃进行裂缝检测，以得到第三图像的裂缝信息。其基本过程描述如下：

根据引导图像中的内容，利用引导滤波器对输入图像提取裂缝信息。例如：以I_i为输入图像，以I_g为引导图像，那么引导滤波器就是对引导图像的一个线性变换(在本步骤中I_i＝L_fusion,3，I_g＝I₃)。即：

$I_O(x,y)=a_k{I}_g(x,y)+b_k,\∀(x,y)\∈{\mathrm{\ω}}_k---\left(19\right)$

其中，I_O(x,y)是滤波变换后图像中坐标位置为(x,y)处的像素值，a_k和b_k是线性系数，I_g(x,y)是引导图像中坐标位置为(x,y)处的像素值，ω_k是以像素点(x,y)为中心,半径为r的一个局部窗口。

为了使输入图像和输出图像之间的差异最小，即需要在窗口ω_k中使以下的函数达到最小化：

$E=\mathrm{\Σ}({\left(I_O\left(x,y\right)-I_i\left(x,y\right)\right)}^2+{{\mathrm{\ϵa}}_k}^2)=\mathrm{\Σ}({\left(a_k{I}_g\left(x,y\right)+b_k-I_i\left(x,y\right)\right)}^2+{{\mathrm{\ϵa}}_k}^2)---\left(20\right)$

其中，E是输入图像I_i和输出图像I_O之间的差异值，ε是一个防止a_k的值过大的正则化参数。当E达到最小时a_k和b_k分别为：

$a_k={({{\mathrm{\σ}}_k}^2+\mathrm{\ϵ})}^{-1}\left(\frac{1}{\left|\mathrm{\ω}\right|}\underset{(x,y)\∈{\mathrm{\ω}}_k}{\Σ}{I}_g\right(x,y\left)I_i\right(x,y)-{\mathrm{\μ}}_k{\stackrel{\‾}{I}}_{ik})---\left(21\right)$

$b_k={\stackrel{\‾}{I}}_{ik}-a_k{\mathrm{\μ}}_k$

其中，σ_k ²和μ_k分别为在窗口ω_k内I_g(x,y)的均值和方差，为I_i(x,y)在窗口ω_k内的均值，|ω|是窗口ω_k内像素点的个数。

值得注意的是，为计算a_k和b_k，本发明提出一种自适应引导滤波器。其中，窗口ω_k的半径r和正则化参数ε是影响滤波效果的关键因素。而ε和r的值是由图像中噪声的严重程度来决定的，可以使用以下方法快速估计噪声的严重程度。用以下公式计算噪声的方差：

${\mathrm{\σ}}_n=\sqrt{\frac{\mathrm{\π}}{2}}\frac{1}{6(W-2)(H-2)}\underset{x=1}{\overset{W}{\Σ}}\underset{y=1}{\overset{H}{\Σ}}|I(x,y)*N|---\left(22\right)$

其中，σ_n是计算得到的噪声的方差，W和H分别表示图像I的宽度和高度，N是一个具有以下形式的掩模算子:

为简化ε和r之间的关系，令:

$\mathrm{\ϵ}={\left(\frac{r}{20}\right)}^2---23)$

其中,r是非零偶数，由噪声的方差σ_n来决定。而r和σ_n之间存在如下线性关系：

r＝aσ_n+b(24)

解该方程式，得出

r＝0.2σ_n(25)

又由于r和σ_n是非零偶数，因此上式进一步化简可得到：

由于一个像素可能被多个窗口所覆盖，因此，可以根据计算得到的参数ak和bk，通过以下公式计算得到滤波后的输出图像IO(x,y)。

$I_O(x,y)={\stackrel{\‾}{a}}_{xy}{I}_g(x,y)+{\stackrel{\‾}{b}}_{xy}---\left(27\right)$

其中，a_k和b_k是覆盖像素(x,y)的所有窗口系数的均值。

本步骤中I_O即为尺度为level＝2时的第三图像I₃的裂缝信息。

通过上述步骤，可以通过裂缝检测模板实现裂缝初步检测，获取粗定位第三图像，以及通过引导滤波器获取第三图像的裂缝信息，确定第三图像中裂缝的准确信息。

可选的，所述根据所述第三图像中的裂缝信息，获取第二恢复图像，获取所述第二图像的灰度图像，对所述第二图像进行裂缝初始定位，得到粗定位第二图像，结合所述第二恢复图像，确定第二融合图像，结合所述第二图像的灰度图像，通过引导滤波器对所述第二图像进行裂缝精确定位，确定所述第二图像中的裂缝信息，包括：

通过双线性插值法，结合所述第三图像中的裂缝信息进行扩展，得到对应所述第二图像的第二恢复图像；

获取所述第二图像的灰度图像，对所述第二图像的灰度图像进行反色处理，进而对处理后的图像进行shear变换，得到变换后的灰度图像；

通过所述裂缝检测模板，对所述变换后的灰度图像进行裂缝检测，获取在不同方向上的裂缝图像，将所述不同方向上的裂缝图像进行融合，得到粗定位第二图像，结合所述第二恢复图像，确定第二融合图像；

将所述第二融合图像作为引导滤波器的输入图像，将所述第二图像的灰度图像作为所述引导滤波器的引导图像，结合所述引导滤波器对所述第二图像中的裂缝进行精确定位，得到所述第二图像的裂缝信息。

在实施中，首先利用双线性插值法将前一步得到的第三图像的裂缝信息的尺寸扩展到与尺度level＝1时的第二图像I₂的尺寸相等。得到尺寸恢复后的第二恢复图像I_3-2。

接下来，依次对彩色的第二图像转换为灰度图像、反色变换、对灰度图像进行shear变换、建立裂缝检测模板、分别对shear变换后的图像集中的每个图像进行裂缝检测，将得到的在各个方向上检测的裂缝图像进行逆shear变换，并且将逆shear变换后的图像进行合并。该部分的内容与前一步对第三图像的处理过程相同，此处由于篇幅所限不再赘述。

在完成上述步骤后，将第二恢复图像I_3-2和得到的粗定位第二图下个L_fusion,2进行融合，得到第二融合图像L′_fusion,2。该融合过程通过公式(28)进行。

L′_fusion,2＝I_3-2|L_fusion,2(28)

获取到第二融合图像后，第二融合图像L′_fusion,2作为引导滤波的输入图像，尺度level＝1时的第二图像I₂的灰度图像作为引导滤波器的引导图像，使用引导滤波器进行裂缝检测，以得到第二图像中的裂缝信息。该过程与前一步得到第三图像的裂缝信息的过程相同，此处不再赘述。

可选的，所述根据所述第二图像中的裂缝信息，获取第一恢复图像，获取所述第一图像的灰度图像，对所述第一图像进行裂缝初始定位，得到粗定位第一图像，结合所述第一恢复图像，确定第一融合图像，结合所述第一图像的灰度图像，通过引导滤波器对所述第一图像进行裂缝精确定位，确定所述第一图像中的裂缝信息，包括：

通过双线性插值法，结合所述第二图像中的裂缝信息进行扩展，得到对应所述第一图像的第一恢复图像；

获取所述第一图像的灰度图像，对所述第一图像的灰度图像进行反色处理，进而对处理后的图像进行shear变换，得到变换后的灰度图像；

通过所述裂缝检测模板，对所述变换后的灰度图像进行裂缝检测，获取在不同方向上的裂缝图像，将所述不同方向上的裂缝图像进行融合，得到粗定位第一图像，结合所述第一恢复图像，确定第一融合图像；

将所述第一融合图像作为引导滤波器的输入图像，将所述第一图像的灰度图像作为所述引导滤波器的引导图像，结合所述引导滤波器对所述第一图像中的裂缝进行精确定位，得到所述第一图像的裂缝信息。

在实施中，首先利用双线性插值法将前一步得到的第二图像的裂缝信息的尺寸扩展到与尺度level＝0时的第一图像I₁的尺寸相等。得到尺寸恢复后的第一恢复图像I_2-1。

接下来，依次对彩色的第一图像转换为灰度图像、反色变换、对灰度图像进行shear变换、建立裂缝检测模板、分别对shear变换后的图像集中的每个图像进行裂缝检测，将得到的在各个方向上检测的裂缝图像进行逆shear变换，并且将逆shear变换后的图像进行合并。该部分的内容与前一步对第二图像的处理过程相同，此处由于篇幅所限不再赘述。

在完成上述步骤后，将第一恢复图像I_2-1和得到的粗定位第二图下个L_fusion,1进行融合，得到第二融合图像L′_fusion,1。该融合过程通过公式(29)进行。

L′_fusion,1＝I_2-1|L_fusion,1(29)

获取到第一融合图像后，第一融合图像L′_fusion,1作为引导滤波的输入图像，尺度level＝0时的第二图像I₁的灰度图像作为引导滤波器的引导图像，使用引导滤波器进行裂缝检测，以得到第一图像中的裂缝信息。该过程与前一步得到第二图像的裂缝信息的过程相同，此处不再赘述。

通过本步骤，可以得到与待处理图像相同尺寸的第一图像的裂缝信息，从而可以根据第一图像的裂缝信息获取待处理图像的裂缝图像。

本发明提供一种基于HVS与引导滤波器的土遗址裂缝检测方法，包括获取与待处理图像对应的不同尺寸的第一图像、第二图像和第三图像，根据第三图像，使用裂缝检测模板和引导滤波器依次对第三图像、第二图像以及第一图下个进行处理，最终获取第一图像的裂缝信息，以便根据第一图像的裂缝信息获取待处理图像的裂缝图像。通过利用人眼视觉特性，在图像的不同尺度下初步检测裂隙，并将其作为下一步引导滤波器的输入图像，以实现土遗址图像中裂缝的准确检测，提高现有技术中所采用图像分割方法的抗噪能力以及降低计算复杂度，同时还防止细小裂缝的缺失，从而提高土遗址图像中裂缝检测的准确性。

本发明的效果可以通过以下仿真进一步说明。

仿真1，对本发明方法进行土遗址图像中裂缝检测的仿真。

仿真1的仿真条件是在MATLABR2010b软件下进行。引导滤波器的参数ε＝0.1¹⁰和r＝10。实验结果描述如下：

参照图3，图3中的三幅图像分别为不同尺度下土遗址原始图像，即尺度level＝0时的尺寸为M×N的I₁，尺度level＝1时的尺寸为的I₂，尺度level＝2时的的I₃。

如图4所示的三幅图像是对不同尺度下的土遗址图像中裂缝的粗定位，可以看出基于shear边缘与能量密度相结合的方法能够在不同尺度下对不同宽度的裂缝进行粗定位，为后期引导滤波器进行裂缝的准确检测奠定基础。

图5中显示的是不同尺度下利用引导滤波器进行裂缝的准确检测的结果图像，可以看出随着图像分辨率的逐步提高，裂缝检测的准确性也在逐步改善，特别是细小边缘也被逐渐检测出来。最后通过计算连通域面积，并采用阈值过滤方法去除孤立的噪声点，得到最终的土遗址图像的裂缝图像，如图6所示。

仿真2，对本发明方法和现有的裂缝检测方法进行对比分析的仿真。

仿真2的仿真条件是在MATLABR2010b软件下进行。引导滤波器的参数ε＝0.1¹⁰和r＝10。本发明方法主要与GA-Otsu和FastFuzzyC-means(FFCM)进行对比分析，以证明出本发明方法在土遗址图像裂缝检测方面，特别是对细小裂缝检测方面具有显著优势。实验结果的对比与分析描述如下：

参照图7，对于土遗址图像中裂缝的检测，不仅需要检测出较为明显的宽裂缝，还需要检测出不显著的细小裂缝，以对土遗址的安全性进行实时的掌控。在本实验中，选取GA-Otsu和FFCM与本发明方法进行对比分析。如图7所示，由GA-Otsu和FFCM得到的结果中能够检测出较为显著的宽裂缝，但是难以检测细小裂缝，导致细小裂缝信息的丢失，对土遗址安全性的评估带来不利影响。与之形成对比的是在本发明方法得到的结果中含有较为完整、准确的细小裂缝信息。除此之外，本发明方法得到的裂缝的边界信息更准确，有利于后期裂缝宽度的准确计算，为土遗址安全性评估提供可靠数据。

需要说明的是：上述实施例提供的一种基于HVS与引导滤波器的土遗址裂缝检测方法进行土遗址裂缝检测的实施例，仅作为该检测方法在实际应用中的说明，还可以根据实际需要而将上述检测放安抚在其他应用场景中使用，其具体实现过程类似于上述实施例，这里不再赘述。

上述实施例中的各个序号仅仅为了描述，不代表各步骤使用过程中得先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于HVS与引导滤波器的土遗址裂缝检测方法，其特征在于，所述基于HVS与引导滤波器的土遗址裂缝检测方法，包括：

获取待处理图像，将所述待处理图像转换为具有预设尺寸的处理后图像，所述处理后图像包括第一图像、第二图像以及第三图像；

获取所述第三图像的灰度图像，建立裂缝检测模板，对所述第三图像进行裂缝初始定位，得到粗定位第三图像，结合所述第三图像的灰度图像，通过引导滤波器对所述第三图像进行裂缝精确定位，确定所述第三图像中的裂缝信息；

根据所述第三图像中的裂缝信息，获取第二恢复图像，获取所述第二图像的灰度图像，对所述第二图像进行裂缝初始定位，得到粗定位第二图像，结合所述第二恢复图像，确定第二融合图像，结合所述第二图像的灰度图像，通过引导滤波器对所述第二图像进行裂缝精确定位，确定所述第二图像中的裂缝信息；

根据所述第二图像中的裂缝信息，获取第一恢复图像，获取所述第一图像的灰度图像，对所述第一图像进行裂缝初始定位，得到粗定位第一图像，结合所述第一恢复图像，确定第一融合图像，结合所述第一图像的灰度图像，通过引导滤波器对所述第一图像进行裂缝精确定位，确定所述第一图像中的裂缝信息；

获取所述第一图像中的裂缝信息的图像连通区域的面积，去除所述连通区域中的孤立噪点，获取与所述待处理图像对应的裂缝图像。

2.根据权利要求1所述的基于HVS与引导滤波器的土遗址裂缝检测方法，其特征在于，所述获取待处理图像，将所述待处理图像转换为具有预设尺寸的处理后图像，包括：

对所述待处理图像使用高斯内核卷积，通过公式(1)获取第l图像中的像素值

将由I_l(i,j)构成的第l图像进行隔行隔列抽样，得到第l+1图像中的像素值，进而构成所述第l+1图像；

其中，I_l(i,j)表示尺度为l的图像中坐标位置为(i,j)处的像素值，w(m,n)为高斯核矩阵中位置为(m,n)处的元素的值，

I_l-1(i,j)表示尺度为l-1的图像中坐标位置为(i,j)处的像素值。

3.根据权利要求1所述的基于HVS与引导滤波器的土遗址裂缝检测方法，其特征在于，所述获取所述第三图像的灰度图像，建立裂缝检测模板，对所述第三图像进行裂缝初始定位，得到粗定位第三图像，结合所述第三图像的灰度图像，通过引导滤波器对所述第三图像进行裂缝精确定位，确定所述第三图像中的裂缝信息，包括：

获取所述第三图像的灰度图像，对所述第三图像的灰度图像进行反色处理，进而对处理后的图像进行shear变换，得到变换后的灰度图像；

建立裂缝检测模板，所述裂缝检测模板包括对应裂缝的像素区域和对应所述裂缝周边背景的像素区域；

通过所述裂缝检测模板对所述变换后的灰度图像进行裂缝检测，获取在不同方向上的裂缝图像，将所述不同方向上的裂缝图像进行融合，得到粗定位第三图像；

将所述粗定位第三图像作为引导滤波器的输入图像，将所述第三图像的灰度图像作为所述引导滤波器的引导图像，结合所述引导滤波器对所述第三图像中的裂缝进行精确定位，得到所述第三图像的裂缝信息。

4.根据权利要求1所述的基于HVS与引导滤波器的土遗址裂缝检测方法，其特征在于，所述根据所述第三图像中的裂缝信息，获取第二恢复图像，获取所述第二图像的灰度图像，对所述第二图像进行裂缝初始定位，得到粗定位第二图像，结合所述第二恢复图像，确定第二融合图像，结合所述第二图像的灰度图像，通过引导滤波器对所述第二图像进行裂缝精确定位，确定所述第二图像中的裂缝信息，包括：

通过双线性插值法，结合所述第三图像中的裂缝信息进行扩展，得到对应所述第二图像的第二恢复图像；

获取所述第二图像的灰度图像，对所述第二图像的灰度图像进行反色处理，进而对处理后的图像进行shear变换，得到变换后的灰度图像；

通过所述裂缝检测模板，对所述变换后的灰度图像进行裂缝检测，获取在不同方向上的裂缝图像，将所述不同方向上的裂缝图像进行融合，得到粗定位第二图像，结合所述第二恢复图像，确定第二融合图像；

将所述第二融合图像作为引导滤波器的输入图像，将所述第二图像的灰度图像作为所述引导滤波器的引导图像，结合所述引导滤波器对所述第二图像中的裂缝进行精确定位，得到所述第二图像的裂缝信息。

5.根据权利要求1所述的基于HVS与引导滤波器的土遗址裂缝检测方法，其特征在于，所述根据所述第二图像中的裂缝信息，获取第一恢复图像，获取所述第一图像的灰度图像，对所述第一图像进行裂缝初始定位，得到粗定位第一图像，结合所述第一恢复图像，确定第一融合图像，结合所述第一图像的灰度图像，通过引导滤波器对所述第一图像进行裂缝精确定位，确定所述第一图像中的裂缝信息，包括：

通过双线性插值法，结合所述第二图像中的裂缝信息进行扩展，得到对应所述第一图像的第一恢复图像；

获取所述第一图像的灰度图像，对所述第一图像的灰度图像进行反色处理，进而对处理后的图像进行shear变换，得到变换后的灰度图像；

通过所述裂缝检测模板，对所述变换后的灰度图像进行裂缝检测，获取在不同方向上的裂缝图像，将所述不同方向上的裂缝图像进行融合，得到粗定位第一图像，结合所述第一恢复图像，确定第一融合图像；

将所述第一融合图像作为引导滤波器的输入图像，将所述第一图像的灰度图像作为所述引导滤波器的引导图像，结合所述引导滤波器对所述第一图像中的裂缝进行精确定位，得到所述第一图像的裂缝信息。