CN105719259A - 路面裂缝图像检测方法 - Google Patents

Abstract

本发明涉及一种路面裂缝图像检测方法，对采集到的路面图像进行灰度化和滤波处理，通过构建脉冲耦合神经网络PCNN模型，并利用遗传算法能在解空间非线性快速查找最优解的优势优化该模型的重要参数，迅速并准确地分割图像中的裂缝和背景；再根据分割后图像的特征，对整幅图像进行连通域检测，滤除噪声和背景纹理的干扰；最后，提取裂缝骨架，求裂缝沿骨架法向线的最大宽度，并于原图中标注。采用数字图像处理技术，利用遗传算法优化PCNN模型参数，加快了寻优，减少了PCNN的迭代次数，并使其更易收敛，分割效果抗干扰能力较强，分割更准确；利用连通域矩形度、圆度滤波以及不规则噪声滤波的方式滤除了大量无规则斑块，为裂缝的检测带来了方便。

Description

路面裂缝图像检测方法

技术领域

本发明涉及一种路面检测技术，特别涉及一种基于脉冲耦合神经网络和遗传算法的路面裂缝图像检测方法。

背景技术

无论是沥青还是水泥路面，在通车一段时间后，都会由于温度应力、外间环境等因素而产生路面病害，而裂缝作为路面病害的一种，影响了路面的正常营运。因此必须有效地对路面裂缝进行检测，评估其风险性，从而能够避免潜在的危害。

随着计算机技术以及其他高科技领域技术的发展，通过数字图像检测方法来识别检测裂缝已逐渐成为主流，其高灵敏性、高自动化、非接触性等特点都为裂缝检测提供了诸多方便。

现有的一些裂缝检测算法通常通过设置灰度阈值来分割目标和背景，然而路面裂缝具有连续性差、对比度低，且由于路面本身存在一定干扰(如油污、斑点、碎屑等)，这些都会导致该方法的不适用甚至失效。为此，需要提供一种智能且实际有效的方法来解决该算法的不足。

发明内容

本发明是针对现在路面裂缝检测存在的问题，提出了一种路面裂缝图像检测方法，脉冲耦合神经网络PCNN和遗传算法相结合，解决由于路面存在的干扰导致检测失效问题。

本发明的技术方案为：一种路面裂缝图像检测方法，对采集到的路面图像进行灰度化和滤波处理，然后，通过构建脉冲耦合神经网络模型，并利用遗传算法能在解空间非线性快速查找最优解的优势优化该模型的重要参数，迅速并准确地分割图像中的裂缝和背景；再根据分割后图像的特征，对整幅图像进行连通域检测，滤除噪声和背景纹理的干扰；最后，提取裂缝骨架，求裂缝沿骨架法向线的最大宽度，并于原图中标注。

所述构建脉冲耦合神经网络模型，并利用遗传算法能在解空间非线性快速查找最优解的优势优化该模型的重要参数，迅速并准确地分割图像中的裂缝和背景的具体步骤如下：

1)构建脉冲耦合神经网络模型，模型公式为：

F_ij(n)＝S_ij；

L_ij(n)＝∑W_ijklY_kl(n-1)；

${\mathrm{\θ}}_{ij}\left(n\right)=e^{-{\mathrm{\α}}_{\mathrm{\θ}}}{\mathrm{\θ}}_{ij}(n-1)+V_{\mathrm{\θ}}{Y}_{ij}(n-1);$

$Y_{ij}\left(n\right)=\left\{\begin{array}{cc}1& U_{ij}\left(n\right)>{\mathrm{\θ}}_{ij}\left(n\right)\\ 0& U_{ij}\left(n\right)\≤{\mathrm{\θ}}_{ij}\left(n\right)\end{array}\right.;$

式中，F_ij、S_ij、L_ij、Y_ij、U_ij、θ_ij分别为神经元的馈送输入、外部刺激、链接输入、输出、内部激活和动态阈值，V_θ为幅度常数，W_ijkl为权值矩阵，α_θ为衰减系数，β为链接系数，n为迭代次数；

2)采用遗传算法优化脉冲耦合神经网络的参数：

A：编码：采用格雷码进行编码，编码方式如表1：

表1

遗传基因	取值范围	搜索精度	染色体长度
				αθ	0.001-1	0.001	10
β	0.001-1	0.001	10
				Vθ	0.001-100	0.001	17

B：初始化：对遗传算法初始化种群，设定种群规模M＝30，最大迭代次数T＝150；

C：适应度函数：由于裂缝本身占整幅图像的比例较小，采用最小误差阈值法对小目标有较好的分割效果，因此初设定最小误差准则函数作为染色体的适应度函数，适应度函数公式为：

J＝1+2[P_Ologδ_O+P_Blogδ_B]-2[P_OlogP_O+P_BlogP_B]；

式中P_O、P_B分别为目标裂缝和背景的正态概率密度分布，δ_O、δ_B分别表示目标和背景的标准差；

$\begin{array}{cc}{P}_O={\mathrm{\Σ}}_{u\∈O}\frac{P_u}{N}& P_B={\mathrm{\Σ}}_{u\∈B}\frac{P_u}{N}\end{array};$

$\begin{array}{cc}{\mathrm{\μ}}_O={\mathrm{\Σ}}_{u\∈O}\frac{u\·P_u}{N}& {\mathrm{\μ}}_B={\mathrm{\Σ}}_{u\∈B}\frac{u\·P_u}{N}\end{array};$

$\begin{array}{cc}{\mathrm{\δ}}_O=\sqrt{{\mathrm{\Σ}}_{u\∈O}\frac{{(u-{\mathrm{\μ}}_O)}^2}{N}}& {\mathrm{\δ}}_B=\sqrt{{\mathrm{\Σ}}_{u\∈B}\frac{(u-{\mathrm{\μ}}_O)}{N}}\end{array};$

其中其中O、B分别表示目标和背景的灰度值，P_u表示灰度值为u时的像素频数，N为总像素数，μ_O、μ_B分别为目标和背景的灰度均值；

为保证适应度函数为正，修改后适应度函数为：

K＝C-J，C为一常数，经多次实验，取C＝100能保证K为正；

D：选择、交叉和变异，采用比例选择方式：设定杂交概率P_C＝0.7，变异概率为P_w＝0.01；

E：终止条件：满足以下情况时迭代中止：

K(n+1)-K(n)≤0.01n＝1，2，3...，T-1，

式中n为迭代次数，K(n+1)和K(n)分别表示n+1和n次迭代后的适应度函数值，若条件不满足，则程序执行到最大代数为止。

所述再根据分割后图像的特征，对整幅图像进行连通域检测，滤除噪声和背景纹理的干扰的具体步骤如下：

对分割后的图像标记连通域，采用区域面积、矩形度、圆形度、不规则噪声滤波相结合的方式实现连通域滤波，得到完整的仅含裂缝的图像；

1)区域面积去噪：记每个连通域为Q(x，y)，设连通域总数为m_i，统计各区域面积即像素数，记为A_i(x，y），通过设定阈值T_A（x，y)，就可将低于设定值的小面积斑点去除，公式如下：

$Q_i(x,y)=\left\{\begin{array}{cc}1& A_i(x,y)>T_A(x,y)\\ 0& A_i(x,y)\≤T_A(x,y)\end{array}\right.,i=1,2,\mathrm{3...}{m}_i;$

2)矩形度去噪：经由面积去噪后，连通域将进一步减少，记此时的连通域为Q_j(x，y)，其总数为m_j，设A_j(x，y)、S_j(x，y)分别为各连通区域面积和相应的外接矩形面积，则连通域的矩形度R_j(x，y)，其计算公式如下：

$R_j(x,y)=\frac{A_j(x,y)}{S_j(x,y)},j=1,2,\mathrm{3...}{m}_j;$

由于裂缝通常为蜿蜒曲折的带状，矩形度较小，此时通过设定相应的阈值T_R(x，y)，又可将部分高于阈值的块状干扰去除，其公式如下：

$Q_j(x,y)=\left\{\begin{array}{cc}1& R_j(x,y)\≤T_R(x,y)\\ 0& R_j(x,y)>T_R(x,y)\end{array}\right.,j=1,2,\mathrm{3...}{m}_j$

3)圆形度去噪：

圆形度通常用来表示紧凑程度，记连通域个数为m_k，圆形度为C_k(x，y)，连通域周长为L_k(x，y)，A_k(x，y)为二次滤波后的各连通域面积像素，则其计算公式如下：

$C_k(x,y)=\frac{L_k^2(x,y)}{A_k(x,y)},k=1,2,\mathrm{3...}{m}_k$

裂缝圆形度较大，通过设定阈值T_C(x，y)，从而又可将低于阈值的路面油污等干扰滤除，记Q_k(x，y)为经上述滤波操作后剩余的连通域，滤波公式如下：

$Q_k(x,y)=\left\{\begin{array}{cc}1& C_k(x,y)>T_C(x,y)\\ 0& C_k(x,y)\≤T_C(x,y)\end{array}\right.,k=1,2,\mathrm{3...}{m}_k;$

4)不规则噪声滤波

经过上述三次滤波后，图像上可能仍留有少数形状不规则的噪声，但鉴于裂缝细长的特征，长宽之差的绝对值较大，而噪声则相对小得多，因此设定一个阈值T_B(x，y)，将低于该阈值的噪声滤除，计算公式如下：

B_l(x，y)＝|L_l(x，y）-W_l(x，y)|l＝1，2，3...m_l；

$Q_l(x,y)=\left\{\begin{array}{cc}1& B_l(x,y)>T_B(x,y)\\ 0& B_l(x,y)\≤T_B(x,y)\end{array}\right.,l=1,2,\mathrm{3...}{m}_l;$

式中L_l(x，y)、W_l(x，y)、B_l(x，y)分别为连通域的长、宽和长宽之差的绝对值，Q_l(x，y)表示三次滤波后余下的连通域。

本发明的有益效果在于：本发明路面裂缝图像检测方法，采用数字图像处理技术，利用遗传算法优化PCNN模型参数，加快了寻优，减少了PCNN的迭代次数，并使其更易收敛，分割效果抗干扰能力较强，分割更准确；利用连通域矩形度、圆度滤波以及不规则噪声滤波的方式滤除了大量无规则斑块，为裂缝的检测带来了方便。

附图说明

图1为本发明路面裂缝图像检测方法流程图；

图2为本发明基于模糊集的图像增强后的效果图；

图3为本发明PCNN结合遗传算法分割后的图像；

图4为本发明经连通域四次滤波后的裂缝图像；

图5为本发明已标注最大裂缝宽度后的图像。

具体实施方式

如图1所示一种路面裂缝图像检测方法流程图，方法具体包括如下步骤：

步骤1、对采集到的路面图像进行处理分析，首先，图像灰度化，将原图从RGB空间转换到灰度空间。

步骤2、采用基于模糊集的图像增强方法增强图像，如图2所示基于模糊集的图像增强后的效果图，即将图像从灰度空间域变幻到模糊域，根据以下解析式修正隶属函数值，再通过反变换产生新灰度级：

$X=\left\{\begin{array}{cc}2\·{\[{\mathrm{\μ}}_{mn}\]}^2& 0\≤{\mathrm{\μ}}_{mn}\≤0.5\\ 1-2\·{\[{\mathrm{\μ}}_{mn}\]}^2& 0.5\≤{\mathrm{\μ}}_{mn}\≤1\end{array}\right.---\left(1\right)$

式中，[μ_mn]代表模糊域内的隶属函数值，X为修正后的隶属函数值。

步骤3、对增强后的图像中值滤波，采用9×9的滤波模板，滤除图像中所含随机噪声的同时，可以保护图像细节；

步骤4、构建脉冲耦合神经网络(PCNN)模型，一般使用其改进后的模型，其公式为：

F_ij(n)＝S_ij(2)

L_ij(n)＝∑W_ijklY_kl(n-1)(3)

U_ij(n)＝F_ij(n)(1+βF_ij(n))(4)

${\mathrm{\θ}}_{ij}\left(n\right)=e^{-{\mathrm{\α}}_{\mathrm{\θ}}}{\mathrm{\θ}}_{ij}(n-1)+V_{\mathrm{\θ}}{Y}_{ij}(n-1)---\left(5\right)$

$Y_{ij}\left(n\right)=\left\{\begin{array}{cc}1& U_{ij}\left(n\right)>{\mathrm{\θ}}_{ij}\left(n\right)\\ 0& U_{ij}\left(n\right)\≤{\mathrm{\θ}}_{ij}\left(n\right)\end{array}\right.---\left(6\right)$

式中，F_ij、S_ij、L_ij、Y_ij、U_ij、θ_ij分别为神经元的馈送输入、外部刺激、链接输入、输出、内部激活和动态阈值，V_θ为幅度常数，W_ijkl为权值矩阵，α_θ为衰减系数，β为链接系数，n为迭代次数。虽然PCNN模型具有显著的图像分割功能，但其参数的设置(包括α_θ、β、W_ijkl、V_θ等)是个难题，尤其是迭代次数n的选取，不仅影响了PCNN分割的速度，也关系到图像分割的质量。而遗传算法在其解空间中能非线性快速寻找最优解，设定最小误差准则为其适应度函数，从而就能加速PCNN寻优，并且拥有更好的分割质量。

采用遗传算法优化PCNN的参数，需要涉及到以下方面：

1)：编码。采用格雷码进行编码，编码方式见表1：

表1

遗传基因	取值范围	搜索精度	染色体长度
				αθ	0.001-1	0.001	10
β	0.001-1	0.001	104 -->
				Vθ	0.001-100	0.001	17

2)：初始化。对遗传算法初始化种群，设定种群规模M＝30，最大代数T＝150(最大进化代数就是最大迭代次数)；

3)：适应度函数。由于裂缝本身占整幅图像的比例较小，采用最小误差阈值法对小目标有较好的分割效果，因此初设定最小误差准则函数作为染色体的适应度函数，其公式为：

J＝1+2[P_Ologδ_O+P_Blogδ_B]-2[P_OlogP_O+P_BlogP_B]；(7)

式中P_O、P_B分别为目标裂缝和背景的正态概率密度分布，δ_O、δ_B分别表示目标和背景的标准差。

$\begin{array}{cc}{P}_O={\mathrm{\Σ}}_{u\∈O}\frac{P_u}{N}& P_B={\mathrm{\Σ}}_{u\∈B}\frac{P_u}{N}\end{array}---\left(8\right)$

$\begin{array}{cc}{\mathrm{\μ}}_O={\mathrm{\Σ}}_{u\∈O}\frac{u\·P_u}{N}& {\mathrm{\μ}}_B={\mathrm{\Σ}}_{u\∈B}\frac{u\·P_u}{N}\end{array}---\left(9\right)$

$\begin{array}{cc}{\mathrm{\δ}}_O=\sqrt{{\mathrm{\Σ}}_{u\∈O}\frac{{(u-{\mathrm{\μ}}_O)}^2}{N}}& {\mathrm{\δ}}_B=\sqrt{{\mathrm{\Σ}}_{u\∈B}\frac{(u-{\mathrm{\μ}}_O)}{N}}\end{array}---\left(10\right)$

其中O、B分别表示目标和背景的灰度值，P_u表示灰度值为u时的像素频数，N为总像素数，μ_O、μ_B分别为目标和背景的灰度均值。

由于J不一定为正，且J在取最小值时效果最好，这与适应度函数为正值且求其最大值相悖，因此将公式改为如下情形：

K＝C-J(11)

K是修改后适应度函数，式中C为一常数，经多次实验，取C＝100能保证K为正。

4)：选择、交叉和变异。采用比例选择方式，设定杂交概率P_C＝0.7，变异概率为P_w＝0.01。

5)：终止条件。当经过数次迭代，其适应度值的变化已越来越小，此时继续迭代对结果几乎无影响且费时，因此满足以下情况时迭代中止：

K(n+1)-K(n)≤0.01n＝1，2，3...，T-1(12)

式中n为迭代次数，K(n+1)和K(n)分别表示n+1和n次迭代后的适应度函数值，若条件不满足，则程序执行到最大代数为止。

如图3所示PCNN结合遗传算法分割后的图像，为采用遗传算法优化PCNN模型后得到的效果图，裂缝与背景基本已区分开来，但仍残留一些块状干扰。

步骤5、对步骤4分割后的图像标记连通域，采用区域面积、矩形度、圆形度、不规则噪声滤波相结合的方式实现连通域滤波，得到完整的仅含裂缝的图像。(这里指的分割后图像，是经PCNN和遗传算法初步分割后的图像，其中所含的噪声有路面背景的一些纹理干扰、油污、泥土等，这些噪声占像素较大，干扰较严重，也有一些影像设备、电子器件带来的随机噪声，所占像素较小，大部分已滤除)

1)区域面积去噪

记每个连通域为Q(x，y)，设连通域总数为m_i，统计各区域面积即像素数，记为A_i(x，y)，通过设定阈值T_A(x，y)，就可将低于设定值的小面积斑点去除，公式如下：

$Q_i(x,y)=\left\{\begin{array}{cc}1& A_i(x,y)>T_A(x,y)\\ 0& A_i(x,y)\≤T_A(x,y)\end{array}\right.,i=1,2,\mathrm{3...}{m}_i---\left(13\right)$

2)矩形度去噪

经由面积去噪后，连通域将进一步减少，记此时的连通域为Q_j(x，y)，其总数为m_j，设A_j(x，y)、S_j(x，y)分别为各连通区域面积和相应的外接矩形面积，则连通域的矩形度R_j(x，y)，其计算公式如下：

$R_j(x,y)=\frac{A_j(x,y)}{S_j(x,y)},j=1,2,\mathrm{3...}{m}_j---\left(14\right)$

由于裂缝通常为蜿蜒曲折的带状，矩形度较小，此时通过设定相应的阈值T_R(x，y)，又可将部分高于阈值的块状干扰去除，其公式如下：

$Q_j(x,y)=\left\{\begin{array}{cc}1& R_j(x,y)\≤T_R(x,y)\\ 0& R_j(x,y)>T_R(x,y)\end{array}\right.,j=1,2,\mathrm{3...}{m}_j---\left(15\right)$

3)圆形度去噪

圆形度通常用来表示紧凑程度，记连通域个数为m_k，圆形度为C_k(x，y)，连通域周长为L_k(x，y)，A_k(x，y)为二次滤波后的各连通域面积像素，则其计算公式如下：

$C_k(x,y)=\frac{L_k^2(x,y)}{A_k(x,y)},k=1,2,\mathrm{3...}{m}_k---\left(16\right)$

裂缝圆形度较大，通过设定阈值T_C(x，y)，从而又可将低于阈值的路面油污等干扰滤除，记Q_k(x，y)为经上述滤波操作后剩余的连通域，滤波公式如下：

$Q_k(x,y)=\left\{\begin{array}{cc}1& C_k(x,y)>T_C(x,y)\\ 0& C_k(x,y)\≤T_C(x,y)\end{array}\right.,k=1,2,\mathrm{3...}{m}_k---\left(17\right)$

4)不规则噪声滤波

经过上述三次滤波后，图像上可能仍留有少数形状不规则的噪声，但鉴于裂缝细长的特征，长宽之差的绝对值较大，而噪声则相对小得多，因此设定一个阈值T_B(x，y)，将低于该阈值的噪声滤除，计算公式如下：

B_l(x，y)＝|L_l(x，y)-W_l(x，y)|l＝1，2，3...m_l(18)

$Q_l(x,y)=\left\{\begin{array}{cc}1& B_l(x,y)>T_B(x,y)\\ 0& B_l(x,y)\≤T_B(x,y)\end{array}\right.,l=1,2,\mathrm{3...}{m}_l---\left(19\right)$

式中L_l(x，y)、W_l(x，y)、B_l(x，y)分别为连通域的长、宽和长宽之差的绝对值，Q_l(x，y)表示三次滤波后余下的连通域。

经过区域面积、矩形度、圆形度以及不规则噪声滤波四次滤波后，图像中除裂缝外的干扰将被滤除，此时得到完整的仅含裂缝的图像，如图4所示经连通域四次滤波后的裂缝图像。

步骤6、检测裂缝最大宽度：

1)细化裂缝，去除毛刺，得到裂缝的骨架图；

2)对于裂缝骨架上的任一点，作其与相邻两像素连线的法线，求两条法线与裂缝的交集，取其中所含元素个数较少的集合，记其所含元素个数为裂缝在该点的宽度。

3)统计各点的法向宽度，求最大值，记为裂缝的最大宽度，并于原图像中注出其数值(单位：像素)，如附图5所示已标注最大裂缝宽度后的图像。

Claims (3)

1.一种路面裂缝图像检测方法，其特征在于，对采集到的路面图像进行灰度化和滤波处理，然后，通过构建脉冲耦合神经网络模型，并利用遗传算法能在解空间非线性快速查找最优解的优势优化该模型的重要参数，迅速并准确地分割图像中的裂缝和背景；再根据分割后图像的特征，对整幅图像进行连通域检测，滤除噪声和背景纹理的干扰；最后，提取裂缝骨架，求裂缝沿骨架法向线的最大宽度，并于原图中标注。

2.根据权利要求1所述路面裂缝图像检测方法，其特征在于，所述构建脉冲耦合神经网络模型，并利用遗传算法能在解空间非线性快速查找最优解的优势优化该模型的重要参数，迅速并准确地分割图像中的裂缝和背景的具体步骤如下：

1)构建脉冲耦合神经网络模型，模型公式为：

F_ij(n)＝S_ij；

L_ij(n)＝∑W_ijklY_kl(n-1)；

θ_ij(n)＝e^-αθθ_ij(n-1)+V_θY_ij(n-1)；

$Y_{ij}\left(n\right)=\left\{\begin{array}{cc}1& U_{ij}\left(n\right)>{\mathrm{\θ}}_{ij}\left(n\right)\\ 0& U_{ij}\left(n\right)\≤{\mathrm{\θ}}_{ij}\left(n\right)\end{array}\right.;$

式中，F_ij、S_ij、L_ij、Y_ij、U_ij、θ_ij分别为神经元的馈送输入、外部刺激、链接输入、输出、内部激活和动态阈值，V_θ为幅度常数，W_ijkl为权值矩阵，α_θ为衰减系数，β为链接系数，n为迭代次数；

2)采用遗传算法优化脉冲耦合神经网络的参数：

A：编码：采用格雷码进行编码，编码方式如表1：

表1

遗传基因 取值范围 搜索精度 染色体长度 α_θ 0.001-1 0.001 10 β 0.001-1 0.001 10 V_θ 0.001-100 0.001 17

B：初始化：对遗传算法初始化种群，设定种群规模M＝30，最大迭代次数T＝150；

C：适应度函数：由于裂缝本身占整幅图像的比例较小，采用最小误差阈值法对小目标有较好的分割效果，因此初设定最小误差准则函数作为染色体的适应度函数，适应度函数公式为：

J＝1+2[P_Ologδ_O+P_Blogδ_B]-2[P_OlogP_O+P_BlogP_B]；

式中P_O、P_B分别为目标裂缝和背景的正态概率密度分布，δ_O、δ_B分别表示目标和背景的标准差；

$\begin{array}{cc}{P}_O={\mathrm{\Σ}}_{u\∈O}\frac{P_u}{N}& P_B={\mathrm{\Σ}}_{u\∈B}\frac{P_u}{N}\end{array};$

$\begin{array}{cc}{\mathrm{\μ}}_O={\mathrm{\Σ}}_{u\∈O}\frac{u\·P_u}{N}& {\mathrm{\μ}}_B={\mathrm{\Σ}}_{u\∈B}\frac{u\·P_u}{N}\end{array};$

$\begin{array}{cc}{\mathrm{\δ}}_O=\sqrt{{\mathrm{\Σ}}_{u\∈O}\frac{{(u-{\mathrm{\μ}}_O)}^2}{N}}& {\mathrm{\δ}}_B=\sqrt{{\mathrm{\Σ}}_{u\∈B}\frac{{(u-{\mathrm{\μ}}_O)}^2}{N}}\end{array};$

其中其中O、B分别表示目标和背景的灰度值，P_u表示灰度值为u时的像素频数，N为总像素数，μ_O、μ_B分别为目标和背景的灰度均值；

为保证适应度函数为正，修改后适应度函数为：

K＝C-J，C为一常数，经多次实验，取C＝100能保证K为正；

D：选择、交叉和变异，采用比例选择方式：设定杂交概率P_C＝0.7，变异概率为P_w＝0.01；

E：终止条件：满足以下情况时迭代中止：

K(n+1)-K(n)≤0.01n＝1，2，3...，T-1，

式中n为迭代次数，K(n+1)和K(n)分别表示n+1和n次迭代后的适应度函数值，若条件不满足，则程序执行到最大代数为止。

3.根据权利要求2所述路面裂缝图像检测方法，其特征在于，所述再根据分割后图像的特征，对整幅图像进行连通域检测，滤除噪声和背景纹理的干扰的具体步骤如下：

对分割后的图像标记连通域，采用区域面积、矩形度、圆形度、不规则噪声滤波相结合的方式实现连通域滤波，得到完整的仅含裂缝的图像；

1)区域面积去噪：记每个连通域为Q(x，y)，设连通域总数为m_i，统计各区域面积即像素数，记为A_i(x，y)，通过设定阈值T_A(x，y)，就可将低于设定值的小面积斑点去除，公式如下：

$Q_i\left(x,y\right)=\left\{\begin{array}{cc}1& A_i\left(x,y\right)>T_A\left(x,y\right)\\ 0& A_i\left(x,y\right)\≤T_A\left(x,y\right)\end{array}\right.,i=1,2,3...m_i;$

2)矩形度去噪：经由面积去噪后，连通域将进一步减少，记此时的连通域为Q_j(x，y)，其总数为m_j，设A_j(x，y)、S_j(x，y)分别为各连通区域面积和相应的外接矩形面积，则连通域的矩形度R_j(x，y)，其计算公式如下：

$R_j(x,y)=\frac{A_j\left(x,y\right)}{S_j\left(x,y\right)},j=1,2,3...m_j;$

由于裂缝通常为蜿蜒曲折的带状，矩形度较小，此时通过设定相应的阈值T_R(x，y)，又可将部分高于阈值的块状干扰去除，其公式如下：

$Q_j\left(x,y\right)=\left\{\begin{array}{cc}1& R_j\left(x,y\right)\≤T_R\left(x,y\right)\\ 0& R_j\left(x,y\right)>T_R\left(x,y\right)\end{array}\right.,j=1,2,3...m_j$

3)圆形度去噪：

圆形度通常用来表示紧凑程度，记连通域个数为m_k，圆形度为C_k(x，y)，连通域周长为L_k(x，y)，A_k(x，y)为二次滤波后的各连通域面积像素，则其计算公式如下：

$C_k(x,y)=\frac{L_k^2\left(x,y\right)}{A_k\left(x,y\right)},k=1,2,3...m_k$

裂缝圆形度较大，通过设定阈值T_C(x，y)，从而又可将低于阈值的路面油污等干扰滤除，记Q_k(x，y)为经上述滤波操作后剩余的连通域，滤波公式如下：

$Q_k\left(x,y\right)=\left\{\begin{array}{cc}1& C_k\left(x,y\right)>T_C\left(x,y\right)\\ 0& C_k\left(x,y\right)\≤T_C\left(x,y\right)\end{array}\right.,k=1,2,3...m_k;$

4)不规则噪声滤波

经过上述三次滤波后，图像上可能仍留有少数形状不规则的噪声，但鉴于裂缝细长的特征，长宽之差的绝对值较大，而噪声则相对小得多，因此设定一个阈值T_B(x，y)，将低于该阈值的噪声滤除，计算公式如下：

B_l(x，y)＝|L_l(x，y)-W_l(x，y)|l＝1，2，3...m_l；

$Q_l\left(x,y\right)=\left\{\begin{array}{cc}1& B_l\left(x,y\right)>T_B\left(x,y\right)\\ 0& B_l\left(x,y\right)\≤T_B\left(x,y\right)\end{array}\right.,l=1,2,3...m_l;$

式中L_l(x，y)、W_l(x，y)、B_l(x，y)分别为连通域的长、宽和长宽之差的绝对值，Q_l(x，y)表示三次滤波后余下的连通域。