CN108989608B - 基于线阵相机的路面图像灰度校正方法 - Google Patents

Abstract

本发明公开了一种基于线阵相机的路面图像灰度校正方法，针对线阵相机拍摄特性导致的路面图像灰度不均匀情况，将匀光的重点放在横向上，改进了现阶段常用的算法全局矫正的思路，将线阵相机同次拍摄的某一路段的连续图像作为灰度矩阵g(x,y)输入，将各列灰度值取均值作为列灰度均值向量I(x)，减去对列灰度均值向量各元素的均值，结果作为灰度背景，将原灰度矩阵各行去除灰度背景向量，再拉伸至[0,255]，得到图像灰度校正后的结果。将多张图像列均值作为背景的方法能更有效地避免纵向高灰度区域与低灰度区域共存产生的补偿效应，使得图像处理结果更为均匀。与Mask法、Wallis法等相比，保留了图像的全部细节，是一种准确校正算法。

Description

基于线阵相机的路面图像灰度校正方法

技术领域

本发明涉及路面自动检测技术领域，特别是涉及基于线阵相机的路面图像灰度校正方法。

背景技术

随着经济社会的发展，我国修建的道路里程不断增加，路面的检测与养护工作日益成为道路管理的重点工作。路面裂缝是路面破损的主要表现，对裂缝的准确识别可以对路面的养护合理决策提供依据。传统的人工目视识别方式因效率低、耗时长、需要大量人力等缺点，近年来逐渐被自动检测手段所取代。路面裂缝的自动检测手段主要是通过工业相机拍摄路面图像，通过计算机对图像进行处理和识别，对路面破损状况进行评价。在这一过程中，路面图像作为识别样本具有极重要的地位。较为先进的图像采集系统通常使用线激光作为光源，配合线阵相机进行拍摄，此方法采集的图像具有精度高、亮度好等特点，但由于路面车道宽度较大(3.5m以上)，点光源发射的线激光在此尺度上往往具有亮度不匀的特点。这种特点反映在灰度图像上为图像灰度不匀，对图像的进一步处理和识别往往造成巨大的影响。因此图像的匀光算法成为检测系统中的重要模块。

图像的匀光算法，在灰度图像上也可称为灰度校正，其主要的应用是航测遥感图像的预处理中。由于遥感图像采集中的复杂环境因素，数字航空影像往往存在色彩、亮度不均匀的问题。近年来由于路面自动检测技术的兴起，匀光算法也逐渐被应用到路面破损图像处理中来。路面检测系统所采用的匀光算法多参照遥感影像处理的经验，采用两种应用较为广泛的匀光算法Mask和Wallis。因遥感影像采集的复杂性，其亮度的不均匀性较强，相应的匀光算法也较为复杂，另外，其处理图像的尺度远大于路面检测图像，因此无法满足精确校正的要求。由于线阵相机采集图像的一维性，其采集的图像灰度不均匀仅表现在横向上，简单地套用遥感影像的处理方法效果不佳。少数学者的研究考虑了一维不均匀问题，但其以某种特定形式模拟背景光作为去除分量，未能完全准确描述光照背景的实际形态，也不能适应其他光照系统带来的不均匀情况。

在路面自动检测技术中，较为先进的图像采集系统通常使用线激光作为光源，配合线阵相机进行拍摄，此方法采集的图像具有精度高、亮度好等特点，但由于路面车道宽度较大(3.5m以上)，点光源发射的线激光在此尺度上往往具有亮度不匀的特点。这种特点反映在灰度图像上为图像灰度不匀，对图像的进一步处理和识别往往造成巨大的影响。而值得注意的是，由于线阵相机采集图像的一维特性，获得的路面图像信息的灰度不均匀一般仅存在于横向方向上。本发明针对线阵相机采集图像的一维不均匀特性，对横向的灰度不均匀进行校正。

发明内容

为了以上问题，本发明提供基于线阵相机的路面图像灰度校正方法，通过对灰度矩阵各列取均值消除了随机噪声对灰度背景选取的影响，将原矩阵减去准确的背景矩阵，获得在横向上消除灰度分布不均匀的图像结果，为达此目的，本发明提供基于线阵相机的路面图像灰度校正方法，具体步骤如下：

步骤一；将线阵相机同次拍摄的某一路段的连续图像作为灰度矩阵g(x,y)输入；

步骤二；将各列灰度值取均值作为列灰度均值向量I(x)，减去对列灰度均值向量各元素的均值，结果作为灰度背景；

步骤三；将原灰度矩阵各行去除灰度背景向量，再拉伸至[0,255]，得到图像灰度校正后的结果。

进一步的，步骤一详细步骤如下；

对线阵相机路面采集系统单次采集到的同一路段的连续一维图像，将其依次读取入灰度矩阵g(x,y)，x∈(0,n)，y∈(0,m)其中每次拍摄得到一行灰度向量，大小为(n,1)，由m行图像组成整段路面灰度图像，其中；

进一步的，步骤二详细步骤如下；

对灰度矩阵g(x,y)，对其各列分别取均值，作为列灰度均值向量I(x)，再对g(x,y)全体元素取均值，作为矩阵灰度均值a，将I(x)-a作为全局灰度背景Ia(x)，其中；

I(x)＝sum(A)/m＝(I(1) I(2) … I(n))；

I_a(x)＝I(x)-sum(I(x))/n＝(I_a(1) I_a(2) … I_a(n))。

进一步的，步骤三详细步骤如下；

对矩阵各行，均减去全局灰度背景Ia(x)，将处理后的矩阵全体元素进行拉伸，首先将所有小于0的元素设为0，后找出矩阵中的最大值max与最小值min，拉伸系数

g(x,y)全体元素减去对应的灰度背景值后乘此拉伸系数，得到的灰度矩阵g’(x,y)即进行灰度校正后的路面灰度图像，其中；

本发明的优点主要体现在：

本发明提供一种基于线阵相机的路面图像灰度校正方法，由于本方法以像素列为单位计算灰度背景，因而对各列灰度陡变情况、异常灰度列具有很好的解决效果，可以适应双镜头采集系统拼接处灰度陡变、镜头等硬件问题带来的点灰度不准确(异常突变)等问题。而Mask法、Wallis法等均在一定区域内进行了模糊化处理，对以列为单位的突变不敏感，对以上问题没有很好地应对效果。

本方法保留了图像的全部细节，是一种准确校正算法，而Mask法、Wallis法等均在一定程度上削弱了图像细节，属于近似校正算法。对于早期的采用模式识别的病害自动监测系统，其处理器算力无法高速识别图像精细细节，近似校正可以提高识别效率。而随着处理器算力的飞速发展，复杂而强力的神经网络为代表的深度学习模型成为机器学习算法领域的发展趋势，处理能力的提高使得对图像预处理的需求发生了很大的变化，准确校正适应了这种趋势的要求，为检测系统的高精度识别奠定了基础。

本方法仅处理了单方向的一维不均匀问题，与其他全局矫正算法相比，对非一维不均匀问题，如路面污痕、车轮印、阴影、杂物等问题不进行消除。本文的思路是保留此种干扰物特征，留待模型训练时进行精确地多分类，以区别目标特征(裂缝)与干扰。

附图说明

图1为某单行图像横向灰度分布；

图2为列平均灰度横向分布；

图3为某幅路面图像原图；

图4为Mask法、Wallis法、本发明提出方法对图3处理结果对比；

图5为异常灰度列示意图；

图6(a)为原图中的异常灰度列在灰度横向分布图中的表现；

图6(b)为Mask法处理后残存的异常灰度列；

图6(c)为Wallis法处理后残存的异常灰度列；

图6(d)为本发明提出方法对异常灰度列的处理结果。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供基于线阵相机的路面图像灰度校正方法，通过对灰度矩阵各列取均值消除了随机噪声对灰度背景选取的影响，将原矩阵减去准确的背景矩阵，获得在横向上消除灰度分布不均匀的图像结果。本方法保留了图像的全部细节，是一种准确校正算法，为检测系统的高精度识别奠定了基础。

本发明基于线阵相机的路面图像灰度校正方法，具体步骤如下：

步骤1：对线阵相机路面采集系统单次采集到的同一路段的连续一维图像，将其依次读取入灰度矩阵g(x,y)，x∈(0,n)，y∈(0,m)其中每次拍摄得到一行灰度向量，大小为(n,1)，由m行图像组成整段路面灰度图像，其中；

步骤2：对灰度矩阵g(x,y)，对其各列分别取均值，作为列灰度均值向量I(x)，再对g(x,y)全体元素取均值，作为矩阵灰度均值a，将I(x)-a作为全局灰度背景Ia(x)，其中；

I(x)＝sum(A)/m＝(I(1) I(2) … I(n))；

I_a(x)＝I(x)-sum(I(x))/n＝(I_a(1) I_a(2) … I_a(n))；

步骤3：对矩阵各行，均减去全局灰度背景Ia(x)，将处理后的矩阵全体元素进行拉伸，首先将所有小于0的元素设为0，后找出矩阵中的最大值max与最小值min，拉伸系数

g(x,y)全体元素乘此拉伸系数，得到的灰度矩阵g’(x,y)即进行灰度校正后的路面灰度图像，其中；

作为本发明一种具体实施例，本发明将某双镜头线阵相机采集系统同次采集的路面图像作为处理样本，采集系统已将线阵图像预拼接为每幅2048行，本次样本选取31张拼接后的图像，因此样本量为2048×31行。

选取拍摄系统所获得的某单次拍摄灰度分布图如图1。可以看出，单次拍摄获得的图像，其灰度值波动频率与幅度都很大。事实上，单幅影像的灰度值可以用以下公式表示：

I＝I_b+I_c+I_n+I_e

其中，Ib为路面底色，Ic为路面破损，In为路面随机噪声，Ia为线激光光照。Ic在单幅线图像中出现为偶然事件，往往以一定尺度内的灰度突变为表征，不讨论其频率；由于路面使用沥青混合料的颗粒特性，In在一维横向上表现为高频高幅值分量，这也是上图中灰度波动剧烈的主要原因。Ib和Ia性质类似，均为低频高幅值分量，其合成量可视为图像背景灰度。在使用状况较好的道路上，Ib可视为固定值，灰度背景由Ia决定。灰度校正的主要目的即为去除Ia的不均匀特性给图像带来的影响。

可以看出，Ia在水平方向具有明显的不均匀特性，且由于双镜头的拼接导致了拼接处产生了灰度的陡变。同时可以注意到，在竖直方向(行车方向)，Ia是均匀一致的，这是因为线激光保证了每次拍摄的光照条件的一致。而In无论在水平还是竖直方向，其都是随机的。只需将一定量的样本进行叠加，即可去除此随机作用的影响。

对灰度矩阵g(x,y)，对其各列分别取均值，作为列灰度均值向量I(x)，列平均灰度横向分布如图2所示，可见列均值计算结果在x方向上更为平滑和连续，表明对图像背景灰度的表征更好。

再对g(x,y)全体元素取均值，作为矩阵灰度均值a，将I(x)-a作为全局灰度背景Ia(x)。对矩阵各行，均减去全局灰度背景Ia(x)，将处理后的矩阵全体元素进行拉伸，首先将所有小于0的元素设为0，后找出矩阵中的最大值max与最小值min，拉伸系数

g(x,y)全体元素乘此拉伸系数，得到的灰度矩阵g’(x,y)即进行灰度校正后的路面灰度图像。

将本发明提出方法与Mask法、Wallis法对某幅路面图像进行处理，原图像如图3所示，对比结果如图4所示。可以看出，Mask法与Wallis法均弱化了图像细节，在一定程度上可以简化之后的分类运算，但其也将造成裂缝特征的丢失，可能造成细小裂缝无法被识别的结果。在处理器算力不断提高的情况下，图像尽量高程度的细节还原是保证识别精度的根本。

另外可以发现，前两种算法不仅在横向上也在纵向上消除了灰度的不均匀，这也是以牺牲图像细节为代价达到的；而本文提出的算法未在纵向上消除灰度不均匀，但由于线阵相机的特性，纵向的灰度不均匀相比横向较为微小，通过之后的处理手段可以加以忽略。而一些路面污痕、车轮印等特征也都未加消除，这些可以通过大样本量的模型训练进行精确分类从而区别。

此外，针对Mask法处理结果，明显在图像中部即双镜头拼接处，图像仍保留了灰度陡变的特征。这是由于Mask法所采用的模糊负背景无法捕捉小尺度内的灰度突变，因此在处理结果中也无法消除陡变；而本文提出方法使用列均值背景，其变化步为1个像素，可以准确捕捉相邻两像素列之间的灰度变化，对于灰度突变有很强的去除效果。

分析处理结果的细部特征(图5、6)可发现，由于采集系统硬件设备等问题，获得图像存在一些“异常灰度列”，这与镜头拼接处的灰度陡变属于同类问题。Mask法与Wallis法对此均没有针对性措施，而本文提出方法则有效解决了此问题。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (1)

1.基于线阵相机的路面图像灰度校正方法，具体步骤如下，其特征在于：

步骤一；将线阵相机同次拍摄的某一路段的连续图像作为灰度矩阵g(x，y)输入；

步骤一详细步骤如下；

对线阵相机路面采集系统单次采集到的同一路段的连续一维图像，将其依次读取入灰度矩阵g(x，y)，x∈(0，n)，y∈(0，m)，其中每次拍摄得到一行灰度向量，大小为(n，1)，由m行图像组成整段路面灰度图像，其中；

步骤二；将各列灰度值取均值作为列灰度均值向量I(x)，减去对列灰度均值向量各元素的均值，结果作为灰度背景；

步骤二详细步骤如下；

对灰度矩阵g(x，y)，对其各列分别取均值，作为列灰度均值向量I(x)，再对g(x，y)全体元素取均值，作为矩阵灰度均值a，将I(x)-a作为全局灰度背景I_a(x)，其中；

I(x)＝sum(A)/m＝(I(1) I(2)…I(n))；

I_a(x)＝I(x)-sum(I(x))/n＝(I_a(1) I_a(2)…I_a(n))；

步骤三；将原灰度矩阵各行去除灰度背景向量，再拉伸至[0，255]，得到图像灰度校正后的结果；

步骤三详细步骤如下；

对矩阵各行，均减去全局灰度背景I_a(x)，将处理后的矩阵全体元素进行拉伸，首先将所有小于0的元素设为0，后找出矩阵中的最大值max与最小值min，拉伸系数

g(x，y)全体元素减去对应的灰度背景值后乘此拉伸系数，得到的灰度矩阵g’(x，y)即进行灰度校正后的路面灰度图像，其中；

Images