一种基于局部纹理二值模式的路面修补类病害检测方法
技术领域
本发明涉及图像特征值提取领域,具体地说是一种基于局部纹理二值模式的路面修补类病害检测方法。
背景技术
随着高等级路面里程的增加,路面养护问题越来越得到重视。在路面多种病害中,裂缝类病害一直是影响最广、最常见的一种病害,也是日常公路养护中的主要解决对象。修补类病害是指路面上的横纵等裂缝通过浇灌热沥青油等方式修补后形成的新的路面病害形态,这种病害具有不对称、延伸方向随机、颜色深等特点。在对路面裂缝使用沥青灌缝修补形成灌缝后,对这种修补灌缝的长度、数量等数据的评介,也是评价路面质量的一项重要指标。
经典的LBP算法主要针对图像纹理具有一定对称性的对象,如人脸,在提取修补特征值时优势不突出。另外,沥青路面溢出、多余的沥青对识别修补病害也存在很大干扰。
发明内容
本发明的技术任务是针对上述现有技术的不足,提供一种针对路面修补病害线性特点的基于局部纹理二值模式的路面修补类病害检测方法。
本发明的技术任务是按以下方式实现的:一种基于局部纹理二值模式的路面修补类病害检测方法,其特点是采用以下方法进行路面图像LRBP(Local Rectangle BinaryPattern)特征向量提取:
A、将路面图像划分为w行z列,共w*z块区域,其中3≤w≤6,3≤z≤6,所述路面图像包括路面修补病害图像和正常路面图像;
B、在每一块区域中,使用8×2大小的检测窗口逐行对该区域内图像进行分块扫描,并进行窗口特征值计算:
所述检测窗口由中线划分为左侧检测窗口、右侧检测窗口,左侧检测窗口左上角起始坐标为(0,0),右下角坐标为(4,2);右侧检测窗口左上角起始坐标为(4,0),右下角坐标为(8,2)
检测窗口递推公式为公式(1),
(xa+1,yb+l)=(xa+8,yb+2) (1)
式中,a小于等于m/8向下取整数,m为待检测整幅路面图像的总宽度(像素数);
b小于等于n/2向下取整数,n为待检测整幅路面图像的总高度(像素数);
对每个8×2检测窗口中的像素,使用左侧检测窗口某点的像素灰度值减去右侧检测窗口对应点的像素灰度值,大于0则输出1,小于0则输出0,计算公式见公式2,两侧检测窗口内的8个像素点经过比较计算后得到一个8位的二进制数,即该8×2检测窗口的LRBP特征值,
式中,(xa,yb)是待求LRBP值的8×2检测窗口的左上角坐标,ipq是左侧检测窗口(p,q)位置像素的灰度值,jrs是右侧检测窗口(r,s)位置像素的灰度值,坐标(p,q)为左侧4×2检测窗口中8个像素坐标,(r,s)为右侧4×2检测窗口中8个像素相对应的坐标,对应关系如公式(3),t是一个符号函数如公式(4):
C、将步骤B中得到的所有检测窗口LRBP特征值转化为十进制,统计每个十进制数字的出现频率,计算当前区域的区域直方图;
D、重复步骤B、C,计算完每块区域的直方图后,对所有区域直方图进行合并,得到整幅图像的统计直方图,
最后将每块区域的直方图按步骤A分块的空间顺序依次排列成一行,形成大小为w*z*28维的LRBP特征向量;
重复上述步骤A-D的LRBP特征向量提取过程,得到所有路面修补病害图像LRBP特征向量和正常路面图像LRBP特征向量,利用机器学习得到修补类病害的分类器,实现对路面修补类病害的识别检测。
作为优选,步骤A所述路面图像由车载高速面阵CCD相机进行公路路面图像采集,并经降噪处理得到。
作为优选,所有路面修补病害样本图像LRBP特征向量和正常路面图像样本LRBP特征向量交于Adaboost算法进行机器学习。
针对修补类病害细长、灰度值相近等特点,本发明提供了一种新的矩形检测窗口和特征值计算方法,以特定的LRBP(Local Rectangle Binary Pattern)局部矩形二值化模式进行特征向量提取,能非常清晰、快速地提取出修补病害的纹理信息,加强机器视觉技术在路面修补病害识别方面的拓展应用,满足大里程公路的养护目标。
附图说明
附图1是本发明检测方法的流程图;
附图2是实施例采集车结构简图;
附图3是实施例对路面图像(修补病害原图)区域划分示意图;
附图4是实施例中8×2检测窗口示意图;
附图5是实施例中基于LRBP计算方法提取的灰度值图谱;
附图6是实施例中单幅修补病害图像的LRBP统计直方图;
附图7是实施例LRBP二值图;
附图8是对比例LBP二值图。
具体实施方式
参照说明书附图以具体实施例对本发明的基于局部纹理二值模式的路面修补类病害检测方法作以下详细地说明。
【实施例】
如附图1所示,本发明的基于局部纹理二值模式的路面修补类病害检测方法的具体实施步骤为:
1.通过车载高速面阵CCD相机进行公路路面图像采集,如附图2所示,高速面阵CCD相机通过支架固定在采集车上。相机采集模式设定为灰度图采集,得到路面图像(灰度图)。将采集到的路面图像按照路面修补病害图像和正常路面图像分为两类,为后续处理做数据准备。
2.考虑到路面图像采集过程中,受周围物体阴影、筑路材料等因素影响带来的图像噪音问题,对区别修补纹理特征和正常路面纹理特征带来一定干扰,采用小波变换阈值去噪法对采集到的路面灰度图进行预处理,以达到降低噪音,突出修补病害纹理特征的目的。
3.采用以下方法进行路面图像LRBP(Local Rectangle Binary Pattern)特征向量提取:
31.如附图3所示,将路面图像划分为4行4列,共16块区域;
32.在每一块区域中,使用8×2大小的检测窗口逐行对该区域内图像进行分块扫描,并进行窗口特征值计算:
如附图4所示,所述检测窗口由中线划分为左侧检测窗口、右侧检测窗口,左侧检测窗口左上角起始坐标为(0,0),右下角坐标为(4,2);右侧检测窗口左上角起始坐标为(4,0),右下角坐标为(8,2),
检测窗口递推公式为公式(1),
(xa+1,yb+1)=(xa+8,yb+2) (1)
式中,a小于等于m/8向下取整数,m为待检测整幅路面图像的总宽度(像素数);
b小于等于n/2向下取整数,n为待检测整幅路面图像的总高度(像素数);
对每个8×2检测窗口中的像素,使用左侧检测窗口某点的像素灰度值减去右侧检测窗口对应点的像素灰度值,大于0则输出1,小于0则输出0,计算公式见公式2,两侧检测窗口内的8个像素点经过比较计算后得到一个8位的二进制数,即该8×2检测窗口的LRBP特征值,
式中,(xa,yb)是待求LRBP值的8×2检测窗口的左上角坐标,ipq是左侧检测窗口(p,q)位置像素的灰度值,jrs是右侧检测窗口(r,s)位置像素的灰度值,坐标(p,q)为左侧4×2检测窗口中8个像素坐标,(r,s)为右侧4×2检测窗口中8个像素相对应的坐标,对应关系如公式(3),t是一个符号函数如公式(4):
基于LRBP计算方法提取的灰度值图谱如附图5所示。
3.3、将步骤3.2中得到的所有检测窗口LRBP特征值转化为十进制,统计每个十进制数字的出现频率,计算当前区域的区域直方图;
3.4、重复步骤3.2、3.3,计算完每块区域的直方图后,对所有区域直方图进行合并,得到整幅图像的统计直方图(如附图6所示),
最后将每块区域的直方图按步骤3.1分块的空间顺序依次排列成一行,形成大小为4*4*28=4096维的LRBP特征向量,得到LRBP二值图(见图7);
4、重复上述步骤3的LRBP特征向量提取过程,得到所有路面修补病害图像LRBP特征向量和正常路面图像LRBP特征向量,通过Adaboost机器学习得到修补类病害的分类器。
5、利用修补类病害的分类器对待检测路面图像进行识别检测,输出病害信息,包括修补类病害的位置、长度、宽度等。
对比例:
检测方法与实施例1基本相同,区别在于采用经典的LBP算法进行路面图像特征向量提取。期间得到的LBP二值图如图8所示。
可以看出,采用本发明的LRBP(Local Rectangle Binary Pattern)特征向量提取方法,能够更为清晰地提取出修补病害的纹理信息,有利于加强机器视觉技术在路面修补病害识别方面的拓展应用。
综上所述,上述实施方式仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,进行的无创新性修改和替换,都应涵盖在本发明的保护范围之内。