CN109886939A - 基于张量投票的桥梁裂缝检测方法 - Google Patents

Abstract

本发明公开了一种基于张量投票桥梁裂缝检测方法，主要解决现有基于张量投票检测混凝土桥梁裂缝存在的误检问题；其实现方案为：计算机读取原始桥梁图像并进行预处理；基于Sobel算子计算图像梯度，提取混凝土裂缝的共生边缘和初始裂缝种子点；构建棒张量表和球张量表，并基于张量投票方法增强初始裂缝种子点；对增强后的种子点进行非极大值和小连通域抑制，得到准确的裂缝种子点；使用Prim算法提取准确裂缝种子点裂缝位置，数目和长度信息；通过准确的裂缝种子点和裂缝共生边缘获取裂缝宽度信息并存储至电脑终端。本发明能够以高准确性和实时性完成对混凝土桥梁裂缝的检测，可用于桥梁混凝土裂缝的位置、宽度、长度、数量这些信息的获取。

Description

基于张量投票的桥梁裂缝检测方法

技术领域

本发明属于测试技术领域，特别涉及一种桥梁裂缝检测方法，可用于桥梁混凝土裂缝的位置、宽度、长度、数量这些信息的获取。

技术背景

衡量桥梁混凝土病害程度的重要指标包括裂缝的长度、宽度、数量等数据信息，现检测桥梁混凝土裂缝位置，宽度，长度等信息的手段包括：人工测量法、红外分析法、和图像处理分析法。其中：

人工测量法是人工利用游标卡尺测量裂缝宽度，该方法存在测量精度差，效率较低、还存在一定的危险。

红外分析法是利用红外线检测裂缝宽度，该方法具有检测精度高，检测速率快等优势，但是该仪器也存在成本较高，而且需专业的人员操作，维护难度较高，在使用时还存在诸多条件限制等缺点。

图像处理分析法是基于图像处理技术检测图像裂缝位置，宽度，长度信息，该方法具有自动化测量，效率高，测量精度高等优势，是目前混凝土检测领域研究最多的技术。

束进芳在其发表的论文《墙体裂缝检测中张量投票算法的应用研究》(测绘地理信息，2017,42(02):80-84)中提出了三种改进的张量投票算法，包括基于分块投票；轮廓膨胀和竖向张量投票实现裂缝检测，该方法是通过改进张量投票投票方法来提升算法的准确性，但是由于张量投票的算法本身具有较高的复杂度，所以在工程使用中具有极大的局限性。

徐辉在其发表的论文《基于图像显著性的大坝裂缝检测》(工业控制计算机，2018年09期:19-23)提出了一种将图像进行分块，并通过计算其局部显著性对比度，然后依据裂缝具有局部灰度值低、边缘梯度值大、线性特征等先验知识对局部显著性进行增强，最后利用阈值分割检测出裂缝。该方法是基于突出图像裂缝的显著性来提升裂缝检测的准确率。然而在实际应用中获取到的图像大都存在噪声干扰，而且这些噪声往往也存在裂缝特性，所以该方法在增强裂缝显著性时也可能会增强图像中的噪声信息。因此该算法的抗干扰能力较差，在工程应用中也难以保证其裂缝检测的准确性。

肖利芳在其发表的论文《Sobel算子改进边缘检测算法在混凝土裂缝识别中的应用》(软件导刊，2017年01期，112-114)提出了一种基于Sobel算子的改进边缘检测算法对图像进行处理，并基于获取到的边缘信息提取图像裂缝信息。该方法是通过改进Sobel算子提升图像裂缝边缘检测的准确性。但是通过Sobel算子在获取图像边缘信息的过程中存在时间复杂度较高，实时性较差的缺点，而且该方法没有针对实际应用中所存在的诸多干扰加以考虑。所以在实际应用中，检测结果的准确性，实时性均很难保证。

综上，目前在国内外提出许多利用图像处理技术检测混凝土裂缝的方法，大都存在检测出的裂缝位置于实际位置偏差较大，且算法复杂度较高，抗干扰能力差，实时性差及准确性低的缺点，影响工程应用。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于张量投票的桥梁裂缝检测方法，以提高检测精度，提升图像裂缝检测的实时性。

为实现上述目的，本发明的技术方案包括如下：

(1)读取原始混凝土桥梁图像，并基于高斯卷积核对其进行平滑处理；

(2)基于Sobel算子获取平滑处理后裂缝图像的梯度值G和梯度方向θ；

(3)根据裂缝图像的梯度值G和梯度方向θ，提取混凝土中裂缝的共生边缘D和裂缝的初始种子点S：

(3a)设置阈值L，将梯度图像中梯度值G小于阈值L的像素点处的R通道赋值为L-1，大于阈值L的像素点值不变，获取新的梯度图；

(3b)按照从左至右，从上至下的顺序遍历新的梯度图，先判断是否遍历完新的梯度图，如果未遍历完新的梯度图，再判断新梯度图上的像素点R通道的值是否为L-1，若是，则执行(3b)，若不是，则先获取该像素点处梯度值G₁和梯度方向θ₁，再执行(3c)，如果遍历结束，执行(4)；

(3c)在新的梯度图上，沿着方向θ₁遍历8个像素点，判断新梯度图上的像素点处R道的值是否为L-1，若是，则执行(3d)，若不是，则先获取该像素点处梯度值G₂，再执行(3e)；

(3d)在新的梯度图上，沿着θ₁反方向遍历8个像素点，判断新梯度图上的像素点处R通道的值是否为L-1，若是，则返回(3b)，若不是，则先获取该像素点处梯度值G₂，再执行(3e)；

(3e)设置梯度差阈值为常数g,若|G₁-G₂|＜g则保留G₁和G₂所在的像素点的梯度值，并取G₁和G₂两点之间的中点位置作为初始种子点，并将初始种子点存储到初始种子点S中，同时将这两个像素点记录为该种子点对应的一对共生边缘点，并将这一对共生边缘点存储到共生边缘D中；否则，将G₁和G₂所在的像素点处的三个通道的值赋值为L-1，并准备运算下一个像素点，返回(3b)；

(4)构建棒张量值表F和球张量表T，利用张量投票方法增强裂缝的初始种子点S，获取增强种子点图Z：

(5)对于增强后的种子点图Z进行非极大值抑制；

(6)对经过非极大值抑制的种子点图Z，使用小连通域抑制方法获取准确种子点图Q；

(7)基于准确种子点图Q，使用prime算法提取裂缝位置信息，裂缝数目信息和裂缝长度信息；

(8)裂缝的共生边缘D以及准确种子点图Q，获取裂缝的宽度参数信息，完成对桥梁裂缝的检测。

本发明与现有技术相比，具有如下优点：

1)本发明由于采用Sobel算子提取图像边缘轮廓法和提取裂缝种子点法相结合的方法从对预处理之后的桥梁混凝土图像获取裂缝种子点，能够有效地去除图像中存在的噪声点，克服了现有提取混凝土裂缝技术存在的噪声干扰大的缺点，提高了抗干扰能力。

2)本发明通过构建棒张量表和球张量表的方法，在进行张量投票时可通过直接查询这两个张量表获取到不同像素点处的张量值，克服了现有张量投票方法增强裂缝图像存在的计算复杂度高，实时性较差的缺点，提高了实时性。

3)本发明通过对经过张量投票的种子点使用非极大值抑制和小连通域抑制手段，能够以较低的复杂度获取到准确的种子点，克服了现有基于张量投票增强提取裂缝算法存在的复杂度高，检测准确率低的问题，提高了裂缝检测速率和裂缝检测准确性。

附图说明

图1是本发明的实现流程图；

图2是本发明的仿真结果图。

具体实施方式

下面参照附图1对本发明的实施例和效果作进一步的详细描述。

参照图1，本发明实施例的实现步骤如下：

步骤1，读取原始混凝土桥梁图像，并对其进行平滑处理。

(1a)用数字摄相机采集待检测混凝土裂缝图像，并将摄像机中采集到的裂缝图像存储到计算机中；

(1b)按照高斯滤波公式对计算机存储裂缝图像进行平滑处理，得到平滑后的裂缝图像：

其中P₁代表原始裂缝图像的像素值，P₂代表经过高斯卷积核得到平滑后的图像像素值，*代表卷积。[·]表示高斯卷积核。

步骤2，获取平滑处理后裂缝图像的梯度值G和梯度方向θ，得到裂缝图像的梯度图。

目前计算图像梯度所使用的算子包括：Roberts、Prewitt、Sobel和Lapacian算子，本实例中采用但不限于Sobel算子，其实现如下：

(2a)获取步骤(1b)中得到的平滑后裂缝图像；

(2b)通过纵向Sobel算子计算平滑后裂缝图像的纵向梯度值G_y：

其中P₁表示原始灰度图像中像素点的值；*表示卷积操作，[·]表示纵向Sobel算子矩阵；

(2c)通过横向Sobel算子计算平滑后裂缝图像的横向梯度值G_x：

其中[·]表示横向Sobel算子矩阵；

(2d)通过公式<1>和公式<2>获取到的G_x和G_y，计算裂缝图像的梯度值G和梯度方向θ：

(2e)将步骤(2d)获取到的梯度值G和梯度方向θ分别作为裂缝图像梯度图的R通道和B通道的值，得到平滑后的裂缝图像的梯度图。

步骤3，提取混凝土图像中裂缝的共生边缘D和裂缝的初始种子点S。

(3a)获取步骤(2e)得到的裂缝图像的梯度图；

(3b)本实例中设置阈值L＝20，将梯度图中梯度值G小于阈值L的像素点处的R通道赋值为L-1，大于阈值L的像素点值不变，获取新的梯度图；

(3c)按照从左至右，从上至下的顺序遍历新的梯度图，先判断是否遍历完新的梯度图，如果未遍历完新的梯度图，再判断新梯度图上的像素点a在通道R处的值是否为L-1，若是，则遍历下一个像素点，若不是，则先获取该像素点a在梯度图中的R通道和B通道的像素值，并将这两个值分别作为该像素点a的梯度值G₁和梯度方向θ₁，再执行步骤(3d)，如果遍历结束，执行步骤(4)；

(3d)沿着新梯度图上的像素点a的梯度方向θ₁遍历8个像素点，判断新梯度图上的另一个像素点m在通道R处的值是否为L-1，若是，则执行步骤(3e)，若不是，则获取该像素点m在R通道处的值作为点m处的梯度值G₂，再执行步骤(3f)；

(3e)沿着新梯度图上的像素点a的梯度方向θ₁的反方向遍历8个像素点，判断新梯度图上的像素点m在通道R处的值是否为L-1，若是，则返回步骤(3c)，若不是，则获取像素点m在R通道处的值作为点m处梯度值G₂，再执行步骤(3f)；

(3f)设置梯度差阈值为g＝60，若|G₁-G₂|＜g则保留像素点a和像素点m的像素值，并取像素点a和像素点m两点之间的中点位置作为初始种子点，并将初始种子点存储到初始种子点S中，同时将这两个像素点记录为该种子点对应的一对共生边缘点，并将这一对共生边缘点存储到共生边缘D中；否则，先将像素点a和m处的R通道和B通道的值设为L-1，之后准备运算下一个像素点，并返回步骤(3c)。

步骤4，获取增强种子点图Z：

(4a)构造棒张量表F：

(4a1)本实例中设置衰减阈值为0.01，通过解衰减方程计算张量场的方形范围为s_max×s_max，其中δ为固定参数，本实例取δ＝26；

(4a2)以被投票点B(0,0)为中心，按照从左至右，从上至下的顺序遍历张量场的方形邻域范围s_max×s_max内的投票点A(x,y)，并计算点A(x,y)与被投票点B(0,0)的欧氏距离判断是否完成遍历，若是，则完成张量表F的构造棒，若不是，则执行(4a3)；

(4a3)设置旋转角α的初始值为0度，判断经过步骤(4a8)变换后的旋转角α是否等于359度，若等于，则返回(4a2)，若不等于，则执行(4a4)；

(4a4)计算投票点A处的相对角θ＝arctan2(y,x)-α，执行(4a5)；

(4a5)依据(4a2)得到的投票点A和被投票点B之间的欧氏距离l和(4a4)得到的投票点A处的相对角，分别计算投票区域的曲线长度s和投票区域的曲线长度k：

(4a6)依据(4a5)得到的曲线长度s投票区域的曲率k，通过显著性衰减公式计算投票点A处的衰减值：

其中代表控制曲率衰减程度，δ为固定参数，本实例中δ＝26；

(4a7)依据(4a3)获得投票点A处的旋转角α，(4a4)计算的投票点A相对角θ和(4a6)计算的显著性衰减值DF(s,k,δ)，利用张量计算公式计算投票点A处的棒张量值：

将该点处的棒张量M存储到棒张量表F中，同时将旋转角α加1度，之后返回(4a3)。

(4b)构造球张量表T：

在(4a)获取到的棒张量表F中查询0度，360/64度，360/64*2度，360/64*3度……360/64*63度对应的棒张量值，并将这些张量值进行矢量叠加，构成球张量表T；

(4c)获取密集棒张量投票结果图：

(4c1)按照从左至右，从上至下的顺序遍历步骤3获取到的初始种子点S，并遍历每个像素值不为0的像素点，将其作为被投票点B，设被投票点处的初始张量值为执行(4c2)；

(4c2)按照从左至右，从上至下的顺序遍历被投票点的方形区域范围s_max×s_max内的像素点，并将这些像素点作为投票点A，按照投票点A与被投票点B处的角度和位置关系在棒张量表F里查询其对应的棒张量值，并按照矢量叠加的方式叠加到被投票点的棒张量值上，构成密集棒张量投票结果图；

(4d)获取稀疏球张量投票结果图：

(4d1)按照从左至右，从上至下的顺序遍历步骤3获取到的初始种子点S，并遍历每个像素值不为0的像素点，将其作为被投票点B，设被投票点处的初始张量值为执行(4d2)；

(4d2)按照从左至右，从上至下的顺序遍历被投票点的方形区域范围s_max×s_max内像素值不为0的像素点，并将这些像素点作为投票点A，按照投票点A与被投票点B处的角度和位置关系在球张量表T里查询其对应的球张量值，并按照矢量叠加方式叠加到被投票点的球张量值上，构成稀疏球张量投票结果图；

(4e)按照从左至右，从上至下的顺序遍历稀疏球张量投票结果图和密集棒张量投票结果图，并按照对应像素位置进行矢量叠加，获取投票后的种子点图片；

(4f)按照下式对(4e)得到的投票后种子点图片进行特征值分解：

其中T代表投票后种子点的张量值，λ₁，λ₂为张量T的两个特征值，且λ₁≥λ₂；e₁，e₂分别为λ₁，λ₂对应的特征向量；

(4g)获取增强后的种子点图Z：

获取(4f)计算得到的T的特征值λ₁，λ₂和λ₁对应的特征向量e₁，计算T特征值的差(λ₁-λ₂)，作为种子点处的显著性值，e₁作为增强后种子点的法向向量，将种子点的显著性值和法向向量分别作为增强后的种子点图Z的R通道和B通道的值，得到增强后的种子点图Z。

步骤5，进行非极大值抑制：

(5a)对步骤4获取到的增强后的种子点图Z进行显著性值的最大值归一化，并对归一化后Z种子点图中显著性值小于0.1的像素点赋值为0；

(5b)按照从左至右，从上至下的顺序遍历增强后的种子点图Z，若像素点A处的像素值不为0，则从此像素点A出发沿着其对应法向方向在3x3邻域内进行搜索，若当前像素点A处的显著性大于相邻点B，则将该像素点A在增强后的种子点图Z上赋值为1，并视其法向邻接点B为裂缝主干在其法向方向上的延拓，赋值为0。

步骤6，获取准确种子点图Q。

(6a)对经过步骤5获取到的非极大值抑制后的种子点图Z按照从上至下，从左向右的顺序开始遍历，获取其中像素值不为0的像素点A，并在其8x8邻域的范围内进行搜索，将像素值不为0的像素点B标记为相同颜色，直至搜索的像素点B没有像素值为1的邻接点时停止搜索，再将像素点A邻域中相同颜色的像素点构成一个连通域，并计算该连通域所包含的像素点个数；

(6b)设置阈值w＝10，判断连通域中的像素是否为噪声信息：

若步骤(6a)中获取到的连通域中包含的像素个数小于阈值w时，则认为连通域范围内的像素点为噪声点，并把连通域内的所有像素点值赋值为0，若连通域中包含的像素个数大于阈值w时，则认为连通域范围内的像素点为准确种子点，并把连通域内的所有像素点值赋值为1，再将获取到的所有准确种子点组成准确种子点图Q。

步骤7，提取裂缝位置信息，裂缝数目和裂缝长度信息：

(7a)连接种子点：

(7a1)设定点集合为V，最小生成树集合为E，并将(6b)获取的准确种子点图Q中的种子点放到点集合V中；

(7a2)从点集合V中随机取一点u作为路径的开始节点，并从点集合V中选取与点u欧氏距离最小的种子点g，之后将种子点u和种子点g的连线放入最小生成树集合E中；

(7a3)从种子点g出发，重复(7a2)，直到V中的种子点集合全部遍历结束；

(7b)剪切最小生成树：即将最小生成树集合E中欧式距离大于阈值r＝100的边删除；

(7c)提取裂缝：

(7c1)从点集合为V中选取在最小生成树集合E中未作为开始节点的一个种子点作为路径起点；

(7c2)从(7c1)中的起点开始找出根节点或者叶节点作为终点的最长路径，并将该路径所有种子点之和作为路径长度；

(7c3)设定裂缝长度阈值J＝25，如果(7c2)的路径长度大于阈值J，则将该路径保存为一条裂缝主干，其主干的坐标作为裂缝位置，其路径长度作为裂缝长度，并从最小生成树集合E中删除，判断点集合V中的像素点是否遍历完成，若没有，返回(7c1)，若完成，则获取当前裂缝主干数作为裂缝数目信息，算法结束。

步骤8，获取裂缝的宽度参数信息。

根据步骤3获取到的裂缝的共生边缘D以及步骤6获取到的准确种子点图Q，计算裂缝的宽度如下：

其中(x_m,y_m)，(x_k,y_k)分别代表共生边缘点k点和m点的坐标，w代表裂缝宽度。

以上获取裂缝数目，位置，宽度和长度信息后，即完成了对桥梁裂缝的检测。

本发明的效果可以通过以下仿真进一步描述。

1.仿真条件：

本发明的仿真实验是在CPU主频2.7GHz、内存7.85GB的硬件环境和VisualStudio2013的软件环境下进行的。

2.仿真实验内容：

首先，在混凝土桥梁表面选取四个典型裂缝场景，并通过游标卡尺测量裂缝的长度、宽度并获取裂缝数量等参数；

然后，用图像采集设备CCD相机获取经过游标卡尺测量过的四组混凝土裂缝图像，图像的分辨率为5760*3840，每次采集面积为450mm*300mm。

实验1，使用本发明对采集的第一组混凝土裂缝图像进行检测，结果如图2，其中：

图2(a)为混凝土桥梁裂缝图像，该图像采集于陕西省西安市灞河上的一座桥梁，

图2(b)为本发明对图2(a)进行混凝土桥梁裂缝检测得到的结果图。

从图2可以看出，本发明在复杂的背景干扰中，仍然能够准确地获取桥梁混凝土裂缝图像中裂缝的数量，位置信息，说明本发明具有较好的抗干扰能力。

实验2，使用本发明对采集的第二组混凝土裂缝图像进行检测。

实验3，使用本发明对采集的第三组混凝土裂缝图像进行检测。

实验4，使用本发明对采集的第四组混凝土裂缝图像进行检测。

上述实验1，实验2，实验3和实验4的四组实测数据统计结果，如表1所示。

表1混凝土桥梁检测一览表

	第一幅图	第二幅图	第三幅图	第四幅图
					实际裂缝数目(条)	1	2	4	7
检测裂缝数目(条)	1	2	4	7
					裂缝数量检测相对误差(％)	0.00	0.00	0.00	0.00
检测裂缝长度(mm)	185.20	240.50	430.00	609.20
					游标卡尺测量裂缝长度(mm)	188.20	237.00	441.80	590.90
裂缝长度检测相对误差(％)	-1.59	+1.48	-2.67	+3.096
					检测裂缝平均宽度(mm)	2.334	3.205	5.093	5.009
游标卡尺测量裂缝平均宽度(mm)	2.40	3.06	5.20	5.18
					裂缝平均宽度检测相当误差(％)	-2.75	+4.738	-2.058	-3.301
单幅图像检测耗时(ms)	430	436	433	440

表1中，“单幅图测量耗时”为从图像矩阵的读取到输出裂缝宽度测量结果所耗费的时间，“测量相对误差中”的“+”代表测量结果偏大，“-”代表测量结果偏小。

通过表1的裂缝平均宽度检测相对误差和裂缝平均长度检测相对误差，可以看出本发明能够准确获取裂缝的宽度和长度信息，通过测量耗费时间可以看出本发明具有较高的实时性。

Claims (9)

1.基于张量投票的桥梁裂缝检测方法，其特征在于，包括如下：

(1)读取原始混凝土桥梁图像，并基于高斯卷积核对其进行平滑处理；

(2)基于Sobel算子获取平滑处理后裂缝图像的梯度值G和梯度方向θ；

(3)根据裂缝图像的梯度值G和梯度方向θ，提取混凝土图像中裂缝的共生边缘D和裂缝的初始种子点S：

(3a)设置阈值L，将梯度图像中梯度值G小于阈值L的像素点处的R通道赋值为L-1，大于阈值L的像素点值不变，获取新的梯度图；

(3b)按照从左至右，从上至下的顺序遍历新的梯度图，先判断是否遍历完新的梯度图，如果未遍历完新的梯度图，再判断新梯度图上的像素点处R通道的值是否为L-1，若是，则遍历下一个像素点，若不是，则先获取该像素点处梯度值G₁和梯度方向θ₁，再执行(3c)，如果遍历结束，执行(4)；

(3c)在新的梯度图上，沿着方向θ₁遍历8个像素点，判断新梯度图上的像素点处R通道的值是否为L-1，若是，则执行(3d)，若不是，则先获取该像素点处梯度值G₂，再执行(3e)；

(3d)在新的梯度图上，沿着θ₁反方向遍历8个像素点，判断新梯度图上的像素点处R通道的值是否为L-1，若是，则返回(3b)，若不是，则先获取该像素点处梯度值G₂，再执行(3e)；

(3e)设置梯度差阈值为常数g,若|G₁-G₂|＜g则保留G₁和G₂所在的像素点的梯度值，并取G₁和G₂两点之间的中点位置作为初始种子点，并将初始种子点存储到初始种子点S中，同时将这两个像素点记录为该种子点对应的一对共生边缘点，并将这一对共生边缘点存储到共生边缘D中；否则，将G₁和G₂所在的像素点处的三个通道的值赋值为L-1，并准备运算下一个像素点，返回(3b)；

(4)构建棒张量值表F和球张量表T，利用张量投票方法增强裂缝的初始种子点S，获取增强种子点图Z：

(5)对于增强后的种子点图Z进行非极大值抑制；

(6)对经过非极大值抑制的种子点图Z，使用小连通域抑制方法获取准确种子点图Q；

(7)基于准确种子点图Q，使用prime算法提取裂缝位置信息，裂缝数目信息和裂缝长度信息；

(8)裂缝的共生边缘D以及准确种子点图Q，获取裂缝的宽度参数信息，完成对桥梁裂缝的检测。

2.根据权利要求1所述的方法，其特征在于步骤(1)中基于高斯卷积核对其进行平滑处理，其公式如下：

其中P₁代表原始裂缝图像的像素值，P₂代表经过高斯卷积核得到平滑后的图像像素值，*代表卷积。[·]表示高斯卷积核。

3.根据权利要求1所述的方法，其特征在于，步骤(2)中基于Sobel算子获取平滑处理后裂缝图像的梯度值G和梯度方向θ，其计算公式如下：

其中：表示为是灰度图像像素点在横向的梯度大小；表示为是灰度图像中像素点的纵向的梯度大小；P₁表示原始灰度图像中像素点的值；*表示卷积操作，[·]表示Sobel算子矩阵。

4.根据权利要求1中所述的方法，其特征在于，步骤(4)中构造棒张量表F和球张量表T，其实现如下：

(4a)构造棒张量表F：

(4a1)设置衰减阈值为0.01，通过解衰减方程计算张量场的方形范围为s_max×s_max，其中δ为固定参数；

(4a2)按照从左至右，从上至下的顺序遍历以被投票点B(0,0)为中心，在张量场的方形邻域范围内的投票点A(x,y)，计算点A(x,y)与被投票点B(0,0)的欧氏距离判断是否完成遍历，若是，则构造棒张量表F完成，若不是，则执行(4a3)；

(4a3)设置旋转角α初始值为0度，判断α是否等于359度，若等于，则返回(4a2)，若不等于，则执行(4a4)；

(4a4)计算投票点A处的相对角θ＝arctan2(y,x)-α，执行(4a5)；

(4a5)计算投票区域的曲线长度和投票区域的曲率执行(4a6)；

(4a6)计算显著性衰减值其中代表控制曲率衰减程度，执行(4a7)；

(4a7)计算投票点A处的棒张量值

将该点处的棒张量S存储到棒张量表F中，同时旋转角α加1度，之后返回(4a2)。

(4b)构造球张量T：

在棒张量表I中查询0度，360/64度，360/64*2度，360/64*3度……360/64*63度对应的棒张量值，并将这些张量值进行矢量叠加，构成球张量场表T。

5.根据权利要求1中所述的方法，其特征在于，步骤(4)中利用张量投票方法增强裂缝的初始种子点S，包括密集棒张量投票和稀疏球张量投票，其实现如下：

(4c)对初始种子点S进行密集棒张量投票，获取密集棒张量投票结果图：

(4c1)按照从左至右，从上至下的顺序遍历初始种子点S，遍历每个像素值不为0的像素点并将其作为被投票点，并设被投票点处的初始张量值为执行(4c2)；

(4c2)按照从左至右，从上至下的顺序遍历被投票点的方形领域范围s_max×s_max内的像素点，并将这些像素点作为投票点，按照投票点与被投票点处的角度和位置关系在棒张量表里查询其对应的棒张量值，并按照矢量叠加的方式叠加到被投票点的棒张量值上，构成密集棒张量投票结果图；

(4d)对初始种子点S进行稀疏球张量投票，获取稀疏球张量投票结果图：

(4d1)按照从左至右，从上至下的顺序遍历初始种子点S，遍历每个像素值不为0的像素点并将其作为被投票点，并设被投票点处的初始张量值为执行(4d2)；

(4d2)按照从左至右，从上至下的顺序遍历被投票点的方形领域范围s_max×s_max内像素值不为0的像素点，并将这些像素点作为投票点，按照投票点与被投票点处的角度和位置关系在球张量表里查询其对应的球张量值，并按照矢量叠加方式叠加到被投票点的球张量值上，构成稀疏球张量投票结果图；

(4e)按照从左至右，从上至下的顺序遍历稀疏球张量投票结果图和密集棒张量投票结果图，并按照对应像素位置进行矢量叠加，获取投票后的种子点图片；

(4f)按照下式对投票后种子点图片进行特征值分解：

T＝λ₁e₁e₁ ^T+λ₂e₂e₂ ^T＝(λ₁-λ₂)e₁e₁ ^T+λ₂(e₁e₁ ^T+e₂e₂ ^T)，

其中T代表投票后种子点的张量值，λ₁，λ₂为张量T的两个特征值，且λ₁≥λ₂；e₁，e₂分别为λ₁，λ₂对应的特征向量；

(4g)获取增强后的种子点图Z：

将特征值的差(λ₁-λ₂)，作为种子点处的显著性，e₁作为增强后种子点的法向向量，用种子点的显著性和法向向量构成增强后的种子点图Z。

6.根据权利要求1中所述的方法，其特征在于，步骤(5)中对增强后的种子点图Z进行非极大值抑制，其实现如下：

(5a)先对增强后的种子点图Z进行显著性的最大值归一化，并对归一化后显著性小于0.1的像素点赋值为0；

(5b)按照从左至右，从上至下的顺序遍历增强后的种子点图Z，若像素点处的像素值不为0，则从此像素点出发沿着其对应法向方向在3x3邻域内进行搜索，若当前像素点处的显著性大于相邻点，则将该像素点在增强后的种子点图Z上赋值为1，视其法向邻接点为裂缝主干在宽度上的延拓，赋值为0。

7.根据权利要求1中所述的方法，其特征在于，步骤(6)使用小连通域抑制方法获取准确种子点图Q，其实现如下：

(6a)对经过非极大值抑制后的种子点图片按照从上至下，从左向右的顺序开始遍历，对其中像素值不为0的像素点在其8x8邻域的范围内进行搜索，将像素值不为0的像素点标记为相同颜色，直至搜索的像素点没有像素值为1的邻接点时停止搜索，并计算该连通域所包含的像素点个数；

(6b)设置一个阈值w＝10，若连通域中包含的像素个数小于阈值w时，则把该连通域内的所有像素点值赋值为0，若连通域中包含的像素个数大于阈值w时，则将该连通域内的所有像素点值赋值为1，得到准确种子点图Q。

8.根据权利要求1中方法，其特征在于，步骤(7)中使用prime算法提取裂缝位置信息和裂缝长度信息其实现如下：

(7a)连接种子点：

(7a1)设定点集合为V，最小生成树集合为E，并将准确种子点图Q中的种子点放到点集合V中；

(7a2)从点集合V中随机取一点u作为路径的开始节点，并从点集合V中选取与点u欧氏距离最小的种子点g，之后将种子点u和种子点g的连线放入最小生成树集合E中；

(7a3)从种子点g出发，重复步骤(7a2)，直到V中的种子点集合全部遍历结束；

(7b)剪切最小生成树：即将最小生成树集合E中欧式距离大于阈值r＝100的边删除；

(7c)提取裂缝：

(7c1)从点集合为V中选取在最小生成树集合E中未作为开始节点的一个种子点作为路径起点；

(7c2)从(7c1)中的起点开始找出根节点或者叶节点作为终点的最长路径，并将该路径所有种子点之和作为路径长度；

(7c3)设定裂缝长度阈值J＝25，如果该路径长度大于阈值J，则将该路径保存为一条裂缝主干，其主干的坐标作为裂缝位置，其路径长度作为裂缝长度，并从最小生成树集合E中删除，判断点集合V中的像素点是否遍历完成，若没有，返回(7c1)，若完成，则获取当前裂缝主干数作为裂缝数目信息，则算法结束。

9.根据权利要求1中方法，其特征在于，所述步骤(8)中基于准确种子点图Q和共生边缘B计算裂缝宽度，其公式如下：

其中(x_m,y_m)，(x_k,y_k)分别代表共生边缘点k点和m点的坐标，w代表裂缝宽度。