CN110956183A - 一种沥青路面裂缝形态提取方法 - Google Patents
一种沥青路面裂缝形态提取方法 Download PDFInfo
- Publication number
- CN110956183A CN110956183A CN201911065192.3A CN201911065192A CN110956183A CN 110956183 A CN110956183 A CN 110956183A CN 201911065192 A CN201911065192 A CN 201911065192A CN 110956183 A CN110956183 A CN 110956183A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- matrix
- asphalt pavement
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种沥青路面裂缝形态提取方法,主要包含以下内容:1.通过用原图像减掉不均匀光照背景图像获得整体光照均匀图像,便于阈值选择;2.采用小波变换选择适当阈值区分高频低频信息,突出裂缝边缘与细小颗粒点的细节信息,弱化背景信息,对增强后的裂缝图像进行闭运算;3.遍历图像连通域,根据裂缝特点去除非裂缝连通域,获得裂缝增强图像。本发明提出的沥青路面裂缝图像处理方法明显改善了图像提取效果,针对裂缝特点减少噪声的干扰,计算效率较高,并具有较强的鲁棒性,匀光后便于对图像进行批量处理,应用于路面裂缝病害的自动识别与分类,提高了沥青路面裂缝病害的识别精度与统计效率。
Description
技术领域
本发明属于道路工程领域与图像处理技术领域,具体涉及一种沥青路面裂缝形态提取方法。
背景技术
截止2018年年底,全国的公路里程已达485万公里,其中高速公路总里程已达14.3万公里。作为国家最基础、最关注也是投资较大的基础建设工程,公路的质量影响着经济发展和人民日常生活,因此,公路的检测与养护管理日益凸显出重要性和紧迫性。目前,随着数字摄像机、自动化等技术的发展,路面图像的自动采集设备已趋近成熟,而后期的裂缝识别仍然采用人机结合甚至完全人工的方式,工作量大、效率低。针对检测车采集到的路面裂缝图像开发算法,对路面裂缝图像进行识别处理可以大大提高路面裂缝的检测效率,及时、高效、准确地评价路面状况,并节省人力资源。
目前常见的路面裂缝图像预处理方法主要有:
(1)基于形态学处理的裂缝预处理方法,该方法利用腐蚀、膨胀、骨架提取、边缘检测等方法获取裂缝的二维形态特征。由于沥青路面图像较为复杂,多种干扰导致裂缝边缘与背景信息混杂,难以分割出裂缝区域,因此形态学处理方法预处理效果不佳。
(2)基于灰度阈值的裂缝预处理方法,通过对路面图像灰度特征进行分析,选取合适的灰度阈值区分图像背景与目标。由于沥青路面灰度不均匀且由颗粒纹理,裂缝灰度与背景灰度有较多重合部分,阈值分割并不能完全区分出裂缝,且图像不能批量处理,增加了预处理工作量。
(3)基于灰度直方图的阈值分割方法,也就是OTSU分割,但其本质仍然是阈值分割,应用于沥青路面图像不能完全区分出背景与目标裂缝。
(4)基于多尺度几何分析的路面裂缝的预处理方法,通常利用图像几何结构特征,采用小波、Ridge1et(脊波)等变换表达图像信息。其优势在于图像的多尺度表示,在高层对图像分解,但应用于沥青路面会受到灰度不均和纹理影响。
现有的这些方法,普遍对路面裂缝图像质量要求较高,但实际工程中沥青路面裂缝图像并不是在相同的光照条件下获取的(昼/夜),(晴天/多云),其中一些图像中包含了干扰裂缝提取的部分,例如随机颗粒状纹理,非均匀照明和不规则路面表面阴影,嘈杂的环境,标线、水迹、轮胎痕迹、油渍等。这些干扰因素对于裂缝的提取和图像的批量处理会产生明显的影响。
发明内容
本发明为消除路面裂缝图像中的大量干扰因素,批量对沥青路面裂缝图像进行图像预处理,以便更好的应用于机器自动识别,本发明针对道路检测车CCD相机所获取的沥青路面裂缝图像提供了一种沥青路面裂缝图像预处理方法,能够减少沥青路面图像复杂的干扰并且快速批量处理大量图片。
为了解决上述技术问题,本发明提供了一种沥青路面裂缝形态提取方法,包括以下步骤:
步骤1、利用整幅图像灰度横向差异性,通过计算各列灰度均值与整体均值,获取不均匀光照背景图像,原图减去背景图像获得均匀光照图像;
步骤2、在匀光后的图像上选择阈值进行小波分解与重构,闭运算之后遍历图像连通域,按裂缝特点去除非裂缝区域;
其中,所述步骤1包括:通过均值计算,按图像每列原有灰度分配背景灰度,对图像横向进行匀光处理;
步骤1所述的匀光过程包括以下步骤:
步骤1.1:求取原图像灰度矩阵F'm×n每一列的灰度均值I i(i=1,2,...,n),构造矩阵M 1×n=(I 1, I 2,..., I n),求取图像整体灰度均值a,构造矩阵E 1×n=(a,a,...a);
步骤1.2:矩阵M 1×n减去矩阵E 1×n得到差值矩阵P 1×n,将差值矩阵P 1×n按原图行数拓展成列元素相同的矩阵G m×n,获得背景图像灰度矩阵;
步骤1.3:原灰度矩阵F'减去背景矩阵G,得到矩阵K',将矩阵K'中所有小于0的元素置为0,再将矩阵中各元素乘以拉伸系数k=255/max(K'),得到匀光后的灰度图像矩阵。
进一步的,通过对原灰度图像进行匀光处理,将匀光后的图像用于小波变换。
进一步的,所述步骤2具体包括以下步骤:
步骤2.1:采用母小波函数sym4对沥青裂缝图像矩阵在第2层进行离散小波分解,选择阈值区分高频裂缝等信息和低频背景信息;
步骤2.2:对得到的分解系数矩阵中的高频系数进行增强,低频系数弱化,采用同样的母小波函数sym4对变换后的系数矩阵进行小波重构,得到增强后的沥青路面裂缝图像;
步骤2.3:使用圆盘形结构元素对增强后的裂缝图像进行闭运算,填充部分裂缝断裂处;
步骤2.4:遍历图像中的所有像素点,标记相连像素点的连通域,记每个连通域的像素个数s、每个连通域的最长轴线M和最短轴线N,清除所获得的图像中面积大于限定像素和长宽比小于限定值的连通区域;
进一步的,小波增强后的裂缝信息完整,路面常见油污、标线和石子等噪声被去除。
本发明的有益效果是:本发明通过总结沥青路面非裂缝区域的干扰主要是整体光照不均匀、有面积较小或者长宽比不大的噪声,根据以上特征,本发明针对多尺度分析方法中小波变换的不足予以改进,有效消除背景图像噪声干扰,提取完整裂缝信息。
本发明提供的匀光与小波变换方法用于沥青路面裂缝图像的图像预处理时,算法能够有效的消除路面裂缝图像嘈杂背景对于提取裂缝的不利影响,运算速度快,并能对大量图片批量处理。
附图说明
图1是本发明具体实施方式中的输入图像灰度级路面裂缝图像F’;
图2是本发明具体实施方式中的匀光处理后的路面裂缝图像F;
图3是本发明具体实施方式中的小波变换和闭运算后的路面裂缝图像;
图4是本发明具体实施方式中的去除连通区域后的路面裂缝图像。
具体实施方式
本实施例基于以下假设,以实现对路面裂缝图像的图像分割:
1、图像横向光照不均匀;
2、裂缝灰度比背景灰度低,但有部分纹理灰度与裂缝灰度重合;
3、裂缝是一系列灰度值偏低的像素集合;
4、一条裂缝是一个狭窄、连续的目标物体;
5、裂缝区域在整张图片中所占比例很小;
基于以上假设,利用路面裂缝与路面在灰度值上的相似性。本实施例使用横向匀光算法获取路面裂缝图像的背景光照图像,去除不均匀光照后对图像进行小波分解,对高频信息增强、低频信息弱化后进行小波重构,得到裂缝与部分纹理信息,再针对纹理信息特征去除连通域,获取完整裂缝信息。本实施例不依赖于高质量的裂缝图像,对于低对比度和光照不均情况具有很好的适应性。
参见图1至图4,本实施例具体包括以下步骤:
步骤1、利用整幅图像灰度横向差异性,通过计算各列灰度均值与整体均值,获取不均匀光照背景图像,原图减去背景图像获得均匀光照图像;
步骤1.1:求取原图像灰度矩阵F'm×n每一列的灰度均值I i(i=1,2,...,n),构造矩阵M 1×n=(I 1, I 2,..., I n),求取图像整体灰度均值a,构造矩阵E 1×n=(a,a,...a);
步骤1.2:矩阵M 1×n减去矩阵E 1×n得到差值矩阵P 1×n,将差值矩阵P 1×n按原图行数拓展成列元素相同的矩阵G m×n,获得背景图像灰度矩阵;
步骤1.3:原灰度矩阵F'减去背景矩阵G,得到矩阵K',将矩阵K'中所有小于0的元素置为0,再将矩阵中各元素乘以拉伸系数k=255/max(K'),得到匀光后的灰度图像矩阵。
步骤2、在匀光图像上选择阈值进行小波分解与重构,闭运算之后遍历图像连通域,按裂缝特点去除非裂缝区域;
步骤2.1:采用母小波函数sym4对沥青裂缝图像矩阵在第2层进行离散小波分解,选择阈值区分高频裂缝等信息和低频背景信息,本实施例中选择阈值470能较好地区分高频低频信息;
步骤2.2:对得到的分解系数矩阵中的高频系数进行增强,低频系数弱化,采用同样的母小波函数sym4对变换后的系数矩阵进行小波重构,得到增强后的沥青路面裂缝图像;
步骤2.3:使用圆盘形结构元素对增强后的裂缝图像进行闭运算,填充部分裂缝断裂处,本实施例中圆盘形结构元素像素大小设为1;
步骤2.4:遍历图像中的所有像素点,标记相连像素点的连通域,记每个连通域的像素个数s、每个连通域的最长轴线M和最短轴线N,去除s<8或者M/N<3的连通域,获得最终增强的裂缝图像。
本发明的有益效果是:本发明通过总结沥青路面非裂缝区域的干扰主要是整体光照不均匀、有面积较小或者长宽比不大的噪声,根据以上特征,本发明针对多尺度分析方法中小波变换的不足予以改进,有效消除背景图像噪声干扰,提取完整裂缝信息。
本发明提供的匀光与小波变换方法用于沥青路面裂缝图像的图像预处理时,算法能够有效的消除路面裂缝图像嘈杂背景对于提取裂缝的不利影响,运算速度快,并能对大量图片批量处理。
Claims (3)
1.一种沥青路面裂缝形态提取方法,其特征在于:包括以下步骤:
步骤1、利用整幅图像灰度横向差异性,通过计算各列灰度均值与整体均值,获取不均匀光照背景图像,原图减去背景图像获得均匀光照图像;
步骤2、在匀光后的图像上选择阈值进行小波分解与重构,闭运算之后遍历图像连通域,按裂缝特点去除非裂缝区域。
2.根据权利要求1所述的一种沥青路面裂缝形态提取方法,其特征在于:步骤1所述的匀光过程包括以下步骤:
步骤1.1:求取原图像灰度矩阵F'm×n每一列的灰度均值I i(i=1,2,...,n),构造矩阵M 1×n=(I 1, I 2,..., I n),求取图像整体灰度均值a,构造矩阵E 1×n=(a,a,...a);
步骤1.2:矩阵M 1×n减去矩阵E 1×n得到差值矩阵P 1×n,将差值矩阵P 1×n按原图行数拓展成列元素相同的矩阵G m×n,获得背景图像灰度矩阵;
步骤1.3:原灰度矩阵F'减去背景矩阵G,得到矩阵K',将矩阵K'中所有小于0的元素置为0,再将矩阵中各元素乘以拉伸系数k=255/max(K'),得到匀光后的灰度图像矩阵。
3.根据权利要求1所述的一种沥青路面裂缝形态提取方法,其特征在于:所述步骤2具体包括以下步骤:
步骤2.1:采用母小波函数sym4对沥青裂缝图像矩阵在第2层进行离散小波分解,选择阈值区分高频裂缝等信息和低频背景信息;
步骤2.2:对得到的分解系数矩阵中的高频系数进行增强,低频系数弱化,采用同样的母小波函数sym4对变换后的系数矩阵进行小波重构,得到增强后的沥青路面裂缝图像;
步骤2.3:使用圆盘形结构元素对增强后的裂缝图像进行闭运算,填充部分裂缝断裂处;
步骤2.4:遍历图像中的所有像素点,标记相连像素点的连通域,记每个连通域的像素个数s、每个连通域的最长轴线M和最短轴线N,清除所获得的图像中面积大于限定像素和长宽比小于限定值的连通区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065192.3A CN110956183B (zh) | 2019-11-04 | 2019-11-04 | 一种沥青路面裂缝形态提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065192.3A CN110956183B (zh) | 2019-11-04 | 2019-11-04 | 一种沥青路面裂缝形态提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956183A true CN110956183A (zh) | 2020-04-03 |
CN110956183B CN110956183B (zh) | 2023-05-02 |
Family
ID=69976043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911065192.3A Active CN110956183B (zh) | 2019-11-04 | 2019-11-04 | 一种沥青路面裂缝形态提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956183B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112763466A (zh) * | 2020-12-24 | 2021-05-07 | 山东省交通科学研究院 | 一种聚合物改性沥青相态分布特性识别方法 |
CN114387291A (zh) * | 2022-03-22 | 2022-04-22 | 中大检测(湖南)股份有限公司 | 公路状况检测图像中基准网格的自动筛选方法及系统 |
CN116523901A (zh) * | 2023-06-20 | 2023-08-01 | 东莞市京品精密模具有限公司 | 一种基于计算机视觉的冲切模具检测方法 |
CN116777768A (zh) * | 2023-05-25 | 2023-09-19 | 珠海移科智能科技有限公司 | 一种鲁棒且高效的扫描文档图像增强方法及其装置 |
CN116958182A (zh) * | 2023-09-20 | 2023-10-27 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
CN117094913A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种非均匀光照下沥青路面检测图像质量提升方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
CN107578414A (zh) * | 2017-08-18 | 2018-01-12 | 东南大学 | 一种路面裂缝图像的处理方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN109410205A (zh) * | 2018-11-01 | 2019-03-01 | 西安建筑科技大学 | 一种复杂路面背景下的裂缝提取方法 |
CN110378950A (zh) * | 2019-06-18 | 2019-10-25 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 |
-
2019
- 2019-11-04 CN CN201911065192.3A patent/CN110956183B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
CN107578414A (zh) * | 2017-08-18 | 2018-01-12 | 东南大学 | 一种路面裂缝图像的处理方法 |
CN109410205A (zh) * | 2018-11-01 | 2019-03-01 | 西安建筑科技大学 | 一种复杂路面背景下的裂缝提取方法 |
CN110378950A (zh) * | 2019-06-18 | 2019-10-25 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112763466A (zh) * | 2020-12-24 | 2021-05-07 | 山东省交通科学研究院 | 一种聚合物改性沥青相态分布特性识别方法 |
CN114387291A (zh) * | 2022-03-22 | 2022-04-22 | 中大检测(湖南)股份有限公司 | 公路状况检测图像中基准网格的自动筛选方法及系统 |
CN116777768A (zh) * | 2023-05-25 | 2023-09-19 | 珠海移科智能科技有限公司 | 一种鲁棒且高效的扫描文档图像增强方法及其装置 |
CN116777768B (zh) * | 2023-05-25 | 2024-05-31 | 珠海移科智能科技有限公司 | 一种鲁棒且高效的扫描文档图像增强方法及其装置 |
CN116523901A (zh) * | 2023-06-20 | 2023-08-01 | 东莞市京品精密模具有限公司 | 一种基于计算机视觉的冲切模具检测方法 |
CN116523901B (zh) * | 2023-06-20 | 2023-09-19 | 东莞市京品精密模具有限公司 | 一种基于计算机视觉的冲切模具检测方法 |
CN116958182A (zh) * | 2023-09-20 | 2023-10-27 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
CN116958182B (zh) * | 2023-09-20 | 2023-12-08 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
CN117094913A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种非均匀光照下沥青路面检测图像质量提升方法 |
CN117094913B (zh) * | 2023-10-17 | 2024-03-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种非均匀光照下沥青路面检测图像质量提升方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110956183B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956183B (zh) | 一种沥青路面裂缝形态提取方法 | |
Kheradmandi et al. | A critical review and comparative study on image segmentation-based techniques for pavement crack detection | |
CN108460744B (zh) | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 | |
CN104792792B (zh) | 一种逐步求精的路面裂缝检测方法 | |
WO2016172827A1 (zh) | 一种逐步求精的路面裂缝检测方法 | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
Tang et al. | Automatic crack detection and segmentation using a hybrid algorithm for road distress analysis | |
Qingbo | Pavement crack detection algorithm based on image processing analysis | |
CN104021574A (zh) | 路面病害自动识别方法 | |
CN107578414B (zh) | 一种路面裂缝图像的处理方法 | |
CN109410205B (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN109523479A (zh) | 一种桥墩表面缝隙视觉检测方法 | |
CN109064411B (zh) | 一种基于光照补偿的路面图像去阴影方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN102663702A (zh) | 基于区域划分的自然图像去噪方法 | |
CN110874825B (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
CN109815961B (zh) | 一种基于局部纹理二值模式的路面修补类病害检测方法 | |
Mubashshira et al. | An unsupervised approach for road surface crack detection | |
CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN111681185A (zh) | 一种基于沥青混合料X-ray扫描图像的有限元建模方法 | |
CN107610094B (zh) | 基于椭球立体表征的裂缝三维检测方法 | |
Chen et al. | Fast segmentation of high-resolution satellite images using watershed transform combined with an efficient region merging approach | |
CN109886900B (zh) | 一种基于字典训练和稀疏表示的合成雨图除雨方法 | |
CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |