基于圖像處理的路面裂縫檢測(cè)關(guān)鍵技術(shù)研究.pdf

1、隨著我國(guó)公路網(wǎng)的不斷完善，公路建設(shè)的規(guī)模趨勢(shì)日益平緩，公路路面狀況檢測(cè)、養(yǎng)護(hù)和管理已成為我國(guó)公路建設(shè)領(lǐng)域的重要任務(wù)。路面裂縫是大部分路面病害的早期形式，及時(shí)發(fā)現(xiàn)裂縫并進(jìn)行修補(bǔ)可以有效的減小路面病害帶來(lái)的損失。因此，路面裂縫檢測(cè)具有重要的現(xiàn)實(shí)意義。
　　由于路面圖像的多紋理性、多目標(biāo)性、目標(biāo)的弱信號(hào)性和圖像光強(qiáng)的多變性，使得路面裂縫目標(biāo)的識(shí)別難度相對(duì)較大?，F(xiàn)有算法大多是建立在路面圖像質(zhì)量好、裂縫目標(biāo)清晰的基礎(chǔ)上而開(kāi)發(fā)的，缺乏對(duì)復(fù)雜環(huán)

2、境的適應(yīng)性，難以滿足工程應(yīng)用的實(shí)際需求。
　　針對(duì)以上問(wèn)題，本文對(duì)路面裂縫病害檢測(cè)過(guò)程中所涉及的去除噪聲、裂縫目標(biāo)分割、裂縫邊緣提取以及裂縫類(lèi)型識(shí)別等關(guān)鍵技術(shù)進(jìn)行研究，提出了一種基于圖像處理的路面裂縫智能檢測(cè)方法。該方法對(duì)路面裂縫灰度圖像建立壓縮感知去噪模型，對(duì)于成像照度不均勻的問(wèn)題，選擇自適應(yīng)閾值進(jìn)行分割，并通過(guò)韋伯定律和視覺(jué)模型進(jìn)行分段閾值邊緣檢測(cè)，最終通過(guò)徑向基概率神經(jīng)網(wǎng)絡(luò)進(jìn)行裂縫圖像的裂縫類(lèi)型識(shí)別。
　　論文主要在以

3、下幾個(gè)方面展開(kāi)了研究工作:
　　1．針對(duì)目前路面圖像濾波算法復(fù)雜度高且難以耦合噪聲抑制和信號(hào)平衡的缺點(diǎn)，提出了一種基于非下采樣Contourlet變換域壓縮采樣的濾波算法。該方法首先使用非下采樣Contourlet變換對(duì)包含噪聲的路面裂縫圖像進(jìn)行多尺度分解，建立壓縮感知去噪模型，采用偽隨機(jī)傅里葉矩陣對(duì)高頻子帶系數(shù)進(jìn)行觀測(cè)，通過(guò)構(gòu)建重建過(guò)程所使用的優(yōu)化目標(biāo)函數(shù)的形式及參數(shù)的設(shè)置，應(yīng)用不同的優(yōu)化目標(biāo)函數(shù)信號(hào)，重建原始圖像以達(dá)到實(shí)現(xiàn)濾波

4、的目的。實(shí)驗(yàn)表明：本文提出的算法可以很好的克服光照不均對(duì)裂縫目標(biāo)檢測(cè)的影響，在相同的實(shí)驗(yàn)條件下，與Curvelet閾值法和Wavelet閾值法相比，裂縫的錯(cuò)誤檢測(cè)率降低了15％和7.8%。
　　2．針對(duì)成像照度不均勻的問(wèn)題，提出一種基于改進(jìn)的模糊聚類(lèi)分割的自適應(yīng)閾值分割算法。改進(jìn)的模糊聚類(lèi)分割算法對(duì)路面灰度圖像采用模糊直方圖，利用模糊直方圖波峰的個(gè)數(shù)來(lái)確定聚類(lèi)數(shù)，模糊直方圖的極值確定聚類(lèi)中心。改進(jìn)的模糊聚類(lèi)分割算法對(duì)整幅圖像的全局

5、分割閾值進(jìn)行估計(jì)，最大類(lèi)間方差算法對(duì)所劃分子圖像進(jìn)行局部分割閾值估計(jì)，局部分割閾值通過(guò)局部分割估計(jì)閾值與全局分割估計(jì)閾值之間的關(guān)系以及子圖像的灰度特點(diǎn)共同確定。實(shí)驗(yàn)表明：在相同的實(shí)驗(yàn)條件下，基于改進(jìn)的模糊聚類(lèi)分割的自適應(yīng)閾值分割算法比模糊聚類(lèi)分割算法查全率提高了0.195，查準(zhǔn)率提高了0.0566。
　　3．提出了一種利用視覺(jué)模型來(lái)確定路面裂縫邊緣檢測(cè)閾值的算法。該算法按照仿生學(xué)原理，通過(guò)分析人眼的閾值亮度比曲線和Weber比曲線

6、，將圖像根據(jù)背景亮度劃分為三個(gè)不同亮度區(qū)域，分別是亮區(qū)域、中間區(qū)域、暗區(qū)域，對(duì)于不同亮度區(qū)域分別采用不同的邊緣閾值公式，最后得到路面裂縫的檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明：本文提出的算法受到噪聲的影響較小，能夠克服光照不均對(duì)檢測(cè)結(jié)果的影響，可以檢測(cè)出較為完整的裂縫邊緣信息，在相同的實(shí)驗(yàn)條件下，與基于多尺度小波模極大值和基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)算法相比，不同類(lèi)型的裂縫的邊緣定位指標(biāo)和檢出率均有所提高。
　　4．設(shè)計(jì)了一個(gè)四層徑向基概率神

7、經(jīng)網(wǎng)絡(luò)進(jìn)行裂縫類(lèi)型的識(shí)別。第一隱層采用徑向基函數(shù)作為基函數(shù)，隱矢量中心采用k-means聚類(lèi)法確定，第二隱層與輸出層之間的連接權(quán)值由遞推最小二乘法確定。將裂縫的幾何特征作為網(wǎng)絡(luò)的輸入，利用900幅已知裂縫類(lèi)型的路面圖像作為訓(xùn)練樣本對(duì)徑向基概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練好的網(wǎng)絡(luò)對(duì)700幅未知裂縫類(lèi)型的路面圖像進(jìn)行分類(lèi)測(cè)試。測(cè)試結(jié)果表明：徑向基概率神經(jīng)網(wǎng)絡(luò)可以取得了很好的分類(lèi)效果，與SVM，C4.5決策樹(shù)分類(lèi)器、貝葉斯分類(lèi)器相比，識(shí)別率達(dá)分別提