专利名称：一种基于主动轮廓模型的路面裂缝检测方法
技术领域：
本发明涉及一项自动检测技术，尤其是一种对路面图像增强的方法、一种基于主动轮廓模型的路面裂缝检测方法。
背景技术：
裂缝是公路路面最常见的病害，对公路的危害极大。特别在冬季和春季，因时有雨、雪渗入，在行车荷载的作用下，使本来就处于裂缝状态的路面病害更加严重。路面病害发现不及时，为道路养护工作带来很多麻烦，增加养护成本，一定程度上也使得道路养护的滞后。路面裂缝检测传统的方法是采用人工现场目测丈量与调查的方法。这种方法存在主观判读误差，效率低，大大影响了公路破损程度信息的及时性、科学性、准确性。因此，采用图像处理和模式识别技术，研究路面裂缝自动检测方法，开发和设计快速、高效、准确的路面裂缝自动检测方法具有重要的意义。现有的裂缝检测方法主要分两类一类是以数字图像处理技术为主的方法，该方法主要目的是提高图像成像质量，使操作者观察更清晰。另一类是“半自动检测方法”，该方法对部分图像可实现自动识别裂缝的类型，而对较难识别部分由人工判断，从而实现提醒操作者、避免失误、减少劳动强度的作用。以数字图像处理技术为主的方法，其步骤为(I)图像对比度增强，如直方图修正技术、频率域增强法。(2)图像去噪声，如中值滤波、小波去噪、偏微分方程方法。(3)裂缝边缘检测，基于经典算子如Sobel算子、Laplace算子等。半自动检测方法的主要步骤为(I)图像对比度增强，如直方图修正技术、频率域增强法。(2)图像去噪声，如中值滤波、小波去噪、偏微分方程方法。(3)裂缝边缘检测，基于经典算子如Sobel算子、Laplace算子等。(4)裂缝特征提取从图像样本中得到的对裂缝分类有用的度量或属性，用其反映不同裂缝类别之间的本质差别。(5)裂缝分类一般采用有监督学习方法，预先已知训练样本集中每个样本的类别标号，也就是说分别给出了每个类别的训练样本集，然后应用这样的训练样本集进行训练；设计出相应的分类器，根据特征矢量值来决定样本类型。(6)人工分类对拒识样本采用人工分类办法。现有方法对裂缝可疑区域定位准确性较低的原因有(I)裂缝情况复杂，如坑槽、松散等水损坏，车撤、推拥的流动性变形，从而造成形状、面积和深浅表现各异的裂缝。(2)由于成像设备本身是在自然场景中高速运行过程中拍摄，噪声、光照的形成的阴影等因素对可疑区的检测形成干扰。也就是说，现有的裂缝检测方法(无论是数字图像处理技术为主的方法，还是“半自动检测方法”)在识别过程中都需要人工参与，而并非真正意义上的自动检测。原因是目前的裂缝检测方法中存在一个矛盾，即现有方法对裂缝可疑区域定位准确性较低，同时，裂缝分类对可疑区域的定位精度要求较高。
发明内容
本发明旨在提供一种基于主动轮廓模型的路面裂缝检测方法，可对自然场景中高速运行过程中获得的各种裂缝图像进行自动识别。利用该方法可对裂缝可疑区域实现高精确性定位，并采用多示例分类方法对定位错误的区域进行鲁棒性识别。为达到上述目的，本发明提供了一种路面裂缝检测方法，其步骤为步骤11:采用模糊逻辑的路面裂缝图像对比度增强算法，达到提高所采集图像整体对比度和增强裂缝图像细节的双重目标。步骤12:采用基于主动轮廓模型的方法对路面裂缝进行检测。步骤13:采用基于多示例学习方法对路面裂缝进行分类。实施时，步骤11包括步骤111 :裂缝图像归一化处理。步骤112 :裂缝图像局部信息提取及模糊化。步骤113 :裂缝图像整体对比度转`换。实施时，步骤12包括步骤121 :采用一种基于有监督学习的局部特征分类方法，进行ROI的确定。步骤122 :将建立一种基于概率距离和水平集方法的主动轮廓模型，对划分出的感兴趣区域进行分割。实施时，步骤12包括步骤1:将图像划分为相同大小的块，每一块的大小为9X9。步骤2 :图像的模糊化将图像通过最大模糊熵方法进行模糊化，以使所有的图像变换到同样的亮度水平上。步骤3 :局部特征的提取采用一系列共生矩阵度量表示图像块的局部特征。由于裂缝图像中的局部特征并不具有特定的方向性，为了减少特征向量的维数，将相对距离的共生矩阵中提取的局部特征的均值作为一个特征进行分类。步骤4 :分类器的训练采用支持向量机方法对图像块进行分类。支持向量机可通过核函数将样例由低维空间映射到高维空间,从而解决非线性分类问题。步骤5 :感兴趣区域的确定在对图像块进行分类后，将利用数学形态学方法对分类结果构成的二值图像进行修正，从而确定感兴趣区域。步骤6 :计算裂缝图像边界指示函数定义Φ为用于表示裂缝边界的水平集函数，Εβ(Φ)和^($)分别是基于边缘与基于区域的模型项，Εβ(Φ)用于描述原始裂缝图像中各区域内灰度的概率分布密度，对图像的全局信息建模；ΕΚ(Φ)用于描述裂缝图像中的局部灰度变化，对图像的局部信息建模；ΕΡ(Φ)是一个惩罚项，防止在边界演化过程中水平集函数Φ变得过陡，收敛于不正确的位置，α，β和Υ分别是三个模型项的权值。则最终的裂缝图像边界指示函数定义为Ε(Φ) = α · Eb( Φ) + β · Ee( Φ) + Y · Ep( Φ) ο步骤7 :为了在最小化能量泛函的过程中控制水平集函数的演化，防止水平集函数变得过平或过陡，影响检测过程，采用无重新初始化的演化控制方法。步骤8 :计算不同区域中强度分布的实际值与估计值之间的概率差，利用变分法导出相应的Eular-Lagrange方程,得到水平集函数的演化方程。步骤9 :演化方程的稳定状态，即得到裂缝的准确位置实施时，步骤13包括步骤131 :构建多示例包，将图像全局分块，块大小为bl*bl，图像为一个包，包已知标签，每个块为包中的一个示例(横裂，纵裂，块裂，龟裂，图像背景区域)，示例未知标签，如下定义，所有裂缝划为一类，图像背景区域，即非裂缝区域为一类，若其中存在至少一个裂缝示例，则此包为正例包，反之则为反例包。步骤132 :对裂缝进行特征提取。步骤133 :采用基于多示例学习方法对路面裂缝进行分类。实施时，裂缝特征包括裂缝方位、边缘特征，外接矩形面积、裂缝长度、长宽比(外接矩形的长宽比)、最长最短径比、平均归一化径向长度、平均归一化径向长度标准差、平均归一化径向长度的熵、面积比率、边缘粗糙度、辐射状特征、方位角度。实施时，步骤133包括步骤1331 :构建训练样本库，选择不同场景下的横裂，纵裂，块裂，龟裂样本。步骤1332 :计算每一个样本的13维特征,形成样本的特征向量。步骤1333 :使用训练好的模型，对裂缝进行自动分类。本发明还提供一种基于主动轮廓模型的路面裂缝检测方法，包括以下步骤步骤100 :对路面裂缝图像对比度增强；步骤200 :基于步骤100的经过对比度增强后的图像，进行路面裂缝区域精确检测；步骤300 :基于步骤200的精确检测结果，对路面裂缝进行分类。本发明还提供一种对路面图像的增强方法，包括以下步骤步骤1000，计算背景灰度信息熵和裂缝灰度信息熵，来确定背景和目标的最佳阈值；步骤2000，使用步骤1000中的最佳阈值来确定隶属度函数的参数，步骤3000，用幂函数作为增强转换函数，利用幂函数的指数作为增强调节系数。所述调节系数由分别代表局部 信息和全局信息的两部分参数构成；其中局部信息是根据像素点所处窗口的边缘均值计算而得。所述步骤1000进一步包括步骤1100 :输入原始图像gOTig，计算归一化后图像X，并计算图像X的平均灰度值k ；步骤1200 :在区间
上逐一取值赋给t，计算背景灰度信息熵Hb (t)和目标灰度信息熵和Ho⑴；步骤1300 :由最大信息熵确定最佳阈值t*。所述步骤2000进一步包括以下步骤步骤2100 :计算隶属函数参数b=t*, a=2b-c, c为图像x灰度的最大值,将图像x转换到模糊域，计算μ x (Xmn)，其中Xmn为图像中的像素点(m，n)的灰度值；步骤MOO :计算当前位置为(m，η)的像素点局部边缘值，若值为零，则求出增强后的该点灰度值V 否则执行步骤2300:；步骤2300 :计算以当前位置为(m，n)的像素点为中心的窗口的边缘均值^^矶)和近似度系数cU*-);步骤2400 :计算模糊信息熵P mn，计算参数值小值δ min ；步骤2500 :计算增强系数σ ■和转换对比度，然后计算增强后模糊隶属度值和空间域内灰度值；步骤2600 :判断图像中的所有像素点是否全部处理完，如果是则结束，否则继续进行运算。此外，本发明还提供一种基于路面图像的路面裂缝检测方法，包括以下步骤步骤1000，生成的低精度的与实际的裂缝区域较为接近的感兴趣区域；步骤2000，检测以确定裂缝区域的精确位置。所述步骤1000中，在低精度的感兴趣区域生成中，进一步包括以下步骤步骤1100，通过支持向量机方法建立分类器，将所有图像块分为“裂缝”与“背景”两类；步骤1200，将分类生成的二值化图像进行后处理，并确定感兴趣区域。本发明的另一实施方式中，提供一种基于路面图像的路面裂缝检测方法，包括以下步骤
`
步骤1000，在高一级尺度层次上对完整的裂缝图像进行检测，找到一个该尺度层次下的分类用感兴趣区域；步骤2000，降低尺度层次，参考在较高尺度层次下得到的定位结果，在较低尺度上对图像的全部或某一部分进行处理，提高定位精度，直到得到符合后续步骤精度要求的分类用感兴趣区域为止。本发明的另一实施方式中，提供一种基于主动轮廓模型的路面裂缝检测方法，包括以下步骤步骤1000 :采用模糊逻辑的路面裂缝图像对比度增强；步骤2000 :对步骤1000中经过对比度增强的图像采用基于主动轮廓模型的方法对路面裂缝进行检测；步骤3000 :对步骤2000中检测出的路面裂缝，采用基于多示例学习方法对路面裂缝进行分类。所述步骤1000进一步包括步骤1100 :对裂缝图像归一化处理；步骤1200 :对步骤1100处理后的图像进行图像局部信息提取及模糊化；步骤1300 :对步骤1200处理过的图像进行整体对比度转换。所述步骤2000进一步包括步骤2100 :采用基于有监督学习的局部特征分类方法，进行感兴趣区域ROI的确定;步骤2200 :对划分出的感兴趣区域进行分割；所述步骤3000进一步包括步骤3100 :构建多示例包，将图像全局分块，块大小为bl*bl，图像为一个包，包已知标签，每个块为包中的一个示例；步骤3200 :对裂缝进行特征提取；步骤3300 :采用基于多示例学习方法对路面裂缝进行分类。与现有技术相比，本发明能够对自然场景中高速运行过程中获得的各种裂缝图像进行准确地自动识别。
图1是本发明所述的基于主动轮廓模型的路面裂缝检测方法技术路线2是本发明所述的模糊逻辑的路面裂缝图像对比度增强算法技术路线3是本发明所述的基于主动轮廓模型的路面裂缝检测方法技术路线4是本发明所述的基于多示例的路面裂缝分类方法技术路线图
具体实施例方式下面结合说明书附图对本发明作进一步的描述。本发明设计的基于主动轮廓模型的路面裂缝检测方法，是一种全自动的裂缝分类方法，能对自然场景中高速运行过程中获得的各种裂缝图像进行准确地自动识别。本发明设计的基于主动轮廓模型的路面裂缝检测方法，在第一实施方式中，本发明提供一种基于主动轮廓模型的路面裂缝检测方法，该方法分为三个步骤第一步为路面裂缝图像对比度增强，第二步为路面裂缝区域精确检测，第三步为路面裂缝分类。如图1所示，该方法是一种基于水平集方法的主动轮廓模型。其主要有如下两个特点首先，该方法以各区域中的实际灰度概率密度分布和估计概率密度分布的差异为基础建立检测模型。在该方法中，估计概率密度分布模型通过裂缝图像的背景知识建立，可以有效地对裂缝图像中的各区域的灰度分布进行合理建模。在此条件下，通过最小化实际概率密度与估计概率密度之间差异，可以使检测后产生的各区域中的实际概率密度具有合理的分布，从而获得较好的分割结果。其次，该方法在原始图像上利用了裂缝图像中灰度分布的背景知识建立全局信息模型，同时利用局部边缘响应建立局部信息模型。上述第一实施方式中所述的三个步骤优选为(I)裂缝增强本领域的技术人员能够理解，该裂缝增强步骤可单独构成一种裂缝增强技术方案。该步骤进一步包括步骤(1-1)，基于图像自身灰度分布特点，分别计算背景灰度信息熵和裂缝灰度信息熵，用最大模糊信息熵原则来确定背景和目标的最佳阈值。步骤(1-2)，使用最佳阈值决定隶属度函数的参数，充分利用了图像中的灰度信
肩、O步骤(1-3)，用幂函数作为增强转换函数，巧妙地利用幂函数的指数作为增强调节系数。该系数由分别代表局部信息和全局信息的两部分参数构成。其中局部信息是根据像素点所处窗口的边缘均值计算而得。边缘均值越高，说明该区域越不平坦，即处在边缘或纹理变化剧烈区域的可能性越高，相应的提高其增强系数。反之，像素点所处区域越平坦，则降低其增强系数，使得算法可达到同时提高整体对比度和增强图像细节的双重目标。
作为一个非限制性的描述性的说明，上述步骤(1-1)至(1-3)的步骤如下I)输入原始图像gOTig，其尺寸为mXn，计算归一化后图像X，并计算图像X的平均灰度值k;2)在区间
上逐一取值赋给t，利用公式(I)和⑵计算背景灰度信息熵Hb (t)和目标灰度信息熵和!Ut)，其中pl，p2，…，pN是各个灰度级的分布概率；
权利要求
1.ー种路面裂缝检测方法，包括以下步骤 步骤100 :对路面裂缝图像进行对比度增强； 步骤200 :基于步骤100的经过对比度增强后的图像，进行路面裂缝区域精确检测； 步骤300 :基于步骤200的精确检测结果，对路面裂缝进行分类。
2.ー种对路面图像的增强方法，包括以下步骤 步骤1000，计算背景灰度信息熵和裂缝灰度信息熵，来确定背景和目标的最佳阈值； 步骤2000，使用步骤1000中的最佳阈值来确定隶属度函数的參数； 步骤3000，用幂函数作为增强转换函数，利用幂函数的指数作为增强调节系数进行图像增强。
3.如权利要求2所述的对路面图像增强的方法，其特征在于 所述调节系数由分别代表局部信息和全局信息的两部分參数构成；其中局部信息是根据像素点所处窗ロ的边缘均值计算而得。
4.如权利要求2所述的对路面图像增强的方法，其特征在于 所述步骤1000进ー步包括 步骤1100 :输入原始图像gOTig，计算归ー化后图像X，并计算图像X的平均灰度值k ;步骤1200 :在区间
上逐一取值赋给t，计算背景灰度信息熵Hb (t)和目标灰度信息熵和Ho (t)； 步骤1300 :由最大信息熵确定最佳阈值t*。
5.如权利要求4所述的对路面图像增强的方法，其特征在于 所述步骤2000进ー步包括以下步骤 步骤2100 :计算隶属函数參数b=t*, a=2b-c, c为图像x灰度的最大值,将图像x转换到模糊域，计算Ux(Xnm),其中Xnm为图像中的像素点(m，n)的灰度值； 步骤2200 :计算当前位置为(m，n)的像素点局部边缘值 U，若5 ,,值为零，则求出增强后的该点灰度值X' 否则执行步骤2300 ; 步骤2300 :计算以当前位置为(m，n)的像素点为中心的窗ロ的边缘均值和近似度系数r丸',; 步骤2400 :计算模糊信息熵P ，计算參数值小值5 min ； 步骤2500 :计算增强系数0 ■和转换对比度然后计算增强后模糊隶属度值和空间域内灰度值； 步骤2600 :判断图像中的所有像素点是否全部处理完，如果是则结束，否则继续进行运算。
6.一种基于路面图像的路面裂缝检测方法，包括以下步骤 步骤1000，生成的低精度的与实际的裂缝区域较为接近的感兴趣区域； 步骤2000，检测以确定裂缝区域的精确位置。
7.如权利要求6所述的基于路面图像的路面裂缝检测方法，其特征在于 所述步骤1000中，在低精度的感兴趣区域生成中，进ー步包括以下步骤 步骤1100，通过支持向量机方法建立分类器，将所有图像块分为“裂縫”与“背景”两类；步骤1200，将分类生成的ニ值化图像进行后处理，并确定感兴趣区域。
8.一种基于路面图像的路面裂缝检测方法，包括以下步骤 步骤1000，在高ー级尺度层次上对完整的裂缝图像进行检测，找到ー个该尺度层次下的分类用感兴趣区域； 步骤2000，降低尺度层次，參考在较高尺度层次下得到的定位结果，在较低尺度上对图像的全部或某一部分进行处理，提高定位精度，直到得到符合后续步骤精度要求的分类用感兴趣区域为止。
9.ー种路面裂缝检测方法，包括以下步骤 步骤1000 :采用模糊逻辑的路面裂缝图像对比度增强； 步骤2000 :对步骤1000中经过对比度增强的图像采用基于主动轮廓模型的方法对路面裂缝进行检测； 步骤3000 :对步骤2000中检测出的路面裂缝，采用基于多示例学习方法对路面裂缝进行分类。
10.如权利要求9所述的路面裂缝检测方法，其特征在于 所述步骤1000进ー步包括 步骤1100 :对裂缝图像归一化处理； 步骤1200 :对步骤1100处理后的图像进行图像局部信息提取及模糊化； 步骤1300 :对步骤1200处理过的图像进行整体对比度转换。
所述步骤2000进ー步包括 步骤2100 :采用基于有监瞀学习的局部特征分类方法，进行感兴趣区域ROI的确定； 步骤2200 :对划分出的感兴趣区域进行分割； 所述步骤3000进ー步包括 步骤3100 :构建多示例包，将图像全局分块，块大小为bl*bl,图像为ー个包,包已知标签，姆个块为包中的一个示例； 步骤3200 :对裂缝进行特征提取； 步骤3300 :采用基于多示例学习方法对路面裂缝进行分类。
全文摘要
本发明提供一种对路面图像增强的方法、以及一种基于主动轮廓模型的路面裂缝检测方法，包括以下步骤对路面裂缝图像对比度增强；对经过对比度增强后的图像，进行路面裂缝区域精确检测；基于精确检测结果，对路面裂缝进行分类。本发明的技术方案可对自然场景中高速运行过程中获得的各种裂缝图像进行自动识别。利用该方法可对裂缝可疑区域实现高精确性定位，并采用多示例分类方法对定位错误的区域进行鲁棒性识别。
文档编号G06K9/46GK103048329SQ20121053164
公开日2013年4月17日 申请日期2012年12月11日 优先权日2012年12月11日
发明者承恒达 申请人:北京恒达锦程图像技术有限公司