英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
自动检测路面图像裂缝的加权
邻域像素分割方法
LuSun; Mojtaba Kamaliardakani;and Yongming Zhang
摘要
本文设计了一种从背景中检测和分割路面图像裂缝的新方法。已经从马里兰州的州际高速公路上的沥青混凝土路面采用电荷耦合装置（CCD）数码相机收集了路面的灰色图像。这些路面表面图像包含不同类型的路面表面破损和路面标记。新算法的第一步是通过应用每列的新平均亮度级别来准备统一背景，并提出了加权邻域像素法，该法基于三个周围环路中所有像素的强度。同时还对7种不同的模式进行了研究和比较，从而在路面图像裂缝特征提取的准确性和稳定性方面取得了最佳性能的八向模式; 然后，采用局部阈值方法和使用偏心值参数的形状滤波来增强候选裂缝。最后，使用扩张算子连接裂缝碎片。新方法的性能是使用手动检测和分割对照地面实况数据进行评估的。结果表明，所开发的自动检测和分割方法准确，快速，稳固，适用于在线路面状况评估。
作者关键词：自动裂缝检测；图像处理；路面状况评估；公路
1 引言
当路面出现裂缝但未经处理时，随着交通流量的持续增加，它们会扩散并变得更加严重。同时，裂缝使水渗透到表面，导致通过霜冻过程逐渐升高路面。保持路面良好的修复将会使驾驶者免于额外的运营成本。路面破损评估是维护和修复路面管理系统的重要组成部分。初期恶化的路面可以通过定期路面检查早期发现。
传统上，路面表面破损已由人类检查员确定，他们沿着道路行走并通过视觉调查制作报告表。这些手工检查耗时，昂贵，主观且不安全（Cheng等人 2003）。数字图像是定性评估痛苦的最重要的信息来源。计算机技术，数字图像采集和数字图像处理技术的进步使当地机构能够使用数字图像处理进行路面遇险分析（Teomete等人 2005）。自动化路面遇险检查能够提高准确性和主观性。
收集和分析带有破损的路面图像由于其有可能提高路面状况评估的质量而受到相当大的关注。在过去的二十年中，已经努力开发使用图像处理技术的自动表面遇险检测系统。然而，全自动系统仍然是路面表面遇险检测和分类中的一个挑战（Tsai等人 2009）。
在这项研究中，提出了一种基于加权邻域像素的新特征提取（分割）方法，用于视频或摄影胶片上记录的路面图像的裂缝自动在线检测和分割。与现有方法相比，这种加权邻域像素分割方法的优点在于其精确性和效率。本文的贡献如下：第一次使用加权邻域像素法来自动检测和分割路面图像上的裂缝。通过对七种不同图案进行最佳图案选择来设计和实现算法，实现了高精度和高处理效率。这种新方法快速，自动化，并对路面开裂产生客观和一致的评估。
2 文献综述
自20世纪90年代初以来，研究人员已经做出了相当大的尝试来开发自动化路面遇险检测系统。这种系统由两部分组成：一个是用于收集路面表面图像的自动调查，另一个是基于图像的路面破损自动评估（评价）。虽然模拟区域扫描仪和线扫描仪已被用于在现场采集路面图像超过十年，但基于路面图像的路面破损自动评估还远未成熟。
路面破损的自动评估包括三个步骤：图像预处理，图像分割和路面遇险分类和测量。图像预处理用于减少噪音并增强感兴趣的区域。常见的图像预处理技术基于中值滤波器（Li等人 2010；Maode等人 2007；Mustaffara等人 2008），直方图均衡化（Nejad和Zakeri 2011）和混合方法（Gavilan等人 2011）。图像分割是将图像分割成背景和破损的过程。路面遇险分类和测量包括遇险类型的识别和遇险范围和严重程度的量化。
图像分割通常可以分为两类：基于阈值的方法和基于边缘检测的方法。Kirschke和Velinsky（1992）提出了基于直方图的机器视觉技术的初步努力，用于自动检测公路路面的自发裂缝。Koutsopoulos等人（1993）比较了不同的阈值方法，包括回归，Otsu，松弛和Kittler方法，并且表明基于回归的方法优于其他方法，但是当图像存在阴影时效果不佳。Koutsopoulos和Downey（1993）提出了一种统计方法来区分裂缝分割。然而，该方法在分类路面破损类型时遇到了一些困难，主要是皱裂和块状裂缝之间的分类。 Cheng和Miyojim（1998）应用神经网络来选择破损分割的阈值。他们使用标准偏差和均值作为神经网络训练的参数。 Cheng等人（1999）提出了一种模糊集合理论来检测和分割裂缝。Hassani和Tehrani（2008）推荐了一种基于模糊逻辑的自动路面遇险检测系统，该系统使用一般阈值来检测和分割遇难者。他和Qiu（2012）提出了一种基于多阈值平均和多向数学形态学相结合的改进分割方法。他们声称他们提出的算法可以显着改善分割的效果并有效地抑制噪声。王和唐（2012）提出了一种新的方法，并将其与全局阈值算法和局部最优阈值算法进行了比较。他们声称新方法比全局和最佳局部阈值要好。Kamaliardakani等人（2014）开发了一种基于局部最小方法自动检测路面表面图像中密封裂缝的算法。实验结果表明，所开发的算法具有较高的精度，可以始终如一地检测不同环境下的密封裂纹。
基于分割方法的边缘检测具有在保留关键信息的同时减小图像大小的优点。 在过去的三十年中，已经开发了许多边缘探测器，如Prewitt，Sobel，Roberts和LOG边缘探测器（Davies 2004）。最近，多尺度的基于多分辨率的边缘检测变得流行起来。Subirats等人（2006）和Zhou（2004）采用连续小波变换进行路面裂缝面检测。Wang等人（2008）和Zhou等人（2006）使用小波边缘检测程序进行路面破损分割。Chen等人（2012）和Zuo等人2008）使用分形维度开发了一种分割方法。这些方法是有效的，但非常昂贵和缓慢。Hong等人（2010）使用小波变换和伪彩色检测裂纹，并对二值图像应用Radon变换对裂纹进行分类和评估。 （Wei等人 2010； Ying和Salari 2010）提出了一种基于小波分析的新型沥青路面裂缝检测算法，可以检测裂纹的长度，方向和位置。Moghadas Nejad和Zakeri（2011）使用多分辨率纹理分析从路面图像中快速分离出裂缝和坑洞破损。该方法使用三套小波，脊波和基于曲波的纹理矢量，提供了一个综合分析破损隔离和检测算法的方法。他们的结果表明，使用基于曲波的纹理特征可以改善坑洼分类，而基于脊波的纹理特征可以改善裂缝破损的分类。Wu和Liu（2012）提出了一种基于小波分析的方法来消除噪声。他们提出的方法适用于实时检测。Zhibiao与Yanqing（2013）开发了一种基于轮廓域的算法，仿真结果表明该算法具有较好的稳固性。Tsai等人（2009）使用评分测量来比较六种不同路面破损分割算法的性能：统计/松弛阈值，Canny边缘检测，多尺度小波，裂纹种子验证，迭代裁剪和基于动态优化的方法。得出的结论是，基于动态优化的方法在这六种方法中是最好的，但它确实需要很长的计算时间。
总之，过去十年来已经提出了几种分割方法用于检测和分割具有开裂的路面表面图像。在现有的方法中，一些在准确性方面性能不稳定，而另一些则需要很长的计算时间，不适合在线处理。
在本文的其余部分安排如下，“新裂纹检测算法”部分介绍了所提出的路面裂缝分割算法。“模式选择”部分介绍了通过实验研究使用具有开裂的地面实况路面图像的图案选择程序。“建议方法的性能评估”部分评估了所提出的方法在人为检测具有破裂的地面真实路面图像方面的性能。结论在最后一节中介绍。
3 新的裂纹检测算法
图1概述了提出的新的路面裂缝检测算法。该方法基于两个假设：（1）裂纹像素比周围背景更暗；（2）裂缝是长线形或薄的矩形区域（Chambon和Moliard 2011).
图1 算法流程图
3.1 输入图像
从马里兰州州际高速公路收集到的框架尺寸为3，480times;2，048的灰色路面图像被认为是输入。
3.2 图像预处理
路面图像由背景，噪音和可能的破损组成，裂缝是破损的一部分。自动路面遇险检测和分段的障碍是道路路面图像通常在非均匀分布式照明条件下获得。为了克服这个障碍，预处理是图像分析和模式识别的基本步骤。有必要将所有源图像转换为统一的照明条件；预处理可以校正每个图像列的平均亮度级别。在处理开始时，相机的增益和曝光时间分别调整为平均像素值128（0和255的中间值）。然而，由于照明和观看条件在每个点不完全相同这一事实，沿给定线测量的亮度并不恒定（Zalama等人 2013）。为了纠正现有的差异，已经提出了以下过程
(1)
其中=第i列和第j行原始图像的像素值， =变换的图像像素值，M =图像的列数，N =行数。此外，Ai=第i列的平均像素值。然后，使用5times;5中值滤波器来减少椒盐噪声。最后，使用3times;3分钟的滤光片两次以扩展诸如裂缝的黑暗物体。
图2和图3描绘了预处理图像的两个例子。图2（a）是包含带条纹噪声的水平裂纹的路面图像.。图2（b）示出了在不同位置处变化的X方向上的平均像素值，这表示背景照度不恒定。为了从原始图像中提取裂缝信息，将背景成分转换为恒定的基本强度是至关重要的。图2(c) 是在X方向具有统一背景的亮度等级校正之后的图像，其可以根据图2（d）中的直方图来看到。比较图2（b和d）可以看出，亮度级校正为图像的照明提供了均匀的分布。最后，图2（e和f）在应用中值滤波器和最小滤波器后显示预处理图像和对应直方图的结果。图3显示了预处理过程的放大图像，并且可以看到裂纹特征增强并且非裂纹区域的外观被平滑。
3.3 图像分割
图像分割是一种将感兴趣对象（即裂缝）从背景中分割出来的技术。强度阈值法被广泛用于检测过程。本文评估了三种图像分割算法对噪声路面图像的性能。 第一种方法是迭代消除（Oh等人 1998；Tsai等人 2009）；第二种是基于二次加权的阈值法（Lokeshwor等人 2013）；第三种方法加权邻域像素阈值法。
3.3.1 迭代消除
Tsai等人（2009）评估了该算法在噪声路面图像分割中的性能。在这个算法中，图像首先被分成八个子图像。然后，通过计算平均值为每个子图像确定削波值。剪切值以上的所有像素值都设置为削波值，其余值不变。之后，计算每个剪切瓦片的平均值和标准差以确定对应的新剪切值
(2)
Cn=第n次迭代时的限幅值，=第（n-1）次迭代的平均值; 和=第（n-1）次迭代处的标准偏差值。当等式（2）计算的当前削波与削波之后的平均值之差小于0.3时，迭代停止。最后，阈值由平均值减五定义。
直方图
像素值
- (b) 距离
直方图
像素值
(c) (d) 距离
直方图
像素值
(e) (f) 距离
图2 不均匀路面图像和相应直方图的增强：（a）具有裂纹的原始图像A;（b）原始图像A的X方向上的平均像素值图;（c）测量亮度水平校正A;（d）亮度级校正A的X方向上的平均像素值图;（e）预处理图像的结果;（
全文共12324字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16326]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
