裂缝检测中的图像处理技术★

金 灵,陈曹阳

(长沙理工大学土木工程学院，湖南 长沙 410114)

陈曹阳(1997- )，男，在读硕士，从事结构工程研究

1 概述

数字图像处理是利用计算机对图像进行变换、增强、复原、分割、压缩、分析、理解的理论、方法和技术[1]。数字图像处理自20世纪50年代提出后，已在多个学科中成功应用，如：航空航天[2]、卫星遥感[3]和医学影像等[4]。

目前，裂缝检测的主要方法仍然是以人工检测为主。裂缝的人工检测方法存在费用高，效率低以及人员安全无法保障等问题。裂缝检测技术与图像处理技术相结合能够解决人工检测技术的困境。通过采集设备代替人工识别裂缝并计算裂缝宽度、长度，能够大幅度提升裂缝检测的安全以及效率。因此，图像处理技术与裂缝检测技术融合已成为发展趋势。

2 裂缝检测技术

基于图像处理技术的裂缝检测流程如图1所示。裂缝检测主要包括图像采集、灰度化、去噪、图像增强以及图像裂缝检测五个部分。

2.1 灰度化处理

直接对RGB图像进行图像处理存在着数据量巨大，效率低等问题，所以需要对裂缝图像进行降维处理，即灰度化处理。灰度图像是单通道图像，像素点取值范围为0～255，仅有256阶。处理灰度图像可以大幅度降低运算量，提升运算速度。灰度化处理方法主要分为最大值法、加权法和平均值法三种。

最大值法即取RGB通道内像素点的最大值作为灰度值，原理如式(1)所示。

GRAY(i,j)=max{R(i,j),G(i,j),B(i,j)}

(1)

其中，i为元素的行数;j为元素的列数;GRAY(x,y)为灰度通道内元素值;R(i,j)为R通道内元素值;G(i,j)为G通道内元素值;B(i,j)为B通道内元素值。

使用加权平均法进行灰度化处理时，灰度值为R,G,B三通道像素值的加权平均结果。常用的加权平均参数如式(2)所示。

GRAY(x,y)=0.299×R(i,j),0.587×G(i,j),0.114×B(i,j)

(2)

平均值法是特殊的平均值法，即所有加权参数均为1/3。三种方法中最大值法灰度化后图像对比度最高。

2.2 图像去噪

噪声是图像识别精准度的主要干扰因素，当光照条件不理想时，图像的噪点将会增多。噪声是影响裂缝检测精度的主要因素，因此需要尽可能地去除噪声图像，去噪技术主要分为空域滤波与频域滤波两类。

2.2.1 空域滤波

空域滤波是指在图像的空间域对图像的灰度值直接进行操作的去噪方法，空域滤波主要考虑和处理像素点与周边像素点之间的关联，主要的空域滤波方法有均值滤波、高斯滤波和中值滤波等。

均值滤波属于线性平滑滤波方法，其中均值滤波是空域滤波中的基础方法之一。它的基本原理是选择一个目标像素点，赋予其一定邻域内的所有像素点灰度值的平均值。

去噪后图像为原图像与局部算子的卷积结果，噪点在经过均值滤波后会大幅度降低，通过迭代的方式能提高均值滤波的效果[5]。然而均值滤波处理后的图像的对比度会下降，模板越大，边缘越模糊。

高斯滤波与均值滤波相似，属于线性平滑滤波方法。通过选取某一像素点的邻域，根据高斯正态分布曲线求加权平均值作为新的像素点的像素值。通过降低像素点间的差值达到消除噪点的目的。

线性平滑滤波会造成图像边缘模糊，难以达到令人满意的效果，因此，研究者们设计了非线性平滑滤波器。其中中值滤波[6]的应用最为广泛。中值滤波对于椒盐噪声有较好的滤波效果，但对于高斯噪声效果不理想，对于点线多的图像中值滤波的去噪效果较差，丢失细节。因此，中值滤波不适合于裂缝图像的去噪处理。

2.2.2 频域滤波

频域滤波是将图像由二维空域转换到一维频域进行处理的滤波方法[7]。频域中幅度为像素点的灰度，频率为灰度变化的快慢。使用傅里叶变换将图像由空域转换至频率后，噪声在频域中表现为高频成分。因此，通过构造低频滤波器，可以有效的对噪声进行过滤。频域滤波的滤波过程如式(3)所示。

(3)

其中，f(x,y)为原图像;DFT为离散傅里叶变换;F(x,y)为f(x,y)经过傅里叶变换后得到的频域函数;H(u,v)为滤波器;G(u,v)为低频滤波后得到的函数;g(x,y)为进行反傅里叶变换后输出的图像。

基于小波变换的降噪方法主要有形式简单的阈值法和使用先验概率模型，如广义高斯模型[8]，高斯混合模型[9]等基于贝叶斯估计理论的降噪方法。其中阈值法效果较差，且需要设定阈值，但是具有计算速度快，程序简单，便于实现的优点。因此，在阈值法基础上，研究者们提出了各种自适应阈值的阈值法去噪，在一定程度上弥补了阈值法的缺陷[10-13]。阈值法滤波如图2所示，阈值大小为100。

2.3 图像增强

图像增强能够提高图像的对比度，突出细节信息，使裂缝更容易被人和机器识别。好的图像增强算法应该能有效抑制噪声，并且使图像具有良好的视觉效果。其中，应用最为广泛的图像增强算法有直方图均衡算法和Retinex算法等。

2.3.1 直方图均衡法

灰度直方图表能够反映每一灰度级在图像中出现的频率。其中横坐标表示灰度级，纵坐标表示频数或频率。通过直方图能够了解图像的对比度和动态范围，灰度分布越平均，对比度越高，灰度分布越广，动态范围越大。直方图均衡后的直方图对比如图3所示，通过拉伸图像的灰度，使灰度分布更广更均匀，从而提升图像整体的对比度和动态范围。直方图均衡法算法具有实现简单，处理快捷的优势，可用于裂缝的实时检测。然而，使用直方图均衡法增强后的图像往往存在亮度不均匀、细节部分消失、对比度过分增强等问题。

2.3.2 Retinex图像增强算法

“Retinex”一词由Retina(视网膜)及Cortex(大脑皮层)两个单词合成，Retinex是20世纪60年代由E.Land等[14]所提出的一种基于颜色恒常性的色彩理论。Retinex理论及基本原理如式(4)所示。原始图像模型s(x,y)是由照射图像L(x,y)和反射图像R(x,y)的乘积构成。

S(x,y)=L(x,y)×R(x,y)

(4)

目前，基于中心环绕的Retinex算法被广泛的接受和传播，然而，该类算法仍然存在着一定缺陷。空间上Retinex算法假设光照变化是比较平滑的，与事实不符。为此陈超[15]将Retinex中使用双边滤波替换高斯滤波。

2.4 裂缝检测

裂缝检测主要通过图像分割算法将裂缝从背景中分割出来。图像分割算法是图像处理技术的重要分支，在裂缝识别方法中占据重要地位。图像分割算法主要分为阈值分割与基于边缘检测的图像分割方法。

2.4.1 阈值分割

早期的图像分割主要通过设定合适的阈值实现，即阈值分割。最常用的阈值分割法有最大类间方差法(Ostu法)[16]与最大熵法[17]。进行图像处理时，图像灰度变化剧烈的位置被认为是图像的边缘处。因此，通过设定合适的阈值T，如式(5)所示。对输入图像f(x,y)进行二值化得到输出图像g(x,y)，能够实现裂缝的分割。

(5)

阈值分割的核心是设置合适的阈值，这也是阈值分割法最大的缺点。阈值分割法方法简单，容易实现，处理速度快，但是却需要人工设定阈值。此外，阈值法受噪声干扰严重，只适用于灰度均匀分布，变化小，物体与背景有较强对比的图像。因此，阈值法常与其他分割方法结合使用。

2.4.2 基于边缘检测的图像分割

图像中灰度值梯度较大的像素点为可能的边界点。检测出所有可能的边界点后，连接相邻的边界点，便能得到目标物体的边界轮廓，实现图像分割。

实现边缘检测操作需要使用微分算子，通过模板与图像的卷积得到图像的边缘。常用的一阶微分算子有Roberts算子、Soble算子、Prewitt算子[18]和Canny算子[19]等。其中Canny算子是应用最广，最受欢迎的算子。然而，Canny算子对噪声尤为敏感且需要手动设置双阈值，为此，研究者们提出了一系列自适应的Canny检测方法[20-21]。二阶微分算子有Laplace算子、LOG算子等，二阶算子虽然对边缘的定位能力更强，但是噪声对检测结果的影响加倍，因此很少直接用于图像边缘分割。

使用一阶算子对灰度图像直接进行图像分割的效果如图4所示，图像存在大量噪声。

3 结语

本文首先介绍了基于图像处理技术的裂缝检测方法的检测流程。之后，针对灰度化、图像去噪、图像增强以及图像分割方法展开了论述。目前，图像处理技术在裂缝检测方面的研究仍处于初步阶段，具有较大的研究价值。