基于机器视觉的混凝土裂缝检测中预处理综述

吴 涵， 王 睿， 周春宁

(四川师范大学工学院，四川成都 610068)

[通信作者]王睿(1988—)，女，博士，讲师，主要从事土木工程教学工作。

混凝土是土木工程施工中最为常见的材料，而由于施工技术问题，后期环境因素等原因导致混凝土构件产生裂缝。在对混凝土裂缝修复之前需对裂缝进行检测，相对于成本较高、效率低下、精确性低的人工检测，基于机器视觉的混凝土裂缝检测系统的优越性显得十分明显。混凝土裂缝经过机器采集后的数字图像由于机器处理的偏差、传送带不稳定、人为操作引起的误差等因素而导致图像模糊、亮度不均等问题。图像预处理是解决上述图像问题的常用方法，也是裂缝识别分析前的重要步骤。

本文通过预处理的图像灰度化、图像增强、图像去噪3个部分展开叙述。其中，图像去噪和图像增强都是为了提高图像质量，突出裂缝部分与背景之间的差异，两者没有严格的区分界限[1]。本文收集整理了现行较为常用方法，通过对比得出各种方法的实用性与优缺点，仅为其他进行图像预处理学习研究的专家学者提供参考。

1 图像灰度化

检测系统采集得到的原始数字图像通常是RGB彩色图像，RGB彩色图像是由三原色红(Red)、绿(Green)、蓝(Blue)构成，每种色彩共有256(0～255)个灰度级组成。因此RGB图像数据较大且图像数量大，占用过多内存，会影响识别速度。此外，裂缝区域相对于背景在色彩深度方面本身有较大的差异、因此可对图像进行灰度化处理。经灰度化处理后的图像能极大减小图像所占内存，大大提高后续处理速度。将彩色图像转为灰度图像有多种方法，本节主要介绍现行常见的5种灰度化处理方法。具体方法及公式如表1所示。

在上表所示的方法中，因为加权平均法原理更为贴切人眼对绿色的敏感最高，对蓝色敏感最低的特性，所以此方法绿色分量值占据较大权重、蓝色分量值占据较小权重，在灰度化处理中较为常用。且在文献[3、7、9、12]中均通过对比试验得出经加权平均法处理后的混凝土裂缝图像效果较好。

图1为经不同灰度化方法处理前后对比图像[7]。

2 图像增强

裂缝图像在经灰度化处理后虽然图像信息简化，内存明显压缩，但是存在裂缝边缘不清晰的现象。为解决这一问题，

表1 灰度化处理方法原理及公式

图1 不同灰度化方法处理前后对比

通过对灰度化处理的图像进行图像增强处理，使图像对比度增强、使裂缝更容易被辨识，方便进行裂缝识别。本文总结了现行较为常见的4种图像增强方法。

2.1 线性变换

线性变换是通过线性函数将图像的灰度变化区域扩展到指定区域或整个灰度区域的一种图像增强方法。他利用线性单值函数对图像的每个像素的灰度进行逐一修改，扩大了灰度的动态范围，提高了图像的灰度级，增强裂缝特征。如式(1)所示。

(1)

式中：f(x,y)指的是原始图像矩阵，[a,b]指的是原图像灰度值范围；g(x,y)指的是经增强后的图像，[s,t]指的是经增强后的图像的灰度值范围。

线性变换针对曝光不足、曝光过度和非线性等原因造成的低对比度图像，有较好的灰度增强效果[7]。

2.2 分段线性变换

分段线性变换相对于线性变化的区别在于分段线性变换不是直接对整个图像灰度区域进行处理，而是将原图像的灰度区域分成若2段及以上段数分别作线性变换的方法。如式(2)所示。

(2)

分段线性变换图像增强算法的优势主要在于可进行细节处理，即根据对目标区域的需求不同而进行灰度细节处理，例如增强背景与目标区域的对比度、弱化非目标区域。但其缺点在于参数的调节方面存在较强的主观性，必须通过不断调节参数才能获得较好的增强效果。因此效率较低，不适用于快速图像检测系统中[2]。

2.3 非线性变换

非线性变换是利用幂函数、对数函数等非线性函数对图像进行处理，从而达到图像增强的效果。对数变换一般的对数变换表达式为 :

g(x,y)=clog[1+f(x,y)]

(3)

该方法通常用来延伸放大低灰度值的映射区间，压缩减小高灰度值映射区间，可以增强灰度较低区域的图像细节效果。指数变换的特性恰好与对数变换相反。指数变化是放大高灰度值区域的图像效果，弱化低灰度值区域的图像。但此方法不适用于人的视觉特性，因此不常用于检测系统。

2.4 直方图均衡化

直方图均衡化[14]是一种累积分布为变换函数的灰度修正与图像增强方法。直方图均衡化是通过非线性的拉伸变换来再分配像素的灰度值进而使得灰度直方图的分布可以相对均匀。

图2为经直方图均衡化后处理前后灰度直方图，图2(a)为处理前灰度直方图，图2(b)为直方图均衡化之后的灰度直方图。

(a) 处理前灰度直方图

(b) 处理后灰度直方图图2 直方图均衡化

直方图均衡化可以有效增大图像灰度的动态范围，增强图像反差[6]。所以在很多情况下会使得图像更加清晰，该算法虽然能在一定程度上平衡由于光照不均匀等原因造成的灰度值分布不均匀现象，但是同时会强化噪声，所以会降低裂缝的辨识度。

图3为经不同图像增强方法处理前后对比图[7]。

图3 经不同图像增强方法处理前后对比

3 图像去噪

将各种存在于图像中的影响图像质量的干扰信息称为图像噪声。图像噪声主要分为椒盐噪声、冲击噪声、量化噪声和高斯噪声4种。现行的去噪滤波方法主要分为：中值滤波法、均值滤波法、高斯滤波法、空间域低通滤波法、混合去噪法等。

3.1 中值滤波

中值滤波原理较为简单，是最常用的非线性滤波方法。其原理是用当前像素一定邻域范围内所有像素的灰度中值替换当前像素的灰度值。

该方法在一定程度上对于椒盐噪声或脉冲噪声有比较良好的抑制效果。但其容易产生图像的不连续性，会使图像丢失一些细小处，导致图像缺失，影响裂缝识别。

此方法的处理效果对模板具有较强的依赖性，即模板的大小对去噪效果以及边缘的保留情况会有较大的影响。文献[2]在使用不同模板的中值滤波器抑制噪声时，先采用较为简单的模板进行处理，如果没有出现明显裂缝边缘的失真时，采用更大更复杂的模板重新对图像进行处理，直到图像有较好的去噪效果，裂缝边缘又不过分模糊为止。通过其实验结果可得知随着模板越大，裂缝边缘越模糊。经5×5大小模板中值滤波处理后的图像虽然去噪效果较好，但裂缝边缘细节较为模糊。

图4(b)为经中值滤波处理后的图像[7]。

图4 图像去噪

3.2 均值滤波

均值滤波法也称邻域平均法，是非常常用的去噪方法，属于基础的线性滤波方法。均值滤波基本原理是将当前像素点邻域像素的灰度值做平均处理，并将平均值替代当前像素的灰度值。均值滤波能够达到降低或者消灭图像中的高频率分量，而不对低频率分量造成影响的效果，减少局部灰度起伏，使图像变得平滑，从而达到减少和抑制图像噪声的目的。

虽然均值滤波操作简单，但其容易被噪声干扰，因此只能减弱部分噪声的影响，而不能完全消除噪声，且没有很好地保护图像细节，在去除图像中的噪声的同时，也损失了图像的细节像素描述，图像变得模糊。图4(c)是经过均值滤波处理后的裂缝图像。

3.3 空间域低通滤波

空间域低通滤波是利用裂缝图像与噪声之间微弱的空间相关性进行去噪的一种滤波方法。其原理是噪声频谱分布在高空频区域，而裂缝图像频谱分布在低空频区域。因此可以利用不同频率特征对裂缝特征和噪声进行分离，仅提取所需的裂缝特征特征。

现行根据裂缝图像与噪声空间相关性较弱的原理制作了3种常用的低通形式的平滑滤波器为：均值滤波器模板(H1)、低通卷积模板模板 (H2)、高斯滤波模板(H3)。文献[2、7]通过实验对比3种模板的去噪处理后的图像效果得出空间域低通滤波法中去噪效果最好的模板是H3模板。

图5为经过空间域低通滤波器处理后的图像[7]。

图5 不同空间域低通滤波模板处理前后图像

3.4 高斯滤波

高斯滤波是一种常用的线性滤波器，原理是对邻域像素进行加权平均。其使用了正态分布密度函数进行当前像素点进行计算归一化得到所设置卷积窗口每个点的权重，再通过窗口内像素加权平均灰度去替代窗口中心像素点的值。

高斯滤波则对噪声相对不敏感，可以对图像进行平滑，不容易产生不连续的现象，同时可以在很大程度上保留图像原始的总体灰度分布特征[10]。经高斯滤波处理后，图片整体变得更加平滑，裂缝特征仍然能够突出[6]。

3.5 双边滤波

双边滤波是一种能够使裂缝边缘信息保存较为完整、非线性的平滑降噪滤波方法。和高斯滤波较为相似，双边滤波中的每个像素也是由邻域像素通过加权平均得到。但是不同的是，高斯滤波只由空间域滤波核构成，也就是说高斯核函数中，每个像素的权值只由其与核中心的距离决定，而忽略了像素的灰度值。这样就会导致高斯滤波后图像中的边界位置模糊不清。双边滤波则不仅考虑了距离因素，也加入了灰度值因素，比较符合生物视觉习惯[6]。

双边滤波对于裂缝特征具有较好的保存效果。双边滤波处理后的图像像素整体都很细腻，能够自动适应像素阈值分类，把目标物从背景中做很好的分离[10]。双边滤波算法对裂缝边缘控制较好，但小尺寸滤波器滤波效果较差[11]。

3.6 其他滤波方法

3.6.1 改良的中值滤波

针对于传统中值滤波法的不足之处，改良的中值滤波法在进行进行滤波时取代单一区域像素中值替换，而是将一个区域均分为若干个小区域后，对每个小区域内的像素值进行中值处理。然后将提取出若干个区域的中值再次排序提取出最终中值作为整个区域的中值。该方法对多个方向中值的进行最大值、最小值的提取，滤波时相对于传统的中值滤波法其提高了当前像素的权重，不仅有效抑制脉冲噪声, 还能够较好地保持当前点信息[5]。

3.6.2 自适应方向滤波

自适应方向滤波是指根据环境的改变，使用自适应算法来改变滤波器的参数和结构的去噪方法。裂缝具有明显的线性特征，在一定范围内的纹理具有一定的方向性，可以用区域内每个像素点的方向来表示。利用这种特性，估算区域方向场，进行数学运算，进行滤波。裂缝图像采用自适应滤波器去噪效果相对较好，整个图像变得平滑[15]。

3.6.3 混合去噪

相比于只采用单一的去噪方法，混合去噪是指将多种去噪方法组合从而达到目标裂缝特征的提取。文献[3]先对图像进行中值滤波处理，再对处理后的图像进行平滑滤波处理，图像去噪效果较好。文献[5]将小波阈值滤波和改良中值滤波相结合对裂缝图像进行混合去噪处理，相比各单方法处理不仅对裂缝图像有所平滑，也同时保留了较为完整的裂缝细节信息。文献[8]认为将中值滤波与高斯滤波相结合能弥补各自单独处理的不足，从而共同促使裂缝图像较为完整。

4 总结

本文主要介绍了基于机器视觉计算混凝土裂缝裂缝宽度的预处理操作。预处理首先是将裂缝图像进行灰度化处理，灰度化是指将彩色图像转化为黑白图像，现行较好的转化方法为加权平均法。经灰度化处理后的图像为了加强图像对比度、增强裂缝可辨识度、方便进行裂缝识别，需进行图像增强处理，现行较好的图像增强方法为线性变换增强。去噪滤波是为了提高图像质量，突出裂缝部分与背景之间的差异，中值滤波是现行最简单也是最常用的非线性滤波器，处理效果较好，但也存在使裂缝边缘模糊等缺点，处理效果较好的是将多种去噪方法结合起来的混合去噪。

从上文可知每种方法都有其优缺点，而在选择处理方法时往往针对方法难易程度与实用效果综合分析，例如最常用的中值滤波处理效果并不是最好，但该方法操作容易，综合分析后并成了专家学者们最常用的方法之一。本文主要收集整理现行较为常见的3种预处理方法，通过对比分析，总结出各种处理方法优缺点，仅为其他研究此方面的学者提供参考。