基于图像处理的道路检测

1、1绪论1.1课题的背景及研究意义路面是公路的重要组成部分，公路在使用过程中，由于行车荷载和自然因素的作用，将使路面逐渐产生各种破损。路面破损对路面的承载能力、耐久性，对车辆的行驶速度、燃料消耗、机械磨损、行车舒适性、交通安全、环境保护等都会造成不利的影响。路面状况检测是公路建设与管理中的关键性、基础性的技术，它对检测和控制工程质量至关重要。而且随着公路交通运输业的发展，人们对公路路面质量及其养护提出了更高的要求。90年代以前，由于对路面管理缺乏系统的数据收集、评价、科学的养护决策及对路面定量评价，造成养护资金浪费、路面质量下降及使用费用增加。为了改变这种状况，适应现代化、大规模、高速度和高质量

2、的公路养护管理要求，许多交通部门都实施了路面管理系统。但路面管理系统所采集的路面破损数据仍主要采用人工检测，难以对路面破损进行客观和准确的评价。随着计算机数据处理能力、速度容量等性能的提高和数字摄像技术的发展，数字图像处理技术已经有了广泛的应用，并且随着计算机技术、自动化控制技术、高精度测微技术的进步，路面破损自动检测技术逐渐由人工检测向自动化检测技术发展，这使得道路质量的监测、评估和病害分析更加快捷，道路养护更加合理和经济。因此，研究路面破损自动检测技术，并结合高新技术来开发和设计高效、快速、准确的路面破损自动检测系统具有重要的意义。1.2国内外发展现状随着科技的发展和检测要求的提高，国内外

3、都一直在致力于更快、更准确的裂缝检测系统的开发，并且得到了较大的进展。国外主要有日本开发的Komatsu系统、美国Earsh公司的路面状况评价系统、瑞典基础设施服务公司的PAVUE系统、美国阿肯色州大学研制的“数字公路数据车”以及加拿大路维公司的多功能道路检测车ARAN等。 国内主要有南京理工大学的路面智能检测车JG-1型，江苏省沪高速公路股份有限公司、南京理工大学和南京路达基础工程新技术研究所共同研制的新型路面状况智能检测车及武汉大学开发的SINC-RTM车载智能路面自动检测系统等。1.2.1 国外路面裂缝检测技术发展伴随着CCD技术的发展，国外很多机构开始利用图像采集技术对路面裂缝进行检测

4、。目前许多国家以经开发了自己的路面破损自动检测产品。 日本开发的Komatsu系统使用摄像机、传感器等装置进行数据采集，使用微处理器进行图像处理。由于不能对裂缝进行判断，并且只能于夜间工作，最终没有形成产品，也没有得到广泛应用。美国某公司研究开发的“路面状况评价系统”与瑞典某公司开发研制的PAVUE系统类似。两个系统都采用模拟技术进行路面图像采集，因此不能直接进行计算机处理，处理之前需首先将模拟图像转换为数字图像，这大大降低了图像识别的准确度，效率也不高。随着科技的发展，使用CCD摄像机技术进行路面裂缝检测为多国专家所关注、研究，并且有了很大的进展。使用CCD摄像机有其优点，那就是可以通过图像

5、采集卡将裂缝图像以数字形式存储在计算机中，方便进行实时的处理。因此，在路面裂缝自动检测系统的开发中，CCD摄像机和图像处理技术越来越为人们重点关注。加拿大路维公司研制的多道路测试车目前得到了较为广泛的应用。该车上安装的路面裂缝自动检测系统软件包称为WiseCrax，目前以较高的采集质量及速度在全球得到了广泛应用。此软件系统主要由图像采集，图像分析等几个部分组成。该系统使用高强度闪光灯作为补光光源，能够很好的消除公路附近或者公路旁边物体的阴影。而且路面自动检测系统软件WiseCrax可以自动检测并分析大于1mm的裂缝，检测率相对比较高。同时系统检测的精度和速度都非常不错。2.2.2国内路面裂缝检

6、测技术进展我国目前路面裂缝检测采用的方法以传统的人工检测方法为主，路面裂缝自动检测系统的研究还不很成熟，只有个别高等院校和科研单位开展了这方面的工作。总体看来，只进行了一些初步的研究，真正的产品化还需要大量的工作。国内主要有南京理工大学的路面智能检测车JG-1型，江苏省沪高速公路股份有限公司、南京理工大学和南京路达基础工程新技术研究所共同研制的新型路面状况智能检测车及武汉大学开发的SINC-RTM车载智能路面自动检测系统等。其中智能检测车JG-1型是国内首辆路面智能检测车。该检测车包括数据采集部分和后期图像处理两部分。采用共梁双精度激光高程传感器技术，对纵向路面起伏状况进行非接触高速检测；采用

7、等高程摆动激光扫描测距法，对路面横向车辙形状和深度进行精密测量。该车的缺点是：采集的图像数量少，裂缝类病害的检测精度差，裂缝检测结果也不全面。2003年江苏省研制的一种新型路面裂缝智能检测车是国内第一个多功能路面质量自动检测系统，该检测车检测时以每小时70公里的速度在高速公路上运行，可提供一系列的数据，主要包括公路平整度、路面裂缝、破损等情况。除此之外，还能在显示的图像上观测到大于1毫米的裂缝，并标明裂缝所在的位置。武汉大学空间信息与网络通信技术研发中心根据国内公路检测的现状开发了拥有自主知识产权的SINC-RTM车载智能路面自动检测系统，该系统的特点是功能齐全，采用GPS和距离传感器对路面病

8、害特征进行定位，精度较高。缺点是检测裂缝和平整度的精度较差。南京理工大学几个教授合作研究开发的路面裂缝检测车在80120公里/小时的速度行驶中可以扫描途经路面的任何裂缝病害，并且能够给出实时裂缝状况检测结果。1.3路面裂缝的分类及成因 路面裂缝是一种常见的病害。它主要包括纵向裂缝、横向裂缝以及网状裂缝等三种形式。下面简单介绍各种裂缝的特征。 （1）横向裂缝裂缝与道路中心线近似垂直，宽度长度都不相同，有的裂缝长度贯穿整个路面。如图1-1所示为横向裂缝。（2）纵向裂缝纵向裂缝走向基本与行车方向平行，裂缝长度和宽度不一，比较容易形成沿行车方向的台阶状，影响行车的舒适性。如图1-2所示。（3）网状裂缝

9、网状裂缝是裂缝相互交错组成的裂缝，形如鳄鱼皮状。如图1-3所示。网状裂缝其实应该包括龟裂以及块裂，在本文中将此两种裂缝统一归类为网状裂缝。 图1-1 横向裂缝 图1-2 纵向裂缝 Fig.1-1 Transverse cracks Fig.1-2 Longitudinal cracks 图1-3网状裂缝 Fig.1-3 Net cracks1.4 本文主要研究内容本文主要研究的内容是用图像处理的方法对道路路面的破损情况进行检测。检测系统为路面裂缝自动检测系统。路面裂缝自动检测系统主要包括裂缝图像采集系统和图像处理分析系统。其中路面裂缝图像采集系统主要包括载体车、CCD摄像机、计算机、图像采集卡

10、、辅助照明设备、距离测量仪、稳压电源等几部分；图像处理分析系统包括运用数字图像处理对图像进行各种处理、分析，包括灰度化、图像去噪以及图像边缘检测及特征提取等。本文第一章主要介绍了道路检测的背景及国内外现状，还简要介绍了路面裂缝的分类及成因，第二章主要对路面裂缝检测系统的整体工作流程进行了设计，包括图像的采集系统的设计及图像处理的关键技术的分析。然后在第三章重点实现了路面裂缝的图像处理，主要包括灰度化、图像平滑与锐化、图像分割等，还对各种不同的图像算法进行了研究和比较，然后选取了较为合适的图像处理算法对裂缝图像进行处理，得到较为准确的图像特征参数。在第四章主要实现了裂缝参数特征的提取，包括裂缝类

11、型的判断和裂缝面积长度的计算。最后对本文的路面裂缝系统进行了总结。2 路面裂缝检测系统设计2.1系统的工作原理系统的工作流程可分为三部分：图像获取、图像处理和图像解释。图像的获取是通过安装在检测车上的摄像机和计算机实现的。拍摄的路面图像经过数字化，传入计算机进行存储。路面图像的数据量非常大，所以必须经过压缩，实时存储在硬盘，可以实时或离线的进行数据处理。数字图像处理和图像解释是系统的核心，包括图像预处理、裂缝特征识别和裂缝评价。首先对裂缝图像进行滤波处理，减少噪声，并对裂缝边缘进行增强，提取裂缝，并识别裂缝类型，计算裂缝特征值、统计裂缝数量，并依据裂缝评价标准输出结果。其工作原理如图2-1所示

12、。 图2-1 路面裂缝识别与评价系统工作原理Fig.2-1 The work theory of the pavement crack recognition and evaluation system2.2图像采集系统CCD摄像机具有较高的动态范围、分辨率和灵敏度，电子快门可用于动态场景图像采集。由于计算机视频、计算机图像技术的发展，通过视频采集卡和图像采集卡即可将CCD摄像机的视频信号采集到计算机的内存中，实时显示、存储、处理。同时，随着计算机硬件的迅速发展，基于CCD摄像机的数字化图像系统成本大大降低。所以，采用CCD摄像机进行路面信息采集已成为可能。系统硬件基本构成包括：载体车、CCD

13、摄像机、计算机、图像采集卡、辅助照明设备、距离测量仪、稳压电源等几部分。将系统设计成车载式，可以使系统在正常交通下进行工作。采用高性能的摄像系统及图像处理系统，确保在较高的车速下获取可靠、清晰的路面图像，准确地分析出路面裂缝的各种特征参数。考虑到所拍摄路面的宽度，结合摄像机的特性，选择所需摄像机的数量，并在检测车上固定好摄像机的安装角度、高度和位置。当采用模拟摄像机时，需要安装图像捕捉卡，把模拟信号转化为数字信号，传入计算机。CCD摄像机是借助光学系统将光信号转化为电信号，形成视频信号。摄像机的成像受被测路面的光照条件影响很大，光照强度过强、过弱或光照不均匀都不利于成像。为了保证系统在任何环境

14、下正常工作，需配置辅助照明设备，提供均匀的光照条件，保证图像质量。为了实现裂缝的精确定位，距离测量仪也是必不可少的。另外，稳定的电源是保证系统正常工作的必要条件。具体的系统原理如图2-2所示：图2-2 系统原理构成图 Fig.2-2 The composition chart of the system principles2.3 数字图像处理数字图像处理一般用计算机进行处理，因此也称之为计算机图像处理。它是指将图像信号转换成数字信号，然后用计算机进行处理的技术。2.3.1 图像处理数字图像处理的过程一般是把获取的每一帧图像转化为二维的数字矩阵，将图像的变换处理转化为矩阵的运算。数字图像处理概

15、括地说主要包括以下几项内容：几何处理、算术处理、图像增强、图像复原、图像重建、图像编码、图像识别及图像理解等。图像获取后，经过相关的变换处理后，分析提取有效的数据或相关信息，对原始图像实现目标特征识别和评价。在路面图像处理阶段主要包括四大步骤：图像增强、阈值化、边缘检测和边缘连接。 由于自然和人为因素的影响，复杂的背景噪声一般都叠加在有用的路面数据之中，所以在进行裂缝识别之前，必须进行滤波来减少噪声，增强裂缝边缘。根据增强所处理的空间可分为基于图像域的方法和基于变换域的方法。在频率域，由于噪声频谱通常在高频段，因此可以采用各种形式的低通滤波的办法来减少噪声。但是，裂缝边缘在频域也呈现为高频，所

16、以采用的算法不但能够平滑噪声，也不能丢失太多的边缘信息。为了方便裂缝的提取，需要对路面图像进行阈值化，图像阈值化是一种将连续色调图像转变为黑白图的方法。其基本思想是像素值小于指定阈值的像素转换为黑像素，像素值等于或大于指定阈值的像素转换为白像素。可能阈值化的最简单的方法是设定一个固定灰度值，但是对于大量的图像来说，背景的灰度值并不是常数，如果设置一个阈值，能检测到所有裂缝，那么阈值化后的图像将含有大量的来自路面纹理的噪声。所以，采用自适应阈值是最合适的，但如何选择最佳的阈值是图像处理中的一个难点。图像的边缘是图像最基本的特征。所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。对于

17、确定数字图像的特征，边缘检测是一个有效的方法。物体的边缘是由灰度不连续性所反映的。经典的边缘提取方法是考察图像的每个像素在某个邻域内灰度的变化，利用邻近一阶或二阶方向导数变化规律，检测边缘。2.3.2 图像解释 图像解释是为了利用从图像中获取的信息来描述被识别的目标。为了方便路面养护管理，需要对从背景中抽取的裂缝进行具体的描述，得到裂缝的具体信息。首先判别裂缝类型，如横向裂缝、纵向裂缝、龟裂和块裂，同时计算出裂缝的宽度、长度和面积等特征值；然后，依据中国沥青路面裂缝评价标准，确定不同类型裂缝的严重程度和数量；最后，把评价结果存入路面裂缝数据库或路面管理信息系统，为科学化管理提供良好的基础。2.

18、3.3 图像处理的关键技术数字图像处理有具有处理精度高、灵活性高、再现性好、处理内容丰富等特点，但是为了更有效地应用于路面裂缝自动检测，必须解决好以下几个关键问题。 （1）分析结果的可靠性利用图像处理进行路面裂缝检测，图像质量很容易受外界因素的干扰，如果图像质量差，将增加裂缝识别的难度，漏检、误检率也会随之增高。另外，图像分辨率受限于摄像机的分辨率，对可识别的最小裂缝尺寸和精确性都有很大影响。从现有的研究成果看，路面裂缝识别系统的结果并不十分可靠。（2）图像处理的速度处理速度较慢，特别是进行复杂的运算，是数字图像处理的缺点。如果实时处理，或提高精度和分辨率，所需时间将显著增加。在道路检测中，信

19、息量大，数据量大。所以，在提高精度的同时，解决数据量大和处理速度的矛盾将是数字图像处理技术在道路检测中发展的另一个关键。数字图像处理和图像解释既可以依靠软件，也可以依靠硬件来实现。硬件图像处理系统一般采用专用计算机电路或嵌入式的微处理器去实现图像处理算法，其优点在于实时性好、处理速度高。所以，如果引入并行处理技术将在很大程度上提高图像处理的速度。（3）路面裂缝评价系统的完善路面裂缝检测的目的是为了利用检测结果来评价和控制道路质量，为道路维护和管理提供数据基础，提高道路管理的水平。因此，仅仅判断出检测目标的存在是无法满足实际需求的，更需要对检测目标进行完善的评价。虽然国外在利用数字图像分析方法检

20、测路面裂缝方面已经做了一些研究，但是由于评价标准的差异，国外的系统并不能完全满足中国公路管理的需要。所以，依据中国沥青路面裂缝评价标准，结合中国路面管理系统，建立完善的路面裂缝评价系统，此项技术才能在中国得到更好的推广应用。2.4 路面图像特点分析2.4.1 影响路面图像质量的因素拍摄的路面图像质量会因一些因素影响而有所差别，例如：是否采用辅助照明设备；相对路面的摄像机角度；摄像机距路面的高度等。其中对图像特征影响最大的是是否采用辅助照明设备。与在自然光条件下相比，辅助照明下所摄录的图像背景的对比变化更小。即使采用辅助照明，提供一个均匀的光照条件，在采集到的图像上仍会存在非均匀亮度的背景。一般

21、来说，图像中心的像素亮度较高，从中心往边缘图像逐渐变暗。而在自然光下，存在更多的影响因素，使路面有阴影，所采集的图像的背景变化更大。每幅图像的对比度还会因阳光的强度不同而不同。此外，对同一设备来说，辅助照明的强度不同，图像的对比度也会有差别。另一个影响图像质量的重要因素是摄像机相对于路面安装角度。当摄像机与路面有一定的倾斜角时，因视场角的影响，所摄录的图像会产生几何畸变。如果从畸变图像确定裂缝类型、长度或宽度时，处理结果就会产生一定的误差。摄像机的安装高度也会影响图像的质量。在采用辅助照明设备，同样的安装角度下，摄像机距路面的高低会直接影响图像的清晰度。2.4.2 路面图像特点基于CCD 摄像

22、机的路面裂缝检测系统，工作环境比较复杂，在获取有用信号的同时，也带回了大量的噪声。一般来说，在采集到的路面图像中，包含两类对象：一是状况良好的路面，即背景；另一个是裂缝，即识别的目标。因此，数字图像可分为两类像素集，代表背景的像素和代表裂缝的像素。理想状况下，裂缝应该比背景更暗。但是由于许多因素的影响，会有所变化。具体的情况有： （1）由于路面材料的不均匀性，正常路面的纹理也不均匀。因此，所采集的图像背景颜色本身有较大地变化； （2）裂缝图像也有同样的情况。由于严重程度不同，其大小、面积也不同。如果裂缝中有与背景颜色相近甚至更亮的比较大的颗粒，也会导致裂缝图像 颜色的变化。但总的来说，裂缝图像

23、比正常路面的暗； （3）代表裂缝的像素数量远远小于代表背景的像素数量； （4）正常路面的灰度值与裂缝的灰度值有部分重叠； （5）路面图像信息量较大。基于以上这些图像特性，传统的单一的算法是很难准确识别裂缝的,融合多种处理技术，采用有针对性的处理方法是必须的。2.5 本章小结本章对路面裂缝检测系统进行了设计。首先简单介绍了硬件系统的工作流程以及图像采集系统的原理，然后介绍了数字图像处理在裂缝检测系统中的应用并给出了进行裂缝图像处理的关键技术。最后对路面图像信息的采集进行了分析。3 裂缝图像处理3.1 图像文件的基本操作MATLAB为用户提供了专门的函数以从图像格式的文件中读写图像数据。这种方法不

24、像其他编程语言需要编写复杂的代码，只需要简单地调JUMTLM提供的函数即可。用于图像文件读写相关操作的工具箱函数有imread、imforin、imwrite。（一）图像读写 MATLAB中利用函数imread 来实现图像文件的读取操作。主要采用以下格式来操作：A=imread(，fmt) 该语句用于读取字符串“”指定的灰度图像或彩色图像，“fmt”指定了文件的格式。如果该图像文件不在当前目录下或是MATLAB路径的目录下，需要指定图像文件在系统中的完整文件路径。fmt的可能取值由MATLAB所能支持的图像文件格式所决定。如果imread函数在指定的路径下不能找到指定的图像文件，会试图寻找图像

25、文件“”。imread函数返回数组A表达的图像数据，如果读取的是灰度图像，则A是一个m×n的二维数组。类似地，如果读取的是彩色图像，则A表示一个m×n×3的三维数组。数组的数据类型由图像文件的数据类型决定。对大多数文件格式，彩色图像数据使用RGB颜色空间类型。另外，也可以返回CIELAB、ICCLAB或CMYK等颜色空间的数据类型。MATLAB中利用函数imwrite来实现图像的文件写入操作，与imread函数的作用相对，其语句格式主要采用下面的格式来操作：imwrite(A，fmt)（二） 图像类型转换MATLAB支持多种图像类型，如索引图像、灰度图像、二进制图

26、像、RGB图像等。但在某些图像操作中，对图像的类型有要求，所以要涉及到对图像类型进行转换。MATLAB7.0图像处理工具箱为我们提供了不同图像类型相互转换的大量函数，如mat2gray()函数可以将矩阵转换为灰度图像，rgb2gray()转换RGB图像或颜色映像表为灰度图像。在类型转换的时候，我们还经常遇到数据类型不匹配的情况，针对这种情况，MATLAB7.0工具箱中，也给我们提供了各种数据类型之间的转换函数，如double()就是把数据转换为双精度类型的函数。（三） 图像显示当用户使用imshow函数显示一幅图像时，该函数将自动设置图像窗口、坐标轴和图像属性。这些自动设置的属性包括图像对象的

27、CData属性和CDataMapping属性、坐标轴对象的CLim属性、图像窗口对象的Colormap属性。另外，根据用户使用参数的不同，imshow函数在调用时除了完成前面提到的属性设置外，还可以完成下面的操作：（1）设置其他的图形窗口对象的属性和坐标轴对象的属性以优化显示效果。如可以设置隐藏坐标轴及其标示等； （2）包含和隐藏图像边框； （3）调用加投入truesize函数来设定图像到屏幕橡点的映射关系。 Imshow函数的调用格式如下：Aimread()；imshow(A)；另外也可以来用另一种方式imshow()；这种显示方式要求被显示的图像要么在当前目录下或MATLAB的目录下要么就

28、必须指定该图像的完整路径。3.2 图像增强图像增强是数字图像处理的最基本的方法之一，在数字图像处理中受到广泛重视，是具有重要实用价值的技术。图像增强的目的在于： （1）采用一系列技术改善图像的视觉效果，提高图像的清晰度； （2）将图像转换成一种更适合于人或机器进行解译和分析处理的形式。图像增强不是以图像保真度为原则，而是通过处理设法有选择地突出便于人或机器分析某些感兴趣的信息，抑制一些无用的信息，以提高图像的使用价值，即图像增强处理只是增强了对某些信息的辨别能力。图像增强是一个相对的概念，增强效果的好坏除了与算法本身的优劣有一定的关系外，还与图像的数据特征有直接关系，同时由于评价图像质量的优劣

29、往往凭观测者的主观而定，没有通用的定量标准，因此增强技术大多属于算法的选择问题，增强方法要选择地使用效果好的。图像增强一般包括以下内容： 灰度化、图像平滑与锐化、图像灰度变换、图像分割等。3.2.1 灰度化由于本系统前端采集的路面裂缝图像均为彩色图像，因此在进行图像增强、图像分割之前应首先对图像进行灰度化处理，将彩色图像转化为灰度图像。灰度图像是指只含亮度信息，不含色彩信息的图像。要表示灰度图，就需要对亮度值进行量化。通常把含有亮度和色彩的彩色图像变换成灰度图像的过程叫做灰度化处理。图3-1为本系统处理的原图和灰度化对照。 (a) 原图 (b)灰度化后的图像图3-1 灰度前后对比图 Fig.3

30、-1 The comparison image before and after the gray 从CCD摄像机采集到计算机的图像是RGB格式的，RGB图像的每个像素需要3个字节来表示，每个字节对应着R、G、B分量的亮度。转换后的灰度图像中，一个像素用一个字节表示其灰度值，它的值在0255之间。数值越大，该像素点越白，即越亮；数值越小则越黑，即越暗。灰度图像可以表示为物体的二维光强度函数，其中x，y是图像空间点的坐标，任意点(x , y)处的函数值正比于图像在该点的亮度。可以把灰度图像考虑为一个矩阵，其行和列表示为图像的一个点，而相应矩阵中的元素值表示该点的灰度值。一幅彩色图像可表示为：。其

31、中R、G、B分别为图像坐标处的红色、绿色、蓝色分量值，各种色彩都是由R、G、B三个单色调配而成。（0,0,0）是全黑色，（255,255,255）是全白色，其余是灰色。若Y分量的物理含义是亮度，它包含了灰度图的所有信息，则据公式，将R、G、B的值都赋给Y，就能表示出灰度图来，这就是彩色图转换成灰度图的原理。3.2.2 图像灰度变换 图像增强处理在数字图像处理中占有很大的比例，一些灰度图像在退化后进行恢复主要采取增强手段。图像增强的方法可分为空间域方法和频率域方法两大类，空间域增强是以对图像的像素直接处理为基础的增强。灰度级变换是图像增强的一种重要手段，用于改善图像显示效果，属于空间域处理方法，

32、有时也称为灰度拉伸。它可使图像动态范围加大，使图像对比度扩展，图像更加清晰，特征更加明显。灰度变化实质就是按一定的规则修改图像每一个像素的灰度，从而改变图像的动态范围。灰度变换可分为线性、分段线性、非线性等多种方式，本系统采用分段线性灰度变换，可以达到理想效果。为了突出图像中感兴趣的目标或者灰度区间，将图像灰度区间分成两段乃至多段分别做线性变换称作线性灰度变换。由于部分路面裂缝图像质量很差，噪音很大，掩盖了图像中感兴趣的目标，对后续的特征提取会带来很大的误差。因此，采用灰度线性变换可以根据用户的需要，拉伸特征物体的灰度细节，相对抑制不感兴趣的灰度级，使图像对比度增强，图像更加清晰，特征更加明显

33、。采用分段线性变换的方法，主要对感兴趣区域的灰度增强，假设感兴趣区域是，可以采用以下的分段变换公式（3-1）： （3-1）根据图像分段灰度线性变换的算法，对感兴趣的区间进行灰度变换，可以得到分段线性变换的程序如下：x1=imread('f:imageliefeng1.tif')； %读取原始图像figure，imshow(x1)； %显示原始图像figure，imhist (x1)； %显示原始图像的灰度直方图f0=0；g0=0； %进行灰度级线性分段增强f1=100；g1=150；f2=200；g2=230；f3=255；g3=255；r1= (g1-g0)/(f1-f0)；

34、b1=g0-r1*f0；r2=(g2-g1)/(f2-f1)；b2=g1-r2*f1；r3=(g3-g2)/(f3-f2)；b3=g2-r3*f2；m，n=size(x1)； x2=double(x1)； %变换矩阵中的每一个元素for i=1：mfor j=1：ng(i，j)=0；f=x2(i，j)；if(f>=f1)&(f<=f2) g(i，j)=r1*f+b2elseif (f>=f2)&(f<=f3)g(i，j)=r3*f+b3endend endfigure，imshow(mat23gray(g) %显示线性变换后的图像经MATLAB运行可以得

35、到原图的直方图和灰度线性变换图分别如3-2，3-3所示： 图3-2 原图直方图 图3-3 灰度线性变换图 Fig.3-2 Original histogram Fig.3-3 The image of Gray liner transformation由原图直方图可以看出图像中像素点的灰度全部集中在100200灰度级范围内，采用分段线性变换的方法对此感兴趣区域进行灰度增强，由图3-3可以看出图像感兴趣区域得到明显的增强。3.2.3 图像平滑 图像在采集、量化、传输、接收和处理过程中不可避免地会受到一定程度的噪声干扰，这些噪声恶化了图像质量，使图像特征模糊，有的甚至完全淹没了特征，给图像的处理分

36、析带来了很大的困难。因此在对图像提取各种特征之前，需要消除这些噪声。通常将此类消除噪声的工作成为图像平滑或滤波。在路面裂缝图像的采集过程中，引起噪声的原因很多，比如路面砂质材料的反光，敏感元器件的内部噪声、感光材料的颗粒噪声、电器机械运动产生的抖动噪声等等。这些噪声的存在严重影响了路面裂缝的特征，对图像的处理分析以及图像特征的提取带来很大的难度，因此必须对这些噪声加以剔除，才能提高后面的图像特征提取的准确程度。图像平滑的方法有很多，主要有：邻域平均法、选择平均法和中值滤波法等等。以下介绍几种常用的图像平滑方法，并通过大量的实验来选择一种或者几种合适的图像处理算法对裂缝图像进行平滑。（一） 邻域

37、平均法邻域平均法是一种在空间域对图像进行平滑处理的一种方法，易于实现，效果也很好。其原理是将原图中每一个像素的灰度值和它周围邻近8个像素的灰度值相加，然后将求得的平均值（除以9）作为新图中该像素的灰度值。它采用模板计算的思想，模板操作实现了一种邻域计算，即某个像素点的结果不仅与本像素灰度有关，而且与其邻域点的像素值有关。模板运算在数学中的描述就是卷积运算，邻域平均法可以用数学公式表达。设为给定的含有噪声的图像，经过邻域平均处理后的图像为，则两者关系可用公式（3-2）表示： （3-2）M是所取邻域中各邻近像素的坐标，是邻域中包含的邻近像素的个数。邻域平均处理方法是以图像模糊为代价来减小噪声的，且

38、模板尺寸越大，噪声减小的效果越显著。如果是噪点，其邻近像素灰度与之相差很大，采用邻域平均法就使用邻近像素的平均值来代替它，这样能明显削弱噪声点，使邻域中灰度接近均匀，起到平滑灰度的作用，因此，邻域平均法具有良好的噪声平滑效果，是最简单的一种平滑方法。（二） 选择平均法选择平均法是以邻域平均法为基础的。唯一的区别就是它只平均那些灰度值相同或者相近的像素点，根据灰度的特殊程度加权之后求和，以此避免造成特征边缘的不清晰。（三） 中值滤波法中值滤波法是一种基于排序统计理论的一种能有效抑制噪声非线性的处理技术，它的目的是保护图像边缘的同时去除噪声。当噪声以孤立点形式出现，也即主要为椒盐噪声，同时噪音点对

39、应像素少，而图像特征部分像素多的情况下，采用中值滤波法最合适。经过大量的裂缝图像进行滤波发现，中值滤波的效果相对均值滤波的效果有以下几个优点：（1）中值滤波去噪效果明显；（2）中值滤波平滑效果更好；（3）中值滤波对边缘模糊影响最小。因此本系统采用中值滤波法进行裂缝图像的平滑。实际应用中调用medfilt2(A，m,n)来实现中值滤波，例程如下：i=imread('f:imagelf1.tif');imshow(i); k1=medfilt2(i,3,3); k2=medfilt2(i,5,5); k3=medfilt2(i,7,7); figure,imshow(k1); fi

40、gure,imshow(k2);figure,imshow(k3);原始图像和经MATLAB处理后的图像如图3-4（a）（d）所示： (a) 原始图像 (b) 3×3中值滤波后结果 (a) Original image (b) 3×3 median filtering drawing (c) 5×5中值滤波后结果 (d) 7×7中值滤波后结果 (c) 5×5 median filtering drawing (d) 7×7median filtering drawing 图3-4 中值滤波处理后的图像结果 Fig.3-4 Drawin

41、gs after the procession of Median filter由以上处理结果可以看出，中值滤波器在衰减噪声的同时不会使图像的边界模糊，这也是中值滤波器受欢迎的主要原因。3.2.4 锐化处理在图像分析中，需要图像边缘鲜明，因此要进行图像锐化处理。图像锐化的目的是为了突出图像的边缘，加强图像的轮廓特征，以便于人眼的观察和机器识别。然而边缘模糊是图像中常出现的问题，由此造成的轮廓不清晰，线条不鲜明，使图像特征提取、识别和理解难以进行。增强图像边缘和线条，使图像边缘变得清晰地处理称为图像锐化。图像锐化从图像增强的目的来看，它是与图像平滑相反的一类处理。路面裂缝图像在采集的过程中，受到

42、客观因素的影响，使得裂缝边缘比较模糊。或者在前期图像平滑过程中，也会模糊裂缝图像的边缘。为了使模糊的图像边缘变得清晰起来，应针对裂缝图像进行锐化操作。图像锐化的一般结果有梯度锐化、拉普拉斯锐化等。图像中对象的边缘像素是变化较大的地方。而边缘模糊、线条不均是由于减少了边缘亮度差异的缘故。从数学观点看，检查图像某区域内灰度的变化就是微分的概念，因此可以通过微分的方法进行图像锐化。根据微分方法是否线性，可将锐化分为线性锐化和非线性锐化两类。下面分别介绍这两种锐化方法。（一） 线性锐化滤波线性高通滤波器是最常用的线性锐化滤波器，这种滤波器的中心系数都是正的，而周围的系数都是负的。对3×3的模

43、板来说，典型的系数取值是： 0 1 0；一1 4 1； 0 1 0事实上这是拉普拉斯算子。拉普拉斯算子是实线性导数运算，对被运算的图像它满足各向同性的要求，这对于图像的增强是非常有利的。拉氏算子的表达式见公式（3-3）： （3-3）对于离散函数其差分形式见公式（3-4）： （3-4）这里和是在x方向和y方向的二阶差分，所以离散函数的拉氏算子的表达式见公式（3-5）： （3-5）系数取值为0 1 0；1 8 1；0 1 0 。如上所述，在MATLAB中可通过调用filter2函数和fspecial函数来实现，代码如下：i1= imread ('f：imageliefeng3.tif

44、9;) i1=double (i1) %将图像转化为double型h1=fspecial('laplacian')； %拉氏变换 i2=filter2 (h1，i1)figure，imshow(i1,)i3=i1-i2 %增强图像为原图像减去拉氏变换后的效果 figure，imshow(i3,) 经MATLAB运行后，处理后的图像分别如图3-5所示： (a) 原始图像 (b) 拉氏增强后的图像 (a) The original image (b) Laplace enhanced image 图3-5 拉普拉斯图像增强 Fig.3-5 Laplace enhanced imag

45、e由以上图像可以看出，图像经过拉氏算子运算后，图像得到明显的增强。（二） 非线性锐化滤波对一幅图像施加梯度模算子，可以增强灰度变化的幅度，因此我们可以采用梯度模算子作为图像的锐化算子。此方法也是最常用的非线性锐化滤波方法，而且由数学知识我们知道，梯度模算子具有方向同性和位移不变性，这正是我们所希望的。 对于离散函数，利用差分来代替微分。一阶差分的定义可用公式（3-6）来表示： （3-6）因此，梯度的定义可用公式（3-7）来表示： （3-7）为了运算简便，实际中采用梯度模的近似形式，另外还常用一些算子，如Prewitt算子和Sobel算子等。将上述程序中的laplacian分别换成Sobel、P

46、rewitt和log就可实现用Sobel算子、Prewitt算子和高斯-拉普拉斯算子进行图像锐化。实现的结果和原始图像分别如图3-6所示。 (a) Sobel算子增强后图像 (b) Prewitt算子增强后图像 (a) Sober operator enhanced image (b) Prewitt operator enhanced image (c) log算子增强后图像 (d) 原始图像 (c) Log operator enhanced image (d) The original image 图3-6 图像增强效果对比 Fig.3-6 The comparison images o

47、f image enhancement由上述图像增强效果对比图来看，log算子增强效果相对于其他算子效果更明显。3.3 图像分割 图像分割是按照一定规则将一幅图像分成若干个有意义的区域的处理技术。图像分割是实现自动图像分析时首先需要完成的操作，在图像工程中占据着重要的位置。图像分割是目标表达的基础，对特征提取有着重要的影响；其次，图像分割将原始图像化为更抽象更紧凑的形式，使得后续的图像分析成为可能。对于图像分割目前已经提出了很多方法。它们各自基于不同的图像类型，利用不同的特性，有各自一定的使用范围和优缺点。大概可以分为基于边缘检测的方法和基于区域生长的方法两大类。基于边缘检测的分割方法首先检出

48、局部特性的不连续性，再将它们连成边界，这些边界把图像分成不同的区域。基于区域生长的方法是将像素分成不同的区域。这两种方法互为对偶，相辅相成，有时还要结合起来，已得到更好的效果。 对于裂缝图像进行图像分割处理，不仅能够更好的将裂缝从图像中分离出来，而且为后续裂缝特征提取做好前期准备工作。下面主要介绍用基于边缘的分割的方法来实现图像增强的目的。所谓边缘是指其周围像素灰度有变化的那些像素的集合。边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间。物体的边缘是由灰度不连续所反映的。基于边缘的分割代表了一大类基于图像边缘信息的方法，它是最早的分割方法之一，而且现在仍然是非常重要的。基于边缘的分

49、割依赖于由边缘检测算子找到的图像边缘，这些边缘标示出了图像在灰度、色彩、纹理等方面不连续的位置。在下一小节中我们将描述各种边缘检测算子，但是边缘检测得到的图像结果并不能用作分割结果，必须采用后续的处理将边缘合并为边缘链，使它与图像中的边界对应得更好。最终的目标是至少达到部分分割，即将局部边缘聚合到一幅图像中，使其中只出现对应于存在的物体或图像部分的边缘链。由于噪声和模糊的存在，检测到的边界可能会变宽或在某些点处发生间断。因此，边界检测包括两个基本内容：首先抽取出反映灰度变化的边缘点，然后剔除某些边界点或填补边界间断点，并将这些边缘连接成完整的曲线。3.3.1各种边缘检测算子的MATLAB实现及

50、效果比较边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此，我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法是对原始图像中像素的某小邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析，并对各自的性能特点做出了比较和评价。不妨记：为图像的梯度，中包含灰度的变化信息。记为梯度的幅度，e(x , y)可以用作边缘检测算子。为了简化计算，也可以将e(x , y)定义为偏导数的绝对值之和，见公式（3-8）： （3-8）人们以这些理论为依据，提出了许多算法，

51、其中比较常用的边缘检测方法有差分边缘检测、Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子、Ronbinson边缘检测算子、Laplace边缘检测算子、Canny算子和LOG算子等等。（1） 差分边缘检测方法利用像素灰度的一阶导数算子在灰度迅速变化处得到高值来进行奇异点的检测。它在某一点的值就代表该点的“边缘强度”，可以通过对这些值设置阈值来进一步得到边缘图像。然而，用差分检测边缘必须使差分的方向与边缘方向垂直，这就需要对图像的不同方向都进行差分运算，增加了实际运算的繁琐性。一般分为垂直边缘、水平边缘、对角线边缘检测。如（3-9）所示： （3-9）差分边缘检测方法

52、是最原始、最基本的方法。根据灰度迅速变化处一阶导数达到最大（阶跃边缘情况）原理，要求差分方向与边缘方向垂直，利用导数算子检测边缘。这种算子具有方向性，运算繁琐，目前很少采用。（2） Roberts边缘检测算子Roberts算子将对角线方向相邻像素差近似为梯度幅值来检测边缘。该算子定位精度高，但对噪声敏感。其模板如（3-10）所示： （3-10）（3） Prewitt边缘检测算子Prewitt边缘检测算子用到垂直算子和水平算子，每个逼近一个偏导数。在比较复杂的图像中，仅用2×2的Roberts算子得不到较好的边缘检测，而相对复杂3×3的Prewitt算子效果较好。它可以通过以

53、下两个模板实现，如（3-11）所示： （3-11）（4） Sobel边缘检测算子Sobel算子利用像素点上下、左右邻点的灰度加权算法，根据在边缘点处达到极值这一现象进行边缘检测，其模板对相邻像素梯度变化的响应更合理。其模板如（3-12）所示： （3-12）（5） Laplace边缘检测算子Laplace边缘检测算子是一种二阶微分算子，对于数字图像 f(x , y)，它在图像中的位置（x , y）的Laplace定义可用公式（3-13）来表示： （3-13）Laplace边缘检测算子时无方向的算子，它比多个方向导数算子的计算量要小，因为只用一个模板，且不必综合各模板的值。实现 Laplace运算

54、的几种常用模板如（3-14）所示： （3-14）由于该算子是一种二阶导数算子，对图像中的噪声相当敏感。另外它常产生双像素宽的边缘，而且也不能提供边缘方向的信息。由于以上原因，该算子很少直接用于检测边缘。（6） 拉普拉斯高斯算子该算子将高斯滤波与拉普拉斯算子结合在一起进行边缘检测，故称LOG算子。其主要思路是先选取高斯函数对图像进行平滑滤波，再对平滑后的图像进行拉普拉斯运算，所以效果更好。常用的LOG算子是5×5模板，如（3-15）所示： （3-15）在MATLAB中可以由edge函数实现各算子的边缘检测，下面是具体实现这几个算子的一个例程，原代码为：i=imread('f:imageliefeng1.tif')；bw1=edge(i,'sobel')；bw2=edge(i,'roberts')；bw3=edge(i,'prewitt')；bw4=edge(i,'log')； bw5=edge(i,'canny