本站小編為你精心準備了路面裂縫自動測量參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《長安大學學報》2014年第三期

1路面裂縫識別方法

路面裂縫識別是指對圖像中的裂縫目標進行分割、提取和編碼。目前，路面裂縫的分割方法大都是基于像素的分割方法。由于路面防滑的技術要求，路面砂石顆粒形成大量瑣碎小目標，根據大數原理，其直方圖總體必然呈現近似正態分布，由于很難確定閾值，分割效果通常不好。

1．1基于均值漂移的路面裂縫分割一些文獻分別證明了均值漂移（meanshift，MS）算法對連續與離散函數的收斂性以及收斂的充分條件［13］。文獻［13］采用式（1）進行迭代計算，成功地將其應用于圖像平滑與分割，即本文采用定義在N×N×D帶寬內的均勻核函數（UniformKernel）進行基于MS的圖像平滑與分割，N是圖像計算窗口的行、列寬度，D是圖像灰度差。下頁圖1（a）是原始裂縫圖像，以灰度為縱軸的三維顯示。算法原理與步驟：①用MS計算圖像局部灰度極值點集合p（Nm，n，Egray）。Nm，n為極值坐標，Egray為極值灰度，如圖1（b）中黑色點；②計算帶寬內的Nm，n處的灰度均值，并替換相應Egray值，完成圖像平滑，如圖1（c）；③對平滑后圖像再進行MS計算，得到新的p（Nm，n，Egray），并對Egray的直方圖進行峰谷判斷，計算出閾值Thgr，如圖1（d）中黑色箭頭［14］；④用閾值Thgr對平滑后圖像進行分割，得到路面裂縫初步分割結果，如圖1（e）。

1．2基于定向跟蹤的路面裂縫骨架確定初步分割的結果是二值圖像，沒有分類，具有噪聲，需要提取出連續的裂縫像素，并對其編碼歸類。為此，首先提取裂縫骨架，并消除噪聲?；驹頌椋憾芽p點的當前窗口，如下頁圖2中的灰色格網，用Wp表示，并在其近鄰8個方向生成相同尺寸的方向判斷窗口，如圖2中的黑色格網，用Wju表示。圖2中白色點為初步分割的裂縫像素點，用Cn表示窗口內的裂縫點，n為點數，用矢量［Cn］（8，1）分別表示8個方向窗口中的裂縫點密度。算法步驟：（1）計算當前窗口的輸出坐標W（x，y）＝meani＝ni＝1，i∈Wp（Ci），并記入骨架或孤立點中，由下一步判斷決定。（2）方向判斷窗口的點密度計算與位置坐標輸出，分3種情況：①［Cn］（8，1）中存在唯一最大值，則在該窗口中計算坐標均值。（3）新裂縫的搜索起點，總是選取最靠近圖像邊緣的未搜索點，格網大小為經驗值，本文為7×7。由此，裂縫骨架被分類提取，同時剔除了噪聲。

1．3基于裂縫骨架的路面裂縫內插裂縫骨架是裂縫的輪廓點，如下頁圖3（a）、圖3（b）中的黑色點線，在骨架點間還存在像素缺失，因此需要內插出1條連續像素構成的完整裂縫，如圖3（c）、圖3（d）中的白色點。圖3（a）是2條不同裂縫的骨架線與裂縫內插結果的疊加顯示，對黑框局部放大，如圖3（b）。可以看到2條不同走向的裂縫骨架點線與裂縫內插點，對其黑框局部再放大，得到圖3（c）。圖3（c）中的黑色箭頭所指為裂縫骨架點，設為Sf和Sb，分別表示裂縫骨架的前、后點。算法步驟：①計算前、后點的坐標增量（Δx，Δy）＝Sb－Sf，并計算坐標增量最大絕對值的方向Pori＝max（P｜Δx｜ori，P｜Δy｜ori），以Pori為內插方向；②判斷坐標增量Δx和Δy的正負，以骨架前點Sf為基準，確定坐標是增加還是減??；③將內插得到的坐標值四舍五入取整，得到內插的圖像裂縫坐標，即圖像行列號，如圖3（c）中的白色點。由此，裂縫被完整提取并編碼。

2裂縫骨架自動分段精確計算裂縫形態參數

提取裂縫的形態參數，包括總長度、最大和最小寬度、寬度點位置坐標、寬度點總數、平均值寬度。裂縫形態計算與裂縫骨架密切相關，必須沿裂縫走向的拐點分段計算。圖3（d）中灰色“”點為裂縫初步分割的像素點，設為C，白色“＋”點為內插的裂縫點，設為Citp，Sf和Sb定義同上節?；驹頌椋阂怨羌芮昂蠊拯c的中點為圓心，以拐點間距離為半徑，在這個范圍內，逐個計算C中的點與所有Citp點的距離，并取其最小值，就是初步分割的像素點與裂縫中線的近似垂線距離，所有最小近距離的平均值的2倍，就是裂縫寬度。裂縫長度是所有骨架拐點間距離之和。算法步驟：①計算骨架前、后拐點的中點坐標p（xcet，ycet）＝Sf＋mean（Sb－Sf）；②計算骨架拐點間的距離D（Sf，Sb）＝｜Sb－Sf｜；③以p（xcet，ycet）為中心，以D（Sf，Sb）為半徑，搜索C中的點，存入Cout向量中，搜索Citp中的點，存入Citpout向量中；④逐個計算Cout點與Citpout中所有點的距離，并取最小值，存入dmin向量中，計算其均值的2倍，即2mean（dmin），存入Dmin向量；⑤向量Dmin中記錄了寬度點的位置，寬度點總數為Len（Dmin），最大寬度為max（Dmin），最小寬度為min（Dmin），平均寬度值為mean（Dmin），裂縫長度為∑n1D（Sf，Sb）。

3試驗分析

研究大量裂縫圖像可以發現，裂縫灰度變化范圍與路面背景的灰度存在較大的重疊，直接利用灰度幅值信息提取裂縫必然造成裂縫與路面背景混淆。采用MS的平滑方法可以克服或減弱裂縫與路面背景的灰度重疊，對平滑圖像進行分割，可以比較準確地初步分割出裂縫像素群。在圖4和圖5中，圖（a）是原始圖像，圖（b）是基于MS的初步分割結果，圖（c）是經過方向跟蹤提取的裂縫骨架，圖（d）是裂縫的最終識別結果。圖4（a）為路面比較粗糙的圖像，橫向主要存在3條較長的波浪狀裂縫，如圖4（c）、（d）中的編號1、2、3；圖5（a）為路面比較光滑的圖像，縱向貫穿1條裂縫，上方裂縫斜向而下，下方裂縫垂直而下。從圖4可見：最終識別出3條裂縫，很好地提取了裂縫中線，對較短小裂縫比較敏感，對路面噪聲具有較強的抑制作用，對初分割中的斷裂像素，可以自動連接擬合。從圖5可見，最終識別出1條裂縫，對較細窄裂縫比較敏感。圖4和圖5在路面光滑度以及裂縫數量、寬度與方向上都具有典型的代表性。由于圖4比較粗糙，一般分割法方法噪聲都比較大，在裂縫提取時難度也較大，但利用基于MS的圖像分割克服了這一問題，在分割裂縫的同時，大大減少了分割噪聲。圖5比較光滑，裂縫較細，對一般分割法方法的響應比較遲鈍，但對基于MS的分割方法則比較敏感。本文方法具有較強的適應性，圖4和圖5路面粗糙度存在明顯差異，表明算法對路面粗糙度不敏感，可以識別較細裂縫；圖4和圖5的裂縫基本處于2個相互正交的方向，表明算法對裂縫方向不敏感；圖4提取了較短小裂縫，表明算法對短小裂縫比較敏感。從以上比較典型的裂縫圖像的處理結果看，本文方法對裂縫的提取具有很好的效果。表1給出了裂縫形態參數的測量結果。參數定義：總長度是沿裂縫走向的實際長度；最大或最小寬度分別是裂縫延伸方向的法線方向的最大或最小變化量；寬度點位是指計算裂縫寬度的圖像點坐標；寬度點數是指計算寬度的抽樣點總數；平均寬度值是所有抽樣點寬度的平均值。顯然，表1所列參數可以重構裂縫模型，將在另文討論。

4結語

（1）采用均值漂移技術進行圖像平滑與裂縫分割，可以有效增大裂縫與背景之間的特征差異，因此能夠比較完善地分割出裂縫目標。（2）用定向跟蹤方法提取裂縫骨架，可以宏觀識別和控制裂縫的形態趨勢，并以編碼方式記錄每條裂縫對象。（3）對裂縫骨架進行內插，可以細化并完整識別裂縫中線，以裂縫骨架分段精確計算裂縫形態參數，實現裂縫形態測量。（4）該方法對路面粗糙度和裂縫方向不敏感，可以識別細小裂縫，識別精度較高，可操作性強。（5）本文方法在計算策略上需要改進，例如采用分開－合并技術并行處理較小圖像塊，可以進一步提高算法的靈活性以及算法的識別精度和效率，由此將產生直方圖動態模式識別與閾值分割等問題，這是需要進一步研究的問題。

作者：曹建農許素素李長青單位：長安大學地球科學與資源學院焦作大學數學系