隧道检测裂缝的图像处理研究

王 睿，漆泰岳，朱 鑫，李 涛

(西南交通大学交通隧道工程教育部重点实验室，成都 610031)

衬砌裂缝是最常见的隧道病害，是衬砌结构破坏或失稳坍塌的重要原因［1］。目前对隧道裂缝的检测主要采用裂缝观测仪，人工判读和记录，该方法费时、费力，主观性较强，不利于隧道结构安全的客观安全评估［2］。近些年，国内外对裂缝检测的研究方向主要基于图像处理的检测系统的研究［3-9］。在此，提出一种对基于CCD相机采集的衬砌裂缝图像进行分析处理的方法。

对于裂缝图像而言，边缘是裂缝最基本的特征，是后续裂缝信息有效提取以及裂缝健康评估的前提［10］。由于环境和设备的影响，所采集的裂缝病害图像噪声比较严重，因此需认真分析图像的滤波算法以及图像分割，较好地保留裂缝的边缘信息，为裂缝几何特征以及几何参数的提取奠定了良好的基础。

1 隧道衬砌裂缝检测系统的适应性分析和系统组成

1.1 检测系统的适应性分析

高速铁路隧道检测必须结合高速铁路隧道自身特点选择合适的方法，需满足以下条件:(1)检测系统需能完成大面积衬砌检测，以得到整个隧道衬砌状况的完整可靠数据;(2)高速铁路隧道长度较长，且“开天窗”时间较短，因此要求系统在满足检测精度的条件下具有较高的检测速度［11］;(3)高速铁路隧道内环境恶劣，要求检测工作能够在恶劣环境下完成检测工作且保持稳定;(4)对于隧道衬砌检测尽可能采用无损、无接触且对操作人员无危险的检测方法;(5)检测方法应能够读取量化衬砌病害情况数据，数据信息可以利用相关软件和硬件做进一步处理和分析。

1.2 系统组成

检测系统由四大部分组成:采集系统、定位系统、照明系统以及控制系统，如图1所示。

图1 检测系统组成

工作原理:在LED光源提供合适均匀照明条件下，以CCD相机为核心部件的图像采集系统对隧道断面进行连续的信息采集，通过图像采集卡进行A/D信号转换，即将光信号转变为电信号，再次将电信号转变为计算机可以识别的数字图像信息，然后再经过图像处理系统，提取出衬砌裂缝信息。

2 裂缝图像增强处理

在图像采集过程中，由于输入输出设备以及周围环境影响，图像存在很多噪声，如图像采集时光照不均匀、隧道衬砌表面的颗粒产生的噪声以及由于电磁波的干扰图像在传输过程中产生的脉冲噪声等。

针对以上特点需提出相应算法来满足图像处理的要求，为后续裂缝有效信息的提取做好准备。

2.1 裂缝图像滤波算法

图像增强分为两类:空域法(In spatial Domain)和频域法(In FreguencyDomain)［10］，其中空域法较多地应用于裂缝识别

其中，f(x，y)表示原始图像;g(x，y)为处理后图像;h(x，y)为空间运算函数。

虽然图像检测系统在公路和桥梁方面已经得到广泛应用，但是在图像增强方面并没有统一的算法。文献［13］采用了中值滤波法来增强图像;文献［14］采用了维纳(Wiener)滤波作为裂缝图像去噪增强的方法;文献［15］将加权平均算法和中值滤波算法两种方法结合起来使用，文献［16-17］采用了加权的邻域平均法来平滑图像。几种算法如表1所示。

2.2 不同滤波处理结果比较

原始图像如图2(a)所示，将同一裂缝图像通过不同滤波算法进行处理，其处理效果如图2(e)～(f)。

邻域平均法和中值滤波法是两种最基本的滤波算法，算法的思想简单、清晰，处理结果分别为图2(b)和图2(c)所示，可以看出这两种方法滤除噪声的效果也比较明显，但是，在突出裂缝的边缘特征上没有帮助;图2(d)是维纳滤波处理效果图，相比邻域平均法和中值滤波法，该算法的去噪效果并不理想;图2(e)为加权邻域算法处理后的图像，与邻域平均法处理效果图2(b)对比可以看出，该算法虽然同样模糊了裂缝边缘，却使得背景图像更加均匀化，且锐化了边缘裂缝，图像增强效果较好;图2(f)是自适应中值滤波后的结果，相比与中值滤波处理结果图2(c)，裂缝背景得到了更好的平滑，噪声滤除效果较好，相比于图2(e)，其裂缝边缘得到了很好的保存。因此选用自适应中值算法作为图像去噪增强的方法。

3 裂缝图像二值化

为了更好分析隧道衬砌裂缝，需将其从图像中分离提取出来。裂缝区域灰度值较低，背景区域灰度值较高，因此可以找到一个合适的阈值将裂缝与背景图像分离，称此过程为图像二值化。如式(2)所示［18］

表1 图像滤波方法

图2 不同滤波算法的处理结果

3.1 直方图阈值分割法

直方图阈值分割法是由Prewitt提出的一种目视检查阈值法，如图3所示的直方图有两个不同的模式，可较容易地选取阈值T按照式进行图像分割，但该方法不适合于直方图中峰值差别很大或双峰间的谷比较宽广而平坦的图像以及单峰直方图情况［14］。

3.2 Otsu最大类间方差法

Otsu 最大类间方差法原理［18，19］:假设某幅图像包含N个像素点，所有像素点的灰度值在区间［0，L－1］内，其中每个灰度级i对应的像素点个数为Ni，则每个灰度级的像素点占整幅图像的概率为

图3 通过目视分析一个双峰模式直方图来选择阈值

设置初始阈值T将图像中像素分为灰度不同的两个区域——A0与A1。由此，可以计算出整幅图像、区域 A0和区域 A1的灰度均值 μT、μ0、μ1

由式上述公式可得

Otsu法的类间方差定义为

Otsu法选取阈值使得类间方差最大，并认为此阈值T*即为图像分割的最佳阈值，如式(8)所示。

3.3 局部阈值处理法

局部阈值处理法中阈值的选取与点的灰度值和局部邻域特征有关。该方法根据图像中不同区域特征，将图像分成若干个部分，在每个部分中分别寻找阈值对图像进行分割。其表达式如下

其中

f0(x，y)是f的形态学开运算，T0是对f0选取的局部邻域进行最大类间方差处理后得到的阈值。

3.4 不同图像分割结果

自适应中值滤波后得到的图像的直方图如图4所示。直方图倾向于“单峰”情况，若将其看作双峰情况，双峰间的谷底较宽，不符合直方图阈值分割法的适应准则，因此不适于采用该方法。

图4 输入图像的直方图

局部阈值法分割后的图像如图5(a)所示，纹理以及背景更加复杂，不能很好地凸显裂缝信息，不适应该种类型的图像。Otsu类间方差阈值分割法分割效果见图5(b)，对裂缝图像能够很好地进行二值化，较好地保留了裂缝边缘，为图像进一步处理打下了良好的基础。因此，本文选用Otsu法对裂缝图像进行二值分割，而且该方法比较简单，图像处理速度较快，适合对大量图像进行实时处理。

图5 阈值图像分割

4 结语

(1)裂缝是隧道常见的病害，结合高速铁路隧道自身特点提出了一种CCD相机的衬砌裂缝快速检测系统。

(2)对采集的裂缝图像进行滤波处理，通过各种方法比较，应用自适应中值滤波得到了较好的效果。

(3)为了更好地提取裂缝信息，将进行滤波后的图像结合使用Otsu最大类间方差法进行图像分割，处理后的裂缝边缘得到较好保护，为隧道裂缝几何特征以及几何参数的提取奠定了良好的基础。

［1］刘晓瑞，谢雄耀.基于图像处理的隧道表面裂缝快速检测技术研究［J］.地下空间与工程学报，2009，5(S2):1624-1628.

［2］王平让，黄宏伟，薛亚东.基于图像局部网格特征的隧道裂缝自动识别［J］.岩石力学与工程学报，2012(5):991-999.

［3］Oh J，Lee A，Oh SM，et al.Design and Control of Bridge Inspection Robot System［J］.IEEE Computer Society:3634-3639.

［4］Lee J H，Lee J M，Kim H J，etal.Machine Vision System for AutomaticInspectionof Bridges［J］.Congress on Image and Signal Processing:363-366.

［5］Tung P C，Hwang Y R，Wu M C.The development of a mobile manipulatorimaging system for bridge crack inspection［J］.Automation in construction，2002，11(6):717-729.

［6］Abdel-Qader I，Abudayyeh O，Kelly M E.Analysis of edge－detection techniquesfor crack identification in bridges［J］.Journal of Computing in Civil Engineering，2003，17(4):255-263.

［7］张维峰，刘萌，杨明慧.基于数字图像处理的桥梁裂缝检测技术［J］.现代交通技术，2008，5(5):34-36.

［8］邹大鹏.智能视频桥梁检测车工作臂避障系统的研究［D］.广州:广东工业大学，2005.

［9］PynnJ，Wright A，Lodge R.Automatic identification of cracks in road surfaces［C］.Image Processing and Its Applications，1999.Seventh International Conference on(Conf.Publ.No.465).IET，1999，2:671-675.

［10］冷彪，仇文革，王刚，等.数字图像处理在隧道工程地质分析中的应用研究［J］.铁道标准设计，2013(11):77-81.

［11］王华夏，漆泰岳，王睿.高速铁路隧道衬砌裂缝自动化检测硬件系统研究［J］.铁道标准设计，2013(10):97-102.

［12］秦襄培.Matlab图像处理与界面编程宝典［M］.北京:电子工业出版社，2009.

［13］肖旺新，张雪，黄卫，等.路面破损自动识别的一种新算法［J］.公路交通科技，2005，22(11):75-78.

［14］谢昌荣，张郭晶.路面裂缝检测图像处理算法的研究［J］.中外公路，2009(6):112-115.

［15］曾燕华.基于计算机视觉的桥梁表面缺陷检测技术研究［D］.广州:广东工业大学，2005.

［16］李晋惠.用图像处理的方法检测公路路面裂缝类病害［J］.长安大学学报，自然科学版:2004(3):24-29.

［17］杨帆，周又玲.基于轮廓特征的路面裂缝图像拼接［J］.中国科技信息，2005(22A):88-89.

［18］Gonzalez，R.C.数字图像处理MATLAB 版［M］.北京:电子工业出版社，2012.

［19］Yang M D，Su T C.Segmenting ideal morphologies of sewer pipe defects on CCTV images for automated diagnosis［J］.Expert Systems with Applications，2009，36(2):3562-3573.