结合纹理特征与显著性的裂缝提取算法

瞿 中，周海宽

（1.重庆邮电大学 计算机科学与技术学院，重庆400065；2.重庆邮电大学 软件工程学院，重庆400065）

0 引 言

由于裂缝存在背景的复杂性及其自身的差异性，至今没有一种通用的算法来实现对裂缝的准确检测。邹勤等［1］提出了一种利用目标最小点生成树的算法，M.Salman等［2］提出了一种Gabor Filter滤波的方法，张雷等［3］采用了一种多尺度轮廓结构元素的算法，Henrique Oliveira等［4］提出了一种利用样本训练无监督的检测和分类算法，沈照庆等［5］提出了一种模糊核空间的裂缝识别算法，Liu等［6］提出了一种先把图像分割成若干小块的分割算法，但这些算法都存在缺陷。

根据裂缝目标及背景的特点，提出了一种结合纹理特征融合与显著性检测的路面裂缝提取算法。该算法用形态学黑帽变换矫正部分光照，提取出裂缝的LBP （local binary pattern）即局部二元模式、Laws、对比度3 种纹理特征，然后进行融合，最后采用显著算法将裂缝显著化后分割得到裂缝，实验结果表明，该算法效果优于其它算法。

1 纹理特征提取

纹理［7］作为图像最重要的内容之一，已经被广泛的研究和使用。分析裂缝图像的纹理分布规律，纹理融合与显著性结合裂缝检测算法采用微观纹理描述算子LBP算子［8］及宏观纹理描述算法Laws［9］纹理能量测度法和描述纹理对比度的对比度描述因子，分别对裂缝进行描述得到3种纹理特征向量，最后按照权值加权思想把3个纹理融合，得到裂缝纹理特征图。

1.1 LBP纹理特征

LBP算子是Ojala提出的一种统计纹理分析方法，设一幅灰度图像中的任意像素点为p，其灰度值为gc，以p 为中心点的3×3窗口中，以该中心点的左上角的第一个点为起始位，按顺时针命名其邻域像素点的灰度值为g0，g1，...g7。根据式 （1）可以求得像素点p 的LBP值

遍历图像所有像素点求得整幅灰度图像f（x，y）的所有LBP值，用LBP值表示图像得到LBP（x，y），该算法采用的裂缝原图如图1所示，图2为LBP实验结果。

图1 混泥土路面裂缝原图

图2 混泥土路面裂缝LBP效果

1.2 Laws纹理

Laws纹理能量度量法是通过计算图像中纹理的平均灰度级、边缘、斑点、波纹和波形来确定纹理的属性，这些属性可以由3个简单的向量来描述：L3＝（1，2，1）表示平均；E3＝（－1，0，1）表示一阶微分即边缘信息；S3＝（－1，2，－1）表示二阶微分即斑点信息。把这3个向量相互或是与自身卷积后得到5个向量如式 （2）所示

利用上面5个向量相互卷积或是自身卷积可以得出4个性能最强的5×5 的能量为零的模板，能量为零即∑i∑jaij＝0。其中aij是模板中（i，j＝1，2，3，4，5），4个模板分别为L5E5，L5S5，E5S5，R5R5，具体参数如图3所示。

这4个模板可以滤出图像的水平边缘、垂直边缘、V形状和高频点，能够很好的反映纹理区域与像素点的关系。

图3 4个零和模板

纹理融合与显著性结合算法使用了Laws纹理的垂直，水平和V 形的3个模板分别对纹理图像进行卷积得到3个纹理特征向量，然后按照经验系数，垂直边缘向量0.4，水平边缘向量0.4，V 形向量0.2进行加权融合得到Laws纹理特征图。融合后的图像不仅保持了原有图像大部分细节而且还对裂缝进行了强化，实验结果如图4所示。

图4 Laws三种纹理融合的裂缝效果

1.3 对比度纹理特征

对比度［10］是描述像素点之间大小差异的，假设当前像素点为p，设其邻域窗口为（2 M＋1）×（2 M＋1），令s窗口里灰度级的随机变量，n（sk）表示灰度值sk的出现的次数，p（sk）表示n（sk）概率值

其中，V 即为对比度纹理特征，y 为当前灰度级。

1.4 纹理融合

为了得到更完整的效果，将图1中图像的3种纹理的融合后的图像与形态学变化后图像向量再次融合得到最终融合效果。对于3种纹理各自系数的选取，太大或太小都影响裂缝和背景的对比效果，太大时融合效果如图5 （b）所示，背景存在较多与裂缝目标像素值接近的干扰噪声；系数选取太小时，纹理融合效果如图5 （c）所示，裂缝目标的部分细节信息被省略了。算法在测试了1000张图像后得到LBP、Laws、对比度3 种特征向量经验权值分别为0.4、0.3、0.2时融合后的显著性提取效果最佳，融合效果如图5 （c）所示。

2 显著性检测

图5 LBP、Laws、对比度系数不同时的融合效果

显著图反映了图像中不同区域的显著程度，利用显著性可以快速提取图像中的显著目标而把大部分背景省略掉，在经过LBP，Laws，对比度纹理特征的提取与形态学特征融合之后，裂缝目标在整幅图中与背景的视觉对比变得相当明显，纹理融合与显著性结合算法采用Achanta等［11］提出的一种高效简单的FT （frequency－tuned）显著区域提取算法对裂缝目标进行提取。FT 通过使用频率调频的原理来获得ωlc和ωhc，ωlc为获得显著性需要的最低频率，ωhc则为最高频率。FT方法是通过一组DoG （difference of Gaussian）滤波器的联合来获得ωlc到ωhc的信息。其定义如式 （5）所示

该滤波器的带宽由σ1和σ2的比率来决定。为了有效检测物体的边缘，σ1和σ2最佳比值为ρ＝1∶1.6［12］，这样ρ限定了DoG 滤波器通过的带宽的高低，但是单个DoG 不能有效地得到足够大的［ωlc，ωhc］，FT 就将多个DoG 联合成一个更大的DoG 滤波器，如式 （6）定义

当N ＞0时，FN就可以用两个高斯函数的差来表示。这时DoG 的宽度由K ＝ρN来决定。在实际提取显著区域时，FT 方法使用5×5大小的窗口进行高斯平滑去除特高频。为了获得更大的［ωlc，ωhc］，FT 使K 尽可能的大，FT让N ＝∞，此时G（x，y，σρN）就是对整个图像的平均。像素p 的显著性可以通过式 （7）来获得

FT 计算平均特征Iu是使用的CIELAB 颜色特征。Iwhc（p）为在经过高斯平滑后的图像中像素p 的CIELAB颜色特征。

将图5融合效果图用显著性提取算法处理过后效果如图6所示，当融合系数比较大时，从图6 （a）中可以看出裂缝目标虽然显著性较好且细节信息比较完整，但背景干扰噪声较大，不利于目标的提取；当融合系数比较小时，从图6 （b）中可以看出背景噪声干扰虽然比较小，但是裂缝显著性较差，细节信息同时也被去除去，也不利于目标的完整提取；从图6 （c）中可以看出此时的裂缝显著性提取效果最好，既保证了裂缝目标的细节信息又去除了大部分背景的干扰信息。

图6 3种纹理融合后的FT 显著性提取效果

3 实验结果分析

纹理融合与显著性结合算法检测裂缝的详细流程如图7所示。

图7 纹理融合与显著性提取结合裂缝检测流程

为了验证提出算法的有效性和准确性，实验选取了3种对图像分割具有较好效果的算法与提出的算法进行分割比较，图8 （a）为裂缝原图，图8 （b）为二维大津法分割效果，可见大津法对这类裂缝分割完全没有效果；图8 （c）采用最佳直方图熵与遗传算法相结合的分割算法，可以看出，裂缝的提取完整度较好，但是对于背景的光照比较敏感，产生较大的噪声；图8 （d）采用最佳直方图熵与穷举法结合的分割算法，可以看出，光照的噪声被有效的去除了，背景对目标的干扰较小，但裂缝目标出现了较多的断裂，裂缝目标不完整；图8 （e）是本文提出算法效果，可以明显看出，背景干扰被完全的去除掉，而且提取的裂缝目标也较为完整和清晰。

图8 分割对比效果

为了验证了算法的精确性，对纹理融合与显著性结合算法所提的裂缝进行精确率和召回率的量化评估。实验照片路面裂缝均是自然光照条件下，大小为950＊400。

精确率P 和召回率R 定义［13］如式 （8）所示

式中：Np——检测到的像素中属于真正裂缝的像素点的个数，Nr人工分割真实裂缝的像素点个数的总和，Ntotal——用纹理融合与显著性结合算法所提取的裂缝像素点数总和。从240幅样本图中抽取6 幅进行精确率和召回率的测试，裂缝原图如图9所示、纹理融合与显著性结合算法提取的裂缝如图10所示，及人工分割的裂缝如图11 所示，每条裂缝的精确率P 和召回率R 见表1。

4 结束语

图9 裂缝原图

图10 纹理融合与显著性结合分割效果

图11 人工分割效果

表1 精确率P与召回率R

根据裂缝实际存在环境，提出了一种运用纹理特征与显著性相结合的裂缝检测算法，首先采用形态学方法矫正光照，之后提取裂缝的LBP 纹理，Laws纹理，分别从微观和宏观的角度对裂缝进行描述，再加上对比度特征，在形态学矫正的基础上根据经验权值把提取的3种纹理特征进行融合，采用显著性提取方法对纹理融合后的裂缝目标进行提取，最后阈值分割后采用中值滤波及连通域滤波有效的去除噪声得到最终裂缝。实验结果表明该算法能够有效提取出复杂背景下的裂缝，精确率和召回率都达到了92%以上。

［1］ZOU Qin，LI Qingquan.Target－point MST for pavement crack detection ［J］.Geomatics and Information Science of Wuhan University，2011，36 （1）：71－75 （in Chinese）.［邹勤，李清泉.利用目标点最小生成树的裂缝检测 ［J］.武汉大学学报：信息科学版，2011，36 （1）：71－75.］

［2］Salman M，Mathavan S.Pavement crack detection using the Gabor filter ［C］／／IEEE Annual Conference on Intelligent Transportation Systems，2013：2039－2044.

［3］ZHANG Lei，XIAO Mei.Pavement crack detection based on visual model［J］.Journal of Chang’an University （Natural Science Edition），2009，29 （5）：21－24 （in Chinese）.［张雷，肖梅.基于视觉模型的路面检测算法 ［J］.长安大学学报：自然科学版，2009，29 （5）：21－24.］

［4］Henrique Oliveira.Automatic road crack detection and characterization ［J］.IEEE Transactions on Intelligent Transportation Systems，2013，14 （1）：155－168.

［5］SHEN Zhaoqing，ZHONG Liang，XIAO Shasha.Intelligent recognition and evaluation of highway pavament cracks in fuzzy kernel space ［J］.Highway，2014 （2）：180－184 （in Chinese）.［沈照庆，钟良，肖沙沙.模糊核空间下高速公路路面裂缝智能识别与评价 ［J］.公路，2014 （2）：180－184.］

［6］Liu F，Xu G，Yang Y，et al.Novel approach to pavement cracking automatic detection based on segment extending［C］／／IEEE Proceedings of International Symposium on Knowledge Acquisition and Modeling，2008：610－614.

［7］BU Yadong.Image texture feature extraction ［D］.Jinan：Shandong Normal University，2012 （in Chinese）. ［步亚东.图像纹理特征提取 ［D］.济南：山东师范大学，2012.］

［8］ZHOU Shuren，YIN Jianping.LBP texture feature based on Haar characteristics［J］.Journal of Software，2013，24 （8）：1909－1926 （in Chinese）. ［周书仁.殷建平.基于Harr特征的LBP 纹理特征［J］. 软件学报，2013，24 （8）：1909－1926.］

［9］WANG Huafeng，WANG Yuting，CHAI Hua.State－of－art on texture－based well logging image classification ［J］.Journal of Computer Research and Development，2013，50 （6）：1335－1348 （in Chinese）. ［王华锋，王玉婷，柴华.基于纹理特征的测井图像分类算法的研究 ［J］.计算机研究与发展，2013，50 （6）：1335－1348.］

［10］ZHANG Xiuhua，CHENG Yanjun，HONG Hanyu.Pavement crack detection based on weight texture［J］.Computer＆Digital Engineering，2011，39 （10）：153－156 （in Chinese）.［章秀华，陈艳君，洪汉玉.基于加权融合纹理的路面裂缝检测［J］.计算机与数字工程，2011，39 （10）：153－156.］

［11］Radhakrishna Achanta，Sheila Hemami.Frequency－tuned salient region detection ［C］／／IEEE Conference on Computer Vision and Pattern Recognition，2009：1597－1604.

［12］Marr D.Vision：A computational investigation into the human representation and processing of visual information ［M］.San Francisco，1982.

［13］Yamaguchi T， Hashimoto S.Improved percolation－based method for crack detection in concrete surface images［C］／／International Conference on Pattern Recognition，2008：1－4.