基于区域生长和最外边缘追踪的路面损坏检测

王 维，孟丽娜，闫兆进

（1.中国民航大学机场学院，天津 300300；2.山东科技大学测绘科学与工程学院，山东青岛 266590）

基于区域生长和最外边缘追踪的路面损坏检测

王 维1，孟丽娜1，闫兆进2

（1.中国民航大学机场学院，天津 300300；2.山东科技大学测绘科学与工程学院，山东青岛 266590）

为提高沥青路面损坏检测的效率和准确度，提出一种基于区域生长和最外边缘追踪的沥青路面损坏检测方法。该方法先对路面图像进行区域生长分割，得到病害的连续区域，然后利用数学形态学中的闭运算进行处理，连接邻近物体和平滑边界，接着通过边界标记和获取最外边界唯一值得到最外边界的边界点坐标，最后通过坐标转换，生成相应的GIS图层。通过路面数据验证，证明了该方法的有效性。

道路工程；路面破损；图像识别；区域生长；边缘追踪

公路在使用过程中，由于受到行车载荷过大和自然因素的影响[1]，导致路面出现不同程度的破损，如何对路面损坏进行快速检测已成为急需解决的问题[2]。目前中国的路面损坏检测还是以人工检测方法为主，但人工检测方法存在耗时长、效率低、现场检测危险性高等缺点，因此不适应道路发展的需求。随着计算机技术的发展，尤其是近景摄影测量技术和图像处理技术的发展，使得基于图像分析的路面损坏检测成为可能[3]，快速自动识别路面破损成为该领域的研究热点。

由于国外发达国家公路发展起步较早，因此国外学者提出了许多成熟的基于图像处理自动识别路面病害的算法。例如，Kapela R等[4]利用图像的梯度直方图检测病害，计算比较简单，但检测精度较低；Salari E等[5]根据图像的纹理特征检测病害，实现了病害的分类提取，但计算较为复杂，需要设置多个参数。国内对路面损坏自动识别的研究虽然起步较晚，但也提出了许多行之有效的方法，例如，钱彬等[6]利用子块鉴别分析结果提取病害，但该方法只能检测路面裂缝而对路面坑槽等非线性病害提取效果较差；李清泉等[7]提出了一种基于图像自动匀光的病害检测方法，解决了不同光照条件的限制，但算法较复杂，计算时间较长。

由于现有的路面损坏识别方法通常用检测出的边缘点勾绘物体轮廓，很少能形成图像分割所需要的闭合且连通的边界，因此不得不在边缘提取的基础上增加边缘连接[8]，对于过多边缘点的复杂场景，连接效果往往较差，并且会增加相应的处理时间。路面病害大都呈现线状或网状，因此病害的实际长度和面积经常作为判断路面损坏程度的重要参考。目前得到病害长度和面积的方法一般有两种：①通过传统的人工测量方法获得，但人工测量方法费时费力，效率较低；②在现场放置尺寸已知的标盘，获取现场的数字图像后，通过病害和标盘在图像上所占像素的比值再乘以标盘的实际面积获得[9]，该方法每次测量都需要放置标盘，不适合大面积作业，局限性较大。针对上述问题，本文提出一种改进的病害识别和病害信息存储方法，首先用区域生长方法进行图像分割，得到连续区域，然后进行最外边缘追踪，得到病害的最外边界，最后根据得到的边界点生成各类病害的GIS图层，对病害进行管理和存储。沥青路面损坏检测和信息存储的流程，如图1所示。

图1 沥青路面损坏检测流程图Fig.1 Flowchart of asphalt pavement damage detection

1 改进的沥青路面损坏检测方法

1.1 区域生长算法

区域生长算法，最初由Zucker[10]提出，其基本思想是将具有相似性质的像素集合起来构成区域。

生长区域的好坏取决于两个因素：①种子点的选取，②生长准则的选取。本文利用灰度直方图进行种子点的自动选取，即在图像的灰度直方图中选取出现频数最高的点，同时标记这些边缘像素点，则这组像素点就是种子点。区域生长的生长准则为：如果所考虑的像素（对种子点进行八邻域或四邻域扩展得到）与种子点灰度值的差的绝对值小于或等于某个阈值，则将该像素点包括在种子点所在的区域，即

其中：n为边缘像素点总数，X（i）为边缘点的灰度值。

区域生长算法实现的步骤如下：

步骤1 新建一组数组temp并且置空，将种子像素点加入该数组中；

步骤2 取出temp中的像素作为种子点执行步骤3，直到temp为空，生长结束；

步骤3 种子点的像素记为（x0，y0），对其进行八邻域扩展，判断扩展像素p（x，y）是否满足公式（1）的生长准则。若满足，则将该像素点添加到temp中，继续进行生长，若不满足则停止该方向生长，检测其他扩展像素，直到生长区域中再没有符合要求的像素点加入到temp中，返回步骤2。

综上所述，配偶间HIV传播受多种因素综合影响，预防配偶间HIV传播，需要应用生物医学—行为干预—社区结构等综合性干预，才能最大限度降低配偶间HIV传播风险。

1.2 闭运算

在对图像处理过程中，数学形态学作为一种常用工具得到广泛使用，本文利用数学形态学中的闭运算对区域生长所得到的图像进行处理。通过闭运算处理，可以使轮廓线更为光滑，闭运算通常可以消除狭窄的间断，消除小的孔洞，并且填补上轮廓线的断裂。使用结构元素E对A进行闭运算，则闭运算的定义为：

其中：⊕表示膨胀算子，Θ为腐蚀算子。因此，用E对A进行闭运算，即是用E对A膨胀，然后用E对结果进行腐蚀。

1.3 最外边界追踪

1.3.1 边缘追踪原理

边缘追踪就是检测每个像素和其直接邻域的状态，已决定该像素是否位于一个物体的边界上。二值图像中所有的像素只能从0和1这两个值中取值，把互相连接的像素的集合汇集为一组称为连接组分。连接组分标记就是对于相同的连接组分用同一个整数来表示，对于不同的连接组分则用不同的整数值来区分。标注以后，就可以识别二值图像中的每一个对象。本文首先对图像中的连接组分进行标记，然后对其进行最外边界追踪，这样就得到了图像的最外边界。获取最外边界的过程如图2所示。

图2 最外边缘追踪Fig.2 Outermost border following

1.3.2 获取最外边界唯一值

当且仅当（i，j）满足以下两个条件时，边界点（i，j）在最外边界上：①像素（i，1），（i，2）…（i，j-1）都是0像素；②对一行从左向右进行扫描时，遇到的最近边界点（i，h）在最外边界上，并且像素（i，h+1）属于非边界点。最外边缘跟踪算法的实现步骤如下：

步骤1 按照从左到右、从上至下的顺序对图像进行扫描，当发现像素值从0变为1时，记为p0点。判断p0是否是边界点，若是，则作为边界的起点，记录下它的坐标值（i，j）；

步骤2 从p0点的正上邻接点开始，逆时针方向在p0点的8邻域寻找值为像素值1的点，当第一次出现的像素值为1的点记为pk，记录下它的坐标值；

步骤3 同上，从pk-1作为起点，逆时针方向在pk的八邻域内寻找像素值为1的点，把最新满足条件的点记为pk+1，存储它的坐标值；

步骤4 当且仅当起点与终点重合，即pk=p0时，跟踪结束。否则，返回第三步，反复处理。

1.3.3 坐标转换

把得到的最外边界的像素点坐标根据坐标文件转换成地理坐标。转换公式如下：

其中：X′为转换后的地理X坐标，Y′为转换后的地理Y坐标；X为像素坐标的列号；Y为像素坐标的行号；A为X方向上的像素分辨率；E为Y方向上的像素分辨率；B为旋转系数；D为平移系数；C为栅格地图左上角像素中心X坐标；F为栅格地图左上角像素中心Y坐标。通过坐标转换实现了图像坐标与地理坐标的转换，然后用转换后的地理坐标生成GIS图层。

2 试验结果分析

根据上述算法原理，利用Matlab语言，实现了基于区域生长和最外边缘追踪的沥青路面损坏检测算法，并且利用C#语言和ArcGIS Engine组件做二次开发，实现了由边界点生成不同类型的病害图层。为验证算法的试验效果，选用了连续5 km沥青道路作为研究对象。本文算法病害识别的实例，如图3所示。为验证本文算法的有效性，选取文献[4]中的梯度直方图法和文献[5]中的纹理法与本文算法进行了对比分析，选用病害检出率和平均处理时间两个定量指标进行计算，其检测结果如表1所示。

表1 路面病害检测结果Tab.1 Road surface disease test results

图3 病害识别结果Fig.3 Results of disease recognition

2.1 定量指标

病害遗漏总数为实地勘察存在而区域边缘追踪算法没有检测出来的病害总数。病害检出率为病害检出的总数与实际存在的病害总数的比值，即

其中：λ为病害检出率；N为病害实际存在的总数；M为病害遗漏总数。

平均检测时间为平均检测一张图片所需的时间，其定义如下：

其中：TA为平均检测时间，单位为s；TS为算法运行的总时间；N为图像总张数。

2.2 结果分析

由图3可知，本文算法对裂缝的识别度较高。由表1可以看出，本文算法的病害检出率达到96%，高于梯度直方图法的88%和纹理特征法的85%，同时可以看出本文算法检测出的冗余病害数目少于其他两种方法，并且本文算法的平均检测时间低于其他两种方法的平均检测时间。综上可知，实验数据的对比分析结果证明了本文算法的有效性。同时也可以看出，利用本文算法检测出的病害总数多于实际存在的病害总数，这是因为图像在拼接过程中，由于拼接误差的存在，导致位于图像拼接出的连续病害被分成了不连续的多条，因此出现了检出病害信息冗余的情况。因此如何减少冗余病害，是未来工作中的重点。

3 结语

本文通过区域生长获取病害的连续区域，利用数学形态学中的闭运算对区域生长的结果进行进一步处理，消除孔洞并填补上轮廓线的断裂，然后进行边缘追踪，通过标记算法和最外边界唯一值算法获取病害的最外边界点，接着通过坐标转换，把得到的像素坐标转换成地理坐标，生成不同类型的病害图层。算法可以准确、快速地得到病害边界，无需经过边缘连接就可以获取闭合、连通的病害区域，通过GIS图层进行存储和管理病害，方便查询病害的属性信息和计算病害的长度、面积等，对沥青路面损坏的自动检测具有重要实用价值。

[1]张 娟,沙爱民,高怀钢,等.基于数字图像处理的路面裂缝自动识别与评价系统[J].长安大学学报(自然科学版),2004,24(2):18-22.

[2]张金柱,张国庆,张金栋.沥青路面施工中快速检测方法的应用[J].中外公路,2012,32(1):109-112.

[3] 张德津,李清泉,陈 颖,等.基于空间聚集特征的沥青路面裂缝检测方法[J].自动化学报,2016,42(3):443-454.

[4]KAPELAR,SNIATALAP,TURKOTA,etal.AsphaltSurfacedPavement Cracks Detection Based on Histograms of Oriented Gradients[C]//2015 22nd International Conference on Mixed Design of Integrated Circuits& Systems(MIXDES),2015:579-584.

[5]SALARI E,BAO G.Pavement Distress Detection and Classification Using Feature Mapping[C]//IEEE International Conference on Electro/Information Technology,2010:1-5.

[6]钱 彬,唐振民,徐 威,等.子块鉴别分析的路面裂缝检测[J].中国图象图形学报,2015,20(12):1652-1663.

[7]李清泉,胡庆武.基于图像自动匀光的路面裂缝图像分析方法[J].公路交通科技,2010,27(4):1-5.

[8]董 晶,杨 夏,于起峰.基于边缘连接的快速直线段检测算法[J].光学学报,2013,33(3):220-227.

[9]RODRIGUEZ T.Practical camera calibration and image rectification in monocular road traffic applications[J].Machine Graphics and Vision, 2006,15(1):51-71.

[10]ZUCKER S W.Region growing:childhood and adolescence[J].Computer Graphics&Image Processing,1976,5(3):382-399.

（责任编辑：刘智勇）

Asphalt pavement damage detection method based on region growing and outermost border following

WANG Wei1,MENG Lina1,YAN Zhaojin2
（1.College of Airport Engineering,CAUC,Tianjin 300300,China;2.College of Geomatics, Shandong University of Science and Technology,Qingdao 266590,China）

In order to improve the efficiency and accuracy of asphalt pavement damage detection,a damage detection method is proposed to the asphalt pavement based on region growing and border following of outermost borders.Firstly, road image is divided into different regions according to region growing to get the continuous area of diseases. Secondly,adjacent objects and smooth border are connected by closing operation of mathematical morphology,and then border point coordinates of outermost border are obtained by marking the border and getting unique value of outermost border.Finally,the appropriate GIS layers are generated through coordinate conversion,proving the effectiveness of this method through road data testing.

road engineering;pavement damage;image recognition;regional growth;border following

TP751.1

：A

：1674－5590（2016）06－0051－04

2016-03-22；

：2016-05-10

：中央高校基本科研业务费专项（Y16-18）

王维（1960—），男，河北丰南人，教授，硕士，研究方向为机场工程.