基于图像特征值的混凝土桥梁表面病害图像分类

陈飞飞 张宇峰 韩晓健,*

(1.南京工业大学土木工程学院,南京 210000; 2.苏交科集团股份有限公司,南京 210000)

0 引 言

钢筋混凝土桥梁表面病害不仅影响着桥梁的正常使用与耐久性[1],而且当病害目标的损伤值超过了规定的允许值之后,就有可能危及结构的安全。因此桥梁表面病害的检测[2],对桥梁的安全评估和养护具有非常重要的意义。

实际桥梁定期的检测[3]工作中,表面病害的检测通常采用人工拍照的方法。大量的病害图片的处理通常采用人工判读的方法,这需要有一定经验的专业人员耗费大量的时间处理,效率低且人为因素干扰较大。

随着计算机数字图像处理技术[4]的发展和广泛应用。采用数字图像处理技术对病害目标进行定性和定量分析,可以有效解决人工检测存在的缺点,提高检测效率,减少人为误差,降低检测成本。

对检测图像,本文采取先分类再定量分析的处理流程。本文采用的是图像空间的分类方法,对图像的灰度、纹理等底层特征进行提取[5],最后采用支持向量机(SVM)[6]作为分类器,选取一定的样本图像作为训练集,生成SVM训练模型,然后对测试样本图像进行识别与分类。

1 图像的预处理

在对桥梁病害图像进行特征参数提取之前,需要对图像进行预处理。这里主要分为如下几步:第一步先对图像的尺寸进行统一,这里统一图像的尺寸大小为300×300,这样可以提高病害图像特征提取与分类的效率。第二步灰度化,由于人眼对绿色最敏感而对蓝色的敏感最低,所以本文采用加权平均法,假设一幅RGB图像为f(i,j),灰度化公式如下:

f(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)

(1)

第三步对调整后的图像进行滤波去噪,去除干扰点,加强病害目标的细节,使得图像更加清晰。这里采用的滤波方法为中值滤波。这里取裂缝图像为示例,如图1所示。

图1 处理前后对比图Fig.1 Comparison before and after processing

2 图像特征提取

2.1 纹理特征提取

纹理特征是一种重要的视觉线索,是图像中普遍存在而且常用来作为图像分类的重要特征,这里我们采用比较常用的纹理特征提取方法—统计法,对桥梁病害图像进行特征值的提取。

统计法的典型代表是一种基于灰度共生矩阵的纹理特征分析方法,一般从灰度共生矩阵[7]计算出一些参数来定量的描述纹理特性,这里选取能量、逆差矩、惯性矩、相关性、熵五个参数作为纹理特征参数,各个参数都是反映图像在纹理特征上的变化。

本文选取像素距离d=1,角度θ分别为0,45°,90°,135°,计算各统计量,并取四个放个方向的均值,这样就减少了特征空间维数。最后将这四个方向的纹理特征值的均值作为图像分类的特征值。各统计量公式如下:

(2)

(3)

(4)

(5)

式中,i,j表示灰度级i与灰度级j;d为两个像素点距离;θ为对应角度。

2.2 灰度直方图特征值提取

灰度直方图[8]是灰度级函数,它表示图像中具有每种灰度级的像素函数,可用式(6)来表示:

(6)

式中,i表示灰度级;L表示灰度级种类;ni表示图像中具有灰度级i的像素个数;N表示图像总像素数。

通过灰度直方图可以很直观的观察出图像的灰度分布,如图2所示。

图2 裂缝与缺损直方图Fig.2 Crack and defect in the histogram

这里我们一般不是直接将灰度直方图作为特征,而是通过一些统计量来反映图像的直方图,这些统计量被定义为灰度直方图的统计特征;这些统计量通常为均值(u)、方差(δ)、歪斜度(us)、峰态(uk)、能量(uN)。每个统计参数反映的都是灰度图像灰度值的分布规律,通过这些统计参数来区分不同的病害图像,例如,歪斜度反映的是图像直方图分布的不对称程度,歪斜度越大,表示直方图分布越不对称,反之越对称;而能量反映的是灰度分布的均匀程度,灰度分布较均匀时能量越大,反之越小。各统计公式如下:

(7)

(8)

(9)

(10)

(11)

式中,各变量含义见式(6)。

3 颜色矩

颜色矩是基于内容图像检索与识别系统中常用的一种特征量之一,其基本思想是得到图像的颜色直方图之后计算二次统计量,具体实现方法为:采用矩来表示图像中出现的颜色,即统计每种颜色分量的1～3矩,分别为均值、方差和斜度。其中方差即二阶矩可以描述图像颜色分布范围的大小,值越大表示分布范围越广,反之亦然。这里我们采用二阶矩来描述病害图像特征。表达式如下:

(12)

式中,pij为第j个像素的第i个分量;N为像素总数。

4 特征提取结果

选取混凝土桥梁病害图像数据库中的3种类型图像(裂缝、缺损、露筋锈蚀)各500张,本文采用Matlab软件编程对图像进行预处理并计算图像的灰度直方图特征、纹理特征[8]与颜色矩特征[9],这里列举出裂缝与缺损部分数据如表1所示。

表1500张裂缝图像与缺损图像的灰度特征值与纹理特征值

Table 1 500 fractures and defect image gray and texture eigenvalue

5 图像分类与结果分析

对于桥梁病害图像的分类,本文采用支持向量机(SVM)的图像分类法。SVM[10-11]分为线性与非线性,而实际应用中,很多情况下都是线性不可分的,所以这里我们采用非线性SVM[12-13],通过核函数把特征向量映射到高维特征空间去,使得样本成为线性可分,常用的核函数有多项式核函数、高斯核函数(RBF)、Sigmoid核函数表达式如下:

多项式:K(u,v)=[(u·v)+1]d

(13)

(14)

Sigmoid:K(u,v)=tanh[k(u,v)-μ]

(15)

式中,u和v为输入的两个变量;d为多项式核函数的参数;σ为RBF核函数参数。

如图3所示为三类桥梁病害图像,将上述提取的图像特征值数据输入支持向量机中进行训练,生成分类模型,这里在进行训练之前,本文采取的方法是先对特征数据采用了不同的归一化方式进行处理并对比其分类效果以及支持向量机中选择不同核函数进行训练,同样也进行了分类效果的比较。分类结果如表2、表3所示。

图3 病害图像Fig.3 Plant disease image

表2采用不同归一化方式对比

Table 2 Image classification results

表3采用不同核函数对比

Table 3 Image classification results

上述图像分类试验中,核函数统一采用的是高斯核函数,惩罚系数c与核函数参数g分别选择2与1。从表2中可以看出,需要对特征数据先进行归一化的预处理,这样才能提高最后分类的准确率,并且归一化的方式对分类结果也有一定影响,不进行归一化其准确率仅为58%,而进行归一化处理后其准确率可提高至79%与78%。

上述图像分类试验统一在对特征数据进行[0,1]归一化方式后进行分类判别,通过表中数据对比发现,选择多项式核函数作为支持向量的核函数,其分类准确率最高,准确率高达83%,其分类效果图如图4总结整个算法流程:第一步对桥梁病害图像进行特征数据提取;第二步对提取的特征数据进行归一化处理;第三步选择多项式核函数作为支持向量机训练模型的核函数;第四步选取一定的测试样本进行测试验证其分类的准确率。

5 结 论

钢筋混凝土桥梁表面病害图像特征的提取是桥梁病害图像分类的重要环节,特征的好坏直接影响图像分类的结果。根据裂缝、露筋锈蚀、缺损在灰度、纹理以及颜色上的差距,以图像的灰度直方图特征、纹理特征及颜色矩特征为基础,提取其特征参数并建立支持向量机(SVM)分类模型,对桥梁病害图像进行分类,研究表明,以上述特征值为参数,并且选择支持向量机为分类器可以有效地对桥梁病害图像进行分类,这为进一步研究混凝土桥梁病害图像分类与完善特征提取方法提供了依据。

图4 分类效果图Fig.4 Classification of rendering

[1] 陆洲导,苏磊,余江滔,等.火灾后混凝土结构检测的方法与发展讨论[J].结构工程师,2010,26(1):132-136.

Lu Zhoudao,Su Lei,Yu Jiangtao,et al.Concrete structures after fire detection methods and development of the discussion[J].Structural Engineer,2010,26(1):132-136.(in Chinese)

[2] 王瑀,荆国强,王波.桥梁健康监测系统在线结构分析及状态评估方法[J].桥梁建设,2014,44(1):25-30.

Wang Yu,Jin Guoqiang,Wang Bo.Bridge health monitoring system for online structural analysis and state evaluation method[J].Bridge Construction,2014,44(1):25-30.(in Chinese)

[3] 李炳生,汤海林,张其林.结构试验与加载检测技术的发展及其应用[J].结构工程师,2011,27:70-75.

Li Bingsheng,Tang Hailin,Zhang Qilin.Structure testing and load testing technology the development of technology and its application[J].Structural Engineer,2011,27:70-75.(in Chinese)

[4] 孙正.数字图像处理与识别[M].北京:机械工业出版社,2014.

Sun Zheng.Digital image processing and recognition[M].Beijing:Mechanical industry press,2014.(in Chinese)

[5] 刘益新,郭依正.灰度直方图特征提取的Matlab实现[J].电脑知识与技术,2009,32(5):9032-9034.

Liu Yixin,Guo Yizheng.Gray histogram feature extraction of Matlab[J].Computer Knowledge and Technology,2009,32(5):9032-9034.(in Chinese)

[6] 顾亚祥,丁世飞.支持向量机研究进展[J].计算机科学,2011,38(2):14-17.

Gu Yaxiang,Ding Shifei.Support vector machine (SVM) is reviewed[J].Computer Sscience,2011,38(2):14-17.(in Chinese)

[7] 焦蓬蓬,郭依正,刘丽娟,等.灰度共生矩阵纹理特征提取的Matlab的实现[J].计算机技术与发展,2012,11(10):170-175.

Jiao Pengpeng,Guo Yizheng,Liu Lijuan,et al.Gray level co-occurrence matrix texture feature extraction of the realization of Matlab[J].The Computer Technology and Development,2012,11(10):170-175.(in Chinese)

[8] 尹剑仑,卫武迪,梁永贵.肿瘤超声图像灰度和纹理特征提取方法研究[J].通信技术,2009,42(9):168-170.

[9] 王辉,王晗.基于颜色矩特征板材图像数字化的研究[J].林业机械与木工设备,2015,43(8):32-34.

Wang Hui,Wang Han.Based on the research of color moment characteristics of plate image digitization[J].Forestry Machinery and Woodworking Equipment,2015,43(8):32-34.(in Chinese)

[10] Carl Vondrick,Aditya Khosla,Tomasz Malisiewicz,etal.HOGales:Visualizing object detection features [C].2013 IEEE International Conference on Computer Vision(ICCV).2013,1:1-8.

[11] Zhigang Yan.Research on ECOC SVMs[C].Intelligent Control and Automation(WCICA),2010,8thWorld Congress on.IEEE,2010:2838-2842.

[12] Wen Ying.An improved discriminative common vectors and support vector machine based face recognition approach[J].Expert Systems with Applications,2012,39(4):4628-4632.

[13] 唐银凤,黄志明.基于多特征值提取与SVM分类器的纹理图像分类[J].计算机应用与软件,2011,28(6):23-25.

Tang Yinfeng,Huang Zhiming.Based on eigenvalue extraction and the SVM classifier texture image classification[J].Computer Applications and Software,2011,28(6):23-25.(in Chinese)