沥青路面裂缝自动检测算法*

陶明霞，钱 广，马仁安

(1.安徽建筑大学土木学院，安徽 合肥 230601；2.宁波交通工程咨询监理有限公司，浙江 宁波 315100；3.新华学院电子与信息学院，安徽 合肥 230088)

随着高速公路在我国的快速发展，传统的基于人眼观察来检测路面裂缝的方法已经不能满足及时维护高速公路的要求，这使运用计算机实现路面自动检测成为新的研究热点.对已采集的大量沥青路面图像进行质量分析，进而对裂纹进行自动检测，主要存在2类比较难解决的问题：一是成像灰度不均匀，主要由光照不均匀引起；二是噪声问题，如路边建筑物的阴影、刹车痕迹和油迹等.针对这2类问题，许多学者提出了多种解决方法.Li L等[1]运用Sobel图像检测与域值分割方法来实现裂缝与路面的分割，但相应的域值T很难确定.一些学者运用小波分析的多分辨率特性来解决裂缝的弱信号特性[2-4]，但在实际运用中如何选择分析尺度是一个有待进一步解决的问题.Zuo Y等[5]运用模糊逻辑算法实现裂缝检测，但很难从海量图像中确定亮度阈值以实现从亮度图到裂缝图的转换.

针对沥青路面图像中裂缝与路面背景的特性，笔者拟采用非线滤波、二值化、形态学开闭运算等方法对路面图像进行处理，从而得到一种有效的裂缝自动检测算法.路面裂缝自动检测流程为输入路面图像—非线性滤波—图像二值化—填补裂缝间隙—剔除独立噪声—提取裂缝骨架.

1 非均匀光照噪声的去除

根据路面图像的特点，可将其分成背景图像Ib、噪声信号In和裂缝图像Ic,即I=Ib+In+Ic.算法的核心为如何精确提取Ic.目前，大多数学者从由I中提取Ic的角度出发，研究如何解决因光照不均匀引起的图像中间亮、边缘暗的问题[6-8].对大量的路面图像进行特征分析，笔者发现图像的大部分均是背景.因此，设法从另一个角度去考虑问题，即如何准确提取路面图像的背景Ib.主要思路为运用数学形态学算法提取背景图像，再运用此背景图像来解决不均匀光照引起的噪声问题.首先运用开运算对图像进行极小值滤波，再运用同样算子对图像进行闭运算，即极大值滤波.极小和极大值滤波消除了路面图像的裂缝、油渍等弱信号信息，而保留了路面等强信号目标，如图1b所示.再将原始路面图像减去滤波后的背景图像，从而消除光照不均引起的噪声.将整个背景图像灰度均值加到相减后图像的每个像素，以还原路面图像，如图1c所示.从图1c中可以看出图像中间较亮、边缘较暗的现象已得到解决.运用此方法对大量路面图像进行处理.从效果来看，能够解决光照不均问题，而且相对文献[9]提出的灰度值校正算法，具有便于算法移值和执行效率高的特点.

图1 非均匀光照噪声的去除的图像 Fig.1 Removal of Nonuniform Illumination Noise

2 二值化分割

路面裂缝图像二值化是自动检测中的关键步骤.由于路面除了裂缝外还有油渍、轮迹和建筑物阴影等弱信号信息，因此很难有一种全局分割的方法满足实际需要.为此，笔者将整个路面图像分割成多块，如图2a所示.在单块图像中，裂缝和其他弱信号对象共存的概率减少.分块的、尺寸较小的单块图像整体上呈现均匀的灰度值，图像中裂缝和其他噪声的灰度值相对于路面的灰度值要低得多，故采用分块图像的灰度统计特征来确定分割域值.[9-10]

设单块图像为Ii(p)，二维坐标p={x，y}，wi和hi为图像块的宽和高，c值为常数(一般根据实验确定).路面图像二值化的具体实现步骤如下：

图2 路面图像二值化Fig.2 Binarization of Pavement Image

(ⅰ)统计图像的直方图Hi(n)，n<255；

(ⅱ)对域值集合T={t1，t2，…，ti，…,tn}，tj=tj-1+ 1，n<255,从t1开始对直方图作累加计算Sj=Sj-1+H(tj)，其中S0=0；

(ⅲ)当Si>c×wi×hi时终止，否则转(ⅱ)；

(ⅳ)用最后得到的ti值对单块图像作二值化处理.

根据上述步骤得到的路面二值化图像，如图2b所示.

3 非裂缝噪声的去除

二值化后的图像可能存在连续裂缝被中断的现象，因此需要对二值图像作开闭运算，即IB=(I⊕B)⊖B，其中I为二值化图像，B为形态学算子.作开闭运算后的二值图像呈现半径为5的圆盘状结构，如图3a所示.

路面图像在二值化后，随机噪声仍以胡椒状散布于整个图像中，如图3b所示.由图3b可以看出，相对于随机噪声来说，裂缝的像素面积会大得多，且一般呈现细长状连续分布.据此，笔者采用形态学的闭运算来去除噪声，即先对白色像素点(对应噪声和裂纹)做膨胀运算，再对膨胀后的图像做腐蚀运算.主要的操作包括2步：(1)面积计算.通过8邻域，统计各白色像素块的像素值.(2)阈值判断.面积阈值需要根据实际采集数据和道路病害程度来确定.面积大于一定阈值的像素块被标记为裂纹像素点，小于一定阈值的像素块被记为噪声像素点.经过此2步操作后，得到如图3c所示的图像.

图3 非裂缝噪声的去除Fig.3 Removal of Non Crack Noise

4 实验结果与讨论

运用路面裂缝自动检测方法对1 000幅大小为1024×768的沥青路面图像进行裂缝检测及分类处理，4类典型裂缝的检测结果如图4所示.从图4可知该方法对4类典型裂缝进行了有效检测.

图4 4类典型裂缝的检测Fig.4 Detection of Four Typical Kinds of Cracks

表1列出了相应的检测时间和准确率，从中可知系统运行时间均值约为1.75 s，检测准确率均值为96.25%.

表1 路面裂缝自动检测Table 1 Automatic Detection of Pavement Cracks

5 结语

针对人工检测路面裂缝存在的问题，提出了一种新的检测方法.该路面裂缝自动检测方法能够应用到沥青路面车载检测系统中，检测准确率能够满足系统设计要求.配合GPS定位系统，该方法能够自动检测和定位沥青路面裂缝，与人工检测相比节省了大量的人力、物力和财力，且有利于路面图像数据的有效管理.

参考文献：

[1] LI L，CHAN P，LYTTON R L.Detection of Thin Cracks on Noisy Pavement Images[Z].Transportation Research Record，No.1311，Pavement Management：Data Collection，Analysis，1991:131-135.

[2] NEWLAND D E.Wavelet Analysis of Vibration[J].Journal of Vibration & Acoustics，1994，116(4):21-37.DOI：10.1115/1.2930443.

[3] WANG Q，DENG X.Damage Detection with Spatial Wavelets[J].International Journal of Solids & Structures，1999，36(23):3 443-3 468.

[4] QUEK S T，WANG Q，ZHANG L，et al.Sensitivity Analysis of Crack Detection in Beams by the Wavelet Technique[J].International Journal of Mechanical Sciences，2001，43(12):2 899-2 910.

[5] ZUO Y，WANG G，ZUO C.A Novel Image Segmentation Method of Pavement Surface Cracks Based on Fractal[C].International Conference on Computational Intelligence and Security.Suzhou，China，2008:485-488.DOI：10.1109/CIS.2008.206.

[6] 高建贞，任明武，杨静宇.路面裂缝的自动检测与识别[J].计算机工程,2003，29(2):149-150.

[7] ABE SATOSHI，ABE TOSHIO，SATO HISAO，et al.System Integration of Road-Crack Evaluation System[C]∥Machine Vision Applications in Industrial Inspection.WU FREDERICK Y,DAWSON BENJAMIN M,Ed.Proceedings of SPIE 1907,1993:38-48.

[8] CHENG H D，MIYOJIM M.Automatic Pavement Distress Detection System[J].Journal of Information Sciences,1998,108(1):219- 240.

[9] 高建贞，任明武，杨静宇.一种快速实用的灰度校正算法[J].中国图象图形学报,2002,7(6):548-552.

[10] LIAO P S，CHEN T S，CHUNG P C.A Fast Algorithm for Multilevel Thresholding[J].Journal of Information Science and Engineering.2001,17(5):713-727.