基于海森矩阵增强与局部裂缝拼接相结合的桥梁裂缝提取算法

贺福强　罗红　平安　姚学练

摘 要：针对复杂背景桥梁裂缝图像难以提取真实裂缝细节的技术问题，提出基于海森矩阵旋转矢量不变性的滤波去噪和局部区域裂缝走势生长方向连接的联合提取裂缝算法。利用海森矩阵增强图像突显裂缝区域，利用自适应阈值分割算法对图像进行二值分割;采用基于旋转矢量不变性的滤波算法滤掉团状噪声，根据裂缝的走势对生长方向一致的局部区域裂缝进行连接，排除条状非裂缝的影响和部分噪声的干扰;解决了图像处理中存在大量污渍残留和裂缝不连续现象。实验结果表明，本算法对复杂背景桥梁图像提取裂缝的准确度高于其它算法。

关键词：海森矩阵;裂缝检测;矢量不变性;阈值分割

中图分类号：TP391.4

文献标识码： A

裂缝是桥梁病害之一，大部分是由施工误差、混凝土收缩、温度变化、局部锚固、应力过大等因素诱发[1]。若长期得不到修缮，则会存在严重的安全隐患。图像处理技术是桥梁病害进行检测的常用方法，但由于图像背景较为复杂，使得裂缝特征的提取成为了一个难点。针对这一问题，不少学者展开了研究。

安世全等[2]提出一种多因子判定与渗流模型相结合的裂缝检测算法。利用改进的渗流加速算法，减少参与渗流处理的冗余像素点，通过对提取到的裂缝种子点进行渗流，虽提高了裂缝连接的准确性，但丢失了裂缝的部分细节。周亚群等[3]在中值滤波去噪的基础上，采用最大熵值法进行图像分割。由于最大熵值法缺乏对复杂背景、光照不均等干扰的适应性，导致分割效果不理想。DINH等[4]提出基于海森矩阵去噪的阈值分割方法。通过搜寻灰度直方图中与最高峰相邻的谷值作为阈值实现分割，然而复杂图像的灰度直方图相邻波峰波谷波动尺度较大，难以有效确定谷值，易导致分割出的裂缝细节缺失。XIAO[5]、TIAN[6]、LI[7]等利用经验canny算子结合多种去噪增强算法完成裂缝的分割和提取。对图像中存在的阴影有很好的去除效果，但当裂缝较宽时，裂缝中间部分像素信息丢失严重。YANG等[8]提出了一种基于纹理分析和引力模型特征的裂纹检测算法。通过提取裂纹子块的形状和纹理特征，建立多个正则化项，设计反映裂缝线性特征的方向因子和方向导数判别准则，使裂缝局部信息得到完整的保留。裘国永[9]、YUSOF[10]等通过建立裂缝图像数据集训练卷积神经网络，将生成的模型用于裂缝分类，最后再结合分割算法完成裂缝的提取。然而处理的图像背景较为简单，不具有广泛的适用性。譚小刚等[11]通过求取区域内每一个像素点的分形维数以此来完成裂缝图像分割。但当背景较为复杂时，各区域之间得到的维数差别不大，不利于背景和裂缝的区分。郭立媛等[12]将改进的K-means聚类算法与其他算法相结合，完成了裂缝的提取。然而，算法在标记裂缝和背景像素块的时候只运用了固定窗口中像素的均值和方差，条件过于单一，准确率较低。李鹏等[13]基于小波变换和直方图方向梯度对裂缝参数的提取开展了研究。通过计算图像的方向梯度，并设置阈值提取裂缝的轮廓，但该方法对噪声比较敏感，容易对渗水区域边缘进行误判。GIRI等[14]利用激光位移传感器发出的激光在穿过裂缝区域时位移读数的急剧变化来确定裂缝。该方法可以有效地检测出细小的裂缝，但激光扫描路径的选取不同，会影响位移读数的稳定性。

针对复杂背景下裂缝难提取的问题，本文提出基于海森矩阵联合旋转矢量不变性的局部裂缝生长方向连接算法。利用同一条裂缝在局部生长方向上的一致性以及裂缝细长的结构特征，在充分考虑裂缝形态特征和空间分布的基础上，利用多重滤波技术完成裂缝的提取工作。

与传统的Otsu相比，该算法能够保留更多灰度变化较小的裂缝，使得更多的裂缝细节能够保留。利用改进的Otsu算法虽然能够实现裂缝区域的粗提取，但保留下来的裂缝不连续，污渍、附着物等干扰导致裂缝细节丢失，同时带入了很多团状的噪声。因此，为了解决以上问题，本文提出了基于生长方向的裂缝拼接算法。

2 基于生长方向的裂缝拼接算法

2.1 基于旋转矢量不变性的去噪算法

图像二值化以后，图像中保留下的噪声很多。根据裂缝细长的结构特点，通过计算每一个连通域的最小面积外接矩形，可以有效地去除干扰保留裂缝，算法流程如下：

（1）统计图像中每一个连通域边界线的点集，并计算点集的多边形凸包。

（2）计算凸包的所有边与相邻边的夹角α，选取第一条边作为起始边。结合距离该边最远点，计算外接矩形。

（3）逆时针旋转α到相邻边，计算邻边所对应的外接矩形。以此类推，可以得到每一条边所对应的外接矩形。

（4）比较同一个连通域各边所对应的外接矩形的面积大小。面积最小的即为该连通域的最小外接矩形，如图3所示。

（5）计算外接矩形的长边所对应的斜率，并将其作为该连通域的斜率，便于后续判断相邻连通域是否沿着同一个方向生长。

从裂缝提取的效果来看，不同算法处理得到结果差异较大。由于K-means聚类算法对孤立的噪声比较敏感，且不易选取k值和初始聚类中心点，导致分类效果差。文献[2]中的算法在利用滑动窗口寻找的裂缝种子点时，引入了部分噪声点，因此，在渗流的过程中会保留较多的斑点和划痕，不利于裂缝的提取。二维最大熵值法采用灰度和邻域平均灰度构成的二维直方图选择阈值，使得非裂缝区域的熵值很大，导致凝土砂浆粘结等干扰无法进行有效地去除。本文算法对噪声采取了分批处理。首先，通过海森矩阵对图像进行增强，可以使得灰度突变区域得到锐化;其次，对增强后的图像使用改进后的Otsu算法进行分割，得到含有噪声的二值图像;再次，利用旋转矢量不变性算法去除图像中团状噪声。此时，保留下来的裂缝多为片段，但很难与噪声进行区别。通过裂缝拼接算法可以将裂缝化零为整，并根据整体的走向，利用斜率和面积排除其他干扰，最终实现了裂缝的完整提取。对比发现该算法具有较高的提取精度。

3.3 实时性分析

表2列出了4种算法在7幅图像中的处理时间。

从表2可以看出：本文算法的处理效率高于其他3种算法;K-means聚类算法和文献[2]算法在对像素点进行分类时，多次的循环迭代，增加了耗时;本文算法通过改进的Otsu算法完成图像分割，并结合局部区域裂缝拼接算法实现裂缝的快速提取，因此在检测中具有较高的实时性。

4 结论

本文针对光照不均、背景复杂的桥梁裂缝图像展开了裂缝特征提取算法的研究，利用海森矩阵特征值，结合改进的Otsu算法滤除了背景中的部分噪声，通过基于旋转矢量不变性的局部裂缝连接方法，有效地保留了不连续的裂缝片段，解决了提取过程中裂缝遗漏的问题，提高了检测精度，缩短了检测时间，为复杂背景下图像裂缝提取提供了一种新思路。

参考文献：

[1]高珊，王茜，任腾先，等.组合加固受损钢筋混凝土简支T梁抗剪性能试验[J].科学技术与工程，2019，19（24）：371-378.

[2]安世全， 曹悦欣， 瞿中. 多因子判定与渗流模型相结合的裂缝检测算法[J]. 计算机应用， 2019，39（1）：281-286.

[3]周亚群， 黄梦崖， 邓林. 基于数字图像的裂缝特征参数检测与分析[J].低温建筑技术，2018，40（12）：4-7.

[4]DINH T H， HA Q P， LA H M. Computer vision-based method for concrete crack detection[C]//14th International Conference on Control， Automation， Robotics and Vision （ICARCV）. New York： IEEE， 2016：1-6.

[5]XIAO Y N， LI J Y. Crack Detection algorithm based on the fusion of percolation theory and adaptive canny operator[C]//37th Chinese Control Conference （CCC）. New York： IEEE， 2018： 4295-4299.

[6]TIAN B Z， XU S N， LI Z H. Glassware crack defects detection based on wavelet transform[C]//Chinese Automation Congress （CAC）. New York： IEEE， 2017：4954-4958.

[7]LI W J， ZHANG M， SHEN Z H， et al. Track crack detection method in complex environment[C]//11th International Symposium on Computational Intelligence and Design （ISCID）. New York： IEEE， 2018：356-359.

[8]YANG Z L， XU X Y. An improved crack detection algorithm based on characteristics of texture analysis and gravity model[C]//9th International Conference on Intelligent Human-Machine Systems and Cybernetics （IHMSC）. New York： IEEE， 2017：271-275.

[9]裘國永， 李丽， 李良福， 等. 基于自适应亮度高程模型的路面阴影消除算法研究[J]. 轻工学报，2018，33（1）：79-87.

[10]YUSOF N A M， OSMAMN M K， NOOR M H M， et al. Crack detection and classification in asphalt pavement images using deep convolution neural network[C]//8th IEEE International Conference on Control System， Computing and Engineering （ICCSCE）. New York： IEEE， 2018：227-232.

[11]谭小刚，张洪伟.基于小尺度分形维数的裂缝图像分割方法[J].公路交通科技，2018，35（5）：34-39.

[12]郭立媛，张磊，李威，等.基于先验知识MinMax K-means聚类算法的道路裂缝研究[J].中国测试，2018，44（4）：112-117.

[13]李鹏， 赵芬芬， 杜敏. 基于双树复小波的直方图路面裂缝检测算法[J].安徽大学学报（自然科学版），2018，42（1）：38-44.

[14]GIRI P， KHARKOVSKY S. Detection of surface crack in concrete using measurement technique with laser displacement sensor[J]. IEEE Transactions on Instrumentation & Measurement， 2016， 65（8）：1951-1953.

[15]赵婷婷， 赵凤展， 巨云涛， 等. 基于定常海森矩阵的配电网三相最优潮流模型[J].电力系统自动化，2018，42（15）：11-17.

[16]OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems， Man， and Cybernetics， 1979， 9（1）：62-66.

（责任编辑：周晓南）