手机版
您的当前位置: 好论文网 > 科技论文 > 基于MATLAB的道路裂缝识别研究

基于MATLAB的道路裂缝识别研究

来源:科技论文 时间:2021-01-02 点击: 推荐访问:科技论文

【www.ho59.com--科技论文】

基于MATLAB的道路裂缝识别研究   摘要:提出一种基于MATLAB的道路裂缝识别方法,在对道路裂缝图像灰度化的基础上,利用最大类间方差法提取可能存在的道路裂缝,再对图像进行形态学操作,去除图像中的非裂缝区域,最后用凸包对裂缝区域进行标识,得到图像中实际存在的裂缝区域。在采集到的道路裂缝图像的实验结果表明,提出的方法可以准确地标注道路裂缝。   关键词:图像处理;道路裂缝;OTSU;裂缝提取   中图分类号: TP391 文献标识码:A   文章编号:1009-3044(2020)30-0191-03   Abstract: A road crack recognition method based on MATLAB is proposed. On the basis of road crack image graying, the possible road cracks are extracted by OTSU method, and then the non crack areas in the image are removed by morphological operation on the image. Finally, the crack area is identified by convex hull, and the actual crack area in the image is obtained. The experimental results demonstrated that the crack can be labeled in the proposed method.   Key words: image processing, road crack, OTSU, crack extraction   21世纪以来,随着我国经济的飞速发展,关系到整个国民经济及人民生活的重要物理设施之一的道路交通也展开了大规模的建设。道路面积的大幅增长同时带来了相关的道路养护问题。这些问题最初可能只是一条小小的裂缝,但是如果没有得到及时修缮,随着时间的推移,小问题可能会变得无法简单修补,甚至于带来不必要的灾难,给人类、物资带来不可挽回的损失。近几年来,道路裂缝的检测和识别技术已经得到了较为广泛地应用,然而如何快速、准确地地检测出道路可能存在的裂缝仍是数字图像领域研究的热点。   1 研究现状   国外经济的稳步推进为数字图像处理的发展从软、硬件双方面提供了有力支撑,因此,国外关于数字图像处理技术发展得比较早,并且在道路裂缝智能检测上也取得了一定的研究成果,如有学者提出了基于最短路径选择的模型方法[1]。国内关于道路裂缝的检测从最初的基于人工或计算机辅助的半人工检测状态,到现在的智能路面检测系统的研究,可以看出也取得了一定的成绩,如有学者提出关于自适应的无监督裂纹检测的方法[2],还有学者提出的深度卷积神经网络模型的分析方法[3]等,但在道路裂缝自动化检测与识别方面仍然有很大的空间,需要进一步研究改进。   2道路裂缝图像预处理   基于MATLAB的道路裂缝识别过程中,一方面需要确定是否有裂缝,另一方面需要对确定的裂缝进一步检测和标记。在获取到含有道路裂缝的原始图像之后,首先需要对道路裂缝图像进行预处理,具体包括:图像灰度化、二值化、滤波、形态学处理等,使图像质量提高之后进一步进行裂缝定位、分割提取裂缝及标记裂缝等。   本次研究的所有实验均在MATLAB R2014a下完成。   2.1 图像灰度化   通过图像采集设备采集到的道路裂缝图像通常是RGB彩色图像,这种图像由红(R)、绿(G)、蓝(B)三个颜色通道的颜色叠加而成,图像中每个像素的RGB分量都是分布在[0, 255]之间的一个值。图像灰度化则是将每个像素都只用一个通道分派[0, 255]之间的强度值。图像灰度化能够屏蔽一些无关信息造成的干扰,使得后续的图像处理更方便,得到的结果更准确,而且转换成灰度图之后,因为对图像的操作元素减少,所以图像处理的速度会有一定的提升。常用的图像灰度化方法有以下几种:   (1)最大值法   最大值法是将彩色图像中的三分量亮度的最大值作为灰度图的灰度值,计算方法如公式(1)所示:   2.2 图像二值化   对道路裂缝图像进行灰度化处理之后,接下来需要对图像做进一步处理,即提取裂缝,因此需要引入合适的分割算法提取裂缝区域。提取裂缝区域属于图像分割的范畴,就是将一幅数字图像分割成不同的区域,在同一区域内具有在一定准则下可认为是相同的性质,如灰度、颜色等。本实验中的裂缝就属于某种条件下的同一区域,因此可以采用图像分割技术中的基于阈值的分割技术来提取裂缝。由于图像中的目标裂缝和背景差距较为明显,本实验中采用图像二值化的方法分割裂缝。   图像二值化的方法有全局阈值法和局部阈值法。全局阈值法是在整个图像中采用同一个阈值对图像进行二值化,将灰度化的图像中的像素值大于这个阈值的像素置1、小于这个阈值的像素置0[4-5]。   图像全局阈值二值化有很多方法,本实验中采用OTSU法、即最大类间方差法对图像进行二值化。这种算法可以自适应求得图像分割阈值,根据这个阈值将图像分为两部分,能够使类间方差最大的这个阈值就是用来分割图像的阈值。具体原理如下:   2.3图像连通域标记与筛选   图像二值化后,目标区域为黑色,背景区域为白色。通过观察二值化后的道路裂缝图像,可以看出,图像中的裂缝区域已经比較清晰,但由于在采集到的原始图像局部存在颜色较深的斑点,导致二值化后的图像中仍然存在大小不一的黑色斑点。尽管利用传统的滤波方法可以去除部分斑点,但是由于滤波算法是对整个图像进行的,会干扰到目标裂缝区域,因此需要采用其他方法去除斑点。   本实验中,采用对二值化得到的图像直接进行连通域标记,然后删除部分小面积的连通域的方法来去除图像中的斑点。所谓连通域标记,是指对属于同一个连通区域的所有像素分配相同的编号,对不同的连通区域分配不同的编号。通过连通域标记,可以使二值图像每一个连通区域拥有独立的编号。实验中我们采用bwlabeln()函数进行连通区域的标记操作,它支持任意维数的二值图像。为了尽可能去除小面积的连通区域,本次实验采用4-连通类型进行标记,并用regionprops()函数计算连通域的面积,同时对图像中连通域的面积进行了筛选。实验中分别测试了删除面积小于10、20、30和40个像素连通区域。为了效果更明显,在连通域标记前对图像进行了取反操作,num分别取值10、20、30和40,具体实现代码如下:   2.4 图像数学形态学处理   经过连通域标记、删除小面积连通区域的操作后,尽管图像中只保留了裂缝区域,但是裂缝区域形态不够理想,下面将对图像进行形态学处理以便更好地恢复裂缝形态。图像数学形态学又称图像代数,是一种传统的图像分析方法[6]。其主要思想是:设定一个特定的结构元素,用这个结构元素遍历整个图像,提取与该结构元素一样的形态,再做后续的分析处理。   数学形态学运算有四个最基本的操作,即:腐蚀、膨胀、开运算以及闭运算。其中,膨胀是对二值化物体边界点向外部扩张的过程,它将与物体接触的所有背景点都合并到该物体中,它的效果是“生长”或“粗化”一幅二值图像中的目标。因此,如果两个物体之间的距离较近,则膨胀运算可能会把两个物体之间的空洞连通到一起。   2.5 裂缝区域标记   道路裂缝一般可以分为线性裂缝和非线性裂缝,非线性裂缝一般指网状裂缝,这种裂缝的参数主要是它的分布面积。目前计算网状裂缝分布面积使用较普遍的方法就是求网状裂缝的外界矩形——这种方式求出的近似分布面积在裂缝某些部位较为突出的情况下会远大于实际分布面积。为了更精确地计算裂缝分布面积,本实验中对网状裂缝分布面积的计算是计算目标像素点的凸包,利用凸包的面积来近似代替网状裂缝的分布面积。   3 总结   本实验通过计算机处理图像的方法对采集到的道路裂缝图像进行处理,最终将图像中的裂缝区域定位、标记,可以更加方便、快捷地发现道路裂缝的问题,便于对其进行及时的修缮处理,节省了人工成本,提高了效率,可以解决很多潜在的安全隐患。另一方面,在实际应用过程中,可以添加不同的步骤实现裂缝识别,例如由于图像采集的环境不同,在采集到的图像可能会有不同程度的噪声,可以根据实际情况在预处理的步骤中添加滤波操作;如果采集到的图像有阴影,在图像二值化的过程中,可以考虑采用局部阈值的方法进行二值化,以便凸显不同区域的裂缝;如果图像中存在大小不一的斑点,可以考虑删除不同面积的连通域以便得到效果更好的目标图像等。   参考文献:   [1] Amhaz R,Chambon S,Idier J,et al.Automatic crack detection on two-dimensional pavement images:an algorithm based on minimal path selection[J].IEEE Transactions on Intelligent Transportation Systems,2016,17(10):2718-2729.   [2] 程丰.基于计算机视觉的路面裂纹检测研究[D].北京:北京交通大学,2018.   [3] 柏嘉洛.基于深度学习的端到端道路裂缝检测技术研究[D].武汉:华中科技大学,2019.   [4] 王鑫,齐建玲,赵振.基于图像处理路面裂缝自动化检测及识别关键问题研究[J].北华航天工业学院学报,2015,25(2):26-28.   [5] 沈海洋.基于改进Retinex的图像增强算法[J].微型电脑应用,2019,35(6):144-146.   [6] 马常霞,赵春霞,胡勇,等.結合NSCT和图像形态学的路面裂缝检测[J].计算机辅助设计与图形学学报,2009,21(12):1761-1767.   【通联编辑:唐一东】

本文来源:http://www.ho59.com/kejilunwen/202101/100548.html

推荐内容

好论文网 www.ho59.com

Copyright © 2002-2018 . 好论文网 版权所有 京ICP备10015900号

Top

Warning: Invalid argument supplied for foreach() in /www/wwwroot/www.ho59.com/caches/caches_template/default_bq/content/show.php on line 249