基于MATLAB的道路缺陷自动识别

1 背景

道路缺陷的类别包括路面结构性破损和功能性破损，而路面结构性破损是最常见的，

可以细分为龟裂、块裂、网裂、纵裂和横裂。研究和设计一套道路缺陷检测技术，开发高效、快速、准确的道路缺陷自动识别系统具有重要的理论和现实意义。虽然基于数字图像处理的路面破损检测 和识别技术在国外已经有所发展，但是由于路面图像的复杂特性，数字图像处理算法仍在研究。

本文针对附件所提供的道路缺陷图像，运用 MATLAB 图形图像处理工具箱进行图形处理，包括图像的预处理，图像分割，图像特征提取，图像边缘检测等，并得到了预期效果。在分析比较传统方法对道路缺陷图像增强效果及不足之处的基础上，通过对实验分析，选用了梯度倒数加权平均滤波算法，它能有效地平滑图像背景、消除大部分噪声。在图像分割中，根据不同缺陷图像，分别进行了边缘检测和灰度阈值分割，提出了随机游动分割方法进行坑槽图像的分割，得到了较为满意的结果。

对缺陷图像进行特征提取，并分析计算了评判道路缺陷的特征参数，包括平均缝宽、裂缝宽度、块度、面积。采用 BP 神经网络的方法对缺陷图像进行模式识别，对识别的结果及学习率进行了深入讨论。

关键词：道路缺陷；破损检测；梯度倒数加权平均算法；随机游动分割算法；BP 神经网络

2. 分析方法与过程

2.1. 总体流程

本次建模主要包括 3 个模块，分别是数据库查询模块、图像处理模块、参数计算模块。其中数据库查询模块主要实现从前端数据库读取缺陷图像，以及图像处理完成并且参数提取以后的参数统计等功能；图像处理模块主要实现图像灰度变换、图像去噪、图像分割等功能；参数计算模块主要实现对缺陷图像类型的判断，以及对线性裂缝长度的计算和网状裂缝的面积计算等功能，具体实现过程如图 1 所示。

图 1 缺陷图像自动识别实现过程

2.2. 具体步骤

2.2.1 缺陷图像预处理

(1) 灰度变换

图像在形成、传输和记录的过程中，会由于成像系统、传输媒介和记录设备的不完善，使图像质量下降，形成退化图像，造成比较差的视觉效果和计算机处理上的困难。影响图像质量下降的因素包括成像系统和环境以及成像特点等，因此很难用一个显式的数学表达式来表征。

因此，如果可以找出背景信号，用原始图像减去背景就可以纠正灰度不均这一问题。

从以上分析可以看出，关键在于背景图像的提取。在实际应用中，我们很难直接得到没有裂缝的背景，有时即使能得到，在时间轴上面的位置相距比较大，光照分布也往往不均匀。

经分析，我们考虑对背景子集双线性插值的方法来抽取拟合背景，算法步骤为：

由原图像求取背景子集。对原图像分块，每块取一个背景点。光照不均在

整幅图像表现明显，但在局部可以认为是近似均匀的。

Step 1

由子集做插值得到背景图像。由于图像的灰度变化是一个渐变的过程，考

虑利用双线性插值来对四个相邻的像素进行插值，因为这样产生的表面是连续的。

( 2) 图像去噪

中值滤波是一种非线性处理技术，能抑制图像中的噪声，由于它在实际运算过程中并不需要图像的统计特性，所以使用比较方便。它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的像素数很少，而图像则是由像素数较多、面积较大的小块构成。

中值滤波法虽然可以很好的去除图像中的孤立的噪声点，但是在抑制噪声的同时，也会对图像的边缘及细节有比较大的损害，使图像的边沿及细节变模糊。基于此，在本次挖掘建模中，提出一种梯度倒数加权平均滤波算法。

在一帧离散图像中，图像在一个区域内的灰度变化要比在区域之间的变化小，在边缘处的梯度绝对值要比在区域内部的梯度绝对值高。在一个n n 的窗口内，若把中心像素点与其各邻点之间的梯度绝对值的倒数定义为各邻点的加权值，则在区域内部的邻点，加权值最大；而在一条边缘附近的和位于区域外的邻点，加权值最小。这样对加权后的邻域进行局部平均，可使图像得到平滑，又不至于使边缘和细节明显模糊。为使平滑后像素的灰度值在原图像的灰度范围内，应采用归一化的梯度倒数作为加权系数。

从图中可以看出，算法对图像噪声的滤除有一定效果，平滑了背景中的部分噪声，一些细小的噪声已经被去除，大的噪声也有一定的减弱，并且保留了裂缝的边缘信息，在一定程度上有较好效果，尤其对裂缝和背景差别较大的图像效果会更明显。

(3 ) 图像增强

直方图是多种空间域处理技术的基础。直方图操作能够有效地应用于图像增强。灰度直方图的模型化处理，是指将图像的灰度值按照规定的灰度分布进行变换处理。这种变换方法适用于图像对比度较差、过于明亮或者过于黑暗，以及图像的灰度分布集中在明、暗两端的情况。直方图均衡化是其中一种非常有效的方法。也就是说，变换后的图像灰度值的分布是均匀的，所以图像的整体对比度得到了改善。应用数学公式来描述直方图均衡化如下：

其中， g(x,y)为变换后图像的灰度值， u为变换前图像的灰度值， v为灰度分布频度，vmin为灰度分布频度的最小值， INT为取整。对图像严重裂缝 01.jpg，分别给出路面的原始直方图和均衡化后的直方图。

2.2.2 缺陷图像分割

(1 ) 边缘检测

图像边缘对图像识别和计算机分析十分有用。边缘能够勾划出目标物体，使观察者一目了然；边缘蕴含了丰富的内在信息，是图像识别中重要的图像特征之一。从本质上，图像边缘是图像局部特性不连续的反映，它标志着一个区域的终结和另一个区域的开始。

由于路面裂缝灰度变化更大，可以采用边缘检测的方法，对路面裂缝进行识别。对于路面裂缝检测来说，边缘检测算法在很大程度上影响着识别和检测的效果与精度。最简单的边缘检测方法是对原始图像按像素的某领域构造边缘检测算子。目前，提取边缘常用的方法主要包括：模版匹配法、曲面拟合法、边缘算子法等。

边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是对原始图像中像素的某小邻域来构造边缘检测算子。

图 9 网裂图像 5 种经典边缘检测效果比较

从图中可以看出，Ro 算子提取边缘的结果边缘较粗，边缘定位不很准确，Sobe 算子和 算子对边缘的定位就准确了一些，采用拉普拉斯高斯算子进行边缘提取的结果要明显优于前三种算子，特别是边缘比较完整，位置比较准确。相比而言，Ca算子提取的边缘最为完整，而且边缘的连续性很好，效果优于以上其他算子，这主要是因为它进行了“非极大值抑制”和形态学连接操作的结果。

上面几种基于微分的经典边缘提取算子，它们共同的优点是计算简单、速度较快，缺点是对噪声的干扰都比较敏感。在实际应用中，由于图像噪声的影响，总要将经典的算法进行改善结合其他一些算法对一幅含噪声的图像进行处理，然后再采用经典的边缘提取算子提取图像边缘。

( 2) 阈值分割

图像灰度直方图的形状是多变的，有双峰但无明显低谷或者是双峰与低谷都不明显，而且两个区域的面积比也难以确定的情况经常出现，采用最大方差自动取阈法往往能够得到较满意的结果。

( 3) 基于随机游动方法的道路缺陷图像分割

随机游动的前提是游动前需要确定种子点，来确定随机游动的终点，否则只能无止境地游动而不能被吸收。但是由于路面图像的数量较多，需要分析大量的图片才能知道路面的损坏情况，所以采用人工交互的方式确定种子点的方法是不可行的，这就要求通过分析图像自动确定种子点的位置。针对道路坑槽的区域性特点，提出如下算法：

因为最终图像将被分割成背景和目标，所以需要两类种子点分别代表目标和背景。通过仔细分析路面坑槽的图像可以知道，坑槽属于块状病害，它在图像中的特点是：病害成块出现，形成一个不同于路面背景的区域。这就决定了坑槽区域的像素值区别于其他区域的像素值，并且坑槽内部像素分布均匀。根据这一特点，首先对路面图像采用分块的方法得到路面图像的特征子图，再对特征子图采用投影法来确定坑槽的大致位置，找到目标内的种子点。

具体做法是：

首先根据不均匀图像中包含的信息比较多，比如目标与背景分界处的图像块，而评价某区域信息是否丰富的简单合理依据是判断方差是否足够大，并且坑槽的边缘基本是连续的，这样就使得图像的特征子图在 x方向和 方向上方差较大的值集中在一个区域，基于此，我们在y x和 方向上分别对坑槽特征子图做投影，取每行和每列的最大值。y 由于坑槽的边缘出现较大的灰度变化，那么所在子块的方差较大，所以方差较大的点是我们重点研究的对象。但是，我们需要去掉离群点，才能比较容易地确定坑槽的大体位置.

从图像分割结果可以看出来，在图像质量不高，噪声影响较大的情况下，随机游动可以清晰地分出路面坑槽图像，随机游动的方法在分割路面图像中体现了其优越性。

2.2.3 缺陷图像特征提取

目前，在图像特征提取方面已经有了很成熟的理论如纹理特征、几何特征、统计特征，并且现在还不断地有新的理论在产生，例如，数学形态特征、分形特征、投影特征、三维特征等。路面裂缝特征的提取主要包括缺陷类型的判断以及平均缝宽、长度、面积的计算等。如何快速、准确地提取出这些参数，是研究的一个重点，也是一个难点。

( 1) 裂缝类型的初级判断

裂缝类型主要分为网状裂缝、块状裂缝、横向裂缝和纵向裂缝。为研究的方便，本文将网状裂缝和块状裂缝划分为网状裂缝，将横向裂缝和纵向裂缝划分为线性裂缝。常用的裂缝判别方法主要是投影法，但是该方法对于网状裂缝的判断误差较大，所以本文采用一种阈值判定的方法，有效地减小了类型判断的误差。

本文判别路面裂缝类型的步骤：

step1 根据设定阈值判断裂缝为网裂还是线性裂缝；

step2若是网裂，则根据块度判断是轻微网裂还是严重网裂；若不是网裂，则进

行 ；

step 3根据投影判别法判断裂缝是纵向裂缝还是横向裂缝，并根据平均缝宽识别其是轻微裂缝还是严重裂缝。

3. 结论

随着我国经济的快速发展，公路的建设也取得了巨大成就，同时，随着我国道路网络体系的日趋完善，为了提高公路使用寿命，公路的养护工作就变得越来越重要，仅仅依靠传统的人工检测公路破损情况的方法已经不能适应公路的发展需要了，因此，公路路面破损的自动检测和识别系统的研究与开发就显得极为迫切，是目前在模式识别领域研究的热点和难点。

本次数据挖掘建模的目标是根据所采集到的道路缺陷图像，包括裂缝、网裂、龟裂、坑槽四种类型，运用图像处理技术，对不同道路缺陷类别进行特征提取，并采用数据挖掘技术进行模式识别，最终实现缺陷类型的自动识别。在建模过程中，我们运用 MATLAB的图像处理工具箱，进行道路缺陷图像的预处理、图像分割等研究，特别地，我们提出了随机游动分割算法对坑槽图像进行图像分割，与其他分割方法相比，此算法具有分割背景清晰、快速的特点，以及各类评价参数的计算，通过实验，可以看出，基于 神经网络的道路缺陷图像的模式识别具有较高的识别准确率和识别效率。