本發(fā)明涉及圖像處理領域，更具體地，涉及基于Prewitt算子的路面裂縫識別方法及系統(tǒng)。

背景技術：

目前，公路路面主要破損形式之一是路面裂縫，其中，我國高速公路裂縫類型主要是橫向和縱向裂縫。若能在裂縫出現(xiàn)的初期就發(fā)現(xiàn)，并跟蹤其發(fā)展情況，那么路面維護費將大大降低，同時保證高速公路的行車安全。因此，對公路的路面狀況進行定期的調查及養(yǎng)護極其重要。

路面裂縫檢測方式從最初的人工檢測方式開始發(fā)展；隨著圖像處理技術的應用，將車載采集裝置和圖像處理技術結合，應用于路面裂縫檢測，使得檢測效率得到很大改善。近年來，無人機技術得到快速發(fā)展，與之結合的應用得到極大豐富，結合于無人機采集方式的路面裂縫檢測裝置，相較于其他的方法，具有快速高效、視場大以及存儲數(shù)據量有所下降的優(yōu)勢。但是相比于車載采集圖像，存在路旁景物、車輛、電線以及陰影等干擾，且噪聲也十分豐富。

常用的裂縫識別方法主要集中于邊緣檢測、閾值分割、紋理分析和連通域分割等的應用，除此之外，還有機器學習以及模糊集的運用。但是目前已有的這些方法基本都是針對車載采集裝置圖像的基礎進行檢測發(fā)展，不能適用于干擾和噪聲更加豐富的航拍圖像。因此，為了結合航拍采集方式的一系列優(yōu)勢使裂縫檢測高效便捷，設計一種能應用于航拍圖像的路面裂縫檢測算法是亟待解決的問題。

技術實現(xiàn)要素：

本發(fā)明提供一種克服上述問題或者至少部分地解決上述問題的基于Prewitt算子的路面裂縫識別方法及系統(tǒng)，主要應用于航拍圖像的路面裂縫識別。

根據本發(fā)明的一個方面，提供一種基于Prewitt算子的路面裂縫識別方法，包括：

S1，對輸入的路面圖像進行第一圖像處理，以剔除路面以外的區(qū)域，獲得路面區(qū)域圖像；

S2，對所述路面區(qū)域圖像進行第二圖像處理，以剔除路面分界線；

S3，對路面裂縫進行初步識別和精確識別，獲取路面裂縫數(shù)據。

S1中所述第一圖像處理進一步包括：

S1.1，利用直方圖變換對所述路面圖像灰度值進行變換處理后，利用HSV空間閾值分割方法提取所述路面圖像的顏色突變邊界；

S1.2，根據預先設定的區(qū)域生長算法的生長準則對所述路面圖像中路面區(qū)域和非路面區(qū)域進行分割，得到路面區(qū)域圖像。

S2中所述第二圖像處理進一步包括：

S2.1，根據所述路面區(qū)域圖像灰度差異對路面與路面分界線進行初次分割，通過形態(tài)學灰度運算處理進行二次分割，以剔除路面分界線。

S3中所述對路面裂縫進行初步識別進一步包括：

S3.1，基于Prewitt算子對剔除路面分界線后的路面區(qū)域圖像進行鄰域卷積處理，以檢測路面裂縫邊緣，對檢測到的路面裂縫邊緣進行形態(tài)學濾波處理；

S3中對路面裂縫進行精確識別進一步包括：

S3.2，選擇路面裂縫區(qū)域；

S3.3，對選擇的路面裂縫區(qū)域擬合離散曲線，根據預設權重閾值進行約束處理；

S3中計算路面裂縫長度進一步包括：

S3.4，根據圖像像素坐標和實際路面的道路長度進行換算，計算裂縫長度和/或裂縫寬度，并在圖像上顯示相關信息。

根據本發(fā)明的另一個方面，提供一種基于Prewitt算子的路面裂縫識別系統(tǒng)，包括路面識別模塊、分界線剔除模塊和裂縫識別模塊，

路面識別模塊，用于對輸入的路面圖像進行第一圖像處理，以剔除路面以外的區(qū)域，獲得路面區(qū)域圖像；

分界線剔除模塊，用于對所述路面區(qū)域圖像進行第二圖像處理，以剔除路面分界線；

裂縫識別模塊，用于對路面裂縫進行初步識別和精確識別，獲取路面裂縫數(shù)據。

本申請?zhí)岢龅幕赑rewitt算子的路面裂縫識別方法及系統(tǒng)，利用直方圖均衡化增強、HSV顏色空間閾值分割以及區(qū)域生長方法對公路路面和路旁景觀分割，濾除路旁等一系列無用圖像，提取包含裂縫信息的單通道路面，使裂縫檢測干擾減少；利用形態(tài)學濾波剔除車道分界線區(qū)域以及Prewitt算子識別路面的裂縫片段，逐步去除路面區(qū)域的部分干擾和噪聲，初步檢測路面裂縫信息；利用擬合離散點曲線并結合人眼輔助觀察，對識別裂縫選擇并計算其長度，定量輸出，方便與實際標準對比。

尤其是，對于航拍圖像，本申請克服了無人機采集方式造成的圖像處理困難，能應用于高空運動背景和場景復雜的路面裂縫檢測，相較于常用的各種裂縫檢測算法具有更強的適用性，獲得更好的航拍圖像識別裂縫效果。本發(fā)明應用于航拍裂縫檢測上，不僅可以為觀察者提供裂縫目標更突出的圖像，而且可以對裂縫長度做定量分析，為后續(xù)道路維護提供參考依據。

附圖說明

圖1為本發(fā)明基于Prewitt算子的路面裂縫識別方法流程圖；

圖2為本發(fā)明航拍圖像路面裂縫識別實施例示意圖；

圖3為本發(fā)明基于Prewitt算子的路面裂縫識別系統(tǒng)示意圖。

具體實施方式

下面結合附圖和實施例，對本發(fā)明的具體實施方式作進一步詳細描述。以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

如圖1所示，基于Prewitt算子的路面裂縫識別方法，其特征在于，包括：

S1，對輸入的路面圖像進行第一圖像處理，以剔除路面以外的區(qū)域，獲得路面區(qū)域圖像；

S2，對所述路面區(qū)域圖像進行第二圖像處理，以剔除路面分界線；

S3，對路面裂縫進行初步識別和精確識別，獲取路面裂縫數(shù)據。

S1中所述第一圖像處理進一步包括S1.1和S1.2。

S1.1，利用直方圖變換對所述路面圖像灰度值進行變換處理后，利用HSV空間閾值分割方法提取所述路面圖像的顏色突變邊界；

具體處理為：

首先，利用圖像映射函數(shù)s＝T(r)對輸入圖像灰度值進行變換，將原始圖像的灰度r通過T(r)從而處理為s使得輸出直方圖G(s)在整個灰度s∈[s₀,s_k]中均勻分布，目的是提高路面區(qū)域和非路面區(qū)域的對比度，為后續(xù)路面區(qū)域的分割做準備。

假設圖像為行列N×M的矩陣，圖像灰度級分布不同數(shù)值的數(shù)目為k，映射s＝T(r)是像素灰度變化的單調函數(shù)，輸入直方圖H(r)和輸出直方圖G(s)存在對應關系式：

通過直方圖均衡化后得到的G(s)所對應的均衡化概率密度定義為γ，在每個確定的圖像中γ是常數(shù)，其含義是在[r₀,r_k]的灰度級別中將對應的像素點求平均值，表達式為：

其中，NM表示圖像中像素總數(shù)。

將式(2)帶入式(1)左側，用γ替換G(s)。在連續(xù)的概率密度圖像中，得到比較精確的均勻化直方圖為：

通過上述處理后，像素灰度映射函數(shù)s＝T(r)為：

其中，積分被稱為累積的直方圖，在實際處理中積分部分一般通過累加近似求和，等同于離散的分布函數(shù)。

離散的情況中，將連續(xù)像素處理近似表示為：

式(1)(2)(3)(4)(5)中各符號，H(r)表示輸入的直方圖，MN表示圖像中像素總數(shù)，r∈[r₀,r_k]表示輸入灰度級范圍，s∈[s₀,s_k]表示輸出灰度級范圍，k為圖像灰度級分布不同數(shù)值的數(shù)目，為直方圖x軸的分布區(qū)間。

從式(5)可以看出，經過直方圖均衡化處理之后，原來比較少像素的灰度會被分配到別的灰度去，像素相對集中，處理后灰度范圍變大，對比度變大，清晰度變大，有效增強局部的對比度而不影響整體的對比度。

其次，根據定義兩種顏色之間的距離，即兩種顏色之間的相似程度，再結合顏色的突變以及像素在空間上的位置，利用像素點i至像素點j的顏色梯度，提取顏色突變的邊界。

根據HSV顏色空間劃分的定義，亮度大于x₁％并且飽和度大于x₂％為亮彩色區(qū)域，亮度小于(1-x₁)％為黑色區(qū)域，亮度大于x₁％并且飽和度小于x₂％為白色區(qū)域，其他為彩色區(qū)域，其中，x₂<x₁，優(yōu)選的，

x₂＝75％，x₁＝20％

計算兩點間顏色的距離的邏輯變量a_i為：

式中，當a_i為0時表示像素點i為黑色或白色，其他情況下a_i都為1。

像素點i和像素點j的色調差為；

式中，a_j的含義同a_i，h_ij為像素點i和像素點j的色調差。

兩點飽和度距離t_ij為：

t_ij＝|t_i-t_j| (8)

式中，t_i和t_j表示像素點i和像素點j的飽和度。

點i和點j的顏色距離D_ij為：

式中，v_i和v_j分別代表像素點i和像素點j的亮度值，表示黑色點和白色點的顏色距離只與該點亮度有關系，與色調和飽和度無關。θ₁和θ₂是色調因子和飽和度因子，分別控制色調和飽和度在圖像分割中的作用大小。增大θ₁值可使不同顏色目標之間的邊界區(qū)分明確，而增大θ₂值則可使相同顏色中不同飽和度區(qū)域之間的距離變大。

結合顏色的突變以及像素在空間上的位置，利用像素點i和像素點j的顏色梯度，提取顏色突變的邊界，點i到點j的顏色梯度算子為：

通過卷積模板在待分割圖像上做卷積運算，計算顏色分量的梯度圖像，設定閾值對梯度圖像二值化。優(yōu)選的，設置HSV空間S通道閾值為10，進行圖像梯度二值化得到道路區(qū)域粗分割結果。

S1.2，根據預先設定的區(qū)域生長算法的生長準則對所述路面圖像中路面區(qū)域和非路面區(qū)域進行分割，得到路面區(qū)域圖像。

具體處理為：

區(qū)域生長是根據預先定義的生長準則像素或子區(qū)域集合成較大區(qū)域，選擇一個或者一些“種子”作為生長區(qū)域，然后把滿足預先定義規(guī)則的像素歸到“種子”區(qū)域中，并標記這些滿足規(guī)則的種子。

假設區(qū)域集合表示為G，對每一個區(qū)域再劃分成個數(shù)為N的小區(qū)域，每一個小區(qū)域表示為R_i，i＝1，2，…，N，區(qū)域R_i的鄰域個數(shù)為p，則該區(qū)域的鄰域集合為：

區(qū)域R_i與其鄰域的相似度函數(shù)為：

式中，β為非負權值，x_m為中每個區(qū)域灰度均值，為集合內所有區(qū)域的灰度均值。

相對歐氏距離O_i表達式為：

式中，為區(qū)域R_i的每個相鄰區(qū)域的平均灰度值。

選取其中的最大值通過以上條件選擇出圖像中的種子區(qū)域，若選擇出的種子區(qū)域相鄰，則可將二者合并為一個種子區(qū)域。

以種子區(qū)域為起點，已生長的區(qū)域個數(shù)為n(從1開始算起,每增長一個區(qū)域則數(shù)量加1)，判定準則為：

其中，為種子區(qū)域的灰度值，σ²為方差，為待測區(qū)域的灰度均值；

如果T值足夠小，則可認為待測區(qū)域與種子區(qū)域相似，可以納入到目標區(qū)域中；若果T值太大，則不能納入，以此生長準則來對道路區(qū)域精分割。優(yōu)選的，設置差值ΔT值為0.02。

S2中所述第二圖像處理包括S2.1。

S2.1，根據所述路面區(qū)域圖像灰度差異對路面與路面分界線進行初次分割，通過形態(tài)學灰度運算處理進行二次分割，以剔除路面分界線。

具體處理為：

首先根據圖像的成像質量，選擇RGB顏色中的一個通道進行分割路面分界線。

例如，當B通道圖像質量較好、辨識度較高時，可選擇B通道進行分割。優(yōu)選的，設置B通道閾值為144進行灰度分割，分離出路面分界線。

當R通過圖像質量較好、辨識度較高時，也可選擇R通道進行分割；同理當G通過圖像質量較好、辨識度較高時，也可選擇G通道進行分割；

選擇不同的顏色通道時，根據具體圖像質量和處理需要，設置其通道閾值對圖像進行灰度二值化處理。

其次，進行形態(tài)學處理，設置m*n的矩形結構元素b，設f(x,y)為輸入圖像，b(x,y)是矩形結構元素，則用結構元素b對輸入圖像f進行灰度形態(tài)學基本運算為：

灰度膨脹運算：

灰度腐蝕運算：

(fΘb)(x,y)＝max{f(x+i,y+i)-b(i,j)|f(x+i,y+j)∈f,b(i,j)∈D_b} (16)

灰度開運算：

灰度閉運算：

通過對車道分界線的提取，利用圖像乘法剔除圖像中分界線部分，得到圖像結合后的剔除分道線圖像，若道路區(qū)域原圖為f，篩選分道線圖像為g，則將兩圖像按下式進行圖像乘法運算：

F＝f*g*Mult+Add (19)

其中，f為路面區(qū)域原圖，g為篩選分界線圖像，Mult為圖像乘數(shù)，Add為圖像加數(shù)。

優(yōu)選的，所述矩形結構元素b為5*5的矩陣，Mult的取值為0.006，Add的取值為0。

S3的處理進一步包括S3.1，S3.2，S3.3和S3.4。

S3.1，基于Prewitt算子對剔除路面分界線后的路面區(qū)域圖像進行鄰域卷積處理檢測路面裂縫邊緣，對檢測到的路面裂縫邊緣進行形態(tài)學濾波處理。

具體處理為：

首先，結合Prewitt算子對道路區(qū)域圖像處理，利用像素點上下、左右鄰點的灰度差，在邊緣處達到極值檢測邊緣，去掉部分偽邊緣，在圖像空間利用兩個方向模板與圖像進行鄰域卷積來完成的，這兩個方向模板一個檢測水平邊緣，一個檢測垂直邊緣。兩個卷積計算模板為：

采用范數(shù)衡量梯度的幅度|G(x,y)|≈max(G_x,G_y)處理，檢測裂縫的階躍邊緣信息。

其次，針對Prewitt算子檢測出的邊緣易出現(xiàn)多像素寬度現(xiàn)象，通過形態(tài)學濾波對檢測結果進行多次閉運算，消除雜亂噪聲，突出裂縫邊緣。

所述形態(tài)學濾波處理，通過標記長連通區(qū)域的裂縫，在閉運算過程中，將雜亂的路面噪聲不斷被濾除，使裂縫被細化，連接鄰近物體、平滑其邊界的同時并不明顯改變其面積。

濾除路面噪聲的判斷準則包括：

第一準則:S_con<T_c

第二準則：l_max<T_m

第三準則：S_con/S_cir>T_cc

其中，S_con為連通域面積，即該連通域中像素個數(shù)，S_cir為連通域外接圓面積，S_box為連通域可旋轉最小包圍矩形面積，l_max為連通域可旋轉最小包圍矩形較長邊長，l_min為連通域可旋轉最小包圍矩形較短邊長，T_c、T_m和T_cc為預設閾值；

針對不同場景圖像、不同目標，所需閾值不同。優(yōu)選的，T_c＝100，T_m＝20，T_cc＝0.9。

滿足第一準則和/或第二準則的表明面積和長度過小連通域，則認為是紋理噪聲連通域，可判定為非裂縫區(qū)域，應濾除；第三準則是針對形狀近似圓形的連通域，滿足第三準則的形狀特征的連通域也可判定為非裂縫連通域，應濾除。以此進行對Prewitt算子檢測效果的改進，完成偽裂縫的去除。

S3.2，選擇路面裂縫區(qū)域；

S3.2的處理是通過人眼輔助觀察，選擇裂縫存在區(qū)域，進一步提取出邊緣輪廓XLD(亞像素輪廓)。

S3.3，對選擇的路面裂縫區(qū)域擬合離散曲線，根據預設權重閾值進行約束處理；

利用最小二乘擬合的方法擬合離散曲線，采樣Huber權重函數(shù)對遠離離散曲線的離群值進行識別，精確提取裂縫像素；

所述Huber權重函數(shù)為：

其中，τ表示距離閾值，δ為相鄰曲線距離。

根據圖像裂縫識別效果以及各個相鄰曲線距離δ，包括噪聲干擾以及裂縫目標，選擇合適閾值對其進行約束。

當點到曲線距離小于等于一個閾值τ時，賦予權重為1，當點到曲線距離大于閾值時，權重函數(shù)等于距離的倒數(shù)乘以閾值，距離越遠，值越小。優(yōu)選的，τ＝3。

S3.4，根據圖像像素坐標和實際路面的道路長度進行換算，計算裂縫長度和/或裂縫寬度，并在圖像上顯示相關信息。

所述相關信息包括道路長度、裂縫數(shù)量以及各段裂縫長度和裂縫寬度的信息。

本發(fā)明提供了一種基于Prewitt算子的航拍路面裂縫識別方法，利用直方圖均衡化增強、HSV顏色空間閾值分割以及區(qū)域生長方法對公路路面和景觀分割，提取包含裂縫信息的單通道路面；利用形態(tài)學濾波剔除車道分界線區(qū)域以及Prewitt算子識別路面的裂縫片段；利用擬合離散點曲線并結合人眼輔助觀察，對所識別裂縫選擇并計算其長度。

如圖2所示，為本發(fā)明對航拍圖像路面裂縫進行識別的實施例示意圖，包括如下步驟：

步驟1：航拍路面圖像，作為本發(fā)明所述方法的處理圖像。

步驟2：為本發(fā)明所述方法S1，對航拍圖像進行直方圖變換、HSV空間閾值分割及區(qū)域生長分割處理，分離路面區(qū)域與非路面區(qū)域。

步驟3：為本發(fā)明所述方法S2，對步驟2處理后的圖像進行灰度分割，具體按哪個灰度進行分割需要根據圖像質量決定，然后進行以灰度運算為主的形態(tài)學處理，剔除路面中的分界線。

步驟4：為本發(fā)明所述方法S3，利用Prewitt算子檢測路面裂縫邊緣，通過連通域算法去除路面?zhèn)瘟芽p；之后再經過人工輔助確定裂縫區(qū)域，對人工確定的裂縫區(qū)域進行精確提取，獲取路面裂縫；進一步根據圖像坐標和實際路面尺寸比例計算裂縫長度和/裂縫寬度。

步驟5：輸出裂縫圖像及相關信息，包括道路長度、裂縫數(shù)量以及各段裂縫長度和裂縫寬度的信息。

對于航拍圖像，本發(fā)明可以克服無人機采集方式造成的圖像處理困難，能應用于高空運動背景和場景復雜的路面裂縫檢測，相較于常用的各種裂縫檢測算法具有更強的適用性，獲得更好的航拍圖像識別裂縫效果。本發(fā)明應用于航拍裂縫檢測上，不僅可以為觀察者提供裂縫目標更突出的圖像，而且可以對裂縫長度做定量分析，為后續(xù)道路維護提供參考依據。

如圖3所示，本發(fā)明還提供一種基于Prewitt算子的路面裂縫識別系統(tǒng)，包括路面識別模塊、分界線剔除模塊和裂縫識別模塊，

路面識別模塊，用于對輸入的路面圖像進行第一圖像處理，以剔除路面以外的區(qū)域，獲得路面區(qū)域圖像；

分界線剔除模塊，用于對所述路面區(qū)域圖像進行第二圖像處理，以剔除路面分界線；

裂縫識別模塊，用于對路面裂縫進行初步識別和精確識別，獲取路面裂縫數(shù)據。

本發(fā)明基于Prewitt算子對路面圖像進行運算處理，主要包括三個步驟，其一，區(qū)分路面區(qū)域與非路面區(qū)域，其二，剔除路面分界線，其三，識別路面裂縫。在每個處理步驟中，運用不同的算法對圖像數(shù)據進行處理分析，設置不同的閾值對數(shù)據進行初次處理和精確處理，并引入人眼識別的處理，結合自動化和人工處理，實現(xiàn)對路面裂縫的精確識別和定量計算。

本發(fā)明所選用的算法尤其適用于數(shù)據量大、干擾噪聲多的航拍圖像的路面裂縫識別，解決了現(xiàn)有技術的不足。

最后，本申請的方法僅為較佳的實施方案，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。