桥梁裂缝特征的图像提取方法研究.docVIP

桥梁裂缝特征的图像提取方法研究 　　摘 要 桥梁裂缝严重危害着桥梁安全，裂缝信息的监测与报警对桥梁的安全运营具有重要的意义。通过分析多种边缘算子，测算图像裂缝边缘特征，比较并分析裂缝边缘特征的提取效果。实验结果表明，通过SOBEL算子能够得到较好的裂缝特征，为进一步的裂缝特征统计分析及测量提供数据基础。 　　【关键词】桥梁裂缝 图像处理 边缘 检测算子 　　桥梁裂缝的人工测定方法误差较大，效率较低，因此裂缝的判断与测量通常采用图像识别方法。裂缝图像的最主要特征是图像的边缘信息。对图像的边缘信息的检测是进行裂缝识别的最主要方法。图像边缘最主要检测手段是对原始图像以像素为单位，构造其邻域的边缘算子的过程。 　　图像的边缘数据在图像灰度数据集中表现为起落较大，通过频域变换后属于高频分量。零交叉（Zero- Crossing）边缘检测是是图像边缘提取的常用方法，该方法的检测原理如下：图像突变的过程是在其一阶导数中存在一个峰，其二阶导数中存在一个零交叉；图像强度的变化尺度各不相同，因此可通过必选不同的检测算子以取得较优的检测效果。 　　1 图像特征概述 　　图像的边缘是图像的最基本的特征。图像处理和匹配的基础是进行图像边缘特征的提取，进而推到出图像的其他特征。 　　图像的边缘的两个基本参数是延伸方向和幅度。其具有以下特性：沿着边缘延伸走向，图像像素的灰度值变化比较平缓；而垂直于边缘走向，则变化比较剧烈。图像边缘上的像素的灰度值的一阶导数值较大，其二阶导数值为零，表现为零交叉现象。 　　2 边缘特征提取算子分析 　　边缘特征提取主要是利用某种或某几种特定额算法对图像的像素值进行运算，得出目标与背景之间的交界线。灰度分布梯度是用来体现灰度的变化，因此，利用局部图像进行图像灰度的微分运算可以获得边缘信息，图像微分算法可认为是边缘检测算子。 　　经典的边缘检测算子有：Roberts、Sobel、Prewitt、Canny、Laplace of Gaussian等。 　　2.1 罗伯特（Roberts）边缘检测算子 　　Roberts算子是利用局部差分值寻找边缘的算子，采用对角线方向的相邻像素之差作为近似梯度幅值。即： 　　离散化后，可以用垂直方向的两个卷积算子 　　=，=得到x、y方向的灰度梯度数据。 　　利用，，计算出图像的灰度梯度值R（i，j），设置合适的门限值TH，进行运算判断R（i，j）TH，满足判断条件的像素点位置（i，j）为边缘点。{R（i，j）}边缘提取后的边缘图像结果。 　　该算子的边缘检测效果在水平和垂直方向要优于倾斜方向，水平方向或垂直方向定位精度也较高，但对噪声源响应较为剧烈。 　　2.2 索贝尔（Sobel）边缘检测算子 　　该算子以像素为单位，计算图像逐个像素相邻点的灰度加权差值，再比较相邻点的权值。该算子定义如下： 　　则： 　　离散化，设定合适的门限值T，进行如下运算判断：S（i，j）TH，图像坐标位置点（i，j） 为边缘点，{S（i，j）} 为边缘提取后的边缘图像结果，Sobel边缘检测算子能够生成较好的检测效果，对背景噪声的响应较为不敏感。同时检测运算区域越大，其抗噪效果越好，但计算机的运算量越大。 　　2.3 Prewitt边缘检测算子 　　Prewitt算子基于边缘样板，该样板由理想的边缘子图组成。通过依次匹配边缘样板和原始图像，找到与原图最接近的样板图输出，所输出的样板记为该算子的输出。 　　则 　　设定合适的门限值TH，进行如下运算判断：P（i，j）TH，图像坐标位置点（i，j）为边缘点。{P（i，j）}为边缘提取后的边缘图像结果。 　　2.4 Laplacian of Gaussian（LoG）算子 　　Laplacian of Gaussian算子是将高斯滤波和拉普拉斯边缘检测结合在一起，也称之为拉普拉斯高斯算法。LoG算子的输出h（i，j）是通过卷积运算得到的： 　　2.5 坎尼（Canny）算子 　　Canny算子基于高斯函数的一阶微分，是一种多级边缘检测算法。其计算过程包含以下步骤： 　　（1）利用高斯滤波器对被处理图像进行滤波。 　　（2）通过一阶微分差分卷积函数进行滤波运算，使得边缘增强，得出每个象素的梯度大小|G|和方向θ。 　　（3）对梯度进行“非极大抑制”。 　　（4）作双线性阈值运算。 　　3 边缘算子实例结果对比 　　利用上述检测算子对示例裂缝图像进行边缘提取运算，其结果如图1所示。 　　从图1检测结果中可以看出：Roberts算子的定位精度高，但对噪声较为敏感；Prewitt算子边缘较宽，间断点较多；LOG算子对细线和孤立点的效果较好；Canny边缘算子易受噪声影响，必须与理想滤波器结合使用才能够获得理想的边缘