毕业设计（论文）_基于图像处理的公路裂纹检测方法研究与实现

毕业 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 （论文）_基于图像处理的公路裂纹检测 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 研究与实现 石家庄铁道大学四方学院毕业设计 基于图像处理的公路裂纹检测方法研 究与实现 Research and Implementation of Road Crack Detection Method Based on Image Processing 20 届 电气工程 系 专 业 电子信息工程 学 号 学生姓名 指导老师 完成日期 20 年 月 日 毕业设计成绩单 学生姓名 学号 班级 专业 电子信息工程 毕业设计题目 基于图像处理的公路裂纹检测方法研究与实现 指导教师姓名 指导教师职称 讲师 评 定 成 绩 指导教师 得分 评阅人 得分 答辩小组 得分 组长 成绩: 院长(主任) 签字: 年 月 日 毕业设计任务书 题 目 基于图像处理的公路裂纹检测方法研究与实现 学生姓名 学号 班级 专业 电子信息工程 导师 导师 承担指导任务单位 电气工程系 讲师 姓名 职称 一、主要内容 1. 公路裂纹图像的特点; 2. 公路裂纹图像预处理的基本算法(频域和时域); 3. 公路裂纹图像的阈值分割; 4. 公路裂纹图像的缺陷检测; 二、基本要求 1. 熟练掌握Matlab工具箱的运行环境及其仿真编程语言; 2. 掌握图像预处理的基本算法，从而完成公路裂纹图像的预处理; 3. 熟悉图像阈值分割的方法，从而根据公路裂纹图像的特点选择适合的阈值分割的方法; 4. 对不同种类的缺陷采用相应的算法进行缺陷检测，并采用指定的技术指标进行衡量，对比分析出适用于实际检测的算法。 三、主要技术指标及研究方法 软件环境:Matlab工具箱 设计论文以图像处理的基本方法作为本设计的支持，同时也要包括对含有公路裂纹图像进行预处理、阈值分割和缺陷检测的源程序清单，应提供程序结构的描述，应用部分的算法或实现技巧以及关键理论等的说明。在理论上实现基于图像处理的公路裂纹检测;完成的仿真应能在指定的环境下运行，应有一定数量的实验数据，并给出仿真结果和评价。论文正文不少于1万字，查阅文献资料不少于10篇，其中外文文献2篇以上，翻译与课题有关的外文资料不少于3000汉字。 四、应收集的资料及参考文献 收集关于图像处理，以及Matlab工具箱的使用等方面的资料和参考文献。 五、进度 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 第1周—第3周 收集资料，完成开题报告; 第4周 需要和可行性调试; 第5周—第7周 概要设计; 第8周 中期检查; 第9周—第12周 详细设计和代码设计; 第13周—第14周 论文审核定稿; 第15周—第16周 答辩。 教研室主任签字 时 间 毕业设计开题报告 题 目 基于图像处理的公路裂纹检测方法研究与实现 学生姓名 专业 电子信息工程 学号班级 一、研究现状 随着我国高速公路建设的快速发展，高速公路路基路面的质量监控体系越来越完善，要求的检测水平也越来越高。由于车辆在速级公路上行驶时，对路面的平整度、路面完好率要求很高，当路面出现凹凸、裂纹等病害时，应及时进行维修;否则，交通安全就会受到影响。目前，国内检测高速公路路况的手段主要是依靠人工丈量的方法，不但效率低、劳动强度大、检测速度慢、误差较大，不能满足高等级公路检测的要求，而且在高速公路上进行人工检测十分危险。CCD摄像机作为一种光电图像传感器，已广泛应用于几何尺寸测量、光谱测试、位移测量、速度测量、天文观测等领域。将CCD技术应用于高等级公路路况的检测，可解决人工丈量所存在的缺陷和不足。 二、研究背景 数字图像处理就是随着计算机技术的发展而迅速发展起来的。计算机的高速运算能力为数字图像处理提供了技术支持，使数字图像处理在工业中得到了广泛的应用。数字图像处理技术的应用是实现路面裂纹检测的最有效方法之一。近几年来国内外许多学者将数字图像处理技术运用到物体表面裂纹检测中并取得了较好的效果。如:PriyanGunat ilake设计的飞行器表面裂纹检测系统;J Pynn设计的道路表面裂纹自动检测系统;D.H.Ry u设计的疲劳裂纹检测系统;Atsushi Ito设计的混凝砖表面裂纹提取与测量系统;Paul W. Fieguth 设计的地下管道表面裂纹检测系统等。在路面裂纹检测中，由于路面噪声、油污和黑斑在形状和分布的随机性，使图像处理算法的准确性难以保证，所以复杂背景噪声条件下的图像识别技术显得格外重要。公路面裂纹自动检测与识别过程中，图像处理算法在很大程度上影响检测与识别的效果和精度。其中关键是对公路面裂纹图像进行边缘检测、图像分割来获得公路面裂纹的特性。 三、论文进行的主要工作 1. 采集路面裂纹图像，采集了损害程度严重的裂纹图像; 2. 针对图像预处理的问题，将每一个公路裂纹图像分检出来交给识别模块识别，这一过程称为图像预处理，预处理包括平滑、中值滤波、图像增强，对相关图像处理算法进行分析与讨论，并进行对比分析; 3. 图像分割采用的方法是最大熵阈值分割、迭代式阈值分割和Ostu法分割，通过仿真对比分析后选择Ostu法作为图像分割; 4. 总结过去路面检测中遇到的种种不理想情况，通过对公路面裂纹进行检测， 并结合数字图像的边缘检测采用的方法是 Canny 边缘检测、LOG算法和Prewitt算子，小波多尺度检测。检测后的图像进行处理，也能够很好地获得公路面裂纹的特性。 四、采用的方法、手段 1. 图像预处理的具体方法，一是图像的增强，即增强构成图像像素，具体方法是灰度变换增强、高通滤波增强和灰度直方图均衡化，二是图像的平滑，即有均值滤波平滑、中值滤波平滑和同态滤波平滑;三是图像锐化，有拉普拉斯锐化、高斯滤波锐化和Sobel算子锐化。 2(图像分割就是把图像空间分成一些有意义的区域，在此次的研究中将采用的分割 方法是最大熵阈值分割、迭代式阈值分割和Ostu法阈值分割。 3(数字图像边缘检测采用的方法是 Canny 边缘检测、LOG算法和Prewitt算子检测，小波多尺度检测。 五、预期达到的结果 1(完成了MATLAB工具箱的运行环境及其仿真编程语言; 2(完成了图像增强、图像的平滑、图像锐化的基本算法，从而完成公路裂纹图像的预处理。 3(完成了图像分割的方法; 4(完成了图像的边缘检测，采用不同算法进行边缘检测，并对比分析出适用于实际检测是小波多尺度检测进行边缘检测。 指导教师签字 时 间 年 月 日 摘 要 随着我国高速公路建设的快速发展，高速公路路基路面的质量监控体系越来越完善，要求的检测水平也越来越高。因此本设计提出了基于图像处理的公路裂纹检测方法研究与实现。 根据图像处理的公路裂纹检测方法研究与实现的基本原理，以数字图像处理方法为研究内容，在图像预处理、图像分割、图像边缘检测处理方面进行了研究，并结合公路裂纹图像的固有特点，利用Matlab程序仿真实现了公路裂纹自动检测方法的研究。图像预处理包括:图像增强、图像平滑和图像锐化。其中图像增强采用的方法是灰度变换增强、高通滤波增强和灰度直方图均衡化;图像平滑，采用均值滤波平滑、中值滤波平滑和同态滤波平滑;图像锐化采用，拉普拉斯锐化、高斯滤波锐化和Sobel算子锐化。图像分割采用的方法是最大熵阈值分割、迭代式阈值分割和Ostu法;边缘检测采用的方法是 Canny 边缘检测、LOG算法、Prewitt算子检测和小波多尺度检测。 通过比较在预处理中选择了灰度变换增强、选择了中值滤波平滑、Sobel算子锐化并利用Ostu法阈值分割法进行分割;最后用了小波多尺度检测进行检测，在路面裂纹检测方法与研究中可以较好的实现路面裂纹图像的检测。 关键词:数字图像处理 路面裂纹 图像增强 图像分割 边缘检测 Abstract With the rapid development of our country highway construction, highway roadbed quality monitoring system is more and more perfect,the requirements of the detection level is becoming more and more high.So the design proposes research research and lmplementation of road crack detection method based on lmage processing. Road crack detection method research and implementation of the basic principle based on image processing research the content of image processing,compose of image preprocessing,image segmentation, image edge detection processing,combined with the inherent characteristics of road crack image,use the Matlab simulated and implemented design of highway crack automatic detection method..Image preprocessing including:image enhancement,image smoothing and image sharpening.Image enhancement methods adopt high-pass filtering,gray-scale transformation enhancement and gray histogram equalization; The image smooth,use median filter smoothing,median filtering, smoothing and homomorphic filtering;Image sharpening,Laplace sharpening,gaussian filtering,sharpening and Sobel operator sharpening.Image segmentation cover the maximum entropy threshold segmentation method,iterative threshold segmentation and the Ostu method;Edge detection methods include Canny edge detection,the LOG algorithm and Prewitt operator,and the wavelet multi-scale detection. By comparing in the preprocessing choose gray level transformation,median filter smoothing, sharpening Sobel operator and use of Ostu segmentation as the image threshold segmentation method;Finally used the wavelet multi-scale detection test, can realize the road crack image detection in the study of road crack detection method. Key words:digital Image processing surface crack mage enhancement image segmentation crack classification 目 录 第1章 绪论 ????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 1 1.1 研究目的及意义 ??????????????????????????????????????????????????????????????????????????????????????????????????????????? 1 1.2 国内外研究现状 ??????????????????????????????????????????????????????????????????????????????????????????????????????????? 2 1.3 研究的主要内容 ??????????????????????????????????????????????????????????????????????????????????????????????????????????? 3 第2章 公路裂纹图像的预处理?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 5 2.1 公路裂纹的特点及图像处理质量评价 ???????????????????????????????????????????????????????????????????????????? 5 2.2 公路裂纹图像的增强 ???????????????????????????????????????????????????????????????????????????????????????????????????? 6 2.2.1 灰度直方图均衡化 ?????????????????????????????????????????????????????????????????????????????????????????????????? 6 2.2.2 灰度变换 ???????????????????????????????????????????????????????????????????????????????????????????????????????????????? 8 2.3 高通滤波增强 ????????????????????????????????????????????????????????????????????????????????????????????????????????? 8 2. 2.2.4 图像增强结果对比分析 ??????????????????????????????????????????????????????????????????????????????????????????? 8 2.3 公路裂纹的平滑 ??????????????????????????????????????????????????????????????????????????????????????????????????????????? 9 3.1 均值滤波平滑 ????????????????????????????????????????????????????????????????????????????????????????????????????????102. 2.3.2 中值滤波平滑 ????????????????????????????????????????????????????????????????????????????????????????????????????????10 2.3.3 同态滤波平滑 ???????????????????????????????????????????????????????????????????????????????????????????????????????? 11 2.3.4 图像平滑对比结果分析 ?????????????????????????????????????????????????????????????????????????????????????????? 11 2.4 公路图像的锐化 ??????????????????????????????????????????????????????????????????????????????????????????????????????????122.4.1 拉普拉斯锐化 ????????????????????????????????????????????????????????????????????????????????????????????????????????13 2.4.2 Sobel算子 ?????????????????????????????????????????????????????????????????????????????????????????????????????????????13 2.4.3 高斯滤波锐化 ????????????????????????????????????????????????????????????????????????????????????????????????????????14 2.4.4 图像锐化对比结果分析 ??????????????????????????????????????????????????????????????????????????????????????????14 第3章 公路裂纹图像的分割 ???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 16 3.1 图像分割描述 ??????????????????????????????????????????????????????????????????????????????????????????????????????????????16 3.2 最大熵阈值分割 ??????????????????????????????????????????????????????????????????????????????????????????????????????????17 3.3 迭代式阈值分割 ??????????????????????????????????????????????????????????????????????????????????????????????????????????17 3.4 Ostu法阈值分割 ??????????????????????????????????????????????????????????????????????????????????????????????????????????18 3.5 图像分割结果对比分析 ????????????????????????????????????????????????????????????????????????????????????????????????19 第4章 公路裂纹图像的边缘检测 ??????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 21 4.1 边缘检测论述 ??????????????????????????????????????????????????????????????????????????????????????????????????????????????21 4.2 传统的边缘算子?????????????????????????????????????????????????????????????????????????????????????????????????????????21 4.2.1 Canny边缘检测 ?????????????????????????????????????????????????????????????????????????????????????????????????????21 4.2.2 LOG算法检测 ???????????????????????????????????????????????????????????????????????????????????????????????????????22 4.2.3 Prewitt算子检测 ????????????????????????????????????????????????????????????????????????????????????????????????????23 4.3 小波多尺度边缘检测 ???????????????????????????????????????????????????????????????????????????????????????????????????24 I 4.4 图像边缘检测结果对比分析 ???????????????????????????????????????????????????????????????????????????????????????? 25 第5章 结论 ??????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 27 参考文献 ???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 28 致谢 ???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 29 附录 ???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 30 附录A 外文资料???????????????????????????????????????????????????????????????????????????????????????????????????????? 30 附录B 程序清单???????????????????????????????????????????????????????????????????????????????????????????????????????? 35 石家庄铁道大学四方学院毕业设计 第1章 绪 论 1.1 研究目的及意义 高速公路对国家和地区的经济发展起到了关键性的作用，俨然已成为衡量一个国 [1]家现代化程度的标志，近几年我国高速公路的建设十分迅速，据官方资料至2012年年底，我国高速公路总里程已经达到了4.1万公里，位居世界第二位，而在“十一五”期间全国又新建成高速公路2.4万公里，至此高速公路总里程达到6.5万公里。一大批高速公路的建成，为沿线地区的经济腾飞做出了巨大贡献，促进了国民经济的迅速发展，但是因为高速公路暴露于大气中，需长期承受着雨水的腐蚀、车辆的重压、人为的破坏等等，因此养护工作就显得格外重要，否则将严重影响到交通安全的状况。在公路养护中，路面裂纹是衡量道路质量最重要的一个指标，如果在裂纹出现的初期就能够及时的发现，并且对裂纹的发展情况给予实时的跟踪，那么公路的养护费将会极大的减少，同时还能够使得高速公路的行车安全得到保证。目前国内主要是依靠人工来检测高速公路的路况，已经不能够满足高速公路的检测要求，其主要的缺点有以 [2]下几点: (1)人力耗费过大:基于人视觉的检测需要依靠养护工人到现场，使用眼睛来观察，然而一条高速公路里程数相当可观，因此工人的劳动强度过大。 (2)时间耗费过长:虽然投入巨大的人力，但是由于是基于人的视觉特性，因此速度依然很慢。 (3)精确度不高:判断裂纹易受人的主观因素影响，因此判定结果会因人而异。 (4)影响正常的交通:检测路面病害时，需要将高速公路封闭，从而会影响到正常的交通。 (5)危险:尽管检测路面病害时是封闭了车道，但是依然存在潜在的人身安全隐患。 [3](6)花费过高:因为投入了巨大的人力和时间，所以花费很高。数字图像处理，又称计算机图像处理，这是因为在一般情况下是用计算机来处理，它是指先将图像信号转换成数字信号，然后再用计算机对其加工处理的技术。在二十世纪六十年代的初期，数字图像处理成为一门学科，早期的数字图像处理主要是为了提高图像的质量，从而可以大大改善人的视觉效果，从七十年代中期开始，人工智能、计算机技术伴随着图像处理技术的进一步的发展而得到快速的发展，数字图像处理的技术开始向着更高层次发展，即计算机视觉，这种技术是利用计算机来模拟人类的视觉神经系统，通 1 [4]过描述各种图像来理解外面的世界。数字图像处理主要研究的内容有:图像编码、图像增强、图像复原、图像分割，图像描述，图像识别等等。伴随着数字图像处理技术、大容量的存储器以及高性能CPU的不断发展，使得基于数字图像处理技术的路面裂纹检测技术成为可能，利用先进的图像采集技术，对公路路面图像采集，并将采集的数据存放到大容量的存储设备中，可以离线也可实时的对采集到的图像处理，当然如果是实时的处理图像，则会要求图像处理的算法更高效，相关的硬件设备性能更好。利用上述的新技术应用于公路裂纹的检测，不仅可以节省劳动力、去除人的主观因素影响，而且可以快速、准确地对公路的路况进行评价，显然是路面裂纹检测发展的必然趋势。综上所述基于数字图像处理技术的路面裂检测技术，是一门具有使用价值的高新兴技术。 1.2 国内外研究现状 高等级公路是国家现代化建设的重要基础设施，它不但是交通现代化的重要标志，也是国家现代化的标志。从1988年上海至嘉定高等级公路建成通车至今17年间，中国高等级公路总体上实现了持续、快速和有序的发展，特别是1998年以来，国家实施积极的财政政策，高等级公路得到快速发展，年均通车里程超过了4000公里，到2004年底，中国高等级公路通车里程已超过3(4万公里，继续保持世界第二。随着高等级公路里程的增加和使用时间的延长，公路的养护任务势必将越来越繁重;另外一方面，近年来许多公路建成后，受交通量迅速增长、车辆大型化、超载严重、行驶渠道化等影响，使高等级公路路面在使用过程中受到严重的考验。为使高等级公路逐步进入中修和大修期，养护工作必须向高科技、现代化方向发展。在整个公路养护工作中，路面养护工作是一个中心环节，这是因为路面是直接承受行车载荷和自然因素作用的结构层，关系着行车是否安全、快速、经济和舒适。因此，路面养护质量是公路养护质量考核的重点。 随着公路网的扩大，已有公路的养护问题日渐突出。由于车荷载作用、外界环境影响以及施工中存在的不足，路基路面必然会出现各种破损。路面破损对路面的承载能力、耐久性，对车辆的行驶速度、燃油消耗、行车舒适性、交通安全等造成不利的影响。裂纹类病害是公路路面的主要病害之一。路面裂纹是一种比较难估计的破损状态，如果能及早发现路面裂纹并及时处理，那么维护费用将大大降低。目前国内检测高速公路路况的手段主要是人工检测的方法，通常由现场调查人员对破损位置及面积进行测量和记录，然后对数据进行统计和归类，并进行存档，以供评判。人工检测方法效率低、工作强度大、检测速度慢、精度较低，并且在高速公路上进行人工检测时，检测人员的人身安全也受到了影响。因此，研究高速公路路面破损自动检测与识别技 石家庄铁道大学四方学院毕业设计 术，从而高效、快速、准确地对公路路况进行评价不但能够为公路管理和养护部门的决策提供科学的依据，还可以提高公路养护部门的工作效率，减轻公路养护人员的劳动强度，具有重要的意义。 数字图像处理的算法成千上万种，但是数字图像处理的对象和目的是各不相同的，在路面裂纹检测技术中，最为核心的是就是基于数字图像处理的路面裂纹检测算法，研究的对象主要就是路面裂纹，近些年来国内外为了研究路面裂纹的自动检测技术投入了大量的人力和物力，已经获得了大量的成果。 ，[56]常用的路面病害图像增强算法主要有均值滤波、中值滤波和自适应平滑滤波等等，但是这些算法缺乏对整幅图像的理解，并且不能很好的保持住裂纹的边缘。 [7]Chou等利用模糊技术对路面裂纹图像进行了增强，去除了不均匀光照引起的图像 [8]噪声，但是不能保持裂纹的边缘。马长霞等提出基于NSCT的路面裂纹增强算法，不仅可以去除由不均匀光照等引起的噪声，还可以保持裂纹边缘，但是算法运行时间过长，不能满足实时性的要求。 常用路面裂纹图像分割算法主要有基于边缘的分割算法(一阶梯度算子、二阶梯度算子 、canny 算子)，直方图法等，但是因为图像中的裂纹不明显而效果不佳。Tsai等提出OSTU阈值分割算法，但因为路面裂纹的背景和目标大小之比有时过小，使得类间方差有可能呈双峰性，从而使得OSTU法失效。周帆帆等提出使用区域增长的方法来分割，取得了不错的效果。 [9]熊和金等利用人工神经网络对裂纹进行分类，将网状裂纹的面积以及周长作为 [10]的输入特征。肖旺新等提出破损密度因子的概念，通过统计裂纹像素和背景像素的 [11]关系，然后利用人工神经网络进行识别分类，取得了良好的效果。王殉提出了基于人工神经网络的方法来判断路面的损害程度，结合了路面裂纹图像的灰度、纹理等特征，经实验证明该算法的效果远远好于人工判断的方法。闫茂德等基于数学形态学理论，设计了一套裂纹预处理、分割、检测、的方法，取得不错的效果。 1.3 研究的主要内容 本论文结合公路裂纹的特点，重点研究和对比实现图像处理的公路裂纹检测方法。研究的主要内容如下: (1)对公路路面裂纹图像预处理，采用了三种预处理方法:公路裂纹图像的增强，公路裂纹的平滑，公路图像的锐化。公路裂纹图像的增强用的方法有:灰度直方图均衡化、灰度变换、高通滤波增强，并进行了灰度增强的对比结果分析，最后选择灰度变换作为图像的增强。公路裂纹的平滑采用的方法有:均值滤波平滑、中值滤波平滑、同态滤波平滑，经过对比分析选择中值滤波作为平滑。公路图像的锐化采用的方法有: 3 拉普拉斯锐化、高斯滤波锐化、Sobel算子锐化，并进行了图像锐化的结果对比总结，选择Sobel算子作为锐化。 (2)图像分割就是把构成图像的各个要素即像素进行分类。其目的就是将图像细分为它的子区域或者对象。分割的方法取决于所要解决的问题。本章图像分割方法主要分以下几类:最大熵阈值分割、迭代式阈值分割、Ostu法阈值分割，最后进行图像分割结果对比分析，Ostu法阈值分割效果最好，所以选择Ostu法阈值分割。 (3)对图像进行边缘检测。图像的边缘是图像最基本的特征，边缘主要存在于目标与背景之间、目标与目标之间、基元与基元之间，是图像局部像素灰度变化最显著的部分。本设计对裂纹图像进行边缘检测的方法包括，传统的边缘算子:Canny 边缘检测、LOG 算子、Prewitt算子;小波多尺度检测，最后进行了图像边缘检测结果对比分析，得到小波多尺度检测效果最好，所以选择小波多尺度检测作为边缘检测。 石家庄铁道大学四方学院毕业设计 第2章 公路裂纹图像的预处理 2.1 公路裂纹的特点及图像处理质量评价 我国高速公路建设近年来取得了巨大的进步，但随之也出现了许多病害，如破损、裂纹、沉降等，其中裂纹是最常见，也是危害最大的一种。裂纹不仅影响路面美观、降低平整度，而且会影响整个道路的使用寿命，特别是当路面开裂后，雨水就会通过裂纹渗到路面基层、底基层甚至路基，这样会腐蚀混凝土路基，削弱基层、土基的强度，加速道路的破坏，缩短路面的使用寿命。因此，要及时对高速公路路面裂纹进行预处理。 目前对图像处理质量评价主要有两类常用的方法:一类是人的主观评价，它由人眼直接观察图像效果，这种方法受人为主观因素的影响比较大。目前由于对人的视觉系统性质还没有充分的理解，对人的心理因素还没有找到定量分析方法。因此主观评价 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 还只是一个定性的描述方法，不能作定量描述，但它能反映人眼的视觉特性。另一类是图像质量的客观评价。它是一种数学上统计的处理方法，其缺点是它并不是总能反映人眼的真实感觉。一种折衷的方法是在衡量图像“去噪”算法的优劣时，将主观与客观两种标准结合起来考虑。 主观评价通常有两种:一种是作为观察者的主观评价，这是由选定的一组人对图像直接用肉眼进行观察，然后分别给出其对所观察的图像的质量好或坏的评价，再综合全组人的意见给出一个综合结论。它只是一种定性的方法，没有定量的标准，而且受到观察者的主观因素的影响，评价结果有一定的不确定性。另一种是随着模糊数学的发展，可以用模糊综合评判方法来尽量减少主观因素的影响，实现对图像质量近似定量的评价，不过它仍然没有完全消除主观不确定性的影响，目前通用的图像处理质量评价主要有5级评分的质量尺度和妨碍尺度，如表2-1所示。 表2-1 图像主观评价尺度评分表 效果得分 质量尺度 妨碍尺度 非常好 丝毫看不出图像质量变坏 5 好 能看出图像质量变坏，不妨碍观看 4 一般 能清楚地看出图像质量变坏，对观看稍有妨碍 3 差 对观看有妨碍 2 非常差 非常严重地妨碍观看 1 5 图像客观质量评价方法是先计算出被评价图像的某些统计参数和物理参数，最常用的是图像相似度的测量。图像相似度的测量通常是用处理后的图像与原图像之间的统计误差来衡量处理图像的质量，常用的图像相似度测量参数有均方根误差(RMSE)和峰值性噪比(PSNR)，若RMSE越小(或PSNR越大)，则从统计意义上来说，被评价图像与原图像的差异越小，图像的相似度越高，获得的质量评价也就越高，此种方法适用于黑白图像及灰度图像的质量评价。 对于大小，量化级为0,255的图像: NM， (1)均方误差RMSE: ~M,11N,2f,f(),,i,ji,jj,oi,0RMSE, (2-1) M，N (2)峰值信噪比PSNR: 2255 (2-2) PSNR,10log10~M,1N,112(f,f),,i,ji,jMNj,0i,0 ~ f表示处理后的图像的灰度，f表示原始图像的灰度，PSNR单位为db。 i,ji,j 2.2 公路裂纹图像的增强 图像增强是指对图像的某些特征，如边缘，轮廓，对比度等进行强调或锐化，以便于显示，观察或进一步分析与处理。在获取图像的过程中，由于多种因素的影响，导致图像质量会有所退化。图像增强的目的在于: (1)采用一系列技术改善图像的视觉效果，提高图像的清晰度。 (2)将图像转化成为一种更适合于人或机器进行分析处理的形式。 增强的首要目标是使处理后的图像比原始图像更适合于特定应用。这里“特定”的意思很重要，所以图像增强的方法是因应用不同而不同的。例如，一种很适合增强X线射线图像的方法。不一定是增强由空间探测器发回的火星图像的最好的方法。 图像增强的最大困难是很难对增强结果加以量化描述。图像增强的通用理论是不存在的。这与没有衡量图像增强质量通用和客观的标准有关。增强的结果一般要靠人的主观感觉加以评价。因此，图像增强方法只能有选择地使用。 2.2.1 灰度直方图均衡化 直方图均衡化方法把原图像的直方图通过灰度变换函数修正为灰度均匀分布的 石家庄铁道大学四方学院毕业设计 直方图，然后按均衡直方图修正原图像。当图像的直方图为一均匀分布时，图像的信息熵最大，此时图像包含的信息量最大，图像看起来就显得清晰。该方法以累计分布函数为基础，其变换函数取决于图像灰度直方图的累积分布函数。它对整幅图像进行同一个变换，也称为全局直方图均衡化。直方图均衡化的具体步骤有如下三步: 第1步，根据公式(2-3)计算原图像的灰度直方图: ，，prk nk ，， (2-3) pr,,k,0，1,2？，255kn 以其中为原图像像素总数，表示第个灰度级， 表示图像中灰度级出现nrnrkkkk的像素的个数，表示灰度级出现的概率。 ，，rprkk 第2步，根据公式(2-3)计算原图像的灰度累计分布函数，并根据公式(2-4)求出sk 灰度变换表: kknj ，， (2-4) s,pr,,k,0,1,2？,255,,Kjn,0,0jj (2-5) g,s，225n，0.5kk 为第k个灰度级别变换后的灰度值，0.5的作用是四舍五入。 其中gk 第3步，根据灰度变换表，将原图像各灰度级映射为新的灰度级，即可完成直方图均衡化。 大多数自然图像由于其灰度分布集中在较窄的区间，引起图像细节不够清晰。采用直方图均衡化后可使图像的灰度间距拉开或使灰度均匀分布，从而增大反差，使图像细节清晰，达到增强的目的。 原图的灰度集中在较小区域以至于视觉无法分辨图像内容，经过直方图均衡化增强后，细节清晰可辨。 直方图均衡化方法有以下两个特点: (1)根据各灰度级别出现频率的大小，对各个灰度级别进行相应程度的增强，即各个级别之间的间距相应增大。 (2)可能减少原有图像灰度级别的个数，即对出现频率过小的灰度级别可能出现简并现象。 ii，1,,,,n，256n,n，256n,i,0,1,2？,255 (2-6) ,,,,,,jij,0j,0，，，， ，，i，1i只有满足公式(2-6)时，第个灰度才会映射到与第个灰度不同的灰度级别 ，，i，1i，，上，即第个灰度出现频数小于时都可能与第个灰度映射到同一个灰度n/256 级别上，即简并现象。直方图均衡化的简并现象不仅使出现频数过大的灰度级别过度增强，还使关注的目标细节信息丢失，未能达到预期增强的目的。 7 2.2.2 灰度变换 灰度变换是图像处理最基本的方法之一，灰度变换可使图像动态范围加大，图像对比度增强，图像清晰，特征明显，是图像增强的重要手段。灰度变换在图像复制中也称为层次校正，印刷制版中的层次校正就是对印刷图像在成像过程中，扫描系统、光电转换系统、印刷 工艺 钢结构制作工艺流程车尿素生产工艺流程自动玻璃钢生产工艺2工艺纪律检查制度q345焊接工艺规程 等诸多因素所造成的像质恶化进行校正，从而改善图像的质量。 图像的灰度变换又称为灰度增强，是指根据某种目标条件按一定变换关系逐点改变原图像中每一个像素灰度值的方法。即设原图像像素的灰度值，处理后，，D,fx,y图像像素的捉度值，则灰度变换可表示为: ，，D',gx,y (2-7) ，，，，,,，，gx,y,Tfx,y或D',TD 当灰度变换关系确定后，则确定了一个具体的灰度增强方法。，，，，D',TDD',TD通常是一个单值函数。 2.2.3 高通滤波增强 nD一个阶，截止频率为的巴特沃斯高通滤波器的传递函数为: 0 1 H(u,v), (2-8) 2n,,1，D/D(u,v)0 与巴特沃斯低通的一样，一般情况下，常取使最大值降到某个百分百的频率H 为巴特沃斯高通滤波器的切断频率。 图像经过高通滤波处理后，许多低频信号没有了，因此图像的平滑区基本上消失。对于这个问题可以用高频加强滤波来弥补。所谓高频加强滤波就是在设计滤波器传递 c函数时，加上一个大于0小于1的常数: '，，，， (2-9) Hu,v,Hu,v，c 用高频加强滤波可以取得比一般高通滤波效果好的增强图像。 2.2.4 图像增强结果对比分析 如表2-2和图2-2、图2-3和2-4所示为不同方法对图像进行增强后的仿真对比分析图。 由仿真结果图可以看出，如图2-2所示直方图均衡化后的图像对比度降低，细节轮廓方面模糊;如图2-3所示经灰度变换增强后的峰值信噪比PSNR较大且均方根误差RMSE较小，如图所示2-4而用高通滤波增强后图像的亮度变暗，不利于图像的观 石家庄铁道大学四方学院毕业设计 看。故综合选择图2-3灰度变换作为公路裂纹图像的增强处理。 表2-2 不同方法对图像增强后的PSNR和RMSE 图像增强方法 RMSE PSNR 灰度直方图均衡化 68.8322 11.3748 灰度变换 43.1246 15.4364 高通滤波 63.7815 12.0363 图2-1 原始图像 图2-2 灰度直方图均衡化后的图像 图2-3 灰度变换后的图像 图2-4 高通滤波增强后的图像 2.3 公路裂纹的平滑 任何一幅未经处理的原始图像，都存在一定程度的噪声干扰，噪声恶化了图像质量，使图像模糊，甚至淹没特征，给分析带来困难。图像平滑的主要目的就是去除或衰减混杂在图像上的噪声的干扰，改善图像的质量。图像平滑处理对图像细节是有衰减作用的，就同一种平滑方法而言，去除或衰减噪声的效果越好，图像就越模糊，即图像细节损失越多。因此，在对图像进行平滑处理的过程中，要二者兼顾。 路面裂纹图像中一般具有两类对象:一类是背景(状况良好的路面)，另一类是将要识别的目标(裂纹)，相对应的数字图像中具有两类像素集:一类是代表背景的像素;一类是代表裂纹的像素。在较理想的情况下，背景是肯定没有裂纹暗的，但实际情况由于受多种因素的干扰会有所改变，具体情况如下所述: (1)由于会受到不规则的路面缝隙、不均匀光照以及采集设备的影响，因此路面 9 裂纹图像中会有各种噪声; (2)路面裂纹图像的背景颜色存在着很大的不定性即变化性，这是因为路面材料具有不均匀的特性性，因而导致路面表面的纹理产生不均匀; (3)转换后得到的灰度路面裂纹图像中，未损坏路面的灰度值与裂纹部分的灰度值可能有重叠的部分; (4)路面裂纹图像中背景(即正常路面)的所有像素的数量远远大于目标(即裂纹)的所有像素的数量; (5)因为路面损坏的程度不同，所以路面裂纹的大小与面积也不尽相同，导致路面裂纹图像的颜色也有着比较大的变化，有的裂纹中还会出现一些大的诸如石子之类的物体，这些物体在路面裂纹图像中显示出的颜色可能会比图像的背景颜色更亮，同样会引起图像颜色的较大变化，但是从总体上看裂纹图像还是要比正常路面图像的暗。 为了能够更好的去除各种干扰对检测路面裂纹的所产生的影响，我们要对裂纹图像进行增强处理，为后续的分割和识别做好准备。 2.3.1 均值滤波平滑 均值滤波法也称做域平均法，其基本思想是在原图中将一个像素的灰度值和它周围相邻的像素的灰度值相加并且求得平均值，在新图中这个像素的新灰度值即为求得的平均值，是一种线性的滤波算法。均值滤波算法采用了模板计算的思路，在数学中模板运算其实就是卷积运算，用模板操作来完成一个邻域运算，某个像素点的最终运算结果不仅与其本身的灰度值相关，并且与其相邻的像素的灰度值也相关。假设一幅 ，，，，gx,yfx,y图像 为阵列，滤波后的图像为，则根据算法，运算公式如式(2-11)N，N 所示: 1，，，，gx,y,fi,j, (2-10) M，，i,j,s ，，x,y在式(2-11)中，SS代表以为中心的所有邻域像素点的集合;是内所有像M x素点的总数;，的取值范围为0~N-1。 y 2.3.2 中值滤波平滑 在有序的一系列表中，中值是位于中心的值。中值滤波是一种可以减少边缘模糊的非线性平滑技术，它的思想是将数字图像当前的点的值用域中各点的中值代替，即让图像中所有像素点与其邻域中每一个像素点按灰度值的大小来排序，该像素点的输 石家庄铁道大学四方学院毕业设计 出灰度值最终为排序后的中间灰度值，因为每一像素相邻的像素值最终都会很接近于真实值，从而可以消除掉孤立噪声点。 中值滤波算法的中心思想是:在图像中用一个滑动窗口逐点的滑动，此滑动窗口有奇数个点且窗口为方形或条形，将采样窗口内的像素点按像素值的大小进行排序，最后将窗口中心像素点的值设定为排序后的中值。假设原图像以(，)为中心，则xy中值滤波可用公式(2-11)所示: (2-11) ，，，，,，，,gx,y,Medfm,p,n,q,p,q,M 其中为滤波后的图像，为窗口的大小，就是窗口内像g(x,y)f(m,p,n,q)MM素灰度值，、为沿着窗口左上角开始的各个偏移中心点的位移。具体算法的步骤pq 如下所示: (1)设定窗口的大小，尽量设定为奇数的; (2)窗口每滑动到新的位置，立即记下此时中心像素点所在的位置; (3)按照从大到小的顺序，对上述窗口内的每一个像素点的按灰度值的大小进行排序; (4)每当产生一个新的灰度值序列时，记下此序列的中间灰度值; (5)窗口内的中心位置上的像素用步骤(4)中选择的灰度值替代，作为该像素新的灰度值。 2.3.3 同态滤波平滑 同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法，它依靠图像的照度反射率模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的质量。使用这种方法可以使图像处理符合人眼对于亮度响应的非线性特性，避免了直接对图像进行傅立叶变换处理的失真。 同态滤波的基本原理是:将像元灰度值看作是照度和反射率两个组份的产物。由于照度相对变化很小，可以看作是图像的低频成份，而反射率则是高频成份。通过分别处理照度和反射率对像元灰度值的影响，达到揭示阴影区细节特征的目的可用公式(2-12) 表示: ，，，，，，，，gx,y,exphx,y,exphx,y,exphx,y (2-12) fir 2.3.4 图像平滑对比结果分析 为了能够更好的去除各种干扰对检测路面裂纹的所产生的影响，要对裂纹图像进行图像平滑处理，为后续的锐化做好准备。图像平滑效果图，如表2-3和图2-6、图2-7和图2-8所示为不同方法对图像进行平滑后的仿真对比分析图。 11 表2-3 不同方法对图像平滑后的PSNR和RMSE 图像平滑方法 RMSE PSNR 中值滤波 4.2373 35.5890 均值滤波 7.4197 30.7231 同态滤波 63.7857 12.0363 图2-5 原始图像 图2-6 中值滤波平滑图像 图2-7 均值滤波平滑图像 图2-8 同态滤波平滑图像 由上述仿真结果图可以看出，如图2-6所示中值滤波后的图像更接近原始图像;经平滑后的PSNR较大且均方根误差RMSE较小，如图所示2-8而用同态滤波强后图像的亮度变暗，不利于图像的观看。故综合选择图2-7均值滤波作为公路裂纹图像的平滑处理。 2.4 公路图像的锐化 在图像处理中，为了去除图像噪声，通常使用图像平滑技术，但是图像经过平滑后或多或少会使图像中的边界、轮廓变的模糊。图像锐化的目的就是为了减少这类不利效果的影响，使图像的边缘、轮廓线以及图像的细节变的清晰，以便人眼和机器的识别。 平滑的图像变得模糊的根本原因是图像受到了平均或积分运算的原因，因此对图像进行逆运算(如微分运算)来使图像变得清晰。从频率域来考虑，图像模糊的实质是其高频分量被衰减，因此可以用高通滤波器来使图像清晰。从增强的目的看，它是与 石家庄铁道大学四方学院毕业设计 图像平滑相反的处理方法。本文研究了常用的拉普拉斯算子、Canny算子以及高通滤波法对公路裂纹图像进行锐化。 2.4.1 拉普拉斯锐化 拉普拉斯算子是一种线性锐化滤波器，它是一种二阶微分算子，强调图像中灰度的突变，突出细节。拉普拉斯算子是微分运算的线性组合，且是旋转不变性的线性运算。 2设原图像为，，，锐化后图像为，为拉普拉斯算子，则: fx,y,，，Destx,y 22,,2,,，22 (2-13) ,x,y 因为在图像中，微分就是差分。对于数字图像来讲，拉普拉斯算子定义为: ，，fi,j 222，，，，，， ,fi,j,,fi,j，,fi,j (2-14) xy 2 式中 ，，，，,,,，，，，,fx,yx,,,fi,j,,fi，1,j,fi,jxxxx ，，，， ,,fi，1，j,,fi,jxx ，，，，，，，，,fi，1,j,fi,j,fi,j，fi,1,i (2-15) ，，，，，，,fi，1,j，fi,1,j,2fi,j 2，，，，，，，，,fi,j,fi,j，1，fi,j,1,2fi,j类似的可以求得 (2-16) y 2所以 ，，，，，，，，，，,f,fi，1,j，fi,1,j，fi,j,1，fi,j，1,4fi,j ，，fx,y原数字图像，拉普拉斯锐化后为: ，，Destx,y ，，，，，，，，，，，， Destx,y,fx，1,y，fx,1,y，fx,y,1，fx,y，1,4x,y (2-17) 2.4.2 Sobel算子 ，，i,j，Sobel算子的基本思想是:以待增强的图像的任意像素为中心，截取一个33的像素窗口，如图2-3所示。分别计算窗口中心像素在方向上的梯度: x,y ,,，，，，，，,,，，，，，，s,fi，1,j,i，2fi，1,j，fi，1,j，1,fi,1,j,1，2fi,1,j，fi,1,j,1 x 13 ,,，，，，，，,,，，，，，，s,fi,1,j，i，2fi,j，1，fi，1,j，1,fi,1,j,1，2fi,j,1，fj，1,j,1y (2-18) ，，，，，，fi,1,j,1fi,1,jfi,j,1 ，，，，fi,j，，fi,j,1fi,j，1 ，，，，，，fi，1,j,1fi，1,jfi，1,j，1 图2-3 Sobel算子图像窗口 ，，增强后图像在i,j处的灰度值为 22 (2-19) g,S，Sxy x可以看出，Sobel算子在计算方向和方向上的梯度时，不像普通梯度算子那y 样只用两个像素灰度差值来表示，而是采用两列或者两行像素灰度加权和的差值来表示，这使得Sobel算子具有如下两个优点: (1)由于引入了加权平均，因而对图像中的随机噪声具有一定的平滑作用。 (2)由于Sobel算子采用间隔两行或者两列的差分，所以图像中边缘两侧的像素得到增强。Sobel算子得到的锐化图像的边缘显得粗而亮。 2.4.3 高斯滤波锐化 高斯滤波锐化是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波锐化就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。 引入高斯滤波锐化函数为: 22,x，y 122,,，，hxy,e2 (2-20) 2,, 该函数各向同性，其曲线是草帽状的对称图，该曲线对整个覆盖面积求积分为1。高斯滤波的思路就是:对高斯函数进行离散化，以离散点上的高斯函数值为权值，对我们采集到的灰度矩阵的每个像素点做一定范围邻域内的加权平均，即可有效消除高斯噪声。 2.4.4 图像锐化对比结果分析 为了去除图像噪声，使用图像锐化技术，但是图像锐化或多或少会使图像中的边界、轮廓变的模糊，为了减少这类不利效果的影响，这就需要利用图像锐化技术，使图像的边缘、轮廓线以及图像的细节变的清晰。 石家庄铁道大学四方学院毕业设计 图像锐化结果如表2-4和图2-10、图2-11和图2-12所示为不同方法对图像进行锐化后的仿真对比分析图。 表2-4 不同方法对图像锐化后的PSNR和RMSE 图像锐化方法 RMSE PSNR 拉普拉斯 130.8171 5.7975 Sobel算子 130.7792 5.6030 高斯滤波 135.4393 5.4959 图2-9 原始图像 图2-10 拉普拉斯锐化图像 图2-11 高斯滤波锐化图像 图2-12 Sobel算子锐化图像 由仿真结果可看出如图2-12所示Sobel算子锐化图像不容易受噪声干扰，能够锐化到真正的弱边缘，并且客观评价均优于其他两种方法。如图2-11所示高斯滤波锐化图像可以看出裂纹模糊。所以选择Sobel算子进行下一章的图像分割。 15 第3章 公路裂纹图像的分割 3.1 图像分割描述 所谓的图像分割就是把构成图像的各个要素即像素进行分类。其目的就是将图像细分为它的子区域或者对象。分割的方法取决于所要解决的问题。在应用中，当目标对象已经被分离出来就停止分割。精确的分割决定着计算分析过程的成败。图像的分割是是图象处理中的一项关键技术，一直受到人们的高度重视。图像分割是图像处理中最困难的任务之一，至今尚无通用的图象分割的理论。现己提出上千种分割算法，提出的分割算法大都是针对具体问题的，并没有一种通用的适合所有图象的分割算法。 从图像预处理到图像的识别和理解，中间必经的关键一步即为图像分割，因此图像分割在数字图像处理技术中有着极其重要的地位，这主要体现在:一图像分割是表示目标的前提，其影响着特征测量的结果;二原始的图像在经过分割后得到了目标，然后通过提取计算目标的特征参数使得目标可以被进一步转化为更高级的形式，为图像在更高层次的分析和理解奠定了坚实的基础。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。这些部分常被称为目标或前景，其它部分称为背景，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来。图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。 人们在研究图像时一般都会有一个既定的目标，这个目标有可能是图像中的某一部分，也有可能是图像中的某些部分，而图像分割的目的就是为了把目标提取出来的，为后期进一步的研究奠定基础，本章主要介绍了图像分割的相关概念，研究了常用于路面裂纹图像的分割算法，有基于阈值分割的算法、基于边缘的分割算法，基于区域的分割算法，通过仿真实验分析了各自的优劣。 图像分割中最具代表性的一种分割算法是阈值分割法，可以进一步将其分成两种方法，一种是全局阈值分割法，另一种是局部阈值分割法。全局阈值分割算法是指在分割处理时对图像所有的像素均使用同一个的阈值，这种方法一般只考虑像素本身的灰度值，不考虑空间特征，所以对噪声很敏感，对最佳阈值的选择比较经典的方法有Ostu法和最大熵值法，局部阈值分割算法是指在分割处理时像素使用的阈值不是都一样的，可以兼顾图像各处的情况来对图像各部分进行分别分割。 石家庄铁道大学四方学院毕业设计 3.2 最大熵阈值分割 1980年T. Pun最先提出了由图像的灰度直方图的熵来自适应的得到分割的阈值这一想法，而后由Kapur等人在T.Pun的基础上提出了改进了的最Shannon熵法，大大的改进了算法适用的范围和效果，T.Pun和Kapur提出的算法均是一维最大熵法，而此算法容易受到噪声的干扰，因此图像的局部空间信息不能够被一维的灰度直方图所反映，于是1989年A.S.Abutale将一维最大熵法拓展到灰度级-邻域平均灰度级二维直方图，分割的效果取得明显改善。 二维最大熵分割法的定义如下:将图像分成两类分别是目标和背景，目标用来A表示，背景用来表示，而类和类有着不同的分布概率分别如式3-1、式3-2式BBA 所示， 为分割阈值的矢量。 ，，S,T PPPst0001A:,,？, (3-1) PPstPstst PPs，11PL,1L,1，，，，，，s，，，10B:,, (3-2) ？1,P1,P1,Pststst s1 p,p其中: ,,stiji0j0,, 让目标类和背景类的后验熵最大是二维最大熵分割分割的最终目的，则与每BA 个分布有关的熵被定义为式3-3与式3-4，如下所示: stppijijHstIn，，，,, (3-3) ,,App,0,0ijstst LL,1,1ppijijHs,t,,In，， (3-4) ,,B1,p1,pisji,，1,，1stst 能够获取图像中的信息量越大，对我们获取最佳的阈值越有帮助，这是因为信息量越大对目标和背景的分析越透彻，因此让图像的总熵 取得最大值，此时的，，Hs,t 信息量也就最大，想求的最佳阈值正是此时所对应的，求出的阈值 必须满，，，，s,ts,t足如式3-5所示的判断函数: ，，,，，，，，，,Hs,t,maxminHs,t,Hs,t (3-5) ABij,0,1,？L,1 3.3 迭代式阈值分割 迭代式阈值分割的基本思想是:开始时选择一个阈值作为初始估计值，然后按某 17 种策略不断地改进这一估计值，直到满足给定的准则为止。在迭代过程中，关键之处在于选择什么样的阈值改进策略。一般好的阈值应该具备两个特征，即能够快速收敛和在每一个迭代过程中新产生的阈值优于上一次的阈值。下面介绍一种常见的迭代式阈值的选择算法，具体步骤如下: (1)选择图像灰度的中值作为初始阈值; T0 (2)利用阈值把图像分割成两个区域(设为和)，用下式计算区域和的TRRRR1212TL,1i 灰度均值和。 ,,inin,12,ii0i,i,Ti,,,,1 ， (3-6) T2L,1i nn ,i,iio,i,Ti (3)计算和后，用下式计算出新的阈值。 T,,i，112,，,12T, (3-7) i，12 (4)重复步骤(2)和步骤(3)，直到和的差小于某个给定值。 TTi，1i 3.4 Ostu法阈值分割 Otsu法是一种使类间方差最大的自动确定阈值的方法，该方法具有简单，处理速度快的特点，是一种常用的阈值选取方法(其基本思想如下:设图像像素数为，N i灰度范围为[0，L-1]，对应灰度级的像素数为，概率为: ni i,0,1,2？,L,1p,n/N, (3-8) ii L,1 p,1,i (3-9) i,0 CC,,0,T把图像中的像素按灰度值用阈值T分成两类和，由灰度值在之间的C001 ,,T，1,L,1像素组成，由灰度值在之间的像素组成，对于灰度分布概率，整幅图像C1 的均值为: L,1 u,ip (3-10) ,Tii,0C则和的均值为: C011TL, u,ip/, u,ip/, (3-11) ,,00i11i,0i1i,T，其中: TL,1 ， (3-12) ,,pi,,pi,1,,,,010,0ii,T，1由上面三式可得: u,,u，,u (3-13) T0011 类间方差定义为: 222，，，， ,,,u,u，,u,u B00T11T 石家庄铁道大学四方学院毕业设计 122 ，，，，，，,,u，u，u,，,,2Wu，,uu00TT010011T 222222 ，，,,u，,u,u,,u，,u,,u，,uT001110110011 22 ，，，，,,u1,,，,u1,,,2,,uu0001111001 2 (3-14) ，，,,,u,u1001 2让在范围依次取值，使,最大的值为Otsu法的最佳阈值。Matlab,,T0,L,1TB 工具箱提供的graythresh函数求取阈值采用的正是Otsu法。 3.5 图像分割结果对比分析 对基于阈值分割后的算法进行仿真实验，输入的图像是经分割的图像，如表3-1和图3-2、图3-3和图3-4所示为图像分割结果对比分析。 表3-1 不同方法对图像分割后的PSNR和RMSE 图像分割方法 RMSE PSNR 迭代式阈值 127.0313 6.0526 Ostu阈值 127.0364 6.0522 最大熵阈值 135.4393 5.4959 图3-1 原始图像 图3-2 迭代式阈值分割图像 图3-3 Ostu法阈值分割图像 图3-4 最大熵阈值分割图像 19 如表3-1、图3-2和图3-3、图3-4所示，由三种分割方法对比得到如图所示3-4最大熵阈值分割法不适合路面裂纹图像，分割后的图像客观评价较差，此算法对噪声和目标大小十分敏感，特别当背景和与目标的灰度差别不是太大时，往往不能得到好的分割效果，如图3-3所示Ostu阈值分割后的图像可以，看出一条非常清楚裂纹。如图3-2所示迭代式阈值对图像进行分割后的裂纹信息显示出来了，但还是有噪音存在，这些噪音由路面图像本身固有的特性产生的。故选择图3-3 Ostu阈值分割。 石家庄铁道大学四方学院毕业设计 第4章 公路裂纹图像的边缘检测 4.1 边缘检测论述 边缘检测存在于目标与背景、目标与目标、区域与区域之间，是图像最基本的特征之一为人们描述或识别目标以及解释图像提供了一个重要的特征参数。它蕴含了图像丰富的内在信息(如方向、阶越性质与形状等);它是纹理特征的重要信息源和形状特征的基础;它是图像分割、图像分类、图像配准和模式识别所依赖的重要特征。如果能成功地检测出图像的边缘，图像分析、图像识别就会方便得多，精确度也会得到提高。图像的大部分主要信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，是图像中灰度变化比较剧烈的地方，也即信号发生奇异变化的地方。边缘检测是检测图像局部显著变化的最基本运算。在一维情况下，阶跃边缘同图像一阶导数局部峰值有关。 边缘检测技术是图像处理和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是研究的热点，然而边缘检测又是图像处理中的一个难题。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。常用的边缘检测方法有Canny算子、LOG算法和Prewitt算法，小波多尺度检测。这也是本章讨论的重点。 4.2 传统的边缘算子 4.2.1 Canny边缘检测 Canny算子(或者这个算子的变体)是最常用的边缘检测方法。 在 Canny 创造性的工作中，他研究了设计一个用于边缘检测最优预平滑滤波器中的问题，后来他说明这个滤波器能够很好地被一阶高斯导数核优化。另外 Canny 引入了非最大抑制概念，它是说边缘定义为在梯度方向具有最大梯度值的点。 Canny 提出了评价边缘检测性能优劣的三个准则: (1)信噪比标准，即将真实的边缘点检测出的概率要高，将非边缘点判为边缘点的概率要低，使输出的信噪比最大; (2)定位精度标准，即检测出的边缘点要尽可能在实际边缘的中心; (3)单边响应标准，即单个边缘产生多个响应的概率要低，并且虚假边缘响应应 21 得到最大抑制。Canny 算子正是基于这三个准则提出来的，其基本思想是先将图像使用高斯函数进行平滑，再由一阶微分的极大值确定边缘点。 二阶导数的零交叉点不仅对应着一阶导数的极大值也对应着一阶导数的极小值，也就是说，灰度变化剧烈的点，强边缘，与灰度变化缓慢的点，弱边缘，都对应着二阶导数零交叉点。 通过使用两个阈值来分别检测强边缘和弱边缘，而且仅当强边缘和弱边缘相连时，弱边缘才会包含在输出中。因此，Canny 算法不容易受噪声的干扰，能够检测到真正的弱边缘。 用高斯函数对图像 进行滤波得到 ， 然后计算其梯度，，fx,y，，，，fx,y,Gx,y,, 矢量的模和方向: ，，，，M,fx,y,Gx,y,, (4-1) , ，，，，fx,y,Gx,y,A, ，，，， (4-2) fx,y,Gx,y,, 图像边缘点即为在方向上使模 取得局部极大值的点。 MA 由于各种原因，图像总是受到随机噪声的干扰，可以说噪声无处不在。经典的边缘检测方法由于引入了各种形式的微分运算，从而必然引起对噪声的极度敏感，执行边缘检测的结果常常是把噪声当作边缘点检测出来，而真正的边缘也由于受到噪声干扰而没有检测出来。因而对于有噪声图像来说，一种好的边缘检测方法应该具有良好的噪声抑制能力，同时又有完备的边缘保持特性。 4.2.2 LOG算法检测 LOG算法首先与高斯滤波器进行卷积，这一步既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除。由于平滑会导致边缘的延展，因此边缘检测器只考虑那些具有局部梯度最大值的点为边缘点，这一点可以用二阶导数的零交叉点来实现。拉普拉斯函数用作二维二阶导数的近似，是因为它是一种无方向算子。为了避免检测出非显著边缘，应选择一阶导数大于某一阈值的零交叉点作为边缘。 LOG算法理论是从生物视觉理论导出的方法。其基本思想是，首先在一定范围内做平滑滤波，然后利用差分算子检测在相应尺度上的边缘。滤波器的选择取决于两 ,x个因素，一是要求滤波器在空间上平稳，空间位置误差要小，二是要求平滑滤波 ,w器本身是带通滤波器，在其有限带通内是平稳的，即要求频域误差，要小。由信 ,x,w号处理中的测不准原理知，与是矛盾的，达到测不准下限的滤波器是高斯滤波器。Marr和Hildreth提出的差分算子是各向同性的拉普拉斯二阶差分算子。 LOG边缘检测器的基本特征是: (1)平滑滤波器是高斯滤波器 石家庄铁道大学四方学院毕业设计 (2)增强步骤采用二阶导数(二维拉普拉斯函数) (3)边缘检测判据是二阶导数零交叉点并对应一阶导数的较大峰值这种方法的特点是图像首先与高斯滤波器进行卷积，这一步既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除。由于平滑会导致边缘的延展，因此边缘检测器只考虑那些具有局部梯度最大值的点为边缘点，这一点可以用二阶导数的零交叉点来实现。拉普拉斯函数用作二维二阶导数的近似，是因为它是一种无方向算子。为了避免检测出非显著边缘，应选择一阶导数大于某一阈值的零交叉点作为边缘点。 ，，LOG 算子的输出hx,y是通过卷积运算得到的: 2 (4-3) ，，，，，，,,hx,y,,gx,y,fx,y 根据卷积求导法有: 2 (4-4) ，，，，,,，，hx,y,,gx,y,fx,y 其中: 22x，y222,,,2x，y,222,，，gx,ye,, (4-5) ,,4,,, 对使用LOG边缘检测仍然成立，其中平滑是用高斯滤波器来完成的;增强是将边缘转换成零交叉点来实现的;边缘检测则是通过检测零交叉点来进行的。 4.2.3 Prewitt算子检测 x，，fx,yPrewitt边缘检测算子用图4-1所示的模板来近似计算图像函数对和的y偏导数如式(4-6)和(4-7)所示。 -1 -1 -1 0 0 0 1 1 1 G,(Z，2Z，Z),(Z，2Z，Z) (4-6) X789123 -1 0 1 -1 0 1 -1 0 1 G,(Z，2Z，Z),(Z，2Z，Z) (4-7) Y369147 图4-1 Prewitt模板 GG(x,y)计算出，的值后，如式(4-8)计算点的梯度值找到图像边缘即可对图像yx 完成检测。 23 2212g,(G，G) (4-8) xy 4.3 小波多尺度边缘检测 小波变换是近年得到广泛应用的数学工具。与傅立叶变换和窗口傅立叶变换相比，小波变换是时间和频率的局域变换，能有效地从信号中提取信息，它通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了傅立叶变换不能解决的很多困难问题，因而被誉为“数学显微镜”。从边缘检测的角度看，小波变换有以下几个优点: (1)小波分解提供了一个数学上完备的描述; (2)通过选取合适的滤波器，小波变换可以极大地减小或去除信号之间的特征相关性; (3)具有“变焦”特性:在低频段可用高频分辨率和低时间分辨率;在高频段可用低频分辨率和高时间分辨率; (4)通过快速算法来实现小波变换。提出了一种基于层间相关性的小波边缘检测算法，依据的是信号主要分布在低频部分，而噪声分布于高频部分的特点。另外小波变换具有较强的去相关性，变换后的小波系数之间仍然存在大量的相关性质，即小波系数在不同分辨率下的对应系数之间具有较强的相关性或层间的相关性。通过对比该方法能够较好多的防止噪声干扰，又能有效地保留图像边缘。 小波变换用于边缘检测的重要原因之一其所具有的伸缩属性，即“数学显微镜”属性。这一小节里，我们以阶跃函数和高斯函数一阶导数小波为例，具体演示出小波变换所具有的伸缩属性。通过这一小节的分析，人们可以清楚地看出小波变换中尺度因子在小波变换中所起的作用如式(4-9)所示。 1t,0,d1，，，，，，，，ut,ft,Aut,A,R,,t,,,t,，， 令其中:。那么: ,dt0t,0, ,,,At,uAsAsd,,11 ，，，，，，Wfu,s,,dt,,ydy,,,y,,,,,0us//su,,sdysss,, 22~s,u2s,,，，，，Asu,Asu,Ae = (4-9) ss2, s在小波变换中有一个变量，这个变量表示小波变换的尺度因子或者“伸缩”因子。通过对尺度因子的取值产生变化，能借小波变换系数的量度来有效地区别信号或图像中的噪声与重要边缘，故所对应的小波变换系数随尺度因子的变化规律不同。这样能充分地利用小波变换系数来进行边缘检测、图像滤波、图像去噪等图像处理。 石家庄铁道大学四方学院毕业设计 4.4 图像边缘检测结果对比分析 不同算子检测的图像处理后的图像效果如表4-1和图4-2、图4-3、图4-4和图4-5图4-6所示: 表4-1 不同方法对图像检测后的PSNR和RMSE 图像检测方法 RMSE PSNR prewitt算子 127.8929 5.9939 log算子 128.0155 5.6030 canny算子 127.9707 6.0526 小波多尺度检测 77.4438 10.3511 图4-2 原始图像 图4-3 prewitt算子检测后的图像 图4-4 log算子检测后的图像 图4-5 Canny算子检测后的图像 图4-6 小波多尺度检测图像 如图4-6所示经小波多尺度处理后的图像PSNR较大RMSE较小而且裂纹内部的空洞也可以被一定的连接。如图4-5所示Canny 检测的图像像产生了很大的模糊，抑制噪声比较差，故选择图4-6小波多尺度进行边缘检测。 25 图4-7 原始图像 图4-8 多步处理后的最终图像 如图4-8所示依次经增强、平滑、锐化、分割、检测后的图像的公路裂纹线条清晰，噪声得到了有效的抑制;且有 RMSE =1.0444 ，PSNR = 51.4370，均优于单步处理后的图像客观评价。 石家庄铁道大学四方学院毕业设计 第5章 结 论 随着我国经济的高速的发展，交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位，其也随着我国经济的高速发展而受到更多的重视。为了提高公路使用寿命，公路养护工作也得到越来越多的重视，只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求，所以路面破损的自动检测系统的研究与开发就显得尤为迫切。 本文根据图像处理的公路裂纹检测方法研究与实现的基本原理，以数字图像处理方法为研究内容，在图像预处理、图像分割、图像边缘检测处理方面进行了大量工作，并结合公路裂纹图像的固有特点，对公路裂纹图像特征进行研究分析，利用Matlab程序设计并实现了公路裂纹自动检测系统。尤其在图像预处理方面分析了几大特点，利用图像边缘检测该算法简单易实现。 Matlab程序实验表明，该系统可以准确快速的实现公路裂纹图像检测方法。 本论文主要内容总结如下: (1)在图像预处理中，图像裂纹的增强采用了灰度直方图均衡化、灰度变换，高通虑波增强等各种算法，对比结果得到图像增强采用的是灰度变换;图像平滑采用的是中值滤波;图像锐化采用Sobel算子锐化，使待检图像既有效去除了噪声干扰，又保持了图像的清晰，简化了后续的图像分割过程。 (2)在公路裂纹图像分割中，阈值的选择是最大熵阈值分割、迭代式阈值分割和Ostu法阈值分割。经过实验证明，Ostu法阈值分割准确率较高，能较好的分割出前景和背景，提取到完整的图像信息又保持了图像的清晰，简化了后续的图像边缘检测过程。 (3)在公路裂纹图像边缘检测中，利用常用的边缘检测方法有Canny边缘检测、LOG算法和 Prewitt算子检测;小波多尺度边缘检测，经过实验对比选择了小波多尺度边缘检测，孤立的噪声点和较小的结构组织将被滤除，由Matlab程序证明，边缘检测率较高。 本文提出的关于路面裂纹识检测方法与研究虽然可以较好的实现路面裂纹图像的识别，但还有许多地方需要改进和更深一步的研究。对于其他的破损类型检测与识别将在后续的研究中继续完善。但是对于一些复杂的裂纹图像识别率还是达不到要求，因此需要在以后的工作中对路面裂纹的特征提取做更进一步的研究。 27 参考文献 [1] 闵祥虎，祖熙宇，郑达人.公路沥青路面裂缝处理的分析[J].北方交通，2008，3(5):37~39. [2] 唐磊.基于图像分析的路面病害自动检测[D].南京理工大学，2007. [3] 阮秋琦著.数字图像处理学[M].北京:电子工业出版社，2007. [4] Milan Sonka，Vaclav Hlavac，Roger Boyle著，艾海舟，武勃等译.图像处理、分析与机器视觉 [M].北京:人民邮电出版社，2003. [5] 李晋惠.用图像处理的方法检测公路路面裂缝类病害[J].长安大学学报(自然科学版)， 2004，24(5):24~29. [6] Albert A.，Nii A..Evaluating pavement cracks with bidimensional empirical mode decomposition[J].Journal of Advances in Signal Processing，2008，20(8):1~7. [7] Chou J C，O，Neil W A. Pavement distress evaluation using fuzzying logic and moment invariants.Transp.Res.Record，505，Transportation Research Board，Washington D C:144~148. [8] 马常霞，赵春霞，等.结合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):1762~1767. [9] 熊和金.路面破损诊断的神经网络方法[J].公路交通科技，2001，18(1):10~12. [10] 肖旺新，张雪，黄卫.基于破损密度因子的路面破损识别新方法[J].交通运输工程与信息学报， 2004(2):2~89. [11] 王殉.图像分割技术其在路面开裂损坏识别中的应用[J].计算机工程2003，29(17):117~119. 石家庄铁道大学四方学院毕业设计 致 谢 首先衷心感谢我的指导老师。在老师的细心指导和帮助之下，我顺利完成了毕业论文。老师高尚的情操、渊博的学识使我受益匪浅。老师不追求名利、严谨求实的治学态度，平易近人、谦虚谨慎、诲人不倦和体贴他人的高尚品德更是令我终身难忘。回想在大学4里年的时间里，老师言传身教，在各方面都给予了我细心的指导和帮助，从她身上，我不仅学到了丰富的知识和创造性的思维方式，更学到了严谨求实的作风和坦荡做人的道理，这笔宝贵精神财富将使我终身收益。同时感谢电子信息工程所有老师，你们在学习过程中一直给予我极大的关怀。向帮助和关心我成长的石家庄铁道大学四方学院的朋友、老师和同学表示感谢。最后，深深地感谢养育了我二十五年的父母。 29 附 录 附录A 外文资料 Research and implementation of road crack detection method In the highway maintenance,pavement crack is one of the most important indicators to measure the quality of highway,at present mainly depends on manual inspection of highway road maintenance workers, not only will be affected by the subjective consciousness, but also waste a lot of manpower resource, so based on the digital image processing technology of pavement crack detection technology has become the inevitable trend of pavement the development of crack detection,the detection technique can rapidly and accurately evaluate the road. This paper studies the key technology of pavement crack detection, mainly completed the following work: (1)on the pavement crack image enhancement technology,aiming at the enhancement algorithm based on NSCT (and non subsampled transform) of the pavement crack enhancement algorithm timeliness difference,this paper proposes enhancement algorithm for pavement cracks guide filter based,this algorithm not only removes the noise effectively,but also improve the crack contrast with the background,and have a good time; (2)on the pavement crack image segmentation,defects in the traditional segmentation algorithm, this paper presents the mean shift segmentation algorithm is applied to the nearest neighbor based on pavement crack image, the segmentation results are good; (3)studied crack classification and parameter extraction algorithm,this paper use the threshold method to distinguish network of fissures and linear cracks, then according to the projection method will transverse crack and longitudinal crack classification, finally the algorithm combined with geometric characteristics of the fractures,the calculations are in very good out of the crack parameters. After the processing of large amounts of asphalt pavement crack image, show the road detection algorithm in this paper can crack detection way good surface,extraction and classification and characteristic parameters of fracture， achieve the expected effect. 石家庄铁道大学四方学院毕业设计 The key role of national and regional economic development,has become the measure of a national modernization degree of in recent years,the construction of highway in our country is very rapid,according to official data from to the end of 2005, China's highway total mileage has reached 41000 kilometers,ranking second in the world,in the "eleven five" during the national and the newly built highway 24000 km, this freeway mileage reached 65000 kilometers. A large number of the construction of the highways,made enormous contribution for the region's economic development,promote the rapid development of the national economy,but because the freeway is exposed to the atmosphere,the need for long-term bear corrosion,vehicle weight of rainwater,man-made destruction and so on, so the maintenance work is particularly important,otherwise it will seriously affect the traffic the security state of . In the highway maintenance,pavement crack is a measure of the quality of the road An important index,if early in the cracks can be found timely,and the development of cracks for real-time tracking, then the road maintenance fee will be greatly reduced, but also makes the expressway traffic safety is guaranteed to. At present, mainly rely on artificial to detection of highway traffic, has not been able to meet the requirements of highway detection, its main shortcoming is the following : (4)the human cost is too large: detection of human vision depends on the maintenance workers to the scene based on, use the eyes to observe, however a highway mileage is considerable, so the labor intensity of workers is too large. (5)time is too long: Although invested enormous human, but because it is based on the human visual system characteristics, so the speed is still slow. (6)the precision is not high: the subjective factors and assessment of fracture vulnerable people, so the results will differ from man to man. (7)affect the normal traffic: pavement distress detection, need to be closed the highway, which will affect the normal traffic. (8)Although the risk of pavement distress detection is closed lane, but there are still potential safety hazard. (9)because of the high cost of invested a lot of manpower and time, so the cost is very high. Digital image processing, also known as computer image processing, this is because in the general case is used to deal with the computer, it refers to the first image signals into digital signals， and then use the computer processing technology. In the early sixty's of the 31 twentieth Century, digital image processing has become a subject of digital image processing， the main early is to improve the quality of image， which can greatly improve people's visual effects, begin from seventy time metaphase, artificial intelligence， computer technology with image processing technology further development and rapid development, technology digital image processing to a higher level of development, namely,computer vision, this technique is to simulate the human visual neural system by computer, through the description of various image to understand outside the world. The main research contents of digital image processing: geometry processing, image coding， image enhancement, image restoration, image segmentation, image description, image recognition and so on. The first chapter. Along with the large capacity memory of digital image processing technology, and the continuous development of high performance CPU, which makes it possible to pavement crack detection technology based on digital image processing technology, the image acquisition technology advanced, the road surface image acquisition,and the acquisition of.The application of new technology in pavement crack detection, the subjective factors labor, human removal, can fast, accurate evaluation condition of the road, it is the inevitable trend of the development . Summary of digital image processing techniques for crack detection technology based on the road, is a high and new technology use value. From: 石家庄铁道大学四方学院毕业设计 道路裂缝检测方法的研究和实现 公路养护、路面裂缝是最重要的一个指标来衡量公路的质量，目前主要取决于公路道路养护工人的手工检查，不仅会受到主观意识的影响，而且还浪费大量的人力资源，所以基于数字图像处理技术的路面裂缝检测技术已成为必然趋势的路面裂缝检测的发展，检测技术可以快速、准确地评估。本文研究了路面裂缝检测的关键技术，主要完成了以下工作: (1)在路面裂缝图像增强技术，针对基于NSCT的增强算法(和非subsampled转变)路面裂缝增强算法的时间性差异，本文提出了增强路面裂缝指南基于滤波器的算法，该算法不仅有效地消除了噪声，而且提高裂纹与背景，和有一个好的时间; (2)路面裂缝图像分割，缺陷在传统的分割算法，介绍了均值漂移分割算法应用于最近邻基于路面裂缝图像，分割结果好; (3)研究了裂缝分类和参数提取算法，本文使用阈值方法来区分的裂缝和线性网络裂缝，然后根据投影方法将横向裂缝和纵向裂缝的分类，最后算法结合几何特征的骨折，裂缝的计算是在非常好的参数。在处理大量的沥青路面裂缝图像，显示本文的道路检测算法可以良好的表面裂纹检测方式，提取和分类和裂缝特征参数，达到预期的效果。 国家和区域经济发展的重要作用，已经成为衡量一个国家现代化程度的，近年来，我国高速公路的建设非常快速，中国高速公路总里程已达到41000公里，居世界第二，在“十一五”国家和新建高速公路24000公里，高速公路通车里程达到65000公里。大量的高速公路建设，为该地区的经济发展做出了巨大的贡献，促进国民经济的快速发展，但由于高速公路暴露在大气中，需要长期承受腐蚀，车辆重量的雨国家和区域经济发展的重要作用，已经成为衡量一个国家现代化程度的，近年来，我国高速公路的建设非常快速，官方数据显示至2005年底，中国高速公路总里程已达到41000公里，居世界第二，在“十一五”国家和新建高速公路24000公里，高速公路通车里程达到65000公里。大量的高速公路建设，为该地区的经济发展做出了巨大的贡献，促进国民经济的快速发展，但由于高速公路暴露在大气中，需要长期承受腐蚀，车辆重量的雨水、人为破坏等，所以维护工作尤为重要，否则会严重影响交通安全的。公路养护、路面裂缝是衡量道路的质量。 一个重要指标，如果早期裂缝可以及时找到，实时跟踪和裂缝的发展，道路维护费用将大大降低，但也使高速公路交通安全保证。目前，主要依靠人工来检测公路交 33 通，未能满足公路检测的要求，其主要缺点如下: (4)人力成本太大:人类的视觉检测取决于维修工人到现场的基础上，用眼睛来观察，然而高速公路里程是相当大的，所以工人的劳动强度太大。 (5)时间过长:虽然投入巨大的人力，而是因为它是基于人类视觉系统的特性，因此，速度仍然缓慢。 (6)精度不高:骨折弱势人群的主观因素和评估，所以结果会不同于人的人。 (7)影响正常交通:路面压力检测，需要封闭的高速公路，这将影响正常交通。 (8)虽然封闭车道路面压力检测的风险，但是仍然存在潜在的安全隐患。 (9) 由于高成本的投入了大量的人力和时间，所以，成本非常高。 数字图像处理又称为计算机图像处理，这是因为在一般情况下是用来处理计算机，它指的是第一个图像信号转化为数字信号，然后利用计算机处理技术。二十世纪的六十年代早期，数字图像处理已经成为数字图像处理的一个主题，早期主要是改善图像的质量，它可以极大地提高人们的视觉效果，从七十年代中期开始，人工智能，计算机技术和图像处理技术的进一步发展和迅速发展，数字图像处理技术向更高水平发展的发展，也就是说，计算机视觉，这项技术是由计算机模拟人类视觉神经系统，通过各种形象的描述了解外面的世界。数字图像处理的主要研究内容:几何处理、图像编码、图像增强、图像恢复、图像分割、图像描述、图像识别等。 随着数字图像处理技术的大容量内存，和不断发展变化的高性能CPU，这使得它可能的路面裂缝检测技术基于数字图像处理技术、图像采集技术先进、路面图像采集，并收购应用新技术在路面裂缝检测、主观因素劳动，人类的去除，可以快速、准确的评估条件的道路，这是发展的必然趋势。摘要数字图像处理技术的基于路面裂缝检测技术，是一个高新技术使用价值。 源于:百度文库 石家庄铁道大学四方学院毕业设计 附录B 程序清单 1.图像增强程序 I=imread('C:\Users\Zjf\Desktop\gllw.bmp'); II=rgb2gray(I); subplot(221);imshow(II);title('原始图像'); a=histeq(II); e1=double(a)-double(II); [m，n]=size(e1); MSE1=sum(sum(e1(:).^2)/(m*n)) RMSE1=sqrt(sum(e1(:).^2)/(m*n)) %计算均方根误差 PSNR1=10*log10(255^2/MSE1) %计算峰值信噪比 subplot(222);imshow(a);title('直方图均衡化后的图像') b=imadjust(II，[0.1 0.7]，[0 1]，1); e2=double(b)-double(II); [m，n]=size(e2); MSE2=sum(sum(e2(:).^2)/(m*n)) RMSE2=sqrt(sum(e2(:).^2)/(m*n)) %计算均方根误差 PSNR2=10*log10(255^2/MSE2) %计算峰值信噪比subplot(223);imshow(b);title('灰度变换后的图像') c=double(II); %图像存储类型转换 e=fft2(c); %傅立叶变换 g=fftshift(e); %转换数据矩阵 [M，N]=size(g); %测量图像尺寸参数 n1=floor(M/2); n2=floor(N/2); d0=20; n=2; for i=1:M for j=1:N d=sqrt((i-n1)^+(j-n2)^2) ; if d==0 h1=0; h2=0.5; 35 else h1=1/(1+(d0/d)^(2*n)); h2=1/(1+(d0/d)^(2*n))+0.5; end g1(i，j)=h1*g(i，j); g2(i，j)=h2*g(i，j); end end g2=ifftshift(g2); g2=uint8(real(ifft2(g2))); e3=double(g2)-double(II); [m，n]=size(e); MSE3=sum(sum(e3(:).^2)/(m*n)) RMSE3=sqrt(sum(e3(:).^2)/(m*n)) %计算均方根误差 PSNR3=10*log10(255^2/MSE3) %计算峰值信噪比 subplot(224);imshow(g2);title('高通滤波器增强后图像'); %显示增强图像 2.图像的平滑程序 I=imread('C:\Users\Zjf\Desktop\gllw.bmp'); II=rgb2gray(I) subplot(221);imshow(II);title('原始图像'); [3 ，3]); a= medfilt2(II ， subplot(222);imshow(a);title('中值滤波平滑图像'); e1=double(a)-double(II); [m，n]=size(e1); MSE1=sum(sum(e1(:).^2)/(m*n)) RMSE1=sqrt(sum(e1(:).^2)/(m*n)) %计算均方根误差 PSNR1=10*log10(255^2/MSE1) %计算峰值信噪比 %领域平均平滑图像 h=fspecial('average'，5); K1=filter2(h，double(II)); e2=double(K1)-double(II); [m，n]=size(e2); MSE2=sum(sum(e2(:).^2)/(m*n)) 石家庄铁道大学四方学院毕业设计 RMSE2=sqrt(sum(e2(:).^2)/(m*n)) %计算均方根误差 PSNR2=10*log10(255^2/MSE2) %计算峰值信噪比 subplot(223);imshow(K1，[]);title('均值滤波平滑图像'); c=double(II); %图像存储类型转换 e=fft2(c); %傅立叶变换 g=fftshift(e); %转换数据矩阵 [M，N]=size(g); %测量图像尺寸参数 n1=floor(M/2); n2=floor(N/2); d0=10; r1=0.5;rh=2;c=4; for i=1:M for j=1:N d=sqrt((i-n1)^+(j-n2)^2) ; h=(rh-r1)*(1-exp(-c*(d.^2/d0.^2)))+r1 g(i，j)=h*g(i，j); end end g=ifftshift(g); g=uint8(real(ifft2(g))); e3=double(g2)-double(II); [m，n]=size(e3); MSE3=sum(sum(e3(:).^2)/(m*n)) RMSE3=sqrt(sum(e3(:).^2)/(m*n)) %计算均方根误差 PSNR3=10*log10(255^2/MSE3) %计算峰值信噪比 subplot(224);imshow(g);title ('同态滤波平滑图像') ; 3.图像的锐化程序 I=imread('C:\Users\Zjf\Desktop\gllw.bmp'); II=rgb2gray(I) subplot(221);imshow(II);title('原始图像') % % 拉普拉斯锐化% H=fspecial('Laplacian'); Ruihua1=filter2(H，II); e1=double(Ruihua1)-double(II); 37 [m，n]=size(e1); MSE1=sum(sum(e1(:).^2)/(m*n)) RMSE1=sqrt(sum(e1(:).^2)/(m*n)) %计算均方根误差 PSNR1=10*log10(255^2/MSE1) %计算峰值信噪比 subplot(222);imshow(Ruihua1，[]);title('拉普拉斯锐化图像'); %高斯滤波锐化 g=[-1 -1 -1; -1 8 -1; -1 -1 -1]; %线性高通滤波3×3模板 h=double(II); 转化为double类型 Ruihua2=conv2(h，g，'same'); % 线性高通滤波进行图像滤波 e2=double(Ruihua2)-double(II); [m，n]=size(e2); MSE2=sum(sum(e2(:).^2)/(m*n)) RMSE2=sqrt(sum(e2(:).^2)/(m*n)) %计算均方根误差 PSNR2=10*log10(255^2/MSE1) %计算峰值信噪比 subplot(223);imshow(Ruihua2，[]);title('高斯滤波锐化图像'); %sobel算子锐化图像 H=fspecial('sobel'); %应用sobel算子锐化图像 Ruihua3=filter2(H，II); %sobel算子滤波锐化 e3=double(Ruihua3)-double(II); [m，n]=size(e3); MSE3=sum(sum(e3(:).^2)/(m*n)) RMSE3=sqrt(sum(e3(:).^2)/(m*n)) %计算均方根误差 PSNR3=10*log10(255^2/MSE1) %计算峰值信噪比 subplot(224);imshow(Ruihua3，[]);title('sobel算子锐化图像'); 4.图像的分割程序 I=imread('C:\Users\Zjf\Desktop\gllw.bmp'); II=rgb2gray(I) subplot(221);imshow(II);title('原始图像') % 迭代式阈值分割 J=im2double(II); T=0.5*(min(J(:)+max(J(:)))); %阈值初始值 done=false; i=0 石家庄铁道大学四方学院毕业设计 while ~done r1=find(J<=T); r2=find(J>T); Tnew=0.5*(mean(J(r1))+mean(J(r2))); done=abs(Tnew-T)<1; %如何2次迭代阈值小于1，则迭代结束 T=Tnew; i=i+1 end J(r1)=0; J(r2)=1; e1=double(J)-double(II); [m，n]=size(e1); MSE1=sum(sum(e1(:).^2)/(m*n)) RMSE1=sqrt(sum(e1(:).^2)/(m*n)) %计算均方根误差 PSNR1=10*log10(255^2/MSE1) %计算峰值信噪比 subplot(222); imshow(J);title ('迭代式阈值分割图像') ; %显示阈值分割图像 T= graythresh(J); BW = im2bw(J，T); %otsu法阈值分割图片 e2=double(BW)-double(II); [m，n]=size(e2); MSE2=sum(sum(e2(:).^2)/(m*n)) RMSE2=sqrt(sum(e2(:).^2)/(m*n)) %计算均方根误 PSNR2=10*log10(255^2/MSE2) %计算峰值信噪比 subplot(223); imshow(BW);title ('Otsu法阈值分割图像') ; %显示阈值分割图像 I=imread('C:\Users\Zjf\Desktop\gllw.bmp'); a=rgb2gray(I) count=imhist(a); [m，n]=size(a); N=m*n; L=256; count=count/N; %%每一个像素的分布概率 count for i=1:L 39 if count(i)~=0 st=i-1; break; end end st for i=L:-1:1 if count(i)~=0 nd=i-1; break; end end nd f=count(st+1:nd+1); %f是每个灰度出现的概率 size(f) E=[]; for Th=st:nd-1 %%%设定初始分割阈值为 Th av1=0; av2=0; Pth=sum(count(1:Th+1)); %%%第一类的平均相对熵为 for i=0:Th av1=av1-count(i+1)/Pth*log(count(i+1)/Pth+0.00001); end %%%第二类的平均相对熵为 for i=Th+1:L-1 av2=av2-count(i+1)/(1-Pth)*log(count(i+1)/(1-Pth)+0.00001); end E(Th-st+1)=av1+av2; end position=find(E==(max(E))); th=st+position-1 石家庄铁道大学四方学院毕业设计 for i=1:m for j=1:n if a(i，j)>th a(i，j)=255; else a(i，j)=0; end end end e2=double(a)-double(II); [m，n]=size(e3); MSE3=sum(sum(e3(:).^2)/(m*n)) RMSE3=sqrt(sum(e3(:).^2)/(m*n)) %计算均方根误差 PSNR3=10*log10(255^2/MSE3) %计算峰值信噪比 title ('Otsu法阈值分割图像'); %显示阈值分割图像 subplot(223); imshow(BW); subplot(224);imshow(a);;title ('最大熵阈值分割图像') ; %显示阈值分割图像 5.图像的边缘检测程序 I=imread('C:\Users\Zjf\Desktop\gllw.bmp'); II=rgb2gray(I) subplot(231);imshow(II);title('原始图像') []，'both') [g，t1]=edge(II，'prewitt'， e1=double(g)-double(II); [m，n]=size(e1); MSE1=sum(sum(e1(:).^2)/(m*n)) RMSE1=sqrt(sum(e1(:).^2)/(m*n)) %计算均方根误差 PSNR1=10*log10(255^2/MSE1) %计算峰值信噪比 subplot(232);imshow(g，[]);title('经prewitt算子检测后的图像') [h，t2]=edge(II，'log'，[]，'both') subplot(233);imshow(h，[]);title('经log算子检测后的图像') e2=double(h)-double(II); [m，n]=size(e2); MSE2=sum(sum(e2(:).^2)/(m*n)) RMSE2=sqrt(sum(e1(:).^2)/(m*n)) %计算均方根误差 41 PSNR2=10*log10(255^2/MSE2) %计算峰值信噪比 [l，t3]=edge(II，'canny'，[]，'both') e3=double(l)-double(II); [m，n]=size(e3); MSE3=sum(sum(e3(:).^2)/(m*n)) RMSE3=sqrt(sum(e3(:).^2)/(m*n)) %计算均方根误差 PSNR3=10*log10(255^2/MSE3) %计算峰值信噪比 subplot(234);imshow(l，[]);title('经canny算子检测后的图像') X=imread('C:\Users\Zjf\Desktop\gllw.bmp'); I = rgb2gray(X); I1 = imadjust(I，stretchlim(I)，[0，1]);; [N，M] = size(I); h = [0.125，0.375，0.375，0.125]; g = [0.5，-0.5]; 0，0]; delta = [1， J = 3; a(1:N，1:M，1，1:J+1) = 0; dx(1:N，1:M，1，1:J+1) = 0; dy(1:N，1:M，1，1:J+1) = 0; d(1:N，1:M，1，1:J+1) = 0; a(:，:，1，1) = conv2(h，h，I，'same'); dx(:，:，1，1) = conv2(delta，g，I，'same'); dy(:，:，1，1) = conv2(g，delta，I，'same'); x = dx(:，:，1，1); y = dy(:，:，1，1); d(:，:，1，1) = sqrt(x.^2+y.^2); I2 = imadjust(d(:，:，1，1)，stretchlim(d(:，:，1，1))，[0 1]); lh = length(h); lg = length(g); for j = 1:J+1 lhj = 2^j*(lh-1)+1; lgj = 2^j*(lg-1)+1; hj(1:lhj)=0; 石家庄铁道大学四方学院毕业设计 gj(1:lgj)=0; for n = 1:lh hj(2^j*(n-1)+1)=h(n); end a(:，:，1，j+1) = conv2(hj，hj，a(:，:，1，j)，'same'); dx(:，:，1，j+1) = conv2(delta，gj，a(:，:，1，j)，'same'); dy(:，:，1，j+1) = conv2(gj，delta，a(:，:，1，j)，'same'); x = dx(:，:，1，j+1); y = dy(:，:，1，j+1); dj(:，:，1，j+1) = sqrt(x.^2+y.^2); I3 = imadjust(dj(:，:，1，j+1)，stretchlim(dj(:，:，1，j+1))，[0 1]); end e=double(I)-double(I1); [m，n]=size(e); MSE=sum(sum(e(:).^2)/(m*n)) RMSE=sqrt(sum(e(:).^2)/(m*n)) %计算均方根误差 PSNR=10*log10(255^2/MSE) %计算峰值信噪比 subplot(235);imshow(I1);title('小波变换多尺度检测图像') 6.图像最终程序 I=imread('C:\Users\Zjf\Desktop\gllw.bmp'); II=rgb2gray(I) subplot(121);imshow(II);title('原始图像') b=imadjust(II，[0.1 0.7]，[0 1]，1); %灰度变换增强处理 c= medfilt2(b ，[3 ，3]); %中值滤波平滑处理 H=fspecial('sobel'); %应用sobel算子锐化图像 d=filter2(H，c); %sobel算子滤波锐化 J=im2double(d); T= graythresh(J); e = im2bw(J，T); %otsu法阈值分割图片 X=imread('C:\Users\Zjf\Desktop\gllw.bmp'); I = rgb2gray(X); I1 = imadjust(e，stretchlim(e)，[0，1]);; 43 [N，M] = size(I); h = [0.125，0.375，0.375，0.125]; g = [0.5，-0.5]; delta = [1，0，0]; J = 3; a(1:N，1:M，1，1:J+1) = 0; dx(1:N，1:M，1，1:J+1) = 0; dy(1:N，1:M，1，1:J+1) = 0; d(1:N，1:M，1，1:J+1) = 0; a(:，:，1，1) = conv2(h，h，I，'same'); dx(:，:，1，1) = conv2(delta，g，I，'same'); dy(:，:，1，1) = conv2(g，delta，I，'same'); x = dx(:，:，1，1); y = dy(:，:，1，1); d(:，:，1，1) = sqrt(x.^2+y.^2); I2 = imadjust(d(:，:，1，1)，stretchlim(d(:，:，1，1))，[0 1]); lh = length(h); lg = length(g); for j = 1:J+1 lhj = 2^j*(lh-1)+1; lgj = 2^j*(lg-1)+1; hj(1:lhj)=0; gj(1:lgj)=0; for n = 1:lh hj(2^j*(n-1)+1)=h(n); end j+1) = conv2(hj，hj，a(:，:，1，j)，'same'); a(:，:，1， dx(:，:，1，j+1) = conv2(delta，gj，a(:，:，1，j)，'same'); dy(:，:，1，j+1) = conv2(gj，delta，a(:，:，1，j)，'same'); x = dx(:，:，1，j+1); y = dy(:，:，1，j+1); dj(:，:，1，j+1) = sqrt(x.^2+y.^2); I3 = imadjust(dj(:，:，1，j+1)，stretchlim(dj(:，:，1，j+1))，[0 1]); 石家庄铁道大学四方学院毕业设计 end e=double(I1)-double(II); [m，n]=size(e); MSE=sum(sum(e(:).^2)/(m*n)) RMSE=sqrt(sum(e(:).^2)/(m*n)) %计算均方根误差 PSNR=10*log10(255^2/MSE) %计算峰值信噪比 subplot(122);imshow(I1，[]);title('多步处理后的最终图像') 45