第一届挑战赛B1-破损道路特征提取与损坏类型匹配

摘摘摘摘要要要要：：：：路面损坏检测是交通信息工程和模式识别领域的一项挑战性的工作。随着图像处理技术的发展，将这些技术应用到路面损坏检测，既可以排除人的主观因素的干扰，又能快速而准确地进行公路状况的评估。本文主要根据路面图像，给出一个基于整体与局部两阶段特征提取方法，可以对损坏程度和损坏类型分类，主要涉及两点：路面破损图像的特征提取及将路面损坏进行分类。通过对已有的路面图像进行实验，结果表明该方法可以有效对道路损坏进行分类，特别是对损坏程度严重的路面，特征提取和匹配的效果非常好。 关键关键关键关键词词词词：：：：特征提取损坏类型分类 The thesis title Abstract:Surface road damage detection is a challenging work in the area of traffic informationengineering and pattern recognition. Along with the further development on the digital image processingtechnology, this technology is applied on the surface road damage detection which resist the subjectiveinterruption, but also it is able to provide a fast and accurate evalution on the road status which is reallyuseful. This article is the research on the methodology in two-stage of the raod damage automaticidentification and classification according to the road surface images. Through experimental annlysis of thesurface load images, the approach is proved to be effective for surface road damage indentification andclassification. Especially for the surface load which is severe damage. Key words:feature extraction the classcification of surface damage 目录 1.挖掘目标挖掘目标挖掘目标挖掘目标............................................................................................... 4 2.分析方法与过程分析方法与过程分析方法与过程分析方法与过程.................................................................................... 4 2.1.总体流程..................................................................................................................... 42.2.具体步骤..................................................................................................................... 52.3.结果分析................................................................................................................... 12 1.挖掘挖掘挖掘挖掘目标目标目标目标 道路路面在使用过程中，受载荷与自然因素长期作用，道路路面会出现各种各样的破损现象，逐渐失去服务能力，有些破损问题甚至威胁到行车安全，给人们生活带来了极大的安全隐患，因此能提出一个能通过图像处理自动识别匹配的研究的好方法，将是一个重要的研究课题。传统的基于人眼视觉检测路面裂缝的方法由于存在耗力、耗时、不精确、影响交通、危险、测量结果不一致的缺点，难以准确、客观地对路面裂缝进行归类与评价，而越来越不适应当今道路发展的要求。 本文提出两阶段识别与匹配的方法： 第一阶段：主要是以低通滤波器处理为基础，用分块局部阈值法进行图像分割，从离散的二值图像中，标记提取得到关键的区域，提取图像特征，然后对图片库的图片进行训练，最后用来检测道路破损图像，这种方法对于严重裂缝、网裂、龟裂、坑槽都有较好地识别效果。由于轻微裂缝与正常图片提取的对象很少，特征十分接近，很难用这种方法分类，例如图(轻微裂缝03.JPG)，肉眼看到就感觉很像正常(好)图片，鉴于此，提出进一步的识别匹配方法。 第二阶段：由于第一阶段不能完全有效地处理所有图像，这部分主要处理诸如正常图片与轻微裂缝图片，从库中的图片可以看得出，正常图片的灰度普遍很均匀，轻微裂缝的有些图片灰度也很均匀，如图(轻微裂缝03.JPG)、图(轻微裂缝04.JPG)，但是很容易看得出来八幅轻微图片的裂缝都在图片几何中心点的附近，正常图片的中心点区域却很均匀，没有缝隙，在这个局部的区域内，四周的灰度影响会很小，因此我们提取这些图片中心点附近的矩形区域进行识别匹配，直方图均衡化，提高对比度，采用高通滤波器的方法，进行图像加强，然后图像分割，形态学处理，最后提取特征进行分类、匹配。 (1)提取的特征应尽可能地相互独立。 (2)图像识别匹配的流程与程序尽可能地自动化，计算方法能基本上对全部图片适用，程序能够对尽可能多的类的图片有效，而不能只对部分识别匹配有效。(3)图片计算规格要统一，裁剪的边缘大小应当一致。(4)假设不同的图片在相同的滤波去噪，图像分割，以及形态化处理的过程中彼此的差异影响都很小，可忽略不计。(5)数据，程序真实、可靠，拒绝作假。 2.分析方法与过程分析方法与过程分析方法与过程分析方法与过程 2.1.总体流程总体流程总体流程总体流程 针对道路破损图像的研究，基于两阶段识别匹配，我们主要从以下几个环节去做，（2~4）为第一阶段图片识别匹配，(5)为第二阶段图片识别匹配： (1).图像处理我们从两方面入手，一方面是图像识别，对已经分类或者可以认知的图像数据进行学习训练，从这些训练中得到一些有效参数，系数或者向量，为后面的图像检验做准备；另一方面是图像匹配，用应经训练好的参数数据去检验未知的样本，然后计算匹配结果。 (2).图像预处理，图像预处理包括尺寸大小归一化，灰度化，图像边缘裁剪，因为图片的裂缝大致可以分为浅色缝与深色缝，统一处理会发现提取的并不一定是我们感兴趣的区域，而是这些区域的边缘，鉴于此，我们对浅色缝进行灰度取反运算，就成了深色缝，然后进行低通滤波处理，得到平滑图像，再图像分割得到二值图像，提取最大几个区域，最后对这些区域进行细化处理与剔除毛躁影响。 (3).特征提取。特征提取主要包括两方面，一方面来自于目标区域的特征提取，例如面积，长度，周长；另一部分是对目标区域细化剔除毛躁后的特征提取，例如面积，横纵投影，矩形度，分散度。 (4).图像识别与识别。首先训练给定的或者已知分类得到的参数数据，然后通过这些得到的参数模型去检验任意提供的图片，得出结果。 (5).上面的方法对于处理严重裂纹裂缝，龟裂，网裂，坑槽，都有表较好的效果，但是对于轻微裂缝与正常路面分类的结果不太明显，或者错判率较高。因此有必要对于这两类无法较好地识别匹配，于是对这些图片重新建模识别、匹配。先提取图片的中心点区域，图像增强，先后采用低通滤波平滑处理，与高通滤波方法消噪处理，然后提取阈值进行图像分割，得到二值图像，再进行图像形态化处理，获得关键区域，再进行特征提取，最后识别分类。(6).得出结论。 2.2.具体步骤具体步骤具体步骤具体步骤
步骤一步骤一步骤一步骤一：：：：原始图像设为org，读取并灰度化。由于每幅图的大小并不一样，有的尺寸为：384*288，有的为640*512，所以重新统一图片大小，我们定为[600*500]。对原始图片灰度化，并对图片进行 第5页，共14页 裁剪。去除图片边缘噪音的影响，这样会减少边缘灰度值过大或者过小对后面区域提取的影响。下面我们以图片(轻微裂缝02.JPG)、(坑槽04.JPG)、(严重龟裂02.JPG)为例进行说明。
步骤步骤步骤步骤二二二二：：：：由于图片库提供的图片的裂纹，有些裂纹灰度值比背景灰度小，例如：图（轻微裂缝02.JPG），而有些是比背景灰度大例如：图（严重裂缝01.JPG），这说明预处理图片不能统一处理，针对这两种情况，我们采用自动判别的方式，然后自适应矫正。给定一个合适的灰度阈值，统计灰度图片在灰度阈值两边的像素点，看哪边的像素点相对，若对于裂纹灰度比背景灰度大，我们直接进入后面的步骤，若是裂纹灰度值比背景灰度小，我们采用灰度取反运算，然后进入后面的计算。
步骤步骤步骤步骤三三三三：：：：滤波处理。滤波处理我们认为要尽量保留缝隙原本的信息，例如形状，位置，长度等，所我们这部分没有采用高通滤波器，例如中值滤波，自适应滤波，因为高通滤波器会在除去噪音的同时，也会去掉部分的目标区域，这不利于我们后面，面积、长度、宽度，以及横纵投影的特征提取，为了便于后面提取关键区域，我们采用了低通滤波器的方法，对图像进行平滑处理。
步骤步骤步骤步骤四四四四：：：：图像分割。提取灰度阈值。灰度阈值的提取方法有很多，例如单元级影响块分割阈值选择法[1]，Otsu阈值选择法[2]、迭代阈值选择法[3]，我们这里采用了分块局部阈值选择法。分块阈值选择法： (1)将滤波得到的灰度图进行分块处理，不妨设为M块，M选取要足够大比较合适，可以选取1515×=M，每一块表示为MmimgmL,2,1,= (2)在每一块内进行阈值提取，第m块区域的平均灰度可以表示为： lengthwidthjiimgMeanwidthilengthjmm×=∑ ∑),( 其中lengthwidth,分别表示为第m块区域的宽与长。 第m块区域阈值定义为：kMeanTmm×=；这里的k起到一个定量分析的作用，经验选取为979.0=k，提取效果会比较好。 基于Otsu法[2]、迭代法[3]、全局阈值选择法不同阈值选择方法，以图(坑槽04.JPG)为例对图像在相同的滤波条件下进行分割，Otsu阈值选择法，迭代阈值，全局阈值以及得到的二值图像黑白分布不太均匀，造成某个区域会特别黑，这会影响后面目标区域的选择，而分块局部阈值选择法刚好能克服这些缺点，使得后面得到的二值图像能较好反应原图的信息得到结果如下所示： 从上面结果可以看出，Otsu选择法，迭代阈值选择法，全局阈值选择法，得到的二值图像分布不均匀，目标区域不够显著，不利于后面的区域提取，而分块局部阈值选择法能够较好地处理灰度不均匀的图像分割问题。
步骤步骤步骤步骤五五五五：：：：二值图像形态学处理。由于得到的二值图像里的对象非常多，于是我们采用二值图像形态学运算，这里采用了去除孤立点，开运算的处理，下面看的出来变化很小。
步骤步骤步骤步骤六六六六：：：：提取目标区域。得到的图像还是有很多的对象，但是从上面图像看得出来这些图像被分成了若干个连通体，我们找到这些连通体，并一一标记，然后找到面积最大的那个，接着依次找到面积大于某个值的区域，并对这里的图像进行几何特征提取。例如：最大几个连通