專利名稱：一種基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一項(xiàng)自動(dòng)檢測(cè)技術(shù)，尤其是一種對(duì)路面圖像增強(qiáng)的方法、一種基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法。
背景技術(shù)：
裂縫是公路路面最常見(jiàn)的病害，對(duì)公路的危害極大。特別在冬季和春季，因時(shí)有雨、雪滲入，在行車荷載的作用下，使本來(lái)就處于裂縫狀態(tài)的路面病害更加嚴(yán)重。路面病害發(fā)現(xiàn)不及時(shí)，為道路養(yǎng)護(hù)工作帶來(lái)很多麻煩，增加養(yǎng)護(hù)成本，一定程度上也使得道路養(yǎng)護(hù)的滯后。路面裂縫檢測(cè)傳統(tǒng)的方法是采用人工現(xiàn)場(chǎng)目測(cè)丈量與調(diào)查的方法。這種方法存在主觀判讀誤差，效率低，大大影響了公路破損程度信息的及時(shí)性、科學(xué)性、準(zhǔn)確性。因此，采用圖像處理和模式識(shí)別技術(shù)，研究路面裂縫自動(dòng)檢測(cè)方法，開(kāi)發(fā)和設(shè)計(jì)快速、高效、準(zhǔn)確的路面裂縫自動(dòng)檢測(cè)方法具有重要的意義?，F(xiàn)有的裂縫檢測(cè)方法主要分兩類一類是以數(shù)字圖像處理技術(shù)為主的方法，該方法主要目的是提高圖像成像質(zhì)量，使操作者觀察更清晰。另一類是“半自動(dòng)檢測(cè)方法”，該方法對(duì)部分圖像可實(shí)現(xiàn)自動(dòng)識(shí)別裂縫的類型，而對(duì)較難識(shí)別部分由人工判斷，從而實(shí)現(xiàn)提醒操作者、避免失誤、減少勞動(dòng)強(qiáng)度的作用。以數(shù)字圖像處理技術(shù)為主的方法，其步驟為(I)圖像對(duì)比度增強(qiáng)，如直方圖修正技術(shù)、頻率域增強(qiáng)法。(2)圖像去噪聲，如中值濾波、小波去噪、偏微分方程方法。(3)裂縫邊緣檢測(cè)，基于經(jīng)典算子如Sobel算子、Laplace算子等。半自動(dòng)檢測(cè)方法的主要步驟為(I)圖像對(duì)比度增強(qiáng)，如直方圖修正技術(shù)、頻率域增強(qiáng)法。(2)圖像去噪聲，如中值濾波、小波去噪、偏微分方程方法。(3)裂縫邊緣檢測(cè)，基于經(jīng)典算子如Sobel算子、Laplace算子等。(4)裂縫特征提取從圖像樣本中得到的對(duì)裂縫分類有用的度量或?qū)傩裕闷浞从巢煌芽p類別之間的本質(zhì)差別。(5)裂縫分類一般采用有監(jiān)督學(xué)習(xí)方法，預(yù)先已知訓(xùn)練樣本集中每個(gè)樣本的類別標(biāo)號(hào)，也就是說(shuō)分別給出了每個(gè)類別的訓(xùn)練樣本集，然后應(yīng)用這樣的訓(xùn)練樣本集進(jìn)行訓(xùn)練；設(shè)計(jì)出相應(yīng)的分類器，根據(jù)特征矢量值來(lái)決定樣本類型。(6)人工分類對(duì)拒識(shí)樣本采用人工分類辦法。現(xiàn)有方法對(duì)裂縫可疑區(qū)域定位準(zhǔn)確性較低的原因有(I)裂縫情況復(fù)雜，如坑槽、松散等水損壞，車撤、推擁的流動(dòng)性變形，從而造成形狀、面積和深淺表現(xiàn)各異的裂縫。(2)由于成像設(shè)備本身是在自然場(chǎng)景中高速運(yùn)行過(guò)程中拍攝，噪聲、光照的形成的陰影等因素對(duì)可疑區(qū)的檢測(cè)形成干擾。也就是說(shuō)，現(xiàn)有的裂縫檢測(cè)方法(無(wú)論是數(shù)字圖像處理技術(shù)為主的方法，還是“半自動(dòng)檢測(cè)方法”)在識(shí)別過(guò)程中都需要人工參與，而并非真正意義上的自動(dòng)檢測(cè)。原因是目前的裂縫檢測(cè)方法中存在一個(gè)矛盾，即現(xiàn)有方法對(duì)裂縫可疑區(qū)域定位準(zhǔn)確性較低，同時(shí)，裂縫分類對(duì)可疑區(qū)域的定位精度要求較高。

發(fā)明內(nèi)容
本發(fā)明旨在提供一種基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法，可對(duì)自然場(chǎng)景中高速運(yùn)行過(guò)程中獲得的各種裂縫圖像進(jìn)行自動(dòng)識(shí)別。利用該方法可對(duì)裂縫可疑區(qū)域?qū)崿F(xiàn)高精確性定位，并采用多示例分類方法對(duì)定位錯(cuò)誤的區(qū)域進(jìn)行魯棒性識(shí)別。為達(dá)到上述目的，本發(fā)明提供了一種路面裂縫檢測(cè)方法，其步驟為步驟11:采用模糊邏輯的路面裂縫圖像對(duì)比度增強(qiáng)算法，達(dá)到提高所采集圖像整體對(duì)比度和增強(qiáng)裂縫圖像細(xì)節(jié)的雙重目標(biāo)。步驟12:采用基于主動(dòng)輪廓模型的方法對(duì)路面裂縫進(jìn)行檢測(cè)。步驟13:采用基于多示例學(xué)習(xí)方法對(duì)路面裂縫進(jìn)行分類。實(shí)施時(shí)，步驟11包括步驟111 :裂縫圖像歸一化處理。步驟112 :裂縫圖像局部信息提取及模糊化。步驟113 :裂縫圖像整體對(duì)比度轉(zhuǎn)`換。實(shí)施時(shí)，步驟12包括步驟121 :采用一種基于有監(jiān)督學(xué)習(xí)的局部特征分類方法，進(jìn)行ROI的確定。步驟122 :將建立一種基于概率距離和水平集方法的主動(dòng)輪廓模型，對(duì)劃分出的感興趣區(qū)域進(jìn)行分割。實(shí)施時(shí)，步驟12包括步驟1:將圖像劃分為相同大小的塊，每一塊的大小為9X9。步驟2 :圖像的模糊化將圖像通過(guò)最大模糊熵方法進(jìn)行模糊化，以使所有的圖像變換到同樣的亮度水平上。步驟3 :局部特征的提取采用一系列共生矩陣度量表示圖像塊的局部特征。由于裂縫圖像中的局部特征并不具有特定的方向性，為了減少特征向量的維數(shù)，將相對(duì)距離的共生矩陣中提取的局部特征的均值作為一個(gè)特征進(jìn)行分類。步驟4 :分類器的訓(xùn)練采用支持向量機(jī)方法對(duì)圖像塊進(jìn)行分類。支持向量機(jī)可通過(guò)核函數(shù)將樣例由低維空間映射到高維空間,從而解決非線性分類問(wèn)題。步驟5 :感興趣區(qū)域的確定在對(duì)圖像塊進(jìn)行分類后，將利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)分類結(jié)果構(gòu)成的二值圖像進(jìn)行修正，從而確定感興趣區(qū)域。步驟6 :計(jì)算裂縫圖像邊界指示函數(shù)定義Φ為用于表示裂縫邊界的水平集函數(shù)，Εβ(Φ)和^($)分別是基于邊緣與基于區(qū)域的模型項(xiàng)，Εβ(Φ)用于描述原始裂縫圖像中各區(qū)域內(nèi)灰度的概率分布密度，對(duì)圖像的全局信息建模；ΕΚ(Φ)用于描述裂縫圖像中的局部灰度變化，對(duì)圖像的局部信息建模；ΕΡ(Φ)是一個(gè)懲罰項(xiàng)，防止在邊界演化過(guò)程中水平集函數(shù)Φ變得過(guò)陡，收斂于不正確的位置，α，β和Υ分別是三個(gè)模型項(xiàng)的權(quán)值。則最終的裂縫圖像邊界指示函數(shù)定義為Ε(Φ) = α · Eb( Φ) + β · Ee( Φ) + Y · Ep( Φ) ο步驟7 :為了在最小化能量泛函的過(guò)程中控制水平集函數(shù)的演化，防止水平集函數(shù)變得過(guò)平或過(guò)陡，影響檢測(cè)過(guò)程，采用無(wú)重新初始化的演化控制方法。步驟8 :計(jì)算不同區(qū)域中強(qiáng)度分布的實(shí)際值與估計(jì)值之間的概率差，利用變分法導(dǎo)出相應(yīng)的Eular-Lagrange方程,得到水平集函數(shù)的演化方程。步驟9 :演化方程的穩(wěn)定狀態(tài)，即得到裂縫的準(zhǔn)確位置實(shí)施時(shí)，步驟13包括步驟131 :構(gòu)建多示例包，將圖像全局分塊，塊大小為bl*bl，圖像為一個(gè)包，包已知標(biāo)簽，每個(gè)塊為包中的一個(gè)示例(橫裂，縱裂，塊裂，龜裂，圖像背景區(qū)域)，示例未知標(biāo)簽，如下定義，所有裂縫劃為一類，圖像背景區(qū)域，即非裂縫區(qū)域?yàn)橐活?，若其中存在至少一個(gè)裂縫示例，則此包為正例包，反之則為反例包。步驟132 :對(duì)裂縫進(jìn)行特征提取。步驟133 :采用基于多示例學(xué)習(xí)方法對(duì)路面裂縫進(jìn)行分類。實(shí)施時(shí)，裂縫特征包括裂縫方位、邊緣特征，外接矩形面積、裂縫長(zhǎng)度、長(zhǎng)寬比(外接矩形的長(zhǎng)寬比)、最長(zhǎng)最短徑比、平均歸一化徑向長(zhǎng)度、平均歸一化徑向長(zhǎng)度標(biāo)準(zhǔn)差、平均歸一化徑向長(zhǎng)度的熵、面積比率、邊緣粗糙度、輻射狀特征、方位角度。實(shí)施時(shí)，步驟133包括步驟1331 :構(gòu)建訓(xùn)練樣本庫(kù)，選擇不同場(chǎng)景下的橫裂，縱裂，塊裂，龜裂樣本。步驟1332 :計(jì)算每一個(gè)樣本的13維特征,形成樣本的特征向量。步驟1333 :使用訓(xùn)練好的模型，對(duì)裂縫進(jìn)行自動(dòng)分類。本發(fā)明還提供一種基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法，包括以下步驟步驟100 :對(duì)路面裂縫圖像對(duì)比度增強(qiáng)；步驟200 :基于步驟100的經(jīng)過(guò)對(duì)比度增強(qiáng)后的圖像，進(jìn)行路面裂縫區(qū)域精確檢測(cè)；步驟300 :基于步驟200的精確檢測(cè)結(jié)果，對(duì)路面裂縫進(jìn)行分類。本發(fā)明還提供一種對(duì)路面圖像的增強(qiáng)方法，包括以下步驟步驟1000，計(jì)算背景灰度信息熵和裂縫灰度信息熵，來(lái)確定背景和目標(biāo)的最佳閾值；步驟2000，使用步驟1000中的最佳閾值來(lái)確定隸屬度函數(shù)的參數(shù)，步驟3000，用冪函數(shù)作為增強(qiáng)轉(zhuǎn)換函數(shù)，利用冪函數(shù)的指數(shù)作為增強(qiáng)調(diào)節(jié)系數(shù)。所述調(diào)節(jié)系數(shù)由分別代表局部 信息和全局信息的兩部分參數(shù)構(gòu)成；其中局部信息是根據(jù)像素點(diǎn)所處窗口的邊緣均值計(jì)算而得。所述步驟1000進(jìn)一步包括步驟1100 :輸入原始圖像gOTig，計(jì)算歸一化后圖像X，并計(jì)算圖像X的平均灰度值k ；步驟1200 :在區(qū)間
上逐一取值賦給t，計(jì)算背景灰度信息熵Hb (t)和目標(biāo)灰度信息熵和Ho⑴；步驟1300 :由最大信息熵確定最佳閾值t*。所述步驟2000進(jìn)一步包括以下步驟步驟2100 :計(jì)算隸屬函數(shù)參數(shù)b=t*, a=2b-c, c為圖像x灰度的最大值,將圖像x轉(zhuǎn)換到模糊域，計(jì)算μ x (Xmn)，其中Xmn為圖像中的像素點(diǎn)(m，n)的灰度值；步驟MOO :計(jì)算當(dāng)前位置為(m，η)的像素點(diǎn)局部邊緣值，若值為零，則求出增強(qiáng)后的該點(diǎn)灰度值V 否則執(zhí)行步驟2300:；步驟2300 :計(jì)算以當(dāng)前位置為(m，n)的像素點(diǎn)為中心的窗口的邊緣均值^^磯)和近似度系數(shù)cU*-);步驟2400 :計(jì)算模糊信息熵P mn，計(jì)算參數(shù)值小值δ min ；步驟2500 :計(jì)算增強(qiáng)系數(shù)σ ■和轉(zhuǎn)換對(duì)比度，然后計(jì)算增強(qiáng)后模糊隸屬度值和空間域內(nèi)灰度值；步驟2600 :判斷圖像中的所有像素點(diǎn)是否全部處理完，如果是則結(jié)束，否則繼續(xù)進(jìn)行運(yùn)算。此外，本發(fā)明還提供一種基于路面圖像的路面裂縫檢測(cè)方法，包括以下步驟步驟1000，生成的低精度的與實(shí)際的裂縫區(qū)域較為接近的感興趣區(qū)域；步驟2000，檢測(cè)以確定裂縫區(qū)域的精確位置。所述步驟1000中，在低精度的感興趣區(qū)域生成中，進(jìn)一步包括以下步驟步驟1100，通過(guò)支持向量機(jī)方法建立分類器，將所有圖像塊分為“裂縫”與“背景”兩類；步驟1200，將分類生成的二值化圖像進(jìn)行后處理，并確定感興趣區(qū)域。本發(fā)明的另一實(shí)施方式中，提供一種基于路面圖像的路面裂縫檢測(cè)方法，包括以下步驟
`
步驟1000，在高一級(jí)尺度層次上對(duì)完整的裂縫圖像進(jìn)行檢測(cè)，找到一個(gè)該尺度層次下的分類用感興趣區(qū)域；步驟2000，降低尺度層次，參考在較高尺度層次下得到的定位結(jié)果，在較低尺度上對(duì)圖像的全部或某一部分進(jìn)行處理，提高定位精度，直到得到符合后續(xù)步驟精度要求的分類用感興趣區(qū)域?yàn)橹?。本發(fā)明的另一實(shí)施方式中，提供一種基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法，包括以下步驟步驟1000 :采用模糊邏輯的路面裂縫圖像對(duì)比度增強(qiáng)；步驟2000 :對(duì)步驟1000中經(jīng)過(guò)對(duì)比度增強(qiáng)的圖像采用基于主動(dòng)輪廓模型的方法對(duì)路面裂縫進(jìn)行檢測(cè)；步驟3000 :對(duì)步驟2000中檢測(cè)出的路面裂縫，采用基于多示例學(xué)習(xí)方法對(duì)路面裂縫進(jìn)行分類。所述步驟1000進(jìn)一步包括步驟1100 :對(duì)裂縫圖像歸一化處理；步驟1200 :對(duì)步驟1100處理后的圖像進(jìn)行圖像局部信息提取及模糊化；步驟1300 :對(duì)步驟1200處理過(guò)的圖像進(jìn)行整體對(duì)比度轉(zhuǎn)換。所述步驟2000進(jìn)一步包括步驟2100 :采用基于有監(jiān)督學(xué)習(xí)的局部特征分類方法，進(jìn)行感興趣區(qū)域ROI的確定;步驟2200 :對(duì)劃分出的感興趣區(qū)域進(jìn)行分割；所述步驟3000進(jìn)一步包括步驟3100 :構(gòu)建多示例包，將圖像全局分塊，塊大小為bl*bl，圖像為一個(gè)包，包已知標(biāo)簽，每個(gè)塊為包中的一個(gè)示例；步驟3200 :對(duì)裂縫進(jìn)行特征提??；步驟3300 :采用基于多示例學(xué)習(xí)方法對(duì)路面裂縫進(jìn)行分類。與現(xiàn)有技術(shù)相比，本發(fā)明能夠?qū)ψ匀粓?chǎng)景中高速運(yùn)行過(guò)程中獲得的各種裂縫圖像進(jìn)行準(zhǔn)確地自動(dòng)識(shí)別。


圖1是本發(fā)明所述的基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法技術(shù)路線2是本發(fā)明所述的模糊邏輯的路面裂縫圖像對(duì)比度增強(qiáng)算法技術(shù)路線3是本發(fā)明所述的基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法技術(shù)路線4是本發(fā)明所述的基于多示例的路面裂縫分類方法技術(shù)路線圖
具體實(shí)施例方式下面結(jié)合說(shuō)明書(shū)附圖對(duì)本發(fā)明作進(jìn)一步的描述。本發(fā)明設(shè)計(jì)的基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法，是一種全自動(dòng)的裂縫分類方法，能對(duì)自然場(chǎng)景中高速運(yùn)行過(guò)程中獲得的各種裂縫圖像進(jìn)行準(zhǔn)確地自動(dòng)識(shí)別。本發(fā)明設(shè)計(jì)的基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法，在第一實(shí)施方式中，本發(fā)明提供一種基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法，該方法分為三個(gè)步驟第一步為路面裂縫圖像對(duì)比度增強(qiáng)，第二步為路面裂縫區(qū)域精確檢測(cè)，第三步為路面裂縫分類。如圖1所示，該方法是一種基于水平集方法的主動(dòng)輪廓模型。其主要有如下兩個(gè)特點(diǎn)首先，該方法以各區(qū)域中的實(shí)際灰度概率密度分布和估計(jì)概率密度分布的差異為基礎(chǔ)建立檢測(cè)模型。在該方法中，估計(jì)概率密度分布模型通過(guò)裂縫圖像的背景知識(shí)建立，可以有效地對(duì)裂縫圖像中的各區(qū)域的灰度分布進(jìn)行合理建模。在此條件下，通過(guò)最小化實(shí)際概率密度與估計(jì)概率密度之間差異，可以使檢測(cè)后產(chǎn)生的各區(qū)域中的實(shí)際概率密度具有合理的分布，從而獲得較好的分割結(jié)果。其次，該方法在原始圖像上利用了裂縫圖像中灰度分布的背景知識(shí)建立全局信息模型，同時(shí)利用局部邊緣響應(yīng)建立局部信息模型。上述第一實(shí)施方式中所述的三個(gè)步驟優(yōu)選為(I)裂縫增強(qiáng)本領(lǐng)域的技術(shù)人員能夠理解，該裂縫增強(qiáng)步驟可單獨(dú)構(gòu)成一種裂縫增強(qiáng)技術(shù)方案。該步驟進(jìn)一步包括步驟(1-1)，基于圖像自身灰度分布特點(diǎn)，分別計(jì)算背景灰度信息熵和裂縫灰度信息熵，用最大模糊信息熵原則來(lái)確定背景和目標(biāo)的最佳閾值。步驟(1-2)，使用最佳閾值決定隸屬度函數(shù)的參數(shù)，充分利用了圖像中的灰度信
肩、O步驟(1-3)，用冪函數(shù)作為增強(qiáng)轉(zhuǎn)換函數(shù)，巧妙地利用冪函數(shù)的指數(shù)作為增強(qiáng)調(diào)節(jié)系數(shù)。該系數(shù)由分別代表局部信息和全局信息的兩部分參數(shù)構(gòu)成。其中局部信息是根據(jù)像素點(diǎn)所處窗口的邊緣均值計(jì)算而得。邊緣均值越高，說(shuō)明該區(qū)域越不平坦，即處在邊緣或紋理變化劇烈區(qū)域的可能性越高，相應(yīng)的提高其增強(qiáng)系數(shù)。反之，像素點(diǎn)所處區(qū)域越平坦，則降低其增強(qiáng)系數(shù)，使得算法可達(dá)到同時(shí)提高整體對(duì)比度和增強(qiáng)圖像細(xì)節(jié)的雙重目標(biāo)。
作為一個(gè)非限制性的描述性的說(shuō)明，上述步驟(1-1)至(1-3)的步驟如下I)輸入原始圖像gOTig，其尺寸為mXn，計(jì)算歸一化后圖像X，并計(jì)算圖像X的平均灰度值k;2)在區(qū)間
上逐一取值賦給t，利用公式(I)和⑵計(jì)算背景灰度信息熵Hb (t)和目標(biāo)灰度信息熵和!Ut)，其中pl，p2，…，pN是各個(gè)灰度級(jí)的分布概率；
權(quán)利要求
1.ー種路面裂縫檢測(cè)方法，包括以下步驟 步驟100 :對(duì)路面裂縫圖像進(jìn)行對(duì)比度增強(qiáng)； 步驟200 :基于步驟100的經(jīng)過(guò)對(duì)比度增強(qiáng)后的圖像，進(jìn)行路面裂縫區(qū)域精確檢測(cè)； 步驟300 :基于步驟200的精確檢測(cè)結(jié)果，對(duì)路面裂縫進(jìn)行分類。
2.ー種對(duì)路面圖像的增強(qiáng)方法，包括以下步驟 步驟1000，計(jì)算背景灰度信息熵和裂縫灰度信息熵，來(lái)確定背景和目標(biāo)的最佳閾值； 步驟2000，使用步驟1000中的最佳閾值來(lái)確定隸屬度函數(shù)的參數(shù)； 步驟3000，用冪函數(shù)作為增強(qiáng)轉(zhuǎn)換函數(shù)，利用冪函數(shù)的指數(shù)作為增強(qiáng)調(diào)節(jié)系數(shù)進(jìn)行圖像增強(qiáng)。
3.如權(quán)利要求2所述的對(duì)路面圖像增強(qiáng)的方法，其特征在于 所述調(diào)節(jié)系數(shù)由分別代表局部信息和全局信息的兩部分參數(shù)構(gòu)成；其中局部信息是根據(jù)像素點(diǎn)所處窗ロ的邊緣均值計(jì)算而得。
4.如權(quán)利要求2所述的對(duì)路面圖像增強(qiáng)的方法，其特征在于 所述步驟1000進(jìn)ー步包括 步驟1100 :輸入原始圖像gOTig，計(jì)算歸ー化后圖像X，并計(jì)算圖像X的平均灰度值k ;步驟1200 :在區(qū)間
上逐一取值賦給t，計(jì)算背景灰度信息熵Hb (t)和目標(biāo)灰度信息熵和Ho (t)； 步驟1300 :由最大信息熵確定最佳閾值t*。
5.如權(quán)利要求4所述的對(duì)路面圖像增強(qiáng)的方法，其特征在于 所述步驟2000進(jìn)ー步包括以下步驟 步驟2100 :計(jì)算隸屬函數(shù)參數(shù)b=t*, a=2b-c, c為圖像x灰度的最大值,將圖像x轉(zhuǎn)換到模糊域，計(jì)算Ux(Xnm),其中Xnm為圖像中的像素點(diǎn)(m，n)的灰度值； 步驟2200 :計(jì)算當(dāng)前位置為(m，n)的像素點(diǎn)局部邊緣值 U，若5 ,,值為零，則求出增強(qiáng)后的該點(diǎn)灰度值X' 否則執(zhí)行步驟2300 ; 步驟2300 :計(jì)算以當(dāng)前位置為(m，n)的像素點(diǎn)為中心的窗ロ的邊緣均值和近似度系數(shù)r丸',; 步驟2400 :計(jì)算模糊信息熵P ，計(jì)算參數(shù)值小值5 min ； 步驟2500 :計(jì)算增強(qiáng)系數(shù)0 ■和轉(zhuǎn)換對(duì)比度然后計(jì)算增強(qiáng)后模糊隸屬度值和空間域內(nèi)灰度值； 步驟2600 :判斷圖像中的所有像素點(diǎn)是否全部處理完，如果是則結(jié)束，否則繼續(xù)進(jìn)行運(yùn)算。
6.一種基于路面圖像的路面裂縫檢測(cè)方法，包括以下步驟 步驟1000，生成的低精度的與實(shí)際的裂縫區(qū)域較為接近的感興趣區(qū)域； 步驟2000，檢測(cè)以確定裂縫區(qū)域的精確位置。
7.如權(quán)利要求6所述的基于路面圖像的路面裂縫檢測(cè)方法，其特征在于 所述步驟1000中，在低精度的感興趣區(qū)域生成中，進(jìn)ー步包括以下步驟 步驟1100，通過(guò)支持向量機(jī)方法建立分類器，將所有圖像塊分為“裂縫”與“背景”兩類；步驟1200，將分類生成的ニ值化圖像進(jìn)行后處理，并確定感興趣區(qū)域。
8.一種基于路面圖像的路面裂縫檢測(cè)方法，包括以下步驟 步驟1000，在高ー級(jí)尺度層次上對(duì)完整的裂縫圖像進(jìn)行檢測(cè)，找到ー個(gè)該尺度層次下的分類用感興趣區(qū)域； 步驟2000，降低尺度層次，參考在較高尺度層次下得到的定位結(jié)果，在較低尺度上對(duì)圖像的全部或某一部分進(jìn)行處理，提高定位精度，直到得到符合后續(xù)步驟精度要求的分類用感興趣區(qū)域?yàn)橹埂?br> 9.ー種路面裂縫檢測(cè)方法，包括以下步驟 步驟1000 :采用模糊邏輯的路面裂縫圖像對(duì)比度增強(qiáng)； 步驟2000 :對(duì)步驟1000中經(jīng)過(guò)對(duì)比度增強(qiáng)的圖像采用基于主動(dòng)輪廓模型的方法對(duì)路面裂縫進(jìn)行檢測(cè)； 步驟3000 :對(duì)步驟2000中檢測(cè)出的路面裂縫，采用基于多示例學(xué)習(xí)方法對(duì)路面裂縫進(jìn)行分類。
10.如權(quán)利要求9所述的路面裂縫檢測(cè)方法，其特征在于 所述步驟1000進(jìn)ー步包括 步驟1100 :對(duì)裂縫圖像歸一化處理； 步驟1200 :對(duì)步驟1100處理后的圖像進(jìn)行圖像局部信息提取及模糊化； 步驟1300 :對(duì)步驟1200處理過(guò)的圖像進(jìn)行整體對(duì)比度轉(zhuǎn)換。
所述步驟2000進(jìn)ー步包括 步驟2100 :采用基于有監(jiān)瞀學(xué)習(xí)的局部特征分類方法，進(jìn)行感興趣區(qū)域ROI的確定； 步驟2200 :對(duì)劃分出的感興趣區(qū)域進(jìn)行分割； 所述步驟3000進(jìn)ー步包括 步驟3100 :構(gòu)建多示例包，將圖像全局分塊，塊大小為bl*bl,圖像為ー個(gè)包,包已知標(biāo)簽，姆個(gè)塊為包中的一個(gè)示例； 步驟3200 :對(duì)裂縫進(jìn)行特征提??； 步驟3300 :采用基于多示例學(xué)習(xí)方法對(duì)路面裂縫進(jìn)行分類。
全文摘要
本發(fā)明提供一種對(duì)路面圖像增強(qiáng)的方法、以及一種基于主動(dòng)輪廓模型的路面裂縫檢測(cè)方法，包括以下步驟對(duì)路面裂縫圖像對(duì)比度增強(qiáng)；對(duì)經(jīng)過(guò)對(duì)比度增強(qiáng)后的圖像，進(jìn)行路面裂縫區(qū)域精確檢測(cè)；基于精確檢測(cè)結(jié)果，對(duì)路面裂縫進(jìn)行分類。本發(fā)明的技術(shù)方案可對(duì)自然場(chǎng)景中高速運(yùn)行過(guò)程中獲得的各種裂縫圖像進(jìn)行自動(dòng)識(shí)別。利用該方法可對(duì)裂縫可疑區(qū)域?qū)崿F(xiàn)高精確性定位，并采用多示例分類方法對(duì)定位錯(cuò)誤的區(qū)域進(jìn)行魯棒性識(shí)別。
文檔編號(hào)G06K9/46GK103048329SQ20121053164
公開(kāi)日2013年4月17日 申請(qǐng)日期2012年12月11日 優(yōu)先權(quán)日2012年12月11日
發(fā)明者承恒達(dá) 申請(qǐng)人:北京恒達(dá)錦程圖像技術(shù)有限公司