基于数字图像处理的路面缺陷识别正文(2)

第二章首先介绍了各种中值滤波、均值滤波以及小波阈值去噪等方法的特点，并根据情况对中值滤波和均值滤波做了比较，根据它们在路面图像去噪中的效果，证明了中值滤波在路面图像去噪处理中是有效的、可行的。然后对图像分割算法进行了讨论，并且提出了本文所用的扩展sobel算子对裂纹图像主要目标特征（裂纹边缘）进行增强。

第三章介绍了路面缺陷的定性标准及给出识别结果。

第四章对论文所研究结果进行了总结性的分析，并在所研究的结果的基础上 指出有待于后续发展和完善的内容。

大学毕业论文

2 路面破损图像处理

2.1 数字图像处理的基础理论

我们所说的数字图像处理，就是通过计算机或者其它的集成数字硬件如DSP、ARM等和其他一些集成数字硬件，将外部环境的模拟图像信息进行采集并通过电信号转换为数字信号后，在通过对数字信号的一些运算处理使得图像的质量达到人们的主观要求或者预期结果。例如从遥感图片中辨认农作物、森林、湖泊和军事设施，几何校正失真的图像，使褪色模糊了的照片更清晰，去除被噪声污染的图像中的噪声，对医学显微图片中的细胞的特征进行提取，增强信息微弱的图像等等。现阶段的计算机一般都是采用顺序处理的思想，如果图像的信息量较大，则运算处理速度就比不上光学方法。随着高速集成电路硬件和计算机技术的迅速发展，图像处理技术将会取得更大的进展。

图 2-1数字图像处理结构图

数字图像处理的基本步骤如图2-1所示:

图像获取是图2-1所示的数字图像处理的第一步。图像增强是数字图像处理

大学毕业论文

最简单并且是最有吸引力的领域，因为增强不但满足计算机的要求，也可以满足人们主观视觉效果的要求。基本上，图像增强的思路是寻找并重现那些被模糊了的细节，或者简单的突出一幅图像中我们所感兴趣的一些特征。一个简单的图像增强的例子是增强图像的对比度，使其看起来的视觉效果更好一些。一般来说，图像增强是图像处理中比较主观的领域。图像复原也是改进图像外貌的一个图像处理领域。然而，图像复原是客观的，在某种意义上说，复原技术倾向于以图像退化的数学或者概率模型为基础，相对的，增强以怎样获得比较好的图像效果这是人的主观偏爱为基础的。压缩，正如其名称所指的意思，所涉及的技术是减少图像的存储量，或者在传输图像时的物理需求。彩色图像处理已逐步成为一个重要领域，因为基于互联网的图像处理应用正在不断增加。形态学处理是一种提取图像元素的工具，它在表现和描述形状方面有非常好的效果。分割过程是将一幅图像划分为几个组成部分或者用来突出目标物，通常，自主分割是数字图像处理中最为困难的任务之一，成功解决要求物体被分别识别出来的成像问题一般需要复杂的分割过程，这就导致需要大量的计算机处理工作，另一方面，不稳定的分割算法以及鲁棒性不高基本总是会导致图像识别的最终失败。通常分割越准确，成功识别概率越高。表示与描述一般是是跟随在分割步骤的输出后面，一般来说这一输出是没有经过加工的数据，其构成不是其区域本身的所有点就是区域的边缘（区分一个图像区域与另一个图像区域的像素集）。不论何种情况，把采集到的数据转换为适合计算机处理的形式都是必要的。首先需要确定的是数据是应该被表现为整个区域还是边界。当感兴趣的特征是图像外部形状特性（如曲线、拐角）时，那么适合用边界表示。当感兴趣的特征是内部特性(如纹理、骨骼形状)时，则适合用区域表示。选择一种表现方式仅仅是解决把原始数据转换为合适计算机后续处理形式的一部分。在一些应用中，这些表示方法是互补的。为了描述数据以使感兴趣的特征更突出，还必须确定一种方法。描述也称为特征选择或者是提取特征，该处提到的特征是一些感兴趣的信息或者是区分目标物与其他背景的基础。识别是基于对目标物的描述给目标赋以特征符号的一个过程。关于问题域的知识以知识库的形式被编码装入一个数字图像处理系统。知识库或者相当复杂，如材料监测问题中所有主要缺陷的图像数据库或者相关列表。除了引导每一个处理模块的操作，知识库还要控制模块间的交互。这一知识库也或如图2.1

大学毕业论文

所示那样简单，由此步骤，需要的信息被搜索定位，这样，限制性的搜就被引导到寻找的信息处。这一特点在图2.1中的处理模块和知识库之间用双箭头连接。实际应用中，在特定的应用场合，并不是需要所有的处理模块，根据使用场合的具体情况选取需要的模块即可。下面将根据路面裂纹这个特定使用场景的具体情况进一步对它们进行研究[10]。

2.2 路面裂纹图像的特点

在路面裂纹图像数据的采集过程中，由于采集设备成像原理的多样性及路面状况的复杂性，会采集到具有不同特点的路面图像，而路面图像的这些特点直接影响甚至决定着图像处理的实现算法的选取。对于不同的图像特征，算法的选择是不同的。我们感兴趣的各类图像的产生都是通过形成图像的场景元素和照射源对光的吸收或者反射相结合的方式原理得到的。这里的“场景”和“照射”代表了比我们一般接触到的情况（如，各种三维场景被可见光源照射）更一般的事实。举例来说，照射可能由电磁能源引起，如红外线、X射线能源或者雷达。但是，如前所指，照射也可以由计算机产生的照射模式，甚至由超声波等非传统光源产生。与“照射”类似，场景可能是我们身边接触到的熟悉的物体，但是，它们也可能是人类大脑、分子或者人体骨骼，甚至我们可以做到对一个光源的成像，如对太阳成像。根据光源的性质的不同，我们所说的照射的能量可经过物体透射或者从物体反射。第一类可举例如使用X射线通过透射人体产生一幅X光诊断照片，第二类例子如镜面反射、全反射。在一些特定的应用中，透射和反射都能聚焦到一个图像转换器上（图像屏幕），该转换器的作用是可以把能量转换为可见光。伽马成像和电子显微镜的应用就是这种方法的使用。尽管进行图像的采集的图像采集设备以及成像原理不同，但是我们的最终目标还是相同的，那就是获得高质量的路面图像。由于图像采集设备的不同，采集到的路面破损图像的质量也是不一样的，这是因为[11]：

（1）各种人造光源亮度不一样。

（2）摄像头距离地面高度的不同；

（3）相对于路面的摄像角的不同；

（4）测量车行驶速度的不同；

（5）是否应用了人造光源；

大学毕业论文

由于摄像机的成像原理以及系统的特点，采集到的路面图像的特点一般是中间亮，周围边缘较暗。基于摄像机的路面裂纹采集系统，因为工作环境的复杂性以及路面信息本身的多样复杂性，在获取有用信号中掺杂了大量妨碍我们进行路面特征识别的噪音。一般来说，在采集到的路面图像中包含三类对象：一类是裂纹，也既识别的目标；一类就是我们不希望看到的妨碍我们进行路面特征识别的噪音，次类对象也是我们为了更好的进行裂纹图像识别而要下足功夫消除或者削弱的；还有一类是状况良好的路面，即背景。这样，我们可以把数字图像分为三类像素集：代表裂纹的像素集、代表所夹杂噪音像素集以及代表背景的像素集。一般情况下，裂纹像素集应该比背景像素集更暗一些。但是受到诸多的因素的影响，这种情况将会有所不同。具体情况为[12]：

（1）背景像素集的灰度值与裂纹像素集的灰度值有部分的重叠；

（2）路面图像的信息量一般比较大；

（3）裂纹像素集元素数量远小于背景的像素集元素数量；

（ …… 此处隐藏：3064字，全部文档内容请下载后查看。喜欢就下载吧 ……