基于多技术融合的桥梁蜂窝麻面的图像分割

聂秀才,李宝林

(西华师范大学计算机学院,南充 637000)

在桥梁安全结构检测中,混凝土结构的桥梁往往伴随着诸多桥梁安全问题,诸如结构裂缝、空洞孔洞等,而蜂窝麻面也是混凝土结构桥梁常见的一种病害。此种病害不仅仅影响桥梁的美观问题,而且伴随着此病害的恶化,会严重影响桥梁的安全,甚至导致桥梁坍塌等危险。所以在桥梁安全检测中,能够快速识别检测出此类病害,并及时提出修复方案是极为重要的。图像识别问题是目前诸多领域的难题之一,尤其是在桥梁安全检测领域。目前图像处理技术在桥梁安全检测扮演着越来越重要的角色,但也面临着不少问题。对在复杂条件下的桥梁蜂窝麻面病害图像进行图像分割操作也是一个挑战。

蜂窝麻面是打造混凝土结构的骨料出现空隙、水泥浆不足、模板粗糙等因素造成的一种形状不规则的凹坑或小坑,是一种常见的桥梁外观病害。目前,应用于桥梁病害图像轮廓提取分割的算法大多为已存在的图像分割算法,且大多数应用于桥梁裂缝的分割与提取,用于蜂窝麻面图像的分割方法较少。因此基于实验提出了一种基于多种图像处理技术融合的方法。

一、基于实验的图像处理技术分析与选择

通过实验比较,才能更好地选择合适的算法。实践才能更好地体现所选方法的优与劣,因此不管是灰度化方法的选择还是二值化方法的选择,都是基于实验选择的,要选择适合实验对象的处理方式,才能更好地显示实验对象的特征。

(一)基于实验的灰度化方法选择

图像灰度化处理[1]是为了减少输入图像的信息量或者减少图像的运算量而进行的一种图像预处理操作,通俗地讲是将多维通道的图像信息转换为一维图像信息数据的过程。

以RGB颜色空间图像为基础,对于图像灰度化操作方法常用的有以下几种:1.以RGB三个分量中某一分量值作为灰度值的分量法;2.以RGB三个分量中最大值作为灰度值的最大值法;3.以RGB三个分量平均值作为灰度值的平均值法;4.加权法,基于人眼对RGB颜色敏感度而提出的分量加权法。公式如下:

式中,R、G、B均表示为像素点值矩阵。通过对原图像像素值矩阵的处理,得到相对应处理的灰度图。

各灰度化公式应用于蜂窝麻面后得到的灰度图如图1所示:

图1 四种灰度化方法取得的灰度图

其中,xlw_g.png为分量法中的G分量显示;xlwma.png为最大值法;xlwme.png为均值法;xlwgr.png为加权法。

在以上提到的几种灰度化方法中,最大值法只保留了最大分量,完全丢弃了其他分量,丢失了大部分的信息,且灰度化后的图像不是整体偏亮,就是整体偏暗;分量法也依据选择的分量不同,灰度化效果也不同,并且所得到灰度图的有效信息也丢失了不少,因此,文献[2]基于RGB单通道的高像素值像素灰度直方图分布,提出了一种基于粒子群算法寻找最佳阈值并自动生成RGB分量权值,由此进行灰度化处理,更好地体现特征。此方法重点在于保留彩色图像灰度化后的原有特征,不适合本文保留重要病害特征的特点,但思路是可取的。

对原始RGB图像进行区域分割以及分割后的区域灰度化,再进行区域二值化处理,使得该区域的二值化图像体现更好的效果,更能体现病害区域的特征[3]。该文提出的算法可以直接将处理后的灰度图打印出来,再进行一些报告制作和报告生成直接使用。

通过实验分析与比较各类灰度化方法,选择了最适合蜂窝麻面的三原色灰度化法,即加权法。

(二)基于实验的二值化方法选择

将灰度图的灰度级数设置为两级,此时的图像称为二值化图像。二值化图像的像素色彩只有黑白两种,一般色彩值为0或1。虽然灰度级数越高,越能体现图像的层次感,但实验需要的是尽可能体现最大病害的特征区域,所以选取了二值化操作。如同灰度化处理一样,二值化处理也广泛应用于图像处理中。

在灰度化原始图像之后,基于不同区域的划分进行二值化图像处理,针对分割阈值进行动态调节,以便得到更好的图像特征[4]。

通过对弱光背景下的原始图进行照度分量去除、非文字场景抑制以及最后的L0平滑滤波处理,使得处理后的图片在常规二值化时得到更好的目标结果[5]。该算法实现了少有的弱光背景下图片文字的二值化提取,并取得了比以往算法更好的结果。通过对原始数字图像进行小波分解、小波重构以及低通滤波等一系列的操作,得到图像的前景或后景分布,再引入基于直方图的二值化方法对其进行处理,明显地提高了二值化的效果[6]。

对灰度图片进行二值化处理的常用方法还有很多,本文对比采取了全局阈值法、自适应阈值法以及自定义阈值法。以上一小节得到的灰度图为基础,分别对三种二值化方法进行了实验。通过比较实验结果,得出自适应阈值法更适合所研究对象的特征需求以及实验需求。在使用加权法灰度化后,选取了自适应阈值二值化法,调整最佳阈值取得了更好的图像特征轮廓。三种方法的实验结果图如图2所示。

图2 三种二值化方法效果图

其中,xlwgr.png为加权法取得的灰度图;xlw_gr_global.png为全局阈值法下得到的二值化图;xlw_gr_custom.png为自定义阈值法下得到的二值化图;xlw_gr_local.png为自适应阈值法得到的二值化图。

在取得较好特征轮廓的情况下,图像也产生了一些的噪声点,将采取措施进一步消除噪声,保留更好的图像特征轮廓,即蜂窝麻面最大病害区域。

二、引入中值滤波实现最佳分割

中值滤波算法[7]在大类上分为基于决策的算法、开关中值滤波法、自适应滤波法三类,各有优点。实验证明,在处理椒盐噪声问题上,开关中值滤波算法略逊色于基于决策的算法,然而在噪声密度逐渐升高之后,基于决策的算法逊色于自适应中值滤波算法,所以在选择中值滤波算法进行椒盐除噪时,要依据处理数据进行最优选择。此外,自适应窗口方法的提出,也为基于决策的算法提供了新的思路,不仅能有效降噪还能降低时间复杂度。

在高浓度椒盐噪声处理中,各类滤波算法都不能有效地解决图像边缘细节与信息,目前能更好保留边缘信息与细节的算法是IMAMF[8](基于均值改进的自适应中值滤波算法)。在滤波窗口中引入了自适应的均值方法,跟随窗口滑动的同时,带有噪声检测和均值滤波处理,基于扩充图像的方式,更好地保留了图像细节与边缘信息。

中值滤波过程[9]一般分为两个步骤,第一个步骤是噪声检测,第二个步骤是噪声去除。一个发现异常目标,一个解决异常目标。噪声检测可采用极值法检测;噪声去除可使用中值滤波法等算法处理。

文献[10]针对噪声分布的情况不同、密度不同,提出了一种基于自适应窗口改动的中值滤波算法,既有效地去除了噪声,也保留了大部分图像边缘的细节信息,不足之处在于整体图像的均匀性不佳,还有待进一步完善。引入滤波操作的主要缘由是解决病害图中存在的较小的点,保留较大的病害区域。与解决图像拍摄过程中产生的各类噪声相似,以及解决光照不足、光线亮度不均匀等问题,因此使用滤波来平滑解决此类问题。

常用的模糊操作方法有均值滤波、中值滤波、自定义滤波以及高斯滤波[11]。不同滤波操作有不同的效果,既可以提取重要特征,也可以移除多余噪声。其中,高斯滤波是均值滤波的一种特例,只不过高斯滤波是加权平均操作,而均值操作只是中心像素点基于邻近像素点的平均值替代而已。由此,针对蜂窝麻面病害,进行了不同半径范围的均值滤波、中值滤波以及自定义滤波实验。由此得出了在自适应阈值二值化的前提下,均值滤波和自定义滤波操作使得二值化图起到了模糊效果,并随着所选半径的不断增加,变得更加模糊。而中值滤波操作不仅使得图像中较小噪音消失,也使剩下的病害区域越加突出,即主要的病害区域,也是蜂窝麻面病害最主要的病害特征。到此,实现了基于多图像处理技术的蜂窝麻面病害的图像分割,提取了蜂窝麻面基于二值化的主要特征。其中,基于半径渐变的中值滤波效果如图3所示:

图3 中值模糊效果图

采取中值滤波的方式,对自适应阈值二值化的图片进行了半径为9的卷积中值滤波方式,取得了较好的图像特征,保留了最重要的病害特征轮廓。

相较于以上得出的结果,进行了基于二维OTSU法以及NiBlack 法的分割对比,结果如图4所示:

图4 分割结果对比

图4中,第一张图为本算法所得到的分割结果;第二张图为NiBlack法的分割结果;第三张为二维OTSU法的分割结果。基于消除光照不足的影响以及保留主要的病害区域需求,显然,本文算法更适合于蜂窝麻面的最主要病害区域的分割。

三、结语

在光照不均、复杂环境下取得的图像往往达不到需求,因此在实验基础上,提出了一种基于融合多种图像处理技术的桥梁蜂窝麻面的图像分割算法。基于所实现的多种灰度化算法、二值化算法以及中值滤波算法,融合选取最适合于体现蜂窝麻面病害轮廓图的算法,得到了优于已存在的二维OTSU法以及NiBlack 法的结果,提高了蜂窝麻面病害的特征表现以及保留了最重要的病害区域。