一种路面裂缝图像自动检测方法[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201610717481.7
(22)申请日 2016.08.24
(71)申请人 张家利
地址 262700 山东省潍坊市寿光市金光街
1299号潍坊科技学院
(72)发明人 张家利　
(74)专利代理机构 北京华仲龙腾专利代理事务
所(普通合伙) 11548
代理人 李静
(51)Int.Cl.
G06T 7/00(2017.01)
G06K 9/62(2006.01)
(54)发明名称一种路面裂缝图像自动检测方法(57)摘要本发明公开了一种路面裂缝图像自动检测方法，包括将每幅路面裂缝图像及其子图片与对应标签关联，每个子图片有其特征描述向量，通过子图片再分成多个子图片形成金字塔结构，并最终根据金字塔模式形成裂缝图像特征描述向量，将特征描述向量转换到傅里叶空间，并计算裂缝图像在傅里叶空间的振动幅度；采用可控制滤波器进行滤波，然后寻找弱分类器，将多个裂缝图像弱分类器按其权重组合得到强分类器，最后自动检测出带有裂缝的路面图像。

与传统方法相比，本发明中获取的裂缝图像特征描述向量能够表征裂缝图像的纹理特质，并采用改进的Adaboost对裂缝图像进行检测，在检测精度和速
度上有了明显的提高。

权利要求书2页 说明书4页 附图1页CN 106327494 A 2017.01.11
C N 106327494
A
1.一种路面裂缝图像自动检测方法，其特征在于，包括以下具体步骤：
步骤一：将每幅路面裂缝图像与对应标签关联，且每幅裂缝图像分为n张子图片，子图片可以再细分为子图片，形成金字塔结构，并最终根据金字塔模式形成特征描述向量，每个
子图片与对应标签关联，标签对应于子图片中有裂缝为0和无裂缝为1，每个子图片有其特征描述向量，它可以是一个描述器或者几个描述器的串联。

2.步骤二：子图片转换成傅里叶空间，首先计算裂缝图像在傅里叶空间的振幅，网格尺
寸选择这个尺寸可以通过抑制噪声来增强信号，最后计算每个裂缝图像子图片的振幅；
步骤三：采用可控制滤波器进行滤波，可控制滤波器采用三个基础滤波器线性组合得到，此外，可控制滤波器可以根据像素分布评估每个像素的相对角度，滤波后的图像中的每个像素都对应于可控制滤波器窗口内的最小值，方差参数决定可控制滤波器的大小，可控制的滤波器由三个参数制成，通过对参数控制进而调节可控制滤波器，利用可控制滤波器对裂缝图像进行处理。

3.步骤四：对滤波后的裂缝图像数据通过选择的弱分类器寻找合适权重使错误率降到最低：
权重进行计算：
在一个独立的数据库上测试错误率，如果错误率在N次测试中能降低则重复步骤四，最后得到强分类器：
其中表示强分类器，表示第t次训练时第i幅图片的权重，表示x图片中第i幅图片中对应的第j个弱分类器，参数是第t次训练时参数值，是第i幅图片的标签信息值，表示第t次训练时的标准值，强分类器能够自动检测出带有裂缝的路面图像。

4.根据权利要求1所述的一种路面裂缝图像自动检测方法，其特征在于：步骤一中所述的特征描述向量包括通过对子图片的直方图计算或者基于结构元素应用在子图片的形态学变换得到。

5.根据权利要求2所述的一种路面裂缝图像自动检测方法，其特征在于：步骤三中还包括初始化权重:
根据权利要求2所述的一种路面裂缝图像自动检测方法，其特
征在于：步骤四中还包括交叉验证，交叉验证是统计分区数据，即在子图片中，对全部图像进行训练，虽然子集最后保留了初步分析数据，把最初的数据分成8组，交叉验证重复八次。

一种路面裂缝图像自动检测方法
技术领域
[0001]本发明涉及路面裂缝图像检测领域，特别是涉及一种路面裂缝图像自动检测方法。

背景技术
[0002]在裂缝检测领域，一些研究工作依赖于无监督的分割：通过统计分析、结构分析、空间滤波、基于模型的分析、和基于神经网络的分类方法或K-均值聚类方法，人们一直喜欢用无监督分割的简单算法，这些没有学习的步骤。

现在，实时分类中有许多技术得到应用，而这些方法分类准备，至今还没在裂缝领域提出，此外，每一种方法可以是针对全局的，也可以是针对图像局部的区域，但用全局描述的时候，我们可以从裂缝模型的形状及几何方面来考虑，但是大多数时候，裂缝占整幅图像很少的比例，通过全局的方法检测可能会错过裂缝，它也说明了这样一个事实，因此针对裂缝图像的特点很难通过全局的分析方式高精度的检测裂缝图像。

[0003]因此，在本发明中为了提高局部检测结果，我们提出了基于多个分类器组合的改进Adaboost算法，每个子图片有其特征描述向量，通过子图片再分成多个子图片形成金字塔结构，并最终根据金字塔模式形成特征描述向量，特征描述向量能够描述裂缝图像的纹理特征，并通过傅立叶变换和可控制的滤波器对图像进行去噪和滤波，最后将多个弱分类器组合起来，最终形成强分类器，达到了检测裂缝图像的目的，本发明中获取的特征描述向量能够表征裂缝图像的纹理特质，并采用改进的Adaboost对路面裂缝图像进行检测，在检测精度和速度上有了明显的提高，几个分类方法是基于局部的分析，而局部分析法来识别裂缝是一个非常实用的方法。

而且，局部分类法利用好提出的非常好的分类器：结构分类器和基于模型的分类器。

发明内容
[0004]本发明针对现有技术存在的上述问题，提出了一种路面裂缝图像自动检测方法。

[0005]本发明的具体技术方案是这样实现的：包括以下具体步骤：
步骤一：将每幅路面裂缝图像与对应标签关联，且每幅裂缝图像分为n张子图片，子图片可以再细分为子图片，形成金字塔结构，并最终根据金字塔模式形成特征描述向量，每个
子图片与对应标签关联，标签对应于子图片中有裂缝为0和无裂缝为1，每个子图片有其特征描述向量，它可以是一个描述器或者几个描述器的串联。

[0006]步骤二：子图片转换成傅里叶空间，首先计算裂缝图像在傅里叶空间的振幅，网格
尺寸选择这个尺寸可以通过抑制噪声来增强信号，最后计算每个裂缝图像子图片的振幅；
步骤三：采用可控制滤波器进行滤波，可控制滤波器采用三个基础滤波器线性组合得到，此外，可控制滤波器可以根据像素分布评估每个像素的相对角度，滤波后的图像中的每个像素都对应于可控制滤波器窗口内的最小值，方差参数决定可控制滤波器的大小，可控
制的滤波器由三个参数制成，通过对参数控制进而调节可控制滤波器，利用可控制滤波器对裂缝图像进行处理。

[0007]步骤四：对滤波后的裂缝图像数据通过选择的弱分类器寻找合适权重
使错误率降到最低：
权重进行计算：
在一个独立的数据库上测试错误率，如果错误率在N次测试中能降低则重复步骤四，最后得到强分类器：
其中表示强分类器，表示第t次训练时第i幅图片的权重，表示x图片中第i幅图
片中对应的第j个弱分类器，参数是第t次训练时参数值，是第i幅图片的标签信息值，
表示第t次训练时的标准值，强分类器能够自动检测出带有裂缝的路面图像。

[0008]优选地，步骤一中所述的特征描述向量包括通过对子图片的直方图计算或者基于结构元素应用在子图片的形态学变换得到。

[0009]优选地，步骤三中还包括初始化权重:
优选地，步骤四中还包括交叉验证，交叉验证是统计分区数据，即子图片中，对全部图像进行训练，虽然子集最后保留了初步分析数据，把最初的数据分成8组，交叉验证重复八次。

[0010]与现有技术相比，本发明基于多个分类器组合的改进Adaboost算法，他依靠结构分析，将多个弱分类器组合起来，最终形成强分类器，并通过傅立叶变换和可控制的滤波器对图像进行去噪和滤波，达到了检测裂缝图像的目的，整体结构简单，成本低，部署快；随时随地使用，更为轻便，使用更加灵活方便。

附图说明
[0011]图1是裂缝图像分成子图片及成为向量的过程原理图。

[0012]图2是裂缝图像灰度变换图。

[0013]图3（a）是原裂缝图像，
（c）是可控制滤波器处理后的裂缝图
（b）是去噪后的图像，
像。

具体实施方式
[0014]下面结合附图对本发明的具体实施案例加以说明：
如图1所示，将裂缝图像分为多个子图像，最终将图像与子图像的特征向量汇集成一个向量表示裂缝图像，能够将裂缝图像的纹理结构表示出来，将每幅路面裂缝图像与对应标签关联，且每幅裂缝图像分为n张子图片，子图片可以再细分为子图片，形成金字塔结构，并
最终根据金字塔模式形成特征描述向量，每个子图片与对应标签关联，标签
对应于子图片中有裂缝为0和无裂缝为1，每个子图片有其特征描述向量，它可以是一个描述器或者几个描述器的串联。

[0015]图2中显示选取的一幅裂缝图像的纹理特征描述图，t表示阈值，T表示最优阈值，p 表示裂缝像素值大小，p(z)表示了像素值分布曲线，q(z)表示各部分占比，子图片转换成傅
里叶空间，首先计算傅里叶振幅图像，平均振幅在网格这个尺寸可以通过抑制噪声来增强信号，最后计算每个子图片的对数平均值。

[0016]采用可控制滤波器进行滤波，可控制滤波器采用三个基础滤波器线性组合得到，此外，可控制滤波器可以根据像素分布评估每个像素的相对角度，滤波后的图像中的每个像素都对应于可控制滤波器窗口内的最小值，方差参数决定可控制滤波器的大小，可控制的滤波器由三个参数制成，通过对参数控制进而调节可控制滤波器。

[0017]对滤波后的裂缝图像数据通过选择的弱分类器寻找合适权重使错误率降到最低：
权重进行计算：
在一个独立的数据库上测试错误率，如果错误率在N次测试中能降低则重复步骤四，最后得到强分类器：
其中表示强分类器， 表示第t次训练时第i幅图片的权重，表示x图片中第i幅
图片中对应的第j个弱分类器，参数是第t次训练时参数值，是第i幅图片的标签信息值，表示第t次训练时的标准值，强分类器能够自动检测出带有裂缝的路面图像。

[0018]图3（a）是采取到的一张路面裂缝原始图像，图3（b）表示经过粗去噪后的裂缝图像，图3（c）表示经过控制滤波器滤波后的裂缝图像。

[0019]优选地，步骤一中所述的特征描述向量包括通过对子图片的直方图计算或者基于
结构元素应用在子图片的形态学变换得到。

[0020]优选地，步骤三中还包括初始化权重:
优选地，步骤四中还包括交叉验证，交叉验证是统计分区数据，即子图片中，对全部图像进行训练，虽然子集最后保留了初步分析数据，把最初的数据分成8组，交叉验证重复八次。

[0021]与现有技术相比，本发明基于多个分类器组合的改进Adaboost算法，他依靠结构分析，将多个弱分类器组合起来，最终形成强分类器，并通过傅立叶变换和可控制的滤波器对图像进行去噪和滤波，达到了检测裂缝图像的目的，整体结构简单，成本低，部署快；随时随地使用，更为轻便，使用更加灵活方便。

[0022]限定本发明实施的范围，即大凡依本发明申请专利范围及发明说明内容所作的简单的等效变化与修饰，皆仍属本发明专利涵盖的范围内。

图1
图2
图3。