一种逐步求精的路面裂缝检测方法

摘要

本发明公开了一种逐步求精的路面裂缝检测方法，对路面图像进行处理包括以下主要步骤：标识线提取及处理，ROA提取，基于ROA的自适应阈值分割，ROC提取和基于ROC方向特征加权的区域生长。本发明基于裂缝是灰度相近的像素点的集合，具有显著的空间聚集特征的特点，快速提取ROA；通过ROA快速定位裂缝可能的灰度区间及空间位置，实现图像自适应阈值分割，建立置信度评估准则，准确提取ROC；基于分段加权的裂缝生长方向估算方法，准确估算裂缝的发展趋势；采用了一种改进的区域生长方法，以置信区域为种子区域，沿着种子区域的发展趋势进行生长，充分保证了裂缝生长的准确性及裂缝检测的完整性。

权利要求

1.一种逐步求精的路面裂缝检测方法，包括采集路面图像，对所述路面图像进行分析处理，其特征在于，所述对路面图像进行分析处理包括以下步骤：提取疑似裂缝聚集区域ROA，包括：在所述路面图像上提取具有一定灰度特征的连通区域，根据一定预设条件对所述连通区域进行筛选，得到所述疑似裂缝聚集区域；所述预设条件是根据裂缝区域的几何形态特征先验得到的；

提取裂缝置信区域ROC，包括：

对筛选出的ROA区域，利用ROA区域的几何形态、空间位置及灰度统计特征，建立目标决策机制筛选出具有一定裂缝置信度的初步裂缝置信区域；

对所述初步裂缝置信区域，依据初步裂缝置信区域之间的空间位置及区域相似性特征，连接合并位置较近且相似的区域，形成增强裂缝置信区域，即所述裂缝置信区域ROC；

基于ROC方向特征加权的区域生长，包括：

步骤4-1、提取所有ROC的方向及长度特征矢量；

步骤4-2、从最长的ROC开始，计算搜索范围；

步骤4-3、搜索范围内的所有可生长区域；

步骤4-4、合并ROC及可生长区域：对于可生长区域集合中的所有区域，依据ROC与可生长区域空间位置关系，依次合并位置相近区域，然后结束当前ROC生长；

步骤4-5、裂缝构成判断：若当前ROC生长结束，可依据生长后的区域总长度Rgrowlen进行判断是否满足裂缝条件；若满足，则进入步骤4-6，否则区域生长完毕；

步骤4-6、下一个ROC的延伸：从下一个ROC开始，重复步骤4-2到步骤4-5的操作，直到完成所有ROC的生长，则区域生长完毕；

在所述提取裂缝置信区域ROC之前，还包括步骤：

基于ROA对图像进行自适应阈值分割，包括：

将图像划分为不重叠子块图像；所述子块图像包括：含疑似裂缝聚集区域的子块图像Ⅰ、与子块图像Ⅰ位置邻近的且不含疑似裂缝聚集区域的子块图像Ⅱ，以及不含疑似裂缝聚集区域且与子块图像Ⅰ不相邻的子块图像Ⅲ；

对子块图像Ⅰ、Ⅱ和Ⅲ分别按照不同的阈值进行分割，其中，子块图像Ⅰ根据ROA的灰度特征确定分割阈值；子块图像Ⅱ参考与其相邻的子块图像Ⅰ确定分割阈值；子块图像Ⅲ按照其自身的特征进行分割；

分别得到各子块图像的二值图；

在提取疑似裂缝聚集区域ROA之前，还包括去除图像中标志线的处理步骤。

2.根据权利要求1所述的逐步求精的路面裂缝检测方法，其特征在于，所述对ROA进行自适应阈值分割后，还包括步骤：第一轮补偿：依据病害的连续性，判断背景像素点与其周围的感兴趣像素点的灰度差值是否满足预设范围，若满足，进行补偿；

第二轮补偿：依据背景像素点与其为中心预设范围内且满足一定方向性的感兴趣像素点的灰度差值是否满足预设范围，若满足，进行补偿；

对自适应阈值分割处理后的图像进行闭操作。

3.根据权利要求1所述的逐步求精的路面裂缝检测方法，其特征在于，步骤S4-1所述的方向特征加权法，包括以下步骤：根据线性相似度对所述ROC进行分段，

计算每个分段的方向特征矢量，

根据其位置信息分析方向特征矢量对裂缝发展趋势的影响，根据影响的不同为每个分段分配特征权值，

基于特征权值按照公式(1)进行加权计算得到所述ROC中裂缝的发展趋势θ，θ＝ω1β1+ω2β2+…+ωnβn   (1)式中， 是根据影响程度的不同设定的特征权值，表示裂缝被分成了段，ω1+ω2+…+ωn＝1。

4.根据权利要求1所述的逐步求精的路面裂缝检测方法，其特征在于，筛选所述初步裂缝置信区域，具体包括：设Le为当前连通域的有效长度，即最小面积外接矩形的最长边，该值反映了裂缝的线性特征；ratio为ROA区域最小面积外接矩形MBR与最小外接圆MCC的面积比；Iratio为原始图像中连通域的灰度均值与当前连通域最小面积外接矩所围区域的灰度均值的比值；Iratio作为区分龟裂、块裂区域及噪声区域的依据；

若Le>TLen且 或Le>TLen且 且 则将此区域判为所述初步裂缝置信区域；否则，将此区域作为噪声区域去除。

5.根据权利要求4所述的逐步求精的路面裂缝检测方法，其特征在于，所述形成增强裂缝置信区域，包括：设s为所述初步裂缝置信区域的空间位置，合并空间位置s相近的初步裂缝置信区域，形成增强裂缝置信区域。

6.根据权利要求1所述的逐步求精的路面裂缝检测方法，其特征在于，所述去除图像中标志线的处理步骤包括：提取标识线区域，包括：

依据道路标线的灰度及形态特征，将复杂路面图像划分成互不重叠的图像子块，根据道路标线与路面背景的灰度分布特征差异获取子块图像的分割阈值，通过该阈值将子块图像二值化；

合并二值化后子块图像，得到若干包括噪声区域及标线区域的连通区域，依据标线区域的特征区分噪声区域及标线区域；

标记出标线区域；

处理所述标识线区域，包括：依据标线标记值，利用灰度校正后的标线周围的图像区域替换标线区域，或在后续处理过程中不考虑标线区域。

说明书

一种逐步求精的路面裂缝检测方法

技术领域

[0001] 本发明涉及路面检测技术、计算机图像处理技术领域，尤其涉及到一种路面裂缝检测方法。

背景技术

[0002] 公路在运营过程中受自然环境、行车荷载、材料性能等诸多因素影响，表面将逐渐出现各种破损，裂缝作为沥青路面最主要的病害类型之一，严重影响行车速度及行车安全，加剧汽车磨损，也缩短了沥青路面服务年限。为节约养护资源，保障行车安全、舒适，需要快速、准确获取道路损坏的位置、面积、程度等参数信息，为交通管理部门客观评价路面质量、科学决策养护管理方案提供依据。

[0003] 目前，随着传感器、自动控制、计算机等技术的发展，路面图像的自动采集设备已趋近成熟，而后期的裂缝识别仍然采用人机结合甚至完全人工的方式，工作量大、效率低。然而，多数情况下，采集的高速公路图像中有病害的图像数目占总数目的比例往往不足
10％；若能提供有效的图像有无病害的分类方法，则人工识别将减少90％的工作量，若能提供高效的沥青路面裂缝自动识别方法，则可为交通管理部门客观、及时的评价路面质量、科学决策养护方案提供充足的依据。

[0004] 现有的裂缝识别方法大多采用“先识别、后分类”的处理模式，在此处理模式下，目前主流的基于图像的裂缝识别方法主要有以下几种：

[0005] (1)基于灰度阈值的裂缝识别方法，通过对路面图像灰度特征进行分析，选取合适的灰度阈值区分图像背景与目标。该方法一般建立在裂缝的灰度通常比背景灰度低的前提条件下，要求裂缝具有较高的对比度及较好的连续性，但由于路面积灰、裂缝缝壁脱落、路面颗粒纹理丰富等原因，裂缝通常具有低对比度、连续性差等特征，故基于灰度阈值的裂缝识别方法难以识别灰度特征不够显著的病害。

[0006] (2)基于形态学处理的裂缝识别方法，该方法利用腐蚀、膨胀、骨架提取、边缘检测等方法获取裂缝的二维形态特征。然而路面图像复杂、病害形式多样，基于形态学处理的识别方法实用性不高。

[0007] (3)基于机器学习的裂缝识别方法，该方法主要用于裂缝检测后的类型分类，关键在于路面裂缝特征的提取与分类器的设计。由于路况复杂、裂缝形式多样，裂缝特征提取难度加大，同时测试样本集较小、算法复杂、计算量大等因素都制约着分类算法的准确性、鲁棒性及实时性。

[0008] (4)基于多尺度几何分析的路面裂缝的识别方法，通常利用图像几何结构特征，采用小波、Ridgelet(脊波)、Curvelet(曲线波)、Contourlet(轮廓波)、Bandelet(带条波)等变换表达图像信息。由于复杂背景下的沥青路面裂缝具有不规则性，裂缝形态及位置具有不可预测性，该方法无法有效的提取复杂裂缝信息，同时，多尺度分析方法普遍存在计算过程复杂、效率较低问题。

[0009] 现有的裂缝检测技术大多建立在图像质量好的基础上，缺乏对复杂环境的适应性，难以满足工程应用的实际需求。由于路面结构类型复杂、光照不均、阴影、及路面上的异物、人工标记等因素的影响，路面图像具有灰度分布不均、纹理丰富、频谱差异性小，边缘模糊、噪声污染等特点。实际工程检测表明，采集到的图像由于自然光、行道树、建筑物、路面材质等外界因素影响使得图像可能存在光照不匀、阴影大、杂物多、曝光过度、标线丰富等现象。其次，在高速行驶采集过程中，数据采集单元的相机与激光器由于相对运动无法绝对保持在同一个平面，导致采集的数据存在明暗相间条纹，表现为光照不匀。此外，沥青路面铺装材料颗粒感强、大小各异，导致路面图像纹理丰富，减弱或破坏裂缝的可视化特征。通过对已有研究成果的分析，影响裂缝识别的主要因素有光照不匀、阴影、标识标线、纹理等。光照不均、阴影可能会掩盖路面病害的部分特征，不利于路面病害特征的提取。标线、纹理等干扰与裂缝等破损目标具有某些相似特征，易与裂缝混淆，导致错误检测。直接通过原始图像信息提取高区分度裂缝特征从而实现裂缝识别的难度较大。此外，一般情况下，采集的高速公路图像中有病害的图像数目占总数目的比例较小，若采用与有病害路面图像同样的识别方法，大大增加了处理的时间复杂度。

[0010] 同时，现有技术大多建立在裂缝的灰度值比图像背景灰度值低、裂缝目标清晰、连续、几何特征显著的假设前提下，而实际路面上，由于车轮载重碾压、风化、路面积灰、裂缝缝壁脱落等原因，裂缝通常具有对比度低、连续性差等特征，同时，由于道路基层进水而发生灌浆的现象，使裂缝的灰度值较路面背景要高，表现为“白裂缝”的现象，由此可知，在实际应用中，现有技术的假设条件并不完全成立，因此，现有技术是无法解决弱对比、弱连续性、细小的裂缝以及“白裂缝”的检测问题。

发明内容

[0011] 本发明所要解决的技术问题是提供一种逐步求精的路面裂缝检测方法，以克服现有的裂缝自动识别方法普遍存在实时性差、识别率低、无法满足实际应用需求等缺陷。

[0012] 为解决上述技术问题，本发明提供一种逐步求精的路面裂缝检测方法，包括采集路面图像，对所述路面图像进行分析处理，其特征在于，所述对路面图像进行分析处理包括以下步骤：

[0013] 提取疑似裂缝聚集区域ROA，包括：在所述路面图像上提取具有一定灰度特征的连通区域，根据一定预设条件对所述连通区域进行筛选，得到所述疑似裂缝聚集区域；所述预设条件是根据裂缝区域的几何形态特征先验得到的。

[0014] 所述疑似裂缝聚集区域ROA不是孤立的像素点，而是由一些灰度相近的像素点聚集在一起且满足裂缝聚集形态特征的区域。

[0015] 进一步的，还包括步骤：提取裂缝置信区域ROC，包括：

[0016] 对筛选出的ROA区域，利用ROA区域的几何形态、空间位置及灰度统计特征，建立目标决策机制筛选出具有一定裂缝置信度的初步裂缝置信区域；

[0017] 对所述初步裂缝置信区域，依据初步裂缝置信区域之间的空间位置及区域相似性特征，连接合并位置较近且相似的区域，形成增强裂缝置信区域，即所述裂缝置信区域ROC。

[0018] 更进一步的，还包括步骤：基于ROC方向特征加权的区域生长，包括：

[0019] 步骤4-1、提取所有ROC的方向及长度特征矢量；

[0020] 步骤4-2、从最长的ROC开始，计算搜索范围；

[0021] 步骤4-3、搜索范围内的所有可生长区域；

[0022] 步骤4-4、合并ROC及可生长区域：对于可生长区域集合中的所有区域，依据ROC与可生长区域空间位置关系，依次合并位置相近区域，然后结束当前ROC生长；

[0023] 步骤4-5、裂缝构成判断：若当前ROC生长结束，可依据生长后的区域总长度Rgrowlen进行判断是否满足裂缝条件；若满足，则进入步骤4-6，否则区域生长完毕；

[0024] 步骤4-6、下一个ROC的延伸：从下一个ROC开始，重复步骤4-2到步骤4-5的操作，直到完成所有ROC的生长，则区域生长完毕。

[0025] 在所述提取裂缝置信区域ROC之前，还包括步骤：

[0026] 基于ROA对图像进行自适应阈值分割，包括：

[0027] 将图像划分为不重叠子块图像；所述子块图像包括：含疑似裂缝聚集区域的子块图像Ⅰ、与子块图像Ⅰ位置邻近的且不含疑似裂缝聚集区域的子块图像Ⅱ，以及不含疑似裂缝聚集区域且与子块图像Ⅰ不相邻的子块图像Ⅲ；

[0028] 对子块图像Ⅰ、Ⅱ和Ⅲ分别按照不同的阈值进行分割，其中，子块图像Ⅰ根据ROA的灰度特征确定分割阈值；子块图像Ⅱ参考与其相邻的子块图像Ⅰ确定分割阈值；子块图像Ⅲ按照其自身的特征进行分割；分别得到各子块图像的二值图。

[0029] 进一步优化的，所述对ROA进行自适应阈值分割后，还包括步骤：

[0030] 第一轮补偿：依据病害的连续性，判断背景像素点与其周围的感兴趣像素点的灰度差值是否满足预设范围，若满足，进行补偿。

[0031] 第二轮补偿：依据背景像素点与其为中心预设范围内且满足一定方向性的感兴趣像素点的灰度差值是否满足预设范围，若满足，进行补偿；

[0032] 对自适应阈值分割处理后的图像进行闭操作。

[0033] 优选的，步骤S4-1所述的方向特征加权法，包括以下步骤：

[0034] 根据线性相似度对所述ROC进行分段，

[0035] 计算每个分段的方向特征矢量，

[0036] 根据其位置信息分析方向特征矢量对裂缝发展趋势的影响，

[0037] 根据影响的不同为每个分段分配特征权值，

[0038] 基于特征权值按照公式(1)进行加权计算得到所述ROC中裂缝的发展趋势θ，[0039] θ＝ω1β1+ω2β2+…+ωnβn  (1)

[0040] 式中，ω1，ω2，…ωn是根据影响程度的不同设定的特征权值，n表示裂缝被分成了n段，ω1+ω2+…+ωn＝1。

[0041] 优选的，筛选所述初步裂缝置信区域，具体包括：

[0042] 设Len为当前连通域的有效长度，即最小面积外接矩形的最长边，该值反映了裂缝的线性特征；Sratio为ROA区域最小面积外接矩形SMBR与最小外接圆SMCC的面积比；Iratio为原始图像中连通域的灰度均值与当前连通域最小面积外接矩所围区域的灰度均值的比值；Iratio作为区分龟裂、块裂区域及噪声区域的依据；

[0043] 若Len>TLen且 或Len>TLen且 且 则将此区域判为所述初步裂缝置信区域；否则，将此区域作为噪声区域去除；

[0044] 同样优选的，所述形成增强裂缝置信区域，包括：

[0045] 设Pos为所述初步裂缝置信区域的空间位置，空间位置相近的ROA区域可能属于同一裂缝区域，两个连通区域的位置关系可以通过其最小外接矩的位置关系来判断；合并空间位置Pos相近的初步裂缝置信区域，形成增强裂缝置信区域。

[0046] 最优的方案是，在提取疑似裂缝聚集区域ROA之前，还包括去除图像中标志线的处理步骤。

[0047] 所述去除图像中标志线的处理步骤包括：

[0048] 提取标识线区域，包括：

[0049] 依据道路标线的灰度及形态特征，将复杂路面图像划分成互不重叠的图像子块，[0050] 根据道路标线与路面背景的灰度分布特征差异获取子块图像的分割阈值，得到二值化子块图像；

[0051] 合并二值化子块图像，得到若干包括噪声区域及标线区域的连通区域，依据标线区域的特征区分噪声区域及标线区域；

[0052] 标记出标线区域；

[0053] 处理所述标识线区域，包括：依据标线标记值，利用灰度校正后的标线周围的图像区域替换标线区域，或在后续处理过程中不考虑标线区域。

[0054] 本发明的有益效果：

[0055] (1)本发明通过观察大量路面标线区域，总结出标线具有灰度值较大、纹理较平缓、形状较规则等特征，并依据以上特征提出了一种基于图像灰度及方差分割的标线提取方法,克服了路面图像中的标志线干扰。

[0056] (2)本发明对裂缝的本质特征进行描述，认为裂缝是灰度相近且空间上聚集的区域，基于以上认识，通过考虑裂缝在图像分布中的空间、几何、灰度特征，提出了一种疑似裂缝聚集区域(ROA)快速定位方法，实现裂缝聚集区域的快速提取。

[0057] (3)本发明提出一种通过裂缝聚集区域快速计算裂缝灰度分布区间的方法，该方法考虑聚集区域对周围区域的影响程度，将图像分成不同的区域，并依据聚集区域及周围区域的灰度关系快速计算不同区域的裂缝灰度分布区间，并根据该灰度分布区间实现了对应区域图像的自适应分割。

[0058] (4)本发明提出了裂缝置信区域(ROC)提取的方法。本发明利用裂缝区域的几何形态、灰度统计特征，建立置信度评判准则，筛选出置信度较高的区域。对筛选出的区域，依据区域间的空间位置及区域相似性特征，连接合并位置较近且相似的聚集区域形成置信区域ROC。

[0059] (5)本发明提出了一种基于分段加权的裂缝生长方向估算方法，该方法先将裂缝分成若干裂缝片段，再综合考虑每个裂缝片段的方向特征矢量对裂缝发展趋势的影响，按照不同的影响因子将裂缝片段的方向特征矢量进行加权得到裂缝最终的发展方向。

[0060] (6)本发明提出了一种基于置信区域与发展趋势的裂缝生长方法，该方法以ROC作为种子区域，沿着裂缝的发展趋势设计合适的生长范围，并按照相似性准则连接合并满足条件的区域，实现了裂缝的完整性检测。

附图说明

[0061] 下面结合附图和具体实施方式对本发明的技术方案作进一步具体说明。

[0062] 图1为本发明的整体处理流程图。

[0063] 图2(a)至2(f)为基于ROA的自适应阈值分割过程示意图。

[0064] 图3(a)至3(d)为置信区域提取过程示意图。

[0065] 图4为置信区域方向获取方法的过程示意图。

[0066] 图5为区域生长效果图，其中图5(a)为含有置信区域的二值图像，图5(b)为置信区域生长后的二值图像。

[0067] 图6为采集的路面某原始图像的灰度图。

[0068] 图7为针对图6的标识线提取效果图。

[0069] 图8为含标识线图像的灰度校正效果图。

[0070] 图9为标线区域替换效果图。

[0071] 图10为图像分割效果图。

[0072] 图11为二轮补偿后的效果图。

[0073] 图12为闭操作后的效果图。

[0074] 图13为ROC区域生长效果图。

具体实施方式

[0075] 如图1所示，本发明的整体处理流程包括：

[0076] 步骤一、标识线提取及处理；

[0077] 步骤二、提取疑似裂缝聚集区域ROA；

[0078] 步骤三、基于ROA的自适应阈值分割；

[0079] 步骤四、提取裂缝置信区域ROC；

[0080] 步骤五、生成基于ROC方向特征加权的区域生长图。

[0081] 下面对步骤一至步骤五予以进一步详细描述。

[0082] 步骤一、标线是指车道线、斑马线、大斑点、大箭头等白色或黄色区域，这些区域在灰度图像中的表现为灰度值较大、纹理较平缓、形状较规则。标线上或沿标线边缘有油漆开裂或剥落现象，而在长时间磨耗缺乏维护后会表现出线状特性，这些特性是会产生很多虚假裂缝而影响真实裂缝识别。本发明依据标线的灰度、纹理、几何形态等特征，设计的标线提取及替换方法能有效克服标线造成的虚检。具体处理过程如下：

[0083] 步骤1-1、提取标线区域：

[0084] 步骤1-1-1、依据道路标线的灰度及形态特征，将复杂路面图像如图6所示，合理划分成互不重叠的图像块；

[0085] 步骤1-1-2、根据道路标线与路面背景的灰度分布特征差异获取子块图像的分割阈值，对子块图像进行二值化；

[0086] 步骤1-1-3、合并子块二值图像，得到若干包括噪声区域及标线区域的连通区域，依据标线区域的特征(如宽度、长度特征)区分噪声区域及标线区域；

[0087] 步骤1-1-4、标记标线区域，如图7所示，图8为含标识线图像的灰度校正效果图。

[0088] 步骤1-2、标识线处理：

[0089] 依据标线标记值，利用灰度校正后的标线周围的图像区域替换标线区域或在后续处理过程中不考虑标线区域中的疑似病害。标识线替换效果如图9所示。

[0090] 步骤二、通过分析大量采集样本数据可以发现，裂缝是一些空间上聚集且灰度相近的像素点的集合，裂缝在空间上分布较集中且其灰度与背景形成差异。然而并不是与背景形成差异的像素点就属于裂缝区域，只有具备这些特征的像素点聚集在一起，才有可能形成裂缝区域，即裂缝表象不是孤立的点，而是一些空间上聚集且灰度相近的像素点的集合，即疑似裂缝聚集区域，该区域具有一定的线状特征及一定的方向，在空间上具有连续性，且具有一定形状，如长度、宽度等特征。此外，裂缝像素在整个图像中所占比例较小。本发明综合考虑裂缝的灰度、统计、空间分布、几何形态等特征提取疑似裂缝聚集区域ROA，ROA可以大致定位裂缝所在的区域与裂缝的灰度区间，为后续的处理提供参考依据。提取ROA的原则是，先提取灰度相近的连通区域，再依据裂缝区域的几何形态特征，筛选得到满足预设条件的连通区域。本具体实施方式所采用的ROA提取具体处理过程如下：

[0091] 步骤2-1、利用裂缝的空间分布特征及灰度特征，通过计算预处理后图像的最稳定极值区域MSERs。

[0092] MSERs算法如下：

[0093] 假设裂缝在图像中所占的比例范围为[Pmin,Pmax]，采用公式(2)，计算图像二值化的阈值范围[Tmin,Tmax]。

[0094]

[0095] 式中，H、W为图像的高与宽，hist(i)为图像的灰度直方图，T为满足条件的灰度分割阈值，P为裂缝在图像中所占的比例(实验统计值)。

[0096] 从Tmax开始到Tmin，逐级递减灰度阈值，保留灰度值小于或者等于阈值的像素点，得到的二值图像，并得到相应的连通区域。

[0097] 若不同分割阈值得到的连通区域的大小在t(t

[0098] 步骤2-2、根据裂缝的形态特征，去除长度不满足要求的MSERs，得到ROA。

[0099] 当然，受上述描述的启发，本领域技术人员能够想到其它方法，得到期望的ROA。

[0100] 步骤三、通过观察可知，由裂缝的成因可知，裂缝会由主干裂缝不断向外扩张发展，提取的ROA能准确定位主要裂缝的空间位置，但不能保证裂缝区域检测的完整性，为了避免遗漏裂缝区域，仍需要对ROA以外的区域进行分割后进行二值图处理。考虑到ROA对与自己不同距离的区域的影响范围的不同，本发明将按照与ROA的距离关系将图像分成不同的区域，对于不同区域采用不同的分割阈值进行处理以提高图像分割方法的适应性。本具体实施方式的处理过程如下：

[0101] 步骤3-1、将图像划分为不重叠子块。

[0102] 步骤3-2、考虑到相同或位置相近连通区域所在子块图像的相似性，对子块图像进行归类，主要将子块图像划分成含裂缝聚集区域的子块图像Ⅰ、与Ⅰ位置邻近的且不含聚集区域的子块图像Ⅱ及不含裂缝聚集区域且与子块图像Ⅰ不相邻的子块图像Ⅲ三大类。

[0103] 步骤3-3、对不同类别子块按照不同的阈值进行分割。子块Ⅰ选用子块图像中ROA的最大灰度值作为其分割阈值，子块Ⅱ的分割阈值可以参考相邻子块图像Ⅰ的分割阈值，通过分析两者的灰度分布分散度的差异即方差来计算分割阈值，即：

[0104] TII＝TI×(ηII/ηI)  (1)

[0105] 式中，TI为子块图像Ⅰ的分割阈值，TII为子块图像Ⅱ的分割阈值，ηI为子块图像Ⅰ去掉连通区域后的方差，ηII为子块图像Ⅱ的方差。

[0106] 子块图像Ⅲ相对独立，含裂缝区域的可能性较低，但依然需要考虑以避免遗漏细小的裂缝，本具体实施方式采用迭代阈值选择算法对子块图像Ⅲ进行分割、二值图处理。分割过程如图2所示，整体效果如图10所示。

[0107] 所述迭代阈值选择算法如下:

[0108] i、选取初始阈值T0，假设子块图像Ⅲ中的最大与最小灰度值分别为Gmax、Gmin，令初始阈值T0，其中

[0109] T0＝(Gmax+Gmin)/2  (3)

[0110] ii、对于第t次迭代，阈值Tt把图像分为前景和背景两部分。分别计算这两部分的灰度均值Mt(B)、Mt(F)，

[0111] iii、计算第t+1次迭代的新阈值为Tt+1

[0112] Tt+1＝(Mt(B)+Mt(F))/2  (4)

[0113] iv、若Tt+1与Tt满足公式Tt+1＝Tt则终止迭代，否则转到步骤ii。

[0114] 步骤3-4、由于裂缝具有弱连续性的特点，自适应阈值分割后的二值图像上，细小裂缝呈现出点状断裂。本发明对分割图像采取基于形态学的后处理，增强了裂缝的连续性，保证了裂缝检测的完整性。具体操作流程如下：

[0115] 步骤3-4-1、第一轮补偿，依据病害的连续性，判断背景像素点与其周围的感兴趣像素点的灰度差值是否满足预设范围，若满足，进行补偿。

[0116] 步骤3-4-2、第二轮补偿，依据背景像素点与其为中心预设范围内且满足一定方向性的感兴趣像素点的灰度差值是否满足预设范围进行补偿。补偿效果如图11所示。

[0117] 步骤3-4-3、对自适应阈值分割处理后的图像进行闭操作，闭操作的效果如图12所示。

[0118] 步骤四、对于一般路面图像而言，疑似裂缝聚集区域除了包含裂缝的区域外还有一些是水渍、杂物、油渍、阴影边缘等干扰因素所产生的区域。为了降低误检，有必要通过一定规则，将这些干扰区域过滤掉。通过观察发现，裂缝相对于这些干扰因素，线性特征更加显著且在特定区域内所占比例更小。本发明提出的裂缝置信区域提取方法，建立置信度评判准则，将置信度较大的区域作为后续区域生长的种子区域，有效地降低了误检，提高了检测的准确率。

[0119] 经过图像分割过程提取的若干连通区域中，并不是所有区域属于病害的可信度都比较高，本发明融合利用连通区域的几何形态、空间位置及灰度统计特征，建立目标决策机制筛选出置信度显著的区域。对筛选出的区域，依据区域间的空间位置及区域相似性特征，连接合并位置较近且相似的区域形成ROC。具体操作流程如下：

[0120] 根据裂缝的几何形态、灰度特征及空间位置选取了4个评估因子，从而组成裂缝区域的特征矢量X＝(Len,Sratio,Iratio,Pos)。其中，

[0121] Len是指连通域的有效长度，即最小面积外接矩形的最长边，该值反映了裂缝的线性特征。

[0122] Sratio是指区域最小面积外接矩形(SMBR)与最小外接圆(SMCC)的面积比。

[0123] Iratio表示原图中连通域的灰度均值与此连通域最小面积外接矩所围区域的灰度均值的比值。Iratio可作为区分龟裂、块裂区域及噪声区域的依据。

[0124] Pos指区域的空间位置，空间位置相近的区域可能属于同一裂缝区域，两个连通区域的位置关系可以通过其最小外接矩的位置关系来判断。

[0125] 提取ROC过程中，先通过Len、Sratio、Iratio三个特征矢量初步筛选线性特征显著的区域作为ROC，若Len>TLen且 或Len>TLen且 且 则将此区域判为ROC；否则，将此区域作为噪声区域去除。再依据Pos特征矢量合并空间位置相近的ROC以增强置信区域特征。以表一为例。

[0126] 表一 连通区域特征值

[0127]连通域 1 2 3 4 5 6 7 8 9 10
Len 89.16 62.37 24.13 11.31 10.61 9.85 8.92 8.92 8.32 8.06
Sratio 0.25 0.23 0.34 0.38 0.39 0.35 0.24 0.24 0.41 0.20
Iratio 0.85 0.88 0.94 0.94 1.02 0.97 0.97 0.97 0.92 1.03

[0128] 表一中展示的是图3(a)中长度排序前10的连通区域的Len、Sratio及Iratio特征值，对应的连通区域如图3(b)外接矩所示，假设长度阈值Tlen＝20、面积比例阈值 灰度比例阈值 按照上述原则筛选出两个满足条件的连通区域，即连通区域1和2，称为ROC，如图3(c)的外接矩所示。又由于ROC的最小外接矩相交且方向满足给定阈值，故合并ROC得到新的ROC，合并效果如图3(d)所示。

[0129] 步骤五、路面裂缝的发展呈现出由短、细发展为长、粗，由简单的横向裂缝、纵向裂缝发展为纵横交错的块状裂缝和龟裂。观察大量路面图像样本，可以看出，不管是何种裂缝，都是由几条简单裂缝沿着一定的趋势向周围生长而成，通过以上观察，本发明从复杂裂缝到简单裂缝，提出了裂缝分段加权的裂缝生长方向估算方法，该方法能够准确的反映裂缝的发展趋势。

[0130] 由裂缝片段得到实际裂缝是基于裂缝片段准确生长的结果，裂缝的生长需要依据准确的裂缝发展趋势。准确估算裂缝的发展趋势以及合理的裂缝生长是裂缝检测的关键因素。基于分段加权的裂缝发展趋势估算方法先利用线性度、转折点等预设准则对裂缝进行分段，如图4按照局部区域的线性度将裂缝Ⅲ在两个小圈的位置分成三小段，分段后裂缝的线性性更加显著，在此基础上，研究线性目标的方向特征提取方法估算每小段裂缝的发展趋势，如图4，短划线、点划线、实线对应箭头所示方向是采用线性拟合方式估算的从下到上三段裂缝的发展趋势。最后根据每个裂缝片段的位置信息，分析其方向特征矢量对裂缝发展趋势的影响，根据影响的不同为每个片段分配特征权值，基于特征权值按照公式(1)进行加权计算得到裂缝的发展趋势θ，如4中点线对应箭头所示。

[0131] θ＝ω1β1+ω2β2+…+ωnβn  (1)

[0132] 式中，ω1，ω2，…ωn是根据影响程度的不同设定的特征权值，n表示裂缝被分成了n段，ω1+ω2+…+ωn＝1。效果如图4所示。

[0133] 由于路面裂缝具有弱连续性的特点，不管何种阈值分割、二值图法处理方法都无法一次性检测出完整的裂缝，因此，可以借鉴区域生长的思想，将相邻相近的区域按照一定的规则连接起来，以检出的裂缝片段为基准，沿着裂缝生长趋势向两端延伸是目前解决裂缝检测完整性问题的主流方法。传统的裂缝生长方法由于种子区域选取的不当以及裂缝生长趋势的判定不够准确，往往存在过生长或欠生长的问题，导致区域生长的精度不高，且效率较低。本发明提出的裂缝生长方法，以置信区域作为种子区域，采用裂缝分段权重的裂缝生长方向估算方法计算裂缝的发展趋势，再沿着这种发展趋势，按照相似性准则进行生长，提高区域生长的精度与效率，保证了裂缝检测的完整性。具体操作流程如下：

[0134] 步骤5-1、提取所有ROC的方向及长度特征矢量。采用裂缝生长趋势估算方法获取ROC的方向特征矢量，并依据ROC的最小面积外接矩，求其长度特征矢量。

[0135] 步骤5-2、从最长的ROC开始，计算搜索范围。

[0136] 步骤5-3、搜索范围内的所有可生长区域。

[0137] 步骤5-4、合并ROC及可生长区域。对于可生长区域集合中的所有区域，依据ROC与可生长区域空间位置关系，依次合并位置相近区域，然后结束ROC生长。

[0138] 步骤5-5、裂缝构成判断。若当前ROC生长结束，可依据生长后的区域总长度Rgrowlen进行判断是否满足裂缝条件。

[0139] 步骤5-6、下一个ROC的延伸。从下一个ROC开始，重复步骤5-2到步骤5-5的操作，直到完成所有ROC的生长，此时，区域生长完毕。延伸效果如图5、图13所示。

[0140] 最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。