范新南,吳晶晶,史朋飛,張學武

(河海大學物聯(lián)網工程學院,江蘇 常州 213022)

0 引 言

大壩在我國國民經濟中發(fā)揮著巨大的作用[1]。然而，大壩混凝土面板水位以下部分，由于長期承受很大的水壓，經受水的沖刷、滲透和侵蝕，不可避免地會產生裂縫[2]。定時對大壩表面狀況進行評估，及時并準確地檢測水下大壩表面的裂縫，對保持大壩混凝土的結構健康和延長其使用壽命至關重要。通過光學相機在水下攝取到大壩表面圖像，然后對圖像進行處理，檢測圖像中是否存在裂縫，這是目前比較流行的大壩表面缺陷分析方法。相比于傳統(tǒng)的視覺檢測方法，自動裂縫檢測算法過程更加安全、結果更加客觀[3-5]。

隨著數(shù)字圖像處理技術的發(fā)展，裂縫檢測算法在過去的一些年已經得到了巨大的發(fā)展[6-8]，并且大多應用于道路裂縫檢測、橋體混凝土裂縫檢測。但是應用到水下圖像的目標檢測時，結果卻不盡人意。這是由于與自然光照條件下獲取的普通圖像不同，光在水中傳輸時，會產生衰減和散射效應，而且水中的懸浮物和水游動植物也會對成像系統(tǒng)造成干擾，這就使得水下圖像普遍具有低對比度、模糊不清、光照不均勻、大量隨機噪聲干擾等特點，大大增加了準確識別裂縫的困難程度。

近年來，業(yè)界也有少部分科研人員開始投入到水下大壩裂縫檢測，提出了多種算法來提高水下大壩表面裂縫檢測的準確性。付軍等人[2]提出了基于BP神經網絡的大壩裂縫檢測算法，該算法通過分析二維圖像的亮度值，映射到三維立體表面圖像。Cheng等人[9]提出了基于多結構和多規(guī)模元素的自適應水下大壩圖像裂縫檢測算法。馬金祥等人[10]則針對水下大壩圖像所具有的復雜特征，提出了一種基于暗通道先驗的自適應圖像增強算法，能有效均衡圖像中的光照，并增強裂縫目標區(qū)域。張大偉等人[11]則提出了一種基于最大熵原理的改進的Canny算法，使得Canny算子具有自適應性，提高了邊緣檢測的準確性。但是，當圖像背景變化或者是圖像中裂縫特征細小、多樣化時，大部分的檢測算法便不能有效而準確地提取出圖像中的裂縫。

針對水下圖像的復雜性以及水下大壩裂縫檢測所面臨的難題，本文提出一種新的基于勞倫茨信息值[12]的水下大壩裂縫提取算法。算法只需要一個先驗條件，裂縫是細長形狀的。首先從局部出發(fā)，采取基于勞倫茨信息值的圖像分塊裂縫提取方法，將圖像分割成大小相等圖像塊，然后根據(jù)每個圖像塊的勞倫茨信息值，去除確定不含有裂縫信息的圖像塊，獲得可能含有裂縫的圖像塊。接著，從全局出發(fā)，采取基于k均值聚類[13]的裂縫連通域提取方法，根據(jù)二值圖像中連通域的特征值：圓形度和面積，使用k均值聚類算法得到最終的裂縫區(qū)域。

1 勞倫茨信息值

圖像f(x,y)的灰度級是m，定義該圖像的信息值為PIM，如公式(1)所示。

(1)

其中，h(i)指的是f(x,y)中灰度值為i的像素個數(shù)，也就是灰度直方圖，其中i∈[0,m-1]。顯然，根據(jù)公式(1)可知，只有當圖像f(x,y)是一個常量級灰度圖像時，也就是所有的像素都取同一個灰度值，有PIM(f)=0，此時圖像中包含有最小的信息量；只有當h(i)是一個常量時，也就是f(x,y)中的灰度級直方圖是均勻分布時，PIM(f)=max ，此時圖像包含最大的信息量。因此總結可得，當圖像f(x,y)信息量最小時，PIM(f)取得最小值，當f(x,y)信息量最大時，PIM(f)取得最大值[12]。

令圖像f(x,y)的像素個數(shù)為N(f)，那么定義歸一化圖像信息值NPIM(f)，如公式(2)所示。

(2)

廣義的圖像信息值PIMk定義為：

(3)

(4)

令Sk=NPIMm-k(f)， 0km，那么有：

(5)

其中，S0S1…Sk…

圖1 勞倫茨信息曲線

定義勞倫茨信息曲線下的面積為勞倫茨信息值LIM，如圖1所示。如果圖像的灰度直方圖均勻分布，也就是PIM(f)=max ，對應的勞倫茨信息曲線是從(0,0)到(1,1)的直線，也就是圖1中的虛線，否則，圖像的勞倫茨曲線則會是直線下方的折線。因此，勞倫茨信息曲線可由圖像的灰度直方圖唯一確定，并且LIM的值越大，代表圖像包含更多的信息，LIM的值越小，代表圖像包含更少的信息。反之也成立。

本文之所以選擇采用LIM，是因為相對于PIM(f)或NPIM(f)來說，LIM是廣義的NPIM(f)的定義表現(xiàn)形式，使用更加廣泛，并且，LIM可以通過更加直觀的勞倫茨曲線圖繪制出來，橫坐標的取值范圍是[0,1]，縱坐標的取值范圍也是[0,1]，曲線的性質直接反映出圖像信息含量的多少。

2 基于勞倫茨信息值的裂縫提取

圖像f(x,y)是已經獲取的水下大壩表面的一張比較經典的圖像，由于圖像是在輔助光的作用下攝取的，背景尤其復雜，具有光照不均勻、對比度低、目標不明顯以及大量隨機噪聲的特點。圖像尺寸是629×516，如圖2(a)所示。復雜的背景，使得背景和前景的特征差異尤其不明顯，大量的干擾，使得準確提取到裂縫更加困難。因此，本文首先采用汪耕任等人[14]的基于粗糙集理論的水下大壩裂縫自適應增強算法對圖像作預處理，提高圖像的信噪比，均勻背景的光照，降低復雜的背景對裂縫檢測造成的負面影響，圖像增強效果如圖2(b)所示。

(a) 水下大壩裂縫圖像 (b) 預處理后的灰度圖像圖2 圖像預處理

雖然圖像經過預處理之后，背景初步得到均衡化，但圖像中的目標依然不明顯，不同區(qū)域內的灰度級相差很大。為了充分利用灰度局部波動信息，將圖像分成大小相同的圖像塊，將每個圖像塊作為單元分析，可以有效提取出圖像塊中的目標。由于圖像在輔助光的作用下，灰度分布極其不平衡，所以要將圖像塊的尺寸定義成足夠小，才能夠充分提取目標信息。這樣，便可以大大減小灰度不均衡對目標提取造成的負面影響。但是如果圖像尺寸過小，使得圖像塊中可能只含有裂縫，那么這個圖像塊的LIM值反而會是最小值，因而會被誤判為該圖像塊中的部分屬于純背景。綜合考慮電腦負荷影響裂縫檢測的效率以及裂縫的細長特征，本文算法選擇15×15的圖像塊尺寸，若圖像尺寸不是15的整數(shù)倍，那么圖像的最右部分以及最底部分不組成完整的圖像塊的部分，便剪裁掉，忽略不計。

針對預處理后的圖像f(x,y)，圖像分塊裁剪后，用矩形方框標出所有的15×15圖像塊，效果如圖3(a)所示。

由于圖像塊的尺寸足夠小，所以可以通過LIM值判定對應的圖像塊中是否含有豐富的圖像信息，也就是，該圖像塊中是否可能存在裂縫。將圖像f(x,y)中的每一個圖像塊看作一個像素，該圖像塊對應的LIM值看作該像素的灰度值，可以得到一個新的圖像f′(x,y)。采用OTSU算法[15]，OTSU算法也稱最大類間差法，它按照圖像的灰度特性，按值T將圖像分為背景和前景2部分，不斷遍歷使得背景和前景之間的類間方差[15]取得最大值，此時，構成圖像的2部分差異最大，相應的T值也就是要求的最佳閾值，根據(jù)OTSU算法可以算出f′(x,y)的閾值T。

(a) 圖像分塊 (b) 分塊提取裂縫圖3 基于勞倫茨信息值的圖像塊提取

那么根據(jù)勞倫茨信息值的定義，可以得到，LIM>T的圖像塊含有豐富的圖像信息，也就是說可能含有裂縫；LIMT的圖像塊用矩形方框表示出來，如圖3(b)所示。

用矩形方框表示出來的圖像塊是根據(jù)圖像的LIM值判定可能含有裂縫的圖像塊，但是由于圖像背景復雜，許多含有噪聲信息的圖像塊也被誤認為裂縫被提取出來。將f(x,y)中對應的LIM

(a) 二值化圖像 (b) 裂縫連通域圖4 基于k均值聚類的連通域提取

從局部出發(fā)，根據(jù)勞倫茨信息值消除一些確認為背景的圖像塊之后，得到了如圖4(a)的可能為裂縫的連通域。但是，這些連通域中有大部分是原圖像中的隨機噪聲以及攝像時的動植物在圖像中投下的陰影。為了提高裂縫提取的準確性，算法從全局出發(fā)，對連通域的特征作整體的分析。選取面積作第一特征，用A表示；選取圓形度作第二特征，用Round表示，定義如公式(6)所示。

(6)

其中，A指的是連通域的面積，也就是組成該連通域的所有像素的個數(shù)；P指的是連通域的周長，也就是連通域邊緣所有像素的個數(shù)。圓形的值，可以充分體現(xiàn)該連通域與圓形的接近程度。當且僅當Round=1時，該連通域是圓形；Round的值越小，連通域與圓形的差距越大，也就是說是裂縫的可能性越大。

二值圖像中連通域的面積和圓形度特征組成二維特征空間，使用k均值聚類算法[13]按二維特征空間將連通域分為2類，一類是裂縫連通域，另一類是干擾連通域。刪除被分類為干擾的連通域，得到最終的裂縫區(qū)域如圖4(b)所示。

3 實驗結果與分析

本文的實驗圖像來源于公伯峽水電站[16]水下缺陷檢查項目。該項目的圖像是由工作人員用CCD光學相機在水下拍攝獲取的。算法的仿真環(huán)境是Dell PC：具有2.4 GHz CPU和6 GB RAM的Dell PC，Matlab2013。

為了驗證本文提出的算法對于水下大壩圖像裂縫檢測的有效性和優(yōu)越性，本文采取與現(xiàn)在流行的算法對比具體圖像的提取結果的方法。首先選取4幅具有代表性的裂縫圖像。第一幅圖像，尺寸是498×529，如圖5(ai)所示，背景光照均勻，含有一條普通的裂縫；第二幅圖像，尺寸是609×517，如圖5(bi)所示，由于輔助光的影響，背景光照非常不均衡，中間部分的亮度要明顯暗于兩側邊緣部分，圖中包含的是剝落型裂縫；第三幅圖像，尺寸是629×516，背景呈現(xiàn)綠色色調，圖像看似被蒙上一層霧，如圖5(ci)所示，圖像的對比度非常低，而且圖中的裂縫具有細長的特點，使得背景和目標更加難以分離；第四幅圖像，尺寸是494×628，圖中包含2個裂縫，如圖5(di)所示，圖中背景光照十分不均勻，而且由于光的散射，圖像被霧化，對比度尤其低。這4幅圖涵蓋了背景各種情況，也具有種類不同、形狀不同的各式裂縫，并且圖像的尺寸大小不同。

圖5 實驗結果

對比算法選擇目前業(yè)內比較流行的2種裂縫檢測方式，分別是基于蟻群算法的裂縫檢測—ACO[17]和基于邊緣檢測方法的裂縫檢測—WCD[18]。ACO算法是一種以模仿螞蟻覓食行為手段的優(yōu)化算法，它對于選取的4幅圖像的檢測結果如圖5(ⅱ)所示；WCD則是通過邊緣檢測和簡單的擬合參數(shù)實現(xiàn)了從數(shù)字圖像中有效地提取目標信息，它對于選取的4幅圖像的檢測結果如圖5(ⅲ)所示；可以看出，這2種算法對于自然光照條件下獲取的裂縫圖像能取得較滿意的效果，但一旦運用到水下獲取的大壩表面圖像，便會將大量的噪聲誤檢測成裂縫并丟失一部分裂縫信息。本文算法針對水下圖像背景復雜、光照不均衡、對比度低等特點，結合預處理、局部和全局檢測，得到的最終裂縫區(qū)域如圖5(ⅳ)所示。

(a) 水下大 壩圖像 (b) ACO (c) WCD (d) 本文算法圖6 不含有裂縫的大壩表面實驗結果圖

另外，為了驗證算法在圖像中不存在裂縫時的表現(xiàn)，本文采用了8幅不含有裂縫的水下壩體圖像進行測試，在上述圖像上，本文算法均未誤檢出裂縫。圖6顯示了在其中一幅圖像上的實驗結果，圖6(a)是原圖，圖6(b)和圖6(c)分別是對比算法ACO[17]和WCD[18]的實驗結果，可以發(fā)現(xiàn)這2個算法都把噪聲誤檢為裂縫，ACO的虛警率尤其高，圖6(d)則是本文算法的實驗結果，并未出現(xiàn)誤檢情況。

實驗結果表明，在背景復雜的水下大壩圖像中，本文算法能夠準確地提取圖像中的裂縫并且虛警率低。

4 結束語

本文提出了一種新的基于勞倫茨信息值的水下大壩裂縫提取算法。該算法首先從局部出發(fā)，將圖像分塊，計算圖像塊的勞倫茨信息值，去除不含有裂縫信息的圖像塊；接著從全局出發(fā)，提取連通域的圓形度、面積組成二維特征空間，采用k均值聚類算法，得到最終的裂縫區(qū)域。算法結合了局部分析與全局分析，能夠克服水下圖像中目標不明顯、光照不均衡、噪聲嚴重等問題。實驗證明，本文算法能夠有效地提取水下大壩圖像中的裂縫區(qū)域，滿足裂縫檢測的要求。

[1] 馬從計. 水下機器人在大壩水下表面裂縫檢測中的應用[J]. 技術與市場, 2012(9):59.

[2] 付軍,馬從計. 一種新的基于圖像處理的水下大壩裂縫檢測算法[C]// 中國大壩協(xié)會學術年會. 2012.

[3] Cheng H D, Chen J R, Glazier C, et al. Novel approach to pavement cracking detection based on fuzzy set theory[J]. Journal of Computing in Civil Engineering, 1999,13(4):270-280.

[4] Prasanna P, Dana K J, Gucunski N, et al. Automated crack detection on concrete bridges[J]. IEEE Transactions on Automation Science & Engineering, 2016,13(2):591-599.

[5] Fujita Y, Mitani Y, Hamamoto Y. A method for crack detection on a concrete structure[C]// Proceedings of the 18th International Conference on Pattern Recognition. 2006:901-904.

[6] Subirats P, Dumoulin J, Legeay V, et al. Automation of pavement surface crack detection using the continuous wavelet transform[C]// 2006 IEEE International Conference on Image Processing. 2007:3037-3040.

[7] Miguel G, David B, Oscar M, et al. Adaptive road crack detection system by pavement classification[J]. Sensors, 2011,11(10):9628-9657.

[8] Shi Yong, Cui Limeng, Qi Zhiquan, et al. Automatic road crack detection using random structured forests[J]. IEEE Transactions on Intelligent Transportation Systems, 2016,17(12):3434-3445.

[9] Chen Congping, Wang Jian, Zou Lei, et al. Underwater dam image crack segmentation based on mathematical morpholog[J]. Applied Mechanics & Materials, 2012,220-223:1315-1319.

[10] 馬金祥,范新南,吳志祥,等. 暗通道先驗的大壩水下裂縫圖像增強算法[J]. 中國圖象圖形學報, 2016,21(12):1574-1584.

[11] 張大偉,許夢釗,馬莉,等. 水下大壩裂縫圖像分割方法研究[J]. 軟件導刊, 2016,15(9):170-172.

[12] Abutableb A S. Automatic thresholding of gray-level pictures using two-dimensional entropy[J]. Computer Vision Graphics & Image Processing, 1989,47(1):22-32.

[13] Boutsidis C, Magdon-Ismail M. Deterministic feature selection for K-means clustering[J]. IEEE Transactions on Information Theory, 2013,59(9):6099-6110.

[14] 汪耕任,范新南,史朋飛,等. 基于粗糙集理論的水下大壩裂縫圖像增強算法[J]. 計算機與現(xiàn)代化, 2015(9):35-41.

[15] Otsu N. A thresholding selection method from gray-level histogram[J]. IEEE Transactions on Systems Man & Cybernetics， 1979,9(1):62-66.

[16] 何建輝,王龍. 公伯峽水電站計算機監(jiān)控系統(tǒng)[J]. 西北水電, 2005(1):70-72.

[17] Dewan S, Bajaj S, Prakash S. Using ant’s colony algorithm for improved segmentation for number plate recognition[C]// 2015 IEEE/ACIS 14th International Conference on Computer and Information Science (ICIS). 2015:313-318.

[18] Hu Dongna, Tian Tian, Yang Hengxiang, et al. Wall crack detection based on image processing[C]// 2012 3th International Conference on Intelligent Control and Information Processing(ICICIP). 2012:597-600.