适于路面破损图像处理的边缘检测方法
公路路面检测与破损特征识别技术初探
公路路面检测与破损特征识别技术初探摘要：路面破损是影响公路使用性能的主要病害之一，当前主要采用人工检测的方法。
人工检测存在效率低、误差大、对路面纹理信息识别困难等问题，同时，由于路面破损严重程度不同，传统的人工检测方法也无法实现对路面破损程度的快速准确识别。
本文介绍了基于数字图像处理技术的路面破损特征识别方法，并通过实验验证了该方法的可行性。
关键词：数字图像处理技术；路面破损；公路引言公路是国家重要的基础设施之一，其运行状况直接影响着人民群众的出行安全和生活质量。
随着我国经济和交通事业的快速发展，公路里程逐年增加，对公路养护提出了更高要求。
目前，我国已基本形成了以人工检测为主、机械化检测为辅、智能化监测为辅的公路养护方式。
研究结果表明：数字图像处理技术可实现对公路路面破损特征进行快速准确地识别，为进一步开展智能养护提供理论支撑。
目前，我国高速公路里程已超过15万公里，公路建设取得了长足的进步，但在使用过程中也暴露出不少问题。
在高速公路路面检测过程中，出现的主要问题是：路面破损严重，但对破损原因认识不足，无法采取有效措施；路面检测周期长、工作量大，一般以月为单位进行检测，检测频率低；路面病害判断标准不统一。
一、路面破损的特征路面破损是影响公路使用性能的主要病害之一，其病害特征是路面在使用过程中发生破损，而破损的原因是路面内部结构发生变化，这些变化会导致路面强度下降、承载力降低、易出现裂缝等病害。
因此，为实现对公路路面破损特征的快速准确识别，研究新的路面破损检测技术已成为当前公路养护领域研究的热点之一。
近年来，随着我国高速公路里程迅速增长，在已建和在建高速公路中，路面使用性能降低问题日益突出。
造成路面性能降低的主要原因包括：交通荷载、环境因素、气候条件等。
在多种因素的综合作用下，公路路面损坏呈现出多样性、复杂性的特点。
根据道路损坏形态和破损程度可将其分为多种类型，其中包括裂缝、车辙、坑槽、沉陷和磨耗等。
基于无人机的公路路面破损与龟裂检测方法
利用模式识别算法对提取的龟裂特征进行分类和 识别，判断路面是否存在龟裂现象。
破损与龟裂检测方法的比较
精度与可靠性
破损检测方法通常具有较高的精 度和可靠性，而龟裂检测方法在 某些情况下可能存在误判或漏检 的情况。
适用场景
破损检测方法适用于各种类型的 路面破损检测，而龟裂检测方法 更适合于沥青路面的龟裂检测。
数据整理与标注
对采集到的路面图像进行预处理，如去噪 、增强等，并对破损和龟裂区域进行标注 ，用于后续分析。
数据分析与处理
特征提取
从标注后的路面图像中提取出 与破损和龟裂相关的特征，如
边缘、纹理、颜色等。
分类器训练
利用提取的特征训练分类器， 用于识别和分类路面破损和龟 裂。
算法优化
根据实验数据对分类器进行优 化，提高其识别准确率和鲁棒 性。
4. 对所开发的系统进行实验验证，评估其准确性和可 靠性。
02
无人机技术概述
无人机类型与特点
固定翼无人机
飞行时间长，飞行速度较快，适合大面积航拍和监测 。
旋翼无人机
机动灵活，可在复杂环境中飞行，适合精细作业和近 距离拍摄。
无人直升机
兼具固定翼和旋翼无人机的特点，但技术难度较高。
无人机在公路检测中的应用
利用深度学习算法，如卷积神经网络（CNN），对图像进行自动分 类和识别，提高破损区域的检测精度和速度。
路面纹理分析
通过分析路面纹理特征，如表面粗糙度、纹理方向等，判断路面是否 存在破损。
路面龟裂检测方法
特征提取
从无人机拍摄的图像中提取路面龟裂的特征，如 裂纹长度、宽度、走向等。
图像分割
利用图像分割算法将龟裂区域从图像中分离出来 ，便于后续的Biblioteka 征提取和识别。研究目的与任务
图像识别中的边缘检测方法综述(三)
图像识别中的边缘检测方法综述引言：图像边缘检测是计算机视觉领域的基础任务之一，在目标检测、图像分割和特征提取等应用中起着重要作用。
边缘是图像中亮度、颜色或纹理等特征发生突变的区域，是图像中物体轮廓的重要线索。
本文将综述图像识别中常用的边缘检测方法，并对比其优劣，以期对该领域的研究提供一定的参考。
一、传统边缘检测方法Sobel算子Sobel算子是一种常用的基于梯度计算的边缘检测算法。
它通过计算图像中每个像素点的梯度幅值和方向来实现边缘检测。
然而，Sobel算子对噪声敏感，且只能检测垂直和水平方向的边缘，不能满足复杂场景的需求。
Canny算子Canny算子是一种基于多阶段操作的边缘检测算法，首先利用高斯滤波器对图像进行平滑处理，然后计算梯度幅值和方向，再进行非极大值抑制、双阈值处理和边缘连接等步骤。
Canny算子具有良好的抗噪能力和边缘定位精度，广泛应用于图像识别中。
二、深度学习边缘检测方法基于卷积神经网络的边缘检测随着深度学习的兴起，基于卷积神经网络的边缘检测方法也逐渐成为研究热点。
通过搭建深层卷积神经网络模型，可以实现端到端的边缘检测任务。
这些方法可以自动学习图像的特征表示，具有较好的泛化能力和鲁棒性。
基于生成对抗网络的边缘检测生成对抗网络（GAN）是一种用于生成数据的模型，近年来也被应用于图像边缘检测任务中。
通过训练生成器和判别器两个网络之间的博弈过程，生成对抗网络可以学习到图像的边缘特征，并生成高质量的边缘图像。
这些方法可以有效解决传统边缘检测方法无法处理的复杂场景。
三、边缘检测方法的评价指标为了评估不同边缘检测方法的性能，通常可以使用一些常见的评价指标。
其中最常用的指标是精度和召回率，它们分别表示检测到的边缘与真实边缘之间的重叠程度。
其他指标还包括F1分数、平均绝对误差和均方误差等。
结论：本文综述了图像识别中常用的边缘检测方法，包括传统方法和深度学习方法。
传统方法如Sobel算子和Canny算子具有一定的局限性，而基于卷积神经网络和生成对抗网络的方法具有更好的性能和泛化能力。
基于图像处理技术的混凝土路面裂缝检测方法
在 的噪声 ，大多是以孤立点存在的，采用中值滤波算法对其降噪滤波 ， 裂缝，其通常是很多方 向上不规则的线段构成的。因此 ，ｘ轴和 Ｙ骤的
不仅可以除去图像 中的高频噪声点 ，还能使裂缝边缘信息得到很好的 投影会出现若干个比较明显的波峰。
保护。经过中值滤波后图像变得光滑，对图像路面污渍斑点去除效果极 若裂缝图像像素的大小是 ＭｘＮ，第 ｉ行第 ｉ列的像素值是 Ｉ（ｉ，ｉ），在
图像进行裂缝骨架的抽取 ，将其按照要求进行细化之后就得到了裂缝
阈值选取是阈值分割技术的关键 ，本文采用最大类间方￣（ＯＴＳＵ） 的长度 ，此外还可以算出相邻像素之间对应的长度 ，之后要将所有相邻
法 自动计算阈值。将裂缝图像的灰度级分为 Ｌ，其中，灰度值为 ｉ的像素 像素之间的距离做加和处理 ，从而得出裂缝长度。４．１．２计算裂缝平均宽
· ２２２·
Hale Waihona Puke 工程科 技 基于图像处理技术的混凝土路 面裂缝检测方法
李晓彤 曲 良
（奥路 通科技有 限公 司，辽宁 沈阳 １１０００６）
摘 要 ：为 了能够有效的提升 高速公路混凝土路 面病 害检测 的效 率，我们在 实际的工作 中采取 了图像 处理技 术 ，这样 一来就可 以对
路 面的裂缝进行 自动的识别 ，同时对路 面灾害的参数也能做到 自动提取 。首先借助 阈值分割的方法对路 面的裂缝进行检测 ，之后按照线
为 Ｃ０和 Ｃ１两大类 ，即 Ｃ０＝｛０，ｌ，２，…，ｔ｝￥１１Ｃｌ＝｛ｔ＋ｌ，ｔ＋２，…，Ｌ一１ｌ。 缝面积的晴况下 ，可求得裂缝的平均宽度 Ｗ＝ＭＬ。
裂 缝 图像整 体均 值为
４．２网状裂缝处理．网状裂缝的损坏区域面积通过求裂缝 图像最小
产生非常大的负面影响。为了更好 的保证计算机识别和处理图像的效 垂直投影图上面的波形能够显示的非常的均匀 ，此外其还会出现一定
图像处理中的边缘检测算法评估及改进
图像处理中的边缘检测算法评估及改进评估边缘检测算法的目标是找到一种准确且高效的方法来检测图像中的边缘，因为边缘是图像中重要的特征之一。
在图像处理中，边缘检测被广泛应用于许多领域，如计算机视觉、图像识别、目标检测等。
本文将对图像处理中的边缘检测算法进行评估，并提出一种改进算法。
边缘检测算法的评估需要考虑多个指标，包括边缘检测的准确性、鲁棒性、计算复杂度等。
其中，准确性是评估算法效果的重要指标，即边缘检测结果与图像中实际边缘的一致性。
准确性可以通过计算算法的误检率和漏检率来评估，较低的误检率和漏检率表示边缘检测结果与实际边缘更一致。
常用的边缘检测算法有一阶导数算子法、二阶导数算子法、Canny算法等。
一阶导数算子法基于图像中像素灰度变化的一阶导数来检测边缘，常见的一阶导数算子有Sobel、Prewitt、Roberts等。
二阶导数算子法基于图像中像素灰度变化的二阶导数来检测边缘，常见的二阶导数算子有Laplacian、LoG等。
Canny算法是一种常用的综合性边缘检测算法，结合了一阶导数和二阶导数算子，并通过非极大值抑制和双阈值处理来改善边缘检测结果。
针对这些常用的边缘检测算法，可以通过对它们进行实验评估来比较它们的性能。
首先，可以选择一组具有不同特征的图像作为测试样本，包括有纹理、噪声等特征的图像。
然后，使用不同的边缘检测算法对这些图像进行边缘检测，并比较它们的准确性和鲁棒性。
可以使用一些评估指标来量化算法的性能，如准确率、召回率、F1-score等。
在评估过程中，还需要考虑边缘检测算法的计算复杂度。
边缘检测通常是在实时应用中使用的，因此算法的计算速度也非常重要。
可以通过比较算法的运行时间来评估它们的计算复杂度。
此外，还可以使用一些优化技术来改进边缘检测算法的性能，如并行计算、加速算法等。
在改进边缘检测算法时，可以考虑以下几个方面的方法。
首先，可以优化边缘检测算法的参数设置，如阈值的选择、卷积核的设计等。
沥青路面裂缝检测方法及评价指标
沥青路面裂缝检测方法及评价指标1. 引言沥青路面是城市道路中常见的一种路面结构，随着使用时间的增长，会出现各种裂缝问题。
及时发现和修复这些裂缝对于保障道路安全和延长使用寿命至关重要。
因此，沥青路面裂缝检测方法及评价指标的研究具有重要意义。
本文将介绍几种常见的沥青路面裂缝检测方法，并探讨适用于不同情况下的评价指标。
2. 沥青路面裂缝检测方法2.1 视觉检测法视觉检测法是最常用的沥青路面裂缝检测方法之一。
该方法利用人眼观察道路表面，识别并记录裂缝的位置、形状和长度等信息。
然而，由于人工视觉受主观因素影响较大，容易出现漏检或误判的情况。
2.2 遥感图像分析法遥感图像分析法利用航空或卫星遥感图像进行道路表面的监测和识别。
通过图像处理和分析技术，可以自动提取裂缝特征，并生成裂缝图像。
该方法具有高效、快速的优势，但对于一些小尺寸或浅裂缝的检测效果有限。
2.3 激光扫描法激光扫描法使用激光器进行扫描，通过测量激光束在路面上的反射情况，可以获取路面的三维点云数据。
通过对点云数据进行处理和分析，可以准确地检测出裂缝的位置、宽度和深度等信息。
然而，该方法设备成本较高，操作复杂度较大。
2.4 微波雷达法微波雷达法利用微波信号对路面进行探测和检测。
微波信号能够穿透沥青层并与裂缝相互作用，通过接收回波信号进行分析，可以得到裂缝的位置和形状等信息。
该方法具有非接触式、快速、准确的特点，并且可以在夜间或恶劣天气条件下工作。
3. 沥青路面裂缝评价指标3.1 裂缝密度裂缝密度是评价沥青路面裂缝状况的重要指标之一。
裂缝密度表示单位面积内的裂缝数量，通常使用米/平方米（m/m²）来表示。
裂缝密度越高，说明路面裂缝较为严重。
3.2 裂缝宽度裂缝宽度是评价沥青路面裂缝大小的指标。
通常使用毫米（mm）来表示。
裂缝宽度越大，说明路面损坏程度较高。
3.3 裂缝长度裂缝长度是评价沥青路面裂缝程度的指标。
通常使用米（m）来表示。
裂缝长度越长，说明路面损坏程度较高。
图像处理中的边缘检测和图像分割
图像处理中的边缘检测和图像分割在计算机视觉领域中，图像处理是一项非常重要的技术。
其中，边缘检测和图像分割是两个关键环节。
本文将从边缘检测和图像分割的基本概念入手，详细介绍它们的原理和应用。
一、边缘检测1、基本概念边缘是指图像中亮度、颜色等性质发生突然变化的地方。
边缘检测就是在图像中寻找这些突然变化的地方，并将它们标记出来。
在实际应用中，边缘检测可以用于目标跟踪、物体检测等方面。
2、常见方法常见的边缘检测算法有Canny、Sobel、Laplacian等。
其中，Canny算法是一种广泛使用的边缘检测算法，其基本原理是通过计算图像中每个像素点的梯度值和方向，来判断该点是否为边缘。
Sobel算法则是利用了图像卷积的思想，先对图像进行卷积操作，再计算得到每个像素点的梯度值。
Laplacian算法则是通过计算图像中每个像素点的二阶导数，来寻找亮度突变的地方。
3、应用场景边缘检测常用于在图像中寻找物体的轮廓线，或者分离图像中的前景和背景等方面。
例如在计算机视觉中的人脸识别中，边缘检测可以用于提取人脸的轮廓线，以便于后续的特征提取和匹配。
二、图像分割1、基本概念图像分割是把图像中的像素点分成不同的区域，以便于更好地理解和处理图像。
分割的结果通常是一个二值图像，其中每个像素点被标记为前景或者背景。
在实际应用中，图像分割可以用于目标检测、图像识别等方面。
2、常见方法常见的图像分割算法有阈值分割、聚类分割、边缘分割等。
其中，阈值分割是一种较为简单且常用的分割算法，其原理是为图像中每个像素点设置一个阈值，大于阈值的像素点被标记为前景，小于阈值的则为背景。
聚类分割算法则是通过对图像中像素点进行聚类操作，来划分不同的区域。
边缘分割则是利用边缘检测的结果，将图像分成前景和背景两个部分。
3、应用场景图像分割可以应用于诸如目标检测、图像识别、医学图像分析等方面。
例如在医学图像分析中，图像分割可以用于将CT或MRI图像中的组织分割成肝、肿瘤等不同的部分，以便于医生更好地进行预测和治疗决策。
图像处理中的图像分割与边缘检测算法
图像处理中的图像分割与边缘检测算法图像处理是计算机视觉领域的一项重要技术，它可以对图像进行各种操作和分析。
其中，图像分割和边缘检测是图像处理中的两个关键任务，它们在许多应用中起着至关重要的作用。
图像分割是将图像划分成若干个具有独立语义的区域的过程。
在图像中，不同的物体或区域通常具有不同的颜色、纹理或亮度等特征。
通过对这些特征进行分析和提取，可以将图像中的不同区域分割出来，从而实现对图像的理解和分析。
图像分割在许多领域中都有广泛的应用，比如医学影像分析、目标识别和图像检索等。
边缘检测是图像处理中常用的一种技术，它可以检测出图像中物体的边缘轮廓。
边缘是图像中颜色、亮度或纹理等发生突变的地方，通过检测这些突变的地方，可以找到图像中物体的边界。
边缘检测在图像处理中有着广泛的应用，比如图像增强、目标检测和图像分割等。
在图像分割和边缘检测中，有许多经典的算法被广泛应用。
其中，基于阈值的分割算法是最简单和常用的一种方法。
该方法通过设置一个或多个阈值，将图像中的像素分为不同的类别。
这种方法简单直观，但对于复杂的图像，效果不佳。
因此，研究者们提出了许多基于区域的分割算法，如区域增长、区域分裂合并等。
这些算法通过对图像中的像素进行聚类，将相邻像素归为同一区域，从而实现图像的分割。
边缘检测算法有很多种，其中最经典的是Canny边缘检测算法。
Canny算法通过对图像进行平滑处理，然后计算图像中像素灰度的一阶和二阶导数，从而找到图像中的边缘。
该算法具有较高的准确性和稳定性，在实际应用中得到了广泛的应用。
此外，还有其他一些边缘检测算法，如Sobel算法、Laplacian算法等，它们也都有各自的特点和适用范围。
除了传统的图像分割和边缘检测算法，近年来深度学习技术在图像处理中也取得了重要的突破。
深度学习是一种基于神经网络的机器学习方法，它通过多层次的神经网络模型来学习图像的特征表示。
在图像分割和边缘检测任务中，深度学习方法可以通过大量的训练数据来学习图像的特征，从而实现更准确和鲁棒的分割和检测结果。
图像处理中的边缘检测与去噪算法优化
图像处理中的边缘检测与去噪算法优化图像处理是计算机视觉和图像分析领域的重要组成部分。
边缘检测和去噪是图像处理中的两个关键任务。
边缘检测用于检测图像中的物体边缘，而去噪则旨在消除图像中的噪声干扰。
本文将探讨边缘检测与去噪算法的优化方法，以提高算法的准确性和效率。
边缘检测是图像处理中常用的技术之一，用于从图像中提取物体的轮廓和边界信息。
常见的边缘检测算法包括Sobel算子、Prewitt算子、Canny算子等。
这些算法通过检测图像中像素的强度变化来确定边缘位置。
然而，在实际应用中，这些算法存在着一些问题。
例如，它们对于噪声敏感，容易产生误检测边缘。
此外，它们还可能在检测到真实边缘的同时检测到一些不必要的边界。
为了改善边缘检测算法的准确性和去除不必要的边界，可以采用以下方法进行优化。
首先，可以对图像进行预处理，去除或减弱噪声的影响。
这可以通过应用滤波算法，如高斯滤波器、中值滤波器等，来实现。
滤波后的图像可以更好地突出边缘信息，从而提高边缘检测的准确性。
其次，可以采用自适应阈值技术来调整边缘检测算法的阈值。
传统的边缘检测算法通常使用固定的阈值来判断边缘，但这种方法在不同图像和场景下并不总是适用。
自适应阈值技术可以根据图像的局部特征自动调整阈值，从而提高边缘检测的灵敏度和准确性。
此外，还可以采用多尺度边缘检测算法来优化边缘检测。
多尺度边缘检测算法可以在不同的尺度下检测边缘，从而更好地适应不同尺度的边界。
常用的多尺度边缘检测算法包括基于尺度空间的LoG算法、基于小波变换的Wavelet算法等。
这些算法可以提高边缘检测的鲁棒性和准确性。
除了边缘检测，去噪也是图像处理中不可或缺的任务。
图像中的噪声会严重影响图像的质量和可视化效果。
传统的去噪算法包括均值滤波、中值滤波、线性滤波等。
然而，这些算法在去除噪声的同时也会导致图像的细节丢失和模糊。
为了优化去噪算法，可以尝试以下方法。
首先，可以使用基于统计学的方法来估计图像中的噪声分布。
一种基于图像匹配的公路破损标线检测方法
一种基于图像匹配的公路破损标线检测方法王立春;李强懿;阮航【摘要】为进一步提高公路破损标线的检测效率,解决传统人工查看破损标线带来的高错误率、高成本问题,提出一种基于无人机航拍图像匹配的公路破损标线检测方法.对无人机采集的待检测公路图像,该算法首先利用SIFT提取关键点,然后利用KNN以及最优节点优先搜索算法进行特征匹配.为提高图像匹配准确度,提出一种分区域特征匹配融合算法.该算法将图像划分为多个区域,并分别进行特征检测与匹配,利用图像不同区域的匹配结果计算图像变换矩阵,用以提高图像的匹配准确度.最后,利用模板匹配方式,将待检测图像与已标定的模板图像进行对比来检测破损标线.实验结果表明,该算法检测准确率高,适用性好.【期刊名称】《计算机技术与发展》【年(卷),期】2018(028)009【总页数】5页(P25-29)【关键词】航拍图像;图像匹配;破损标线检测;特征融合;无人机【作者】王立春;李强懿;阮航【作者单位】南京航空航天大学计算机科学与技术学院,江苏南京 211100;南京航空航天大学计算机科学与技术学院,江苏南京 211100;南京航空航天大学计算机科学与技术学院,江苏南京 211100【正文语种】中文【中图分类】TP3910 引言公路破损标线的检测方法，目前仍以人工查看方式为主，相对比较落后。
而对于自动化的公路破损标线检测的相关研究一直在继续。
Loce R. P.对计算机视觉技术在道路交通系统中的应用进行了总结[1]；陈新波等提出一种利用城市智能监控系统采集图像对道路标线进行自动化分析的方法[2]；李楠利用深度学习方法进行路面裂缝的识别[3]。
随着无人机技术的成熟，由于无人机具有飞行灵活、不受时间空间限制等特点，利用无人机航拍公路图像并对图像进行自动化分析，无疑将是一种更好的检测方式[4]。
由于公路标线的位置并没有统一的规则[5]，并且标线破损形状多变，且存在完全磨损掉的可能性，直接对图像中破损标线进行检测分析无法准确计算出标线破损程度并且容易产生漏检等情况。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
算子构造模板在每个像点的邻域内做卷积运算， 输出边 缘幅度后通过 阈值 比较判定是否为满足条件 的边缘点 ．
ｄ ｅｄ ｔｃｉ ａ ｄ ｔ ａ ｋ ｕ ｄ ｃ ｒｅ ｔ ｓａ ｌ ｓｔ ｏ ｈ ｒ ｏ ｈ 换， 并提 出有效灰 度 区间 的概念 ； 边缘 增 强则 采用 了数学 形 ｅ ｇ ｅｅ ｔ ｎ，ｎ ｅ ｂ ｃ ｇ ｏ ｎ ｏ ｒ ｃｉｎ ｓｗｅｌａ ｅ ｈｓｏ ａ ｔａ ｓｏ ａｉｎ ｂ ｓｄ ｏ ｆｅ ｔ ｅ ａ ｇ ｆ ｒ ｙ ｉｔｇ ｍ ｎ ｆｒ ｔ ｅ ｎ ｅｆｃ ｉ ｒ ｎ ｅ ｏ ｇ ａ ｒ ｒ ｍ ｏ ａ ｖ Ｉｖ ｌ ｒ ｈ ｅ ｏ ｏ ｎ ｎ ｓｏ ｈ ｔｏ ． ｓｄ ｓ Ｏｔｕ ｅ ｅｓａ ｅ ｔｅ ｋ ｙ ｃ ｍｐ ｅ ｔ ｆｔ ｅ ｍｅ ｄ Ｂｅ ｉｅ ， ｓ ｈ
（ 同济大学 道路与交通工程教育部重点实验室 ， 上海 ２ １ ０ ） ０ ８ ４
摘要 ： 据路面图像存 在的背 景不均 、 坏 比例低 和损 坏方 根 损
向不规则 的问题 ， 出了适 于路 面损坏 图像处 理 的边 缘检测 提
ｆｌ ｒｎ ｐ ｒ ｔ ｎ Ａ ａ ｅ ｎ ｉ ｔｅ ｍａ ｅ Ｗａ ｅ ｔ ｄ ｂ ｉｔ ｉ ｇ ｏ ｅ ａ ｏ ． ｐ ｖ ｍｅ ｔ ｄ ｓｒ ｓ ｉ ｇ Ｓ ｔ ｓｅ ｙ ｅ ｉ
Ｓ ｂ ｌ ｅ ｃｏ ｆｅｇ ｔｄｒ ｃｉｎ ｎ ｓ ｔｏ ｏｌｗｉｇ ｏ ｅ ｔ ｔｒｏ ｉｈ ｉｅ ｔ ｓ ａ ｄ Ｏｔｕ ｍｅ ｄ ｆｌ ｄｅ ｏ ｈ ｏ ｎ
ｈ ｒ ｃ ｄ ｒ ａ ｏ ｅ ｔ ｅ ｐ ｏ ｅ ｕ ｅ ｂ ｖ ．Ｔｈ ｒ ｓ ｌ ｈ ｗｓ ＂ ａ ｔ ｅ ｒ ｐ ｓ ｄ ｅ ｅ ｕｔ ｓ ｏ ｔ ｔ ｈ ｐ ｏ ｅ ｈ ｏ ｐ ｏ ｅ ｕ ｅ ｃ ｎ ｄ ａ ｔ ｌ ａ ｅ ｎ ｔ ｅ ｍｐ ｃ ｆ ｎ ｉ ｏ ｒ ｃ ｄ ｒ ａ ｒ ｍａ ｃ ｌ ｄ ｍｐ ｉ ａ ｔ ｏ ｏ 法 的基础 上 ， 引入 了预处 理 和边 缘 增强 ． 其中预处 理 包 括 背景 校 正 、 斯 平 滑 、 度直 方 图变 高 灰 态学 的膨胀运算和 中值滤波 ． 针对路面损坏 图像 实例 ， 采用 ８
方 向 Ｓ ｂｌ ｏ ｅ 算子和最大 类 间方差 分割算 法 ， 照上述 流程 进 按 行边 缘检测 ． 结果 表 明 ， 方法 能有 效 降低 噪声 对路 面 图像 该 处理的影响并最大 限度地保 留图像 中的损坏 特征 ， 而背 景校
文章编号 ： ２ ３３ ４ ２ １ ） ５０ ８ —５ ０ ５ —７ Ｘ（０ １０ ．６ ８０
Ｄ Ｉ１ ．９ ９ ｊｉ ｎ ０ ５ —７ ｘ ２ １ ．５ ０ １ Ｏ ：０ ３ ６ ／．ｓ ．２ ３３ ４ ．０ １ ０ ．１ ｓ
适 于 路 面破 损 图像 处 理 的边 缘 检 测 方 法
李 莉 ， 立军 ， 孙 陈 长
ｙ ｒｓ ａ ｅ ｎ ｄｓｒ ｓ ； ｍａ ｅ ｒ ｃ ｓｉ ｇ ｄｅ 正和基于有效灰度 区间的灰 度直 方 图变换 则是 该方 法 的关 Ｋｅ ｗｏ ｄ ： ｐ ｖ ｍｅ ｔ ｉｔｅ ｓ ｉ ｇ ｐ ｏ ｅ ｓｎ ； ｅ ｇ
键． 对经过 预处 理 的边缘 图像 ， 大类 间方 差法 可 取得 理想 最
数字图像 中的边缘代表像素灰度的阶跃 ， 图 是
１路 ］ 坑 文 献标 识 码 ： 像 的基 本 特征 之一 ［ ． 面 开裂 、 槽 等 破 损类 病 害 Ａ 反映在 图像 中都可用边缘 描述 ， 因此 可用边缘检测 边缘检测 的实 质是模 板 （－ ｋ操 作 ， 边 缘检 测 ｎ ｓ） ａ 用
第３ ９卷第 ５期
２１ ０ １年 ５月
同 济 大 学 学 报 （ 然 科 学 版） 自
Ｊ １ Ａ ， ＦＴ Ｎ Ｊ Ｕ Ｏ 琅Ｎ ＩＯ Ｏ Ｇ Ｉ ＮⅣ职 ＳＴ （ Ａ ＩＹ Ｎ ， 兀瓜Ａ Ｃ Ｅ ｃ ） ＬＳ Ｉ Ｎ Ｅ
Ｖｏ． ９ Ｎｏ． １３ ５ Ｍａ ｙ．２ １ ０１
的分割效果 ． 关键词 ： 面损坏 ；图像 处 理 ；边缘 检测 ；预 处理 ；有 效灰 路
度 区间 中 图分 类 号 ： Ｐ３ １ ４ Ｔ ９ ． １
ｄ ｔ ｃ ｉ ｎ ｒ ｐ ｏ ｅ ｓｎ ；ｅ ｆ ｃ ｉｅ ｒ ｎ ｅ ｏ ｒ ｙ ｌ ｖ ｌ ｅ ｅ ｔ ；ｐ ｅ ｒ ｃ ｓ ｉ ｇ ｆ ｔ ａ ｇ ｆｇ ａ ｅ ｅ ｓ ｏ ｅ ｖ
目前 Ｓｂｌ ｏｅ算子 和 Ｃｎｙ算子在路面图像检测 中应用较 ａｎ 多［ ， 中 Ｓｂｌ １ 其 ］ ｏｅ算子运 算速 度快 、 缘定 位精 确 ， 边 而
Ｅ ｕａｉｎＴｏ ￣ｉ ｎｖ ｒｉ ， ｈｎ ｈ ｉ ０ ８４ Ｃ ｉａ ｄ ｃｔ ， ｎ ｉｅｓｙ Ｓ ａｇ ａ １０ ， ｈｎ ） ｏ Ｕ ｔ ２
ｍｅ ｈ ｄ ｃ ｎ ｐ ｏ ｉｅ ｇ ｏ ｇ ｎ ｅ ｄ ｅ ｍ ｐ ｆｔ ｅ ｉ ｇ ｓ ｔ ｏ ｒ ｖ ｄ ｏ ｄ ｓ ｍｅ ｔ ｄ ｅ ｇ ａ ｅ ａ ｓ ｉ ｈ ｍａ ｅ ｈ ｖ ｅ ｎ ｐ ｅ ｒ ｃ ｓ ｄ． ａ ｅｂ ｅ ｒ ｐ ｏ ｅ ｓ ｅ
为路面病害识别奠定基础． Ａｎ Ｅ ｇ Ｄｅｅ ｔ ｎ Ｍｅｈ ｄ Ｄｅ ｉｎ ｄ ｆ ｒ 来分割路面破损图像 ， ｄｅ ｔｃｉ ｏ ｔｏ ｓｇ ｅ ｏ
Ｐ ｖ ｍｅ ｔＤｉｔｅ ｓＩ ｇ ｓ ａ ｅ ｎ ｓｒ ｓ ｍａ ｅ
Ｌ Ｌ ，Ｕ ｉ ｎ，Ｈ Ｚａ ｇ Ｉ ｉＳ ＮＬｊ Ｃ ￣ ｈｎ ｕ