基于改进多尺度形态学的裂缝图像去噪算法_徐劲力.pdf

第 40 卷第 3 期计算机应用与软件Vol.40 No 32023 年 3 月Computer Applications and SoftwareMar 2023基于改进多尺度形态学的裂缝图像去噪算法徐劲力李征瑞*黄丰云许建宁(武汉理工大学机电工程学院湖北 武汉 430070)收稿日期:2020 07 29。中央高校基本科研业务费项目(205204004)。徐劲力，教授，主研领域:智能制造，机器人技术。李征瑞，硕士。黄丰云，副教授。许建宁，硕士。摘要AGV 小车行驶场地中地面的光照不均、对比度低，背景复杂会导致裂缝图片采集时图像偏暗并带有较多混合噪声，传统去噪算法不能有效去噪。针对传统算法的不足，提出一种基于改进多尺度形态学的裂缝图像去噪算法。选取一个合适的结构元素，将其循环膨胀得到形状相同大小不同的多个结构元素，用得到的多个结构元素依次对裂缝图像开运算处理并将处理结果叠加，再使用纹理均衡的补偿方法处理结果并输出。通过与传统中值滤波、均值滤波、多尺度形态学滤波等方法比较，提出的新方法不仅能够降低图像中的噪声，有效地保护裂缝边缘，同时有利于裂缝特征的分割。关键词多尺度形态学纹理均衡裂缝去噪中图分类号TP3TP751 1文献标志码ADOI:10 3969/j issn 1000-386x 2023 03 039DENOSING ALGOITHM OF CACK IMAGE BASED ONIMPOVED MULTISCALE MOPHOLOGYXu JinliLi Zhengrui*Huang FengyunXu Jianning(School of Mechanical and Electrical Engineering，Wuhan University of Technology，Wuhan 430070，Hubei，China)AbstractDuring the acquisition of the crack image，the uneven illumination and low contrast of the AGV drivingfield and the complex background will make the crack image darker and increase the mixed noise content The traditionaldenoising algorithm cannot effectively denoise In view of the shortcomings of traditional algorithms，a crack imagedenoising algorithm based on improved multiscale morphology is proposed A suitable structural element was selected，expanding it cyclically to obtain multiple structural elements with the same shape and different size The morphologicalopening was operated to eliminate the crack image with multiple structural elements，superimposing the output Theimage by texture equalization was processed and the results were output Compared with traditional median filtering，mean filtering and multiscale morphological filtering methods，the proposed new method can not only reduce the noise inthe image，effectively protect the crack edges，but also is conducive to cracks feature segmentationKeywordsMultiscale morphologyTexture equalizationCracksDenoising0引言AGV 小车在进行车辆巡检的过程中对地面的平整度要求较高，地面存在的裂缝等会影响小车的定位精度，影响小车的行驶路线，对车辆巡检工作造成影响，因此在小车工作前应当对地面裂缝进行检测。图像处理方法因具有精度高、检测快等优点，已成为一种普遍的道路裂缝自动检测方法。裂缝图像采集过程中会出现众多干扰，包括路面光照不均，路面纹理颗粒以及脉冲噪声等1，这些因素会降低边缘与背景的对比度，弱化边缘信息，不利于图像分割2。张振海等3提出一种自适应均值的图像滤波算法，该算法能够减低图像噪声的同时有效地保护裂缝边缘，但不能有效去除面积较大的像素块。256计算机应用与软件2023 年1路面裂缝图像去噪流程图片采集中受到的干扰会降低裂缝特征的提取效率和提取精度。对于背景复杂的路面图像，传统的图像滤波算法不能够在去除噪声的同时较为完整地保留裂缝特征，因此，得到灰度图后先将图像反转增强对比度，再对图像进行多尺度形态学开运算，降低噪声的影响，保护裂缝边缘细节，最后采用纹理均衡的亮度补偿方式增强边缘与背景的对比度。整体流程如图 1所示。图 1本文算法流程2灰度反转灰度反转是指对图像灰度范围内进行线性取反，产生一幅与原灰度图像相反的图像。A 与 B 分别代表反转处理前后的图像灰度值，Amax代表出来前灰度图像最大灰度值，可以利用式(1)得到反转图像:B=Amax A(1)图像反转适用于黑色面积占主要部分的灰度图。裂缝特征较背景灰度值较小，而图像本身背景灰暗，裂缝特征同背景对比度低会使后续的边缘检测不能达到预期的效果。为凸显裂缝特征，先反转裂缝灰度图像，初步增加图像目标特征与背景对比度。裂缝图像灰度图与反转后的灰度图如图 2 所示，利用峰值信噪比(PSN)及均方差(MSE)分析和对比，结果如表 1 所示。其计算方式3 为:PSN=10lg(2L1)2SMESME=1mnm1i=0n1j=0(Bi，j Ai，j)2(2)式中:Bi，j为处理后图像;Ai，j为处理前图像;m、n 为图像的长宽;L 取 8。(a)原图(b)反转图图 2原图和反转图表 1中值滤波后峰值信噪比及均方差及对比中值滤波峰值信噪比均方差原灰度图31 382 347 299 3反转灰度图36 237 715 463 4从表 1 中可以看出，灰度图反转后经过中值滤波后图像的峰值信噪比大于灰度图直接中值滤波的峰值信噪比，而其均方差小于直接中值滤波后图像的均方差。在图像处理中，PSN 越大，MSE 越小，该方法滤波效果越好。3基于改进的多尺度形态学去噪算法裂缝图像中存在的噪声会导致背景分布不均。常见的噪声有图像生成过程中的椒盐噪声、阻性原件内部产生的高斯噪声以及地面存在的深色像素块等。因此本文提出了一种改进的多尺度形态学滤波算法，结合多尺度形态学滤波对高斯噪声和椒盐噪声等的敏感性和纹理均衡调整背景亮度的优点，提升去噪能力，保留图像边缘细节。3 1多尺度形态学滤波数学形态学滤波是一种非线性滤波方法，以形态结构元素为基础进行图像分析，其基本思想是使用特定形状的结构元素对目标图像中的对应形状进行分析和识别。利用特定形状大小的结构元素，能够保存相似的集合特征，其他滤除。较小的结构元素能较完整地保存边缘特征，但其去噪效果较差，较大的结构元素去噪能力强，但会破坏边缘特征。因此结合上述结构元素，采用多尺度形态学方式，利用多个尺度的结构元素对图像进行去噪处理。(1)运算类型。灰度形态学运算包括腐蚀和膨胀两种基本预算。膨胀运算是由结构元素确定邻域块中选取图像值与结构元素值和的最大值;腐蚀运算是由结构元素确定的邻域块中选取图像值与结构元素相对应值作差后最小值。设 I1(i，j)为输入图像，K(x，y)为结构元素，I2(i，j)为输出图像，Db输入图像的定义域，n为尺度，则多尺度腐蚀运算数学定义为式(3)，多尺度膨胀运算数学定义为式(4)。I2(i，j)=I1 K=max I1(i x，j y)+nK(x，y)(x，y)Db(3)I2(i，j)=I1K=min I1(i x，j y)nK(x，y)(x，y)Db(4)灰度多尺度开运算的思想是先腐蚀图像后再使用第 3 期徐劲力，等:基于改进多尺度形态学的裂缝图像去噪算法257相同结构元素膨胀图像，其定义如式(5)，灰度多尺度闭运算是先膨胀目标图像后再腐蚀，其定义如式(6)。I2=I1 K=(I1nK)nK(5)I2=I1K=(I1 nK)nK(6)开运算能够去掉目标图像中比结构元素更小的亮点，同时不改变其余点的灰度值;闭运算能消除目标图像中比结构元素更小的暗点并保留较亮的特征。对于本文算法，利用图像反转将裂缝由相对于背景较暗变为较亮特征，采用多尺度灰度形态学闭运算能保留裂缝特征。(2)多尺度结构元素。多尺度形态学运算将结构元素同尺度特征相结合，使用形状相同大小不同的多个结构元素构成的集合参与运算。首先确定基本的结构元素形状大小，再将其循环膨胀，使尺度与膨胀后不同尺寸的结构元素一一对应。结构元素有许多类型，如直线型、十字型、圆形、菱形、方形等，不同形状的结构元素能够提取不同的目标特征。由于图像中路面裂缝的方向和位置都有随机性，这里我们应当选择适合不同方向的结构元素，选择圆盘形结构元素能满足要求。图 3 是半径为 3 的圆形结构元素。图 3=3 结构元素选择 =1 的圆形结构元素为基本单元 K1，使用式(7)将基元膨胀 L 1 次得到 L 个多尺度结构元素组成的集合7 K1，K2，KL，经过实验，当尺度大于6 时，滤波后会较大程度地模糊裂缝边缘，尺度过小滤波效果不明显，不能有效去除噪声。因此本文算法尺度范围选择 1，2，3，4，5，6，L=6，尺度对应的结构元素半径大小为:=1，2，3，4，5，6。Ki=K1 K1 K1i 个 K1(7)(3)滤波方法。本文算法选择形态学闭运算和圆形结构元素对反转后的图像滤波。结合已得到的多个结构元素与尺度，依据式(8)对反转图像 I2进行闭运算处理，得到各个尺度下的滤波后图像 Gi:Gi=I2Ki(8)计算得到 6 个尺度下的滤波图像，为完整地保存图像裂缝特征，去除噪声，依据式(9)式(10)计算不同尺度下原始图像同滤波图像之间的标准方差 i，以标准方差为权重 i依据式(11)将不同尺度下的滤波图像叠加得到图像 I3。i=1mnm1x=0n1y=0 Gi(x，y)I2(x，y)2(9)i=iLj=1j(10)I3(x，y)=Li=1iGi(x，y)(11)式中:m、n 为图像的长宽。滤波结果如图 4 所示。图 4多尺度形态学滤波结果3 2纹理均衡处理多尺度形态学能够去除一般噪声，但在图 4 中可以看出黑色椭圆形区域内仍有部分亮斑，使用亮度均衡的方式消除这些过大的噪声点8。多尺度形态学滤波后的图像为 I3，h 和 d 为亮区和正常区域，Ih为亮点区域的平均亮度，Id为正常区域的平均亮度，I4表示均衡化后的图像，则可以通过式(12)来均衡亮区域。I4(i，j)=I3(i，j)(i，j)dI3(i，j)(Ih Id)(i，j)h(12)为避免将裂缝特征作为非正常区域，在进行亮度均衡前，依据式(5)对 I3采用形态学开运算去掉较亮的裂缝特征得到图像 I3，结构元素选择为圆形结构元素，一般路面的裂缝特征的宽度在 10 个像素内，选择结构元素半径为 a=5 基本满足要求。得到无裂缝图像 I3后对其进行二维高斯平滑得到I3，减小图像路面的其他特征对后续处理的影响。再对图像进行亮度等高划分9。I3是由 0 255 的 256个不同等级组成，首先统计 I3中 0 255 每一个灰度值对应的像素