matlab中提取裂缝图像,灰度图像中裂缝自动识别和检测方法与流程

本发明属于测绘科学与图像处理的交叉领域，特别是涉及一种灰度图像中裂缝自动识别和检测方法。主要应用于桥墩表面裂缝自动识别和检测，也可应用于隧道衬砌、大坝表面的裂缝检测和识别。

背景技术：

桥墩在使用过程中在载荷和自然环境的共同作用下，会形成多种破损，表面裂缝是最常见的一种破损形式，对桥墩危害很大。为了评价桥墩出现裂缝后的稳定性，必须对裂缝进行必要的检查和测量，为桥梁结构安全评估和病害治理提供依据。目前对裂缝的检测主要有两种方法：一种是采用数显式裂缝观测仪，人工读取数据并记录。但是这种方法费时费力，不利于大规模的对桥墩进行安全检测评估。另一种方法是采用图像处理的方法检测和识别裂缝，首先用CCD相机获取桥墩表面的灰度图像，然后用图像处理算法识别出裂缝，并从背景中把裂缝提取出来。这种方法具有便捷、直观、非接触、可再现、适应性强等优点，具有很好的应用前景。

混凝土表面的自动裂缝识别主要有下面几种图像识别算法：

第一：阈值分割识别算法。这种方法假设裂缝和背景的灰度范围有较大差别，同过自适应的寻找阈值将其分开，从而提取裂缝。该方法计算简单但抗干扰性较差。

第二：边缘检测识别算法。这种方法假设裂缝具有较强的边缘特征，即背景内部和裂缝内部的灰度变化缓慢，从背景到裂缝灰度变换会产生跳跃。可以利用常用的边缘检测算子，如Sobel算子、拉普拉斯算子、canny算子等，检测裂缝的边缘。但这种方法对噪声较为敏感。

第三：基于区域生长的种子游走算法。这用方法是以一组“种子”像素点作为开始，根据一定的规则判断相邻像素点与“种子”像素是否相似，如果相似则将这些相邻像素点附加到“种子”像素上。最后根据图像的形态判断这些“生长”出来的图像是否为裂缝。这种方法的精确度仍然不高。

第四：基于神经网络的识别算法。这种方法是利用神经网络模拟大脑的工作模式。用神经网络进行裂缝识别需要训练样本对计算机进行训练，这些样本如果有裂缝则是正样本，如果没裂缝则是负样本。神经网络一般包括输入层、隐含层和输出层，每一层有大量的权值和阈值，通过训练来不断的调整这些权值和阈值，以保证输出结果的正确率。这种方法计算复杂度高、速度慢、检测过程复杂，还没有在工程实践中验证其价值。

技术实现要素：

本发明克服现有技术存在的不足，解决了现有自动裂缝识别的方法对噪声比较敏感，导致检测准确度下降的问题，旨在提供一种灰度图像中裂缝自动识别和检测方法，该方法受噪声影响较小，检测准确度高。

为解决上述技术问题，本发明采用的技术方案为：灰度图像中裂缝自动识别和检测方法，包括以下步骤：

步骤一，读取图像，对图像依次进行图像降噪处理和增强处理，得到增强后的图像，记为I0；

步骤二，设计模板矩阵，模板矩阵包括0度模板矩阵、45度模板矩阵、90度模板矩阵、135度模板矩阵共四个方向的矩阵；

步骤三，使用四个模板矩阵对图像I0分别进行图像卷积运算，得到4个卷积后的图像，记为I10、I11、I12和I13，

步骤四，对I10、I11、I12和I13进行限幅操作，即在上述图像矩阵中，如果一个元素的值小于零，则将该元素的值置零，如果一个元素的值大于给定的最大值，则将该元素的值置最大值；

步骤五，将I10、I11、I12和I13合并成图像矩阵I2，合并公式为：

I2(x,y)＝max{I10(x,y),I11(x,y),I12(x,y),I13(x,y)}；

步骤六，对图像矩阵I2进行二值化处理，即给定一个阈值，I2中所有大于阈值的元素置1，小于阈值的元素置0，二值化后的图像记为B0，这些值为1的元素可以组成若干个连通域，将连通域中元素的个数称为该连通域的面积，删除那些面积小于给定阈值的连通域，统计每个连通域的面积、长度、宽度和长宽比，给定一组阈值，如果有一个参数小于阈值，则删除该连通域，最后剩余的连通域则为检测出的裂缝。

步骤一中图像降噪处理采用高斯滤波和中值滤波来去除噪声。

步骤二中模板矩阵的设计原则为：

模版矩阵分成3个区域，记为A区、B区、C区，每个区域内部元素的值相等，A、B、C区域中元素值记为a，b，c，A区域和C区域的元素个数相同，记为N1，B区域的元素个数记为N2，要求N1×(a+c)-N2×b≈0。

步骤四中图像限幅操作可以根据额外获得的图像信息，改变I10、I11、I12和I13中元素的值。

本发明跟现有技术相比具有的有益效果为：本发明的裂缝自动识别和检测方法，能够快速准确地表达出裂缝结构信息，从而得到可以正确度量的相关参数。为后面桥墩表面裂缝的修复提供可靠的参考数据，具有十分重要的意义。本发明的方法也可以应用到隧道衬砌、大坝表面的裂缝检测和识别。

附图说明

下面结合附图对本发明做进一步详细的说明。

图1为0度模版矩阵示意图。

图2为45度模版矩阵示意图。

图3为90度模版矩阵示意图。

图4为135度模版矩阵示意图。

图5为原始图像1。