裂缝类型

裂缝类型有很多种，这里我们仅仅判断线性裂缝与网状裂缝，线性裂缝按照其走势有可分为横向裂缝、纵向裂缝和斜向裂缝。

我觉得大家应当有这样的意识，面对网状裂缝，它的二维参数是否有意义？答案是没有！如果检测到网状裂缝，我想大家的第一反应是比较严重了，需要修补了。如果是一条线性裂缝呢？我是不是还有考虑一下它的受损程度是否达到需要修补的地步。

所以按照我的想法，可以求网状裂缝的面积，评估其受损程度，求线性裂缝的面积、长度和宽度，评估其受损程度。

直方图投影法

网状裂缝的直方图投影 

横向裂缝的直方图投影 

纵向裂缝的直方图投影 

斜向裂缝的直方图投影 

上面四张图是四种裂缝对应的直方图，结合上面的一些特点，我们可以依照自己的数据集进行类型分类。

 获取最小外接矩形信息

接下来，get_minAreaRect_information函数会从二值化掩膜图像中提取最小外接矩形的相关信息，包括中心点坐标、宽高和旋转角度。inference_minAreaRect函数用于计算最小外接矩形框的宽、高和角度信息，并将角度转换为相对于图像水平方向的夹角。

def inference_minAreaRect(minAreaRect):w, h = minAreaRect[1]if w > h:angle = int(minAreaRect[2])else:angle = -(90 - int(minAreaRect[2]))return w, h, angledef _get_minAreaRect_information(mask):mask = pz.BinaryImg(mask)contours, hierarchy = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)contour_merge = np.vstack(contours)minAreaRect = cv2.minAreaRect(contour_merge)return minAreaRect

pz.BinaryImg获取图像二值图，请确保读取时候为BGR的图片。 

初始化分类裂缝的参数

创建了一个ClassificationCrack类，并且对裂缝的分类参数进行初始化，有分类裂缝的阈值threshold，分类裂缝的高宽比阈值HWration，用于分类裂缝的直方图比例阈值Histration。

class CrackType():"""直方图投影法推断裂缝类型"""def __init__(self, threshold=3, HWratio=10, Histratio=0.5):"""初始化分类裂缝的参数:param threshold: 阈值，用于分类裂缝的阈值:param HWratio: 高宽比，用于分类裂缝的高宽比阈值:param Histratio: 直方图比例，用于分类裂缝的直方图比例阈值"""self.threshold = thresholdself.HWratio = HWratioself.Histratio = Histratioself.types = {0: 'Horizontal',1: 'Vertical',2: 'Oblique',3: 'Mesh'}

这里我们使用字典self.types，这样就可以通过键值对判断裂缝的类型了。

骨骼点投影直方图

在ClassificationCrack类下，我们再定义了一个hist_judge的方法，less_than_T统计直方图中大于 0 且小于等于阈值 self.threshold 的像素数量，more_than_T统计直方图中大于阈值 self.threshold 的像素数量。通过more_than_T / （less_than_T + 1e-5）来比较是否超过了直方图比例阈值。

    def hist_judge(self, hist_v):less_than_T = np.count_nonzero((hist_v > 0) & (hist_v <= self.threshold))more_than_T = np.count_nonzero(hist_v > self.threshold)return more_than_T / (less_than_T + 1e-5) > self.Histratio

裂缝分类

classify 方法是 ClassificationCrack 类中的另一个成员方法，它接收三个值，minAreaRect 是一个元组，表示最小外接矩形框的信息，包括中心点坐标、宽高和旋转角度；skeleton_pts是一个数组，表示骨骼点的坐标；HW是当前 patch 的高和宽。

    def classify(self, minAreaRect, skeleton_pts, HW):H, W = HWw, h, angle = inference_minAreaRect(minAreaRect)if w / h < self.HWratio or h / w < self.HWratio:pts_y, pts_x = skeleton_pts[:, 0], skeleton_pts[:, 1]hist_x = np.histogram(pts_x, W)hist_y = np.histogram(pts_y, H)if self.hist_judge(hist_x[0]) and self.hist_judge(hist_y[0]):return 3return self.angle2cls(angle)@staticmethoddef angle2cls(angle):angle = abs(angle)assert 0 <= angle <= 90, "ERROR: The angle value exceeds the limit and should be between 0 and 90 degrees!"if angle < 35:return 0elif 35 <= angle <= 55:return 2elif angle > 55:return 1else:return None

利用 inference_minAreaRect 函数从 minAreaRect 中获取旋转矩形框的宽度 w、高度 h 和角度 angle。接下来，通过判断 w / h 和 h / w 是否小于 self.HWratio 来判断旋转矩形框的长宽比是否满足分类条件。

如果长宽比满足条件，则将 skeleton_pts 按照 x 和 y 方向投影到直方图 hist_x 和 hist_y，然后通过 self.hist_judge 方法判断这两个直方图是否满足分类条件。

以上条件均满足，则会认为是网状裂缝，否则就使用angle2cls来进行角度分类。

根据角度的大小将裂缝分为以下三类：

• 如果角度小于 35 度，则返回 0，表示水平裂缝。
• 如果角度在 35 到 55 度之间，则返回 2，表示倾斜裂缝。
• 如果角度大于 55 度，则返回 1，表示垂直裂缝。
• 如果角度不在上述范围内，则返回 None 。

测试文件main

"""
裂缝分类如何判断
横向、纵向、网状、斜裂缝
"""
import os
import matplotlib.pyplot as pltimport numpy as np
import cv2
import pyzjr as pzfrom skimage.morphology import skeletonize
from skimage.filters import threshold_otsu
from skimage.color import rgb2grayclass CrackType():"""直方图投影法推断裂缝类型"""def __init__(self, threshold=3, HWratio=10, Histratio=0.5):"""初始化分类裂缝的参数:param threshold: 阈值，用于分类裂缝的阈值:param HWratio: 高宽比，用于分类裂缝的高宽比阈值:param Histratio: 直方图比例，用于分类裂缝的直方图比例阈值"""self.threshold = thresholdself.HWratio = HWratioself.Histratio = Histratioself.types = {0: 'Horizontal',1: 'Vertical',2: 'Oblique',3: 'Mesh'}def inference_minAreaRect(self, minAreaRect):"""旋转矩形框长边与x轴的夹角.旋转角度 angle 是相对于图像水平方向的夹角，范围是 -90 到 +90 度.然而，一般情况下，我们习惯将角度定义为相对于 x 轴正方向的夹角，范围是 -180 到 +180 度."""w, h = minAreaRect[1]if w > h:angle = int(minAreaRect[2])else:angle = -(90 - int(minAreaRect[2]))return w, h, angledef classify(self, minAreaRect, skeleton_pts, HW):"""针对当前crack instance，对其进行分类；主要利用了骨骼点双向投影直方图、旋转矩形框宽高比/角度；:param minAreaRect: 最小外接矩形框，[(cx, cy), (w, h), angle]；:param skeleton_pts: 骨骼点坐标；:param HW: 当前patch的高、宽；"""H, W = HWw, h, angle = self.inference_minAreaRect(minAreaRect)if w / h < self.HWratio or h / w < self.HWratio:pts_y, pts_x = skeleton_pts[:, 0], skeleton_pts[:, 1]hist_x = np.histogram(pts_x, W)hist_y = np.histogram(pts_y, H)if self.hist_judge(hist_x[0]) and self.hist_judge(hist_y[0]):return 3return self.angle2cls(angle)def hist_judge(self, hist_v):less_than_T = np.count_nonzero((hist_v > 0) & (hist_v <= self.threshold))more_than_T = np.count_nonzero(hist_v > self.threshold)return more_than_T / (less_than_T + 1e-5) > self.Histratio@staticmethoddef angle2cls(angle):angle = abs(angle)assert 0 <= angle <= 90, "ERROR: The angle value exceeds the limit and should be between 0 and 90 degrees!"if angle < 35:return 0elif 35 <= angle <= 55:return 2elif angle > 55:return 1else:return Nonedef _get_minAreaRect_information(mask):"""从二值化掩膜图像中获取最小外接矩形的相关信息:param mask:二值化掩膜图像，包含目标区域的白色区域:return:最小外接矩形的信息，包括中心点坐标、宽高和旋转角度"""mask = pz.BinaryImg(mask)contours, hierarchy = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)contour_merge = np.vstack(contours)minAreaRect = cv2.minAreaRect(contour_merge)return minAreaRectdef SkeletonMap(target):"""获取骨架图的信息:param target: 目标图:return: 骨架图与一个数组，其中每一行表示一个非零元素的索引(y,x)，包括行索引和列索引"""gray = rgb2gray(target)thresh = threshold_otsu(gray)binary = gray > threshskimage = skeletonize(binary)skepoints = np.argwhere(skimage)skimage = skimage.astype(np.uint8)return skimage, skepointsif __name__ == '__main__':plt.switch_backend('TkAgg')masks_dir = r"D:\PythonProject\RoadCrack\dimension2_data\num"  # 这里改为存放上面图片的路径results_save_dir = "A_results"os.makedirs(results_save_dir, exist_ok=True)classifier = CrackType()imgfile,_ = pz.getPhotopath(masks_dir, debug=False)for path in imgfile:mask = cv2.imread(path)H, W = mask.shape[:2]mask_copy = mask.copy()skeimage, skepoints = SkeletonMap(mask_copy)minAreaRect=_get_minAreaRect_information(mask)pts_y, pts_x = skepoints[:, 0], skepoints[:, 1]hist_x = np.histogram(pts_x, W)hist_y = np.histogram(pts_y, H)result = classifier.classify(minAreaRect, skepoints, HW=(H, W))crack_type = classifier.types[result]print(crack_type)T = classifier.thresholdplt.figure(figsize=(10, 5))plt.subplot(121)plt.plot(hist_x[1][:-1], [T] * len(hist_x[0]), 'r')plt.bar(hist_x[1][:-1], hist_x[0])plt.title("Histogram X")plt.subplot(122)plt.plot(hist_y[1][:-1], [T] * len(hist_y[0]), 'r')plt.bar(hist_y[1][:-1], hist_y[0])plt.title("Histogram Y")plt.tight_layout()  # 自动调整子图布局，防止重叠plt.show()

与我们实际图片进行对比，其检测效果均还不错，threshold，HWratio，Histratio这三个初始值均为经验所得，还是要依照自己的数据来设定。这里的SkeletionMap函数将会获得骨架图中的索引点，它并没有进行去消除毛刺的，实际并不影响，因为我们采用的这个方法，些许毛刺影响不了判断。

现在我们只需要写一个推动裂缝类型的函数，可以用于直接去判断我们设定的裂缝类型：

def infertype(mask):"""推导裂缝类型"""crack = CrackType()H, W = mask.shape[:2]mask_copy = mask.copy()skeimage, skepoints = SkeletonMap(mask_copy)minAreaRect = _get_minAreaRect_information(mask)result = crack.classify(minAreaRect, skepoints, HW=(H, W))crack_type = crack.types[result]return result, crack_type