[发明专利]基于图像二维幅值估计的桥梁自动结构裂缝识别方法

说明书

本发明公开了一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法，其步骤包括：1对于采集倒的裂缝图像进行灰度化，再对灰度图像进行阈值分割，通过阈值分割结果初步判断裂缝类型；2在空间域上，采用均值偏移方法，对图像的背景进行平滑，使用二维幅值估计法将图像转化为频域，采用带通滤波器进行频域上的滤波，得到最终图像处理后的裂缝图像；3采用Canny算子进行裂缝检测，最后通过连通域处理，采用闭运算补齐裂缝轮廓，最终将裂缝进行标注。本发明适用于大多数环境下各种桥梁裂缝的检测，能够避免桥梁环境背景因素干扰对于裂缝识别的影响，提高裂缝检测的效率和准确性。

技术领域

本发明涉及于桥梁安全检测领域，具体地说是一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法

背景技术

随着大跨度桥梁服役期的增长，长时间暴露在潮湿、海风、等恶劣环境下，同时还受到车辆、风、地震、疲劳、超载等人为因素作用，对其结构与受力特性稳定性会造成巨大的影响，大跨度桥梁的失稳现象往往会造成巨大的人员伤亡与经济损失，裂纹是由于结构超载和疲劳所引起的病害，会导致混凝土结构在服役期间的抗渗性破坏，导致钢筋的腐蚀，促进化学反应对于钢筋的攻击。因此桥梁裂缝是桥梁结构内部稳定性发生变化的表征桥梁易于发生腐蚀，没有适当的检查，昂贵的维护是不可避免的，虽然各种传感器广泛的应用，但是检查过程仍然是费时费力的，需要检查人员利用设备对桥体进行检测。为了节约人工成本并且获得更好的效果，采用机器视觉进行桥体的检测。

Yan等人利用构造出来的一种特定的中值滤波器来进行图像增强的处理，然后在检测裂缝的时候，使用基于灰度形态算子的边缘检测算法。这种方法具有一定的局限性，当面对内容复杂的路面病害图像的时候，如果还采用这种定值判断依据，那就不可避免地会出现错误的判断。现在技术中，使用机器学习来进行裂缝识别，但机器学习进行监督学习，需要庞大的带注释的数据集进行训练，并且对于计算机具有较强的算力要求，很难利用于实际工程中。

发明内容

本发明是为了克服现有技术的不足之处，提供一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法，以期能避免桥梁环境背景因素干扰对于裂缝识别的影响，从而提高裂缝检测的效率和准确性。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法的特点是包含以下步骤：

步骤1：采集桥台底部的混凝土裂缝图片并进行灰度化处理，得到灰度图像；

步骤2：定义初始阈值为T₀，并按照初始阈值T₀将灰度化图像分为两部分图像，分别计算两部分图像的灰度均值，将两部分图像的灰度均值取平均值后得到新的阈值T₁，将新的阈值T₁与初始阈值T₀相比较，若两者的差值小于“1”，则将新的阈值T₁作为最终的分割阈值T；否则，重复计算，直到两者的差值小于“1”为止；

步骤3：按照分割阈值T对灰度化图像进行分割，得到分割后的图像；计算分割后的图像的连通域面积，得到裂缝图像；

步骤4：判断裂缝图像中所有裂缝的特征点的像素总数以及所有裂缝的特征点像素所占所述裂缝图像中所有像素点的比例；

当裂缝的特征点像素所占的比例大于裂缝判定阈值时，则所述裂缝图像中的裂缝判定为Ⅰ类裂缝，否则，判定为Ⅱ类裂缝；

步骤5：对于Ⅰ类裂缝，通过二维幅值估计法对所述裂缝图像转化为二维频域图像，再对二维频域图像进行高通滤波处理，得到滤波后的频域图像；采用傅里叶逆变换将滤波后的频域图像转换为滤波后的裂缝图像；

对于Ⅱ类裂缝，先采用均值漂移方法对分类后的裂缝图像中背景进行图像降噪，再对降噪后的裂缝图像采用二维幅值估计法中的低通滤波转化为平滑背景后的裂缝图像；