[发明专利]一种基于主动轮廓模型的路面裂缝检测方法

权利要求书

1.一种路面裂缝检测方法，包括以下步骤：

步骤100：对路面裂缝图像进行对比度增强；

步骤200：基于步骤100的经过对比度增强后的图像，进行路面裂缝区域精确检测；

步骤300：基于步骤200的精确检测结果，对路面裂缝进行分类。

2.一种对路面图像的增强方法，包括以下步骤：

步骤1000，计算背景灰度信息熵和裂缝灰度信息熵，来确定背景和目标的最佳阈值；

步骤2000，使用步骤1000中的最佳阈值来确定隶属度函数的参数；

步骤3000，用幂函数作为增强转换函数，利用幂函数的指数作为增强调节系数进行图像增强。

3.如权利要求2所述的对路面图像增强的方法，其特征在于：

所述调节系数由分别代表局部信息和全局信息的两部分参数构成；其中局部信息是根据像素点所处窗口的边缘均值计算而得。

4.如权利要求2所述的对路面图像增强的方法，其特征在于：

所述步骤1000进一步包括：

步骤1100：输入原始图像g_orig，计算归一化后图像x，并计算图像x的平均灰度值k；

步骤1200：在区间[0,k]上逐一取值赋给t，计算背景灰度信息熵Hb(t)和目标灰度信息熵和Ho(t)；

步骤1300：由最大信息熵确定最佳阈值t*。

5.如权利要求4所述的对路面图像增强的方法，其特征在于：

所述步骤2000进一步包括以下步骤：

步骤2100：计算隶属函数参数b=t*，a=2b-c，c为图像x灰度的最大值，将图像x转换到模糊域，计算μ_X(x_mn),其中x_mn为图像中的像素点(m,n)的灰度值；

步骤2200：计算当前位置为(m,n)的像素点局部边缘值若值为零，则求出增强后的该点灰度值x′_mn；否则执行步骤2300；

步骤2300：计算以当前位置为(m,n)的像素点为中心的窗口的边缘均值和近似度系数

步骤2400：计算模糊信息熵ρ_mn，计算参数值小值δ_min；

步骤2500：计算增强系数σ_mn和转换对比度然后计算增强后模糊隶属度值和空间域内灰度值；

步骤2600：判断图像中的所有像素点是否全部处理完，如果是则结束，否则继续进行运算。

6.一种基于路面图像的路面裂缝检测方法，包括以下步骤：

步骤1000，生成的低精度的与实际的裂缝区域较为接近的感兴趣区域；

步骤2000，检测以确定裂缝区域的精确位置。

7.如权利要求6所述的基于路面图像的路面裂缝检测方法，其特征在于：

所述步骤1000中，在低精度的感兴趣区域生成中，进一步包括以下步骤：

步骤1100，通过支持向量机方法建立分类器，将所有图像块分为“裂缝”与“背景”两类；

步骤1200，将分类生成的二值化图像进行后处理，并确定感兴趣区域。

8.一种基于路面图像的路面裂缝检测方法，包括以下步骤：

步骤1000，在高一级尺度层次上对完整的裂缝图像进行检测，找到一个该尺度层次下的分类用感兴趣区域；

步骤2000，降低尺度层次，参考在较高尺度层次下得到的定位结果，在较低尺度上对图像的全部或某一部分进行处理，提高定位精度，直到得到符合后续步骤精度要求的分类用感兴趣区域为止。

9.一种路面裂缝检测方法，包括以下步骤：

步骤1000：采用模糊逻辑的路面裂缝图像对比度增强；

步骤2000：对步骤1000中经过对比度增强的图像采用基于主动轮廓模型的方法对路面裂缝进行检测；

步骤3000：对步骤2000中检测出的路面裂缝，采用基于多示例学习方法对路面裂缝进行分类。

10.如权利要求9所述的路面裂缝检测方法，其特征在于：

所述步骤1000进一步包括：

步骤1100：对裂缝图像归一化处理；

步骤1200：对步骤1100处理后的图像进行图像局部信息提取及模糊化；

步骤1300：对步骤1200处理过的图像进行整体对比度转换。

所述步骤2000进一步包括：

步骤2100：采用基于有监督学习的局部特征分类方法，进行感兴趣区域ROI的确定；

步骤2200：对划分出的感兴趣区域进行分割；

所述步骤3000进一步包括：

步骤3100：构建多示例包,将图像全局分块，块大小为bl*bl，图像为一个包，包已知标签，每个块为包中的一个示例；

步骤3200：对裂缝进行特征提取；

步骤3300：采用基于多示例学习方法对路面裂缝进行分类。