[发明专利]一种基于多尺度图像信息融合的机场跑道裂缝检测方法

说明书

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于多尺度图像信息融合的机场跑道裂缝检测方法。

背景技术

目前，绝大多数机场仍采用传统人工观测的方式定期对跑道裂缝进行检测。然而，基于人工方式的跑道裂缝检测存在以下问题：1)检测精度受观测者经验影响且容易出现错误；2)缺乏统一精确的检测标准，因此检测结果很难重复；3)无法保证观测范围覆盖全部机场跑道；4)非常耗时，且是一项劳动密集型工作。因此，急需自动化的机场跑道裂缝检测方法。

与机场跑道裂缝检测类似，路面及桥面的裂缝检测已经被学者和工业界关注多年。早期，灰度阈值方法和边缘检测方法常被用于进行裂缝检测。然而，这两类方法对于环境噪声敏感，无法用于具有高杂波及低对比度的图像中。近年来，机器学习方法，如支持向量机、随机森林、神经网络等被用于裂缝检测中。在这类算法中，路面图像通常被分为若干个子区域，每个子区域通过不同特征的向量进行描述，然后子区域图像被用于学习和训练以区分裂缝和非裂缝。然而，由于学习和训练是以局部算法在每个子区域内进行，所以此类算法存在无法完整寻找裂缝区域的问题。此外，机器学习算法不可避免地要提前进行模型的学习与训练，环境适应性较差。近年来，有学者提出了基于最小路径的裂缝检测方法，此类方法首先提取部分裂缝像素点，然后通过在每对裂缝像素点之间寻找灰度值最小的路径来检测裂缝。基于最小路径的裂缝检测方法中具有代表性的是Amhaz于2016年提出的基于最小路径选择的方法，该方法是通过在局部寻找裂缝端点，然后在全局寻找端点间最小路径的方法，可有效避免因环路而出现的错误检测，但该方法也存在诸如参数选择困难、计算复杂度高、易受图像中的油污等噪声干扰等问题。基于多尺度图像的特征提取因其能够克服大尺度图像特征检测定位不准确以及小尺度图像特征检测对噪声敏感等问题而逐渐受到重视。小波变换、粒子滤波等方法也被用于多尺度的裂缝检测。然而，这类方法最大的问题在于如何为不同的裂缝选择合适的尺度，或者如何融合不同尺度空间的检测结果。现有方法基本采取接受所有尺度下的检测结果或者只保留大尺度空间中检测结果的策略，并未充分利用不同尺度下的裂缝特征信息，因而检测的准确性和鲁棒性不高。

发明内容

为了解决上述问题，本发明的目的在于提供一种在准确地检测每一尺度下图像中的裂缝特征的同时，能够有效地融合不同尺度下的检测结果，并且运算简单、鲁棒性强的机场跑道裂缝检测方法。

为了达到上述目的，本发明提供的基于多尺度图像信息融合的机场跑道裂缝检测方法包括按顺序进行的下列步骤：

(1)对机场跑道原始图像进行变换，生成多尺度图像序列；

(2)依次对上述多尺度图像序列中每一尺度下的图像提取裂缝特征；

(3)对不同尺度下提取的裂缝特征进行匹配；

(4)通过定义裂缝响应度量函数，并对上述已匹配的裂缝特征计算各自的响应值，完成对已匹配的裂缝特征的选择，从而实现裂缝特征的优化提取。

在步骤(1)中，所述的对机场跑道原始图像进行变换，生成多尺度图像序列的方法是：通过对机场跑道原始图像与一变尺度的高斯核函数进行卷积运算，获取不同尺度下的一系列新图像。

在步骤(2)中，所述的依次对上述多尺度图像序列中每一尺度下的图像提取裂缝特征的方法包括按顺序进行的下列步骤：1)提取裂缝特征种子像素点；2)利用DBSCAN算法对提取的种子像素点进行过滤和聚类；3)对相邻的种子像素点通过灰度值最小路径进行连接；4)通过计算灰度值最小路径的平均灰度值，对步骤3)中生成的灰度值最小路径进行阈值过滤；5)基于灰度值最小路径生长的裂缝区域检测；6)通过定义并计算裂缝区域间的距离，对生成的裂缝区域进行分组，每一个裂缝区域分组称为一条裂缝；7)删除所包含像素点过少的裂缝。

在步骤(3)中，所述的对不同尺度下提取的裂缝特征进行匹配的方法是：首先将不同尺度下提取的裂缝投影到同一图像平面；然后定义任一像素点到另一尺度下任一条裂缝的距离为：该像素点到裂缝中最近的像素点的距离；最后计算任一条裂缝中所有像素点到另一裂缝的距离，保留距离小于某一设定阈值T_d的像素点作为匹配的点，将两条裂缝中所有匹配点的集合作为匹配的裂缝特征，阈值T_d的选择根据经验和实验设定为4。