基于半交互式的裂缝检测方法

裂缝的危害已深入经济社会发展的各个领域，比如交通运输领域中的公路路面裂缝，高速公路隧道壁裂缝等；工业产品领域中的光学玻璃裂缝，木材表面裂缝等等；其安全性检测直接关系到经济发展和安全等重大问题。裂缝虽然大多不足1mm，但是却是一种最常见和最重要的病害表现形式。它一方面预示着病害的出现；另一方面预示潜在的严重安全隐患，比如渗水等因素诱发深层次强度减弱而造成不可估量的损失；同时, 裂缝不及时处理, 将缩短工业产品或公路等的使用寿命。因此，裂缝的快速检测、高效识别和及时养护是提升产品服务质量和延长其使用寿命的有效途径。

裂缝的宽度检测为裂缝检测中最重要的指标。在很长一段时间，各领域中裂缝的检测都依靠有经验的专业人员完成。首先，依靠人眼找到裂缝，然后用游标卡尺量其宽度。它不仅造成严重的人力资源浪费，并且检测的时效性差，精度低，主观性强。一般来说，裂缝的呈现形式复杂多样，使得传统的专业人员检测已不能满足实际的应用需求，这使得基于机器视觉的自动(或半自动)检测技术成为当前的热点研究领域。在此方法中，CCD首先采集目标图像，然后，计算机自动(或半自动)分析图像的内容并且识别裂缝，最后计算宽度指标。在基于数字图像的检测方法中，目标图像的分析和裂缝识别是关键。

目前，常见的处理方法多为传统的图像处理算法，比如阈值分割(参见《Sealed-crack detection algorithm using heuristic thresholding approach》：Kamaliardakani M, Sun L, Ardakani M. Journal of Computing in Civil Engineering, 2014, DOI: 10.1061/(ASCE)CP.1943-5487.0000447),形态学的处理算法(参见《Automated image processing technique for detecting and analysing concrete surface cracks》：Lee B Y, Kim Y Y, Yi S T, Kim J K. Structure and Infrastructure Engineering, 2013,9(6): 567-577)，显著性方法(参见《基于图像显著性的路面裂缝检测》：徐威，唐振民，吕建勇. 中国图象图形学报, 2013,18( 1) : 69-77)，和特征融合法(参见《基于纹理脊线特征融合的木材表面裂缝检测》：苑玮琦, 李绍丽, 李德健. 仪器仪表学报, 2017, 38(2): 436-444.)，此类方法对裂缝的成像质量要求极高，一般需要高对比度，高清晰度以及具备一定几何形态的裂缝；模型学习法(参见《Automatic road crack detection and characterization》：Oliveira H, Correia P L. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(1): 155-168，《基于稀疏表示分类的路面裂缝检测和识别算法》：周舟, 唐振民, 吕建勇等. 信息技术, 2016 (2016 年 11): 21-25和《基于分区域多尺度分析的路面裂缝检测算法》：卢紫微, 吴成东, 陈东岳, 等. 东北大学学报 (自然科学版), 2014, 35(5): 622-625.)，该类方法识别精度高，但是对提取的图像特征较敏感，并且需要大量的训练数据，人工标注成本高。近年，基于Hessian矩阵的亚像素级精度的检测器技术，以其精度高和鲁棒性好等特点，在结构光光条中心提取和曲线性结构检测中得到了应用(参见《Steger C. An unbiased detector of curvilinear structures》：Steger. IEEE Transactions on pattern analysis and machine intelligence, 1998, 20(2): 113-125，公开号为CN10149916和CN101178812的中国专利，和《基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法》：王军，孙慧婷，姜志等. 计算机应用，2016，36(S1):174-176,18)。虽然Hessian矩阵的特征向量能很好的表征曲线结构的法线方向和切线方向，但是上述方法中通过泰勒级数展开求取极值点来判定曲线结构的中心和边界，往往受噪声点的影响而得到局部极值点而误判。而(《基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法》：王军，孙慧婷，姜志等. 计算机应用，2016，36(S1):174-176,18)工作中，也仅仅是通过Hessian矩阵的特征向量来识别裂缝的走势。

一些常见的裂缝图像如下所示。通常在实际工程中，图像采集系统往往受光照等外部环境的影响比较大，很难保证纹理清晰的裂缝图像；受裂缝自身宽度、深度、方向的影响, 细微裂缝与背景对比度弱且难以表现出完整的几何形态，而是表现的断断续续, 若隐若现；实际采集的目标图像中背景表现出的不确定性，复杂性和多样性使得现有算法都难以满足实际应用需求，或者只限制于特定的应用场景。比如在隧道检测领域，行业实际应用表明国内外没有任何一种裂缝检测算法能满足实际工程应用需求。

针对上述方法存在的技术问题，我们提供了一种半交互式的裂缝检测方法，解决目前裂缝检测领域中的鲁棒性问题和高精度需求，已专利授权。总的流程框图如下

步骤一：种子点选取。用户用鼠标在目标图像上裂缝处选取一系列点坐标记为$(x_i,y_i{)}_{i=1}^N$，其中$x$为水平方向坐标，$y$为竖直方向坐标。注意种子点选取尽量在裂缝大的拐点出选取，如下图所示。点的选取与后续算法设计息息相关，其原理在后续介绍。

步骤二：感兴趣区域提取及图像预处理。为了加快算法的处理效率，我们只需提取裂缝区域图像。具体的提取方法为分别求$N$个坐标点中最小最大的水平方向坐标值${ {x_{\min }},{x_{\max }}} $，以及最小最大的竖直方向坐标值${ {y_{\min }},{y_{\max }}} $。那么感兴趣区域的左上顶点坐标为$({x_{\min }},{y_{\min }})$，$