【摘要】：路面裂縫檢測是公路路面質量管理的重要組成部分,隨著自動化檢測程度的不斷提高,基于圖像分析的路面裂縫檢測與識別方法成為路面檢測技術的發(fā)展趨勢。通常情況下,路面裂縫容易受到噪聲和各種路況的干擾,使裂縫檢測較為困難。本文在分析總結了一些學者的研究成果的基礎上,從實用角度出發(fā),研究了路面裂縫檢測與識別分析關鍵的實用技術,主要研究內容如下:研究了路面裂縫圖像增強技術,將改進中值濾波和小波閾值濾波方法聯(lián)合起來對裂縫圖像進行混合去噪,取得了一定的去噪效果;特別地,針對路面裂縫圖像受到光照不均勻的影響,針對傳統(tǒng)同態(tài)濾波方法抑制不足,應用基于小波變換的方法抑制裂縫圖像光照不均勻,并與同態(tài)濾波方法進行了對比實驗。研究了裂縫目標提取方法,研究了傳統(tǒng)圖像分割方法諸如邊緣檢測算子、閾值分割算法在裂縫圖像分割中的應用效果;研究將多結構元素抗噪型形態(tài)學邊緣檢測算子應用到路面裂縫目標提取中,并進一步研究了以OTSU結果為基礎、提取局部灰度特征、相異度特征和方向特征進行細劃分并采用多結構元素形態(tài)學二值去噪的裂縫圖像分割方法,并取得了不錯的目標提取效果,穩(wěn)定性較好,能夠滿足道路路面裂縫檢測的要求。分析了路面裂縫的四種類型,根據(jù)裂縫的特征提取了投影變換-破損特征向量、裂縫分布密度特征向量,針對裂縫分布密度特征向量的不足,研究了改進裂縫分布密度特征向量的提取方法,并給出了融合特征向量的表征方法。然后,基于BP神經網(wǎng)絡設計了三個裂縫分類器。實驗結果表明,改進裂縫分布密度特征分類器的識別效果優(yōu)于投影變換-破損特征分類器和裂縫分布密度特征分類器,但對非線性裂縫的分類識別方面還需要進一步改善。同時根據(jù)三個分類器的識別效果,設計了融合分類器,進行對比實驗分析,表明融合分類器的優(yōu)勢。
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U418.6;TP391.41
【圖文】：

但該方法沒有對網(wǎng)裂和塊裂進行區(qū)分。容與工作安排面裂縫圖像分析與識別現(xiàn)狀及發(fā)展趨勢，采用圖像處理裂縫檢測方法的先進手段。目前路面裂縫圖像處理與分的處理與分析主要由裂縫圖像預處理、裂縫目標檢測和像的預處理中，裂縫圖像噪聲分布廣、裂縫目標與背景較嚴重的，因此，有必要通過研究路面裂縫圖像增強處縫圖像目標提取分割是整個圖像處理與分析算法的核心提取算法，以適應裂縫圖像預處理效果不佳、多種不規(guī)路面裂縫的準確分類打下好的基礎，為道路交通管理部科學、客觀、完整的依據(jù)。

位論文 第二章示取該點窗口鄰域內的所有像素值的中值平滑噪聲的效果，窗口太大若裂縫邊緣細度，也同時會破壞裂縫目標信息。法波對裂縫圖像的處理效果，有效抑制噪聲即多級中值濾波算法濾除路面裂縫圖像噪，當前點像素位置為（i, j），其像素灰度（以 5×5 窗口為例）中的 W1，W2，W3，與水平方向成 90o、135o的四個一維子窗口

路面裂縫圖像屬于二維圖像信號，用低通濾波器和高通濾波器分別對裂縫進行濾波卷積，并進行二取一的下抽樣。經過二維小波變換一層分解，原始路以被分解為四個子圖像分量，即低頻分量 LL，作為保持圖像信號特性與輪廓頻 LH（水平）、高頻 HL（垂直）以及高頻 HH（對角線），這些分量提供裂細節(jié)。小波變換分解見圖 2.2，其中 2↓1 表示保留奇數(shù)列；1↓2 表示保留奇數(shù)行分解后的 LL 分量進一步小波分解，獲得二層尺度下的低頻分量和相應層數(shù)的此類推。相應地，小波重構圖解如圖 2.3，其中， 2↑1 表示每兩列之間填 0；行之間填 0。小波方法去噪具有良好的性質，小波分解變換能夠在不同尺度下表征裂縫小波因為運用了多分辨率分析的方法而可以很好地表征裂縫圖像的非平穩(wěn)特性圖像的有價值信息與噪聲信號分離，這樣更加有利于處理噪聲�；谛〔ㄗ儞Q處理，不但可以很好地抑制噪聲特別是高斯噪聲，并且能保護好裂縫重要的邊

【相似文獻】

相關期刊論文 前10條

1 Andreas VOGT;Michael TSANG;Neil A.HUKRIEDE;;基于人工智能的整體生物圖像分析[J];生命科學儀器;2010年03期

2 李玉蘭;鄭海起;汪偉;欒軍英;唐力偉;;基于系統(tǒng)模型的炮膛圖像分析過程研究[J];火炮發(fā)射與控制學報;2009年03期

3 曾碚凱,楊h

本文編號：2761517