基于机器视觉的路面裂缝检测方法研究与实现 - 图文

河海大学本科毕业设计（论文）

图2 灰度后

由于我们后面的各种处理包括预处理都需要把图像转为灰度图像，所以对图

像进行灰度处理还是很有必要的。

2.3 图像去噪

现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声

干扰等影响，称为含噪图像或噪声图像。减少数字图像中噪声的过程称为图像去噪。 实际图像中，多少都会存在一些噪声，而使图像模糊，从而使实验结果不是那么直观，影响我们判断。所以本节我们针对裂缝图像进行去噪。 2.3.1 噪声特性

噪声是图象干扰的重要原因。一幅图象在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。在对这个含噪模型进行研究之前，我们有必要了解一下噪声的一些特性，经常影响图像质量的噪声源可分为三类。人们对其生成原因及相应的模型作了大量研究[3]:

1、电子噪声。在阻性器件中由于电子随机热运动而造成的电子噪声是三种模型中最简单的，一般常用零均值高斯白噪声作为其模型，它可用其标准差来完全表征。

2、光电子噪声。由光的统计本质和图像传感器中光电转换过程引起，在弱光照的情况下常用具有泊松分布的随机变量作为光电噪声的模型，在光照较强时，泊松分布趋向于更易描述的高斯分布。

3、感光片颗粒噪声。由于曝光过程中感光颗粒只有部分被曝光，而其余部

13

河海大学本科毕业设计（论文）

分则未曝光，底片的密度变化就由曝光后的颗粒密集程度变化所决定，而算曝光颗粒的分布呈现一种随机性。在大多数情况下，颗粒噪声可用高斯白噪声作为有效模型。

通过以上分析可以看出，绝大多数的常见图像噪声都可用均值为零，方差不同的高斯白噪声作为其模型，因而为了简便和一般化，我们采用零均值的高斯白噪声作为噪声源。 2.3.2 去噪方法

对随时间变化的信号，通常采用两种最基本的描述形式，即时域和频域。时域描述信号强度随时间的变化，频域描述在一定时间范围内信号的频率分布。对应的图像的去噪处理[4]方法基本上可分为空间域法和变换域法两大类。前者即是在原图像上直接进行数据运算，对像素的灰度值进行处理。变换域法是在图像的变换域上进行处理，对变换后的系数进行相应的处理，然后进行反变换达到图像去噪的目的。 （1）空域滤波

1 均值滤波

邻域平均法是一种局部空间域处理的算法。设一幅图像f(x,y)为N×N的阵列，处理后的图像为g(x,y)，它的每个像素的灰度级由包含(x,y)领域的几个像素的灰度级的平均值所决定，即用下式得到处理后的图像:

g(x,y)?1M(i,j)?S?f(i,j)2?5

式中x,y=0,1,2,....,N-1；s是以(x,y)点为中心的邻域的集合，M是s内坐标总数。图像邻域平均法的处理效果与所用的邻域半径有关。半径愈大，则图像模糊程度也愈大。另外，图像邻域平均法算法简单，计算速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别在边缘和细节处，邻域越大，模越厉害。

2 中值滤波

中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。但是对一些细节多，

14

河海大学本科毕业设计（论文）

特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。

中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。

f设有一个一维序列f1，f2，?，n，取窗口长度为m(m为奇数)，对此序ff列进行中值滤波，就是从输入序列中相继抽出m个数，i?v，?，i?1，?，f1，?，fi?1，?，

fi?v，其中i为窗口的中心位置，v=(m-1)/2,，再将这m个点按其数值

大小排列，取其序号为正中间的那作为出。用数学公式表示为:

Yi?Med?fi?v,...,fi,fi?v?i?Z,v?m?122?6

例如：有一个序列为{0，3，4，0，7}，则中值滤波为重新排序后的序列{0，0，3，4，7}中间的值为3。此例若用平均滤波，窗口也是取5，那么平均滤波输出为(0+3+4+0+7)/5=2.8。因此平均滤波的一般输出为:

Zi?(fi?v?fi?v?1?????fi?????fi?v)/mi?Z

2?7

对于二位序列{Xij}进行中值滤波时，滤波窗口也是二维的，但这种二位窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。二维数据的中值滤波可以表示为：

Yi,j?Med?Xij?AA为滤波窗口

2?8

在实际使用窗口时，窗口的尺寸一般先用3×3再取5×5逐渐增大，直到其滤波效果满意为止。对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。使用二维中值滤波最值得注意的是保持图像中有效的细线状物体。与平均滤波器相比，中值滤波器从总体上来说，能够较好地保留原图像中的跃变部分。

(2) 频域低通滤波法

在分析图像信号的频率特性时，一幅图像的边缘，跳跃部分以及颗粒声代表图像信号的高频分量，而大面积的背景区则代表图像信号的低频分量。用滤波的方法滤除其高频部分就能去掉噪声使图像得到平滑由卷积定理可知:

G(u,v)?H(u,v)F(u,v) 2?9

式中，F(u,v)是含噪声图像的傅里叶变换，G(u,v)是平滑后图像的傅里叶变换，

15

河海大学本科毕业设计（论文）

H(u,v)是低通滤波器传递函数。利用H(u,v)使F(u,v)的高频分量得到衰减，得到G(u,v)后再经过反变换就得到所希望的图像g(x,y)了。

1 小波去噪

近年来，小波理论得了非常迅速的发展，由于其具备良好的时频特性和多分辨率特性，小波理论成功地在许多领域得到了广泛的应用。现在小波分析已经渗透到自然科学、应用科学、社会科学等领域。在图像去噪领域中，应用小波理论进行图像去噪受到许多专家学者的重视，并取得了非常好的效果。

小波去噪的方法有多种，如利用小波分解与重构的方法滤波降噪、利用小波变换模极大值的方法去噪、利用信号小波变换后空域相关性进行信噪分离、非线性小波阈值方法去噪、平移不变量小波去噪法，以及多小波去噪等等。归结起来主要有三类:模极大值检测法、阈值去噪法和屏蔽(相关)去噪法。其中最常用的就是阈值法去噪。

小波阈值去噪的基本思路是：

（1）先对含噪信号f(k)做小波变换，得到一组小波系数Wj,k； （2）通过对Wj,k尽可能小； （3）利用W^j,k进行阈值处理，得到估计系数W^j,k，使得W^j,k与Wj,k两者的差值

进行小波重构，得到估计信号f(k)即为去噪后的信号。

Donoho提出了一种非常简洁的方法对小波系数Wj,k进行估计。对f(k)连续做几次小波分解后，有空间分布不均匀信号s(k)各尺度上小波系数Wj,k在某些特定位置有较大的值，这些点对应于原始信号s(k)的奇变位置和重要信息，而其他大部分位置的Wj,k较小；对于白噪声n(k)，它对应的小波系数Wj,k在每个尺度上的分不都是均匀的，并随尺度的增加，Wj,k系数的幅值减小。因此，通常的去噪办法是寻找一个合适的数λ作为阈值（门限），把低于λ的小波函数Wj,k（主要由信号n(k)引起），设为零，而对于高于λ的小波函数Wj,k（主要由信号s(k)引起），则予以保留或进行收缩，从而得到估计小波系数W引起的，然后对W^j,k^j,k，它可理解为基本由信号s(k)

进行重构，就可以重构原始信号。

估计小波系数的方法如下，取：

16