论文部分内容阅读
【摘要】混凝土裂缝严重威胁建筑物的安全性。采用数字图像处理技术实现混凝土裂缝的识别，首先分别提取裂缝区域的频谱特征、统计学特征和灰度特征，用来训练支持向量机的分类模型，然后由分类模型识别新图像的裂缝区域。实验结果表明：三类图像特征可以描述出混凝土裂缝形态，采用支持向量机在训练样本较少的情况下裂缝图像分割收到较好效果。
【关键词】混凝土裂缝；图像分割；支持向量机；频谱特征；统计学特征；灰度特征
1、支持向量机原理
传统统计模式识别的方法很多结论都是基于样本数量趋于无穷大时的渐近特性，如一致性、无偏性等。然而在实际应用中，样本数量通常是有限的，特别是特征向量维数较高时更是如此。支持向量机方法以统计学理论为基础，根据有限样本，在分类模型的复杂性和学习能力之间的寻求最佳折衷，以期获得最好的泛化能力。
2、裂缝特征的提取
自然界中的纹理粗糙度有很大差异，而通过考察纹理特征可以区分不同的纹理。常用的纹理特征的表示方法有：频谱纹理特征、统计纹理特征和模型纹理特征等。混凝土裂缝区域和背景区域通常被认为具有不同纹理，可借助区域的纹理特征实现图像分割。特征量的选取是模式识别中至关重要的环节，本文采用的纹理特征包括：
（1）频谱纹理特征
频谱特征是能够反映图像灰度分布的重要特征。图像变换到频率域，利用频率特性来描述图像纹理特征。即图像经过一系列变换后，从复杂的数据中找到一些重要系数来描述图像特征。由于图像信号在频率域具有比在空域更加简洁和直观的特性，故频谱特性在图像分析中起着很重要的作用。傅里叶变换在纹理图像分析中具有明确物理意义、其功率谱平移不变性、有快速算法等诸多优点，通常利用傅里叶频谱的频率特性描述图像的方向性。
（2）Tamura统计纹理特征
Tamura等人于1978年提出一类基于人类视觉感知的紋理特征。该定义中所有纹理特征都在视觉上有意义，而灰度共生矩阵的某些纹理特征不具有视觉意义，因而Tamura特征在数字图像处理领域中较多的使用。Tamura纹理特征包括6个属性，对应心理学层面上的6种纹理特征属性，包括粗糙度、对比度、方向度、线性度、规整度和粗略度，其中前3个属性在图像分析和检索中发挥着重要作用。
（3）灰度特征
1）灰度均值。灰度均值即数字图像中所有像素点灰度值的算术平均值，反映图像中物体不同部分的平均反射强度
2）灰度方差。灰度方差反映图像区域内各像素点灰度值与区域平均灰度值的离散程度。若离散程度越大，方差值就越大。
3）偏度。描述的是样本总体取值分布的对称性，即图像的扭曲度。偏度的绝对值数值越大表示其分布形态的偏斜程度越大。
4）峰值。描述的是图像区域内所有像素点灰度值分布形态的陡缓程度，表示灰度分布的峰值是否突兀或平坦。峰度的绝对值数值越大表示图像灰度分布形态的陡缓程度与正态分布的差异程度越大。
5）图像熵。熵是一种特征的统计形式，它表征图像灰度分布的聚集特性，却不能反映图像灰度分布的空间特征，为了表征这种空间特征，可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。
3、SVM图像分割方法
基于SVM的图像分割算法，最重要的在于特征训练向量的选取。本文将图像的统计纹理特征、频谱纹理特征和灰度特征作为特征向量，采用SVM算法实现裂缝区域和背景区域的分割。具体步骤如下：
（1）将M×N的待分割图像分成M×N/（m×n）个大小为m×n的图像子块，每个图像子块分别提取三个特征组成特征向量f1=（q）、f2=（q，t）、f3=（q，t，p），其中q，t，p分别为上述介绍的统计纹理特征、频谱纹理特征和灰度统计量特征；
（2）选取图像样本，根据样本目标和背景的图像特征，在区分度高的区域手动选取像素点，由像素点的特征值和位置信息构成特征向量，构成SVM模型的训练集；
（3）采用序贯最小优化算法改善寻优效率，通过选取不同类型的核函数和参数得到分类效果，训练得到与特征输入相关度较高的分类器；
（4）将图像的所有特征样本作为测试集样本，用SVM方法进行分类；
（5）根据步骤（3）的分类结果可得对应的二值分类矩阵，再由二值矩阵重构成二值图像，然后运用数学形态学方法对二值图像进行处理，得到最终裂缝图像。
4、实验结果与分析
本文采用一幅大小为256×256的裂缝图像为例，将其划分为大小相同的图像子块，图像子块大小可以根据图像目标区域的分布情况动态调整。针对4×4大小的图像子块，提取整幅图像的特征向量共4096个，每个特征向量为10维。从图像中手工选取能代表裂缝区域和非裂缝区域的特征向量作为SVM模型的训练数据集。本实验分别提取126个裂缝特征向量和252个非裂缝特征向量作为训练集，训练采用Matlab的libsvm3.0工具箱进行，对算法有效性进行验证。如图1。
图1（a）为混凝土裂缝图像；图1 （b）为采用一般Otsu算法分割后的图像，裂缝边缘粗糙，且检测出图像中的非裂缝区域；图1 （c）为仅采用频谱纹理特征的图像分割结果；图1 （d）为增加统计纹理特征的图像分割结果；图1 （e）为增加灰度特征的图像分割结果。由结果可知，仅采用频谱纹理特征的图像分割可以去掉背景中孔洞和杂质的干扰，但裂缝边缘轮廓与实际边缘存在较大差别，在增加图像统计纹理后的分割效果得到一定改善，而在增加了灰度特征后，提取的裂缝形态与实际裂缝形态达到基本吻合。从实验中得到，特征向量维数越高，SVM图像分割的效果越好，且SVM模型的训练时间与向量维数无关的特点，比较适合多特征值的训练。SVM模型仅仅需要一定的训练集就能够实现较好的分割效果。此外，对待同一批具有相似特征的图像时，仅需要提取一幅图像特征用于SVM训练，用于构建一类图像的分割模型。
5、结论
本文提出了结合多种纹理特征的SVM图像分割算法，即提取显著分类位置点图像频谱纹理特征、统计纹理特征和灰度特征组成特征训练向量，训练SVM分类模型，将整个图像带入训练好的SVM模型中对图像块分类，实现裂缝区域的提取。实验结果表明：结合多种图像特征，可以获得更好的分割效果和更高的分割准确率，而且该方法适合用于一类具有相似特征的图像分割。
参考文献：
[1] 杨志民，刘广利.不确定性支持向量机—算法及应用[M].北京：科学出版社，2014.
[2] Ratha N K，Chen S Y，Jan A K. A adaptive flow orientation based feature extraction in fingerprint images[J].Pattern Recognition，1995，28（11）：1657-1672.
[3] Bazen A M， Gerezsh.Segmentation of fingerprint images[C]//proc of ProR ISC Workshop on Circuits， Systems and signal Processing，2001.
【关键词】混凝土裂缝；图像分割；支持向量机；频谱特征；统计学特征；灰度特征
1、支持向量机原理
传统统计模式识别的方法很多结论都是基于样本数量趋于无穷大时的渐近特性，如一致性、无偏性等。然而在实际应用中，样本数量通常是有限的，特别是特征向量维数较高时更是如此。支持向量机方法以统计学理论为基础，根据有限样本，在分类模型的复杂性和学习能力之间的寻求最佳折衷，以期获得最好的泛化能力。
2、裂缝特征的提取
自然界中的纹理粗糙度有很大差异，而通过考察纹理特征可以区分不同的纹理。常用的纹理特征的表示方法有：频谱纹理特征、统计纹理特征和模型纹理特征等。混凝土裂缝区域和背景区域通常被认为具有不同纹理，可借助区域的纹理特征实现图像分割。特征量的选取是模式识别中至关重要的环节，本文采用的纹理特征包括：
（1）频谱纹理特征
频谱特征是能够反映图像灰度分布的重要特征。图像变换到频率域，利用频率特性来描述图像纹理特征。即图像经过一系列变换后，从复杂的数据中找到一些重要系数来描述图像特征。由于图像信号在频率域具有比在空域更加简洁和直观的特性，故频谱特性在图像分析中起着很重要的作用。傅里叶变换在纹理图像分析中具有明确物理意义、其功率谱平移不变性、有快速算法等诸多优点，通常利用傅里叶频谱的频率特性描述图像的方向性。
（2）Tamura统计纹理特征
Tamura等人于1978年提出一类基于人类视觉感知的紋理特征。该定义中所有纹理特征都在视觉上有意义，而灰度共生矩阵的某些纹理特征不具有视觉意义，因而Tamura特征在数字图像处理领域中较多的使用。Tamura纹理特征包括6个属性，对应心理学层面上的6种纹理特征属性，包括粗糙度、对比度、方向度、线性度、规整度和粗略度，其中前3个属性在图像分析和检索中发挥着重要作用。
（3）灰度特征
1）灰度均值。灰度均值即数字图像中所有像素点灰度值的算术平均值，反映图像中物体不同部分的平均反射强度
2）灰度方差。灰度方差反映图像区域内各像素点灰度值与区域平均灰度值的离散程度。若离散程度越大，方差值就越大。
3）偏度。描述的是样本总体取值分布的对称性，即图像的扭曲度。偏度的绝对值数值越大表示其分布形态的偏斜程度越大。
4）峰值。描述的是图像区域内所有像素点灰度值分布形态的陡缓程度，表示灰度分布的峰值是否突兀或平坦。峰度的绝对值数值越大表示图像灰度分布形态的陡缓程度与正态分布的差异程度越大。
5）图像熵。熵是一种特征的统计形式，它表征图像灰度分布的聚集特性，却不能反映图像灰度分布的空间特征，为了表征这种空间特征，可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。
3、SVM图像分割方法
基于SVM的图像分割算法，最重要的在于特征训练向量的选取。本文将图像的统计纹理特征、频谱纹理特征和灰度特征作为特征向量，采用SVM算法实现裂缝区域和背景区域的分割。具体步骤如下：
（1）将M×N的待分割图像分成M×N/（m×n）个大小为m×n的图像子块，每个图像子块分别提取三个特征组成特征向量f1=（q）、f2=（q，t）、f3=（q，t，p），其中q，t，p分别为上述介绍的统计纹理特征、频谱纹理特征和灰度统计量特征；
（2）选取图像样本，根据样本目标和背景的图像特征，在区分度高的区域手动选取像素点，由像素点的特征值和位置信息构成特征向量，构成SVM模型的训练集；
（3）采用序贯最小优化算法改善寻优效率，通过选取不同类型的核函数和参数得到分类效果，训练得到与特征输入相关度较高的分类器；
（4）将图像的所有特征样本作为测试集样本，用SVM方法进行分类；
（5）根据步骤（3）的分类结果可得对应的二值分类矩阵，再由二值矩阵重构成二值图像，然后运用数学形态学方法对二值图像进行处理，得到最终裂缝图像。
4、实验结果与分析
本文采用一幅大小为256×256的裂缝图像为例，将其划分为大小相同的图像子块，图像子块大小可以根据图像目标区域的分布情况动态调整。针对4×4大小的图像子块，提取整幅图像的特征向量共4096个，每个特征向量为10维。从图像中手工选取能代表裂缝区域和非裂缝区域的特征向量作为SVM模型的训练数据集。本实验分别提取126个裂缝特征向量和252个非裂缝特征向量作为训练集，训练采用Matlab的libsvm3.0工具箱进行，对算法有效性进行验证。如图1。
图1（a）为混凝土裂缝图像；图1 （b）为采用一般Otsu算法分割后的图像，裂缝边缘粗糙，且检测出图像中的非裂缝区域；图1 （c）为仅采用频谱纹理特征的图像分割结果；图1 （d）为增加统计纹理特征的图像分割结果；图1 （e）为增加灰度特征的图像分割结果。由结果可知，仅采用频谱纹理特征的图像分割可以去掉背景中孔洞和杂质的干扰，但裂缝边缘轮廓与实际边缘存在较大差别，在增加图像统计纹理后的分割效果得到一定改善，而在增加了灰度特征后，提取的裂缝形态与实际裂缝形态达到基本吻合。从实验中得到，特征向量维数越高，SVM图像分割的效果越好，且SVM模型的训练时间与向量维数无关的特点，比较适合多特征值的训练。SVM模型仅仅需要一定的训练集就能够实现较好的分割效果。此外，对待同一批具有相似特征的图像时，仅需要提取一幅图像特征用于SVM训练，用于构建一类图像的分割模型。
5、结论
本文提出了结合多种纹理特征的SVM图像分割算法，即提取显著分类位置点图像频谱纹理特征、统计纹理特征和灰度特征组成特征训练向量，训练SVM分类模型，将整个图像带入训练好的SVM模型中对图像块分类，实现裂缝区域的提取。实验结果表明：结合多种图像特征，可以获得更好的分割效果和更高的分割准确率，而且该方法适合用于一类具有相似特征的图像分割。
参考文献：
[1] 杨志民，刘广利.不确定性支持向量机—算法及应用[M].北京：科学出版社，2014.
[2] Ratha N K，Chen S Y，Jan A K. A adaptive flow orientation based feature extraction in fingerprint images[J].Pattern Recognition，1995，28（11）：1657-1672.
[3] Bazen A M， Gerezsh.Segmentation of fingerprint images[C]//proc of ProR ISC Workshop on Circuits， Systems and signal Processing，2001.