路面破损图像的边缘检测研究

摘要

作为图像处理和图像分析的一个重要研究内容，边缘检测技术被广泛地应用到路面裂缝的自动监测与识别过程中。一个完整的路面破损图像的边缘检测过程包括图像预处理、边缘检测、边缘连接和细化等步骤。文章首先介绍了图像预处理的方法，然后介绍了传统的边缘检测方法。传统的方法主要是使用检测模板与图像进行卷积运算，常用的基于灰度值一阶导数的检测模板有Roberts算子、Prewitt算子和Sobel算子；基于灰度值二阶导数的检测模板有Laplace算子和Log算子。这些边缘检测算子虽然计算简单，操作方便，但是对噪声比较敏感，尤其是对于充满了大量背景纹理、污渍和亮斑的路面图像来说，处理效果不是太好。
　　 在对经典的边缘检测算法进行分析的基础上，Canny提出了评价边缘检测性能优劣的三个准则：1.好的信噪比；2.好的定位性能；3.单边响应。Canny将上述准则用数学形式表达出来并推导出了最优的边缘检测模板，该模板与高斯函数的一阶导数相似，因此，在实际应用中选取高斯函数的一阶导数作为阶跃边缘的次最优检测算子。虽然Canny算法具有较好的理论基础，但是传统的Canny算法也具有很多缺点，比如在应用该算法进行边缘检测时，在对梯度幅值进行非极大值抑制后，需要设置高、低两个阈值来进行边缘提取,目前这两个阈值的设置还主要是通过人工来实现，这样做不仅缺乏客观性而且效率太低。为了避免人工干预以提高算法的效率，人们对如何自适应地获取高、低阈值进行了研究,比如提出了通过梯度直方图来确定阈值，但是这些方法中的比例因子还是需要根据不同的图像人工来确定。
　　 针对Canny算法的不足，论文介绍并提出了相应的改进措施。由于k-means算法是一种最广泛使用的聚类算法，在处理大数据集时，该算法是相对可伸缩的和高效的；而基于模糊C-均值聚类(FCM)的方法被广泛地应用到图像分割中，针对传统FCM算法处理图像时速度极慢的缺点，人们在算法中引入直方图,大大提高了算法的运算效率，因此论文结合梯度幅值的调整，提出了基于k-means算法和FCM算法的获取双阈值的方法，并将改进后的Canny算法应用到路面图像的边缘检测中，最后应用数学形态学的方法对检测得到的边缘进行连接和细化，取得了比较好的检测效果。