基于形态学的SVM-Adaboost裂缝分类研究

摘要

近几年来，很多研究人员提出关于路面检测的各种研究方案。试图在路面裂缝图像检测的过程中尽可能无损的提取出公路路面上的各种裂缝，特别是主干裂缝周围的毛细裂缝，但是由于路面裂缝本身含有不规则的纹理，再加上油渍、阴影、噪声等复杂的信息的干扰，无损的提取路面上出现的裂缝信息仍然是非常具有挑战性的课题。在实际中采集路面图像时常常受到外界环境的影响，使图像存在不同程度的噪声，对图像处理过程造成干扰。
　　本文通过研究传统图像处理的各个步骤，对比不同算法的实验效果，针对常用算法中的缺点和不足，进行算法改进。在图像分割阶段，提出一种改进的DBC分割方法。对改进前后的DBC方法进行实验验证和效果比对，发现改进后的算法在实验中能够得到较为理想的图像分割效果。同时，针对含有复杂裂缝图像背景的图像的提取，本文提出了基于分数阶积分的山脊—阈值裂缝检测算法，通过实验结果的对比、分析证实了算法的普适性和合理性。
　　在裂缝分类阶段，鉴于SVM分类器对样本的识别率较高，但是对于纵向裂缝和块状裂缝的分类效果不太理想，对真实路面的适用性较差。而算法Adaboost能自适应的调整训练样本的分布，由此提高分类精度。综合两者的优缺点，本文提出基于SVM—Adaboost的图像分类算法，利用机器学习达到使图像正确分类的效果。

目录

声明

第一章 绪论

1.1 研究背景及研究意义

1.2 路面破损分类

1.3 路面裂缝识别算法研究现状

1.4 路面裂缝图像识别的困难点

1.5 本文的研究内容及内容安排

第二章 路面裂缝图像的预处理

2.1 引言

2.2 图像的去噪处理

2.3 光照非均匀校正

2.4 图像增强

2.5 本章小结

第三章 路面裂缝图像的分割

3.1 引言

3.2 常见分割算法的可行性分析

3.3 基于传统的DBC方法的改进算法

3.4 改进前后算法实验结果对比

3.5 本章小结

第四章 路面裂缝图像的特征提取

4.1 引言

4.2 普通背景下的路面裂缝提取

4.3 复杂背景下的路面裂缝提取

4.4 本章小结

第五章 路面裂缝图像的分类

5.1 引言

5.2 路面裂缝图像分类特征提取

5.3 裂缝分类算法研究

5.4 基于SVM—Adaboost的裂缝分类算法

5.5 裂缝分类实验及结果分析

5.6 本章小结

总结与展望

参考文献

攻读硕士学位期间所取得的研究成果

致谢