0 引言

作为路面病害的主要存在形式之一的裂缝，会在温度、雨雪等自然因素与车辆负荷的综合作用下持续破坏路面结构，导致公路使用寿命的减少并带来行车安全隐患，是公路路面损坏的主要形式与养护的重点对象。为了及时客观地检测裂缝从而进行有效养护，需要采用高效的裂缝检测手段。传统裂缝检测手段为人工巡检，存在着效率低，易受主观影响、人力成本大，周期长、现场作业危险性大、会影响交通正常运行等问题，已不能满足目前路面裂缝检测的要求^[1-2]。

随着信息技术与交通信息采集设备的发展，目前路面裂缝的提取检测技术主要分为两类，分别为基于裂缝特征的图像分割技术和基于深度学习的图像分割技术。在深度学习技术的发展过程中，研究者们^[3-5]开始考虑将深度学习模型应用于路面裂缝检测。晏班夫^[6]引入目标检测中的快速区域卷积神经网络算法以快速识别病害种类、位置与面积。文献[7-8]将裂缝图像划分为多个图像块，利用CNN计算裂缝图像块对应的概率图以完成裂缝检测，但获取的裂缝平均宽度大于原始裂缝平均宽度。Fei^[9]利用深度卷积生成式对抗网络完成裂缝图像训练样本的生成扩增，并对FC-DenseNet103模型进行改进，提出一种桥梁裂缝图像语义分割模型。尽管深度学习在路面裂缝分割任务中具有较好的效果，但是深度学习要求具有大量标注样本作为训练基础，而标注样本的工作量往往需要消耗大量的人力物力。此外，利用深度学习模型进行路面裂缝分割对计算机的算力有比较高的要求。同时，相对于其他机器学习方法，使用深度学习生成的模型非常难以解释，研究人员无法根据实际效果对算法进行具体有效的修正。

而基于裂缝特征从图像中识别或分割出裂缝的图像分割技术，不依赖于计算机算力且对数据集大小没有要求，在路面裂缝分割任务中具有较好的应用。基于裂缝特征的图像分割技术的检测结果极大程度上受所提取特征对裂缝的拟合程度影响，常用的特征包括裂缝的几何形状、灰度等^[10]。有大量学者对特征的提取与目标分割进行了研究，主要研究成果集中在基于阈值的裂缝分割^[11-13]、基于边缘检测的裂缝分割^[14-16]与基于区域生长的裂缝分割^[17-19]。近年来，杨才千^[20]根据裂缝与干扰噪声面积的差异，基于动态阈值的提取及识别方法实现各类型裂缝的提取。陶健^[21]针对不均匀光照和阴影等因素影响沥青路面图像中裂缝检测误识别问题，提出一种基于局部纹理特征的沥青路面裂缝检测方法。卢印举^[22]提出一种融合高阶多尺度特征向量的马尔可夫随机场裂缝分割模型，以解决裂缝形态随机性和粗细不均特性使分割效果不佳问题。Hyunwoo cho^[23]提出了一种基于裂缝边缘宽度变化的裂缝检测技术，以解决检测中边缘像素提取不准确的问题。Wei^[24]提出一种充分利用连接面积和形状的采样算法寻找种子所在的区域，从而利用高可靠性的裂缝种子进行曲线特征提取。以往研究中由于图像中存在部分裂缝特征不明显的情况，只能获得其碎片化的部分。而裂缝所处的路面环境复杂，图像中往往包含着混淆区域，例如溢油、水渍和路面中的斑点等，且混淆区域与裂缝碎片灰度特征相似，无法直接通过过滤等常用方法进行处理，影响着分割出来的裂缝质量。因此，本研究关注点集中于有效利用裂缝特征，在充分保留裂缝细节同时降低路面背景中噪声干扰的研究。

本研究采用亮度均衡算法对裂缝图像进行预处理以降低由于亮度或者对比度不均匀带来的影响，并基于裂缝的灰度特征及其局部方向性，提出了一种基于裂缝骨架局部方向性特征的连通域连接方法，对初次分割的裂缝骨架进行连接。完成连接后，根据裂缝与噪声连通域的外接矩形长宽比以及连通域像素点个数的区别对图像进行初次过滤降噪处理。为保证分割出来的裂缝能更准确表示真实裂缝特征，本研究将以过滤后的裂缝作为种子点进行3×3尺度的区域生长，然后做最后的过滤处理以清除其余噪声。最后通过对比试验，以CrackForest数据集作为测试数据对比已有的裂缝分割算法，验证了该方法的可实施性与普适性，为路面裂缝的有效识别、道路管理和养护等提供了参考依据。

1 裂缝图像处理

本研究提出的基于裂缝骨架生长的路面裂缝分割方法，旨在通过有效利用裂缝特征，实现在充分保留裂缝细节的同时降低路面背景中噪声干扰的路面裂缝分割。为减少阴影及亮度不均匀的影响，本研究采取亮度均衡算法裂缝图像进行预处理，并通过经验公式法获取分割阈值实现裂缝的初次分割。基于裂缝局部方向性的裂缝连接规则，对裂缝骨架进行连接，还原裂缝的本身特点，保证以断裂状态分布的裂缝碎片在过滤处理中不被误判为噪声去除。完成连接后，利用裂缝与噪声的特征区别进行初次过滤处理。此外，本研究以完成初次过滤后的裂缝作为种子点进行3×3尺度的区域生长，保证完成骨架连接的图像能更准确表示真实裂缝特征。最后通过过滤处理完成了裂缝与路面背景的分割任务。以下小节将详细介绍本研究所提出基于裂缝骨架生长的路面裂缝分割方法。

1.1 图像预处理

道路周边的树、建筑物或标志牌阴影的遮挡、不同天气环境的影响会增加路面图像的复杂程度，影响到裂缝与背景的分割效果。针对路面裂缝图像存在阴影、亮度不均匀的情况，本研究采用亮度均衡算法^[25]对裂缝图像进行预处理，从而提高裂缝分割的可靠性和准确性。采集的路面裂缝图像一般为三通道彩色图像，直接处理会增加算法难度和计算时间，因此采集的样本图像将以不同权重按照式(1)从三色图转换为灰度图，便于后续对图像的特征进行提取。预处理效果如图 1和图 2所示。

$ \begin{gathered} {Gray}(i, j)=0.30 R(i, j)+0.59 G(i, j)+ \\ 0.11 B(i, j) \end{gathered} $

(1)

式中，Gray (i, j)为第i行第j列的灰度值; R (i, j)，G (i, j)，B (i, j)分别为彩色图不同通道于第i行第j列对应的值。

1.2 路面图像的初步分割

采用经验公式法获取阈值(f_target)，能有效简单实现将图像分割为目标裂缝与背景。首先对整幅灰度图像进行求取平均值(f_mean)、最小值(f_min)。公式如下：

$ f_{\text {target }}=f_{\text {mean }}-\alpha\left(f_{\text {mean }}-f_{\text {min }}\right) \text { 。} $

(2)

但是该方法在不同工况下获取的分割图像伴有不同程度的噪声，因此在实际应用中需要对该方法的参数进行修正。参数α越小，阈值会越大，预处理后的图像噪声会越大。在前期预训练中，本研究选取部分图像进行测试，本研究的参数α取值为0.2，以有效保留更多裂缝的细节特征。在路面初步分割过程中，本研究遍历二维图像，对图像中每一个像素点进行灰度值校验。当像素点灰度值小于阈值时，则将其定义为可能裂缝的像素点，并将该像素点灰度值设为255，其余像素点灰度值设为0。完成初步分割后的效果如图 3所示。

1.3 基于裂缝局部方向性的连通域连接算法

从全局上看，裂缝是路面图像中特征显著的长连续曲线。然而，沿裂缝的强度并不总是低于周围的路面背景，因为裂缝的深度和严重程度沿裂缝曲线变化。裂缝一般来说是具有一定的线性特征和一定的方向，在空间上具有连续性。通过研究发现，带有路面裂缝主要形状特征的骨架部分能与背景完全分开。以断裂状态分布的裂缝碎片，与噪声具有相似的特征，在去除噪声的过程时，会被误认为噪声而删除的情况，导致裂缝的信息不完整。而这里的断裂问题无法直接通过调整生长规则实现解决。在试验过程中发现，裂缝断裂两端的局部方向具有相似性。因此，本研究提出一套基于裂缝局部方向性的裂缝连接规则，连接规则具体流程如图 4所示，对裂缝骨架进行连接，还原裂缝的本身特点，提高裂缝识别正确率，同时能实现较好的抗噪性。

Step 1:读取图片并完成连通域标记。二值化后的路面图像由黑白两色组成，按照8-邻域规则将互相邻接的灰度值为225的像素点集合提出，填入不等的数字标记，并统计连通域的像素集大小，按从大到小的次序排列。

Step 2:寻找主裂缝的连通域。路面图像经过初次分割后，灰度特征较为明显的主干裂缝会被提取出来，同时主干裂缝周围伴随着处于断裂状态的裂缝碎片及背景噪声。主裂缝通常呈现细长的形态，且其连通域像素点个数多。而背景中噪声呈无规则的形态，且其连通域像素点个数少。据此，本研究通过连通域像素点个数和连通域最小外接矩形作为主裂缝选择的标准。设连通域为H_i，具体条件如下：

(1) H_i为新的连通域。

(2) H_i为当前最大连通域。

(3) H_i的最小外接矩形的长宽比大于3。

(4) H_i的像素点个数大于20。

Step 3:寻找主裂缝连通域的端点坐标。作当前连通域的外接矩形，获取连通域与外接矩形的4个交点，分别为上(P₁)、下(P₂)、左(P₃)、右(P₄)4个方向的端点P_i。若连通域与外接矩形于一侧同时存在多个交点，取其中位点作为端点。

Step 4:寻找周围可能连接的连通域。以Step3所确定的连通域端点P_i坐标作为圆心，以半径为R画大圆，遍历在圆内出现的除原连通域外的所有连通域，标记为h_i，同时记录周围所有连通域距原且连通域端点P_i的最小距离，定义为d_i，定义各连通域距离原连通域端点距离最近的点为新连通域的端点p_i。以图 5为例，设左下方黑色标注的裂缝为主裂缝，以主裂缝的端点P₁为圆心，遍历以半径为R范围内全部连通域，标记各连通域距的端点P₁最小距离为{d₁, d₂, d₃, d₄}。其中R取值为10。

Step 5：判断主裂缝与周边裂缝是否具有局部相似性。以Step 3所确定的连通域端点P_i坐标作为圆心，以半径为r画小圆, 计算原连通域在小圆部分的质心坐标。质心计算公式如下：

$ I=\frac{\sum i}{N_{\mathrm{sum}}}, $

(3)

$ J=\frac{\sum j}{N_{\text {sum }}}, $

(4)

式中，(i, j)为当前连通域在小圆区域内全部的像素点坐标；N_sum为当前连通域在小圆区域内全部的像素点数。

原连通域的端点坐标与其对应的局部质心坐标相应的斜率K代表着该连通域的局部方向性。同理，以Step 4所确定的新连通域端点p_i坐标作为圆心，以半径为r画小圆，确定其斜率k代表当前连通域的局部方向性，其中r取值为3。具体效果如图 6所示。若原连通域端点处的局部方向性K与新连通域端点处的局部方向性k满足以下条件，则定义两连通域在断裂处具有局部相似性。若当前条件不满足，该连通域标记为0，并回到Step 4，直至大圆范围内全部连通域检验完成。

$ |K-k| \leqslant 2.5 \text { 。} $

(5)

Step 6:断裂处端点连接。用灰度值为255的像素点将连通域H_i与连通域h_i进行连接，并以完成连接后的图像作为下一轮循环的起点输入。

Step 7:循环结束。至最大连通域的4个端点没有找到可连接的新连通域，将当前连通域的状态标记为已读，回到Step 2。直至遍历完所有连通域，循环结束。

图 7为裂缝骨架连接效果对比图。左侧图为完成初步分割后的裂缝图像，中间图为完成初步分割后的裂缝局部图像，右侧图为完成骨架连接后的裂缝局部图像。对比可发现，本研究提出的基于裂缝局部方向性的连通域连接算法能实现在较好抗噪性的前提下，完成裂缝连接及裂缝细节还原。

1.4 基于3×3尺度种子的区域生长法

为了保证完成骨架连接的图像能更准确表示真实裂缝特征，本研究将以完成骨架连接的裂缝作为种子点进行多尺度的区域生长。作为主要裂缝分割方法的区域生长法，其基本思想是根据同一物体区域内像素的相似性质来聚集象素点的方法，从初始区域开始逐步增长区域，从而构建出分割区域。该方法与种子点的选择和生长规则有着密切关系。复杂的种子生长规则往往导致整体算法的复杂度，且在不同路面条件下的应用广泛性较差。采用单一的生长规则，往往会导致图像的噪声过分生长，且目标裂缝会与背景生长到一起，无法完成分割任务。

为优化区域生长算法在路面裂缝图像分割的效果，通过对裂缝的灰度分布特征分析裂缝的特征，如图 8所示。可以发现窗口中裂缝核心部分灰度值低且均匀，裂缝边缘灰度值高；同时从裂缝核心部分到边缘的灰度值变化呈现渐变的规律，而裂缝边缘与背景的灰度值变化呈现突变的规律。针对上文所发现的特征，恰好可以利用方差这一概念刻画裂缝与背景之间的波动性，即方差越小，则波动越小，稳定性越好。

不同于传统的区域生长法利用种子点与邻域之间灰度差进行生长，本研究选取多尺度像素点作为生长种子点。如图 9所示，本研究选取了1×1，3×3，5×5这3种不同尺度生长种子点的生长效果进行对比。当以1×1的生长种子点进行生长时，裂缝生长后的边缘呈毛刺状，裂缝的分割效果并不理想，此外在裂缝进行生长的同时周围的噪声点也在生长，带来了更多的噪声干扰；当以5×5的生长种子点进行生长时，由于5×5大小的种子点已经接近裂缝的宽度，裂缝生长后的效果往往出现矩形的效果，忽略了裂缝本身的细节；而以3×3的生长种子点进行生长时，不仅能更准确还原裂缝真实特征，同时能防止图像的噪声过分生长。

如图 10所示，深色方框代表着种子点，黑色粗框代表着接下来可能生长的四邻域。为防止区域生长过程中出现过度增长的情况，每一个可能生长的邻域中都有一列来源于种子点，这样能保证在生长过程中是带有种子点的像素特征去往外拓展。格网点内像素的方差越小，表明区域同质性越高，符合裂缝内部较为均匀和裂缝内部与边缘间渐变的特性。生长规则的约束条件如式(6)所示。

$ \left\{\begin{array}{l} {visited}(x, y)=\text { False } \\ |{Mean}(x, y)-{Mean}(i, j)| \leqslant M_{\text {diff }}, \\ {Variance}(x, y) \leqslant V_{\text {threshold }} \end{array}\right. $

(6)

式中，(x, y)为图 10中黑色粗框所标识3×3邻域点的中心点坐标；(i, j)为图 10中深灰色框所标识3×3种子点的中心坐标；visited (x, y)为以点(x, y)为中心的3×3邻域点的访问情况；Mean (i, j)为以点(i, j)为中心的3×3种子点的灰度平均值；Mean (x, y)，Variance (x, y)分别为以点(x, y)为中心的3×3领域点的灰度平均值和方差；M_diff为当前邻域点与裂缝种子点之间的最大平均灰度差；V_threshold为以点(x, y)为中心的3×3邻域点的方差。

1.5 噪声去除

受路面材料粒径以及环境因素侵蚀的影响，路面图像中不可避免的会存在坑洞，组成坑洞像素点的灰度值明显小于路面背景，与路面裂缝同样存在部分相同特征。本研究借助路面裂缝与路面坑洞的不同特征区分两者。两者主要的区别为：裂缝通常呈现细长的形态，其外接矩形的长和宽中至少有一个数值较大。但坑洞的外接矩形长宽一般较小且相近。因此本研究利用连通域的外接矩形长宽比以及连通域像素点个数去除坑洞噪声。

噪声去除规则的约束条件如下：

$ \left\{\begin{array}{l} n<N_{\text {threshold }} \\ K_{\min }<\frac{X_{\text {Diff }}}{Y_{\text {Diff }}}<K_{\max } \end{array}, \right. $

(7)

式中，n为当前连通域中像素点为255的个数；N_threshold为连通域中像素点为255的个数对应的阈值；$\frac{X_{\text {Diff }}}{Y_{\text {Diff }}}$为当前连通域的外接矩形长宽比；K_min，K_max为当前连通域的外接矩形的最小和最大长宽比。

2 讨论 2.1 数据集介绍

为了验证该方法的效果，我们选择CrackForest数据集(以下简写为CFD)作为测试数据。该数据集由118幅图像组成，每个图像都有手工标记的地面真实轮廓。所有图像均由手机拍摄，焦距为4 mm，光圈为f/2.4，曝光时间为1/134 s。所有图像的分辨率均为320×480，此外图像包含混淆区域，例如阴影，溢油和水渍，能大致反映中国北京城市路面状况。

2.2 评价指标

本研究采用精确率(Precision)、召回率(Recall)以及F1值作为评价指标。其中，召回率为正确检测到的裂缝像素数占应该被正确检测到的裂缝像素数的比例，精确率为正确检测到的裂缝像素数占所有检测到的裂缝像素数的比例。精确率和召回率往往互相影响，当追求高召回率时，容易导致误检的情况；当追求高精确率时，容易导致漏检的情况。而F1为召回率和精确率二者加权和平均，体现检测结果的综合性能。假设检测到的距手动标记的像素不超过5个像素是真正的像素^[24]。

$ P=\frac{P_{\mathrm{T}}}{P_{\mathrm{T}}+P_{\mathrm{F}}}, $

(8)

$ \text { Recall }=\frac{P_{\mathrm{T}}}{P_{\mathrm{T}}+N_{\mathrm{F}}} \text {, } $

(9)

$ F 1=\frac{2 \times P \times R}{P+R}, $

(10)

式中，P为精确率；F为召回率；P_T为被正确检测到并属于裂缝的像素数量；N_F为属于裂缝但是没有被正确检测出来的像素数量；P_F为被错误识别成裂缝的背景区域的像素数量。

2.3 试验结果

为更好呈现本研究所提方法具体处理过程，图 11展现了5张裂缝图像在不同处理过程的结果图，从左到右分别为亮度均衡处理图、初步分割图、骨架连接后的图像、过滤图、基于3×3尺度种子的区域生长图、以及最后的过滤结果图。在图 11中能看到，经过基于裂缝局部方向性的连通域连接，裂缝实现了在断裂处的有效连接，保证在过滤处理中以断裂状态分布的裂缝碎片不被误认为噪声处理。而经过第一次过滤处理后，大部分噪声均被成功过滤。生长过程中，裂缝有效地实现了往外拓展，更准确地还原了真实裂缝特征及细节，而在最后的过滤处理中完成了裂缝与路面背景的分割任务。

为证明所提方法的有效性，本研究在此数据集上进行现有5种方法的对比验证：Canny，CrackTree^[26]，CrackIT^[27]，CrackForest^[28]，DeepCrack^[29]。汇总统计数据见 表 1。通过表 1可以直观地看到，本研究方法的精确率高达88.94%，明显优于各个替代方案。传统的边缘检测方法Canny由于其敏感性高，其检测结果并不适合道路裂缝检测。CrackIT和CrackTree其精确率和召回率均低于80%，在复杂的道路图像上检测效果不好。而CrackForest，DeepCrack这两种方法的试验结果与本研究结果较为接近，为更直观分析不同方法的特点和区别，图 12展示了3种方法在CFD数据集中的试验结果对比图。图 12的第1列列出了原始图像，原始图像相应的手动标记裂缝显示在第2个列作为判断依据，第3列, 第4列, 第5列分别显示C rackForest，DeepCrack以及本研究提出的裂缝提取方法的检测结果。CrackForest和DeepCrack的召回率虽然高，但是其精确率均不如本研究所提出的方案。通过图 12分析可看到，CrackForest检测结果的裂缝宽度比真实裂缝宽度大，同时在裂缝细节表现上并不有效，导致了其精确率偏低。DeepCrack的检测结果整体较为贴近真实裂缝，但是该方法容易出现误检的情况，在裂缝图像中分辨率较低的部分没能成功分割出来。本研究所提出的方法不仅可以完成较为明显的裂缝分割，还可以检测出周围细小裂缝，能较好还原裂缝的细节信息。本研究的精确率和召回率都较为平衡，既获得了较高的精确率也保证了召回率的稳定。同时本研究的F1值非常接近于DeepCrack的F1值。具有高精确率且不要求计算机算力和标签样本标注的本研究方案，在路面裂缝分割中具有足够的发展前景。此外，在试验中发现，面对道路图像存在标线的情况时，本研究方法容易将标线中具有相似特征的线条检测为裂缝，忽略了真实裂缝中部分特征不明显的断裂碎片，使得召回率偏低，如何避免路面标线的影响也是该方法未来需要进一步探究的工作。

3 结论

基于对裂缝灰度特征及局部方向性的分析，本研究提出了一种基于裂缝骨架生长的路面裂缝分割方法，并在CrackForest数据集对该方法的性能进行比较检验，可以获得下列结论：

(1) 本研究提出基于裂缝局部方向性的裂缝连接规则，实现了对裂缝骨架进行连接，保证了在过滤处理中以断裂状态分布的裂缝碎片不被误认为噪声处理。该方法不仅可应用于裂缝骨架连接，还能较好解决利用区域生长、边缘检测法时出现裂缝断裂的问题。

(2) 为还原裂缝的细节特征，针对传统区域生长方法中复杂的生长规则和较差的泛化性问题，本研究提出了基于3×3尺度种子点的生长方法，利用裂缝区域同质性的特性更准确地还原了真实裂缝特征及细节。

(3) 为了验证该方法的效果，我们选择CrackForest数据集作为测试数据，以精确率、召回率以及F1值作为评价指标，并对比现有的5种裂缝分割方法。试验结果表明本研究所提方法的召回率为87.42%，精确性达88.94%，精确率高于现有的裂缝分割方法，有效实现了裂缝分割，证明了该方法的有效性。

本研究基于裂缝骨架生长的路面裂缝分割方法在路面裂缝提取中有着较好的效果，但仍有较大的提升空间。在未来研究中，可针对分辨率不高的细小裂缝以及路面标线等干扰做进一步优化，以期提升方法的性能。