Page 47 - 无损检测2022年第五期
P. 47

徐   峰,等:
   基于 CCTV 和缺陷特征提取的城市排水管道结构性缺陷检测


                                                     采用灰度共生矩阵( Gra yLevelCo-occurrenceMatrix ,
                                                     GLCM ) 法  [ 9 ] 、 改进的灰度共生矩阵复合特征向量提


                                                     取 ( Block Gra y Level Co-occurrence Matrix ,


                                                     B _ GLCM ) 法 [ 10 ] 、 灰度 - 梯度共生矩阵( Gra yGradient


                                                     Co-occurrenceMatrix , GGCM ) 法  [ 11 ] 、 Gabor 法 [ 12 ] 以

                                                     及局部二值模式( LocalBinar yPatterns , LBP ) 法   [ 13-14 ]



                                                     等5种不同图像纹理特征提取方法, 对缺陷子图集进
          图 2  给排水管道结构性缺陷检测流程图                       行图像特征提取; 最后通过构建基于向量机学习的二
   的图像进行预处理, 从而获取缺陷子图集( 包括裂纹、                        分类支持向量机( BSVM ) 分类器对提取到的缺陷数据
   错口、 腐蚀3类), 管道缺陷子图集如图3所示; 接着,                      进行训练和分类, 最终得到排水管道的缺陷检测结果。












                                         图 3  管道结构缺陷子图集
                                                     类似现象, 笔者提出应先对缺陷图像进行分区分块
  3  纹理特征提取
                                                     处理, 再通过对各分区进行 GLCM 计算得到分区特
   3.1  纹理特征提取方法                                     征向量, 最后对各分区特征向量进行串联操作, 从而
     不同缺陷纹理特征的提取方法流程如图4所示。                           获得整体的复合特征向量, 从而增大图像局部特征

       ( 1 ) GLCM 方法通过计算某特定空间中的像素                    在全局特征中所占比例, 提高分类精度, 笔者将此方
   点出现的次数, 从而获得图像内部像素点之间灰度                           法称之为改进的灰度共生矩阵复合特征向量提取
   与空间的相互关系, 其流程见图 4 ( a ), 共分为 6 步:                 ( B _ GLCM ) 法。 B _ GLCM 纹 理 特 征 提 取 流 程 如


   ① 读取缺陷子图集中的图片; ② 灰度级数压缩, 灰                        图 4 ( b ) 所示。

   度级数影响 GLCM 的 计 算 量, 每 增 加 一 个 灰 度 级                   ( 3 ) GGCM 法不仅考虑了图像的灰度信息, 而
   数, 就会使灰度共生矩阵纹理特征提取所耗费的时                           且还考虑图像的梯度信息, 是利用灰度和梯度的综
   间增大 2 倍; 在确保纹理质量的前提下, 笔者将灰度                       合信息进行图像纹理特征提取的一种方法, GGCM
   级数设置为 16 , 即灰度共生矩阵为 256×256 ( 行 ×                 法纹理特征提取流程如图 4 ( c ) 所示, 共分为 6 步:

   列) 的矩阵, 共包含 2 个元素; ③ 构建灰度共生矩                      ① 读取缺陷子图集中的图片; ② 获取梯度图像; ③


                     16

   阵, 计算灰度值, 距离取值为 1 , 方向分别为 0° , 45° ,              根据梯度图像获取归一化梯度矩阵; ④ 构建灰度 -

   90° , 135° ; ④ 对图像中的每一个元素进行归一化处                   梯度共生矩 阵; ⑤ 计 算 10 个 或 者 15 个 统 计 特 征

   理; ⑤ 灰度共生矩阵二次统计量计算, 统计量包括                         量; ⑥ 构建特征向量, 得到特征数据库。


   角二阶矩( 能量)、 对比度( 惯性矩)、 相关系数、 熵和                        ( 4 ) Gabor小波变换最早于 20 世纪 50 年代由



   逆差分矩; ⑥ 通过计算二次统计量在 4 个方向上的                        DennisGabor提出, 主要目的是为了弥补傅里叶变
   均值和标准差, 构建特征向量, 从而得到管道不同缺                         换在非平稳信号方面存在的缺点, 在进行图像特征
   陷的特征数据库。                                          提取时, 滤波器需要与目标图像进行卷积操作, 而

       ( 2 ) GLCM 法是对整个图像的灰度共生矩阵进                    Gabor小波变换具有不同尺度和方向上的滤波器,
   行统计量的计算从而获取特征向量的, 这样可能会                           不同的滤波器对计算效率和结果的影响较大, 当尺
   导致一些局部特征无法很好地得到体现, 由于局部                           度和方向取值均较大时, 需要对数据进行降维处理,
   特征在某些特定情况下对纹理特征提取结果的影响                            Gabor法图像特征提取流程如图 4 ( d ) 所示, 共分为

   很大, 可能使纹理特征提取出现偏差, 为了减少出现                         5 步: ① 读取缺陷子图集中的图片, 同时构建Gabor 小
                                                                                                3
                                                                                               1
                                                                             2022 年 第 44 卷 第 5 期
                                                                                      无损检测
   42   43   44   45   46   47   48   49   50   51   52