基于嵌入式ARMS3C2440智能建筑物裂紋實時測量系統(tǒng)開發(fā)研究
加入技術交流群
圖像分割的結果如圖3所示。觀察結果，很容易發(fā)現圖像的邊緣很大區(qū)域被錯分為與裂縫一樣。于是直接計算裂縫寬度時會導致將錯分的區(qū)域計算成裂縫。因此除了計算裂縫寬度外，對候選裂縫集合進行有效剔除是另一個重要任務。對選裂縫集合進行有效剔除將會在下一小節(jié)中進行討論。
分割完圖像后，計算所有可能成為裂縫的區(qū)域的寬度。采用從圖像給定行的起始位置開始計算裂縫寬度，當發(fā)現像素灰度由0變?yōu)?55，記為一個裂縫的左邊緣起始位置；當查找到像素灰度由255變?yōu)?，記為一個裂縫的右邊緣結束位置。通過這種方法可以獲取給定行的所有可能的裂縫寬度。但是在具體試驗中發(fā)現，計算對單行的裂縫進行寬度測量還是存在比較大的誤差。于是采用求取給定行上下5行共10行的平均值的方法。這樣可以有效地去除毛刺的干擾。通過這種方法，得到一個裂縫的候選集合，并且計算出候選集合中每一個位置的寬度。
1．3 Sobel邊緣檢測
以上小節(jié)得出了裂縫的候選集合，但是事實上這個候選集合含有大量的非裂縫區(qū)域。這一節(jié)中的主要內容是設計算法剔除這些干擾裂縫，獲取更小的裂縫候選集合。在試驗中，由于裂縫具有明顯的邊緣，而干擾圖像區(qū)域有比較模糊的邊緣或者僅有一個邊緣等，通過分析，提出采用Sobel邊緣檢測的方法進行裂縫位置的鎖定。Sobel算子由兩個卷積核組成，如圖4所示，圖像中的每個點都用這兩個核做卷積，一個核對通常的垂直邊緣相應最大，而另一個對水平邊緣相應最大。兩個卷積的最大值作為該點的輸出位。運算結果是一幅邊緣幅度圖像。本文引用地址：http://www.104case.com/article/152205.htm
通過對原始圖像采用Sobel邊緣檢測得到如圖5所示結果。
但是，這個結果很明顯存在很多微小的干擾，這些干擾必須予以剔除，否則將對鎖定裂縫邊緣沒有任何效果。通過對邊緣檢測結果圖像仔細分析發(fā)現，雖然存在微小干擾，但是他們的灰度值普遍偏小，針對這一發(fā)現，對緣檢測結果圖像做與上一節(jié)中一樣的圖像分割，這會將微小的干擾有效地剔除。實際的實驗結果也驗證了這一點，如圖6所示。
同過對分割后的邊緣圖像進行觀察，圖像仍然存在一些微小的干擾，但這些干擾相對于未處理的緣檢測結果圖像已經很少，將在后續(xù)的處理中對圖像裂縫添加附加約束，從而取出這些干擾的影響。
1．4 基于裂縫特征的附加約束
通過對大量的裂縫圖像進行分析，發(fā)現圖像裂縫有如下特點：
(1)裂縫灰度值低于墻體的灰度值。
(2)裂縫的寬度相對于整個圖像不超過圖像寬度的1／3。
(3)污染的墻體區(qū)域一般呈大的塊狀出現，且很多僅含有一個邊界，另一邊界延伸至圖像外面。
(4)墻體的一些微小的干擾呈小塊狀出現。
(5)裂縫一般為帶狀。
使用ARM處理器處理圖像，由于其速度慢且有實時性要求，故不能處理整張的圖像，換句話說，必須處理局部圖像。這就很明顯增加了剔除候選裂縫的難度。該系統(tǒng)顯然是無法使用特點(4)、特點(5)的。因此僅使用了前三個特點，并提出了約束：剔除寬度高于圖像寬度1／3的裂縫候選集，剔除寬度低于1／10的裂縫候選集。
評論