赫中營,徐聞

（河南大學(xué) 土木建筑學(xué)院，河南 開封 475004）

中國絕大部分既有橋梁為鋼筋混凝土橋梁，該類橋梁的損壞90%以上由裂縫引起[1]。橋梁出現(xiàn)裂縫病害后，環(huán)境中的水蒸氣及CO2會滲入裂縫并與鋼筋接觸，導(dǎo)致鋼筋出現(xiàn)不同程度銹蝕，從而縮短橋梁服役壽命，增加危險(xiǎn)性[2]，所以，對橋梁裂縫進(jìn)行檢測、處治及預(yù)防是橋梁智慧管養(yǎng)的重要部分。

現(xiàn)行《公路橋涵養(yǎng)護(hù)規(guī)范》（JTG 5120—2021）[3]和《公路養(yǎng)護(hù)技術(shù)規(guī)范》（JTG H10—2009）[4]中規(guī)定，寬度≥0.15 mm 的裂縫采用壓漿法修補(bǔ)，寬度＜0.15 mm 的裂縫采用封閉法修補(bǔ)。無論采用哪種方法，修補(bǔ)后均會留下修補(bǔ)痕跡。在橋梁病害智能檢測及圖像識別中，裂縫修補(bǔ)痕跡易與混凝土剝落、脫落、掉角等病害混淆，造成誤檢。另外，裂縫修補(bǔ)材料與混凝土存在性能差異，隨著使用時(shí)間的增長，裂縫修補(bǔ)材料與混凝土自身耐久性進(jìn)一步退化，裂縫修補(bǔ)材料自身被撕裂[5]或與裂縫內(nèi)壁脫離[6]，在原有位置或附近，裂縫會二次開裂。因此，準(zhǔn)確識別二次開裂裂縫及對橋梁其他病害準(zhǔn)確分類，對裂縫修補(bǔ)痕跡的識別十分必要。裂縫修補(bǔ)痕跡準(zhǔn)確識別的關(guān)鍵是對修補(bǔ)痕跡圖像進(jìn)行合理預(yù)處理，相關(guān)學(xué)者對此進(jìn)行了大量研究。Li 等[7]為了準(zhǔn)確地提取裂縫，提出了一種基于相鄰差分直方圖的裂縫分割算法，但沒有考慮環(huán)境及光照等的干擾；Qiao 等[8]在U-net 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加了改進(jìn)的incep 模塊和Atrous Spatial Pyramid Pooling模塊，并通過室內(nèi)試驗(yàn)驗(yàn)證了該方法能夠提高分割圖像的精度及識別的準(zhǔn)確性，但其獲取的裂縫圖像來源于實(shí)驗(yàn)室內(nèi)混凝土抗彎試驗(yàn)，沒有考慮自然環(huán)境對混凝土的影響；Tian 等[9]提出了一種基于Mask R-CNN 的混凝土CT 掃描圖像細(xì)觀裂縫分割與提取方法，并應(yīng)用于靜態(tài)單軸壓縮下的實(shí)時(shí)CT 試驗(yàn)圖像分割及混凝土CT 掃描圖像中空洞和裂縫的高精度識別；賈真等[10]提出一種基于貝葉斯概率模型的泊松噪聲圖像去噪方法，經(jīng)過仿真試驗(yàn)對比，其去噪性能顯著優(yōu)于其他方法；黃啟宏等[11]提出了一種基于成分分析（ICA）的軟閾值濾波算法，主要用于識別自然中的物體圖像；許玉婷等[12]提出了一種基于剪切變換的降噪方法，并通過對集裝箱掃描圖像的處理驗(yàn)證了該方法降噪效果的優(yōu)越性；王惠琴等[13]將雙邊濾波和三維塊匹配算法（BM3D）相融合，提出了一種聯(lián)合去噪算法，并應(yīng)用于地質(zhì)雷達(dá)圖像，取得了很好的去噪效果；楊燕等[14]基于α-Le模型提出了一種基于框式約束的快速全變差圖像泊松去除算法（CADMM 算法），并通過多種類型的圖像驗(yàn)證了算法的可行性與有效性，但其使用的試驗(yàn)圖像中線條都極為豐富，輪廓均較清晰。上述方法使用的驗(yàn)證圖像一般來自試驗(yàn)或自然界，形狀規(guī)則且特征明顯。但在實(shí)際橋梁裂縫病害檢測中[15]，裂縫修補(bǔ)痕跡受樹木等物體的陰影遮擋，光照的不均勻會破壞裂縫修補(bǔ)痕跡的連續(xù)性和亮度均衡性，使其特征被弱化，采集到的圖像一般形狀不規(guī)則、特征不明顯，使用上述方法進(jìn)行裂縫修補(bǔ)痕跡圖像預(yù)處理很難達(dá)到準(zhǔn)確識別效果。Wu 等[16]在自然語言文本翻譯的預(yù)處理過程中發(fā)現(xiàn)，對于特征不明顯的自然語言文本，隨著預(yù)訓(xùn)練語言模型（PLM）由淺至深，詞性、成分和依存等通用淺層特征逐漸向語言原型角色和上下文關(guān)聯(lián)等具體深層特征轉(zhuǎn)化。受dueling bandits 機(jī)制啟發(fā)，在PLM 微調(diào)之前，使用NoisyTune 將不同強(qiáng)度的噪聲根據(jù)其方差添加到PLM 不同的參數(shù)矩陣，對PLMs 進(jìn)行適當(dāng)擾動來探索不同參數(shù)空間，以減少語言文本數(shù)據(jù)過擬合問題，并基于英語的GLUE benchmark 和XTREME多語言benchmark 試驗(yàn)證明了其性能的優(yōu)越性。

裂縫修補(bǔ)痕跡圖像識別與語言文本翻譯具有類似特征和過程，隨著圖像預(yù)訓(xùn)練模型由淺至深，圖像識別的感受野重疊區(qū)域逐漸增加，提取的裂縫修補(bǔ)痕跡圖像細(xì)粒度信息向粗粒度信息轉(zhuǎn)變，細(xì)粒度信息包含裂縫修補(bǔ)痕跡邊緣紋理等淺層特征，其像素位置等空間參數(shù)關(guān)聯(lián)性較差，而粗粒度信息包含更多高級語義信息，其中像素點(diǎn)梯度值等參數(shù)的變化反映了裂縫修補(bǔ)痕跡邊緣的灰度變化及層次感[17-18]，是正確識別裂縫修補(bǔ)痕跡的基礎(chǔ)?；诖?，筆者針對裂縫修補(bǔ)痕跡圖像形狀不規(guī)則、特征不完整的問題，擬借鑒自然語言文本預(yù)處理技術(shù)，首先使用泊松噪聲-雙邊濾波算法對裂縫修補(bǔ)痕跡圖像進(jìn)行平滑，然后使用Otsu 算法對平滑后圖像進(jìn)行分割，以期得到修補(bǔ)痕跡細(xì)節(jié)良好且特征明顯的二值化圖像，為進(jìn)一步實(shí)現(xiàn)對裂縫修補(bǔ)痕跡圖像及二次裂縫的準(zhǔn)確識別奠定基礎(chǔ)。

1 圖像預(yù)處理流程

易與裂縫修補(bǔ)痕跡混淆的病害如圖1 所示，裂縫修補(bǔ)痕跡上出現(xiàn)的二次裂縫如圖2 所示，它們都會對裂縫修補(bǔ)痕跡圖像的識別造成干擾。

圖1 橋梁病害Fig.1 Bridge disease

圖2 二次裂縫Fig.2 Secondary cracks

為保證準(zhǔn)確識別裂縫修補(bǔ)痕跡，擬采用的裂縫修補(bǔ)痕跡圖像預(yù)處理技術(shù)流程如圖3 所示。

2 泊松噪聲-雙邊濾波算法

2.1 算法基本原理

對于采集到的裂縫修補(bǔ)痕跡圖像，為了用較少數(shù)據(jù)表征圖像大部分特征，使用圖像灰度效果最好的加權(quán)平均法[19]將橋梁裂縫修補(bǔ)痕跡的RGB 圖像轉(zhuǎn)化為灰度圖像，如圖4 所示，其中圖4（a）為采集到的裂縫修補(bǔ)痕跡圖像，圖4（b）為灰度化后的圖像。

圖4 裂縫修補(bǔ)痕跡圖像灰度化Fig.4 Image grayscale of crack patch traces

假設(shè)裂縫修補(bǔ)痕跡含噪灰度圖像中每個(gè)像素yi都是獨(dú)立的泊松隨機(jī)變量[20]，則泊松噪聲圖像中像素的離散泊松分布概率PG如式（1）所示，其中fi和yi分別表示干凈圖像f和含噪圖像y中的第i個(gè)分量，e為自然對數(shù)的底。

根據(jù)式（1）及統(tǒng)計(jì)理論可知，亮度越大的像素受干擾越多。由于最大灰度值是固定的，亮度的增加使裂縫修補(bǔ)痕跡圖像中最大灰度值和最小灰度值的差值減小，影響圖像的對比度和清晰度。對裂縫修補(bǔ)痕跡灰度圖像進(jìn)行亮度和噪聲處理后的圖像如圖5 所示。

圖5 亮度對比及添加噪聲圖Fig.5 Brightness comparison and add noise plot

對圖5（a）所示的原裂縫修補(bǔ)痕跡灰度圖進(jìn)行全局亮度增強(qiáng)后得到圖5（b）所示的全局亮度增強(qiáng)灰度圖，對比可看出，亮度增強(qiáng)后圖像特征趨向不明顯。

圖5（a）、（b）根據(jù)式（1）添加泊松噪聲后得到圖5（c）、（d）所示的含噪灰度圖，對比可看出，添加泊松噪聲后的圖像像素略有降低，裂縫修補(bǔ)痕跡圖像對比度增強(qiáng)，原灰度圖中的部分背景干擾被泊松噪聲掩蓋。

對圖5（a）～（d）所示的灰度圖像分別進(jìn)行各灰度級在圖像中分布頻率的讀取統(tǒng)計(jì)，得到圖5（e）～（h）所示的各灰度直方圖。其中，橫坐標(biāo)表示各灰度級像素，縱坐標(biāo)表示各灰度級像素在灰度圖像中出現(xiàn)的頻率。

將圖5（e）作為參照對象，圖5（f）亮度增強(qiáng)后的圖像直方圖各灰度級像素的頻率波動范圍擴(kuò)大且峰值增加。圖5（g）、（h）含泊松噪聲的灰度圖像直方圖中，灰度級像素的頻率峰值下降，裂縫修補(bǔ)痕跡灰度圖像的像素灰度值動態(tài)范圍增加，反映出裂縫修補(bǔ)痕跡圖像特征得到增強(qiáng)。

綜上，對裂縫修補(bǔ)痕跡圖像添加泊松噪聲可改善原灰度圖像中亮度不均衡的問題。

通過上述分析可知，未添加噪聲前，原灰度圖像中本身含有真實(shí)的背景噪聲，添加泊松噪聲后，裂縫修補(bǔ)痕跡灰度圖像中含有更多噪聲。為減少圖像的次要細(xì)節(jié)，以提取裂縫修補(bǔ)痕跡的結(jié)構(gòu)，需對含多種類型噪聲的灰度圖像進(jìn)行濾波處理。由于裂縫修補(bǔ)痕跡邊緣細(xì)節(jié)多且密集，故采用雙邊濾波對添加泊松噪聲后的裂縫修補(bǔ)痕跡圖像進(jìn)行濾波，以保護(hù)圖像邊緣。

雙邊濾波算法以裂縫修補(bǔ)痕跡灰度圖像領(lǐng)域內(nèi)像素亮度值的加權(quán)平均值代表某處位置上像素的強(qiáng)度，如式（2）所示[21]，其中，空間域核Gσs代表像素位置的歐氏距離決定的模板權(quán)值，由式（3）計(jì)算；值域核Gσr代表像素差值決定的模板權(quán)值，由式（4）計(jì)算；Wp是檢測到的每個(gè)像素點(diǎn)Gσs與Gσr相乘結(jié)果的和，由式（5）計(jì)算；式（3）、式（4）兩個(gè)模板相乘得到雙邊濾波器的模板權(quán)值，如式（6）所示，式中的i、j、k、l分別代表系數(shù)坐標(biāo)點(diǎn)q(i,j)和中心坐標(biāo)點(diǎn)p(k,l)，f(i,j)為q(i,j)處的像素值，f(k,l)為p(k,l)處的像素值。

由式（2）～式（6）可看出，雙邊濾波器的空間域權(quán)重隨兩點(diǎn)間距離的增加而降低，值域權(quán)重隨兩點(diǎn)間像素相似程度的增加而增加。當(dāng)圖像處于沒有邊緣的區(qū)域，臨近像素差值較小，鄰域內(nèi)點(diǎn)和泊松噪聲點(diǎn)分配權(quán)重基本一致，近似高斯均值濾波；圖像處于有邊緣的區(qū)域，臨近像素差值較大，邊緣內(nèi)部權(quán)重分配增加，邊緣外部權(quán)重分配減少，圖像邊緣細(xì)節(jié)信息得以保持。

對添加泊松噪聲的裂縫修補(bǔ)痕跡圖像進(jìn)行雙邊濾波，結(jié)果如圖6 所示，其中圖6（a）為濾波前圖像，圖6（b）～（f）分別為圖6（a）在不同雙邊濾波參數(shù)下的濾波后圖像，圖6（g）、（h）分別為圖6（e）、（f）兩種濾波參數(shù)的濾波圖像直方圖。

圖6 雙邊濾波前后對比圖Fig.6 Comparison of bilateral filtering before and after

由圖6（b）、（c）、（d）圖像中噪聲和裂縫修補(bǔ)痕跡的變化可看出，隨著雙邊濾波參數(shù)的增加，濾波效果也逐漸增強(qiáng)；由圖6（e）、（f）視覺感知及圖6（g）、（h）灰度峰值可知，兩種濾波參數(shù)下的濾波圖像無較大差異，原背景真實(shí)噪聲和添加的泊松噪聲被有效濾除，裂縫修補(bǔ)痕跡的邊緣特征連續(xù)突出，達(dá)到“去噪”和“保邊”的目的。為防止雙邊濾波后裂縫修補(bǔ)痕跡圖像像素的降低對后續(xù)圖像分割產(chǎn)生不利影響，經(jīng)綜合考慮，取參數(shù)space-Sigma=5 和range-Sigma=10 作為后續(xù)添加泊松噪聲后對裂縫修補(bǔ)痕跡圖像進(jìn)行雙邊濾波的濾波參數(shù)。

2.2 算法評價(jià)指標(biāo)

目前對圖像質(zhì)量評價(jià)的共識是，通過主客觀相結(jié)合，以觀察者的感覺為主，針對具體圖像進(jìn)行具體分析，目標(biāo)是追求客觀的評價(jià)結(jié)果與人的主觀評價(jià)盡可能地一致，也就是客觀評價(jià)要以主觀評價(jià)為準(zhǔn)則。

采用峰值信噪比（PSNR）作為泊松噪聲-雙邊濾波算法處理后的圖像評價(jià)指標(biāo)，如式（7）所示，單位為分貝（dB），其中，MAXI表示裂縫修補(bǔ)痕跡灰度圖像點(diǎn)顏色的最大值。MSE[22]為均方誤差，如式（8）所示，其中I 為原裂縫修補(bǔ)痕跡灰度圖像，K 為添加噪聲后的裂縫修補(bǔ)痕跡濾波圖像，I 和K 均為大小為m×n的灰度圖像。

用于評價(jià)圖像處理的PSNR 值常處于30～50 dB 之間，越高則代表圖像質(zhì)量越好，不同PSNR 比值的視覺感知如表1 所示。

表1 不同PSNR 比值的視覺感知Table 1 Visual perception of different PSNR ratios

結(jié)構(gòu)相似性（SSIM）用于客觀衡量兩張數(shù)字圖像的相似程度，相較于傳統(tǒng)圖像質(zhì)量衡量指標(biāo)，其更符合人眼對圖像質(zhì)量的判斷[23-25]。SSIM 的定義如式（9）所示，其中x為原裂縫修補(bǔ)痕跡灰度圖像，y為裂縫修補(bǔ)痕跡濾波圖像，μx、μy、σx、σy分別為圖像x和圖像y的平均值和標(biāo)準(zhǔn)差，σxy為圖像x和圖像y的協(xié)方差，C1和C2為常量，用以維持比較圖像x和圖像y的亮度、對比度和結(jié)構(gòu)的函數(shù)穩(wěn)定性。SSIM 的數(shù)值范圍為[0,1]，數(shù)值越大，說明處理后圖像和原圖越接近。

根據(jù)PSNR 和SSIM 原理，對圖6 所示不同濾波參數(shù)下濾波后圖像進(jìn)行計(jì)算，結(jié)果如表2 所示。表中PSNR和SSIM的變化趨勢驗(yàn)證了選擇space-Sigma=5和range-Sigma=10 作為添加泊松噪聲后裂縫修補(bǔ)痕跡圖像濾波參數(shù)的合理性。

表2 不同濾波參數(shù)圖像評價(jià)Table 2 Image evaluation of different filter parameters

3 Otsu 圖像分割

通過泊松噪聲-雙邊濾波算法得到了干凈的裂縫修補(bǔ)痕跡灰度圖像，為了快速定位裂縫修補(bǔ)區(qū)域或二次裂縫發(fā)生位置，為后續(xù)橋梁裂縫處置提供依據(jù)，需要對濾波后的圖像進(jìn)行圖像分割。根據(jù)類間方差最大化，選取的Otsu 圖像閾值分割方法將裂縫修補(bǔ)痕跡圖像的所有像素分為只含裂縫修補(bǔ)痕跡的黑色前景和含背景的白色后景兩部分[26-27]，類間方差越大則說明前景和后景差別越大，裂縫修補(bǔ)痕跡和背景的錯(cuò)分概率越小，裂縫修補(bǔ)痕跡圖像分割效果越明顯。

設(shè)雙邊濾波后的裂縫修補(bǔ)痕跡圖像大小為M×N，集合{0,1,2…L-1}表示圖像中L個(gè)不同灰度級，設(shè)分割閾值為T(k)(0 ＜k＜L-1)，灰 度值在[0,k]內(nèi)的所有像素組成C1，灰度值在[k+1,L-1]內(nèi)的所有像素組成C2，分類到C1的概率為PC1(k)，分類到C2的概率為PC2(k)，整個(gè)圖像的平均灰度值為mG，可得式（10）、式（11）。其中，m1(k)表示C1內(nèi)像素的平均灰度值，m2(k)表示C2內(nèi)像素的平均灰度值，如式（12）所示。其中Pi表示裂縫修補(bǔ)痕跡濾波圖像中像素灰度級為i的概率。

根據(jù)統(tǒng)計(jì)理論中方差的概念，類間方差表達(dá)式如式（13）所示，全局方差表達(dá)式如式（14）所示?？梢钥闯觯祄1和m2距離越遠(yuǎn)，越大，當(dāng)達(dá)到最大值時(shí)，求得裂縫修補(bǔ)痕跡濾波圖像最佳分割閾值k*，即式（15）。圖像分割后，以類間方差和全局方差的比值作為度量，完成輸入圖像中裂縫修補(bǔ)痕跡與背景可分性的描述。

根據(jù)Otsu 算法原理，對輸入的裂縫修補(bǔ)痕跡濾波圖像進(jìn)行圖像分割，Ostu 算法設(shè)計(jì)流程如圖7所示。

圖7 Otsu 算法設(shè)計(jì)流程Fig.7 Otsu algorithm design process

根據(jù)Otsu 算法設(shè)計(jì)流程，選取圖6（d）、（e）互為參照輸入程序進(jìn)行Otsu 圖像閾值分割，分割后的圖像如圖8 所示，其中，圖8（a）為圖6（d）含些許噪聲的裂縫修補(bǔ)痕跡濾波圖像分割后的圖像，圖8（b）為圖6（e）滿足預(yù)期濾波效果的裂縫修補(bǔ)痕跡濾波圖像分割后的圖像。從圖8（a）中可以看出，裂縫修補(bǔ)痕跡大部分邊緣較清晰連續(xù)，但邊緣仍有毛刺，背景中的少許黑點(diǎn)為圖6（d）濾波修補(bǔ)痕跡濾波圖像中未濾除的裂縫修補(bǔ)痕跡圖像噪聲，圖8（b）中裂縫修補(bǔ)痕跡的邊緣清晰連續(xù)，背景中無噪聲干擾，裂縫修補(bǔ)痕跡的邊緣細(xì)節(jié)保留完整，分割效果達(dá)到預(yù)期。

圖8 Otsu 算法圖像分割Fig.8 Otsu algorithm image segmentation

4 工程案例

基于河南省某高速公路橋梁歷年定檢中的圖像，以處理器為Intel(R)i5-1135G7、內(nèi)存為16 GB 的計(jì)算機(jī)和Matlab 作為試驗(yàn)操作環(huán)境，隨機(jī)選取5 種情況的裂縫修補(bǔ)痕跡圖像，按照選取順序分別命名為案例1、案例2、案例3、案例4 和案例5，如表3 中原圖所示，其中案例1至案例4為只含裂縫修補(bǔ)痕跡的圖像，案例5為裂縫修補(bǔ)痕跡上出現(xiàn)二次裂縫的圖像。

表3 不同裂縫修補(bǔ)痕跡原圖及加噪圖Table 3 Original diagram and noise reinforcement diagram of different crack repair traces

將椒鹽噪聲和高斯噪聲作為參照，以PSNR 和SSIM 作為評價(jià)指標(biāo)，5 個(gè)案例分別添加椒鹽噪聲、高斯噪聲和泊松噪聲后的圖像如表3 中第2、3、4 列所示。從圖像可以看出，添加椒鹽噪聲和高斯噪聲的灰度圖像噪聲污染均比較嚴(yán)重，添加泊松噪聲的圖像無較大變化。

4.1 泊松噪聲-雙邊濾波算法的PSNR 和SSIM

原灰度圖及添加不同噪聲的圖像進(jìn)行雙邊濾波處理后的圖像如表4 所示。從表中圖像可以看出，泊松噪聲濾波圖圖像效果優(yōu)于原灰度圖濾波圖像，椒鹽噪聲濾波圖和高斯噪聲濾波圖圖像效果劣于原灰度圖濾波效果，分別計(jì)算PSNR 和SSIM，如表5 所示。

表4 雙邊濾波圖Table 4 Bilateral filter plot

表5 圖像去噪的評價(jià)指標(biāo)Table 5 Evaluation indicators of image denoising

通過表4 圖像和表5 數(shù)據(jù)可以看出，對于原灰度濾波圖像，裂縫修補(bǔ)痕跡邊緣細(xì)節(jié)或二次裂縫信息存在丟失；對于泊松噪聲濾波圖像，裂縫修補(bǔ)痕跡邊緣或二次裂縫清晰連續(xù)，噪聲也被有效濾除；對于椒鹽噪聲濾波圖像和高斯噪聲濾波圖像，裂縫修補(bǔ)痕跡邊緣或二次裂縫特征已無法觀察。根據(jù)圖像的PSNR 和SSIM 值可以得出同樣的結(jié)論。

綜上，泊松噪聲可以保護(hù)圖像細(xì)節(jié)信息并優(yōu)化圖像質(zhì)量，是理想的添加噪聲類型，適用于裂縫修補(bǔ)痕跡圖像預(yù)處理。

4.2 圖像分割的運(yùn)行時(shí)間和LCFB

將Canny 算子、Laplacian 算子和Prewitt 算子作為參照，以運(yùn)行時(shí)間和最大連續(xù)可用內(nèi)存塊（LCFB）使用情況作為Otsu 算法的評價(jià)指標(biāo)。Otsu算法、Canny 算子、Laplacian 算子和Prewitt 算子對5個(gè)案例的分割效果圖如表6 所示，其中對原灰度圖濾波圖像和泊松噪聲濾波圖像均進(jìn)行了Otsu 分割。

表6 圖像分割效果圖Table 6 Image segmentation renderings

通過表6 圖像可看出，原灰度圖濾波圖像的分割效果均較差，不僅裂縫修補(bǔ)痕跡邊緣信息及二次裂縫信息缺失較多，且多處區(qū)域被誤分為裂縫修補(bǔ)痕跡。

對于泊松噪聲濾波圖像，Canny 算子將部分背景判定為裂縫修補(bǔ)痕跡邊緣，出現(xiàn)誤判；Prewitt 算子分割后的裂縫修補(bǔ)痕跡邊緣不連續(xù)且特征少；Laplacian 算子近似無法分割出裂縫修補(bǔ)痕跡邊緣。而Otsu 算法對5 個(gè)案例的分割效果均達(dá)到預(yù)期，痕跡邊緣和二次裂縫清晰連續(xù)，達(dá)到理想的圖像分割效果。

圖像分割的運(yùn)行時(shí)間和LCFB 見表7，其中變化量是其他算法運(yùn)行時(shí)間或LCFB 相對“泊松噪聲Otsu”算法運(yùn)行時(shí)間或LCFB 差值的百分比。為減小誤差，對各算子均進(jìn)行多輪測試后參與指標(biāo)評價(jià)。

表7 圖像分割的評價(jià)指標(biāo)Table 7 Evaluation indicators for image segmentation

通過表7 數(shù)據(jù)可以看出，相較于原灰度圖濾波圖像，Otsu 算法對泊松噪聲濾波圖像分割時(shí)的運(yùn)行時(shí)間起伏較小，LCFB 略有減少，總體效果呈現(xiàn)良好；Canny 算子、Laplacian 算子、Prewitt 算子的運(yùn)行時(shí)間起伏較大，LCFB 近似不變，總體效果呈現(xiàn)較差。

5 結(jié)論

針對裂縫修補(bǔ)痕跡圖像形狀不規(guī)則、特征不完整的問題，基于自然語言文本預(yù)處理技術(shù)，提出先添加泊松噪聲再進(jìn)行雙邊濾波及Otsu 分割的圖像預(yù)處理方法，得到易于識別的二值化圖像，并通過工程案例驗(yàn)證了方法的可行性和有效性，結(jié)論如下：

1）對裂縫修補(bǔ)痕跡的灰度圖像添加泊松噪聲，降低直方圖峰值的同時(shí)，有選擇地增強(qiáng)某灰度像素點(diǎn)鄰域內(nèi)的對比度，使裂縫修補(bǔ)痕跡信息突出，與背景形成對比，說明泊松噪聲可以顯著改善裂縫修補(bǔ)痕跡圖像的質(zhì)量。

2）對添加泊松噪聲后的圖像進(jìn)行雙邊濾波，在合理的濾波參數(shù)下，對圖像進(jìn)行多次濾波操作，裂縫修補(bǔ)痕跡的邊緣保存良好，原圖像真實(shí)噪聲和后添加噪聲均有效濾除，兼具“去噪”和“保邊”的效果。

3）對裂縫修補(bǔ)痕跡濾波圖像采用Otsu 自適應(yīng)閾值算法進(jìn)行分割，可自動生成最佳分割閾值，在分割后的裂縫修補(bǔ)痕跡二值化圖像中，裂縫修補(bǔ)痕跡邊緣連續(xù)完整，說明Otsu 算法可將噪聲的干擾降至最低。

4）對不同橋梁裂縫修補(bǔ)痕跡圖像使用提出的圖像處理方法，濾波后的圖像視覺感知達(dá)到要求，PSNR 和SSIM 均達(dá)到理想數(shù)值，進(jìn)行圖像分割的運(yùn)行時(shí)間有顯著提高，LCFB 穩(wěn)定且略有降低，在出現(xiàn)了二次裂縫的裂縫修補(bǔ)痕跡圖像中，裂縫修補(bǔ)痕跡和二次裂縫界限明顯，易于分辨。