融合流形特征的路面破损图像识别方法

【摘要】：随着计算机、数字图像技术的飞速发展,基于数字图像的路面破损图像自动识别技术被广泛应用在路面的修护工作中,并取得了较好的效果。但是该方法仍然存在一些技术难点需要解决,例如图像去噪效果不理想、图像裂缝特征增强效果不明显、常见的破损密度因子或坐标轴投影等底层视觉特征不能有效区分裂缝等问题。为了解决上述问题,本文将字典学习技术应用到图像去除噪声和增强裂缝特征中,并利用流形学习算法对高维路面图像数据进行维数约简,提取低维流形特征,优化路面裂缝的特征。本文的研究内容及创新点如下:(1)分析比较了KLLD算法、中值滤波算法和直方图均衡化算法对破损图像的去噪效果,实验结果表明KLLD算法的去噪效果优于中值滤波和直方图均衡化算法。(2)在KLLD的基础上提出了一种自适应的路面破损图像去噪增强算法。该方法首先估计路面灰度图像的噪声,若图像噪声大于给定的阈值,则利用KLLD算法对图像进行去噪处理。然后估计图像裂缝的特征强度,若裂缝特征估计值小于给定阈值,则进一步用KLLD算法对去噪后的图像进行增强处理。实验结果表明自适应的路面破损图像增强算法能够良好地去除图像噪声、并增强裂缝特征。(3)提出了一种融合流形特征的路面破损识别方法。该方法首先利用Laplacian Eigenmaps算法提取高维路面图像的2维流形特征,然后将流形特征与破损密度因子或坐标投影等底层视觉特征融合,利用融合后的特征识别裂缝类别。在实验中比较了KNN、SVM、ELM和BP神经网络在流形特征、破损密度因子、坐标投影和融合后的特征上的识别结果,实验结果表明流形特征可以有效区分各类路面裂缝,融合流形特征和其他特征后极大地提高了路面裂缝的识别精度。(4)通过提取流形特征,实现了路面破损图像的可视化。通过分析获取的二维流形特征分布规律,得到其物理意义,一维是裂缝方向,另一维是路面破损程度。
【关键词】：流形学习 特征融合 路面破损图像识别 拉普拉斯特征映射法 局部字典学习可视化
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41