基于公路缺陷自动化检测的图像预处理技术研究

摘要：传统图像预处理技术在公路缺陷自动化检测中，因无法及时调整参数以适应不同公路和环境变化，导致适应性差，易造成误检和漏检。本文提出了一种名为PTAGD的图像预处理技术，利用改进的图像增强和混合双滤波方法处理公路图像。实验结果表明，PTAGD在公路缺陷自动化检测中对不同公路和环境变化的适应性优于现有方法，信噪比、熵、纹理清晰度和对比度均有所提升。

关键词：公路缺陷；图像预处理；CLAHE

中图分类号：TP391.41    文献标识码： A

文章编号：1009-3044（2025）07-0119-04

开放科学（资源服务） 标识码（OSID）

0 引言

随着计算机视觉和图像处理技术的发展，这些技术在公路缺陷自动化检测中的应用日益广泛。通过对公路图像进行预处理和分析，可以自动、快速地识别缺陷，从而大幅提高检测效率和准确性。图像预处理是整个检测过程中的关键步骤。

张卫东[1]等人提出了一种基于多通道卷积颜色恢复多尺度Retinex的单幅图像去雾方法；曹海杰[2]等人提出了一种自适应逆直方图均衡化细节增强算法；裴春阳[3]等人提出了基于引导滤波和稀疏表示的双尺度多模态医学图像融合；汪子君[4]等人提出了一种基于引导滤波的自适应红外图像增强改进算法；刘沛津[5]等人提出了一种基于引导滤波的新颖红外与可见光图像融合算法；上述算法适用于特定场景且参数固定。然而，在公路缺陷检测中，用户无法调整参数，固定参数难以适应不同公路和环境变化，从而影响检测效果。

本文介绍了一种图像预处理技术PTAGD（Image Preprocessing Techniques Based on Automated Ground Defect Detection） ，旨在通过改进的图像增强和混合双滤波处理公路图像，有效去除噪声并保留边缘信息，以增强重要结构信息，即便在不同公路和环境变化下也能保持图像质量。

1 算法基础

1.1 限制对比度的自适应直方图均衡化（CLAHE）

限制对比度的自适应直方图均衡化（CLAHE） 用于增强图像局部对比度，尤其适用于光照不均的图像。CLAHE通过分块处理图像并限制对比度来抑制噪声，原理如下：

1） 分块。将灰度图像划分为若干个小的非重叠区域ℜk，称为“上下文区域”。

2） 局部直方图的计算。对每个上下文区域ℜ计算灰度直方图，计算公式如下：

[[Hℜ（i）=（x，y）∈ℜδ（Igray（x，y）-i）]  （1） ]

式中，δ是Kronecker delta函数；Igray（x，y）是图像在位置（x，y）处的灰度值；i为灰度级别，总数为L。

3） 对比度限制。设定对比度限制阈值T，将直方图中超过T的灰度级别数量限制为T，限制后的直方图公式如下所示：

[[H′ℜ（i）=Hℜ（i）T          Hℜ（i） ≤THℜ（i） > T]  （2） ]

式中，CLAHE的参数clipLimit和T存在一定关系，假设上下文区域像素总数为|ℜ|，计算公式如下：

[[T=clipLimit×ℜL] （3） ]

4） 重新分布灰度级别。计算多余像素数S，将超过T的部分均匀分布到所有灰度级别，计算公式如下：

[[S=i=0L-1max（Hℜ（i）-T，0）] （4） [H″ℜ（i）=H′ℜ（i）+SL] （5） ]

5） 计算累积分布函数CDF，计算公式如下：

[CDFℜ（i）=j=0iH″ℜ（j）]

6） 应用直方图均衡化，计算公式如下：

[[IE（x，y）=CDFℜ（Igray（x，y）-CDFℜ（0））ℜ-CDF（0）×（L-1）]  （6） ]

7） 插值处理。由于图像分为多个上下文区域进行了灰度值处理，它们之间会存在边界效应，故须通过双线性插值平滑过渡，考虑包含像素（x，y）的四个上下文区域即ℜ1，ℜ2，ℜ3，ℜ4，则插值公式如下：

[[Ifinal（x，y）=k=14ωkIℜk（x，y）]  （7） ]

式中，[Iℜk]为上下文区域ℜk的均衡化结果；ωk为权重系数。

1.2 双边滤波

双边滤波是一种结合空间和颜色信息的非线性图像平滑技术，能够在减少图像噪声的同时有效保留边缘细节，避免传统滤波方法常见的边缘模糊问题。双边滤波的计算公式如下：

[[J（p）=q∈ΩA（q）⋅fr（||A（q）-A（p）||）⋅fs（||q-p||）q∈Ωfr（||A（q）-A（p）||）⋅fs（||q-p||）]  （8） ]

式中，Ω是p的邻域；C（p）和C（q）是图像A在位置p和q处的像素值；fr是像素值差异的颜色域权重函数，fs是基于像素位置距离的空间域权重函数，分别与σs空间域参数和颜色域参数σr有关，由用户手动设置，两者都是曲线的高度为1的高斯函数。

1.3 引导滤波

引导滤波是一种局部线性滤波技术，它利用导向图像来指导输入图像的平滑处理。这种滤波器在保持边缘的同时，能有效去噪和增强细节。它涉及两个图像，输入图像C和导向图像D，在一个局部窗口ωk内，假设它们满足局部线性关系，通过计算这些局部线性模型的参数来实现图像的平滑。引导滤波的计算公式如下：

[[Ci=akDi+b k  ∀i∈ωk] （9） ]

式中，Ci是输入图像C在位置i处的像素值；Di是导向图像D在位置i的像素值；ak和bk是局部窗口ωk内的线性系数，计算公式如下：

[[ak=1ωki∈ωkDiCi-μkCkσ2k+ε]  （10） [bk=Ck-akμk]  （11） ]

式中，µk是导向图像D在窗口ωk内的均值；σk2是导向图像D在窗口ωk内的方差；[Ck]是输入图像C在局部窗口ωk的均值；正则化参数ε控制平滑的程度，平衡导向滤波处理后的图像的去噪效果和细节保持。

最终的输出图像F通过线性变换得到以下计算公式：

[[Fi=aiDi+bi] （12） ]

式中，Fi是精细处理后的输出图像在位置i处的像素值；[ai]和[bi]分别是以像i为中心的所有局部窗口ωk内ak和bk的均值。

2 图像增强方法

环境光照和曝光可能影响公路图像处理，导致阴影和对比度问题。常用的增强方法包括伽马校正、对数变换、直方图均衡化和CLAHE。然而，这些方法的全局处理和参数依赖性可能在实时图像处理时效果不佳。因此，本文提出结合伽马校正、CLAHE和图像统计特征的算法。

首先进行伽马校正，接着应用改进的CLAHE，该方法通过利用图像统计特征来动态调整clipLimit，以自适应不同图像内容，增强对比度并抑制噪声，从而实现更佳的增强效果，其中CLAHE的改动原理如下。

1） 计算平均亮度。平均亮度是图像所有像素灰度值的平均值，反映图像整体的亮度水平，计算公式如下：

[[mean_intensity=1Ni=1Nri] （13） ]

式中，ri是第i个像素的灰度值，N是图像的总像素数。

2） 基于图像的平均亮度，对clipLimit进行调整。设置一个基础经验值clipLimit_base。如果图像的平均亮度较低，例如小于60，图像较暗，需增强对比度，则clipLimit_base的值增加常数t0，增加对比度，如不小于180，图像较亮，则clipLimit_base的值减少t0，降低对比度而抑制噪声，计算公式如下：

[[clipLimit=clipLimitbase+t0clipLimitbase-t0clipLimitbase    mean_intensity<60mean_intensity≥180otherwise]   （14） ]

3） 计算噪声。采用块匹配噪声估计法，计算输入灰度图像和经过基于图像平均亮度调整的clipLimit处理后的图像的噪声值，即noisegray和noise。将图像分割成M×N的小块，计算每个块的方差，取方差的中位数作为噪声方差，计算公式如下：

[[noise0=median（var（blockij））]  （15） ]

式中，block ij是位于位置（i，j）的小块。

4） 噪声反馈调整。当噪声大于noisegray的1.2倍时，降低clipLimit值减小常数t1以减少对比度增强并抑制噪声，计算公式如下：

[[clipLimit=clipLimit-t1 clipLimitnoise≥1.2⋅noisegrayotherwise] （16） ]

3 滤波处理

增强图像H进行滤波处理以去噪和平滑。传统方法如中值、均值和高斯滤波难以平衡噪声与细节。本文提出混合双滤波算法，结合自适应双边滤波和引导滤波，根据图像局部特性调整参数，有效去噪并保留细节，其原理如下：

1） 通过自适应双边滤波处理增强图像H得到图像G。与传统双边滤波不同，自适应双边滤波的参数σs和σr会根据图像的局部梯度信息动态调整，从而在去噪的同时更好地保留图像边缘和细节。

①自适应空间域参数σs。空间域参数σs决定了滤波器对像素位置的敏感性。在自适应双边滤波中，空间域参数σs，根据图像的梯度信息进行调整，计算公式如下：

[[σs（i，j）=σs0⋅1+GH（i，j）GHmax] （17） ]

式中，σs0是基准空间域参数，通常为一个常数，Hmax是图像梯度幅值的最大值，用于归一化，GH（i，j）是输入图像H在像素（i，j）处的梯度幅值，由Sobel算子计算得到，计算公式如下：

[[GH（i，j）=∂GH（i，j）∂x2+∂GH（i，j）∂y2] （18） ]

在边缘区域，梯度GH（i，j）较大，导致σs（i，j）增加，滤波器在这些区域对空间位置更加敏感，从而减少平滑效果，保留边缘细节；在平坦区域，梯度GH（i，j）较小，σs（i，j）接近σs0，此时滤波器的行为与传统双边滤波类似。

②自适应颜色域参数σr。颜色域参数σr决定了滤波器对像素值差异的敏感性。在自适应双边滤波中，σr同样根据图像的梯度信息进行调整，公式原理和自适应空间域参数σs一致。

2） 通过自适应引导滤波进行精细处理。将图像G作为导向图，图像H作为输入图。与传统引导滤波不同，自适应引导滤波根据图像梯度信息动态调整正则化参数ε，以保留细节并有效去除噪声。ε（i，j）动态调整的计算公式如下：

[[ε（i，j）=ε0⋅1+G（i，j）G′max]  （19） ]

式中，ε0是基准正则化参数。G′max是导向图像G梯度幅值的最大值，用于归一化，G′（i，j）是导向图像G在像素（i，j）处的梯度幅值，由Sobel算子计算得到，计算公式如下：

[[G（i，j）=∂G（i，j）∂x2+∂G（i，j）∂y2] （20） ]

在边缘区域，导向图像的梯度G′（i，j）较大，导致ε（i，j）增大，滤波器在这些区域会减少平滑效果，保留边缘细节；在平坦区域，梯度较小，ε（i，j）接近0，此时滤波器会更好地平滑噪声。