基于统计特性的表面裂纹提取.pdf

节选段落一：
根据背景中点的灰度值与周围像素点的灰度值相关性较强，而弱小目标点上的灰度值与周围背景像
素点的灰度值相关性较差，可将图像中各点的灰度值用它周围区域点的灰度值进行预测，则背景中点的
实际灰度值与预测值近似，两者相减得到的预测残差很小，而目标点的实际灰度值与预测值相差较大，
预测残差较大．通过使背景灰度的预测值尽可能接近真实值，而目标灰度的预测值尽可能远小于真实
值，以使残差图中背景尽可能被消掉，目标尽可能被突出．预测图像与输入图像之间的残差图像为
Ecz，y，一{f。


节选段落二：
‘z’y’一g‘z’y’ 主{三：j：：；萎：j c3，
式中：f(x，y)是原始输入图像；g(x，y)是预测图像．
1．2算法实现
处理的目标是消除背景光的影响，但同时不能影响到裂
纹信号．通过对公路表面图像的统计特性分析可知，将图像
分成若干小矩形窗后，没有裂纹存在的图像中每个矩形窗中
的像素平均值一般是不同的，含有裂纹的窗口与大多数没有
裂纹的窗口相比较，有较低的像素平均值．从图1中可以看
出来，背景光穿过噪声波纹的中部，在有裂纹的地方会出现
大幅度的下降．


节选段落三：
(13’
通过式(13)对处理后的图像灰度进行阈值判别，可以剔除灰度大的较亮的像素点，保留较暗的像
素点，这样的作用在于使裂纹与背景分离时保留裂纹像数点．根据式(12)，可以对图像进行迭代计算，
通过不断自动地改变的灰度变化系数，直到取得较好的实验结果，一般需要2～3次迭代，效果较好．
2．2基于Top—Hat变换的裂纹提取
从一幅原始图像中减去对其做开运算后得到的图像，可以得到一些重要的标记点，这些标记点可以
用于识别算法．在灰度图像分析中，这种方法对在较亮的背景中求较暗的像素，或在较暗的背景中求较
亮的像素聚集体非常有效．基于这个思想，在数学形态学的开启和闭合运算基础上定义Top—Hat算子