| 主权项 |
一种基于Hessian结构分析的道路裂缝增强方法，其特征在于：包括以下步骤，步骤1，对路面图像进行预处理，得到待进行道路裂缝增强的原始图像；步骤2，分析Hessian结构特征，包括基于以下公式对二维高斯核函数在不同尺度σ下求其二阶偏导数后与原始图像做卷积，得到原始图像上每一像素点在不同尺度σ下的Hessian结构H(σ)， <mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>σ</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open='[' close=']'> <mtable> <mtr> <mtd> <mfrac> <mrow> <msup> <mo>∂</mo> <mn>2</mn> </msup> <mi>G</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>σ</mi> <mo>)</mo> </mrow> </mrow> <msup> <mrow> <mo>∂</mo> <mi>x</mi> </mrow> <mn>2</mn> </msup> </mfrac> </mtd> <mtd> <mfrac> <mrow> <msup> <mo>∂</mo> <mn>2</mn> </msup> <mi>G</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>σ</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>∂</mo> <mi>x</mi> <mo>∂</mo> <mi>y</mi> </mrow> </mfrac> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <msup> <mo>∂</mo> <mn>2</mn> </msup> <mi>G</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>σ</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>∂</mo> <mi>x</mi> <mo>∂</mo> <mi>y</mi> </mrow> </mfrac> </mtd> <mtd> <mrow> <mfrac> <mrow> <msup> <mo>∂</mo> <mn>2</mn> </msup> <mi>G</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>σ</mi> <mo>)</mo> </mrow> </mrow> <msup> <mrow> <mo>∂</mo> <mi>y</mi> </mrow> <mn>2</mn> </msup> </mfrac> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>*</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow>其中，f(x,y)为二维的原始图像，G(x,y;σ)为二维高斯核函数，x为原始图像的水平分量，y为原始图像的垂直分量；步骤3，对原始图像的不同结构目标进行特征分析，包括求出原始图像上每一像素点(x,y)在不同尺度σ下对应的Hessian结构H(σ)的特征值λ1、λ2和特征向量u1、u2，其中|λ1|≤|λ2|；步骤4，裂缝增强，包括对原始图像上每个像素点(x,y)都进行以下计算，得到增强图像， <mrow> <msub> <mi>R</mi> <mi>A</mi> </msub> <mo>=</mo> <mo>|</mo> <mfrac> <msub> <mi>λ</mi> <mn>1</mn> </msub> <msub> <mi>λ</mi> <mn>2</mn> </msub> </mfrac> <mo>|</mo> </mrow> <mrow> <mi>S</mi> <mo>=</mo> <mo>|</mo> <mo>|</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>σ</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> <mo>=</mo> <msqrt> <msup> <msub> <mi>λ</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> <mo>+</mo> <msup> <msub> <mi>λ</mi> <mn>2</mn> </msub> <mn>2</mn> </msup> </msqrt> </mrow>当像素点(x,y)属于亮结构时 <mrow> <msub> <mi>V</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>σ</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open='{' close=''> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <msub> <mi>λ</mi> <mn>2</mn> </msub> <mo>></mo> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <msub> <mi>R</mi> <mi>A</mi> </msub> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <mi>α</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mi>S</mi> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <mi>β</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>)</mo> </mrow> </mtd> <mtd> </mtd> </mtr> </mtable> </mfenced> </mrow>当像素点(x,y)属于暗结构时 <mrow> <msub> <mi>V</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>σ</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open='{' close=''> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <msub> <mi>λ</mi> <mn>2</mn> </msub> <mo>≤</mo> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <msub> <mi>R</mi> <mi>A</mi> </msub> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <mi>α</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mi>S</mi> <msup> <mrow> <mo>(</mo> <mi>σ</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msup> <mi>β</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>)</mo> </mrow> </mtd> <mtd> </mtd> </mtr> </mtable> </mfenced> </mrow> <mrow> <mi>V</mi> <mrow> <mo>(</mo> <mi>σ</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mi>max</mi> <mrow> <msub> <mi>σ</mi> <mi>min</mi> </msub> <mo>≤</mo> <mi>σ</mi> <mo>≤</mo> <msub> <mi>σ</mi> <mi>max</mi> </msub> </mrow> </munder> <msub> <mi>V</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>σ</mi> <mo>)</mo> </mrow> </mrow>其中，RA表示线状物体形状参数，S表示线状物体形状强度，||H(σ)||表示Hessian结构的范数，V0(σ)为对应尺度σ的图像灰度输出值，α、β是用来控制线滤波器的敏感度的参数，V(σ)表示增强图像的最终输出灰度值，σmax和σmin分别表示在进行裂缝增强时运用的最大、最小尺度；步骤5，对步骤4所得增强图像进行形态学分析处理，消除裂缝边缘的毛刺和孤立的噪声点，输出最终的增强图像。 |
