基于特征显著性的地震灾害发生后建筑物裂缝智能检测模型
发布时间：2021-11-17
摘要:由于地震灾害发生后建筑物表面具有多纹理性、多目标性特征，导致现有的建筑物裂缝智能检测方法已经不能满足检测需要。为了提高检测效果，该文设计提出基于特征显著性的地震灾害后建筑物裂缝智能检测方法。建立压缩感知去噪框架，通过图像重构消除震后建筑裂缝图像噪点。采用FCM聚类分割法对去噪图像进行分割，引入灰度直方图作为灰度级的模糊聚类样本点，利用灰度样本完成图像聚类。基于人眼视觉特征，对图像背景区域重新划分，完成图像边缘检测。基于提取的二值化图像确定裂纹特征，根据特征值范围确定裂缝种类实现震后建筑裂缝检测。
关键词:特征显著性;智能检测;图像噪点;模糊聚类;地震灾害后建筑;裂缝
地震发生后，由于强烈的地面震动及伴生的地面裂缝和变形，使很多建筑物倒塌或损坏，会造成人们生命和财产的损失[1]。地震后对震区的重建与恢复，对该区域的可持续发展、城市规划建设及生态发展等方面都具有极其重要的意义[2]。在重建初期，主要面对的问题是对房屋、公共设施等建筑的大规模重建和复原工作。受地震震动影响，灾区很多建筑出现了不同程度的裂缝。从安全角度出发，对建筑裂缝进行检测具有重要意义[3-4]。而图像检测技术的成熟，为震后建筑裂缝检测带来了便利。
因地震灾害后建筑物表面图像均具有多纹理性、多目标性、图像光强且多变的特征，使建筑表面微裂纹识别难度较大，对此设计基于特征显著性特征，从图像入手通过图像去噪、裂纹目标分割、裂纹边缘特征提取以及特征下裂纹类型识别等过程，完成地震灾害后建筑物表面裂缝的智能检测[5]。
1地震灾害后建筑裂纹检测模型设计
1.1压缩感知下震后建筑裂缝图像虑噪
为了实现地震灾害后建筑物表面裂缝的智能检测和识别，需要对震后建筑物表面图像进行噪声滤除处理。一般情况下，震后建筑表面图像噪声分为空域噪声和频域噪声。这两类划分主要是根据线性定理为基础，随着多项化尺度的出现而产生的区域划分。因此设计在该理论基础上，根据压缩感知理论框架，基于非下彩变换(NSCT)域的压缩传感(CS)模型地震灾害后建筑表面裂缝图像去噪[6]。
以NSCT域为核心的震后建筑图像表面噪点滤除算法，其自身具有明显的图像奇异步骤性能，但不能直接捕捉图像表面信号上下采样。经过NSCT处理后，延时图像的通行信号和处理信号具有一致性，极大方便了后期针对图像噪点的处理。在图像纹理部分，其细节和噪声等信息处于高频子带系数中，可以建立压缩感知。因此设计以当前图像的系数表示入手，使其满足CS理论要求，对高频自带信息进行模型去噪。并根据去噪模型分裂Bregman散度，完成数据迭代，实现震后建筑图像去噪目的[7]。
正常情况下，多数图像数据不能直接进行稀疏表达，但是其内部若经过某些特征运算，如傅里叶或者小波运算等[8]，即可进行图像的信息时域和频域对接，不影响后续感知效果。
将震后建筑图像设置为512×512分辨率，在时域内震后建筑原始图像基本像素点设置为0，保证其可以充分进行小波变换。在该变换域下可以肯定，大部分小波系数拥有较小绝对值，多数小波绝对值为0，仅有少数小波图像系数其绝对值为极大值。选取极大值的10%进行震后建筑图像重构，这样可以将存储数据降低90%以上。
1.2震后建筑图像聚类分割
震后建筑图像聚类分割采用模糊c-均值(FCM)聚类分割法。若直接将上述去噪后的灾后建筑样本图像像素点作为当前图像聚类分割的数据样本，则面临的计算量巨大。针对这一问题，设计在FCM聚类分割法的基础上，同步引入灰度直方图。因单一的绘图图像的像素点所代表的实际灰度级频率，可以用直方图的形式进行图像表述，可以大量缩小计算数据量。此外，震后建筑图像样本的灰度分布和边缘检出也可以根据图像聚类样本完成计算。
1.3构建震后建筑物表面裂缝图像边缘检测
根据人眼视觉特征可以确定，人眼在进行图像或物体观测时，其亮度并不是完全由物体自身亮度决定，同时还与人眼视觉亮度及物体当前背景亮度两个因素有关[14]。若要清晰观测目标物体，那么物体自身的背景需具有明显的亮度对比差异，能更好地进行图像边缘检测。运用人眼视觉模型对震后建筑表面裂缝图像进行边缘检测，假设当前观测图像的亮度固定值为F，背景亮度的固定值为B。若需进行充分观测，那么目标图像物体亮度需要比当前背景亮度至少要高出一个预定值。此时二者的亮度差称之为可分辨亮度差，即最小视觉亮度差。B和F之间存在一个固有的函数关系，这一关系也被称为亮度比[15]。此函数被称为阈值亮度函数。单一的阈值函数不能直接用于边缘检测，需要建立分段阈值模型。其核心处理过程需要依赖于算式梯度算子，通过对震后建筑图像原始梯度值的把控和判断，完成图像阈值的审核。如果梯度图像中，其响度点高于当前设定的亮度阈值，则保留当前亮度点，否则进行亮度点删除。传统亮度阈值设定方法主要是选择一个统一不变的亮度值作为阈值[16]。但是因为当前地震灾害后建筑表面观察目标物体的习惯具有明显不匹配性，根据韦伯定律不匹配性存在两种错误概率。第一种是边缘的错检，即当前图像的最小可视差会比给定的检测阈值更大，导致保留下的点位无法观测，最终出现虚假边缘。第二种是边缘的漏检，当最小可视差小于给定阈值的时候，应该对此进行删除操作。但是实际上这条边缘线是可观测的，就容易造成可视边缘的漏检。固定阈值与人眼视觉模型比曲线如图4所示。在一定检测范围区域A内，容易发生边缘漏检情况。而在检测区域B内，容易发生边缘错检情况。针对上述问题，在原有边缘检测的基础上提出了一种新的检测方法，即在原有背景划分的基础上进行精细化操作，将其划分为三个不同区域，分别是暗亮度区域、中间亮度区域以及高亮度区域[17]。对不同区域分别建立亮度计算模型。
1.4震后建筑表面裂缝检测
对震后建筑图像进行去噪和图像分割处理后，即可对当前建筑表面裂缝进行智能检测识别。首先根据上述图像加工过程提取的图像纹理灰度特征和几何形态等信息，对图像进行去噪分割以后，获取图像已经转化为二值化图像。当前的图像信息已经打乱，主要需要借助像素特征来体现。
相关知识推荐：地质灾害监测专业论文题目参考
2实验结果与分析
实验数据获取和分析是技术研究的重要环节，为了提取有效数据，验证当前设计的基于环境特征显著性的地震灾害后建筑物表面裂缝智能检测方法是否具有明显优势，设计搭建实验平台，进行数据验证。对比方法选择传统决策树分类检测方法(ETG)，通过对比两种检测方法检测效果的震后建筑裂缝图像边缘检出率和图像灰度检测率，对比检测效果。
2.1震后建筑裂缝图像边缘检出率对比
因为实验条件限制原因，渠道服务器后台管理负载需要符合当前实验的PC主机。实验用两台主机均采用管理型集群节点机，利用JMETER作为监测测试工具连入不同的渠道工作组，确定震后建筑裂缝图像边缘检出率数值，检出率越高，裂缝检测效果越好。对比结果如图5所示。图5显示了两种方法对相同震后建筑裂缝图像边缘检出率的对比情况。根据数据对比可以看出，本文方法图像边缘检出率的数据结果明显优于传统EDF方法，经过数据对比分析可以确定，实际相差比例超过29%。主要因为设计方法采用FCM聚类分割法对震后建筑裂缝图像进行分割处理，缩减了计算数据量，提高了边缘检出率。
2.2震后建筑裂缝图像灰度检测率对比
图像灰度检测率是图像灰度值整体显示情况的评判比例，其比例越高证明图像对比度越强，最终检测裂缝效果就越好。基于上述实验环境，验证两种方法对震后建筑裂缝图像灰度检测率，对比结果如表2所示。根据表2数据可以确定，本文方法在图像检测对比中明显优于传统EDG检测方法。经过数据对比统计，本文检测方法图像灰度检测率提高了23%左右，再次证明本文方法的检测优势。
3结束语
由于传统建筑裂缝检测方法对震后建筑裂缝检测效果不理想，为了提高震后建筑裂缝的检测率，优化裂缝检测效果。此次研究提出了基于特征显著性的地震灾害后建筑物裂缝智能检测模型。对震后建筑表面裂缝的检测是地震灾害后建筑维护的重要步骤，设计提出的检测模型是从检测震后建筑裂缝图像入手，重构图像并消除震后建筑表面图像噪点。采用FCM聚类分割法对去噪图像进行分割，引入灰度直方图作为灰度级的模糊聚类样本点，利用灰度样本完成图像聚类。对震后建筑裂缝图像进行边缘检测，基于提取的二值化图像确定裂纹特征，最终实现裂纹检测。与传统方法对比实验证明，本文方法对震后建筑裂缝检测模型具有明显优势，更具有实际应用意义。——论文作者：史晓东1，刘洋2
