刘博

（山西省交通科技研发有限公司，山西太原，030012）

0 引言

近十年以来，我国公路隧道里程每年增量超过1000公里，隧道的科学检测与养护已逐渐发展成为一个突出的技术问题。伴随着技术的发展，基于机器视觉的无损检测技术及在隧道检测中的应用越来越广泛。区别于传统的人工检测方式，该技术可以避免主观的检测干扰，大幅提高检测效率与检测结果的一致性。基于这些数据，可以建立隧道的信息化健康档案，并研究隧道健康状况的变化趋势。有助于隧道病害的发展趋势分析，实现隧道的精准维护，对降低养护成本有着重要意义。

本文通过对隧道衬砌图像主要评价指标的研究，构建了隧道衬砌图像采集质量评价体系，确定了图像采集质量与相机采集参数之间的映射关系，基于此，提出了高速运动的视觉采集参数自适应策略，提高了图像采集效率。并通过合理的压缩算法对图像进行压缩，在保证图像质量的前提下降低了图像数据量，为提高数据处理效率奠定了基础。

1 图像质量评价方法

隧道智能检测系统在进行图像采集的过程中，设备载体（特种车辆）的颠簸、隧道衬砌尺寸各异等因素，会导致成像设备与隧道衬砌的距离时刻变化，并且不同衬砌表面材质的反射率不相同，如果采集系统相关参数不调整的话，会导致拍摄得到的图像质量无法保持一致，影响后续的图像处理与隧道检测效果。为了解决这一问题，首先要建立对采集图像质量统一的评价标准，并将评价标准与采集参数进行关联，使采集图像时刻保持最优。

隧道检测会产生大量的图像数据，无法采用人工逐一检查。并且，相比较于主观的图像质量评价，客观评价方法采用统一的评价指标，不会因为个体视觉的差异导致最后评价结果的出入，因此它具有很强的实用性。图像质量客观评价的目标是找出能够客观反映图像质量的参数指标。目前有许多学者对其进行了深入的研究，且形成了较多的研究成果[1]。常用的客观评价指标有：灰度均值、标准差、信噪比等[2]。这些方法一般不需要使用参考图像，主要通过估计图像中的块效应、噪声、模糊等因素来评价图像的质量。

图像作为一个二维的数字矩阵，在不同位置有不同的灰度，即灰度值不同。相关研究证明，图像熵的大小可以表示像素点灰度分布的离散程度的大小，当图像像素点的灰度值分布较为分散时熵也较大，当图像中所有像素点灰度值分布较为集中时熵最小[3]。当图像过度曝光或曝光不足时，像素灰度值分布离散度较小，熵较小，而当图像曝光正常，像素灰度值分布离散度大，熵较大。因此视觉系统在调光时，可将图像的熵值作为参考进行[4]。

在图像采集过程中，由于隧道衬砌的反光条件不一致，在一定采集参数条件下，有可能会出现过度曝光或曝光不足的情况，造成图像信息的丢失。过度曝光或曝光不足的视觉效果是整幅图像看上去偏亮偏白或者是偏暗偏黑。曝光不足、光照不匀、对比度差的原始图像直方图动态范围较小、分布较狭窄，可以反映图像整体的灰度级数值较低，因此其灰度像素分布窄而集中分布倾向于灰度值低的区域，即集中于直方图的左侧，灰度级的中部和亮度区域几乎不存在像素。

采集的图像是8位灰度图像，像素灰度值区间为[0, 255]，过度曝光时像素灰度值总体偏高（趋于255），曝光不足时像素灰度值总体偏低（趋于0），如图1所示。根据这一特性来判断图像的曝光度，通过建立与相机采集参数的映射关系，实时调整采集参数，避免图像的过度曝光或曝光不足影响后续的图像识别。

针对曝光不足、正常曝光、过度曝光这三类情况，分别选取1000张图像进行灰度均值的计算。通过计算，曝光不足的图像序列灰度平均值区间为[4,43]；正常曝光的图像序列灰度平均值区间为[39, 200]；过度曝光的图像序列灰度平均值区间为[182,243]。

根据上述数据可以看出，通过图像的平均灰度值可初步判断图像是否正常曝光。但同时需要注意的是，由于隧道衬砌上可能会有线缆槽、灯具等特征，其在图像上反应的灰度值趋近于黑色，与图像过暗时的特征相似；同时由于隧道衬砌表面反光条件不一致，有时图像只有部分区域存在曝光不足或过渡曝光，三种情况的灰度平均值区间存在重叠，使得只根据这一项指标难以完全判断图像是否正常曝光。

根据前文分析，图像熵也是衡量图像质量的一个主要指标。当图像过曝过过暗时，图像信息的丰富程度自然而然会大幅降低，利用这一特性，可以对图像质量进行判断。通过各选取1000张不同类型的图像进行熵值的计算，为了便于比较，并将所有样本熵值进行归一化处理。通过计算，正常曝光的图像归一化熵值明显较高，达到了0.868；而曝光不足或过度曝光的图像归一化熵值明显较低，分别为0.235和0.198。并且正常与非正常图像之间参数有明显的区分。通过该方法，可有效避免不同类型图像灰度平均值重叠的问题。

在此基础之上，需要建立图像质量与系统采集参数的映射关系，从而指导系统的调参工作，以便获得较好质量的图像。

在图像正常曝光的前提下，即不存在过度曝光或曝光不足，针对不同采集参数下的图像样本进行熵值的计算与分析，如图2所示。在不同采集参数下分别选取1000张图像进行熵值的计算，为便于比较，对整个样本的熵值与系统采集参数进行归一化处理，从图中可以看出，图像的熵值与采集参数存在相关性，当采集参数适当增大时，图像熵值也随之增大。根据该结果，可以通过前期测试快速建立隧道图像采集质量与检测系统采集参数的映射表，通过该映射表在采集过程中进行参数调整，实现对采集参数的快速调整。

图2 图像熵值与采集参数映射关系

具体工作流程是，在图像采集过程中，同时计算采集图像的熵值，当图像平均灰度不在正常范围时，系统进行参数调整，当图像平均灰度在正常区间范围内时，开始判断图像熵所在范围，快速查找参数映射表，通过之前标定的图像熵值与采集参数映射关系来调整系统参数。

从当前的图像熵值开始，和相邻图像熵值进行比较。为减少计算量，以20张图像作为间隔。如果当前图像熵值是最大的，那么返回当前图像熵值，作为最大值；反之就用相邻的最高值代替当前值。如此循环直到达到图像熵值最大，图像效果最好，系统调参结束。

通过这样的方式来提高图像采集过程的自动化程度，可有效提高采集图像质量，避免因图像质量不佳导致需要在检测现场重复采集。可为后续的图像处理工作提供质量稳定的数据，进一步提高数据处理的准确度。

2 图像压缩方法研究

目前全国隧道检测装备普遍的成像精度为1mm/pixel。占绝大多数的高速公路两车道隧道衬砌周长为23米左右。以灰度图像为例，相机拍摄图片为8位的灰度点位图，则每个像素点占用存储空间为1Byte，通过计算，单公里隧道检测图像数据可达21.42GB。若检测图像为彩色图像，则至少需要64.26GB。如此巨大的数据量对于检测数据的存储与后续的图像处理带来了巨大的挑战。

因此，在得到质量较好的图像之后，海量图像的处理也是要解决的一个重要问题。通过将图像进行合理的压缩，在保证图像质量的前提下可以有效减少数据量，这样一来就可以减少后续的图像处理工作量，以此方式来提高效率。同时也可以减少图像数据的存储空间，减少存储设备的投入，为后续建立隧道检测数据库提供了便利。

在研究图像压缩方法时，运算时间、和压缩、编码效率来衡量。设压缩前图像的平均码长为，熵为H(S)，压缩后图像的平均码长为，则定义：

冗余度：编码效率：

压缩比：

面对海量信息，经典的图像压缩算法已经难以满足实际需要。根据当前的研究成果，小波变换在图像的压缩、分类、识别等领域有着广泛地应用，取得了较好的效果[5]。基于小波的图像压缩方法特点是压缩比高，压缩后能保持图像的特征相对不变，并且有相对较强的抗干扰能力，这各特性对处理背景复杂的隧道检测图像是较为有利的。基于机器视觉的隧道检测的最终目的是检测出相关病害信息，诸如裂缝、渗水、剥落。这些病害在图像上的表征有线性与区域性的特点，这些图像特征首先是有较为明显的边缘特征，而图像处理的过程就是通过这些边缘信息来识别病害特征。在图像压缩的过程中，基于小波的图像压缩方法对于这些重要的图像边缘信息可以较好的保留，这对于后续的图像处理有着重要意义。

小波变换有别于傅里叶变换，基函数的选择对于最后的处理效果有着重要影响[6]。根据小波基函数正则性、支撑长度、对称性、相似性几个要素来综合考量小波基函数对于隧道检测图像的适用性。在小波压缩中考虑的关键因素核心是正则性，即图像约光滑，其正则性也越好。接下来的小波压缩方法就是去掉图像的高频部分但是保留最为基本的低频部分用来表征图像的主要部分。此外，基于小波的图像压缩主要是去除图像中的空间冗余和视觉冗余。隧道检测图像中有很多相似的背景，其采样点之间存在着空间相关性，即相邻点之间的取值相同或相近，基于这一特性，可利用小波方法将这类空间冗余剔除。还有视觉冗余，即视觉系统难以感知的画面变化部分，剔除掉这部分冗余之后图像应不影响图像的机器视觉分析。

根据以上原则，本文选取三种小波函数来进行图像压缩，分别为db4、Haar、Bior4.4，通过数据计算分析，这三个小波基函数的相关特性较为贴合隧道检测的图像特点。同时，为使图像压缩计算过程不至于过度复杂，这里将分解层数为定位3，即保证了图像压缩率，又不至于使计算时间过长。同样都取目标像素深度BPP=1.2。分别计算其H以及CR。

利用三种小波函数得到的归一化熵值分别为0.846、0.812、0.833，均保持了较高的水平，可以认为三种方法得到的图像质量大致一样，并没有过多降低图像质量，而且Bior4.4的压缩比相对较高，达到了15.35%，同时运算时间也最短，因此选择Bior4.4来进行图像压缩。通过计算验证，将图像压缩后，整体的图像处理时间比原来的方法有了显著降低，并且图像压缩时间并没有占用很多时间。在保持了较高的准确度前提下，实现了图像的快速压缩，提高了整体的图像处理效率。

利用小波方法先将原始图像数据进行合理的压缩后再进行图像处理，可以有效降低图像数据量与后续图像处理的运算量，提高了基于机器视觉的隧道检测图像处理工作效率。有利于隧道检测数据的信息化发展，建立“一隧一档”的数字化档案。为后续的病害趋势分析与隧道精准养护奠定了坚实的基础。

3 结语

通过该方法可以充分利用检测系统的硬件资源，在图像采集过程中尽可能获取高质量图像，避免过度曝光或曝光不足对后续图像识别的影响，同时在保证图像质量的前提下，本文采用比较泛用的小波方法进行图像压缩。以归一化熵值来衡量图像的压缩效果，通过样本数据计算，最终选择Bior4.4小波函数进行图像压缩。采用图像压缩方法，将图像数据量降低到原来的1/6，降低了图像处理的运算量，有利于后续的图像处理工作。