基于纹理特征分析的坑槽识别方法、装置、设备及介质与流程

1.本发明涉及一种基于纹理特征分析的坑槽识别方法、装置、设备及介质，属于计算机图像处理技术领域。


背景技术：

2.沥青公路在建成后，经历时间的洗礼，加上雨雪、高温、超载等条件的影响，会出现多种路面病害，其中较为严重的一种就是坑槽。坑槽有可能会令高速行驶的车辆出现颠簸，导致意外事故。而在传统的道路养护工作中，采用人工检测，不仅会影响道路交通，还存在安全隐患。因此，自动化检测已经成为一种趋势。自动化巡检中，可以采用巡检车辆或者无人机。当前，基于无人机的自动巡检，已经成为最有潜力的自动检测手段之一。无人机对正常交通没有任何影响，其影像稳定，清晰度较高，配备定位装置，可以基于无人机影像采用图像处理方法，对路面病害，尤其是坑槽，进行自动检测。
3.基于图像处理的坑槽检测方法：即在获取无人机影像后，利用图像处理技术进行分析，自动对坑槽进行检测。现有的基于图像处理的坑槽检测中，有通过svm利用图像纹理信息的坑槽识别方法；还有学者通过启发式的决策逻辑方法，利用图像内容的形状信息来综合识别病害；以及使用二值化方法进行识别的。现有方法中，或单独使用纹理信息，或仅采用形状信息，也有直接使用聚类方法的，都没能全面挖掘图像的纹理、颜色、形状信息，导致坑槽识别不够准确。
4.无人机拍摄的路面图像，往往存在车辆、树木、泥土、积水、裂缝和坑槽。图像颜色并不单一，二值化方法容易丢失图像信息；不同图像内容，即便颜色相同，但其纹理存在差异；较大的裂缝可能与坑槽纹理较为相似，但形状不同。


技术实现要素：

5.鉴于现有技术坑槽识别时存在的轮廓不够准确、定位精度不高的问题，本发明提供了一种基于纹理特征分析的坑槽识别方法、装置、计算机设备及存储介质，其适用于基于无人机影像超像素纹理特征分析对道路与桥梁的坑槽进行检测与宽度计算的图像处理操作，在坑槽识别的过程中，将坑槽图像进行了基于hsv的背景识别，有效去除了复杂背景的影像，且后续应用超像素方法，保留了坑槽的准确边缘，并基于纹理特征，使得坑槽识别的准确度得到了较大提升。
6.本发明的第一个目的在于提供一种基于纹理特征分析的坑槽识别方法
7.本发明的第二个目的在于提供一种基于纹理特征分析的坑槽识别装置。
8.本发明的第三个目的在于提供一种计算机设备。
9.本发明的第四个目的在于提供一种存储介质。
10.本发明的第一个目的可以通过采取如下技术方案达到：
11.一种基于纹理特征分析的坑槽识别方法，所述方法包括：
12.获取坑槽图像；
13.对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像；
14.对背景掩膜图像进行超像素划分；
15.获取超像素的四个方向的灰度共生矩阵，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，通过纹理特征进行超像素的聚类；
16.根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别。
17.进一步的，所述对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像，具体包括：
18.对坑槽图像进行hsv颜色空间变换；
19.基于hsv的数值对坑槽图像的背景进行初步识别；
20.基于凸包对背景颜色占据的区域进行外轮廓检测，得到背景掩膜图像。
21.进一步的，所述基于hsv的数值对坑槽图像的背景进行初步识别，如下式：
[0022][0023]
其中，min为基础颜色范围下限，max为基础颜色范围下限；白色区域的s在0-0.1176之间、v在0.8667～1内的像素点；绿色区域的h在0.1950-0.4318之间、s在0.1686-1之间、v在0.1804～1内的像素点。
[0024]
进一步的，所述对背景掩膜图像进行超像素划分，具体包括：
[0025]
将背景掩膜图像转为cielab格式；
[0026]
通过棋盘式方法选取转换格式后图像的超像素中心，使超像素均匀；
[0027]
在选取超像素中心后，按照简单线性迭代聚类方法实现超像素划分。
[0028]
进一步的，所述选取转换格式后图像的超像素中心，如下式：
[0029][0030]
其中，在图像每个s
×
s的区域中提取一个点作为初始中心，center
x
表示竖直方向上的中心坐标，centery表示水平方向上的中心坐标；m、n为图像的宽和高，m、n则表示当前中心点处于图像中第(m,n)个图像块；dex1,dex2,dey1,dey2为公式的判别参数，计算如下：
[0031][0032][0033]
当该中心是水平方向上最后一个块的中心点时，dex1＝0,dex2＝1，否则，dex1＝1,
dex2＝0；当该中心处于竖直方向上最后一个块时，dey1＝0,dey2＝1，否则，dey1＝1,dey2＝0；m，n的取值范围是
[0034]
进一步的，所述获取超像素的四个方向的灰度共生矩阵，如下式：
[0035][0036]
其中，is表示超像素区域，m1、m2表示超像素区域内点的坐标，i、j表示灰度级；
[0037]
所述计算灰度共生矩阵的能量和熵，如下式：
[0038][0039][0040]
其中，se表示可用于度量不同超像素区域纹理的一致性的能量，s
cov
是对超像素内部的复杂程度进行解释的统计量，即熵。
[0041]
进一步的，所述根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别，具体包括：
[0042]
基于超像素聚类结果，建立标记图像，将具有相近纹理特征的区域被设为相同的标签；
[0043]
通过形态学方法，在标记图像选取占据面积比例小于第一预设比例的区域作为疑似坑槽区域；
[0044]
在疑似坑槽区域中，将占据面积比例小于第二预设比例的区域作为伪坑槽区域，所述第二预设比例小于第一预设比例；
[0045]
将伪坑槽区域去除，获取最终的坑槽区域。
[0046]
本发明的第二个目的可以通过采取如下技术方案达到：
[0047]
一种基于纹理特征分析的坑槽识别装置，所述装置包括：
[0048]
图像获取模块，用于获取坑槽图像；
[0049]
背景识别模块，用于对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像；
[0050]
超像素划分模块，用于对背景掩膜图像进行超像素划分；
[0051]
聚类模块，用于获取超像素的四个方向的灰度共生矩阵，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，通过纹理特征进行超像素的聚类；
[0052]
坑槽识别模块，用于根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别。
[0053]
本发明的第三个目的可以通过采取如下技术方案达到：
[0054]
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现上述的基于纹理特征分析的坑槽识别方法。
[0055]
本发明的第四个目的可以通过采取如下技术方案达到：
[0056]
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的基于纹理特征分析的坑槽识别方法。
[0057]
本发明相对于现有技术具有如下的有益效果：
[0058]
本发明通过对坑槽图像进行hsv颜色空间转换，并计算背景色所在区域的凸包，有效去除了复杂背景对坑槽识别的影响。利用灰度共生矩阵获取纹理特征向量，并在匹配时考虑了四个方向，获取了准确的坑槽及路面区域，最终实现了高效的坑槽识别，因此本发明从hsv颜色空间和纹理特征处理入手，对坑槽图像进行处理，实现了准确高效的坑槽识别，有利于后续的安全预警工作。
附图说明
[0059]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0060]
图1为本发明实施例1的基于纹理特征分析的坑槽识别方法的简易流程图。
[0061]
图2为本发明实施例1的基于纹理特征分析的坑槽识别方法的详细流程图。
[0062]
图3为本发明实施例1的基于超像素划分的预处理流程图。
[0063]
图4为本发明实施例1的基于灰度共生矩阵的超像素纹理特征提取流程图。
[0064]
图5-图7为本发明实施例1的坑槽识别结果示例图。
[0065]
图8为本发明实施例2的基于纹理特征分析的坑槽识别装置的结构框图。
[0066]
图9为本发明实施例3的计算机设备的结构框图。
具体实施方式
[0067]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
实施例1：
[0069]
本实施例提供了一种基于纹理特征分析的坑槽识别方法，该方法在检测坑槽时，通过hsv方法，利用颜色先验信息初步选定了背景的基础颜色所在区域，然后利用超像素保留了坑槽的准确边缘，从而降低了坑槽识别及其准确边缘获取的难度，后续通过灰度共生矩阵及其特征的计算进一步得到了用于识别坑槽的纹理特征，提高了坑槽识别的精度。
[0070]
如图1和图2所示，本实施例的坑槽识别方法包括以下步骤：
[0071]
s201、获取坑槽图像。
[0072]
本实施例的坑槽图像可以通过无人机的摄像头直接采集获取，也可以是从数据库查找获取，例如：预先在数据库内存储无人机拍摄的坑槽图像，从数据库中搜索坑槽图像即可得到。
[0073]
s202、对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像。
[0074]
该步骤s202为基于hsv的背景识别，免受复杂背景影响的坑槽图像在进行特征分析时，能更好地根据图像中的纹理信息进行较为准确的坑槽识别；由于本实施例针对的图像是坑槽图像，而坑槽图像往往包含道路上的树木和白色的斑马线等时，其色彩与坑槽及路面差别较大，但是纹理特征本身可能较为相似，因此要先对其进行背景识别。在hsv颜色空间中，可以通过色调(hue，简称h)、饱和度(saturation，简称s)和明度(value，简称v)的数值对基础颜色进行判断，因此本实施例通过坑槽颜色与周围背景颜色的差异，可以有效提高坑槽识别的效率和准确性。
[0075]
进一步地，该步骤s202具体包括：
[0076]
s2021、对坑槽图像进行hsv颜色空间变换。
[0077]
本实施例中，hsv颜色空间变换的公式如下：
[0078][0079][0080]
v＝dmax
[0081]
其中，r'、g'、b'表示归一化的r、g、b。dmax表示归一化的各颜色通道最大值，δ表示该最大值与对应最小值dmin的差值。各项计算如下：
[0082]
r'＝r/255
[0083]
g'＝g/255
[0084]
b'＝b/255
[0085]
dmax＝max(r',g',b')
[0086]
dmin＝min(r',g',b')
[0087]
δ＝dmax-dmin
[0088]
s2022、基于hsv的数值对坑槽图像的背景进行初步识别。
[0089]
本实施例中，基于hsv的数值对坑槽图像的背景进行初步识别，如下式：
[0090][0091]
其中，min为基础颜色范围下限，max为基础颜色范围下限；白色区域的s在0-0.1176之间、v在0.8667～1内的像素点；绿色区域的h在0.1950-0.4318之间、s在0.1686-1
之间、v在0.1804～1内的像素点；主要保留灰色区域。其余区域都可以通过上式进行去除。
[0092]
s2023、基于凸包对背景颜色占据的区域进行外轮廓检测，得到背景掩膜图像。
[0093]
s203、对背景掩膜图像进行超像素划分。
[0094]
该步骤s203为基于超像素划分的预处理，如图3所示，在检测出背景区域后，对图像进行超像素划分；具体地，将背景掩膜图像转为cielab格式，将背景掩膜图像转为cielab格式后，通过棋盘式方法选取转换格式后图像的超像素中心，使超像素尽可能均匀，也就是说尽可能均匀选取超像素的初始中心，以提高超像素的准确度，可以提高简单线性迭代聚类(simple linear iterative clustering，简称slic)方法的超像素划分效果；在选取超像素中心后，按照简单线性迭代聚类方法实现超像素划分。
[0095]
本实施例中，选取转换格式后图像的超像素中心，如下式：
[0096][0097]
其中，在图像每个s
×
s的区域中提取一个点作为初始中心，center
x
表示竖直方向上的中心坐标，centery表示水平方向上的中心坐标；m、n为图像的宽和高，m、n则表示当前中心点处于图像中第(m,n)个图像块；dex1,dex2,dey1,dey2为公式的判别参数，计算如下：
[0098][0099][0100]
当该中心是水平方向上最后一个块的中心点时，dex1＝0,dex2＝1，否则，dex1＝1,dex2＝0；当该中心处于竖直方向上最后一个块时，dey1＝0,dey2＝1，否则，dey1＝1,dey2＝0；m，n的取值范围是
[0101]
为了避免种子点落在梯度较大的边界上，减少噪声点作为种子点的几率，将初始种子点移动到对应的3
×
3邻域内梯度最小的位置。
[0102]
s204、获取超像素的四个方向的灰度共生矩阵，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，通过纹理特征进行超像素的聚类。
[0103]
该步骤s204为基于灰度共生矩阵的超像素纹理特征提取，如图4所示，获取超像素的四个方向(0
°
,45
°
,90
°
,135
°
)的灰度共生矩阵，对四个灰度共生矩阵进行二次统计，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，并选取区域差异最小值；通过由纹理特征组成的纹理特征向量进行超像素的聚类，以对具有相同特性的超像素进行合并，为最终的坑槽识别做好准备。
[0104]
本实施例中，计算灰度共生矩阵，如下式：
[0105][0106]
其中，is表示超像素区域，m1、m2表示超像素区域内点的坐标，i、j表示灰度级，公式实质是对具有相同灰度差及位置关系的情况的统计。
[0107]
本实施例中，计算灰度共生矩阵的能量和熵，如下式：
[0108][0109][0110]
其中，se表示可用于度量不同超像素区域纹理的一致性的能量，超像素内部的灰度分布越均匀，图像的纹理就越细致，能量就越大；反之，灰度分布过于密集，图像的纹理就会很粗糙，能量就会很小；s
cov
是对超像素内部的复杂程度进行解释的统计量，即熵，熵值越大，图像的纹理信息就越多，随机性就越大。
[0111]
s205、根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别。
[0112]
该步骤s205为基于形态学的伪坑槽去除，具体包括：
[0113]
s2051、基于超像素聚类结果，建立标记图像，将具有相近纹理特征的区域被设为相同的标签。
[0114]
s2052、通过形态学方法，在标记图像选取占据面积比例小于第一预设比例的区域，即占据面积比例较小的区域作为疑似坑槽区域。
[0115]
s2053、在疑似坑槽区域中，将占据面积比例小于第二预设比例的区域，即占据面积比例过小的区域作为伪坑槽区域，第二预设比例小于第一预设比例。
[0116]
s2054、将伪坑槽区域去除，获取最终的坑槽区域。
[0117]
下面以具体的测试来验证本实施例提供的坑槽识别方法的可行性。将本发明的坑槽识别方法在裂缝检测和裂缝宽度计算方面展开分析：
[0118]
1)工作条件
[0119]
本实施例的实验采用intel core i7-7700k cpu@4.20ghz*4处理器，运行windows10的pc机，显卡是1块geforce rtx 1070，编程语言为matlab。
[0120]
2)实验内容与结果分析
[0121]
图5、图6和图7给出了三幅坑槽图像的结果示例，图中标示了坑槽的边缘与指定位置的坑槽宽度，通过比较图中给出的坑槽宽度与图像中该位置的实际像素数目，可以证明
本实施例的坑槽识别方法得出的结果是较为准确的，证实了本实施例的坑槽识别方法的准确性。
[0122]
由以上三组实验结果表明，本实施例通过hsv方法，有效去除了背景区域对识别的影响，后续通过超像素方法，较好地保存了坑槽地边缘。之后，又利用基于灰度共生矩阵的纹理特征分析，解决了坑槽识别精度不足的问题。
[0123]
应当注意，尽管以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0124]
实施例2：
[0125]
如图8所示，本实施例提供了一种基于纹理特征分析的坑槽识别装置，该装置包括图像获取模块801、背景识别模块802、超像素划分模块803、聚类模块804和坑槽识别模块805，各个模块的具体功能如下：
[0126]
图像获取模块801，用于获取坑槽图像；
[0127]
背景识别模块802，用于对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像；
[0128]
超像素划分模块803，用于对背景掩膜图像进行超像素划分；
[0129]
聚类模块804，用于获取超像素的四个方向的灰度共生矩阵，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，通过纹理特征进行超像素的聚类；
[0130]
坑槽识别模块805，用于根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别。
[0131]
需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
[0132]
实施例3：
[0133]
本实施例提供了一种计算机设备，如图9所示，其包括通过装置总线901连接的处理器902、存储器、输入装置903、显示器904和网络接口905，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质906和内存储器907，该非易失性存储介质906存储有操作装置、计算机程序和数据库，该内存储器907为非易失性存储介质中的操作装置和计算机程序的运行提供环境，处理器902执行存储器存储的计算机程序时，实现上述实施例1的基于纹理特征分析的坑槽识别方法，如下：
[0134]
获取坑槽图像；
[0135]
对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像；
[0136]
对背景掩膜图像进行超像素划分；
[0137]
获取超像素的四个方向的灰度共生矩阵，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，通过纹理特征进行超像素的聚类；
[0138]
根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别。
[0139]
实施例4：
[0140]
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计
算机程序，计算机程序被处理器执行时，实现上述实施例1的基于纹理特征分析的坑槽识别方法，如下：
[0141]
获取坑槽图像；
[0142]
对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像；
[0143]
对背景掩膜图像进行超像素划分；
[0144]
获取超像素的四个方向的灰度共生矩阵，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，通过纹理特征进行超像素的聚类；
[0145]
根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别。
[0146]
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0147]
在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0148]
上述计算机可读存储介质可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如java、python、c++，还包括常规的过程式程序设计语言—诸如c语言或类似的程序设计语言。程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0149]
综上所述，本发明通过对坑槽图像进行hsv颜色空间转换，并计算背景色所在区域的凸包，有效去除了复杂背景对坑槽识别的影响。利用灰度共生矩阵获取纹理特征向量，并在匹配时考虑了四个方向，获取了准确的坑槽及路面区域，最终实现了高效的坑槽识别，因此本发明从hsv颜色空间和纹理特征处理入手，对坑槽图像进行处理，实现了准确高效的坑槽识别，有利于后续的安全预警工作。
[0150]
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于
此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

技术特征：
1.一种基于纹理特征分析的坑槽识别方法，其特征在于，所述方法包括：获取坑槽图像；对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像；对背景掩膜图像进行超像素划分；获取超像素的四个方向的灰度共生矩阵，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，通过纹理特征进行超像素的聚类；根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别。2.根据权利要求1所述的坑槽识别方法，其特征在于，所述对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像，具体包括：对坑槽图像进行hsv颜色空间变换；基于hsv的数值对坑槽图像的背景进行初步识别；基于凸包对背景颜色占据的区域进行外轮廓检测，得到背景掩膜图像。3.根据权利要求2所述的坑槽识别方法，其特征在于，所述基于hsv的数值对坑槽图像的背景进行初步识别，如下式：其中，min为基础颜色范围下限，max为基础颜色范围下限；白色区域的s在0-0.1176之间、v在0.8667～1内的像素点；绿色区域的h在0.1950-0.4318之间、s在0.1686-1之间、v在0.1804～1内的像素点。4.根据权利要求1所述的坑槽识别方法，其特征在于，所述对背景掩膜图像进行超像素划分，具体包括：将背景掩膜图像转为cielab格式；通过棋盘式方法选取转换格式后图像的超像素中心，使超像素均匀；在选取超像素中心后，按照简单线性迭代聚类方法实现超像素划分。5.根据权利要求4所述的坑槽识别方法，其特征在于，所述选取转换格式后图像的超像素中心，如下式：其中，在图像每个s
×
s的区域中提取一个点作为初始中心，center
x
表示竖直方向上的中心坐标，center
y
表示水平方向上的中心坐标；m、n为图像的宽和高，m、n则表示当前中心点处于图像中第(m,n)个图像块；dex1,dex2,dey1,dey2为公式的判别参数，计算如下：
当该中心是水平方向上最后一个块的中心点时，dex1＝0,dex2＝1，否则，dex1＝1,dex2＝0；当该中心处于竖直方向上最后一个块时，dey1＝0,dey2＝1，否则，dey1＝1,dey2＝0；m，n的取值范围是6.根据权利要求1所述的坑槽识别方法，其特征在于，所述获取超像素的四个方向的灰度共生矩阵，如下式：其中，i
s
表示超像素区域，m1、m2表示超像素区域内点的坐标，i、j表示灰度级；所述计算灰度共生矩阵的能量和熵，如下式：所述计算灰度共生矩阵的能量和熵，如下式：其中，s
e
表示可用于度量不同超像素区域纹理的一致性的能量，s
cov
是对超像素内部的复杂程度进行解释的统计量，即熵。7.根据权利要求1-6任一项所述的坑槽识别方法，其特征在于，所述根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别，具体包括：基于超像素聚类结果，建立标记图像，将具有相近纹理特征的区域被设为相同的标签；通过形态学方法，在标记图像选取占据面积比例小于第一预设比例的区域作为疑似坑槽区域；在疑似坑槽区域中，将占据面积比例小于第二预设比例的区域作为伪坑槽区域，所述第二预设比例小于第一预设比例；将伪坑槽区域去除，获取最终的坑槽区域。8.一种基于纹理特征分析的坑槽识别装置，其特征在于，所述装置包括：图像获取模块，用于获取坑槽图像；
背景识别模块，用于对坑槽图像进行基于hsv的背景识别，得到背景掩膜图像；超像素划分模块，用于对背景掩膜图像进行超像素划分；聚类模块，用于获取超像素的四个方向的灰度共生矩阵，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，通过纹理特征进行超像素的聚类；坑槽识别模块，用于根据超像素聚类结果，建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别。9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的坑槽识别方法。10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的坑槽识别方法。

技术总结
本发明公开了一种基于纹理特征分析的坑槽识别方法、装置、设备及介质，所述方法包括：对坑槽图像进行基于HSV的背景识别，得到背景掩膜图像；对背景掩膜图像进行超像素划分；获取超像素的四个方向的灰度共生矩阵，计算灰度共生矩阵的能量和熵，作为超像素的纹理特征，通过纹理特征进行超像素的聚类；建立标记图像，通过形态学方法，选取疑似坑槽区域，去除伪坑槽区域，实现坑槽识别。本发明解决了目前坑槽识别时存在的轮廓不够准确、定位精度不高的问题，在坑槽识别的过程中，将坑槽图像进行了基于HSV的背景识别，有效去除了复杂背景的影像，且后续应用超像素方法，保留了坑槽的准确边缘，并基于纹理特征，使得坑槽识别的准确度得到了较大提升。得到了较大提升。得到了较大提升。


技术研发人员：潘勇 陈伟乐 李毅 黄少雄 郑晓东 汪新天 邹威 兰建雄
受保护的技术使用者：广东省南粤交通投资建设有限公司 广州天勤数字科技有限公司
技术研发日：2023.03.20
技术公布日：2023/7/18