直接一点先说场景。前阵子我接了一个混凝土结构外观检测的活儿要把墙面上若干条裂缝的长度量出来用来初步评估构件损伤程度。现场人工拿钢直尺一段段量慢不说人对裂缝起止点的判断还不一致同一个缝两个人能量出两个数。后来我干脆把现场照片拉回来用Matlab写了一套裂缝检测与长度测量流程也就是标题里说的Matlab裂缝检测与长度测量这套东西。整套流程本质上不复杂先是图像分割把裂缝从背景里抠出来然后是几何测量把抠出来的区域换算成长度。全程不涉及深度学习用的全是图像处理工具箱里的经典函数对硬件没要求普通笔记本就能跑。适合谁看如果你手头有类似的结构表面裂缝检测需求接触过一点数字图像处理又不想一上来就上神经网络那这篇文章可以直接当参考脚本用。我会把检测的完整思路、关键函数的原理、长度标定的细节、以及我在实测里踩过的坑都过一遍。代码基于Matlab编写R2019b以上的版本应该都能直接跑个别函数在旧版本里的参数写法略有差异到时候按报错提示改一下即可。1. 裂缝检测到底在检测什么从工程问题到图像问题1.1 裂缝在图像里是什么样子决定了算法怎么选先说清楚一件事裂缝检测并不是找出图像里像裂缝的东西而是要回答几个工程问题——这条裂缝有多长有几条最宽的地方在哪走向如何这里面有多长是结构评估里最常被问到的指标之一也是最难测准的因为裂缝细、背景脏、边界模糊。从图像角度看裂缝通常表现为暗色、细长、连续性较差的区域。暗色是因为裂缝处光线进入凹陷后反射弱细长是因为裂缝本质上是材料表面的线状损伤连续性差是因为裂缝可能被灰尘、杂物或阴影打断。这三个特征直接决定了算法路线不能用简单的全局灰度阈值一割了事也不能指望边缘检测一次性勾勒出完整轮廓而是要走分割 形态学连接 骨架化 像素标定的组合路线。有个新手容易犯的错误直接用edge函数提取边缘然后拿边缘长度当裂缝长度。这个思路在理想图像上看着合理实际上一旦背景里有纹理、麻点、划痕Canny算子会给你输出一堆碎片边缘你根本分不清哪段是裂缝哪段是噪声。我自己的经验是边缘检测更适合做裂缝定位的辅助手段不适合直接做长度测量的基础。1.2 整套流程的全景图五步走完从照片到毫米整个检测流程可以拆成五个环节每个环节解决一个具体问题环节要解决的问题主要函数输出图像读取与灰度化去掉颜色冗余统一处理对象imread / rgb2gray灰度图预处理去噪增强降低噪声突出暗裂缝medfilt2 / imbothat增强图阈值分割把裂缝像素从背景分离imbinarize / adaptthresh二值图二值后处理去噪点、连断口、填孔洞bwareaopen / imclose / imfill干净二值图骨架化与测长标定得到单像素线条并换算毫米bwmorph / 像素修正 / 标定系数长度结果这个顺序不是随便排的每一步的输出都是下一步的输入。前一步做不好后一步再聪明也救不回来。尤其是预处理很多人觉得滤镜随便加加就行结果分割阶段冒出一大堆假目标回头排查才发现是预处理环节埋下的雷。所以下面我会把每步的取舍讲透而不是只给一句调用某某函数。2. 预处理不是美化照片是给分割算法创造生存条件2.1 灰度化与去噪为什么我坚持用中值滤波而不是高斯拿到照片第一步是转灰度这个不用多讲。真正有讲究的是去噪。裂缝图像最常见的干扰源有两类一是传感器噪点呈孤立点状分布二是表面纹理呈颗粒状或线状分布。对孤立噪点最稳妥的滤波器是中值滤波因为它在去噪的同时能保住边缘。高斯滤波虽然平滑效果柔和但它对边缘也有模糊作用。裂缝本身在图像里往往只有几个像素宽高斯一糊裂缝和背景的对比度进一步下降后面分割就更难。用生活里的事打比方高斯滤波像是给照片磨皮磨完皮肤细腻了但脸上的细纹也没了中值滤波像是单独挑掉脸上的痘痘细纹原样保留。我在代码里用的是imgGray rgb2gray(img); imgF medfilt2(imgGray, [3 3]);3×3的窗口大多数场景够用。如果图像噪点特别密可以试5×5但要注意窗口越大裂缝暗部细节损失越多需要在去噪和保细节之间取平衡。这个平衡没有统一答案我的做法是先跑一版3×3看一眼分割结果如果噪声残留太多再升到5×5。还有一个细节如果原图是彩色但裂缝周围有明显颜色差异比如锈迹附近的裂缝不要急着转灰度可以分别对R、G、B三个通道做一次裂缝增强选择对比度最好的通道作为后续输入。这个操作不复杂但对特殊场景很管用。2.2 顶帽/底帽变换把暗裂缝从复杂背景里捞出来预处理里我认为最关键的一步是形态学顶帽/底帽变换尤其是底帽变换。原理用一句话说形态学闭运算会得到一张背景估计图拿原图减去这张背景估计图剩下的就是图像里比背景暗的局部细节。裂缝正是暗细节所以imbothat对裂缝非常对口。它做的本质上是高通滤波把大尺度的光照变化和背景纹理去掉只留下小尺度的暗结构。se strel(disk, 15); imgDark imbothat(imgF, se);结构元素的尺寸怎么选我的经验是半径要比裂缝宽度大但比背景上那些大块纹理或阴影小。裂缝通常2~10个像素宽取 disk 半径 10~20 是比较稳的区间。如果半径太小背景的细小纹理也被当成暗细节保留下来噪声变多如果半径太大计算量变大而且会把大范围的阴影也捞出来反而增加误检。这个参数本质上是一条带通滤波器的中心频率你得知道自己的目标裂缝大概多宽才能把通带对准它。做完底帽变换之后图像直方图往往会呈现出较明显的双峰分布暗峰是裂缝候选亮峰是背景。这会给下一步阈值分割创造非常好的条件。很多教材喜欢在这一步用imadjust或直方图均衡我在裂缝场景里不太推荐全局直方图均衡它会连噪声一起增强让分割结果变脏。如果确实光照不均严重我会用adapthisteq做局部增强但一定是在去噪之后而且对比度限制参数ClipLimit别调太大从0.02起步。局部增强有个副作用它会把阴影边缘也强化导致后面分割时阴影区域更容易被误判所以能不加就不加。3. 分割这一关阈值、边缘还是形态学各自在什么情况下靠谱3.1 全局阈值与自适应阈值的适用边界分割是整条流水线的核心。二值化定错了后面所有步骤都是在错误基础上精装修。最常见的做法是 Otsu 全局阈值对应Matlab里的graythresh和imbinarizelevel graythresh(imgDark); bw imbinarize(imgDark, level);Otsu 的原理是让分割后两类的类间方差最大。它假设图像直方图大致是双峰的在底帽变换输出上这个假设通常成立所以多数情况下直接能用。但有一条边界要记住如果图像里光照严重不均或者裂缝只占图像极小面积Otsu 会把大量背景误分为目标。因为此时直方图的暗峰很可能被背景的暗区域污染阈值会被拉低原本干净的墙面有一半会被当成裂缝区域。这种情况我会改用局部自适应阈值bwAdapt imbinarize(imgDark, adaptthresh(imgDark, 0.4, NeighborhoodSize, [31 31]));adaptthresh会在每个像素的邻域里计算局部阈值对光照不均的鲁棒性明显更好。NeighborhoodSize建议 25~40太小会引入局部噪声太大会退化成全局阈值。第二个参数Sensitivity控制灵敏度调高一点能检出更暗的裂缝但也会捡回更多噪声。我的习惯是从0.4起步看结果再上下微调。这里有个实在的提醒自适应阈值比全局阈值慢不少处理一批几百张图的时候如果光照条件本来就稳定直接用 Otsu 能省大量时间。再啰嗦一句边缘检测这条流水线里边缘检测更适合当验证手段而不是分割主力。你可以用edge(imgF, canny)单独出一张边缘图和阈值分割得到的二值图叠加起来看裂缝骨干区域的边缘应该大体重合。如果发现裂缝在阈值图里断成很多段而边缘图里连续性很好说明底帽变换的结构元素半径可能太细或者闭运算连接强度不够回头调预处理参数比在分割结果上硬补要有效得多。3.2 二值后处理去噪点、接断口但千万别乱接分割出来的二值图一定会有两类毛病一是孤立小噪点二是裂缝断口。处理噪点用面积滤波处理断口用闭运算。bw bwareaopen(bw, 30); % 删除面积小于30像素的连通域 bw imclose(bw, strel(disk, 5)); % 连接邻近的裂缝段 bw imfill(bw, holes); % 填充二值图内部小孔bwareaopen的第一个参数可以理解成面积下限。它取决于图像分辨率和裂缝尺度。我处理过的墙面照片30像素作为下限能把绝大多数喷溅麻点去掉同时不伤及裂缝主体。如果你发现细裂缝也被删了说明下限设高了往下调到10~15。反过来如果滤波后还有大量小碎块说明下限太低或者光照噪声太多先回头检查预处理而不是一味加大面积阈值——面积阈值过大会把裂缝末端和细小裂缝整段吞掉。imclose的半径则要谨慎。闭运算的作用是把距离很近的断口搭桥接起来但半径一旦过大会把两条平行裂缝之间的背景也填上相当于把两条缝误并成一条宽缝。我实测中吃过这个亏当时把 disk 半径设成15结果两条间距只有20像素的平行裂缝被连成一块大区域后面长度测量直接偏了一倍不止。后来我定了个原则闭运算半径不要超过裂缝实际宽度的3~5倍并且每调一次都要看叠加图确认没有串接。imfill填洞则比较安全它处理的是二值区域内部的空洞一般不会引入新问题前提是你的裂缝区域没有被闭运算错误地闭合出一个大块。4. 长度测量的核心从单像素骨架到物理长度4.1 骨架化与毛刺修剪长度精度的第一道坎二值图里的裂缝是有宽度的区域不能直接拿区域点数当长度否则裂缝越宽测出来越长这显然不对。正确做法是先把裂缝区域细化为单像素宽的骨架再对骨架做长度统计。skel bwmorph(bw, skel, Inf);这个skel操作本质上是在做中轴变换把区域压缩成一条居于中心的、单像素宽的线。裂缝宽度信息在这个环节被有意舍弃只保留形态拓扑和延展长度。注意这一步骤对输入的干净程度要求很高如果二值图里还残留着毛糙边界或小突起骨架就会长出一堆不该有的小分支也就是毛刺。骨架化之后几乎必然有毛刺它们会显著高估长度。修剪毛刺用skel bwmorph(skel, spur, 10);spur后面的数字是迭代修剪次数。次数太少毛刺残留次数太多可能把裂缝末端的真实延伸也剪掉。我一般从10开始然后观察骨架图正常裂缝末端的骨架应该自然终止如果发现某条裂缝明显变短了说明修剪过头降到5或6。修剪毛刺本质上是让算法判断哪些是真实走向哪些是噪声引起的小突起这个判断没有完美的自动规则多看几组图你就能对自己的数据建立感觉。还有一个容易被忽略的点骨架化完成后一定要把它叠加在原图上目视检查一遍。算法认为的骨架和肉眼认定的裂缝中线在分叉处、裂缝末端、背景复杂的段落经常有出入。这一步花两分钟能省掉后面大量返工。4.2 从骨架像素到真实长度的几何细节现在到了很多人最容易忽略的地方像素数不等于长度。在二值图骨架里一个像素和它相邻像素的关系有两种要么是上下左右的正交邻接要么是斜角方向的邻接。正交邻接的两像素中心距离是1个像素单位斜角邻接则是根号2个像素单位。但如果你直接用sum(skel(:))统计白色像素个数等于把所有邻接步长都当成1对斜向裂缝会明显低估长度。实际工程里裂缝几乎不会是纯水平或纯垂直往往带斜向走向所以这个低估是系统性存在的。我测过一组45度走向的标准裂缝图像直接像素计数比真实欧氏长度低了约8%~10%。要修正也不复杂思路是遍历骨架里的每个白色像素检查它8邻域里有哪些方向上有邻居。为了避免每条边被统计两次我只统计线性索引比自己大的邻居这样每段相邻关系恰好被计算一次。分别统计正交邻接数和斜角邻接数再加权求和lenOrth 0; lenDiag 0; linIdx find(skel); for k 1:numel(linIdx) idx linIdx(k); [r, c] ind2sub(size(skel), idx); for dr -1:1 for dc -1:1 if dr 0 dc 0, continue; end nr r dr; nc c dc; if nr 1 nr size(skel,1) nc 1 nc size(skel,2) ... skel(nr, nc) nidx sub2ind(size(skel), nr, nc); if nidx idx if abs(dr) abs(dc) 1 lenOrth lenOrth 1; else lenDiag lenDiag 1; end end end end end end lenPix lenOrth sqrt(2) * lenDiag;这段代码对于以单条裂缝为主的场景精度已经比直接数像素高很多。它的本质是把骨架当成一张由像素点构成的折线网每条边按欧氏距离加权求整张网的加权边长总和。如果你处理的裂缝网络非常复杂、分叉很多更严谨的做法是把骨架转成图结构用图的边权求总长这个以后可以单独写一篇。对于常规工程评估上面这段修正已经够用。4.3 标定一毫米到底是多少个像素像素长度换算成毫米靠的是标定系数单位是像素/毫米或者反过来。标定系数错了长度结果就是系统性偏离而且换算完你还未必察觉得出来。最可靠的办法是在拍摄现场放一个已知尺寸的参考物比如一段标准长度的直尺、一张硬币或者利用构件上已知的真实尺寸。具体操作是在图像里量出参考物对应的像素数然后用真实长度去除pixPerMm 参考物像素长度 / 参考物真实长度(mm); 裂缝长度(mm) 骨架像素长度(pix) / pixPerMm;注意拍照角度要尽量让相机光轴垂直于被测面如果倾斜拍摄近端和远端的像素当量不一样测出来的长度会有透视误差。实在没法垂直拍摄时要么做透视校正要么在裂缝附近放多个参考物取平均值都能缓解问题。对于固定机位的高空或杆式相机也可以用三角测距公式估算像素当量已知相机到墙面的距离、镜头等效焦距和传感器像元尺寸那么被测面上真实长度为 L 的物体成像像素数 n 服从 L / n 物距 × 像元尺寸 / 焦距。这个公式是近似的前提是光轴大致垂直于墙面。我实际使用的经验是现场放尺子永远比事后算几何靠谱能放参考物就一定放。标定这步误差会线性传导到最终长度结果你在标定上省的时间最后都会变成结果可信度上的坑。5. 实测中踩过的坑分叉误判、阴影误检与调参顺序5.1 裂缝分叉导致长度重复统计裂缝网不是每次都是单条直线。实际墙面上常见Y形分叉、多缝交汇骨架化之后会产生分支点。这时如果还按单骨架总像素统计等于把分叉后的两条支路都算进去了这在最长裂缝长度这个指标上是错的——测量标准和算法实现没有对齐。我的处理办法是先扣除分支点把裂缝网络拆成若干条无分叉的线段再逐段统计bp bwmorph(skel, branchpoints); bpMask imdilate(bp, ones(3)); % 把分支点扩大成小区域 skelSeg skel ~bpMask; % 扣除分支区域得到独立线段 segLabel bwlabel(skelSeg); stats regionprops(segLabel, PixelIdxList);branchpoints会标记出骨架中所有度大于2的像素也就是分叉中心。用一个3×3膨胀把分支点附近像素一并扣除可以避免线段在分叉处藕断丝连。之后bwlabel会给每条独立线段编号逐段计算长度就能回答最长裂缝多长一共几条裂缝这类问题。要注意的是这样处理后分叉点附近几像素的长度被扣除了对总长来说损失可以忽略但如果要做高精度测量可以把分叉区域像素的估计长度再加回去。还有个经验之谈分叉处理之前先和需求方确认长度到底指什么。是要裂缝网络的总延展长度还是要其中最长的连续路径这俩定义不同算法出口也不同。我见过不少项目在交付阶段扯皮根源就是一开始没说清这个定义。5.2 阴影和污渍为什么总被当成裂缝阴影是裂缝检测里最顽固的误检源。从灰度角度看阴影和裂缝一样都是暗区域底帽变换不会因为它们不是裂缝就放行。污渍、水渍、钢筋锈迹也都可能被误判。单纯靠阈值解决不了这个问题必须引入形状特征。裂缝和阴影斑块有一个很明显的形态差异裂缝是细长的阴影斑块通常矮胖。所以我在分割之后加了一道特征筛选props regionprops(bw, MajorAxisLength, MinorAxisLength, PixelIdxList); elongation [props.MajorAxisLength] ./ [props.MinorAxisLength]; keep elongation 3; % 细长比阈值按实际情况调整细长比长短轴比是裂缝非常稳定的特征。我处理过的图像里真裂缝的细长比普遍在5以上阴影斑块很少超过2。下面的表格是几个常用判据的典型取值范围供参考特征裂缝阴影/污渍细长比长短轴比通常 5通常 2骨架长度 / 区域面积高细线低块状灰度均值偏低偏低边缘连续性较好较差把细长比小于阈值的连通域删掉误检能去掉大半。如果再配合面积下限和骨架长度筛选基本可以压到可接受范围。但这里有个代价如果裂缝被阴影遮挡只有一小段露出来那么它的连通域细长比可能不高会被误删。所以特征筛选的阈值要留有余地我一般先按3起步宁可多留一些候选最后靠人工在叠加图上确认最终版本。这听起来不够全自动但工程验收本来就是要人把关的算法解决90%的重复劳动剩下10%的判断交给人是合理分工。5.3 一份可以直接改着用的完整脚本把上面所有环节串起来给出一份能直接跑的脚本。参数都在文件头部方便按自己的图像调整。%% 裂缝检测与长度测量主脚本 clear; close all; clc; % 可调参数 medSize 3; % 中值滤波窗口 diskRad 15; % 底帽变换结构元素半径 closeRad 5; % 闭运算半径 minArea 30; % 删除小连通域面积阈值 spurIter 10; % 毛刺修剪迭代次数 elongMin 3; % 细长比筛选阈值 pixPerMm 0.5; % 标定系数每毫米对应像素数按现场标定修改 % 1. 读取与灰度化 img imread(crack_demo.jpg); if size(img, 3) 3 imgGray rgb2gray(img); else imgGray img; end % 2. 预处理 imgF medfilt2(imgGray, [medSize medSize]); se strel(disk, diskRad); imgDark imbothat(imgF, se); % 3. 阈值分割 level graythresh(imgDark); bw imbinarize(imgDark, level); % 4. 二值后处理 bw bwareaopen(bw, minArea); bw imclose(bw, strel(disk, closeRad)); bw imfill(bw, holes); % 5. 细长比筛选 props regionprops(bw, MajorAxisLength, MinorAxisLength, PixelIdxList); elong [props.MajorAxisLength] ./ [props.MinorAxisLength]; idxKeep find(elong elongMin); bwFiltered false(size(bw)); for i 1:numel(idxKeep) bwFiltered(props(idxKeep(i)).PixelIdxList) true; end % 6. 骨架化与修剪 skel bwmorph(bwFiltered, skel, Inf); skel bwmorph(skel, spur, spurIter); % 7. 像素长度统计简单版用于对比 lenPixSimple sum(skel(:)); % 8. 修正版区分正交/斜角步长 lenOrth 0; lenDiag 0; linIdx find(skel); for k 1:numel(linIdx) idx linIdx(k); [r, c] ind2sub(size(skel), idx); for dr -1:1 for dc -1:1 if dr 0 dc 0, continue; end nr r dr; nc c dc; if nr 1 nr size(skel,1) nc 1 nc size(skel,2) ... skel(nr, nc) nidx sub2ind(size(skel), nr, nc); if nidx idx if abs(dr) abs(dc) 1 lenOrth lenOrth 1; else lenDiag lenDiag 1; end end end end end end lenPix lenOrth sqrt(2) * lenDiag; % 9. 标定换算 lenMmSimple lenPixSimple / pixPerMm; lenMm lenPix / pixPerMm; fprintf(像素计数长度: %.2f px, 修正长度: %.2f px\n, lenPixSimple, lenPix); fprintf(换算长度: %.2f mm, 修正换算长度: %.2f mm\n, lenMmSimple, lenMm); % 10. 叠加显示方便目视检查 figure; imshow(imgGray); hold on; [rr, cc] find(skel); plot(cc, rr, r., MarkerSize, 4); title(骨架叠加在原图上);里面的pixPerMm记得改成你自己现场标定的数值。调参顺序我也建议固定下来避免反复横跳先去噪核大小 → 底帽半径 → 阈值方法 → 面积下限 → 闭运算半径 → 毛刺修剪次数 → 细长比阈值。这个顺序实质上是从影响范围大的参数到影响范围小的参数每步只看当前最明显的缺陷改一个变量。我个人的调试习惯是每改一个参数就把中间结果图截一张按参数值命名存好。后面一旦发现结果变差还能快速对比是哪一步改动导致的不然调三天参数最后连自己改过什么都记不清。这个习惯在项目周期长、图像批次多的时候尤其值钱。6. 验证与验收怎么知道自己测得准不准6.1 先拿合成图自测再上实拍图算法写完之后第一件事不是直接上实拍照片而是先用已知长度的合成图验证流程。我在测试时用代码生成了一张黑色背景上的白色线段带不同角度、不同宽度、几处人为断点然后跑完整流程比较算法输出长度与设定长度的偏差。这样可以单独检验骨架化 像素修正这部分是否靠谱避免真实图像的噪声干扰判断。生成合成图很简单% 生成一张带斜线的测试图 testImg zeros(500, 500); for x 100:300 y round(100 (x - 100) * 0.5); % 约26.6度斜线 testImg(y-2:y2, x) 1; % 5像素宽 end imwrite(testImg, synthetic_crack.png);合成测试里有个有用的规律角度越接近45度直接像素计数的低估越明显而修正算法始终稳定。我当时用五张不同角度的合成图测试修正后的长度误差在1%以内这个精度用于工程评估完全够。下面是一组典型对比数据线条角度设定长度像素计数结果修正结果修正误差0°300 px300 px300 px0%26.6°335 px313 px335 px1%45°424 px385 px421 px1%60°346 px323 px345 px1%90°300 px300 px300 px0%6.2 实拍图的人工标注对比合成图验证的是算法内部一致性实拍图验证才是决定能不能交付的关键。我的做法是挑10~20张有代表性的实拍图人工在图上用折线逐段描出裂缝中线把折线总长作为人工参考长度再和算法输出对比。这一步能暴露出很多算法本身测不出的问题比如裂缝末端到底该算到哪里、分叉处支路算不算、被遮挡段怎么处理。这些问题本质上是工程定义问题不是算法问题必须和人沟通好标准。我最后交付时总是把骨架叠加图和长度报告一起给让对方能直观看到算法量的是哪条线。没有这个图光给一个数字没人敢用。这也是为什么我在代码里专门留了最后那一步可视化显示。另外如果目标是把这套流程批量用于几百上千张图别忘了在脚本外面套一层批处理逻辑把每张图的文件名、像素长度、修正长度、换算长度、参数版本号都记录进一张表格里。参数版本号尤其重要因为调参过程中你会产生好几组结果没有版本记录到时候连哪张图用的是哪版参数都说不清。最后说一点实战体会裂缝检测在Matlab里做起来门槛不高但真正花时间的不是写代码而是调参数和定义测量标准。每个现场的光照、墙面纹理、裂缝形态都不一样一套参数打天下的想法基本不现实。把流程拆得足够模块化、每步都能出中间结果图你就能在最短的时间里把一个陌生现场的数据跑通。如果以后图像数量上来了再考虑把分割环节换成深度学习模型也不迟但骨架化、标定、几何修正这套测量后处理的功课无论前端用什么模型都省不掉。
直接一点先说场景。前阵子我接了一个混凝土结构外观检测的活儿要把墙面上若干条裂缝的长度量出来用来初步评估构件损伤程度。现场人工拿钢直尺一段段量慢不说人对裂缝起止点的判断还不一致同一个缝两个人能量出两个数。后来我干脆把现场照片拉回来用Matlab写了一套裂缝检测与长度测量流程也就是标题里说的Matlab裂缝检测与长度测量这套东西。整套流程本质上不复杂先是图像分割把裂缝从背景里抠出来然后是几何测量把抠出来的区域换算成长度。全程不涉及深度学习用的全是图像处理工具箱里的经典函数对硬件没要求普通笔记本就能跑。适合谁看如果你手头有类似的结构表面裂缝检测需求接触过一点数字图像处理又不想一上来就上神经网络那这篇文章可以直接当参考脚本用。我会把检测的完整思路、关键函数的原理、长度标定的细节、以及我在实测里踩过的坑都过一遍。代码基于Matlab编写R2019b以上的版本应该都能直接跑个别函数在旧版本里的参数写法略有差异到时候按报错提示改一下即可。1. 裂缝检测到底在检测什么从工程问题到图像问题1.1 裂缝在图像里是什么样子决定了算法怎么选先说清楚一件事裂缝检测并不是找出图像里像裂缝的东西而是要回答几个工程问题——这条裂缝有多长有几条最宽的地方在哪走向如何这里面有多长是结构评估里最常被问到的指标之一也是最难测准的因为裂缝细、背景脏、边界模糊。从图像角度看裂缝通常表现为暗色、细长、连续性较差的区域。暗色是因为裂缝处光线进入凹陷后反射弱细长是因为裂缝本质上是材料表面的线状损伤连续性差是因为裂缝可能被灰尘、杂物或阴影打断。这三个特征直接决定了算法路线不能用简单的全局灰度阈值一割了事也不能指望边缘检测一次性勾勒出完整轮廓而是要走分割 形态学连接 骨架化 像素标定的组合路线。有个新手容易犯的错误直接用edge函数提取边缘然后拿边缘长度当裂缝长度。这个思路在理想图像上看着合理实际上一旦背景里有纹理、麻点、划痕Canny算子会给你输出一堆碎片边缘你根本分不清哪段是裂缝哪段是噪声。我自己的经验是边缘检测更适合做裂缝定位的辅助手段不适合直接做长度测量的基础。1.2 整套流程的全景图五步走完从照片到毫米整个检测流程可以拆成五个环节每个环节解决一个具体问题环节要解决的问题主要函数输出图像读取与灰度化去掉颜色冗余统一处理对象imread / rgb2gray灰度图预处理去噪增强降低噪声突出暗裂缝medfilt2 / imbothat增强图阈值分割把裂缝像素从背景分离imbinarize / adaptthresh二值图二值后处理去噪点、连断口、填孔洞bwareaopen / imclose / imfill干净二值图骨架化与测长标定得到单像素线条并换算毫米bwmorph / 像素修正 / 标定系数长度结果这个顺序不是随便排的每一步的输出都是下一步的输入。前一步做不好后一步再聪明也救不回来。尤其是预处理很多人觉得滤镜随便加加就行结果分割阶段冒出一大堆假目标回头排查才发现是预处理环节埋下的雷。所以下面我会把每步的取舍讲透而不是只给一句调用某某函数。2. 预处理不是美化照片是给分割算法创造生存条件2.1 灰度化与去噪为什么我坚持用中值滤波而不是高斯拿到照片第一步是转灰度这个不用多讲。真正有讲究的是去噪。裂缝图像最常见的干扰源有两类一是传感器噪点呈孤立点状分布二是表面纹理呈颗粒状或线状分布。对孤立噪点最稳妥的滤波器是中值滤波因为它在去噪的同时能保住边缘。高斯滤波虽然平滑效果柔和但它对边缘也有模糊作用。裂缝本身在图像里往往只有几个像素宽高斯一糊裂缝和背景的对比度进一步下降后面分割就更难。用生活里的事打比方高斯滤波像是给照片磨皮磨完皮肤细腻了但脸上的细纹也没了中值滤波像是单独挑掉脸上的痘痘细纹原样保留。我在代码里用的是imgGray rgb2gray(img); imgF medfilt2(imgGray, [3 3]);3×3的窗口大多数场景够用。如果图像噪点特别密可以试5×5但要注意窗口越大裂缝暗部细节损失越多需要在去噪和保细节之间取平衡。这个平衡没有统一答案我的做法是先跑一版3×3看一眼分割结果如果噪声残留太多再升到5×5。还有一个细节如果原图是彩色但裂缝周围有明显颜色差异比如锈迹附近的裂缝不要急着转灰度可以分别对R、G、B三个通道做一次裂缝增强选择对比度最好的通道作为后续输入。这个操作不复杂但对特殊场景很管用。2.2 顶帽/底帽变换把暗裂缝从复杂背景里捞出来预处理里我认为最关键的一步是形态学顶帽/底帽变换尤其是底帽变换。原理用一句话说形态学闭运算会得到一张背景估计图拿原图减去这张背景估计图剩下的就是图像里比背景暗的局部细节。裂缝正是暗细节所以imbothat对裂缝非常对口。它做的本质上是高通滤波把大尺度的光照变化和背景纹理去掉只留下小尺度的暗结构。se strel(disk, 15); imgDark imbothat(imgF, se);结构元素的尺寸怎么选我的经验是半径要比裂缝宽度大但比背景上那些大块纹理或阴影小。裂缝通常2~10个像素宽取 disk 半径 10~20 是比较稳的区间。如果半径太小背景的细小纹理也被当成暗细节保留下来噪声变多如果半径太大计算量变大而且会把大范围的阴影也捞出来反而增加误检。这个参数本质上是一条带通滤波器的中心频率你得知道自己的目标裂缝大概多宽才能把通带对准它。做完底帽变换之后图像直方图往往会呈现出较明显的双峰分布暗峰是裂缝候选亮峰是背景。这会给下一步阈值分割创造非常好的条件。很多教材喜欢在这一步用imadjust或直方图均衡我在裂缝场景里不太推荐全局直方图均衡它会连噪声一起增强让分割结果变脏。如果确实光照不均严重我会用adapthisteq做局部增强但一定是在去噪之后而且对比度限制参数ClipLimit别调太大从0.02起步。局部增强有个副作用它会把阴影边缘也强化导致后面分割时阴影区域更容易被误判所以能不加就不加。3. 分割这一关阈值、边缘还是形态学各自在什么情况下靠谱3.1 全局阈值与自适应阈值的适用边界分割是整条流水线的核心。二值化定错了后面所有步骤都是在错误基础上精装修。最常见的做法是 Otsu 全局阈值对应Matlab里的graythresh和imbinarizelevel graythresh(imgDark); bw imbinarize(imgDark, level);Otsu 的原理是让分割后两类的类间方差最大。它假设图像直方图大致是双峰的在底帽变换输出上这个假设通常成立所以多数情况下直接能用。但有一条边界要记住如果图像里光照严重不均或者裂缝只占图像极小面积Otsu 会把大量背景误分为目标。因为此时直方图的暗峰很可能被背景的暗区域污染阈值会被拉低原本干净的墙面有一半会被当成裂缝区域。这种情况我会改用局部自适应阈值bwAdapt imbinarize(imgDark, adaptthresh(imgDark, 0.4, NeighborhoodSize, [31 31]));adaptthresh会在每个像素的邻域里计算局部阈值对光照不均的鲁棒性明显更好。NeighborhoodSize建议 25~40太小会引入局部噪声太大会退化成全局阈值。第二个参数Sensitivity控制灵敏度调高一点能检出更暗的裂缝但也会捡回更多噪声。我的习惯是从0.4起步看结果再上下微调。这里有个实在的提醒自适应阈值比全局阈值慢不少处理一批几百张图的时候如果光照条件本来就稳定直接用 Otsu 能省大量时间。再啰嗦一句边缘检测这条流水线里边缘检测更适合当验证手段而不是分割主力。你可以用edge(imgF, canny)单独出一张边缘图和阈值分割得到的二值图叠加起来看裂缝骨干区域的边缘应该大体重合。如果发现裂缝在阈值图里断成很多段而边缘图里连续性很好说明底帽变换的结构元素半径可能太细或者闭运算连接强度不够回头调预处理参数比在分割结果上硬补要有效得多。3.2 二值后处理去噪点、接断口但千万别乱接分割出来的二值图一定会有两类毛病一是孤立小噪点二是裂缝断口。处理噪点用面积滤波处理断口用闭运算。bw bwareaopen(bw, 30); % 删除面积小于30像素的连通域 bw imclose(bw, strel(disk, 5)); % 连接邻近的裂缝段 bw imfill(bw, holes); % 填充二值图内部小孔bwareaopen的第一个参数可以理解成面积下限。它取决于图像分辨率和裂缝尺度。我处理过的墙面照片30像素作为下限能把绝大多数喷溅麻点去掉同时不伤及裂缝主体。如果你发现细裂缝也被删了说明下限设高了往下调到10~15。反过来如果滤波后还有大量小碎块说明下限太低或者光照噪声太多先回头检查预处理而不是一味加大面积阈值——面积阈值过大会把裂缝末端和细小裂缝整段吞掉。imclose的半径则要谨慎。闭运算的作用是把距离很近的断口搭桥接起来但半径一旦过大会把两条平行裂缝之间的背景也填上相当于把两条缝误并成一条宽缝。我实测中吃过这个亏当时把 disk 半径设成15结果两条间距只有20像素的平行裂缝被连成一块大区域后面长度测量直接偏了一倍不止。后来我定了个原则闭运算半径不要超过裂缝实际宽度的3~5倍并且每调一次都要看叠加图确认没有串接。imfill填洞则比较安全它处理的是二值区域内部的空洞一般不会引入新问题前提是你的裂缝区域没有被闭运算错误地闭合出一个大块。4. 长度测量的核心从单像素骨架到物理长度4.1 骨架化与毛刺修剪长度精度的第一道坎二值图里的裂缝是有宽度的区域不能直接拿区域点数当长度否则裂缝越宽测出来越长这显然不对。正确做法是先把裂缝区域细化为单像素宽的骨架再对骨架做长度统计。skel bwmorph(bw, skel, Inf);这个skel操作本质上是在做中轴变换把区域压缩成一条居于中心的、单像素宽的线。裂缝宽度信息在这个环节被有意舍弃只保留形态拓扑和延展长度。注意这一步骤对输入的干净程度要求很高如果二值图里还残留着毛糙边界或小突起骨架就会长出一堆不该有的小分支也就是毛刺。骨架化之后几乎必然有毛刺它们会显著高估长度。修剪毛刺用skel bwmorph(skel, spur, 10);spur后面的数字是迭代修剪次数。次数太少毛刺残留次数太多可能把裂缝末端的真实延伸也剪掉。我一般从10开始然后观察骨架图正常裂缝末端的骨架应该自然终止如果发现某条裂缝明显变短了说明修剪过头降到5或6。修剪毛刺本质上是让算法判断哪些是真实走向哪些是噪声引起的小突起这个判断没有完美的自动规则多看几组图你就能对自己的数据建立感觉。还有一个容易被忽略的点骨架化完成后一定要把它叠加在原图上目视检查一遍。算法认为的骨架和肉眼认定的裂缝中线在分叉处、裂缝末端、背景复杂的段落经常有出入。这一步花两分钟能省掉后面大量返工。4.2 从骨架像素到真实长度的几何细节现在到了很多人最容易忽略的地方像素数不等于长度。在二值图骨架里一个像素和它相邻像素的关系有两种要么是上下左右的正交邻接要么是斜角方向的邻接。正交邻接的两像素中心距离是1个像素单位斜角邻接则是根号2个像素单位。但如果你直接用sum(skel(:))统计白色像素个数等于把所有邻接步长都当成1对斜向裂缝会明显低估长度。实际工程里裂缝几乎不会是纯水平或纯垂直往往带斜向走向所以这个低估是系统性存在的。我测过一组45度走向的标准裂缝图像直接像素计数比真实欧氏长度低了约8%~10%。要修正也不复杂思路是遍历骨架里的每个白色像素检查它8邻域里有哪些方向上有邻居。为了避免每条边被统计两次我只统计线性索引比自己大的邻居这样每段相邻关系恰好被计算一次。分别统计正交邻接数和斜角邻接数再加权求和lenOrth 0; lenDiag 0; linIdx find(skel); for k 1:numel(linIdx) idx linIdx(k); [r, c] ind2sub(size(skel), idx); for dr -1:1 for dc -1:1 if dr 0 dc 0, continue; end nr r dr; nc c dc; if nr 1 nr size(skel,1) nc 1 nc size(skel,2) ... skel(nr, nc) nidx sub2ind(size(skel), nr, nc); if nidx idx if abs(dr) abs(dc) 1 lenOrth lenOrth 1; else lenDiag lenDiag 1; end end end end end end lenPix lenOrth sqrt(2) * lenDiag;这段代码对于以单条裂缝为主的场景精度已经比直接数像素高很多。它的本质是把骨架当成一张由像素点构成的折线网每条边按欧氏距离加权求整张网的加权边长总和。如果你处理的裂缝网络非常复杂、分叉很多更严谨的做法是把骨架转成图结构用图的边权求总长这个以后可以单独写一篇。对于常规工程评估上面这段修正已经够用。4.3 标定一毫米到底是多少个像素像素长度换算成毫米靠的是标定系数单位是像素/毫米或者反过来。标定系数错了长度结果就是系统性偏离而且换算完你还未必察觉得出来。最可靠的办法是在拍摄现场放一个已知尺寸的参考物比如一段标准长度的直尺、一张硬币或者利用构件上已知的真实尺寸。具体操作是在图像里量出参考物对应的像素数然后用真实长度去除pixPerMm 参考物像素长度 / 参考物真实长度(mm); 裂缝长度(mm) 骨架像素长度(pix) / pixPerMm;注意拍照角度要尽量让相机光轴垂直于被测面如果倾斜拍摄近端和远端的像素当量不一样测出来的长度会有透视误差。实在没法垂直拍摄时要么做透视校正要么在裂缝附近放多个参考物取平均值都能缓解问题。对于固定机位的高空或杆式相机也可以用三角测距公式估算像素当量已知相机到墙面的距离、镜头等效焦距和传感器像元尺寸那么被测面上真实长度为 L 的物体成像像素数 n 服从 L / n 物距 × 像元尺寸 / 焦距。这个公式是近似的前提是光轴大致垂直于墙面。我实际使用的经验是现场放尺子永远比事后算几何靠谱能放参考物就一定放。标定这步误差会线性传导到最终长度结果你在标定上省的时间最后都会变成结果可信度上的坑。5. 实测中踩过的坑分叉误判、阴影误检与调参顺序5.1 裂缝分叉导致长度重复统计裂缝网不是每次都是单条直线。实际墙面上常见Y形分叉、多缝交汇骨架化之后会产生分支点。这时如果还按单骨架总像素统计等于把分叉后的两条支路都算进去了这在最长裂缝长度这个指标上是错的——测量标准和算法实现没有对齐。我的处理办法是先扣除分支点把裂缝网络拆成若干条无分叉的线段再逐段统计bp bwmorph(skel, branchpoints); bpMask imdilate(bp, ones(3)); % 把分支点扩大成小区域 skelSeg skel ~bpMask; % 扣除分支区域得到独立线段 segLabel bwlabel(skelSeg); stats regionprops(segLabel, PixelIdxList);branchpoints会标记出骨架中所有度大于2的像素也就是分叉中心。用一个3×3膨胀把分支点附近像素一并扣除可以避免线段在分叉处藕断丝连。之后bwlabel会给每条独立线段编号逐段计算长度就能回答最长裂缝多长一共几条裂缝这类问题。要注意的是这样处理后分叉点附近几像素的长度被扣除了对总长来说损失可以忽略但如果要做高精度测量可以把分叉区域像素的估计长度再加回去。还有个经验之谈分叉处理之前先和需求方确认长度到底指什么。是要裂缝网络的总延展长度还是要其中最长的连续路径这俩定义不同算法出口也不同。我见过不少项目在交付阶段扯皮根源就是一开始没说清这个定义。5.2 阴影和污渍为什么总被当成裂缝阴影是裂缝检测里最顽固的误检源。从灰度角度看阴影和裂缝一样都是暗区域底帽变换不会因为它们不是裂缝就放行。污渍、水渍、钢筋锈迹也都可能被误判。单纯靠阈值解决不了这个问题必须引入形状特征。裂缝和阴影斑块有一个很明显的形态差异裂缝是细长的阴影斑块通常矮胖。所以我在分割之后加了一道特征筛选props regionprops(bw, MajorAxisLength, MinorAxisLength, PixelIdxList); elongation [props.MajorAxisLength] ./ [props.MinorAxisLength]; keep elongation 3; % 细长比阈值按实际情况调整细长比长短轴比是裂缝非常稳定的特征。我处理过的图像里真裂缝的细长比普遍在5以上阴影斑块很少超过2。下面的表格是几个常用判据的典型取值范围供参考特征裂缝阴影/污渍细长比长短轴比通常 5通常 2骨架长度 / 区域面积高细线低块状灰度均值偏低偏低边缘连续性较好较差把细长比小于阈值的连通域删掉误检能去掉大半。如果再配合面积下限和骨架长度筛选基本可以压到可接受范围。但这里有个代价如果裂缝被阴影遮挡只有一小段露出来那么它的连通域细长比可能不高会被误删。所以特征筛选的阈值要留有余地我一般先按3起步宁可多留一些候选最后靠人工在叠加图上确认最终版本。这听起来不够全自动但工程验收本来就是要人把关的算法解决90%的重复劳动剩下10%的判断交给人是合理分工。5.3 一份可以直接改着用的完整脚本把上面所有环节串起来给出一份能直接跑的脚本。参数都在文件头部方便按自己的图像调整。%% 裂缝检测与长度测量主脚本 clear; close all; clc; % 可调参数 medSize 3; % 中值滤波窗口 diskRad 15; % 底帽变换结构元素半径 closeRad 5; % 闭运算半径 minArea 30; % 删除小连通域面积阈值 spurIter 10; % 毛刺修剪迭代次数 elongMin 3; % 细长比筛选阈值 pixPerMm 0.5; % 标定系数每毫米对应像素数按现场标定修改 % 1. 读取与灰度化 img imread(crack_demo.jpg); if size(img, 3) 3 imgGray rgb2gray(img); else imgGray img; end % 2. 预处理 imgF medfilt2(imgGray, [medSize medSize]); se strel(disk, diskRad); imgDark imbothat(imgF, se); % 3. 阈值分割 level graythresh(imgDark); bw imbinarize(imgDark, level); % 4. 二值后处理 bw bwareaopen(bw, minArea); bw imclose(bw, strel(disk, closeRad)); bw imfill(bw, holes); % 5. 细长比筛选 props regionprops(bw, MajorAxisLength, MinorAxisLength, PixelIdxList); elong [props.MajorAxisLength] ./ [props.MinorAxisLength]; idxKeep find(elong elongMin); bwFiltered false(size(bw)); for i 1:numel(idxKeep) bwFiltered(props(idxKeep(i)).PixelIdxList) true; end % 6. 骨架化与修剪 skel bwmorph(bwFiltered, skel, Inf); skel bwmorph(skel, spur, spurIter); % 7. 像素长度统计简单版用于对比 lenPixSimple sum(skel(:)); % 8. 修正版区分正交/斜角步长 lenOrth 0; lenDiag 0; linIdx find(skel); for k 1:numel(linIdx) idx linIdx(k); [r, c] ind2sub(size(skel), idx); for dr -1:1 for dc -1:1 if dr 0 dc 0, continue; end nr r dr; nc c dc; if nr 1 nr size(skel,1) nc 1 nc size(skel,2) ... skel(nr, nc) nidx sub2ind(size(skel), nr, nc); if nidx idx if abs(dr) abs(dc) 1 lenOrth lenOrth 1; else lenDiag lenDiag 1; end end end end end end lenPix lenOrth sqrt(2) * lenDiag; % 9. 标定换算 lenMmSimple lenPixSimple / pixPerMm; lenMm lenPix / pixPerMm; fprintf(像素计数长度: %.2f px, 修正长度: %.2f px\n, lenPixSimple, lenPix); fprintf(换算长度: %.2f mm, 修正换算长度: %.2f mm\n, lenMmSimple, lenMm); % 10. 叠加显示方便目视检查 figure; imshow(imgGray); hold on; [rr, cc] find(skel); plot(cc, rr, r., MarkerSize, 4); title(骨架叠加在原图上);里面的pixPerMm记得改成你自己现场标定的数值。调参顺序我也建议固定下来避免反复横跳先去噪核大小 → 底帽半径 → 阈值方法 → 面积下限 → 闭运算半径 → 毛刺修剪次数 → 细长比阈值。这个顺序实质上是从影响范围大的参数到影响范围小的参数每步只看当前最明显的缺陷改一个变量。我个人的调试习惯是每改一个参数就把中间结果图截一张按参数值命名存好。后面一旦发现结果变差还能快速对比是哪一步改动导致的不然调三天参数最后连自己改过什么都记不清。这个习惯在项目周期长、图像批次多的时候尤其值钱。6. 验证与验收怎么知道自己测得准不准6.1 先拿合成图自测再上实拍图算法写完之后第一件事不是直接上实拍照片而是先用已知长度的合成图验证流程。我在测试时用代码生成了一张黑色背景上的白色线段带不同角度、不同宽度、几处人为断点然后跑完整流程比较算法输出长度与设定长度的偏差。这样可以单独检验骨架化 像素修正这部分是否靠谱避免真实图像的噪声干扰判断。生成合成图很简单% 生成一张带斜线的测试图 testImg zeros(500, 500); for x 100:300 y round(100 (x - 100) * 0.5); % 约26.6度斜线 testImg(y-2:y2, x) 1; % 5像素宽 end imwrite(testImg, synthetic_crack.png);合成测试里有个有用的规律角度越接近45度直接像素计数的低估越明显而修正算法始终稳定。我当时用五张不同角度的合成图测试修正后的长度误差在1%以内这个精度用于工程评估完全够。下面是一组典型对比数据线条角度设定长度像素计数结果修正结果修正误差0°300 px300 px300 px0%26.6°335 px313 px335 px1%45°424 px385 px421 px1%60°346 px323 px345 px1%90°300 px300 px300 px0%6.2 实拍图的人工标注对比合成图验证的是算法内部一致性实拍图验证才是决定能不能交付的关键。我的做法是挑10~20张有代表性的实拍图人工在图上用折线逐段描出裂缝中线把折线总长作为人工参考长度再和算法输出对比。这一步能暴露出很多算法本身测不出的问题比如裂缝末端到底该算到哪里、分叉处支路算不算、被遮挡段怎么处理。这些问题本质上是工程定义问题不是算法问题必须和人沟通好标准。我最后交付时总是把骨架叠加图和长度报告一起给让对方能直观看到算法量的是哪条线。没有这个图光给一个数字没人敢用。这也是为什么我在代码里专门留了最后那一步可视化显示。另外如果目标是把这套流程批量用于几百上千张图别忘了在脚本外面套一层批处理逻辑把每张图的文件名、像素长度、修正长度、换算长度、参数版本号都记录进一张表格里。参数版本号尤其重要因为调参过程中你会产生好几组结果没有版本记录到时候连哪张图用的是哪版参数都说不清。最后说一点实战体会裂缝检测在Matlab里做起来门槛不高但真正花时间的不是写代码而是调参数和定义测量标准。每个现场的光照、墙面纹理、裂缝形态都不一样一套参数打天下的想法基本不现实。把流程拆得足够模块化、每步都能出中间结果图你就能在最短的时间里把一个陌生现场的数据跑通。如果以后图像数量上来了再考虑把分割环节换成深度学习模型也不迟但骨架化、标定、几何修正这套测量后处理的功课无论前端用什么模型都省不掉。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
