多尺度Retinex融合小波变换的路面裂缝检测技术

阵列15（2022）100193基于多尺度Retinex融合小波变换Shenao Liu，Yonghua Han*，Lu Xu浙江理工大学信息学院，杭州，310018A R T I C L EI N FO保留字：裂纹识别多尺度Retinex小波变换图像增强阴影去除Bowler-hat变换A B S T R A C T裂缝是道路的主要病害，对道路安全构成潜在威胁。裂缝的检测与修复是智能交通系统研究的重点。然而，自动裂缝检测的性能往往是不够好，由于不均匀的照明，裂缝和周围的路面之间的对比度低，并可能存在类似的阴影强度的裂缝。本文提出了一种改进的多尺度Retinex算法来增强裂纹图像。将小波变换融入到传统的多尺度Retinex算法中，避免了Retinex算法产生的光晕，从而减少了图像失真。同时，多尺度Retinex算法可以弥补小波变换丢失有用信息的不足，两者结合可以获得更好的裂纹增强效果。此外，在裂纹增强之前进行阴影去除预处理，有效地消除了高强度阴影的干扰。通过对客观性能指标的比较，新算法能更好地突出裂纹信息。本文提出的方法能有效地实现阴影去除和裂缝增强功能，使整个检测系统的识别准确率达到95.8%，表明该算法具有很高的研究意义和工程应用价值。信用作者声明刘申傲：概念化，方法论，撰写原创草稿。韩永华：写作陆旭：验证，写作1. 介绍有效和高效的路面状况评估对于确定路面评估性能和规划维修至关重要。大量研究[1然而，传统的裂缝检测主要依靠人工目测，在实际操作中耗时耗力，难以客观评价道路劣化程度[4]。因此，有必要开发一种自动、准确、高效的路面裂缝检测方法。随着计算机视觉和土木工程图像处理技术的发展，裂缝检测技术已逐渐取代传统的人工视觉检测。各国学者对路面裂缝检测问题进行了大量的研究，主要方法有两大类[5]：基于图像特征的方法和基于机器学习的方法[6]。基于图像特征的方法可分为边缘检测、直方图分析、数学形态学、滤波等，基于机器学习的方法又可分为监督学习和非监督学习[7]。从发展现状来看，基于图像特征的裂缝识别技术在工程领域应用较为广泛[8，9]。边缘检测是检测路面裂缝的常用方法。通过常见的边缘检测算法[10]，如Sobel[11]和Canny [12]，提取图像的前景，即裂缝。这种方法可以实现快速检测，但需要手动设置许多阈值。直方图分析法是根据裂纹图像的灰度直方图拟合出一条高斯曲线，然后根据拟合出的* 通讯作者。电子邮件地址：liushenao2008@163.com（S. 刘），hanyonghuahan@163.com（Y.Han），Xlhit@126.com（L. Xu）.https://doi.org/10.1016/j.array.2022.100193接收日期：2022年4月30日;接收日期：2022年5月20日;接受日期：2022年5月2022年6月9日在线发布2590-0056/© 2022作者。爱思唯尔公司出版这是一篇基于CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）的开放获取文章。可在ScienceDirect上获得目录列表阵列期刊主页：www.sciencedirect.com/journal/arrayS. Liu等人阵列15（2022）1001932̃一̃̃̃（）下一页（）下一页（）下一页（）下一页（）（）高斯曲线该方法简单、快速，但精度较低。数学形态学方法[13虽然检测结果优于上述直方图方法，但该方法严重依赖于阈值的选择[16]。结构单元尺寸和阈值选取的不同导致裂纹分割效果的不同。特别是在裂纹厚度不同的情况下，分割效果会更差。从目前裂缝识别领域的研究现状来看，道路裂缝检测往往需要使用基于阈值的分割方法[17，18]，但路面图像往往是在恶劣的天气和光照条件下获得的[19，20]，由于光照不均匀而采集的道路破损图像数据相当难以使用基于阈值的分割方法检测裂缝边缘[21，22]。一般情况下，裂缝本身的灰度值会低于非裂缝路面图像的灰度值，但在光照不均匀的特殊情况下采集的路面图像可能会出现相反的情况。若采用全局阈值法进行检测，则无法检测出路面破损图像中的裂缝信息，导致路面破损图像中裂缝信息的漏识或误识，影响识别性能。此外，光照不均匀或光线不足会导致另一个问题，即拍摄的图像会出现对比度差、亮度低、局部细节模糊、亮度突变等情况，常常伴随着明显的噪音[23]。这使得机器视觉难以从这些图像中提取和分析信息。因此，必须对采集到的路面破损图像进行预处理通过克服光照不均匀的问题，增强道路破损图像中裂缝的边缘信息，去除影响后续道路裂缝边缘识别的干扰信息，为图像裂缝边缘检测和自动识别做好必要的准备。在众多的图像增强算法中，Retinex图像增强算法对于图像光照不均匀等问题具有很好的增强效果。Retinex是Edwin Land提出的人类颜色视觉理论[24]。与传统的线性和非线性方法只能增强某种类型的图像特征不同，Retinex可以在动态范围压缩、边缘增强和颜色恒定性之间实现平衡。 Retinex理论的主要核心思想是，HVS观察到的物体外观大部分是由物体的反射能力决定的，与物体表面的入射光强度关系不大[24]，因此可以很好地处理光照不均匀的问题。Retinex最常用于增强血管和视网膜等医学图像。考虑到 由于道路裂缝图像与医学图像纹理特征的差异，一些研究者[25，26]也将Retinex图像增强算法应用于裂缝图像增强。 这种算法的研究和发展 的 的 裂纹 图像 增强 过程 大大改善了效果。传统的Retinex算法在图像增强处理上也存在缺陷，输出的图像存在光晕伪装现象[27，28]，即图像增强后边缘附近的暗区仍然很暗，会影响后续图像的识别。为了解决Retinex算法在图像增强处理中的不足，提高图像增强效果，本文根据Retinex算法在图像增强处理中的特点，提出了一种Retinex算法与小波变换相结合的改进图像增强处理方法。通过实验结果可以得出，本文的改进算法不仅可以弥补传统Retinex算法的不足，而且处理后的图片更加清晰，视觉效果更好2. 阴影去除在自然环境下采集的路面裂缝图像容易产生阴影。高强度阴影的轮廓与道路裂缝的形状和颜色相似，很容易被误判为裂缝，成为裂缝提取的主要干扰因素之一[29]。阴影本身分为本影区和半影区。本影区域通常位于阴影的内部区域。因为所有的直射光都被物体挡住了，所以阴影的边界轮廓会更清晰。半影区一般位于阴影的边缘区域，光线被部分遮挡，阴影区轮廓模糊，亮度由内向外逐渐变化，呈现晕染效果。为了消除阴影的干扰，本研究针对不同阴影的不同特性，提出了不同的阴影去除方案。接下来的两个小节将详细描述阴影消除过程。2.1. 阴影区域本影区域往往是图像中光强度最小的区域，并且该区域中的光强度往往几乎均匀。阴影图像I（x，y）可以表示如下：I（x，y）=I（x，y）<$C（x，y）（ 1）其中I x，y是无影图像，C x，y是阴影因子。因此，求解无影像Ix，y的问题转化为求解阴影因子Cx，y的问题。求解Cx，y的自动方法如下所述由于本影区域中的光强度趋于几乎相同，因此可以假设阴影因子Cx，y是常数c。确定c的最直接和简单的方法是找到在最小二乘意义上使误差最小化的常数。设P表示半影区域附近的明亮区域中的像素集合，并且设S表示在接近半影区域的本影区域中的像素集合中，P和S的位置关系示于图1中。我们还假设P和S的样本长度相等。所以我们有：c=argminP-S+a2（ 2）原始图像I在本影区域中的恢复图像I可以表示为：I（x，y）=I（x，y）/c（ 3）其中，I（x，y）仅表示原始图像中的本影区域，其中I（x，y）是复原本影区域后的图像2.2. 半影区半影区域的阴影去除对于Fig. 1. P和S位置示意图。̃S. Liu等人阵列15（2022）1001933̃ ∑=（）（）（）̃⎩（）=（）=00′̃2（）下一页（）下一页（）下一页∑∑f（t），t1≤ ≤t原始阴影和非阴影区域之间的强度是主要的-000个）这样不仅有利于后续的图像增强，多种原因：一个是半影区域的边界相对模糊并且难以精确确定;另一个是半影区域的亮度变化，即阴影因子不是常数。由于半影区域中的阴影因子C在不同的温度下变化，E Eli t1，t2（7）李直接求解能量泛函Eq。（7）是一个复杂和耗时的过程。然而，由于半影区域是一个非常位置，当计算半影的阴影因子C（x，y）时窄 带状 区域， Lt0， Lt1Lt2可以 be approX iphone4区域，我们取垂直于半影区域边界的直线段，如图2所示，并为每个直线段li建立模型。设t1和t2分别表示半暗区在直线段上的两个边界点，t1表示半暗区与亮区的边界点，t2表示半暗区与阴影区的边界点，t0为t1和t2的中点。设Lt0表示所有线段上由t0同样地，设Lt1表示由所有线段上的t1组成的曲线，Lt2表示由所有线段上的t2然后，我们在线段li上建立亮度因子模型：中国1，tt12同样的，也有相同的形状[32]。因此，当求解Lt1时，我们可以将整个Lt0向亮区平移同样，当太阳-通过Lt2，整个Lt0可以向本影区域平移。在得到Ct之后，可以得到Cx，y然后，去阴影图像可以通过等式（1）计算。（8）以下：I（x，y）=I（x，y）/C（x，y）（ 8）下面的图3从实验结果可以看出，本研究提出的算法具有优良的阴影去除性能，能够实现本影/半影区域的照明的一致性t，t>t2其中c可以在等式中计算。（二）、为了便于求解，f（t）选择三次曲线[30]。f（t）在t1和t2满足条件：f（t1）=1和f（t2）=c，f（t）的导数f′（t）在t1和t2满足条件：f′t10和f′t20.Lt0可以通过下面的能量最小化方法计算，能量方程描述如下：E（tli）=∑1+λ∑∑（t1-t1）2（5）李而且消除了对最终裂纹特征提取的干扰，从而提高裂纹检测系统的整体识别精度。3. 裂纹强化作为一种有效的图像增强算法，Retinex基本上可以分为单尺度Retinex（SSR）[33，34]、多尺度Retinex（MSR）[35]和具有颜色恢复的多尺度Retinex（MSRCR）[36]。接下来的两节将介绍传统李 I（t 0）lilj∈N（li）多尺度Retinex 和 的 改进的多尺度Retinex算法其中，li是第一个i选择的线段，并且Nli是与线段li相邻的线段的集合，E（tli）的第一项用于测量图像的梯度，E（tli）的第二项用于测量图像的梯度。曲线的平滑度，I是图像I的梯度。接下来，我们需要计算每个线段的t1和t2，这样就可以得到t0一旦知道了t0，我们就可以得到一条初始曲线，即Lt0.则Lt0可以向Lt1、Lt1和Lt2方向演化.由于t0在t1和t2之间，所以Lt0应该在Lt1和Lt2之间，并且可以看到Lt1和Lt2对于每个线段，我们定义能量函数：在此基础上，详细介绍了小波变换在本研究中的应用3.1. 基于传统多尺度Retinex多尺度Retinex算法是在SSR基础上发展起来的Retinex算法。多尺度Retinex以入射分量均匀分布理论为核心。认为入射分量在低频段变化缓慢，但在亮度差大的区域，入射分量在高频段变化很大。为了提高图像增强效果，多尺度Retinex扩展了一个高斯函数Eli（t1，t2）=t120（mP）dt+端t2（μI-mS）dt+λt2（ΔI-f（t））2dt（6）G（x，y）在单尺度Retinex中分解为k个不同尺度的高斯函数Gkx，y。k的一般值被设置为3，这意味着三个不同的高斯函数G1、G2、G3其中mS和mP分别是P和S的平均值，（四）、在半影区域，亮度变化的问题可以转化为能量最小化问题[31]。然后我们定义能量泛函如下：邻域尺度分为小、中、大三类，邻域尺度大小用高斯核σ1、σ2、σ3描述。多尺度Retinex通过将图像I（x，y）与尺度为σk的高斯函数Gk卷积来估计第一个k入射图像分量Lk。分量Lk表示为等式（9）：Lk（x，y）=I（x，y）*Gk（x，y）G X y1001年经验X2+y2（9）第一批k（，）=πσ（-2σ2 ）=，，K通过计算不同尺度下的分量Lk，可以得到对数域中的Rx，y的表达式，并表示为：Klog（R（x，y））=wi[ log（I（x，y））-log（Lk（x，y））]i=1（十）图二. 半影区模型示意图。Kwi=1i=1其中wi是权重系数，其取值为1/3。通过将图像从对数域恢复到空间域∫∫∫KC（t）=（四不′t1S. Liu等人阵列15（2022）1001934（）下一页R（x，y）=（11）图3. 阴影去除的实验结果。为了计算R x，y，可以得到多尺度Retinex算法增强的裂纹图像，其表示为：I（x，y）G1（x，y）*I（x，y）+G2（x，y） *I（x，y）+G3（x，y）*I（x，y）与SSR算法相比，该算法在原有的基础上设置了不同的比例因子进行运算，在保持动态压缩范围的同时能够更好地突出色彩信息，但该算法在处理弱光图像时会放大噪声，并且容易出现光晕和伪影效果[37]。3.2. 基于改进多尺度Retinex针对传统的多尺度Retinex算法在处理过程中容易产生光晕现象，为了减少光晕现象导致的图像失真，获得更好的裂缝增强效果，可以结合小波变换进行图像增强。小波变换将图像分解成不同频带的子带。根据尺度空间相关理论，噪声在尺度空间中是不可能传播的。随着图像分解层数的增加，可以认为子带图像不包含噪声，但代价是图像中有用特征成分的损失[38]。多尺度Retinex算法可以突出了图像的边缘、纹理等细节，可以弥补小波变换由于分解层数过多而丢失的有用信息的不足。因此，本文研究采用融合小波变换的多尺度Retinex算法对裂纹图像进行增强。改进算法利用小波变换将图像按尺度参数分解为一个低频分量和多个高频分量[39]，并分别对高、低频分量进行不同的处理。多尺度Retinex增强了高频图像分量中裂纹图像的详细信息。通过图像熵计算裂纹的全局信息和细节信息中所包含的能量，并根据各能量占总能量的比例，最终采用小波重构获得增强后的裂纹图像。下面的图4示出了算法流程图：由于圆顶帽变换算法具有分割精度高、平均响应时间短的特点，本研究采用圆顶帽变换来提取粗糙裂纹轮廓信息。它使用不同直径的盘形结构元件和不同长度和方向的线性结构。各元素分别对小波分解后的低频图像分量进行开运算，并对两组结构元素计算结果的最大差值进行消隐，S. Liu等人阵列15（2022）1001935见图4。 小波变换算法流程图。作为提取的裂纹。圆顶礼帽变换定义为[40]：2016- 05-2501 ： 01： 02 （ |{IDd}-maxθ{ILd，θ}| ）（12）其中I是小波分解后的低频图像，Ibh是通过圆顶帽变换提取的裂纹图像。D是圆盘结构算子，L是线性结构算子.d表示不同scales，则d∈ [1，dmax]，dmax是最大的scales。θ表示不同的方向，θ∈[0， 180<$）。θsep是由角度θ选择的步长，即θ每个θsep取一个值。由于裂纹是线性结构，选取方向间隔θsep为10，通过18个方向上的线性结构单元和13个不同半径的盘状结构单元的相互作用，对图像中的裂纹像素进行匹配。对于圆盘算子，大于尺度d的像素被保留为裂缝像素，而对于线算子，沿着方向θ和大于d的尺度的像素被保留为裂缝像素，并且其他像素作为噪声点被去除。图像熵是衡量一幅图像包含了多少有用信息的重要指标。为了保证小波重构后图像的准确性，采用图像熵来度量小波变换的能量，在任何方向上，宽度一般为2至13PIXELS，因此dMax 选择用圆顶帽变换和多尺度Retinex增强图像中的裂纹信息。给出了图像增强的计算公式，图五. 不同算法的裂纹增强实验结果S. Liu等人阵列15（2022）1001936，）-（）（）N（）（）M（g（x，y）∑∑（gH=-∑ ∑p（x，y）logp（x，y）（13）熵表示为：MN√√̅ ̅ ̅ ̅̅(̅∑N∑M̅)̅2x yy=1x= 1M×Nx=1y=1contra=1x=1（十六）其中，px，y表示PIXEL的pixel值，x，y、M和N分别是图像的宽度和高度。让我成为你的形象经礼帽变换处理后的图像，其熵为H1，IMSR为多尺度Retinex增强后的图像，其熵为H2，则需要重建的图像分量表示为：I′=H1Ibh+H2IMSR（14）M×N其中，g x，y是像素的梯度值，elx，y，M和N分别是图像的宽度和高度亮度均值、对比度、信息熵三个性能指标的实验结果如图6所示，图像处理时间如表1所示。通过COM-H1+H2H1+H2通过对比可以看出，传统的单像素增强后的图像利用小波逆变换重构图像分量，得到增强后的裂纹图像4. 实验和分析为了充分说明改进算法增强性能的优越性，对原始图像、单尺度Retinex算法、以前的多尺度Retinex算法和本文提出的增强方法的综合图像评价指标进行了比较。基于上述算法的裂纹图像实验结果如图5所示。实验结果表明，与传统方法相比，改进后的方法能更好地突出裂缝的特征信息，在很大程度上改善了图像的整体视觉效果，并在一定程度上减少了光晕和伪影现象。处理后的图片更加清晰，图像质量有了很大的提高，有利于后续裂纹的特征识别。为了客观地比较裂纹图像增强效果，基于每种算法，对混凝土路面裂缝、沥青路面裂缝、橡胶跑道裂缝、桥梁裂缝和隧道裂缝五种图像数据集进行了实验测试。它们是从信息熵（反映图像中的信息量，计算为等式（1））进行比较的。（13））、亮度平均值（反映图像的整体亮和暗效果，如等式（13）所计算）、亮度平均值（反映图像的整体亮和暗效果，如等式（14）所计算）、亮度平均值（反映图像的整体亮和暗效果，如等式（15）所计算）、亮度平均值（反映图像的整体亮和暗效果，如等式（15）所计算）。下面的公式（15））、对比度平均值（反映图像的灰度级的丰富度，如公式（15）所计算）。（16））和时间（图像处理处理所消耗的时间）。亮度平均值：单尺度和多尺度Retinex算法在亮度均值、对比度均值和信息熵上都比原始图像增强了很多，验证了Retinex算法对破损路面图像增强的有效性。但是，与本研究的算法相比，传统的al-tax m的性能明显变差，不仅减少了信息量，而且消耗了较长的时间。本研究所采用的增强算法有效地提高了破损路面图像中非裂缝区域与裂缝线的对比度和区分度，突出了图像中的裂缝特征信息，达到了便于裂缝线提取的目的。经过对比分析，本文提出的算法在裂纹图像增强性能上仍具有明显的优势。本研究最终采用传统的多尺度Retinex算法采用多尺度Retinex融合小波变换算法对裂纹图像进行增强，并对裂纹进行识别。验证了改进后的AL-KIM的裂纹图像增强性能和裂纹识别精度的提高。部分裂缝检测结果如图7所示，基于上述两种算法的裂缝识别性能如表2所示。从图6和表2中的结果来看，改进方法的整体性能高于先前的多尺度Retinex算法。增强的图像处理达到了令人满意的效果，在一定程度上削弱或消除了自身算法的缺点，提高了图像表1NM图像处理时间比较表。y∑1x∑1g（x，y）数据集SSR算法MSR算法本文算法亮度===M×N（十五）1 6.3584 4.4532 2.6237对比度平均值：2.7521 4.94373.3438 4.4390 2.51704.9682 4.0465 1.98762019年12月15日星期五图第六章 基于不同算法的增强性能综合比较。S. Liu等人阵列15（2022）1001937表2图第七章裂纹识别的实验结果。5. 结论裂纹检测系统的识别性能。在基于图像处理的路面裂缝检测系统中，算法特征提取特征识别识别精度路面破损图像增强处理对提高裂缝线检测精度具有重要意义。所以一间传统MSR改进的21，362 16，043 75.1%17，452 16，719 95.8%提出了一种改进的融合小波变换后的多尺度Retinex图像增强算法。该算法首先介绍了用于裂纹增强的Retinex算法。基于MSR优势 这 算法被 能够 到 处理...问题S. Liu等人阵列15（2022）1001938图像的光照不均匀，很好地解决了图像增强中原始道路破损图像光照同时，在原有多尺度Retinex的基础上引入小波变换，消除了传统算法产生的光晕伪影效应，从而减少了图像失真。弥补了原算法的不足。此外，本影/半影区域阴影的去除，保持了阴影区与非阴影区光强的一致性，消除了高强度阴影带来的干扰，在一定程度上提高了后续裂缝增强和裂缝识别。通过亮度均值、对比度和信息熵的比较，可以看出新提出的图像增强算法能够对采集的路面破损图像进行较好的预处理。区域）和本研究将上述方法应用于裂缝检测的预处理步骤。实验结果验证了本文算法的有效性和可行性。基于传统多尺度Retinex增强算法的裂缝系统识别准确率仅为75.1%，而本文提出的改进增强算法将识别准确率提高到95.8%，其性能远优于传统方法，且每张图像的计算时间相对较短.实验结果充分证明了新算法对路面破损图像的增强效果。提取物最后需要指出的是，提高本研究提出的改进算法的时间复杂度，对本文算法应用的实时性要求具有明显的意义。 综上所述，本研究为路面破损图像的预处理提供了一种有效的解决方案。同时，该方法也可应用于墙体裂缝、钢板裂缝等其他目标检测与识别系统。具有广泛的应用价值。资金本 研 究 得 到 了 浙 江 省 自 然 科 学 基 金 资 助 项 目 （ 编 号 ：LY17F020034。竞合利益我们声明，我们与其他人或组织没有任何财务和个人关系，可以不适当地影响我们的工作，没有任何性质或种类的任何产品，服务和/或公司的专业或其他个人利益，可以被解释为影响的立场，或审查，手稿题为。确认一个也没有。引用[1] 作者：Jiang Jiang，Jiang Jiang.基于数据同化法的公路桥面板剩余疲劳寿命数值评估。桥梁维护、安全、管理、生命周期可持续性和创新。北京：人民出版社，2021.p. 1152- 60[2] Babashamsi Peyman等。延迟预防性维护中机场道面生命周期成本分析和风险评估的观点。可持续性2022;14（5）：2905。[3] Evdorides HT，Snaith MS，Anyala M.路面疲劳分析研究。见：《土木工程师学会运输学报》，第159卷。ThomasTelford Ltd; 2006.号 二、[4] 莫汉·阿伦普巴尔·苏马蒂 使用图像处理的裂缝检测：评论与分析。Alex EngJ2018;57（2）：787-98.[5] 黄一德阮国林基于图像处理和机器学习方法的沥青路面裂缝自动识别：分类器性能的比较研究。 数学Probl Eng 2018;2018.[6] 冯晓然，等。基于改进深度学习融合模型的路面裂缝检测与分割方法。 数学Probl Eng 2020;2020.[7] 王春来，侯晓林，刘玉波。基于无监督机器学习的三维裂纹识别。 Rock MechRock Eng 2021;54（2）：893-903.[8] 基于图像识别的路面裂缝自动检测。2019年智能基础设施和建设国际会议（ICSIC）推动数据知情决策。 ICE出版社; 2019年。[9] 尹海范，莫赫塔里·索鲁什，吴六六。柔性路面裂缝形态学图像处理识别与分割。交通研究报告2015;2523（1）：115-24。[10] MainiRaman Aggarwal Himanshu 研究和比较了各种图像边缘检测技术。IntJImage Process 2009;3（1）：1-11.[11] 袁春兰，等。基于Sobel算子的图像边缘检测研究。激光红外2009;39（1）：85-7.[12] 精明的约翰。边缘检测的计算方法。IEEE跨模式AnalMach Intell 1986;6：679-98.[13] Mahler David S等人，使用图像处理技术进行路面损坏分析。计算机辅助土木工程1991;6（1）：1-14.[14] 放大图片作者：Darwin David，Abou-Zeid Mohamed Nagib，Ketcham Kirk W.水泥浆体裂缝的自动识别。 水泥混凝土研究1995;25（3）：605-16.[15] 奥利维拉·亨里克科雷亚·保罗·洛巴托基于熵和图像动态阈值的路面裂缝自动分割。2009年第17届欧洲信号处理会议。IEEE;2009年。[16] 作者：Elbehiery H，Hefnawy A，Elewa M.基于图像处理和形态学技术的瓷砖表面缺陷检测。2005年[17] Liu，Yiqing，and Justin KW Yeoh.“从图像中自动识别裂缝模式，用于混凝土结构的状态评估。”《明史》（卷128）：“。[18] 乔文婷，等。基于分块阈值图像处理的混凝土梁裂缝识别算法研究。StructDurab健康监测2020;14（4）：355。[19] 胡勇，赵春霞，王洪南.使用纹理和形状描述符的路面裂缝自动检测。IETE TechRev2010;27（5）：398-405.[20] 基于交叉熵损失函数和改进VGG16网络模型的混凝土路面裂缝检测。 IEEEAccess 2020;8：54564-73.[21] 余天堂，朱艾希，陈莹莹. 基于红外图像的隧道衬砌表面裂缝高效检测方法。JComput Civ Eng 2017;31（3）：04016067.[22] 王德芳，曾伟明，王妮娟。基于改进k-means算法的非均匀光照下道路裂缝检测。Comp Appl Softw 2015;32（7）：244-7.[23] 基于Gabor滤波和Retinex理论的低照度彩色图像增强。Multimed ToolAppl2021;80（12）：17705-19.[24] 埃德温·H·兰德色觉的视网膜理论美国科学1977;237（6）：108-29.[25] 王全磊，等。基于改进多尺度retinex和Sobel边缘检测的隧道衬砌裂缝识别。 数学Probl Eng 2021;2021.[26] 钱斌，唐振民，徐伟。基于改进张量投票的路面裂缝检测。2014年第九届计算机科学教育国际会议&。IEEE;2014年。[27] 放大图片作者：Jobson DanielJ，Zia-ur Rahman，Woodell Glenn A.一种多尺度视网膜，用于弥合彩色图像和人类对场景的观察之间的差距。IEEETransImageProcess 1997;6（7）：965-76.[28] 胡义生，张明。基于多尺度小波变换的图像对比度增强方法[J].现代电子技术2007;（17）：177-8. 网址：//doi. org/10.16652/j.issn.1004-373X.2007.17.036。[29] Sorncharean Siwaporn，Phiphobmongkol Suebskul.基于增强网格单元分析的沥青路面图像裂纹检测。第四届IEEE电子设计、测试与应用国际研讨会（Delta2008）。IEEE; 2008年。[30] 陈继国。从单个数字图像中分割和去除阴影。MS论文 华东师范大学; 2010.[31] 阿贝尔·伊莱赫尔·哈吉特包含曲面的彩色图像中的纹理保持阴影去除。2007年IEEE计算机视觉与模式识别会议。IEEE;2007年。[32] 刘锋，格列彻·迈克尔。纹理一致的阴影消除。欧洲计算机视觉会议。Berlin，Heidelberg：Springer; 2008.[33] 吴丽芳，周鹏，徐晓。结合归一化结构描述子与单尺度视网膜的光照不变人脸识别方案。在：中国生物识别会议。Cham：Springer; 2013.[34] 塔吉里普尔·法沙德费克里·埃尔沙德·舍万利用改进的局部二值模式和单尺度retinex开发了一种新的岩石孔隙度计算方法。 ArabianJ Sci Eng 2014;39（2）：875-89.[35] 放大图片创作者：JohnJ. 研究了多尺度Retinex下图像增强与图像压缩之间的关系. J Vis Commun Image Represent 2011;22（3）：237-50.[36] 林浩宁，施振伟。用于夜间图像增强的多尺度retinex改进。Optik2014;125（24）：7143-8。[37] 梅兰·劳伦斯，这位是苏斯特伦·萨宾.使用基于retinex的自适应滤波器的高动态范围图像渲染。 IEEE TransImage Process 2006;15（9）：2820-30.S. Liu等人阵列15（2022）1001939[38] 作者：JungCl'audioRosito，SchacanskiJ. 基于小波变换的尺度空间自适应图像去噪。在：会议记录十四巴西计算机图形和图像处理研讨会. IEEE; 2001年。[39] 杨毅，苏正伟，孙立.基于小波变换的医学图像增强算法。电子通讯2010;46（2）：120-1.[40] 作者声明：Dr.多尺度bowler-hat变换在视网膜血管增强中的应用。 模式2019;88：739-50。