基于Jet伪彩色映射与双模态融合的混凝土裂缝图像增强算法

《Mathematics》：Bimodal Image Fusion and Brightness Piecewise Linear Enhancement for Crack Segmentation Yong Li, Nian Ji, Fuzhe Zhao, Huaiwen Zhang, Zeqi Liu, Laxmisha Rai and Zhaopeng Deng

　　

针对混凝土裂缝图像在采集过程中因光照不均、背景复杂导致的低对比度与细节丢失问题，研究人员提出了一种结合伪彩色映射与双模态融合的自适应增强框架。该方法首先通过Jet伪彩色映射函数将灰度图像转换为RGB三通道图像，其中红色、绿色与蓝色通道分别由分段函数定义，以突出不同灰度区间的特征差异。随后，引入Bhattacharyya系数（Bhattacharyya Coefficient, BC）量化伪彩色图像与原始图像之间的分布相似性，并基于此设计加权融合策略，在保留原始结构信息的同时增强裂缝区域的视觉显著性。为进一步解决不同图像间亮度差异带来的增强不稳定问题，研究人员构建了基于亮度的三段式分段线性函数，依据像素灰度值自适应调整增强参数。实验结果表明，该算法在提升裂缝区域对比度、抑制背景噪声及保留边缘细节方面均优于传统方法，可有效支持后续的自动化裂缝识别任务。

研究背景方面，混凝土结构表面裂缝是评估其健康状况的重要指标，但现场采集的图像常受光照变化、表面纹理干扰等因素影响，导致裂缝与背景对比度低、细节难以辨识，给自动化检测带来困难。现有增强方法多采用固定参数，难以适应复杂多变的现场环境。为此，研究人员开展了面向裂缝检测的自适应图像增强方法研究，旨在提高裂缝区域的可见性与特征可辨识度，从而提升检测精度与可靠性。该研究发表于《Mathematics》期刊。

关键技术方法主要包括：（1）Jet伪彩色映射模型，通过定义红、绿、蓝三个通道的分段函数，将灰度图像转换为伪彩色图像；（2）基于Bhattacharyya系数（BC）的双模态融合策略，通过计算两幅图像直方图分布的相似度，动态分配原始图像与伪彩色图像的融合权重；（3）自适应亮度分段线性增强，依据像素灰度值所处的区间采用不同的线性变换参数，实现局部对比度增强。研究所用图像为公开的混凝土裂缝数据集，包含多种光照与背景条件下的样本。

研究结果部分，首先在“Jet伪彩色映射”中，研究人员设计了四个分段函数分别定义R、G、B通道的输出值，将输入灰度x映射至[0,1]区间内的彩色空间，实验显示该方法能有效区分裂缝与背景区域。其次，在“计算Bhattacharyya系数”部分，研究人员采用BC度量两幅图像直方图分布的重叠程度，其值介于0到1之间，用于量化图像间的相似性，为融合权重提供依据。接着，在“构建双模态融合图像”中，研究人员提出融合函数F(x,y)=α·A(x,y)+β·B(x,y)，其中α=BC?/(BC?+BC?)，β=BC?/(BC?+BC?)，A与B分别为伪彩色图像与原始图像的像素值，BC?为伪彩色图与原始图的相似度，BC?为两幅原始图间的相似度，通过此策略可在保留真实纹理的同时增强裂缝特征。最后，在“亮度分段线性增强”部分，研究人员根据像素灰度值将其分为三个区间，分别采用不同的斜率与截距进行线性变换，以自适应地拉伸对比度并抑制过曝或欠曝区域。

讨论与结论部分指出，所提出的增强框架能够显著提升混凝土裂缝图像的视觉质量，在多种环境下均能稳定增强裂缝区域，同时避免过度增强背景噪声。该方法通过融合策略平衡了特征增强与信息保真，并通过自适应分段函数解决了亮度差异问题，为后续基于深度学习的裂缝自动识别提供了高质量输入数据。研究结果证明了多模态融合与自适应增强在结构健康监测图像处理中的有效性。