线状目标的检测与分割是图像处理中的重要内容,常见的线状目标如医学领域的毛细血管、遥感影像中的机场跑道和公路隧道中的裂缝病害等。近年来我国公路建设取得了长足的发展,极大地促进了相关地区的经济增长,但随之而来的一个问题便是公路的维修与养护。路面病害时刻威胁着人们的出行安全,传统人工检测伴随着主观性、不安全性和低效性,实现路面病害的自动化检测一直是广大科研人员的目标。裂缝是大多数病害的早期特征,在宏观上呈现出一定的长度、宽度与方向,是一类典型的线状目标。本文以裂缝检测作为主要研究内容,利用图像处理技术,提出了两种方法实现裂缝检测与分割。一个是传统方法,即利用多方向模板卷积实现裂缝分割;另一个是结合深度学习实现裂缝的检测及语义分割。具体工作如下:(1)设计多方向大尺度模板实现裂缝分割。在图像预处理部分提出了新的自适应阈值化算法,然后设计16个方向的大尺寸模板,用模板与经过二值化的路面图像进行卷积计算,最后对卷积结果进行阈值化,便能得到路面裂缝的分割结果图。算法对线状裂缝和网状裂缝都有较好的分割效果。(2)利用卷积神经网络实现裂缝检测。首先手动进行数据的切割与标注,把图像划分成96?96的小块作为网络输入。针对类别不均衡以及样本不充足的问题,提出了一种新的算法生成伪裂缝来扩充数据。公路图片训练集为167,328张,隧道图片训练集为179,718张。基于TensorFlow深度学习框架设计了一个卷积神经网络,在公路样本上获得96.01%的正确率,隧道样本的正确率为74.25%;然后基于多层感知卷积层思想以及多尺度卷积核思想对网络模型进行改进,公路样本的分类正确率提升到97.02%,结合生成的伪裂缝数据,隧道样本的正确率提升到89.72%。通过可视化技术解释了网络为何能实现裂缝分类检测,并设计单层卷积神经网络分析传统方法中多方向模板与卷积神经网络中卷积核的区别与联系。(3)利用全卷积神经网络进行裂缝语义分割。基于PyTorch深度学习框架设计了两个网络模型。第一个网络参考FCN,由前面裂缝分类的CNN网络改造而成,网络输入图片大小为96?96。用FCN网络对路面裂缝的分割结果较为粗糙,均交并比为0.5480;第二个网络参考U-Net,网络输入图片大小为256?256,U-Net网络对路面裂缝的分割质量较为理想,均交并比为0.6514。