裂缝作为常见的隧道病害,严重影响着隧道的安全,因此定期对隧道裂缝进行检测尤为重要。隧道内部环境复杂,存在着大量干扰因素,导致采集的图像存在光照不均、目标对比度低、纹理复杂、噪声干扰等问题。而目前国内外对裂缝检测的理论研究主要应用于工业产品、公路路面、桥梁工程中,并不适用于隧道裂缝的检测。本文提出了一种基于图像处理技术的隧道裂缝检测方法,能够准确识别裂缝并进行分类,同时可在像素域计算裂缝的几何特征值。论文的主要研究内容如下:(1)设计了裂缝图像的两步预处理步骤。通过直方图均衡化对裂缝图像进行灰度校正,调整图像的灰度范围,然后基于小波变换对裂缝图像进行滤波增强。因为小波变换的方向选择性和多分辨率分析的优点,可以在原始图像与变换系数之间建立起良好的相关性,所以通过单独处理不同分辨率级的小波系数,能够达到增强裂缝目标对比度的目的。(2)设计了基于最大类间方差法的阈值分割算法。裂缝区域的灰度值偏低,背景区域的灰度值偏高,利用两个区域灰度值的不同,对图像像素点进行分类。该算法通过使类间方差最大来自动确定阈值,并根据分割效果对阈值进行修正。实验结果显示,修正后的阈值能够很好地将裂缝从图像背景中分割出来,最大程度保护裂缝信息,弥补了边缘检测算子对噪声敏感的缺点。(3)设计了基于BP神经网络的裂缝分类识别算法。将裂缝的像素总数、最小外接矩形的长宽比以及在水平和垂直方向上的投影等四个特征作为BP神经网络的输入向量,输出结果包括横向裂缝、纵向裂缝、斜向裂缝和网状裂缝四种裂缝类型。选取83张包含各种类型裂缝的图像作为训练样本,对BP神经网络进行训练,再利用训练好的BP神经网络对107张裂缝图像进行分类识别,统计结果显示,四种裂缝的识别率均达到90%以上。(4)根据裂缝几何特征值的计算方法对不同算法处理得到的裂缝图像进行计算,计算不规则裂缝的面积及规则裂缝的长度和宽度,结果验证了本文采用裂缝处理方法的的可行性和准确性,为裂缝病害等级的评价提供了可靠的依据。