此外，还按照管道的各种特殊情况，按时地反复检验管道，并且在第一时间掌握管道的情况，在其中发现管道腐蚀的特点，进而能够更好地估计管道今后的状态，同时也可以就部分严重问题进行最快地处理。

1.3管道裂缝分类

图1.1 液化裂纹(1)

图1.2 液化裂纹（2）

图1.3 延迟裂纹

分析后发现，液化裂纹主要是条状裂纹，而延迟裂纹的形式主要是类网状裂纹。在后续的程序设计时，会考虑实现识别出不同裂纹的种类的功能。

1.5本文的研究内容及研究安排

图1.4 处理流程图

对论文的安排如下：

第二章：主要研究对采集到的图像的预处理方法，包括直方图均衡化，中值滤波去噪，gamma变换等一系列用于去除噪声的算法。

最后进行总结与展望，对自己设计的检验过程的不足之处进行总结并评估给出改进意见。

同时，由于该程序是基于MATLAB GUI设计的，最终交互界面如下图所示：

图1.5 MATLAB GUI交互界面

2对裂缝图像的预处理

2.1 直方图均衡化

2.1.1直方图均衡化含义  

 图2.1原图图像                            图2.2原图直方图

 图2.3均衡化后图像  图2..4均衡化后图像直方图

2.1.2编码实现

J = histeq(I, n)

2.2滤波去噪

2.2.1噪声的产生原因及去噪意义

   图像的退化往往伴随着噪声。另外，在部分场景下唯一的退化就是噪声。此时图像复原与图像增强所做的处理几乎不可区分。噪音的关键来源和影像的提取与传递经过。

(1)影像感应设备的运行状况会被许多因素所干扰，像影像提取时的环境因素与感应装置组件的品质等。像在借助CCD摄像设备提起影像过程中，光照的强度与感应装置的温度为影像出现噪音的关键因素。

(2)影像在传递时基本是因为所用传递信道受限而被噪音干扰。因为文章中研究的裂缝影像传输借助的是无线网络，此类状态下影像或许会由于光或大气等因素干涉而遭到污染。

2.2.2滤波方法的分类及选取

（1）均值滤波

 图2.5直方图均衡化图像（2）                         图2.6均值滤波图像

（2）高斯滤波

影像的高斯滤波同样是借助邻域均衡来对影像去噪的一种手段，在高斯滤波内，就影像作平均化处理过程中，各位置的像素被赋了不同值，更接近邻域中心地方，权值就更高。这样分配权值主要是为了借助这一模板对影像作平滑操作过程中，能够在模糊影像的细节前提下，在更大程度上保留影像的灰度分布的综合属性。具体滤波图像对比如下：

 图2.7直方图均衡化图像（3）  图2.8高斯滤波图像

通过对比图能够得知，高斯滤波就对比度较高的影像而言平滑率不高，在离散类去噪部分，高斯滤波的作用不显著。分析后发现这主要是因为，高斯滤波在降低图像噪声的同时，无法对图像中本来的边缘或者纹理信息进行有效的保护，客观上也削弱了图像的视觉质量。

（3）中值滤波

影像的中值滤波为借助就邻域中的样本信息进行排位，然后得到中间值以确定中心像素灰度的操作方法。和之前的影像强化运算方法进行比较，影像的中值滤波在局部分离去噪部分成效较好。

之前提及的均值滤波和高斯滤波，结合两类运算方法的平滑线性滤波运算方法在分散去噪部分，使用的均为把噪音的影响平摊至各像素，进而控制噪音点的干扰，不过采取这一手段必然会导致影像变得非常模糊。分析背后的原因，平滑线性滤波设备的运行方法能够比喻成借水冲洗污渍，而最终污渍并未不见，仅仅是变淡了而已，假设污渍点相对大而密集的时候，那么冲洗之后很可能导致所有区域均被污渍干扰。但试着改变方法后，假设不用冲洗的手段，而尝试只想去污点，那么便能够防止污渍过多情况下清除出现阻碍。这就是中值滤波的基本思想。具体对比图如下所示：