CN116542969B - 一种基于视觉技术的道路沥青粘连检测方法 - Google Patents

Abstract

本发明涉及图像处理领域，提供一种基于视觉技术的道路沥青粘连检测方法，包括：采集道路表面图像，得到道路表面图像对应的灰度图像以及梯度图像；利用伽马矫正算法基于梯度图像计算梯度图像各梯度特征对应的各个不同区域对应的伽马值；基于各个不同区域对应的伽马值对灰度图像进行增强处理，得到增强后的图像；基于增强后的图像进行道路沥青粘连检测。本发明的方法通过提取图像的梯度特征将图像划分为多个区域，而后计算各个区域的伽马值，从而对图像进行增强。最后基于增强图像进行沥青粘连度检测，获取准确的路面沥青粘连结果，从而根据结合确定修复方案。该方法能够准确进行沥青缺陷的分割检测，提高沥青粘连度检测的准确性。

Description

一种基于视觉技术的道路沥青粘连检测方法

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于视觉技术的道路沥青粘连检测方法。

背景技术

道路沥青粘连是指道路表面的沥青与基层之间的额黏附程度。沥青在道路建设中广泛用于路面保护和加固材料，然而如果沥青和基层之间的黏附不足，就会产生路面裂缝等，可能会引起严重的安全问题，如车辆滑动、路面不平坦等，如果不及时修复就会导致较大的安全隐患。随着视觉技术的进步，传统的人工检测逐渐被淘汰，但是利用视觉检测算法对路面沥青粘连质量进行检测时，由于需要利用摄像机获取路面图像，所以受光照影响较大，若光线过亮则容易产生曝光的问题而影响检测结果，因此需要对采集到的路面图像进行增强以获得更精确的检测结果，确保工作人员及时修复。

伽马矫正是常用的图像增强算法之一，能够有效解决图像的曝光问题，但是传统的伽马变换未考虑到图像的局部特性，容易造成过增强或欠增强的问题，从而导致在进行沥青缺陷分割检测时分割结果不准确，进而导致沥青粘连度检测结果不准确。

发明内容

本发明提供一种基于视觉技术的道路沥青粘连检测方法，该方法能够准确进行沥青缺陷的分割检测，提高沥青粘连度检测的准确性。

第一方面，本发明提供一种基于视觉技术的道路沥青粘连检测方法，包括：

采集道路表面图像，得到道路表面图像对应的灰度图像以及梯度图像；

利用伽马矫正算法基于梯度图像计算梯度图像各梯度特征对应的各个不同区域对应的伽马值；

基于各个不同区域对应的伽马值对灰度图像进行增强处理，得到增强后的图像；

基于增强后的图像进行道路沥青粘连检测。

在一实施例中，利用伽马矫正算法基于梯度图像计算梯度图像各梯度特征对应的各个不同区域对应的伽马值，包括：

基于梯度图像的梯度特征对梯度图像等区域划分，得到多个图像块；

计算相邻图像块之间的相似度，基于相似度将多个图像块合并，得到多个合并区域；

计算每一合并区域对应的伽马值。

在一实施例中，计算每一合并区域对应的伽马值，包括：

计算每一合并区域对应的融合程度以及边缘复杂度；

基于融合程度以及边缘复杂度计算每一合并区域对应的增强程度；

基于每一合并区域对应增强程度计算每一合并区域对应的伽马值。

在一实施例中，计算相邻图像块之间的相似度，基于相似度将多个图像块合并，得到多个合并区域，包括：

计算相邻图像块之间的交叉熵；

基于交叉熵计算相邻图像块之间的相似度；

如果相似度大于预设值，则将相邻图像块合并，得到多个合并区域。

在一实施例中，计算每一合并区域对应的融合程度以及边缘复杂度，包括：

基于合并区域中合并块之间的相似度计算合并区域对应的融合程度；

基于合并区域中边缘像素点计算合并区域对应的边缘复杂度，边缘像素点是通过边缘检测对道路表面图像进行边缘检测后确定的。

在一实施例中，基于合并区域中合并块之间的相似度计算合并区域对应的融合程度，包括：

；

其中，表示第/>个合并区域的融合程度， />表示第/>个合并区域中第/>个块与其他/>个块中第/>个块的相似度，且/>，/>表示第/>个合并区域中合并块的总数，计算这些合并块两两对应的相似度，则需要计算的相似度总数为。

在一实施例中，基于合并区域中边缘像素点计算合并区域对应的边缘复杂度，包括：

；

其中，表示第/>个合并区域中存在的边缘像素点个数，/>表示第/>个合并区域中的像素点总个数，/>表示边缘像素点个数在合并区域中的占比；/>表示第/>个合并区域中第/>个边缘像素点与其连续的边缘像素点形成的连通区域的面积，/>表示第/>个合并区域中第/>个边缘像素点与其连续的边缘像素点形成的连通域周长，/>表示第个合并区域中边缘像素点的面积比。

在一实施例中，基于融合程度以及边缘复杂度计算每一合并区域对应的增强程度，包括：

；

其中，表示第/>个合并区域的增强程度，/>表示第/>个合并区域的边缘复杂度，/>表示第/>个合并区域的融合程度，/>为不定参数。

在一实施例中，基于每一合并区域对应增强程度计算每一合并区域对应的伽马值，包括：

；

其中，表示第/>个合并区域对应的伽马值，/>表示第/>个合并区域的增强程度，/>表示对数值进行标准化处理使/>。

在一实施例中，合并区域对应的增强程度与伽马值成反比例关系。

本发明的有益效果，区别于现有技术，本发明的基于视觉技术的道路沥青粘连检测方法，包括：采集道路表面图像，得到道路表面图像对应的灰度图像以及梯度图像；利用伽马矫正算法基于梯度图像计算梯度图像各梯度特征对应的各个不同区域对应的伽马值；基于各个不同区域对应的伽马值对灰度图像进行增强处理，得到增强后的图像；基于增强后的图像进行道路沥青粘连检测。本发明的方法通过提取图像的梯度特征将图像划分为多个区域，而后计算各个区域的伽马值，从而对图像进行增强。最后基于增强图像进行沥青粘连度检测，获取准确的路面沥青粘连结果，从而根据结合确定修复方案。该方法能够准确进行沥青缺陷的分割检测，提高沥青粘连度检测的准确性。

附图说明

图1为本发明基于视觉技术的道路沥青粘连检测方法的一实施例的流程示意图；

图2为本发明计算合并区域对应的伽马值的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图和实施例对本发明进行详细的说明。

请参见图1，图1为本发明基于视觉技术的道路沥青粘连检测方法的第一实施例的流程示意图，具体包括：

步骤S11：采集道路表面图像，得到道路表面图像对应的灰度图像以及梯度图像。

路面的照明条件对图像质量有很大影响，选择阳关充足的情况下对路面进行拍摄，为获取更清晰的路面图像，在无人机上设置高分辨率相机，并在拍摄时保持垂直于地面的角度，这样获取的路面图像损失越少。而后对采集的路面图像进行灰度化处理，获取路面灰度图像，记为。为方便后续对路面图像划分后，块之间的相似度计算，所以首先获取路面图像的梯度图像，利用/>算子获取路面图像的梯度图像，记为/>。至此，获得了路面图像的灰度图像以及梯度图像。

步骤S12：利用伽马矫正算法基于梯度图像计算梯度图像各梯度特征对应的各个不同区域对应的伽马值。

具体的，基于梯度图像的梯度特征对梯度图像等区域划分，得到多个图像块；计算相邻图像块之间的相似度，基于相似度将多个图像块合并，得到多个合并区域；计算每一合并区域对应的伽马值。

为计算图像局部存在的差异性，首先对图像进行等区域划分，而后为提高计算效率需要对得到的块进行合并，因为沥青粘连容易造成局部缺陷，与周围正常区域产生的边缘方向存在差异且梯度幅值的变化较快，所以本方法通过计算相邻块之间的梯度方向直方图存在的交叉熵确定其相似度，若存在的交叉熵结果越小则说明相邻块之间存在的边缘方向差异越小，同时分块区域间存在的梯度波动大小越相近则相似度越高，可合并性就越高。因此，通过合并后得到新的合并块。因此在一实施例中，对多个图像块进行合并时，计算相邻图像块之间的交叉熵；基于交叉熵计算相邻图像块之间的相似度；如果相似度大于预设值，则将相邻图像块合并，得到多个合并区域。

具体的，将路面沥青梯度图像等区域划分为/>个块，本方法规定，而后获取每个分块区域的梯度方向直方图，将梯度方向均分为12级，记为，而后以梯度方向级为横轴、像素点频数/>为纵轴构建梯度方向直方图，得到/>个块的梯度方向直方图，而后需要根据相邻块之间的相似度对其进行合并。首先计算第/>个块与其8邻域内第/>个相邻块之间的交叉熵：

；

其中，表示第/>个块与其第/>个相邻块之间的交叉熵，且/>，表示第/>个块的梯度方向直方图中第/>个方向级的像素点频数，/>表示第/>个块的第/>个相邻块的梯度方向直方图中第/>个方向级的像素点频数。

由于路面图像的梯度方向会受到正常路面沥青纹理的影响，所以仅以此作为指标衡量相似度存在偶然性结果，所以本方法结合块之间存在的梯度波动程度差异确定第个块与其第/>个相邻块之间的相似度：

；

其中，利用交叉熵和梯度方差与总和的比值将两个指标归一化处理，表示第/>个块与其第/>个邻接块的梯度方差差值，/>表示第/>个块与其第/>个相邻块之间的相似度。

图像块与其邻接的图像块的相似度=[-(梯度方向差异+梯度幅值波动差异)]，由于梯度方向和梯度幅值波动的差异越小，说明两个块之间的内部结构相似度越高，反之则相似度越低，因此构建递减函数关系以量化出块之间的相似度。而后通过阈值处理，规定当相似度/>时说明两个块之间的相似度高，对其进行合并。需要注意的是，在进行块间相似度计算时存在重复计算的像素块，对于重复计算的像素块，本方法选择与其相似度最高的邻接块进行合并，记合并后的合并区域个数为/>个。

因为路面沥青粘连好坏关系路面对抗环境变换以及突发因素的能力，所以为保证行驶车辆安全，需要对沥青的粘连程度进行检测，为防止图像亮度影响检测结果，首先需要利用伽马矫正对图像进行增强。为增强伽马矫正的局部自适应性，需要对图像进行区域划分：首先将图像等距离划分，而后获取每个区域的梯度方向直方图，结合梯度方向的相似度以及梯度幅值的波动程度对分块区域进行合并，将相似度高的块合并后获取新的分块区域，此时的计算量减小并且通过梯度方向相似性合并一定程度上保存了局部边缘的完整性。

通过上述方法得到M个合并区域后，计算每一合并区域对应的伽马值。具体的，请结合图2，图2为计算合并区域对应的伽马值的流程示意图，具体包括：

步骤S21：计算每一合并区域对应的融合程度以及边缘复杂度。

因为沥青粘连性差容易产生路面缺陷，利用相似度对图像块合并得到合并区域后，将梯度相似的块划分在一个区域，将可能存在沥青粘连缺陷的区域块合并在一起，所以对这些区域的增强必要性高一些。所以本方法首先通过检测每个合并区域的边缘复杂度确定其增强必要性：边缘复杂度越高则存在粘连缺陷的概率越高，为使这些区域的粘连性检测结果更准确，对这些区域进行增强的程度更高。

由于在进行同类块合并时存在将边缘划分开的情况，若合并区域内存在边缘较完整，则对该区域的复杂度计算结果的参考价值更大。所以本方法通过上述计算的相似度对每个合并区域的融合性进行计算，对于融合性好的区域，边缘复杂度越高则存在沥青粘连缺陷的概率越大，则对该区域的增强必要性更高。对于融合性较差的合并区域，其边缘完整性较低，则根据这些区域得到的边缘复杂度的参考价值相对较小，因此本方法首先通过相似度计算每个合并区域的融合性，而后构建融合性、边缘复杂度以及增强必要性之间的关系式，从而获得对每个合并块的增强程度，为后续伽马值的确定提供依据。

在一具体实施例中， 基于合并区域中合并块之间的相似度计算合并区域对应的融合程度。由于合并区域是根据图像块之间的相似度进行合并得到的，根据梯度将含有大量边缘像素点的块划分在一个区域，同样将含有少量或不包含边缘像素点的块分别划分在与其表现特征相似的区域，但是本方法是通过阈值处理对块进行合并的，其中不乏存在将含有微量边缘像素点和不包含边缘像素点的块合并在一起，此时虽然合并区域之中的分块间的相似度高，但是仍具有一定的波动情况，所以本方法首先根据合并区域中各个图像块间存在的相似度计算每个合并区域的融合程度。具体的，基于合并区域中合并块之间的相似度计算合并区域对应的融合程度，包括：

；

其中，表示第/>个合并区域的融合程度，/> />表示第/>个合并区域中第/>个块与其他/>个块中第/>个块的相似度，且/>，/>表示第个合并区域中合并块的总数，计算这些合并块两两对应的相似度，则需要计算的相似度总数为/>，/>表示标准化处理，使数据/>。由于在合并区域内块之间的相似度波动越大则说明该区域的融合效果越差，反之则越好，所以本方法通过将波动程度归一化处理后，以其与1的差值作为融合程度结果。

基于合并区域中边缘像素点计算合并区域对应的边缘复杂度，边缘像素点是通过边缘检测对道路表面图像进行边缘检测后确定的。具体的，基于合并后的梯度图像利用边缘检测算法获取路面沥青的边缘图像，对于沥青粘连的检测，若路面粘连度不好则该区域产生缺陷的概率很大，边缘像素点形成的复杂度也较大，则对该区域进行粘连度检测的必要性大，需要对该部分进行增强的程度较高，因此本方法通过量化每个合并区域的边缘复杂度确定区域的增强程度。

在合并区域中根据像素度可能将存在大量边缘、微量边缘以及不包含边缘的块分别划分在同一合并区域，所以本方法首先选取每个合并区域存在的边缘像素点个数作为边缘复杂度的判断指标；同时因为正常的路面沥青形成的边缘是形态规则且分布规律的，当因为粘连性差而形成的缺陷边缘像素点的分布是离散的，所以本方法结合边缘图像中每个边缘像素点形成的连接面积比确定边缘复杂度，其表达形式如下：

；

其中，表示第/>个合并区域中存在的边缘像素点个数，/>表示第/>个合并区域中的像素点总个数，则/>表示边缘像素点个数在合并区域中的占比；/>表示第/>个合并区域中第/>个边缘像素点与其连续的边缘像素点形成的连通区域的面积，/>表示第/>个合并区域中第/>个边缘像素点与其连续边缘像素点形成的连通域周长，则/>表示第/>个合并区域中边缘像素点的面积比。

需要说明的是，边缘像素点个数占比越多，说明该区域存在粘连缺陷的概率越大，所以该区域形成复杂边缘的概率就越大，与边缘复杂度计算呈现正相关关系；同时因为连续边缘点形成的面积比越大说明该区域的边缘像素点更集中，边缘像素的复杂度越小；反之，形成的面积越小，说明该区域的边缘像素点分布越离散，则不规则性越高，边缘越复杂，所以边缘像素点面积比与复杂度呈反比关系。因此，本方法根据边缘像素点个数以及连续边缘面积比与复杂度之间的关系构建关系式，从而获取每个合并区域的边缘复杂度。

至此，通过每个区域的边缘像素点个数以及连续边缘面积比确定了每个区域的边缘复杂度。

但是由于边缘复杂度的计算是基于每个合并区域的边缘计算的，所以与合并区域的边缘完整性相关性较大，因为上述计算的合并区域融合性越好则形成完整边缘的概率越大，所以本方法用合并区域融合性表征边缘的完整性；对于完整性较好的合并区域，其增强程度随着边缘复杂度逐渐递增即可，但是对于融合性较不好的合并区域，说明其中存在的边缘差异相对较大或者存在的边缘像素点是微量的，此时对应的边缘复杂度虽然较低，但是为了避免遗漏增强微量边缘区域，此时该区域对应的增强程度依旧较大。

步骤S22：基于融合程度以及边缘复杂度计算每一合并区域对应的增强程度。

基于上述步骤S21，本步骤通过合并区域的融合程度调整依据边缘复杂度对区域的增强程度，构建如下的函数关系式：

；

其中，表示第/>个合并区域的增强程度，/>表示第/>个合并区域的边缘复杂度，/>表示第/>个合并区域的融合性，/>为不定参数。

该公式将合并区域的融合效果及复杂度相结合，自适应调整不同区域的增强程度，例如当合并区域的融合程度较好，当时，增强程度随着边缘复杂度的增大而增大，此时的增强程度随着复杂度的增大变化速率是比较规律的。但是当合并区域的融合程度较差，例如当/>时，增强程度随边缘复杂度的变化是比较突然的，虽然此时对应的复杂度较低，但是因为这些融合性差的合并区域中存在微量边缘，所以为防止遗漏对这些区域的增强或欠增强，所以规定当融合性较差时对应的增强程度随边缘复杂度变换速率快。这样就保证了对所有可能存在沥青粘连缺陷的区域进行不同程度的增强。

步骤S23：基于每一合并区域对应增强程度计算每一合并区域对应的伽马值。

本发明的方法，通过图像块的相似度获取了合并区域的融合程度，并通过边缘像素点的个数及离散性量化了边缘复杂度，将两者相结合获取了对每个合并区域应该增强的增强程度。进一步每一合并区域对应增强程度计算每一合并区域对应的伽马值。

具体的，因为路面沥青的像素灰度值整体是偏低的，所以为利用伽马矫正对像素灰度值进行有效调整，本方法规定伽马值<1，同时因为在伽马值<1的情况下，伽马值越小则对于像素灰度值的调整越多，对于路面沥青图像增强程度越大的区域说明该区域存在沥青粘连缺陷的概率越大，所以要增大这部分的像素点亮度，使得图像整体的对比度增加，在进行路面沥青粘连度检测时，基于增强的图像可使检测结果更准确。

由于路面沥青图像中区域的增强程度越大，该区域进行伽马变换时的伽马值越小，所以合并区域对应的增强程度与伽马值成反比例关系。具体的，伽马值的计算方式为：

；

其中，表示对第/>个合并区域进行伽马矫正的伽马值，/>表示需要对第/>个合并区域进行增强的程度，/>表示对数值进行标准化处理使/>。

至此，通过构建增强程度与伽马值之间的关系式获取了不同区域的伽马值。

本实施例中，通过对图像进行分块并将特征表现相似的区域进行合并，而后利用每个合并区域具有的边缘复杂度表征该区域存在沥青粘连缺陷的概率，从而确定了不同区域的增强程度，最后根据增强程度自适应获取了伽马矫正的伽马值，实现了路面沥青图像的自适应增强。

步骤S13：基于各个不同区域对应的伽马值对灰度图像进行增强处理，得到增强后的图像。

通过上述伽马矫正得到的伽马值对采集到的路面图像对应的灰度图像对应的区域进行增强，有效解决了图像的过曝光问题，并增强了路面中可能存在沥青粘连缺陷的区域与其他区域的对比度，增加了进行路面粘连性检测的准确性。

步骤S14：基于增强后的图像进行道路沥青粘连检测。

具体的，利用特征匹配技术或分割技术基于增强后的图像对路面沥青的粘连性进行分析，根据分析结果计算出图像中沥青与矿物骨料之间的粘连率或粘合程度等指标。最后根据这些指标制定和执行相应维护和修复措施，确保道路的安全性以及车辆的平稳行驶。

因为沥青粘连缺陷会产生多种路面缺陷，所以粘连度低的区域表现的形态特征较为复杂，所以本方法通过计算每个合并区域的边缘复杂度确定对每个区域的增强必要性，而后根据必要性结果自适应确定伽马值。本方法通过合并块整体存在的边缘像素点个数以及边缘像素点连接区域的面积比确定其复杂性，同时因为分块区域存在的边缘越完整则该区域复杂度的计算结果参考价值越大，所以本方法利用合并块之间的相似性确定整个合并块的融合性，并作为指标来调整复杂度，获取对图像中每个区域的增强程度。最后，通过边缘复杂性结果设定伽马矫正的伽马值，因为采集的道路沥青图像整体的灰度值偏低，所以本方法规定伽马值在<1的区间变动，若边缘复杂性越高，则该区域存在沥青粘连缺陷的概率越大，所以对该区域进行增强的必要性越高，伽马值越小。

本发明的方法利用缺陷分割算法对道路沥青粘连质量进行检测时需要采集路面图像，但是由于天气或光照的影响，容易造成采集到的图像过曝光或过暗，所以无法准确识别沥青粘连情况，因此，需要利用伽马矫正算法解决图像的过曝光或过暗问题，得到清晰图像以准确检测沥青粘连情况。具体的，本发明将边缘检测算法和伽马矫正算法相结合，对采集到的路面沥青图像进行局部自适应增强，使粘连性检测结果更准确。本发明相对于现有技术的好处在于：利用路面图像表现的梯度和边缘特征对图像进行区域划分，能够根据沥青粘连缺陷可能存在的边缘特征量化不同区域的边缘复杂度，从而根据边缘复杂度确定不同的伽马值，避免了局部过增强或欠增强的问题。能够准确进行沥青缺陷的分割检测，提高沥青粘连度检测的准确性。

以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种基于视觉技术的道路沥青粘连检测方法，其特征在于，包括：

采集道路表面图像，得到道路表面图像对应的灰度图像以及梯度图像；

利用伽马矫正算法基于所述梯度图像计算梯度图像各梯度特征对应的各个不同区域对应的伽马值；

基于各个不同区域对应的伽马值对灰度图像进行增强处理，得到增强后的图像；

基于所述增强后的图像进行道路沥青粘连检测；

利用伽马矫正算法基于所述梯度图像计算梯度图像各梯度特征对应的各个不同区域对应的伽马值，包括：

基于所述梯度图像的梯度特征对所述梯度图像等区域划分，得到多个图像块；

计算相邻图像块之间的相似度，基于所述相似度将多个图像块合并，得到多个合并区域；

计算每一合并区域对应的伽马值；

计算每一合并区域对应的伽马值，包括：

计算每一合并区域对应的融合程度以及边缘复杂度；

基于所述融合程度以及所述边缘复杂度计算每一所述合并区域对应的增强程度；

基于每一所述合并区域对应所述增强程度计算每一所述合并区域对应的伽马值；

计算每一合并区域对应的融合程度以及边缘复杂度，包括：

基于所述合并区域中合并块之间的相似度计算所述合并区域对应的融合程度；

基于所述合并区域中边缘像素点计算所述合并区域对应的边缘复杂度，所述边缘像素点是通过边缘检测对道路表面图像进行边缘检测后确定的；

基于所述合并区域中合并块之间的相似度计算所述合并区域对应的融合程度，包括：

；

其中，表示第/>个合并区域的融合程度， />表示第/>个合并区域中第/>个块与其他/>个块中第/>个块的相似度，且/>，/>表示第/>个合并区域中合并块的总数，计算这些合并块两两对应的相似度，则需要计算的相似度总数为；

基于所述合并区域中边缘像素点计算所述合并区域对应的边缘复杂度，包括：

；

其中，表示第/>个合并区域中存在的边缘像素点个数，/>表示第/>个合并区域中的像素点总个数，/>表示边缘像素点个数在合并区域中的占比；/>表示第/>个合并区域中第/>个边缘像素点与其连续的边缘像素点形成的连通区域的面积，/>表示第/>个合并区域中第/>个边缘像素点与其连续的边缘像素点形成的连通域周长，/>表示第/>个合并区域中边缘像素点的面积比；

基于所述融合程度以及所述边缘复杂度计算每一所述合并区域对应的增强程度，包括：

；

其中，表示第/>个合并区域的增强程度，/>表示第/>个合并区域的边缘复杂度，表示第/>个合并区域的融合程度，/>为不定参数。

2.根据权利要求1所述的基于视觉技术的道路沥青粘连检测方法，其特征在于，计算相邻图像块之间的相似度，基于所述相似度将多个图像块合并，得到多个合并区域，包括：

计算相邻图像块之间的交叉熵；

基于所述交叉熵计算相邻图像块之间的相似度；

如果所述相似度大于预设值，则将相邻图像块合并，得到多个合并区域。

3.根据权利要求1所述的基于视觉技术的道路沥青粘连检测方法，其特征在于，基于每一所述合并区域对应所述增强程度计算每一所述合并区域对应的伽马值，包括：

；

其中，表示第/>个合并区域对应的伽马值，/>表示第/>个合并区域的增强程度，表示对数值进行标准化处理使/>。

4.根据权利要求1所述的基于视觉技术的道路沥青粘连检测方法，其特征在于，所述合并区域对应的增强程度与伽马值成反比例关系。