Die Crack-Skelettierung ist eine morphologische Bildverarbeitungsoperation, die eine segmentierte binäre Rissregion mittels Ausdünnungsalgorithmen wie Zhang-Suen, Lee oder medialer Achsentransformation auf eine einpixelbreite Mittellinien-Darstellung reduziert. Das Skelett ermöglicht eine präzise Risslängenmessung, Verzweigungsanalyse, Rissmusterklassifikation, Breitenschätzung und Tortuositätsquantifizierung in automatisierten Fahrbahnprüfsystemen.
Crack-Skelettierung (auch als Ausdünnung oder mediale Achsenextraktion bezeichnet) ist eine morphologische Bildverarbeitungsoperation, die eine segmentierte binäre Rissregion auf eine einpixelbreite Mittellinien-Darstellung – das Skelett – reduziert, während die topologischen Eigenschaften (Konnektivität, Verzweigungsstruktur) und geometrischen Beziehungen (Pfadform, Orientierung) des ursprünglichen Risses erhalten bleiben. Das Skelett repräsentiert die „Mittellinie" oder „mediale Achse" des Risses und ist die Grundlage für praktisch alle quantitativen Rissgeometrieanalysen in der automatisierten Fahrbahnprüfung.
Formal erzeugt die Skelettierung für ein Binärbild I, bei dem Risspixel auf 1 (Vordergrund) und Hintergrund auf 0 gesetzt sind, eine Menge S ⊆ I mit vier wesentlichen Eigenschaften. S ist 1 Pixel breit: jedes Pixel in S hat höchstens zwei 8-konnektierte Nachbarn, die ebenfalls in S sind, außer an Knoten, wo ein höherer Grad erlaubt ist. S ist topologisch äquivalent zu I: S und I haben dieselbe Anzahl verbundener Komponenten und dieselbe Loch-/Schleifenstruktur – die Euler-Charakteristik bleibt erhalten. S ist innerhalb von I zentriert: jedes Skelettpixel liegt ungefähr auf der lokalen Mittellinie des Risses. S ist für die Rekonstruktion ausreichend: im Fall der medialen Achsentransformation (MAT) kann die ursprüngliche Form aus dem Skelett plus zugehörigen Radiuswerten näherungsweise rekonstruiert werden.
In der automatisierten Fahrbahnrissanalyse dient die Skelettierung als kritischer Zwischenschritt zwischen Risserkennung und -segmentierung und quantitativer Parameterschätzung. Das Skelett ermöglicht sieben primäre Analysefunktionen. Risslängenmessung wird direkt durch Verfolgen der Pixelpfade entlang der einpixelbreiten Mittellinie berechnet. Rissbreitenschätzung nutzt den Abstand von Skelettpixeln zu Rissgrenzen, um lokale und aggregierte Breitenstatistiken zu berechnen. Rissmusterklassifikation erkennt Knoten, Verzweigungen und topologische Strukturen, um Alligator-, Block-, Längs- und Querrisse zu unterscheiden. Rissorientierungsanalyse bestimmt die dominante Rissrichtung pro Segment. Tortuositätsquantifizierung misst Risskrümmung und -windung als Verhältnis der Skelettpfadlänge zur euklidischen Endpunktdistanz. Datenreduktion komprimiert die Rissregion von Hunderten oder Tausenden von Pixeln zu einer kompakten linearen Darstellung, die für nachgelagerte Analysen recheneffizient ist. Graphbasierte Analyse wandelt das Skelett in einen euklidischen Graphen mit Knoten (Verzweigungen und Endpunkte) und Kanten (Rissegmente) für fortgeschrittene strukturelle und topologische Analysen um.
Das Skelett liefert einen funktionalen Deskriptor, der Pixel-Daten auf niedriger Ebene mit technischen Zustandsbewertungsparametern auf hoher Ebene verbindet – Risslänge in Metern, mittlere Breite in Millimetern, Rissdichte und Abzüge des Pavement Condition Index (PCI) gemäß ICAO ALACPA/09-2012, FAA PAVER, ASTM D5340-12 und ASTM D6433.
Vier primäre Algorithmen werden für die Crack-Skelettierung verwendet: Zhang-Suen-Ausdünnung, Guo-Hall-Ausdünnung, Lee-Skelettierung und die Mediale Achsentransformation (MAT). Jeder hat charakteristische Eigenschaften, die ihn für verschiedene Fahrbahnanalyseszenarien geeignet machen.
Der Zhang-Suen (ZS)-Algorithmus, veröffentlicht von T.Y. Zhang und C.Y. Suen in Communications of the ACM (Band 27, Nr. 3, März 1984), ist der am weitesten verbreitete Ausdünnungsalgorithmus in der Fahrbahnrissanalyse aufgrund seiner Geschwindigkeit, Einfachheit und guten Ergebnisse bei länglichen, rissähnlichen Mustern. ZS ist ein paralleler iterativer Ausdünnungsalgorithmus, der auf Binärbildern arbeitet, indem er wiederholt Randpixel entfernt, während die Konnektivität erhalten bleibt.
Die Nachbarbenennungskonvention für jedes betrachtete Pixel P1 ordnet seine acht Nachbarn im Uhrzeigersinn an: P9 (oben-links), P2 (oben-Mitte), P3 (oben-rechts), P8 (Mitte-links), P4 (Mitte-rechts), P7 (unten-links), P6 (unten-Mitte), P5 (unten-rechts). Für jedes schwarze Pixel P1 werden zwei Funktionen definiert: A(P1) entspricht der Anzahl der Übergänge von Weiß (0) zu Schwarz (1) in der geordneten zirkulären Sequenz P2 bis P9 und zurück zu P2, was die Anzahl der verbundenen Hintergrundkomponenten in der Nachbarschaft misst; B(P1) entspricht der Anzahl der schwarzen Nachbarpixel von P1.
ZS ist ein Zwei-Teiliterationen-Algorithmus. Jede Iteration besteht aus zwei aufeinanderfolgenden Schritten. In Schritt 1 werden Pixel an den Nord- und Ostgrenzen zur Löschung markiert; in Schritt 2 werden Pixel an den Süd- und Westgrenzen markiert. Nur Pixel, die die Bedingungen beider Teiliterationen gleichzeitig erfüllen, werden entfernt.
Schritt-1-Bedingungen (Markierung zur Löschung): P1 ist schwarzer Vordergrund UND hat 8 Nachbarn (kein Randpixel des Bildes); 2 ≤ B(P1) ≤ 6 (stellt sicher, dass P1 kein Endpunkt und kein dickes Innenpixel ist); A(P1) = 1 (erhält Konnektivität, indem verhindert wird, dass Pixel gelöscht werden, die mehrere Hintergrundkomponenten überbrücken); P2 × P4 × P6 = 0 (mindestens einer der Nachbarn Ost, Süd oder West ist weiß); und P4 × P6 × P8 = 0 (mindestens einer der Nachbarn Nord, Ost oder Süd ist weiß). Die Bedingungen 4 und 5 stellen gemeinsam sicher, dass in Schritt 1 nur Nord-/Ost-Randpixel entfernt werden.
Schritt-2-Bedingungen (Markierung zur Löschung): Die Bedingungen 1, 2 und 3 sind identisch mit Schritt 1. Die Bedingungen 4 und 5 ändern sich, um Süd-/West-Randpixel zu erfassen: P2 × P4 × P8 = 0 (mindestens einer der Nachbarn Nord, Ost oder West ist weiß) und P2 × P6 × P8 = 0 (mindestens einer der Nachbarn Nord, Süd oder West ist weiß).
Der Iterationsprozess wiederholt sich, bis in keinem Schritt mehr Pixel gelöscht werden. Löschungen werden nach jedem vollständigen Durchlauf vorgenommen, um zu verhindern, dass die Löschreihenfolge die Ergebnisse beeinflusst (Parallelität). Der Algorithmus terminiert, wenn keine Pixel die Bedingungen von Schritt 1 oder Schritt 2 erfüllen. In der Praxis benötigen Rissbilder typischerweise 5 bis 15 Iterationen. Die Standardimplementierung verwendet eine Nachschlagetabelle mit 256 Einträgen, die durch das 8-Bit-Nachbarmuster indiziert wird, um die Recheneffizienz zu steigern.
Zu den Eigenschaften von Zhang-Suen gehören die Erhaltung der 8-Konnektivität des Vordergrunds, eine sehr schnelle O(n)-Leistung pro Iteration, die Erzeugung von Skeletten, die einige 2-Pixel-breite diagonale Linien behalten können, eine mäßige Rauschempfindlichkeit, die zu unechten Verzweigungen (Spurs) an den Grenzen unregelmäßiger Rissregionen führt (Bereinigung ist fast immer erforderlich), sowie eine gute, aber nicht perfekte Zentrierung mit leichter Verzerrung in Richtung bestimmter Grenzkonfigurationen.
Der Guo-Hall (GH)-Algorithmus, veröffentlicht von Z. Guo und R.W. Hall in Communications of the ACM (Band 32, Nr. 3, 1989), ist ein weiterer paralleler Zwei-Teiliterationen-Ausdünnungsalgorithmus, der entwickelt wurde, um die Einschränkungen von ZS zu beheben – insbesondere die Entstehung von 2-Pixel-breiten diagonalen Linien und die Rauschempfindlichkeit. GH verwendet zwei Teiliterationen mit derselben Struktur wie ZS, jedoch mit anderen Löschbedingungen: ungerade Iterationen löschen Nordost-Randpixel (ähnlich ZS Schritt 1) und gerade Iterationen löschen Südwest-Randpixel (ähnlich ZS Schritt 2), wobei eine restriktivere Menge von Nachbarschaftsbedingungen verwendet wird.
Die Guo-Hall-Bedingungen für ungerade Iterationen erfordern: P1 ist schwarzer Vordergrund; 2 ≤ B(P1) ≤ 6; A(P1) = 1; P2 × P4 × P6 = 0; und P4 × P6 × P8 = 0. Für gerade Iterationen: P1 ist schwarzer Vordergrund; 2 ≤ B(P1) ≤ 6; A(P1) = 1; P2 × P4 × P8 = 0; und P2 × P6 × P8 = 0. GH fügt eine Prüfbedingung hinzu, um die vollständige Eliminierung diagonaler Linien zu verhindern: Das Pixel wird nicht gelöscht, wenn es das einzige verbleibende Pixel ist, das zwei sonst nicht verbundene Skelettkomponenten verbindet, bestimmt durch Prüfung, ob die Löschung die 8-Konnektivität unter Verwendung spezifischer Mustererkennung verletzen würde.
| Eigenschaft | Zhang-Suen | Guo-Hall |
|---|---|---|
| Skelettdicke | Kann 2-Pixel-diagonale Linien hinterlassen | Durchgehend einpixelig |
| Diagonalenverarbeitung | Schlecht – erzeugt dickere Diagonalen | Gut – behält 1-Pixel-Diagonalen |
| Laufzeit | Etwas schneller | Vergleichbar |
| Zentrierung | Gut | Gut |
| Spurbildung | Mäßig | Etwas weniger Spurs |
| Konnektivität | Gut | Besser für dünne Merkmale |
| Implementierung | Einfach | Mäßig (zusätzliche Prüfungen) |
Laut veröffentlichter Benchmarks erzeugt GH insgesamt dünnere Skelette als ZS und verarbeitet diagonale Linienmuster besser, jedoch zu geringfügig höheren Rechenkosten.
Der Lee-Algorithmus, veröffentlicht von T.-C. Lee, R.L. Kashyap und C.-N. Chu in Computer Vision, Graphics, and Image Processing (Band 56, Nr. 6, 1994), erweitert die Ausdünnung auf 3-D-Binärbilder unter Verwendung einer Oktree-Datenstruktur zur Untersuchung von 3×3×3-Nachbarschaften. Für die 2-D-Rissanalyse bietet er eine nützliche Alternative zu ZS. Bei Anwendung auf 2-D-Bilder (wie in scikit-images skeletonize(image, method='lee')) folgt er demselben grundlegenden Prinzip der iterativen Randpixelentfernung, verwendet jedoch einen zweiphasigen Ansatz pro Iteration: Kandidatenidentifikation (Scannen aller Vordergrund-Randpixel und Identifizieren derjenigen, die basierend auf Mustervergleich mit einem Satz von 256 3×3-Mustern löschbar sind) und sequenzielle Überprüfung (Kandidaten werden nacheinander erneut geprüft, um zu verifizieren, dass die Löschung die Konnektivität nicht unterbricht). Diese sequenzielle Überprüfung ist der Hauptunterschied zu ZS – sie bewahrt die Konnektivität besser, ist aber etwas langsamer.
Zu den wichtigsten Eigenschaften des Lee-Algorithmus gehören eine überlegene Erhaltung der Konnektivität im Vergleich zu ZS für komplexe Rissnetzwerke mit mehreren Knoten, durchgehend 1-Pixel-breite Skelette, eine langsamere Geschwindigkeit für 2-D-Bilder aufgrund der sequenziellen Überprüfungsphase (hauptsächlich für 3-D entwickelt) und eine vergleichbare oder leicht bessere Spurbildung als ZS.
Die Mediale Achsentransformation (MAT), eingeführt von H. Blum in Models for the Perception of Speech and Visual Form (MIT Press, 1967), ist ein grundlegend anderer Ansatz als das iterative Ausdünnen. Sie basiert auf der Distanztransformation des Binärbildes. Die mediale Achse eines binären Objekts ist die Menge aller Punkte, die mehr als einen nächsten Punkt auf der Objektgrenze haben – äquivalent der Ort der Mittelpunkte maximal eingeschriebener Kreise (Scheiben), die vollständig innerhalb des Objekts passen.
Die Berechnung umfasst drei Schritte. Zuerst wird die Distanztransformation berechnet: für jedes Vordergrundpixel (Riss) wird dessen euklidischer Abstand zum nächsten Hintergrundpixel berechnet, was eine Distanzkarte D(x,y) erzeugt. Zweitens werden Gratpunkte identifiziert: die mediale Achse besteht aus Pixeln, die lokale Maxima in der Distanztransformation sind – Pixel, deren Distanz-zur-Grenze-Wert größer oder mindestens gleich dem eines ihrer Nachbarn ist. Drittens wird geschwellt und ausgedünnt: Gratpunkte mit Distanzwerten über einer Rauschschwelle bilden das anfängliche Skelett, wobei zusätzliche Ausdünnung angewendet wird, um einpixelige Breite sicherzustellen.
| Eigenschaft | Iteratives Ausdünnen (ZS, GH, Lee) | Mediale Achsentransformation |
|---|---|---|
| Prinzip | Iterative Randentfernung | Distanztransformations-Grate |
| Zentrierung | Gut, annähernd | Optimal – inhärent zentriert |
| Breiteninformation | Erfordert separate Berechnung | Integriert (Distanzwerte) |
| Rechenaufwand | Schnell (O(n) pro Iteration) | Mäßig (Distanztransformation) |
| Spurbildung | Signifikant | Weniger Spurs |
| Konnektivität | Erhalten | Kann zu nicht verbundenen Komponenten führen |
| Rauschrobustheit | Mäßig | Weniger robust bei unregelmäßigen Grenzen |
| Skelettglätte | Kann gezackt sein | Insgesamt glatter |
Für die Fahrbahnrissanalyse werden Ausdünnungsalgorithmen (insbesondere ZS) häufiger verwendet, da Risse längliche, unregelmäßige Strukturen sind, bei denen eine strenge MAT-Zentrierung weniger kritisch ist und die Erhaltung der Konnektivität oberste Priorität hat.
Die Skelettierung erzeugt zwangsläufig unechte Verzweigungen (auch Spurs, Haare oder Artefakte genannt) – kurze Seitenäste, die keinen tatsächlichen Rissmerkmalen entsprechen, sondern durch Rauschen, Grenzunregelmäßigkeiten oder Aggregattextur in der Fahrbahnoberfläche entstehen. Die primären Quellen umfassen Grenzrauschen (kleine konkave/konvexe Störungen in der Rissgrenze, die als kurze Äste skelettiert werden), Asphaltaggregattextur (Grauwertvariationen nahe Risskanten, die dazu führen, dass die binäre Segmentierung raue Grenzen aufweist), Salz-und-Pfeffer-Rauschen (isolierte falsch klassifizierte Pixel im segmentierten Bild) und Rissbifurkationsartefakte (wo unterschiedliche Rissbreite dazu führt, dass das Skelett kurzzeitig aufspaltet und wieder zusammenläuft).
Die einfachste und am weitesten verbreitete Bereinigungstechnik ist die längenbasierte Bereinigung. Der Algorithmus identifiziert alle Endpunkt-Pixel im Skelett (Pixel mit genau einem 8-konnektierten Nachbarn). Für jeden Endpunkt wird der Ast zurück zum Hauptskelett verfolgt, bis ein Knotenpunkt (Grad ≥ 3) erreicht wird. Dann wird die Astlänge in Pixeln gemessen und der Ast entfernt, wenn seine Länge unter einem Schwellenwert T liegt (typische Schwellenwerte liegen zwischen 5 und 30 Pixeln, abhängig von Bildauflösung und Risscharakteristik). Der Prozess wiederholt sich, bis keine weiteren Äste mehr bereinigt werden, da das Entfernen eines Astes neue Endpunkte erzeugen kann. Der Längenschwellenwert wird typischerweise basierend auf der Pixel-mm-Kalibrierung festgelegt. Für übliche Fahrbahnbildauflösungen (0,5–2 mm/Pixel) entspricht ein Schwellenwert von 10–20 Pixeln 5–40 mm, was effektiv texturinduziertes Rauschen entfernt, während echte kurze Rissverzweigungen erhalten bleiben.
Beschrieben in Li et al. (2023) für die Asphaltfahrbahnrissanalyse, wendet die Schwellenwertmethode für zusammenhängende Domänen eine zusammenhängende Komponentenmarkierung auf das Skelettbild an, berechnet die Pixelanzahl für jede verbundene Komponente und entfernt Komponenten mit Pixelanzahlen unter einem Schwellenwert (typischerweise 50–200 Pixel). Dies entfernt gleichzeitig isoliertes Rauschen und kurze unechte Verzweigungen aus ansonsten verbundenen Rissskeletten.
Fortgeschrittenere Ansätze berücksichtigen zusätzliche Kriterien wie Ast-zu-Skelett-Winkel (Äste, die nahezu senkrechte Winkel zur Hauptrisslinie bilden, sind wahrscheinlicher unecht), Ast-Dicke am Ursprung (ein aus einem dicken Abschnitt des Skeletts hervorgehender Ast ist wahrscheinlicher echt), Distanztransformationswert (Äste, deren Distanztransformationswerte sich abrupt ändern, sind wahrscheinlicher Rauschen) und Konturkontinuität (wenn der Ast keine entsprechende Einbuchtung an der Rissgrenzkontur aufweist, ist er unecht).
Die mathematische Morphologie bietet direkte Bereinigungsoperatoren: MATLABs bwmorph(BW, 'spur', k) entfernt Spuren-Pixel mit Parameter k zur Angabe der Iterationen, und die Hit-or-Miss-Transformation verwendet Strukturelement-Matching, um spezifische Spurs-Muster zu identifizieren und zu entfernen. Der graphbasierte Ansatz wandelt das Skelett in einen Graphen mit Knoten (Verzweigungen und Endpunkte) und Kanten (Pixelpfade zwischen Knoten) um, weist Kantengewichte basierend auf der euklidischen Distanz zu, bereinigt Kanten, deren Gewicht unter einem Schwellenwert liegt und die mit einem Endpunkt verbunden sind (Blattkanten), und bereinigt zusätzlich kurze Kanten, die zwei Knoten verbinden und eine kleine Schleife erzeugen.
Die Hybride Skelett-Bereinigung-EOB-Methode aus einem MDPI-Papier von 2025 zur Betonrissbreitenmessung wendet eine schnelle Skelettbereinigung mittels iterativer Endpunktverfolgung mit längenbasierter Entfernung unter Verwendung eines adaptiven Schwellenwerts basierend auf der mittleren Rissbreite an, gefolgt von der Edge-OrthoBoundary (EOB)-Rekonstruktion, bei der das verbleibende Skelett einer Grenzverfeinerung unterzogen wird, um eine genaue Breitenmessung sicherzustellen.
Die genaue Risslängenmessung aus dem Skelett erfordert eine sorgfältige Handhabung der Pixelkonnektivität. Der grundlegende Ansatz verfolgt den Skelettpfad Pixel für Pixel und akkumuliert Distanzen.
Ausgehend von einem Endpunkt (oder Knoten-zu-Knoten) durchläuft der Algorithmus den 8-konnektierten Pfad. Für jedes aufeinanderfolgende Pixelpaar (x₁, y₁) und (x₂, y₂) wird die entsprechende Distanz addiert. Drei Distanzmetriken sind verfügbar. 4-konnektierte Distanz addiert 1,0 für jeden orthogonalen Schritt (horizontal oder vertikal), ignoriert jedoch diagonale Verbindungen, was systematisch längere Längen für diagonale Rissegmente erzeugt. 8-konnektierte (Chebyshev)-Distanz addiert 1,0 für jeden Schritt in einer der 8 Richtungen, unterschätzt jedoch die diagonale Distanz. Korrigierte 8-konnektierte (Chamfer)-Distanz addiert 1,0 für orthogonale Schritte und √2 ≈ 1,414 für diagonale Schritte, was Längenmessungen mit einer Genauigkeit von etwa 0,5 % der tatsächlichen euklidischen Pfadlänge ergibt.
Der empfohlene Ansatz für die Rissmessung verwendet 8-konnektierte Verfolgung mit √2-Korrektur:
def skeleton_length(skeleton_pixels):
total_length = 0.0
for i in range(len(skeleton_pixels) - 1):
x1, y1 = skeleton_pixels[i]
x2, y2 = skeleton_pixels[i+1]
dx = abs(x2 - x1)
dy = abs(y2 - y1)
if dx == 1 and dy == 0 or dx == 0 and dy == 1:
total_length += 1.0
elif dx == 1 and dy == 1:
total_length += sqrt(2)
return total_length
Für komplexe Rissnetzwerke mit Verzweigungen wird das Skelett in Segmente zwischen Knoten-/Endpunktknoten zerlegt. Alle Knotenpixel (Grad ≥ 3) und Endpunktpixel (Grad = 1) werden erkannt. Das Skelett wird in Segmente zwischen diesen Knoten zerlegt. Jedes Segment wird einzeln mit der Chamfer-Distanzmethode gemessen. Gesamte Risslänge entspricht der Summe aller Segmentlängen: L_gesamt = Σᵢ Lᵢ wobei Lᵢ die korrigierte 8-konnektierte Länge des i-ten Skelettsegments ist.
Die praktische Implementierungspipeline extrahiert das Skelett mittels Zhang-Suen-Ausdünnung, bereinigt unechte Verzweigungen (Schwellenwert für zusammenhängende Domänen, mindestens 50–200 Pixel), kalibriert das Pixel-mm-Verhältnis unter Verwendung eines Referenzobjekts bekannter Abmessungen, das in derselben Entfernung abgebildet wurde, verfolgt geordnete Skelettpixel, wendet Chamfer-Distanzakkumulation an und konvertiert in physikalische Einheiten: L_mm = L_Pixel × Skalierungsfaktor.
Ein Knotenpixel in einem skelettierten Rissbild ist ein Pixel mit Grad ≥ 3 – drei oder mehr benachbarte Skelettpixel in einer 8-konnektierten Nachbarschaft. Für jedes Skelettpixel wird die Anzahl der 8-konnektierten Nachbarn gezählt:
| Grad | Klassifikation | Rissinterpretation |
|---|---|---|
| d = 0 | Isolierter Knoten | Rauschen (typischerweise entfernt) |
| d = 1 | Endknoten | Rissende, Astende oder unvollständige Erkennung |
| d = 2 | Innerer Knoten | Fortsetzung eines einzelnen Rissegments |
| d = 3 | Verzweigungsknoten (T/Y) | Rissbifurkation |
| d = 4 | Verzweigungsknoten (X) | Risskreuzung |
| d ≥ 3 | Knotenpunkt | Allgemeiner Verzweigungspunkt |
In MATLAB erkennt bwmorph(skel, 'branchpoints') Pixel, an denen das Skelett aufspaltet, unter Verwendung eines Nachschlagetabellenansatzes, der das 3×3-Nachbarschaftsmuster gegen vorberechnete Vorlagen für Verzweigungskonfigurationen prüft. Diese Funktion kann Cluster von Verzweigungspunkten um einen einzelnen Knoten erzeugen; diese sollten mittels zusammenhängender Komponentenmarkierung und Bildung des Schwerpunkts jedes Clusters zusammengeführt werden.
Aus der Graphdarstellung können acht topologische Metriken berechnet werden. Anzahl der Knoten (J) pro Flächeneinheit – hohes J weist auf ein komplexes, vernetztes Rissnetzwerk hin. Knotengradverteilung umfasst den mittleren Grad ⟨d⟩ = 2E/N (wobei E = Anzahl der Kanten, N = Anzahl der Knoten), wobei ein reiner linearer Riss ⟨d⟩ = 2 und ein verzweigtes Netzwerk ⟨d⟩ > 2 aufweist, sowie das Gradverhältnis R_d = (Knoten mit Grad-3+) / (Knoten mit Grad-1). Anzahl der Äste (B) zählt alle Skelettsegmente zwischen Knoten-/Endpunktknoten. Astlängenstatistiken umfassen die mittlere Astlänge (kürzer bei Alligatorrissen, länger bei Längs-/Querrissen), die Standardabweichung (hoch bei gemischten Rissmustern) und den Variationskoeffizienten (verwendet zur Unterscheidung von Blockrissen und Alligatorrissen). Anzahl der verbundenen Komponenten (C) zeigt entweder mehrere verschiedene Risse oder Erkennungslücken an. Eulerzahl (χ) = C − H wobei H = Anzahl der Löcher (Schleifen), wobei Schleifen auf Alligator- oder Blockrisse hindeuten. Fraktale Dimension (D_f) mittels der Box-Counting-Methode auf dem Skelett ergibt etwa 1,0 für gerade lineare Risse, 1,2–1,4 für mäandrierende Risse und 1,5–1,8 für Alligatorrisse. Maschenweite bei Block-/Alligatorrissen – die durchschnittliche Polygonfläche aus der Zykluserkennung im Graphen – zeigt die Rissstärke an.
| Rissmuster | Topologische Signatur |
|---|---|
| Längsrisse | Einzelner Hauptast, wenige kurze Seitenäste, d ≈ 2, niedriges J |
| Querrisse | Einzelner Hauptast, der die Fahrbahn kreuzt, d ≈ 2, niedriges J |
| Blockrisse | Polygonales Netzwerk mit ≥4-seitigen Zyklen, mäßiges J, mittlere bis große Maschenweite |
| Alligatorrisse (Ermüdung) | Dichtes Netzwerk kleiner Polygone, hohes J, hohe Astdichte, kleine Maschenweite, D_f ≥ 1,5 |
| Spiegelrisse | Lineare Risse in regelmäßigen Abständen entsprechend den darunterliegenden Plattenfugen |
| Rand-/Spurrinnenrisse | Lokalisierte Rissansammlung, oft parallel zur Verkehrsrichtung |
Für eine fortgeschrittene topologische Charakterisierung bieten Betti-Zahlen weitere Einblicke: β₀ entspricht der Anzahl der verbundenen Komponenten (C), und β₁ entspricht der Anzahl der unabhängigen Zyklen oder Löcher (H). Das Geschlecht g = β₁ = H. Alligatorrisse haben ein hohes β₁, während einfache lineare Risse β₁ = 0 haben.
Die Rissbreite ist ein kritischer Parameter zur Bewertung der Fahrbahnschadensschwere in Normen wie ICAO ALACPA/09-2012, FAA PAVER und ASTM D6433. Das Skelett bietet eine natürliche Referenz für die Breitenmessung.
Die direkteste Methode verwendet die Distanztransformationswerte an Skelettpixeln. Die euklidische Distanztransformation (EDT) des binären Rissbildes speichert für jedes Vordergrundpixel die euklidische Distanz zum nächsten Hintergrundpixel. EDT-Werte werden an allen Skelettpixelpositionen extrahiert. Für jedes Skelettpixel gilt lokale Rissbreite = 2 × EDT-Wert (da EDT den Radius zur nächsten Grenze angibt). Berechnete Statistiken umfassen mittlere Breite, maximale Breite, minimale Breite und Breitenstandardabweichung. Zu den Einschränkungen gehören die Überschätzung der Breite nahe Skelettendpunkten (der EDT-Radius nimmt an Rissspitzen zu, wo sich die Distanz um die Spitzenkrümmung erstreckt) und die Unterschätzung an Knoten (das Skelett weicht an Verzweigungspunkten von der wahren medialen Achse ab). Die Korrektur schließt typischerweise die letzten 5–10 Pixel an jedem Endpunkt aus.
Eine genauere Alternative berücksichtigt die lokale Rissorientierung. Für jedes Skelettpixel (x₀, y₀) wird die lokale Rissorientierung θ durch Anpassen einer Linie durch benachbarte Skelettpixel (typischerweise ±3–5 Pixel entlang des Skelettpfads) bestimmt. Die Normalenrichtung wird berechnet: θ_normal = θ + π/2. Im binären Rissbild wird ein Profil entlang der Normalen von (x₀, y₀) in beide Richtungen verfolgt, bis Hintergrundpixel erreicht werden. Die Rissbreite entspricht der Gesamtdistanz (in Pixeln) zwischen den beiden Grenzschnittpunkten entlang der Normalen. Zu den Implementierungsdetails gehören die Verwendung bilinearer Interpolation für Subpixel-Genauigkeit bei der Profilerstellung, die Festlegung der Profillänge, die die erwartete maximale Rissbreite überschreitet (typischerweise 50–100 Pixel), und die Beibehaltung der Normalenschrittweite bei ≤ 1 Pixel für eine genaue Grenzerkennung.
Zu den Vorteilen der senkrechten Profilerstellung gehören eine höhere Genauigkeit als die EDT-Methode und eine bessere Handhabung nicht kreisförmiger Rissquerschnitte. Nachteile sind der Rechenaufwand und die Empfindlichkeit gegenüber der Skelettglätte (gezackte Skelette erzeugen verrauschte Orientierungsschätzungen).
Maximale Rissbreite ist ein standardmäßiges Schwerekriterium in den Fahrbahnprüfhandbüchern von ICAO und FAA. Für die Berechnung wird die Breite an jedem Skelettpixel gemessen (mittels EDT oder Profilerstellung) und der Maximalwert gemeldet. Optional wird das Breitenarray mit einem gleitenden Durchschnitt (Fenster von 5–11 Pixeln) geglättet, um Ausreißer vor der Maximumsermittlung herauszufiltern. Mittlere Rissbreite mittelt die Breite entlang des vollständigen Skeletts, wobei Knoten und Endsegmente aus Genauigkeitsgründen ausgeschlossen werden. Breitenverteilungshistogramm charakterisiert die Rissgleichmäßigkeit und identifiziert Stellen lokaler Verbreiterung. Breitenvariationskoeffizient (CV = σ_w / μ_w): ein hoher CV weist auf eine ungleichmäßige Rissbildung hin, was auf Abplatzungen oder Kantenverschlechterung hindeutet.
Tortuosität (τ) quantifiziert die Abweichung eines Risses von einer geraden Linie. Sie ist definiert als das Verhältnis der tatsächlichen Risspfadlänge zur euklidischen (geradlinigen) Distanz zwischen ihren Endpunkten:
τ = L_Skelett / L_euklidisch
wobei L_Skelett die gesamte Pfadlänge entlang des Skeletts (unter Verwendung der √2-korrigierten 8-konnektierten Distanz) und L_euklidisch die euklidische Distanz zwischen den beiden Endpunkten des Rissegments ist.
Eigenschaften umfassen τ ≥ 1,0 immer (eine gerade Linie hat τ = 1,0), τ = 1,0–1,05 als Hinweis auf einen nahezu geraden Riss (typisch für thermische Quer- oder Längsrisse), τ = 1,05–1,2 als Hinweis auf einen mäßig mäandrierenden Riss, τ = 1,2–1,5 als Hinweis auf einen stark gewundenen Riss (typisch für sekundäre Äste von Alligatorrissen) und τ > 1,5 als Hinweis auf einen extrem gewundenen Pfad.
Für Rissnetzwerke mit mehreren Ästen wird die Tortuosität pro Rissegment (zwischen aufeinanderfolgenden Knoten) berechnet. Für Segment i mit Endpunkten A(x₁, y₁) und B(x₂, y₂): τᵢ = L_Skelettᵢ / √[(x₂ - x₁)² + (y₂ - y₁)²]. Die Gesamttortuosität für das Rissnetzwerk kann als mittlere Segmenttortuosität τ_mittel = (1/N) Σᵢ τᵢ, maximale Segmenttortuosität τ_max = max(τᵢ) oder globale Tortuosität unter Verwendung der Endpunkte des gesamten Rissnetzwerks (weniger aussagekräftig bei verzweigten Rissen) gemeldet werden.
Die Tortuosität hängt mit der fraktalen Dimension (D_f) des Risspfads zusammen. Für einen Riss mit fraktaler Dimension D_f: τ ≈ K · (L_euklidisch)^(D_f - 1) wobei K eine Skalierungskonstante ist. Diese Beziehung wird in der Bruchmechanik verwendet, um die Risstortuosität mit Materialeigenschaften wie Aggregatverzahnung und Bruchenergie zu korrelieren. Nach Purdue-Forschung zur Risstortuosität in Beton korreliert die Tortuosität direkt mit der Fluidpermeabilität durch das Rissnetzwerk – höhere Tortuosität führt zu einer verringerten effektiven Strömungsfläche und geringerer Permeabilität. Für Fahrbahnanwendungen neigen Risse mit höherer Tortuosität dazu, weniger Wasser und Schmutz zurückzuhalten, was das Potenzial für Frost-Tau-Schäden beeinflusst.
Die Crack-Skelettierung fungiert als Nachverarbeitungsschritt innerhalb einer größeren Fahrbahnrissanalyse-Pipeline. Die vollständige Pipeline besteht aus sechs Stufen. Bildaufnahme erfasst Fahrbahnoberflächenbilder mit Zeilenkameras, DSLR-Kameras oder mobilen Prüffahrzeugen bei typischen Auflösungen von 0,5–2 mm/Pixel. Vorverarbeitung wendet Normalisierung, Kontrastverstärkung und Rauschreduzierung an, um das Bild für die Segmentierung vorzubereiten. Risssegmentierung erzeugt eine binäre Maske von Rissregionen unter Verwendung von Deep-Learning-Modellen (U-Net, DeepLab oder Mask R-CNN) oder traditionellen Schwellenwertmethoden. Skelettierung reduziert die binäre Maske auf eine einpixelbreite Mittellinie mittels Zhang-Suen, Guo-Hall, Lee oder MAT. Nachverarbeitung wendet Skelettbereinigung zur Entfernung unechter Verzweigungen, Knoten-Clustering zur Zusammenführung naher Verzweigungspunkte und zusammenhängende Komponentenanalyse zur Trennung verschiedener Risse an. Parameterberechnung extrahiert Länge, Breite, Tortuosität, Verzweigungsmetriken und Musterklassifikation aus dem bereinigten Skelett.
Der Datenfluss verarbeitet die binäre Maske zum Skelett zum Graphen zu den Parametern. Deep-Learning-Integration weist darauf hin, dass moderne Systeme Segmentierungsmodelle verwenden, die auf Pixel-Level-Rissannotationen trainiert sind, wobei die Skelettierung auf die Modellausgabe angewendet wird. Die Qualität des Skeletts hängt stark von der Qualität der zugrundeliegenden Segmentierung ab – Übersegmentierung erzeugt zahlreiche unechte Verzweigungen, während Untersegmentierung nicht verbundene Skelette erzeugt. Gemeinsame Trainingsansätze, die Skelettkonsistenzverluste (skelettbewusste Segmentierung) einbeziehen, sind ein aktives Forschungsgebiet.
Die quantitative Bewertung der Skelettqualität ist für die Validierung der Leistung von Skelettierungsalgorithmen in der Fahrbahnrissanalyse unerlässlich. Fünf primäre Metriken werden verwendet.
Vollständigkeit misst den Anteil der Rissregion, der durch das Skelett repräsentiert wird. Sie wird als Anteil der Vordergrundpixel in der binären Maske berechnet, die innerhalb eines Distanzschwellenwerts (typischerweise 2–5 Pixel) eines Skelettpixels liegen. Ein Vollständigkeitswert über 0,95 zeigt an, dass das Skelett das gesamte Ausmaß des Risses angemessen erfasst.
Korrektheit (Präzision) misst den Anteil der Skelettpixel, die innerhalb der tatsächlichen Rissregion liegen. Sie wird als Anteil der Skelettpixel berechnet, die innerhalb der binären Maske liegen (unter Berücksichtigung einer kleinen Toleranz für Randeffekte). Ein Korrektheitswert über 0,98 zeigt minimale halluzinierte Struktur an.
Skelett-IoU (Intersection over Union) kombiniert Vollständigkeit und Korrektheit. Sie wird durch Dilatation des Skeletts um einen kleinen Radius (z. B. 2 Pixel), Berechnung der Schnittmenge mit der binären Maske und Division durch die Vereinigungsmenge berechnet. Dies liefert einen einzelnen skalaren Qualitätswert, der für gut funktionierende Algorithmen typischerweise zwischen 0,85 und 0,98 liegt.
Glätte misst die Krümmungskonsistenz des Skelettpfads. Sie wird unter Verwendung der mittleren Orientierungsänderungsrate entlang des Skeletts (Winkelabweichung pro Pixel) oder der Anzahl der Wendepunkte pro Längeneinheit berechnet. Niedrigere Werte weisen auf glattere, natürlichere Skelette hin.
Konnektivität verifiziert, dass das Skelett die Konnektivität des ursprünglichen Risses bewahrt. Sie wird durch Zählen der Anzahl der verbundenen Komponenten sowohl in der binären Maske als auch im Skelett gemessen. Das Komponentenanzahlverhältnis (Skelettkomponenten / Maskenkomponenten) sollte nahe 1,0 liegen. Der Eulercharakteristik-Fehler |χ_Skelett − χ_Maske| misst die topologische Konsistenz.
Zentrierungsfehler misst, wie gut das Skelett die wahre mediale Achse repräsentiert. Er wird als mittlerer oder RMS-Abstand von Skelettpixeln zur wahren medialen Achse (bekannt für synthetische Testfälle) oder zur Konturmittellinie (geschätzt für reale Bilder) berechnet.
Ein zusammengesetzter Qualitätsbewertungswert kann als gewichtete Kombination berechnet werden: Q = w₁Vollständigkeit + w₂Korrektheit + w₃(1 − NormalisierteGlätte) + w₄Konnektivität, wobei die Gewichte an die Anwendungsanforderungen angepasst werden.
Mehrere Softwarebibliotheken implementieren Skelettierungsalgorithmen, die für die Rissanalyse geeignet sind.
OpenCV bietet cv2.ximgproc.thinning() im erweiterten Bildverarbeitungsmodul. Diese Funktion implementiert sowohl Zhang-Suen (Standard) als auch Guo-Hall-Varianten, auswählbar über den thinningType-Parameter. Sie arbeitet direkt auf Binärbildern und gibt ein einpixelbreites Skelett zurück. Die Funktion verwendet effiziente Nachschlagetabellen und ist für Echtzeitanwendungen optimiert.
scikit-image bietet drei Skelettierungsfunktionen. skimage.morphology.skeletonize(image, method='zhang') implementiert die Zhang-Suen-Ausdünnung. skimage.morphology.skeletonize(image, method='lee') implementiert Lees Algorithmus mit sequenzieller Überprüfung. skimage.morphology.medial_axis(image, return_distance=True) berechnet die Mediale Achsentransformation und gibt optional die Distanztransformationswerte für die Breitenschätzung zurück. Alle Funktionen akzeptieren 2-D-binäre Arrays und geben binäre Skelette zurück.
MATLAB bietet bwmorph(BW, 'skel', Inf) für die Skelettierung mittels des Zhang-Suen-Algorithmus mit unendlichen Iterationen, bwmorph(BW, 'branchpoints') für die Knotenerkennung, bwmorph(BW, 'endpoints') für die Endpunkterkennung und bwmorph(BW, 'spur', k) für die iterative Spuren-Entfernung. MATLAB bietet auch bwdist() für die Distanztransformation, die in MAT-basierten Ansätzen verwendet wird.
SciPy bietet scipy.ndimage.distance_transform_edt() zur Berechnung der euklidischen Distanztransformation, die mit der Skelettierung zur Breitenschätzung mittels der Distanztransformationsmethode verwendet wird.
| Werkzeug | Funktion | Algorithmus | Anwendungsfall |
|---|---|---|---|
| OpenCV | cv2.ximgproc.thinning() | ZS (Standard) oder GH | Echtzeit-Rissanalyse |
| scikit-image | skeletonize(method='zhang') | Zhang-Suen | Allgemeine Riss-Skelettierung |
| scikit-image | skeletonize(method='lee') | Lee | Komplexe Rissnetzwerke |
| scikit-image | medial_axis() | MAT | Breitenintegrierte Analyse |
| MATLAB | bwmorph('skel', Inf) | ZS | Forschung und Prototyping |
| MATLAB | bwmorph('branchpoints') | Knotenerkennung | Musteranalyse |
| Fiji/ImageJ | Skeletonize3D-Plugin | ZS, Lee | 3-D-Rissanalyse |
Fiji/ImageJ mit dem Skeletonize3D-Plugin (von Ignacio Arganda-Carreras) bietet 2-D- und 3-D-Skelettierung und wird in der Materialwissenschaft häufig für die Rissnetzwerkanalyse in Röntgen-CT-Bildern verwendet.
Die Internationale Zivilluftfahrtorganisation (ICAO) gibt durch mehrere Schlüsseldokumente Anleitungen zur Fahrbahnrissprüfung und -messung. ICAO ALACPA/09-2012 (Flughafenfahrbahnwartung und -management) spezifiziert Rissmessprotokolle, einschließlich Längenmessung in Metern mit der Mittellinienmethode (direkt korrespondierend mit der skelettbasierten Messung), Breitenklassifikation in Schweregrade (haarfein: <3 mm, mittel: 3–6 mm, schwer: >6 mm) und Musterklassifikation (Längsrisse, Querrisse, Blockrisse, Alligatorrisse, Spiegelrisse). ICAO-Handbuch für Flugplatzgestaltung (Doc 9157, Teil 3 – Fahrbahnen) verweist auf ASTM D5340-12 (Standardprüfverfahren für Flughafenfahrbahn-Zustandsindex-Untersuchungen), das Rissdichteberechnungen (Gesamtrisslänge pro Flächeneinheit) und Rissstärkebewertungen basierend auf Breite und Muster erfordert.
Das FAA PAVER-Schadenshandbuch definiert Risstypen mit spezifischen Codes: Längsrisse (L), Querrisse (T), Blockrisse (B), Alligator-/Ermüdungsrisse (A), Spiegelrisse (R) und Randrisse (E). Schweregradschwellen sind für die Breite in Zoll definiert: geringer Schweregrad (haarfein bis <1/4 Zoll), mittlerer Schweregrad (1/4 bis 1/2 Zoll) und hoher Schweregrad (>1/2 Zoll). Die Messprotokolle erfordern die Aufzeichnung der Risslänge für lineare Risse und der Quadratmeterzahl für Flächenrisse. ICAO ALACPA und FAA PAVER erfordern die PCI-Berechnung unter Verwendung der Rissdichte (Länge pro Fläche), Abzugswerten aus standardisierten Kurven und Korrekturfaktoren für mehrere Schadensarten. Skelettierungsalgorithmen berechnen direkt alle erforderlichen Parameter: Risslänge (Abschnitt 4), mittlere Breite (Abschnitt 6), Rissdichte (Länge pro Fahrbahnflächeneinheit) und Musterklassifikation (Abschnitt 5) für die automatisierte PCI-Abzugszuweisung.
Für weitere Informationen zur Implementierung der Crack-Skelettierung in Ihrem Fahrbahnprüfworkflow kontaktieren Sie unser Team oder vereinbaren Sie eine Demo .
Nutzen Sie fortschrittliche Crack-Skelettierung und Geometrieextraktion für eine präzise Fahrbahnzustandsbewertung. Unsere Computer-Vision-Lösungen integrieren skelettbasierte Längen-, Breiten- und Musteranalyse, um genaue PCI-Bewertungen und Wartungsempfehlungen zu liefern. Kontaktieren Sie uns für eine Demo unserer automatisierten Prüfplattform.
Die automatisierte Rissbreitenmessung ermittelt die Öffnungsbreite erkannter Risse aus segmentierten Pixelmasken mittels euklidischer Distanztransformation von ...
Die KI-basierte Risserkennung nutzt Computer Vision – Convolutional Neural Networks, Vision Transformer und semantische Segmentierungsmodelle – um Risse in Fahr...
Der Rissflächenanteil (crack_area_pct) ist das Verhältnis der Rissmaskenfläche zur gesamten analysierten Bildfläche, ausgedrückt in Prozent. Er ist eine zentral...