图像分割的结果如图3所示。观察结果，很容易发现图像的边缘很大区域被错分为与裂缝一样。于是直接计算裂缝宽度时会导致将错分的区域计算成裂缝。因此除了计算裂缝宽度外，对候选裂缝集合进行有效剔除是另一个重要任务。对选裂缝集合进行有效剔除将会在下一小节中进行讨论。
    分割完图像后，计算所有可能成为裂缝的区域的宽度。采用从图像给定行的起始位置开始计算裂缝宽度，当发现像素灰度由0变为255，记为一个裂缝的左边缘起始位置；当查找到像素灰度由255变为0，记为一个裂缝的右边缘结束位置。通过这种方法可以获取给定行的所有可能的裂缝宽度。但是在具体试验中发现，计算对单行的裂缝进行宽度测量还是存在比较大的误差。于是采用求取给定行上下5行共10行的平均值的方法。这样可以有效地去除毛刺的干扰。通过这种方法，得到一个裂缝的候选集合，并且计算出候选集合中每一个位置的宽度。
1．3 Sobel边缘检测
    以上小节得出了裂缝的候选集合，但是事实上这个候选集合含有大量的非裂缝区域。这一节中的主要内容是设计算法剔除这些干扰裂缝，获取更小的裂缝候选集合。在试验中，由于裂缝具有明显的边缘，而干扰图像区域有比较模糊的边缘或者仅有一个边缘等，通过分析，提出采用Sobel边缘检测的方法进行裂缝位置的锁定。Sobel算子由两个卷积核组成，如图4所示，图像中的每个点都用这两个核做卷积，一个核对通常的垂直边缘相应最大，而另一个对水平边缘相应最大。两个卷积的最大值作为该点的输出位。运算结果是一幅边缘幅度图像。

    通过对原始图像采用Sobel边缘检测得到如图5所示结果。

    但是，这个结果很明显存在很多微小的干扰，这些干扰必须予以剔除，否则将对锁定裂缝边缘没有任何效果。通过对边缘检测结果图像仔细分析发现，虽然存在微小干扰，但是他们的灰度值普遍偏小，针对这一发现，对缘检测结果图像做与上一节中一样的图像分割，这会将微小的干扰有效地剔除。实际的实验结果也验证了这一点，如图6所示。
    同过对分割后的边缘图像进行观察，图像仍然存在一些微小的干扰，但这些干扰相对于未处理的缘检测结果图像已经很少，将在后续的处理中对图像裂缝添加附加约束，从而取出这些干扰的影响。
1．4 基于裂缝特征的附加约束
    通过对大量的裂缝图像进行分析，发现图像裂缝有如下特点：
    (1)裂缝灰度值低于墙体的灰度值。
    (2)裂缝的宽度相对于整个图像不超过图像宽度的1／3。
    (3)污染的墙体区域一般呈大的块状出现，且很多仅含有一个边界，另一边界延伸至图像外面。
    (4)墙体的一些微小的干扰呈小块状出现。
    (5)裂缝一般为带状。
    使用ARM处理器处理图像，由于其速度慢且有实时性要求，故不能处理整张的图像，换句话说，必须处理局部图像。这就很明显增加了剔除候选裂缝的难度。该系统显然是无法使用特点(4)、特点(5)的。因此仅使用了前三个特点，并提出了约束：剔除宽度高于图像宽度1／3的裂缝候选集，剔除宽度低于1／10的裂缝候选集。