CN104636750A - 一种基于双尺度聚类算法的路面裂缝识别算法及系统 - Google Patents
一种基于双尺度聚类算法的路面裂缝识别算法及系统 Download PDFInfo
- Publication number
- CN104636750A CN104636750A CN201410787530.5A CN201410787530A CN104636750A CN 104636750 A CN104636750 A CN 104636750A CN 201410787530 A CN201410787530 A CN 201410787530A CN 104636750 A CN104636750 A CN 104636750A
- Authority
- CN
- China
- Prior art keywords
- crack
- crack area
- ellipse
- minimum external
- cluster centre
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于双尺度聚类的路面裂缝识别算法及系统:计算机读取三维图像数据矩阵,得到二值化图像;按照从上到下、从左到右的顺序,采用八邻域搜索算法扫描二值化图像对应的数据矩阵,得到标记后的裂缝区域;在裂缝区域对应的椭圆,使用双尺度聚类算法进行裂缝聚类得到聚类后的裂缝区域;使用聚类后的裂缝区域所在的最小外接椭圆作为路面裂缝。本发明复杂度低、运行时间短、无需人工参与。将杂乱的裂缝数据局域使用线性拟合、模型构建的思想表征成为规则的、确定的数学表达式,从而降低的数据处理的复杂度;只需输入采集到的路面裂缝数据即可完成路面裂缝的检测,因此该算法检测效率高、速度快,具有一定的研究价值。
Description
技术领域
本专利属于道路工程领域,特别是指一种基于双尺度聚类算法的路面裂缝识别算法。
背景技术
传统的路面裂缝识别技术都是紧扣裂缝进行一系列的图像处理并不断使其效果不断优化,便于目标提取,即该类算法主要致力于裂缝特征的提取上,而很少考虑实际需要以及处理后的路面裂缝是否真正对应于同一条实际路面裂缝。其一,传统的裂缝特征提取算法使得预处理后的路面裂缝二值图相对于原始裂缝而言总是不同程度的缩小实际路面裂缝区域,更甚者经过多次处理后使得实际中同一条路面裂缝在图像上呈现断裂现象,断裂后的一条裂缝如果不进行及时的发现并修补极有可能被当作两条甚至更多的裂缝处理,由于路面裂缝识别过程是一个串行的处理过程,其错误存在累积现象,这样使得后续处理中裂缝定位等工作基于前端错误的结果进行,必然产生错误的裂缝识别结果,大大提高了裂缝识别的错误率,即存在“不补则错”的现象。其二,就实际而言,路面裂缝检测的目的在于准确分类裂缝、准确定位裂缝以及裂缝实际区域的定位,从而为公路养护部门提供可靠的数据,以利于其进行公路养护管理。
聚类算法用于图像分割领域具有很大的应用前景。其不仅在处理大量数据方面具有很大的优势,且具有优良的可扩展性,便于从不同的角度上发现新的研究方法。不同的聚类算法按其聚类准则的不同,可分为“硬”聚类,和“软”聚类。就简单的“硬”聚类而言,令集合C表示图像灰度值数据集,对其进行聚类分析相当于将其按一定的准则分割为子区域c1,c2.......ck,,k为类别数。使得子区域满足条件:非空性: ;完整性:c1∪c2∪c3∪…∪ck=C,聚类算法实质是对原始数据的再分配,通过挖掘数据内部结构,不断寻找更加优化的聚类算法,从而使得再分配后的数据体现某种内部一致性,这种一致性的体现通常又由特定的准则函数衡量,使用不同的准则函数将得到不同的结果,优化准则函数便是优化聚类算法的一个方向。常用的聚类算法有分层聚类算法、混合解析模式查询算法、最近邻域聚类算法、模糊聚类算法、人工神经网络聚类算法、遗传聚类算法等。纵观这些聚类算法,其核心在于“距离”的表示,不同准则下的“距离”体现不同的聚类效果,当然,对于不同的数据集合相应的选 取不同的准则才能达到较为理想的效果,因此,“距离”的定义尤为关键。同时,就路面裂缝检测而言,聚类算法在该领域的鲜有应用,且仅有的应有也只是局限于路面裂缝图像的分割,并没有进行裂缝区域定位方面的检测。
发明内容
针对以上路面裂缝识别技术存在的问题,本发明提出基于双尺度聚类的路面裂缝识别算法,采用“先分后聚”的思想,即先裂缝进行小块区域划分局部研究,然后使用优化中心距离以及角度差的双尺度聚类准则对小块断裂裂缝进行双尺度聚类,最后使用最小外接椭圆模型表征裂缝,实现裂缝的定位以及区域的界定,达到路面裂缝的识别。不仅避免了使用计算流形距离造成的数据量大、复杂度高带来的实现困难,且达到了使用流形距离聚类带来的优点。
为了达到上述目的,本发明采用如下的技术方案:
一种基于双尺度聚类的路面裂缝识别算法,包括如下步骤:
步骤1:计算机读取三维图像数据矩阵,对三维图像数据矩阵进行滤波处理得到滤波后的三维图像数据矩阵,然后将其转换成灰度图像,并对该灰度图像使用Otsu算法进行二值化处理,得到二值化图像;
步骤2:按照从上到下、从左到右的顺序,采用八邻域搜索算法扫描步骤1得到的二值化图像对应的数据矩阵,得到标记后的裂缝区域,并对每个裂缝区域使用最小外接椭圆进行表征(即使用最小外接椭圆将裂缝区域圈在其内);
步骤3:在裂缝区域对应的椭圆,使用双尺度聚类算法进行裂缝聚类,得到聚类后的裂缝区域;
步骤4:使用聚类后的裂缝区域所在的最小外接椭圆作为路面裂缝。
进一步的,其特征在于,所述步骤2具体包含如下步骤:
步骤21:按照从上到下、从左到右的顺序扫描滤波后的三维图像数据矩阵;依次以每个数据点作为中心,判断中心点的八邻域是否均为裂缝点,如果是,则八邻域范围内的点属于以该数据点为中心点的基本单元区域,并将每个基本单元区域顺次编号(进行标记),每个基本单元区域均作为裂缝区域;
步骤22:对编号i的裂缝区域中的所有数据点进行线性拟合,得到拟合直线 其中,i=1,2,3…;ni为编号i的裂缝区域包含 的数据点个数;求出该裂缝区域在对应的拟合直线上截取的线段长度,记为ai;然后计算该裂缝区域内所有数据点到对应的拟合直线的距离,将距离的最大值记为bi,计算ai与水平方向的夹角,记为θi;
步骤23:将每个裂缝区域的参数ai、bi和θi分别作为对应的椭圆的长轴、短轴以及偏转角度,得到每个裂缝区域对应的最小外接椭圆。
进一步的,所述步骤3具体包含如下步骤:
步骤31:对于步骤2得到的所有裂缝区域,选取裂缝区域对应的最小外接椭圆中长轴最长的椭圆的中心作为当前聚类中心;
步骤32:选取当前聚类中心对应的裂缝区域之外的所有裂缝区域中编号最小的裂缝区域所在的最小外接椭圆,将其作为待聚类目标;
步骤33:计算待聚类目标的中心到当前聚类中心的距离以及两中心的水平夹角差;
步骤34:判断步骤33得到的距离以及水平夹角差是否满足如下准则函数,若不满足,则转至步骤37,如果满足,则执行步骤35;
准则函数:J=(a0<O0Oi)&&(Δθoi<δ)
其中,a0为当前聚类中心的所代表的最小外接椭圆的长轴长,O0Oi为待聚类目标的中心到当前聚类中心的距离,Δθoi为待聚类目标与当前聚类中心的水平夹角差,δ1为正常数,取0~45°;
步骤35:将该待聚类目标归为当前聚类中心所在的类,将该类中包含的所有椭圆使用一个新的最小外接椭圆进行表征(即将所有椭圆使用一个最小外接椭圆圈在内),计算该新的最小外接椭圆的中心、长轴、短轴以及偏转角,并将该新的最小外接椭圆的中心作为当前聚类中心;
步骤36:判断是否还有未归类的裂缝区域,若有,则继续选取下一个最小编号代表的最小外接椭圆作为待聚类目标,并返回步骤33;若没有,执行步骤38;
步骤37:将当前聚类中心归为一新类,返回31,否则,执行步骤38;
步骤38:结束。
进一步的,所述步骤1中,对三维图像数据矩阵进行滤波处理采用中值滤波算法,对灰度图像进行二值化处理采用Otsu算法。
本发明的另一个目的在于,提供一种基于双尺度聚类的路面裂缝识别系统,该系统 包括如下依次相连接的模块:
图像二值化模块,用以完成如下功能:
计算机读取三维图像数据矩阵,对三维图像数据矩阵进行滤波处理得到滤波后的三维图像数据矩阵,然后将其转换成灰度图像,并对该灰度图像使用Otsu算法进行二值化处理,得到二值化图像;
裂缝区域标记模块,用以完成如下功能:
按照从上到下、从左到右的顺序,采用八邻域搜索算法扫描步骤1得到的二值化图像对应的数据矩阵,得到标记后的裂缝区域,并对每个裂缝区域使用最小外接椭圆进行表征;
裂缝聚类模块,用以在裂缝区域对应的椭圆,使用双尺度聚类算法进行裂缝聚类,得到聚类后的裂缝区域;
路面裂缝提取模块,用以将聚类后的裂缝区域所在的最小外接椭圆作为路面裂缝。
进一步的,所述裂缝区域标记模块用以实现以下流程的功能:
步骤21:按照从上到下、从左到右的顺序扫描滤波后的三维图像数据矩阵;依次以每个数据点作为中心,判断中心点的八邻域是否均为裂缝点,如果是,则八邻域范围内的点属于以该数据点为中心点的基本单元区域,并将每个基本单元区域顺次编号(进行标记),每个基本单元区域均作为裂缝区域;
步骤22:对编号i的裂缝区域中的所有数据点进行线性拟合,得到拟合直线 其中,i=1,2,3…;ni为编号i的裂缝区域包含的数据点个数;求出该裂缝区域在对应的拟合直线上截取的线段长度,记为ai;然后计算该裂缝区域内所有数据点到对应的拟合直线的距离,将距离的最大值记为bi,计算ai与水平方向的夹角,记为θi;
步骤23:将每个裂缝区域的参数ai、bi和θi分别作为对应的椭圆的长轴、短轴以及偏转角度,得到每个裂缝区域对应的最小外接椭圆。
进一步的,所述裂缝聚类模块用以实现如下流程的功能:
步骤31:对于步骤2得到的所有裂缝区域,选取裂缝区域对应的最小外接椭圆中长轴最长的椭圆的中心作为当前聚类中心;
步骤32:选取当前聚类中心对应的裂缝区域之外的所有裂缝区域中编号最小的裂缝区域所在的最小外接椭圆,将其作为待聚类目标;
步骤33:计算待聚类目标的中心到当前聚类中心的距离以及两中心的水平夹角差;
步骤34:判断步骤33得到的距离以及水平夹角差是否满足如下准则函数,若不满足,则转至步骤37,如果满足,则执行步骤35;
准则函数:J=(a0<O0Oi)&&(Δθoi<δ)
其中,a0为当前聚类中心的所代表的最小外接椭圆的长轴长,O0Oi为待聚类目标的中心到当前聚类中心的距离,Δθoi为待聚类目标与当前聚类中心的水平夹角差,δ1为正常数,取0~45°;
步骤35:将该待聚类目标归为当前聚类中心所在的类,将该类中包含的所有椭圆使用一个新的最小外接椭圆进行表征(即将所有椭圆使用一个最小外接椭圆圈在内),计算该新的最小外接椭圆的中心、长轴、短轴以及偏转角,并将该新的最小外接椭圆的中心作为当前聚类中心;
步骤36:判断是否还有未归类的裂缝区域,若有,则继续选取下一个最小编号代表的最小外接椭圆作为待聚类目标,并返回步骤33;若没有,执行步骤38;
步骤37:将当前聚类中心归为一新类,返回31,否则,执行步骤38;
步骤38:结束。
进一步的,所述图像二值化模块中,对三维图像数据矩阵进行滤波处理采用中值滤波算法,对灰度图像进行二值化处理采用Otsu算法。
本发明提出的路面裂缝识别技术具有如下优点
1、只需输入采集到的路面裂缝数据即可完成路面裂缝的检测,因此算法计算简单、运行时间短,适合在实时系统中采用。
2、无需人工参与,克服了人工路面裂缝检测具有的劳动强度大、移植性差、工作效率低和滤波效果较差的缺点。
3、在基于数字图像处理技术的基础上,利用聚类算法处理大数据的独特优势,从全新的视角综合分析路面裂缝图像,完成裂缝的双尺度聚类算法识别。
4、通过建立裂缝区域数学模型的方法,将杂乱无章的路面裂缝区域表示为数学公式可以具体表示的式子,便于使用数学技术分析。为路面的养护管理提供有力的信息支持,提高了公路养护和管理水平。
附图说明
图1是本发明的基于双尺度聚类的路面裂缝识别算法的流程图。
图2是使用本发明对三种裂缝分别进行处理的结果。其中,(a)、(d)、(g)分别为原始横向裂缝、原始纵向裂缝和原始网状裂缝;(b)、(e)、(h)依次为(a)、(d)、(g)的裂缝基本单元;(c)、(f)、(i)依次为(a)、(d)、(g)通过本发明的算法处理后的结果。
图3是本发明的基于双尺度聚类的路面裂缝识别系统的示意图。
以下结合实例说明本发明的路面裂缝识别技术的实施效果:
具体实施方式
参见图1-图3,本发明的基于双尺度聚类算法的路面裂缝识别算法,具体包括如下步骤:
步骤1:计算机读取三维图像数据矩阵,对三维图像数据矩阵采用中值滤波算法进行滤波处理,得到滤波后的三维图像数据矩阵,然后将其转换成灰度图像,并对该灰度图像使用Otsu算法进行二值化处理,得到二值化图像;
该步骤中,采用中值滤波算法对数据的平滑程度要求低,因此适合本发明中错台数据的处理,从而提高了运算速度。同时,采用Otsu算法是一种自适应阈值算法,自动化程度高。
步骤2:按照从上到下、从左到右的顺序,采用八邻域搜索算法扫描步骤1得到的二值化图像对应的数据矩阵,得到标记后的裂缝区域,并对每个裂缝区域使用最小外接椭圆进行表征(即使用最小外接椭圆将裂缝区域圈在其内);
具体包括如下步骤:
步骤21:按照从上到下、从左到右的顺序扫描滤波后的三维图像数据矩阵;依次以每个数据点作为中心,判断中心点的八邻域是否均为裂缝点,如果是,则八邻域范围内的点属于以该数据点为中心点的基本单元区域,并将每个基本单元区域顺次编号(进行标记),每个基本单元区域均作为裂缝区域;
步骤22:对编号i的裂缝区域中的所有数据点进行线性拟合,得到拟合直线 其中,i=1,2,3…;ni为编号i的裂缝区域包含的数据点个数;求出该裂缝区域在对应的拟合直线上截取的线段长度,记为ai;然后计 算该裂缝区域内所有数据点到对应的拟合直线的距离,将距离的最大值记为bi,计算ai与水平方向的夹角,记为θi;
步骤23:将每个裂缝区域的参数ai、bi和θi分别作为对应的椭圆的长轴、短轴以及偏转角度,得到每个裂缝区域对应的最小外接椭圆。
该步骤中,使用八邻域搜索算法,搜索全面,使得结果更精确;同时,使用最小外接椭圆进行表征较现有的矩形表征,对裂缝的表征更加精确。
步骤3:在裂缝区域对应的椭圆,使用双尺度聚类算法进行裂缝聚类,得到聚类后的裂缝区域;具体包括如下步骤:
步骤31:对于步骤2得到的所有裂缝区域,选取裂缝区域对应的最小外接椭圆中长轴最长的椭圆的中心作为当前聚类中心;
步骤32:选取当前聚类中心对应的裂缝区域之外的所有裂缝区域中编号最小的裂缝区域所在的最小外接椭圆,将其作为待聚类目标;
步骤33:计算待聚类目标的中心到当前聚类中心的距离以及两中心的水平夹角差;
步骤34:判断步骤33得到的距离以及水平夹角差是否满足如下准则函数,若不满足,则转至步骤37,如果满足,则执行步骤35;
准则函数:J=(a0<O0Oi)&&(Δθoi<δ)
其中,a0为当前聚类中心的所代表的最小外接椭圆的长轴长,O0Oi为待聚类目标的中心到当前聚类中心的距离,Δθoi为待聚类目标与当前聚类中心的水平夹角差,δ1为正常数,取0~45°;
步骤35:将该待聚类目标归为当前聚类中心所在的类,将该类中包含的所有椭圆使用一个新的最小外接椭圆进行表征(即将所有椭圆使用一个最小外接椭圆圈在内),计算该新的最小外接椭圆的中心、长轴、短轴以及偏转角,并将该新的最小外接椭圆的中心作为当前聚类中心;
步骤36:判断是否还有未归类的裂缝区域,若有,则继续选取下一个最小编号代表的最小外接椭圆作为待聚类目标,并返回步骤33;若没有,执行步骤38;
步骤37:将当前聚类中心归为一新类,返回31,否则,执行步骤38;
步骤38:结束。
该步骤中准则函数的选择,即能判断距离又能判断角度,能够全面判断误差,提高 结果精度。
步骤4:使用步骤3中得到的聚类后的裂缝区域所在的最小外接椭圆作为路面裂缝,实现路面裂缝的定位检测。
参见图2,为使用双尺度聚类算法识别路面裂缝结果,实验选取δ=30°。可见,使用双尺度聚类算法能够获得准确的裂缝范围、裂缝信息提取,从而完成裂缝的检测。
Claims (8)
1.一种基于双尺度聚类的路面裂缝识别算法,其特征在于,包括如下步骤:
步骤1:计算机读取三维图像数据矩阵,对三维图像数据矩阵进行滤波处理得到滤波后的三维图像数据矩阵,然后将其转换成灰度图像,并对该灰度图像使用Otsu算法进行二值化处理,得到二值化图像;
步骤2:按照从上到下、从左到右的顺序,采用八邻域搜索算法扫描步骤1得到的二值化图像对应的数据矩阵,得到标记后的裂缝区域,并对每个裂缝区域使用最小外接椭圆进行表征;
步骤3:在裂缝区域对应的椭圆,使用双尺度聚类算法进行裂缝聚类,得到聚类后的裂缝区域;
步骤4:使用聚类后的裂缝区域所在的最小外接椭圆作为路面裂缝。
2.如权利要求1所述的基于双尺度聚类算法的路面裂缝识别算法,其特征在于,所述步骤2具体包含如下步骤:
步骤21:按照从上到下、从左到右的顺序扫描滤波后的三维图像数据矩阵;依次以每个数据点作为中心,判断中心点的八邻域是否均为裂缝点,如果是,则八邻域范围内的点属于以该数据点为中心点的基本单元区域,并将每个基本单元区域顺次编号,每个基本单元区域均作为裂缝区域;
步骤22:对编号i的裂缝区域中的所有数据点进行线性拟合,得到拟合直线其中,i=1,2,3···;ni为编号i的裂缝区域包含的数据点个数;求出该裂缝区域在对应的拟合直线上截取的线段长度,记为ai;然后计算该裂缝区域内所有数据点到对应的拟合直线的距离,将距离的最大值记为bi,计算ai与水平方向的夹角,记为θi;
步骤23:将每个裂缝区域的参数ai、bi和θi分别作为对应的椭圆的长轴、短轴以及偏转角度,得到每个裂缝区域对应的最小外接椭圆。
3.如权利要求1所述的基于双尺度聚类算法的路面裂缝识别算法,其特征在于,所述步骤3具体包含如下步骤:
步骤31:对于步骤2得到的所有裂缝区域,选取裂缝区域对应的最小外接椭圆中长轴最长的椭圆的中心作为当前聚类中心;
步骤32:选取当前聚类中心对应的裂缝区域之外的所有裂缝区域中编号最小的裂缝区域所在的最小外接椭圆,将其作为待聚类目标;
步骤33:计算待聚类目标的中心到当前聚类中心的距离以及两中心的水平夹角差;
步骤34:判断步骤33得到的距离以及水平夹角差是否满足如下准则函数,若不满足,则转至步骤37,如果满足,则执行步骤35;
准则函数:J=(a0<O0Oi)&&(Δθoi<δ)
其中,a0为当前聚类中心的所代表的最小外接椭圆的长轴长,O0Oi为待聚类目标的中心到当前聚类中心的距离,Δθoi为待聚类目标与当前聚类中心的水平夹角差,δ1为正常数,取0~45°;
步骤35:将该待聚类目标归为当前聚类中心所在的类,将该类中包含的所有椭圆使用一个新的最小外接椭圆进行表征,计算该新的最小外接椭圆的中心、长轴、短轴以及偏转角,并将该新的最小外接椭圆的中心作为当前聚类中心;
步骤36:判断是否还有未归类的裂缝区域,若有,则继续选取下一个最小编号代表的最小外接椭圆作为待聚类目标,并返回步骤33;若没有,执行步骤38;
步骤37:将当前聚类中心归为一新类,返回31,否则,执行步骤38;
步骤38:结束。
4.如权利要求1所述的基于双尺度聚类算法的路面裂缝识别算法,其特征在于,所述步骤1中,对三维图像数据矩阵进行滤波处理采用中值滤波算法,对灰度图像进行二值化处理采用Otsu算法。
5.一种基于双尺度聚类的路面裂缝识别系统,其特征在于,包括如下依次相连接的模块:
图像二值化模块,用以完成如下功能:
计算机读取三维图像数据矩阵,对三维图像数据矩阵进行滤波处理得到滤波后的三维图像数据矩阵,然后将其转换成灰度图像,并对该灰度图像使用Otsu算法进行二值化处理,得到二值化图像;
裂缝区域标记模块,用以完成如下功能:
按照从上到下、从左到右的顺序,采用八邻域搜索算法扫描步骤1得到的二值化图像对应的数据矩阵,得到标记后的裂缝区域,并对每个裂缝区域使用最小外接椭圆进行表征;
裂缝聚类模块,用以在裂缝区域对应的椭圆,使用双尺度聚类算法进行裂缝聚类,得到聚类后的裂缝区域;
路面裂缝提取模块,用以将聚类后的裂缝区域所在的最小外接椭圆作为路面裂缝。
6.如权利要求5所述的基于双尺度聚类算法的路面裂缝识别系统,其特征在于,所述裂缝区域标记模块用以实现以下流程的功能:
步骤21:按照从上到下、从左到右的顺序扫描滤波后的三维图像数据矩阵;依次以每个数据点作为中心,判断中心点的八邻域是否均为裂缝点,如果是,则八邻域范围内的点属于以该数据点为中心点的基本单元区域,并将每个基本单元区域顺次编号,每个基本单元区域均作为裂缝区域;
步骤22:对编号i的裂缝区域中的所有数据点进行线性拟合,得到拟合直线其中,i=1,2,3···;ni为编号i的裂缝区域包含的数据点个数;求出该裂缝区域在对应的拟合直线上截取的线段长度,记为ai;然后计算该裂缝区域内所有数据点到对应的拟合直线的距离,将距离的最大值记为bi,计算ai与水平方向的夹角,记为θi;
步骤23:将每个裂缝区域的参数ai、bi和θi分别作为对应的椭圆的长轴、短轴以及偏转角度,得到每个裂缝区域对应的最小外接椭圆。
7.如权利要求5所述的基于双尺度聚类算法的路面裂缝识别系统,其特征在于,所述裂缝聚类模块用以实现如下流程的功能:
步骤31:对于步骤2得到的所有裂缝区域,选取裂缝区域对应的最小外接椭圆中长轴最长的椭圆的中心作为当前聚类中心;
步骤32:选取当前聚类中心对应的裂缝区域之外的所有裂缝区域中编号最小的裂缝区域所在的最小外接椭圆,将其作为待聚类目标;
步骤33:计算待聚类目标的中心到当前聚类中心的距离以及两中心的水平夹角差;
步骤34:判断步骤33得到的距离以及水平夹角差是否满足如下准则函数,若不满足,则转至步骤37,如果满足,则执行步骤35;
准则函数:J=(a0<O0Oi)&&(Δθoi<δ)
其中,a0为当前聚类中心的所代表的最小外接椭圆的长轴长,O0Oi为待聚类目标的中心到当前聚类中心的距离,Δθoi为待聚类目标与当前聚类中心的水平夹角差,δ1为正常数,取0~45°;
步骤35:将该待聚类目标归为当前聚类中心所在的类,将该类中包含的所有椭圆使用一个新的最小外接椭圆进行表征,计算该新的最小外接椭圆的中心、长轴、短轴以及偏转角,并将该新的最小外接椭圆的中心作为当前聚类中心;
步骤36:判断是否还有未归类的裂缝区域,若有,则继续选取下一个最小编号代表的最小外接椭圆作为待聚类目标,并返回步骤33;若没有,执行步骤38;
步骤37:将当前聚类中心归为一新类,返回31,否则,执行步骤38;
步骤38:结束。
8.如权利要求5所述的基于双尺度聚类算法的路面裂缝识别系统,其特征在于,所述图像二值化模块中,对三维图像数据矩阵进行滤波处理采用中值滤波算法,对灰度图像进行二值化处理采用Otsu算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410787530.5A CN104636750B (zh) | 2014-12-17 | 2014-12-17 | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410787530.5A CN104636750B (zh) | 2014-12-17 | 2014-12-17 | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636750A true CN104636750A (zh) | 2015-05-20 |
CN104636750B CN104636750B (zh) | 2018-09-21 |
Family
ID=53215478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410787530.5A Expired - Fee Related CN104636750B (zh) | 2014-12-17 | 2014-12-17 | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636750B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320942A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于联合检测器的路面破损检测方法 |
CN105825169A (zh) * | 2016-03-10 | 2016-08-03 | 辽宁工程技术大学 | 一种基于道路影像的路面裂缝识别方法 |
CN106204497A (zh) * | 2016-07-20 | 2016-12-07 | 长安大学 | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 |
CN107610094A (zh) * | 2017-08-02 | 2018-01-19 | 长安大学 | 基于椭球立体表征的裂缝三维检测方法 |
CN109839439A (zh) * | 2019-03-21 | 2019-06-04 | 陈朝忠 | 路桥路面裂缝检测系统及其检测方法 |
CN110334727A (zh) * | 2019-04-30 | 2019-10-15 | 国家电网有限公司 | 一种隧道裂缝智能匹配检测方法 |
CN110853034A (zh) * | 2020-01-15 | 2020-02-28 | 清华四川能源互联网研究院 | 裂缝检测方法、装置、电子设备和计算机可读存储介质 |
CN110909628A (zh) * | 2019-11-05 | 2020-03-24 | 长安大学 | 一种检测带阴影路面裂缝的自然光照补偿方法 |
CN115424178A (zh) * | 2022-09-05 | 2022-12-02 | 兰州大学 | 一种提高路面裂缝数据识别的增强方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
US8081798B2 (en) * | 2007-11-20 | 2011-12-20 | Lawrence Livermore National Security, Llc | Method and system for detecting polygon boundaries of structures in images as particle tracks through fields of corners and pixel gradients |
CN103839268A (zh) * | 2014-03-18 | 2014-06-04 | 北京交通大学 | 一种地铁隧道表面裂缝的检测方法 |
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
-
2014
- 2014-12-17 CN CN201410787530.5A patent/CN104636750B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
US8081798B2 (en) * | 2007-11-20 | 2011-12-20 | Lawrence Livermore National Security, Llc | Method and system for detecting polygon boundaries of structures in images as particle tracks through fields of corners and pixel gradients |
CN103839268A (zh) * | 2014-03-18 | 2014-06-04 | 北京交通大学 | 一种地铁隧道表面裂缝的检测方法 |
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320942A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于联合检测器的路面破损检测方法 |
CN105320942B (zh) * | 2015-10-21 | 2018-07-06 | 东南大学 | 一种基于联合检测器的路面破损检测方法 |
CN105825169B (zh) * | 2016-03-10 | 2019-02-15 | 辽宁工程技术大学 | 一种基于道路影像的路面裂缝识别方法 |
CN105825169A (zh) * | 2016-03-10 | 2016-08-03 | 辽宁工程技术大学 | 一种基于道路影像的路面裂缝识别方法 |
CN106204497A (zh) * | 2016-07-20 | 2016-12-07 | 长安大学 | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 |
CN106204497B (zh) * | 2016-07-20 | 2018-12-25 | 长安大学 | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 |
CN107610094A (zh) * | 2017-08-02 | 2018-01-19 | 长安大学 | 基于椭球立体表征的裂缝三维检测方法 |
CN107610094B (zh) * | 2017-08-02 | 2020-04-03 | 长安大学 | 基于椭球立体表征的裂缝三维检测方法 |
CN109839439A (zh) * | 2019-03-21 | 2019-06-04 | 陈朝忠 | 路桥路面裂缝检测系统及其检测方法 |
CN109839439B (zh) * | 2019-03-21 | 2021-08-20 | 广西安盛建设工程检测咨询有限公司 | 路桥路面裂缝检测系统及其检测方法 |
CN110334727A (zh) * | 2019-04-30 | 2019-10-15 | 国家电网有限公司 | 一种隧道裂缝智能匹配检测方法 |
CN110334727B (zh) * | 2019-04-30 | 2021-04-27 | 国家电网有限公司 | 一种隧道裂缝智能匹配检测方法 |
CN110909628A (zh) * | 2019-11-05 | 2020-03-24 | 长安大学 | 一种检测带阴影路面裂缝的自然光照补偿方法 |
CN110853034A (zh) * | 2020-01-15 | 2020-02-28 | 清华四川能源互联网研究院 | 裂缝检测方法、装置、电子设备和计算机可读存储介质 |
CN115424178A (zh) * | 2022-09-05 | 2022-12-02 | 兰州大学 | 一种提高路面裂缝数据识别的增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104636750B (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636750A (zh) | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 | |
WO2020233152A1 (zh) | 基于城市建筑空间数据的建成区边界识别方法及设备 | |
CN107527067B (zh) | 一种基于探地雷达的铁路路基病害智能识别方法 | |
CN107767382B (zh) | 静态三维地图建筑物轮廓线的自动提取方法及系统 | |
Wang et al. | Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories | |
CN102520401B (zh) | 一种基于LiDAR数据的建筑物区域提取方法 | |
CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN106803253B (zh) | 一种三维岩石图像裂缝识别方法 | |
CN101915570B (zh) | 一种基于灭点的地面移动测量影像线段自动提取分类方法 | |
Wang et al. | Cracking classification using minimum rectangular cover–based support vector machine | |
CN104573705A (zh) | 一种建筑物激光扫描点云数据的聚类方法 | |
CN105528588A (zh) | 一种车道线识别方法及装置 | |
CN101609555B (zh) | 一种基于灰度共生矩阵的灰度模板匹配方法 | |
CN110222959B (zh) | 一种基于大数据的城市就业可达性测算方法及系统 | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN105069395B (zh) | 基于地面三维激光扫描技术的道路标线自动识别方法 | |
CN101697229A (zh) | 一种医学图像的感兴趣区域提取方法 | |
CN109658431A (zh) | 基于区域生长的岩体点云平面提取方法 | |
CN104820826B (zh) | 一种基于数字高程模型的坡形提取与识别方法 | |
CN104599321A (zh) | 基于X-ray CT图像的真实集料颗粒离散元模型构建方法 | |
CN115619972A (zh) | 一种基于点云数据的道路标线磨损识别与评估方法 | |
CN110704559A (zh) | 一种多尺度矢量面数据匹配方法 | |
CN110992481B (zh) | 基于最邻近连线的建筑物白模一致性合并方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180921 Termination date: 20201217 |