CN104992429A - 一种基于图像局部增强的山体裂缝检测方法 - Google Patents
一种基于图像局部增强的山体裂缝检测方法 Download PDFInfo
- Publication number
- CN104992429A CN104992429A CN201510195310.8A CN201510195310A CN104992429A CN 104992429 A CN104992429 A CN 104992429A CN 201510195310 A CN201510195310 A CN 201510195310A CN 104992429 A CN104992429 A CN 104992429A
- Authority
- CN
- China
- Prior art keywords
- image
- contrast
- crack
- detection method
- region
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种山体裂缝检测方法,包括通过图像滑动窗口对采集的图像进行分析,确定图像的每个像素点的对比度;根据该对比度,构建对比度图,对对比度图进行分析,确定对比度图的最佳分割阈值,根据该阈值,确定出待增强的区域,并对待增强区域进行图像增强处理;对处理后的图像进行分析,确定出灰度特征图和方差特征图;求取灰度特征图和反差特征图的最佳分割阈值,并求取灰度特征和方差特征的二值图,对两个二值图进行求与操作,确定出裂缝的二值图;对目标裂缝的二值图进行变换确定其细化骨架,并对骨架进行区域延伸处理,得到骨架上所有裂缝潜在区域;对骨架的像素进行遍历,得到裂缝的长度信息,并根据区域的像素个数,计算裂缝的面积。
Description
技术领域
本发明涉及数字图像处理技术领域,具体来说,涉及一种基于图像局部增强的山体裂缝检测方法。
背景技术
随着自然环境的不断恶化和人为工程建设的越来越多,山体滑坡数目每年都在增多,且强度和频率每年都在增大,中国每年由山体滑坡带来的损失超过4亿美元。山体滑坡带来巨大的财产损失、人员伤亡,早期预警系统的建立非常必要。
山体滑坡预警系统目前都采用监测仪器进行监测,传统的用于山体滑坡监测的方法大概有如下几种:常规大地测量法;液体静力水准测量、重力测量法;地下水位监测法;电测法、地下钻孔倾斜等。尽管这些方法都在山体滑坡预警方面起到了积极作用,但它们具有一些弊端,如受地形影响,不能连续观测,自动化程度不高,人力投入过大,数据不能实时处理等。
采用基于数字图像处理技术的监测方法则可以消除上述部分弊端,如无接触式测量,智能化程度高,成本低,可以实时预警等。本发明基于山体滑坡前部分区域会出现裂缝的征兆,采用视频采集设备对山体进行全天候监控,采用图像处理技术对裂缝进行识别。但山体裂缝一般与背景对比度较低,造成了裂缝识别的困难。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于图像局部增强的山体裂缝检测方法,其解决了山体裂缝识别困难的问题,且较传统仪器监测方法具有无接触测量的优势,适用于野外实时监控环境。
本发明的技术方案是这样实现的:
一种基于图像局部增强的山体裂缝检测方法,包括:
通过预先设定的图像滑动窗口,对采集的图像进行分析,确定所述图像的中心点处的灰度均值,并根据所述灰度均值,确定所述图像的每个像素点的对比度;
根据每个像素点的对比度,构建与所述图像对应的对比度图,并利用ostu自动分割阈值算法,对对比度图进行分析,确定对比度图的最佳分割阈值,并根据该最佳分割阈值,确定出待增强的区域,并对确定出的待增强区域进行图像增强处理;
对进行图像增强处理后的图像进行分析,确定出与图像对应的灰度特征图和方差特征图;
并利用上述ostu自动分割阈值算法,求取所述灰度特征图和反差特征图的最佳分割阈值,并利用该分割阈值,求取灰度特征和方差特征的二值图,并对两个二值图进行求与操作,确定出目标裂缝的二值图;
采用击中击不中变换对所述目标裂缝的二值图进行变换,确定其细化骨架,并对所述细化骨架进行区域延伸处理,得到所述细化骨架上所有裂缝潜在区域;
对上述细化骨架的像素进行遍历,得到裂缝的长度信息,并且根据遍历出的区域的像素个数,计算裂缝的面积信息。
进一步的,上述基于图像局部增强的山体裂缝检测方法,还包括:
在利用ostu自动分割阈值算法,对对比度图进行分析之前,对对比度图进行滤波处理,以滤除掉对比度较高的噪声点。
进一步的,上述基于图像局部增强的山体裂缝检测方法,还包括:
在对进行图像增强处理后的图像进行分析,确定出与图像对应的灰度特征图和方差特征图之前,对进行图像增强处理后的图像依次进行中值滤波处理和匀光处理。
优选的,所述匀光处理采用直方图均衡化技术。
进一步的,上述基于图像局部增强的山体裂缝检测方法,还包括:
根据裂缝的面积信息,发出对应的预警信息。
本发明的有益效果:本发明引入了数字图像处理技术,图像处理算法自适应提高裂缝处的对比度,解决了山体裂缝识别困难的问题,且较传统仪器监测方法具有无接触测量的优势,适用于野外实时监控环境。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种基于图像局部增强的山体裂缝检测方法,包括:
通过预先设定的图像滑动窗口,对采集的图像进行分析,确定所述图像的中心点处的灰度均值,并根据所述灰度均值,确定所述图像的每个像素点的对比度;
根据每个像素点的对比度,构建与所述图像对应的对比度图,并利用ostu自动分割阈值算法,对对比度图进行分析,确定对比度图的最佳分割阈值,并根据该最佳分割阈值,确定出待增强的区域,并对确定出的待增强区域进行图像增强处理;
对进行图像增强处理后的图像进行分析,确定出与图像对应的灰度特征图和方差特征图;
并利用上述ostu自动分割阈值算法,求取所述灰度特征图和反差特征图的最佳分割阈值,并利用该分割阈值,求取灰度特征和方差特征的二值图,并对两个二值图进行求与操作,确定出目标裂缝的二值图;
采用击中击不中变换对所述目标裂缝的二值图进行变换,确定其细化骨架,并对所述细化骨架进行区域延伸处理,得到所述细化骨架上所有裂缝潜在区域;
对上述细化骨架的像素进行遍历,得到裂缝的长度信息,并且根据遍历出的区域的像素个数,计算裂缝的面积信息。
进一步的,上述基于图像局部增强的山体裂缝检测方法,还包括:
在利用ostu自动分割阈值算法,对对比度图进行分析之前,对对比度图进行滤波处理,以滤除掉对比度较高的噪声点。
进一步的,上述基于图像局部增强的山体裂缝检测方法,还包括:
在对进行图像增强处理后的图像进行分析,确定出与图像对应的灰度特征图和方差特征图之前,对进行图像增强处理后的图像依次进行中值滤波处理和匀光处理。
优选的,所述匀光处理采用直方图均衡化技术。
进一步的,上述基于图像局部增强的山体裂缝检测方法,还包括:
根据裂缝的面积信息,发出对应的预警信息。
为了方便理解本发明的上述技术方案,以下通过具体使用步骤和使用原理对本发明的上述技术方案进行详细说明。
第一步 图像局部增强
输入图像设为f(i,j),设定滑动窗口,窗口大小为5×5,中心点处的灰度均值计算为:
式中,GM表示图像行值为i、列值为j处的灰度均值,k和l分别表示窗口内图像的行值和列值,f(k,l)为以(i,j)为中心的窗口内像素点(k,l)的灰度值,∑为求和操作符号。
中心点处的对比度EM计算为:
式中,p(f(k,l))表示灰度值f(k,l)在5×5窗口邻域中出现的概率估计值,计算公式如下:
式中,nl,k为灰度值f(k,l)在5×5窗口邻域内出现的次数,通过遍历窗口统计即可获得。
滑动窗口对整幅图像的每个像素点都进行对比度计算,由此可以得到原图对应的对比度图E(i,j);
采用3×3的模板对E(i,j)进行中值滤波,滤除掉对比度较高的噪声点。
利用ostu自动分割阈值算法求取对比度图E(i,j)的最佳分割阈值d,通过分割阈值d可以求取出待增强的区域,增强算法采用如下公式:
y(k,l)=λ(x(k,l)-G)+x(k,l)
式中,y(k,l)表示窗口内增强后的灰度值,x(k,l)为增强前的灰度值,λ表示动态增强系数,根据实际情况进行调整,G表示窗口内所有像素的灰度均值。
对所有待增强区域都进行如上式计算。
至此,完成了落石图像的局部增强。
第二步 图像预处理
对预处理的图像首先采用5×5模板中值滤波,将滤波后的图像fL(i,j)进行匀光处理,目的是针对图像光照不均的情况,用来均衡图像的光照强度。匀光处理采用直方图均衡化技术。直方图均衡化后的图像为fZ(i,j)。
第三步 图像分割
本方法基于裂缝目标的特征进行分割,所使用的目标特征为裂缝图像的灰度和方差。设定滑动窗口大小为3×3,窗内图像的均值GN为:
式中,fZ(k,l)表示窗口内坐标为(k,l)处直方图均衡化后的图像灰度值。
窗内图像的方差为,
滑动窗口对每个像素点都进行上述计算,便可以得到原图对应的灰度特征图g(i,j)和方差特征图v(i,j);
同样利用ostu自动分割阈值算法求取灰度特征图g(i,j)和方差特征图v(i,j)的最佳分割阈值,利用分割阈值可以求取灰度特征和方差特征的二值图Bg(i,j)和Bv(i,j),对两个二值图进行求与操作,其结果则为目标裂缝的二值图B(i,j)。
式中,&表示求与操作。
第四步 骨架提取及区域延伸
采用击中击不中变换对二值图B(i,j)进行变换,求取其细化骨架U(i,j)。细化的骨架会有很多断裂,利用长度和方向信息,采用如下步骤进行区域延伸
a.遍历U(i,j)的每个骨架区域,求取每个区域的长度值,去除掉小于TL=3的区域,剩下区域为潜在区域,TL根据需求设定;
b.遍历潜在区域,利用最小二乘线性拟合计算每个潜在区域的方向α,在每个区域的头部和尾部做α±β(β=2°)角度,r=5为半径的扇形搜索,r为断裂误差值,β为方向偏差值;
c.将落在扇形区域的所有候选区域,按长度从小到大开始遍历,与当前潜在区域进行匹配,匹配成功则停止搜索,连接两个潜在区域,并将新的区域重新作为潜在区域,重复b,c两步,直到没有用于延伸的区域,此潜在区域不再进行搜索;
d.重复b,c步骤,直到所有潜在区域遍历完毕。
第五步 裂缝参数计算
完成上述步骤后,通过遍历每个骨架的像素个数,可以得出裂缝的长度信息,遍历区域的像素个数,则可以得到裂缝的面积信息,由此可以给出相应预警信息。
至此,实现了基于图像局部增强的山体裂缝检测方法。
综上所述,本发明引入了数字图像处理技术,图像处理算法自适应提高裂缝处的对比度,解决了山体裂缝识别困难的问题,且较传统仪器监测方法具有无接触测量的优势,适用于野外实时监控环境。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于图像局部增强的山体裂缝检测方法,其特征在于,包括:
通过预先设定的图像滑动窗口,对采集的图像进行分析,确定所述图像的中心点处的灰度均值,并根据所述灰度均值,确定所述图像的每个像素点的对比度;
根据每个像素点的对比度,构建与所述图像对应的对比度图,并利用ostu自动分割阈值算法,对对比度图进行分析,确定对比度图的最佳分割阈值,并根据该最佳分割阈值,确定出待增强的区域,并对确定出的待增强区域进行图像增强处理;
对进行图像增强处理后的图像进行分析,确定出与图像对应的灰度特征图和方差特征图;
并利用上述ostu自动分割阈值算法,求取所述灰度特征图和反差特征图的最佳分割阈值,并利用该分割阈值,求取灰度特征和方差特征的二值图,并对两个二值图进行求与操作,确定出目标裂缝的二值图;
采用击中击不中变换对所述目标裂缝的二值图进行变换,确定其细化骨架,并对所述细化骨架进行区域延伸处理,得到所述细化骨架上所有裂缝潜在区域;
对上述细化骨架的像素进行遍历,得到裂缝的长度信息,并且根据遍历出的区域的像素个数,计算裂缝的面积信息。
2.根据权利要求1所述的一种基于图像局部增强的山体裂缝检测方法,其特征在于,还包括:
在利用ostu自动分割阈值算法,对对比度图进行分析之前,对对比度图进行滤波处理,以滤除掉对比度较高的噪声点。
3.根据权利要求1所述的一种基于图像局部增强的山体裂缝检测方法,其特征在于,还包括:
在对进行图像增强处理后的图像进行分析,确定出与图像对应的灰度特征图和方差特征图之前,对进行图像增强处理后的图像依次进行中值滤波处理和匀光处理。
4.根据权利要求3所述的一种基于图像局部增强的山体裂缝检测方法,其特征在于,所述匀光处理采用直方图均衡化技术。
5.根据权利要求1-4中任意一项所述的一种基于图像局部增强的山体裂缝检测方法,其特征在于,还包括:
根据裂缝的面积信息,发出对应的预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510195310.8A CN104992429B (zh) | 2015-04-23 | 2015-04-23 | 一种基于图像局部增强的山体裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510195310.8A CN104992429B (zh) | 2015-04-23 | 2015-04-23 | 一种基于图像局部增强的山体裂缝检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104992429A true CN104992429A (zh) | 2015-10-21 |
CN104992429B CN104992429B (zh) | 2017-09-12 |
Family
ID=54304237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510195310.8A Active CN104992429B (zh) | 2015-04-23 | 2015-04-23 | 一种基于图像局部增强的山体裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104992429B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017067526A1 (zh) * | 2015-10-23 | 2017-04-27 | 努比亚技术有限公司 | 图像增强方法及移动终端 |
CN107909567A (zh) * | 2017-10-31 | 2018-04-13 | 华南理工大学 | 数字图像的细长型连通区域提取方法 |
CN109655895A (zh) * | 2019-01-29 | 2019-04-19 | 中国科学院地质与地球物理研究所 | 一种任意复杂裂缝介质格子法弹性建模方法 |
CN110378866A (zh) * | 2019-05-22 | 2019-10-25 | 中国水利水电科学研究院 | 一种基于无人机巡检的渠道衬砌破损图像识别方法 |
CN110517255A (zh) * | 2019-08-29 | 2019-11-29 | 北京理工大学 | 基于吸引子模型的浅裂缝检出方法 |
CN110751623A (zh) * | 2019-09-06 | 2020-02-04 | 深圳新视智科技术有限公司 | 基于联合特征的缺陷检测方法、装置、设备及存储介质 |
CN112446871A (zh) * | 2020-12-02 | 2021-03-05 | 山东大学 | 一种基于深度学习和OpenCV的隧道裂缝识别方法 |
CN114418957A (zh) * | 2021-12-24 | 2022-04-29 | 广州大学 | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 |
CN116071893A (zh) * | 2023-04-06 | 2023-05-05 | 湖南智慧平安科技有限公司 | 基于大数据与计算机视觉的预警中控指挥平台 |
CN116342635A (zh) * | 2023-05-26 | 2023-06-27 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006120891A (ja) * | 2004-10-22 | 2006-05-11 | Matsushita Electric Ind Co Ltd | 固体撮像素子の評価方法および評価装置 |
CN103870833A (zh) * | 2014-03-31 | 2014-06-18 | 武汉工程大学 | 基于凹性测度的路面裂缝提取与测评方法 |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
-
2015
- 2015-04-23 CN CN201510195310.8A patent/CN104992429B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006120891A (ja) * | 2004-10-22 | 2006-05-11 | Matsushita Electric Ind Co Ltd | 固体撮像素子の評価方法および評価装置 |
CN103870833A (zh) * | 2014-03-31 | 2014-06-18 | 武汉工程大学 | 基于凹性测度的路面裂缝提取与测评方法 |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
Non-Patent Citations (3)
Title |
---|
YANG SONG ET AL: "A Crack Segmentation approach using the Combination of Gray Thresholds and Fractal Feature", 《ADVANCED MATERIALS RESEARCH》 * |
徐威 等: "融合多特征与格式塔理论的路面裂缝检测", 《计算机辅助设计与图形学学报》 * |
马常霞 等: "结合NSCT和图像形态学的路面裂缝检测", 《计算机辅助设计与图像学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017067526A1 (zh) * | 2015-10-23 | 2017-04-27 | 努比亚技术有限公司 | 图像增强方法及移动终端 |
CN107909567A (zh) * | 2017-10-31 | 2018-04-13 | 华南理工大学 | 数字图像的细长型连通区域提取方法 |
CN107909567B (zh) * | 2017-10-31 | 2022-02-15 | 华南理工大学 | 数字图像的细长型连通区域提取方法 |
CN109655895A (zh) * | 2019-01-29 | 2019-04-19 | 中国科学院地质与地球物理研究所 | 一种任意复杂裂缝介质格子法弹性建模方法 |
CN110378866A (zh) * | 2019-05-22 | 2019-10-25 | 中国水利水电科学研究院 | 一种基于无人机巡检的渠道衬砌破损图像识别方法 |
CN110517255A (zh) * | 2019-08-29 | 2019-11-29 | 北京理工大学 | 基于吸引子模型的浅裂缝检出方法 |
CN110751623A (zh) * | 2019-09-06 | 2020-02-04 | 深圳新视智科技术有限公司 | 基于联合特征的缺陷检测方法、装置、设备及存储介质 |
CN112446871A (zh) * | 2020-12-02 | 2021-03-05 | 山东大学 | 一种基于深度学习和OpenCV的隧道裂缝识别方法 |
CN114418957A (zh) * | 2021-12-24 | 2022-04-29 | 广州大学 | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 |
CN116071893A (zh) * | 2023-04-06 | 2023-05-05 | 湖南智慧平安科技有限公司 | 基于大数据与计算机视觉的预警中控指挥平台 |
CN116342635A (zh) * | 2023-05-26 | 2023-06-27 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
CN116342635B (zh) * | 2023-05-26 | 2023-08-08 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104992429B (zh) | 2017-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
Xu et al. | Automatic defect detection and segmentation of tunnel surface using modified Mask R-CNN | |
CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN103630496B (zh) | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 | |
CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN105389586A (zh) | 一种基于计算机视觉自动检测虾体完整性的方法 | |
CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN104463903A (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN107564035B (zh) | 基于重要区域识别和匹配的视频跟踪方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
Zhao et al. | Principal curvature for infrared small target detection | |
JP2020038132A (ja) | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム | |
Dong et al. | Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm | |
Liang et al. | Fast and robust pavement crack distress segmentation utilizing steerable filtering and local order energy | |
CN104992139B (zh) | 一种基于运动矢量与圆形度匹配的落石检测方法 | |
CN116246240A (zh) | 路面识别模型建立方法、路面破损病害自动识别方法和系统 | |
CN110889338A (zh) | 无监督式的铁路道床异物检测、样本构造方法及装置 | |
Wang et al. | Advanced crack detection and quantification strategy based on CLAHE enhanced DeepLabv3+ |
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 |