CN105139452B - 一种基于图像分割的地质曲线重建方法 - Google Patents
一种基于图像分割的地质曲线重建方法 Download PDFInfo
- Publication number
- CN105139452B CN105139452B CN201510552046.9A CN201510552046A CN105139452B CN 105139452 B CN105139452 B CN 105139452B CN 201510552046 A CN201510552046 A CN 201510552046A CN 105139452 B CN105139452 B CN 105139452B
- Authority
- CN
- China
- Prior art keywords
- isopleth
- point
- handle
- numeral
- image segmentation
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像分割的地质曲面重建方法,步骤为:步骤1、扫描图片;步骤2、图像预处理;步骤3、等值线和数字分离,等值线交由步骤4处理,数字交由步骤7处理;步骤4、等值线的水平集演化,结果交由步骤5处理;步骤5、提取等值线骨架,骨架交由步骤6处理;步骤6、等值线追踪,结果交由步骤8处理;步骤7、识别数字,结果交由步骤8处理;步骤8、匹配等值线和数字;步骤9、三维重建;步骤10、结果输出。本发明的有益效果:得到的三维等值线图以三维图像方式展示了数据的变化趋势。数字化的等值线图克服了传统纸质等值线图纸数据有限、更新困难、信息描述形式单一、查询分析不方便等缺点,方便了人们的科研和生活。
Description
技术领域
本发明属于电子化领域,特别是一种基于图像分割的地质曲线重建方法。
背景技术
科学计算可视化(Visualization in Scientific Computing)兴起于八十年代中后期,涉及计算机图形学、计算机视觉、计算机辅助设计等多个研究领域,是目前计算机应用研究领域的一个重要研究方向。科学计算可视化是通过对数据的计算和探索来获得对于数据的深入理解,从而实现从原始数据到图形图像的转换。可视化技术以直观形象的方式解释了抽象数据中所包含的客观规律,为科学研究提供了准确、直观、便捷的技术支持,被广泛应用于地质勘探、工程设计、气象预报、生物医学等众多领域。
工程图纸是机械、电子、石油勘探等行业用于表达和交流技术思想的重要媒介,是工程技术部门的重要技术资料,等值线图纸是一种常见的工程图纸。随着计算机技术的发展和普及,传统的制图方式正逐渐改变,在许多领域中人们需要使用计算机技术模拟显示现实世界中的各种信息,并对信息进行查询和处理。纸质由于其存在数据有限、更新困难、信息描述形式单一、查询分析不方便等缺点,为科研工作带来诸多麻烦,因此需要对纸质等值线工程图进行数字化处理,将其转化为便于计算机处理的电子信息。
图像分割是模式识别领域中最热门的研究主题之一,在工程图纸的识别、三维模型的重构、基于语义的图纸检索等领域有着广阔的应用前景。在图像处理领域,二值图像运算量小,并且能够体现图像的关键特征,因此被广泛使用。
发明内容
本发明所要解决的技术问题是对等值线图纸进行基于图像分割的处理和重建,提出了一种基于图像分割预处理,同时将分割出来的等值线和数字分离后各自单独处理,最后将处理结果匹配后重建成三维图像的基于图像分割的地质曲线重建过程。
本发明的基于图像分割的地质曲面重建方法,包括以下步骤:
步骤1、扫描等值线图片;
步骤2、图像预处理;将图像分割为目标点和背景点,同时进行滤波去除噪声点;
步骤3、等值线和数字分离,分离后的等值线交由步骤4处理,分离后的数字交由步骤7处理;
步骤4、等值线的水平集演化,水平集演化得到的等值线数据交由步骤5处理;
步骤5、提取等值线骨架,提取后的骨架交由步骤6处理;
步骤6、等值线追踪,追踪得到的等值线矢量化结果交由步骤8处理;
步骤7、神经网络识别提取出来的数字,得到的数字结果交由步骤8处理;
步骤8、将等值线矢量化后的结果和神经网络识别过的数字进行匹配;
步骤9、将匹配后的结果进行三维重建;
步骤10、将三维重建后的结果输出,输出后流程结束。
进一步地,所述步骤2包括如下步骤:
步骤21、对彩色图像进行灰度化处理,然后直接设定阈值进行二值化处理;
步骤22、使用高斯平滑滤波器进行滤波。
进一步地,所述步骤3的方法是找出步骤2处理后的图中每个联通区域的最小矩,当范围小于指定阈值时,将其连通区标记为数字,剩余的部分既是等值线。
进一步地,所述步骤4包括如下步骤:
步骤41、水平集模型的建立;
步骤42、水平集演化方程;
步骤43、演化终止。
进一步地,所述步骤5包括如下步骤:
步骤51、遍历等值线网络数据,寻找到所有类型的边界点,并根据边界点类型,将边界点进行分类,分为U型、B型、W型和E型;
步骤52、根据边界点的类型U型》B型》W型》E型的顺序依次标记该类型边界点中满足简单边界点条件同时不满足曲线点条件的点,当边界点中所有满足条件的点都已标记,则删除这些标记的点,方法为将该点的值从目标点变成背景点;
步骤53、重复步骤51和步骤52直到没有满足条件的点存在,得到最终结果。
进一步地,所述步骤6的具体过程为,将步骤5得到的结果进一步的矢量化,连成一条条的等值线;采用的方法是等值线间隔追踪算法,即用细化的方法对等值线图纸进行追踪,随机拾取每条等值线骨架上的某一点为起点,沿头尾两个方向进行追踪,直到整条等值线追踪完毕。
进一步地,所述步骤7包括如下步骤:
步骤71、样本数据获取;
步骤72、样本训练机器学习;
步骤73、误识别为数字的等值线剔除。
进一步地,所述步骤9的具体步骤为从步骤4、步骤5和步骤6中提取得到了等值线数据,从步骤7中得到了每条等值线对应的高度值,然后通过三角剖分,再利用剖分的三角面片重建三维空间的等值线曲面。
本发明的有益效果:经过图像分割以及三维重建得到的三维等值线图以三维图像方式更加直观地展示了数据的变化趋势。数字化的等值线图克服了传统纸质等值线图纸数据有限、更新困难、信息描述形式单一、查询分析不方便等缺点,将其转化为了便于计算机处理的电子信息,方便了人们的科研和生活。
附图说明
图1为本发明的流程图;
图2为本发明实施例的等值线工程图纸局部原始图像;
图3为本发明实施例等值线工程图预处理后的图像;
图4为本发明实施例等值线和字符分离效果图;
图5为邻近点示意图;
图6为边界点方向示意图;
图7为等值线追踪示意图;
图8为本发明实施例追踪得到的等值线矢量化结果图;
图9为本发明实施例的输入训练样本;
图10为本发明实施例的三层结构神经网络图;
图11为散乱点集的三角剖分示意图;
图12为本发明实施例得到等值线三角剖分图;
图13为本发明实施例的等值线重建结果图。
具体实施方式
下面结合附图和具体的实施例对本发明作进一步的阐述。
如图1所示,本发明的基于图像分割的地质曲面重建方法,包括以下步骤:
步骤1、等值线扫描图片;
步骤2、图像预处理;将图像分割为目标点和背景点,同时进行滤波去除噪声点;所述步骤2包括如下步骤:
步骤21、对彩色图像进行灰度化处理,由于等值线图的前景和背景相差比较大,可以直接设定阈值进行二值化处理;进而将图像分割为目标点和背景点两部分,背景点为0,目标点为1;
步骤22、使用高斯平滑滤波器进行滤波。
图2为本发明实施例的等值线工程图纸局部原始图像,图3是图2经过上述预处理后的局部图像。
步骤3、等值线和数字分离,由于二值化后不论是等值线还是数字都只是0和1组成的像素点,计算机还无法区分两者,所以需要针对等值线和数字分别采用不同的算法进行提取和识别,针对等值线图中数字和线的形态差别很大这个自身特点,直观的反映就是数字和线的最小矩的面积不同,所有数字的最小矩的面积大小值相对比较集中,而等值线由于其形态特征,有意最小矩所占的面积要大,并且其值的范围是无规律的。所述步骤3的方法是找出步骤2处理后的图中每个联通区域的最小矩,当范围小于指定阈值时,将其连通区标记为数字,剩余的部分既是等值线。分离后的等值线交由步骤4处理,分离后的数字交由步骤7处理;图4为图3经过上述方法等值线和字符分离效果图。
步骤4、等值线的水平集演化,步骤3得到等值线数据后,需要进行水平集的演化,使得下一步骨架提取的数据更光滑,从而减少提取的骨架上的毛刺。水平集演化得到的等值线数据交由步骤5处理;所述步骤4包括如下步骤:
步骤41、水平集模型的建立;水平集模型的模型建立如下式所示:
其中,Ω表示整个等值线图像区域,H是Heaviside函数,ν是曲率,φ表示水平集函数,其零水平集函数C={(x,y):φ(x,y)=0}将整个区域划分为毗连的Ω1={(x,y):φ(x,y)=0}和Ω2={(x,y):φ(x,y)=0},在公式(1)中,前两项表示数据项,第三项用于平滑得到的零水平集曲线,所以,图像分割可以通过水平集函数φ、两个区域的图像灰度均值c1和c1实现能量函数FCV的最小化来实现。
针对本发明提取断层点云,采用灰度不均匀图像模型如下式所示:
I=bJ+n (2)
其中,J代表真实图像,即步骤3得到的等值线分布数据,属于一个不变量,b是偏离场,表示与实际断层散点分布的偏离程度,n为叠加噪声。
步骤42、求解水平集演化方程;使能量最小化,需要不断的进行迭代处理:在每步迭代过程中,需要根据φ、c、b三个参数的更新使能量FCV(φ,c,b)达到最小,更新区中某个参数时,则代入另外两个参数的上一次迭代后的值进行计算。
步骤43、演化终止;在实际中,等值线的零水平集是一个曲线,因此这里可以使用该方法的另外一种形式,即通过检测每次水平集迭代时演化曲线的面积L(φ)来判断演化是否应终止;当演化到达真实的目标轮廓上的时候,L(φ)应该保持基本不变,由此可以给出另一个水平集演化的终止准则:当曲面面积变化的绝对值|L(φ(t))-L(φ(t-1))|在一个给定的水平集迭代次数阈值T内一直小于某个预先设定的阈值,则水平集演化终止。
步骤5、提取等值线骨架,上一步骤中,我们通过水平集方法提取出的等值线数据,由于水平集方法的特殊性,提取出的断层点云数据体以零水平集曲线为分界线,包括在零水平集曲线内的网格点的数值为负,而位于零水平集曲面外部的网格点的数值为正,即呈现一个外正内负的网格点数值分布。由于提取的等值线骨架对连通性的要求很高,所以本发明采用的骨架提取方法是基于细分化法的,其中细化处理过程是一个不断迭代删除满足特定条件的简单边界点的过程,直到在某次迭代过程中,遍历寻找到的简单边界点个数为零,则剩余的目标点即为提取出的骨架点。
如图5所示,定义网格边界点:对于值为1的网格点v,即点v属于目标点,如果其四个4-邻近点中至少有一个点为背景点,即N4(v)中至少有一个点的值为0,则该点为边界点。其中根据背景点的位置,将点v归为不同类型的边界点,如图6所示,根据背景点在边界点的哪个方向上将边界点v分为W(west)、E(east)、U(up)、B(bottom)型边界点。
简单边界点是在边界点的基础上,满足特定的“简单”条件的网格点,即对于边界点,如删除该边界点后,集合S与集合中点的连通性保持不变,则称该边界点为简单边界点。
所述步骤5包括如下步骤:
步骤51、遍历等值线网络数据,寻找到所有类型的边界点,并根据边界点类型,将边界点进行分类,分为U型、B型、W型和E型;
步骤52、根据边界点的类型U型》B型》W型》E型的顺序依次标记该类型边界点中满足简单边界点条件同时不满足曲线点条件的点,当边界点中所有满足条件的点都已标记,则删除这些标记的点,方法为将该点的值从目标点变成背景点;
步骤53、重复步骤51和步骤52直到没有满足条件的点存在,得到最终结果。
提取后的骨架交由步骤6处理;
步骤6、等值线追踪,如图7所示,所述步骤6的具体过程为,将步骤5得到的结果进一步的矢量化,连成一条条的等值线;采用的方法是等值线间隔追踪算法,即用细化的方法对等值线图纸进行追踪,随机拾取每条等值线骨架上的某一点为起点,沿头尾两个方向进行追踪,直到整条等值线追踪完毕。追踪得到的等值线矢量化结果如图8所示,交由步骤8处理;
步骤7、神经网络识别提取出来的数字,步骤3分离出来的数字属于最小矩数据,本发明以其最小矩作为大小输出每个数字的图片,作为神经网络输入,逐个识别每个数字;所述步骤7包括如下步骤:
步骤71、样本数据获取;样本采集的方法是将纸张上书写的字符经光点扫描并转换成计算机中的图形文件,然后通过适当处理变换成可以进行后续处理的数据文件格式。
由于等值线图纸上所标注数字具有旋转角度的特点,本发明使用了各种旋转角度0~10的数字样本如图9所示,讲样本送到神经网络进行训练,再用上述方法对分离出的等值线数字进行扫描,得到的数据就可以用训练好的网络进行识别。
步骤72、样本训练机器学习;本发明采用的是三层BP神经网络,通常中间隐层数越大,隐层神经元越多,神经网络的精度会越高,但泛化能力会下降,所以要合理选取隐层神经元数目。通过不断的试验和比较,本发明得出隐层神经元数为16,本发明实施例的每个训练样本包括90个数据,因此神经网络输入节点为90个,所要识别的数字为10个,所以输出节点数为10,整个神经网络的结构如图10所示;识别出每个单独的字符数字后,依据其邻接关系找到等值线高度数字的每一位上的字符数字,将其最终值计算出来。
步骤73、误识别为数字的等值线剔除。如图5所示,有一些大小跟数字比较接近的等值线经过初步的分离是分离不出来的,但是基于等值线图纸上误识别的数字是孤立的,真正的数字都是连续组合的这个特点;经过神经网络识别之后,根据邻接关系计算出组合数值,如果最终结果是个位数的话就代表是误识别的数字,将其剔除。
得到的数字结果交由步骤8处理;
步骤8、将等值线矢量化后的结果和神经网络识别过的数字进行匹配;
步骤9、将匹配后的结果进行三维重建;所述步骤9的具体步骤为从步骤4、步骤5和步骤6中提取得到了等值线数据,从步骤7中得到了每条等值线对应的高度值,然后通过三角剖分,如图11所示,三角剖分意为将平面散乱点集构成三角网;剖分出来的结果如图12所示,再利用剖分的三角面片重建三维空间的等值线曲面,所得结果如图13所示。
步骤10、将三维重建后的结果输出,输出后流程结束。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于图像分割的地质曲面重建方法,其特征在于,包括以下步骤:
步骤1、扫描等值线图片;
步骤2、图像预处理;将图像分割为目标点和背景点,同时进行滤波去除噪声点;
步骤3、等值线和数字分离,分离后的等值线交由步骤4处理,分离后的数字交由步骤7处理;
步骤4、等值线的水平集演化,水平集演化得到的等值线数据交由步骤5处理;
步骤5、提取等值线骨架,提取后的骨架交由步骤6处理;
步骤6、等值线追踪,追踪得到的等值线矢量化结果交由步骤8处理;
步骤7、神经网络识别提取出来的数字,得到的数字结果交由步骤8处理;
步骤8、将等值线矢量化后的结果和神经网络识别过的数字进行匹配;
步骤9、将匹配后的结果进行三维重建;
步骤10、将三维重建后的结果输出,输出后流程结束。
2.如权利要求1所述的基于图像分割的地质曲面重建方法,其特征在于,所述步骤2包括如下步骤:
步骤21、对彩色图像进行灰度化处理,然后直接设定阈值进行二值化处理;
步骤22、使用高斯平滑滤波器进行滤波。
3.如权利要求1所述的基于图像分割的地质曲面重建方法,其特征在于:所述步骤3的方法是找出步骤2处理后的图中每个联通区域的最小矩,当范围小于指定阈值时,将其连通区标记为数字,剩余的部分既是等值线。
4.如权利要求1所述的基于图像分割的地质曲面重建方法,其特征在于,所述步骤4包括如下步骤:
步骤41、水平集模型的建立;
步骤42、求解水平集演化方程;
步骤43、演化终止。
5.如权利要求1所述的基于图像分割的地质曲面重建方法,其特征在于,所述步骤5包括如下步骤:
步骤51、遍历等值线网络数据,寻找到所有类型的边界点,并根据边界点类型,将边界点进行分类,分为U型、B型、W型和E型;
步骤52、根据边界点的类型U型》B型》W型》E型的顺序依次标记该类型边界点中满足简单边界点条件同时不满足曲线点条件的点,当边界点中所有满足条件的点都已标记,则删除这些标记的点,方法为将该点的值从目标点变成背景点;
步骤53、重复步骤51和步骤52直到没有满足条件的点存在,得到最终结果。
6.如权利要求1所述的基于图像分割的地质曲面重建方法,其特征在于:所述步骤6的具体过程为,将步骤5得到的结果进一步的矢量化,连成一条条的等值线;采用的方法是等值线间隔追踪算法,即用细化的方法对等值线图纸进行追踪,随机拾取每条等值线骨架上的某一点为起点,沿头尾两个方向进行追踪,直到整条等值线追踪完毕。
7.如权利要求1所述的基于图像分割的地质曲面重建方法,其特征在于,所述步骤7包括如下步骤:
步骤71、样本数据获取;
步骤72、样本训练机器学习;
步骤73、误识别为数字的等值线剔除。
8.如权利要求1所述的基于图像分割的地质曲面重建方法,其特征在于:所述步骤9的具体步骤为从步骤4、步骤5和步骤6中提取得到了等值线数据,从步骤7中得到了每条等值线对应的高度值,然后通过三角剖分,再利用剖分的三角面片重建三维空间的等值线曲面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510552046.9A CN105139452B (zh) | 2015-09-01 | 2015-09-01 | 一种基于图像分割的地质曲线重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510552046.9A CN105139452B (zh) | 2015-09-01 | 2015-09-01 | 一种基于图像分割的地质曲线重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139452A CN105139452A (zh) | 2015-12-09 |
CN105139452B true CN105139452B (zh) | 2018-01-05 |
Family
ID=54724784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510552046.9A Active CN105139452B (zh) | 2015-09-01 | 2015-09-01 | 一种基于图像分割的地质曲线重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139452B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056669A (zh) * | 2016-06-07 | 2016-10-26 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种海量地震数据的地质曲面重建方法 |
CN109117715B (zh) * | 2018-06-27 | 2021-10-29 | 淮阴工学院 | 一种基于ssd模型的建筑图纸非构件识别方法 |
CN109003285B (zh) * | 2018-07-30 | 2022-12-06 | 中国石油化工股份有限公司 | 自动识别地质等值线图中断层的方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0613199D0 (en) * | 2006-07-03 | 2006-08-09 | Univ Glasgow | Image processing and vectorisation |
CN101738638B (zh) * | 2008-11-24 | 2011-10-05 | 中国石油集团东方地球物理勘探有限责任公司 | 石油地震构造图等值线的填充方法 |
CN102314711B (zh) * | 2010-07-01 | 2013-07-17 | 中国地质科学院矿产资源研究所 | 矿产资源评价信息的三维可视化方法及其装置 |
CN102486089A (zh) * | 2010-12-05 | 2012-06-06 | 西软软件股份有限公司 | 基于等值线的三维地质构造图的重建系统 |
CN102096106B (zh) * | 2010-12-10 | 2013-05-01 | 中国石油集团川庆钻探工程有限公司 | 基于空间网格化算法的含逆断层等值线绘图方法 |
CN102222365B (zh) * | 2011-07-29 | 2012-08-29 | 电子科技大学 | 复杂空间的曲面重构方法 |
US20130223187A1 (en) * | 2011-11-11 | 2013-08-29 | International Geophysical Company, Inc. | Geological Structure Contour Modeling and Imaging |
CN102999623A (zh) * | 2012-12-04 | 2013-03-27 | 方蝶软件(上海)有限公司 | 一种利用等值线树的拓扑构建流体数字化动态模型的方法 |
CN103500468B (zh) * | 2013-09-09 | 2016-04-06 | 电子科技大学 | 基于边界约束的空间曲面重建方法 |
-
2015
- 2015-09-01 CN CN201510552046.9A patent/CN105139452B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105139452A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | 3d shapenets for 2.5 d object recognition and next-best-view prediction | |
Kang et al. | The comparative research on image segmentation algorithms | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN108629338B (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
Zeppelzauer et al. | Interactive 3D segmentation of rock-art by enhanced depth maps and gradient preserving regularization | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN104850825A (zh) | 一种基于卷积神经网络的人脸图像颜值计算方法 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN102938066A (zh) | 一种基于多元数据重建建筑物外轮廓多边形的方法 | |
Rasheed et al. | Classification and reconstruction algorithms for the archaeological fragments | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN105139452B (zh) | 一种基于图像分割的地质曲线重建方法 | |
CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN108596195A (zh) | 一种基于稀疏编码特征提取的场景识别方法 | |
CN109359566A (zh) | 利用手指特征进行层级分类的手势识别方法 | |
Liu et al. | A semi-supervised high-level feature selection framework for road centerline extraction | |
CN112396655A (zh) | 一种基于点云数据的船舶目标6d位姿估计方法 | |
Jalandoni et al. | On the use of Machine Learning methods in rock art research with application to automatic painted rock art identification | |
Yang et al. | Classification of 3D terracotta warriors fragments based on geospatial and texture information | |
Wu et al. | CNN refinement based object recognition through optimized segmentation | |
CN102298746A (zh) | 基于图像处理及图形学技术的戒指在线试戴系统实现方法 | |
CN105844299A (zh) | 一种基于词袋模型的图像分类方法 | |
Guili et al. | A man-made object detection algorithm based on contour complexity evaluation |
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 |