CN106204497A - 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 - Google Patents
一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 Download PDFInfo
- Publication number
- CN106204497A CN106204497A CN201610575120.3A CN201610575120A CN106204497A CN 106204497 A CN106204497 A CN 106204497A CN 201610575120 A CN201610575120 A CN 201610575120A CN 106204497 A CN106204497 A CN 106204497A
- Authority
- CN
- China
- Prior art keywords
- data
- curve
- row
- prime
- line
- 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
- 238000000605 extraction Methods 0.000 title claims description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000000284 extract Substances 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000005336 cracking Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
Classifications
-
- G06T5/70—
Abstract
本发明公开了一种基于smooth平滑曲线和拟合曲线的路面裂缝提取方法,具体包括如下步骤:将采集到的路面三维图像数据存入图像数据矩阵Am×n中,首先用斜率渐变的断点插值算法对矩阵Am×n进行预处理,得到处理后的数据矩阵A'm×n;然后对预处理后的路面数据矩阵A'm×n进行双向标准差滤波处理,得到滤波后的路面三维图像数据矩阵A″m×n;之后提取图像数据矩阵A″m×n的每行数据,分别进行smooth平滑和曲线拟合处理,根据平滑曲线和拟合曲线提取出路面裂缝的轮廓线,从而提取出裂缝。本发明算法复杂度低、运行时间短,无需人工参与,与根据傅里叶滤波提出的对基线进行改进的算法相比,该算法得到的基准线是连续光滑的,更能方便之后对裂缝的处理。
Description
技术领域
本发明属于道路工程领域,具体涉及一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法。
背景技术
裂缝是路面各类破损中最常见、最易发生和最早期产生的病害之一,一般分为横向裂缝,纵向裂缝和网状裂缝。初期的裂缝对路面的使用性能无明显影响,但它伴随着道路的整个使用期,如果处理不及时,环境因素的影响以及大量行车载荷反复作用下,裂缝也会随之逐渐加重。路面出现裂缝不但影响道路美观和行车的舒适性,而且容易扩展造成路面的结构性破坏,缩短路面的使用寿命,甚至会很大程度上影响行车的安全性。因此,如何对裂缝进行实时、准确和高效的检测,成为公路管理养护部门十分关注的问题。
在以往的裂缝检测,主要是靠人工对道路情况进行测量和评定,这种人工检测方法耗时长、成本高且准确性低等缺点。而半自动检测法虽然在一定程度上对前者进行了改进,但是仍然存在检测人工成本高、检测结果准确率低的问题。
另外,基于路面基线的处理算法中,现有技术中提出的基于傅里叶滤波提出的基线改进算法,提取出的路面基准线是断裂的,无法形成连续的基准曲线,使得提取出的裂缝不够完善,不够精准。
发明内容
为了解决现有检测技术检测成本高、耗时长和检测结果准确性低的问题以及现有技术中的基于傅里叶滤波提出的基线改进算法,提取出的路面基准线是断裂的,无法形成连续的基准曲线,使得提取出的裂缝不够完善,不够精准的问题,本发明采用以下技术方案予以解决:
一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法,包括:
步骤1,读取路面三维图像数据矩阵Am×n;
步骤2:对路面三维图像数据矩阵进行预处理,得到预处理后三维图像数据矩阵A'm×n;
步骤3:对预处理后的三维图像数据矩阵进行滤波处理,得到去噪后的三维图像数据矩阵A”m×n;
步骤4:提取去噪后的三维图像数据矩阵A”m×n的每行数据,分别进行smooth平滑处理和曲线拟合处理,得到平滑曲线和拟合曲线;根据得到的平滑曲线和拟合曲线提取基准线,即为路面的横断面轮廓线,将每一行的数据处理后,最终提取出完整的路面裂缝。
其中,所述步骤2对路面三维数据矩阵Am×n进行预处理的具体包括如下步骤:
步骤21:找出路面三维数据矩阵Am×n中每一行数据的断裂区域;对于每一行执行步骤22;
步骤22:建立该行数据对应的坐标系,横坐标为该行中数据的列号,纵坐标为每个列号对应的数据;将该行中断裂区域两侧的数据坐标列号分别标记为x1和xn;x1和xn在坐标系中对应的纵坐标值为g(x1)和g(xn);计算x1和xn点在坐标系中的斜率g'(x1)和g'(xn)以及x1到xn之间坐标值的平均斜率g'(x);最后分别计算斜率g'(x1)和g'(xn)与平均斜率g'(x)的距离d'x和t'x,计算公式如下所示:
步骤23:横坐标为该行数据断裂区域的列号,纵坐标为该断裂区域内每个列号对应的数据在步骤22建立的坐标系中的斜率;利用式(2)、(3)计算得到x1之后的第一个点x2的坐标;
然后将x2作为新的x1,重新利用(2)、(3)计算得到新的x1之后的第一个点的坐标;依次类推,得到x1到xn之间的所有点的坐标;将上述得到的坐标值分别对应列号插入三维数据图像矩阵中的对应位置;
步骤24,重复步骤22-23,将三维数据图像矩阵的所有行处理完毕,得到预处理后的三维图像数据矩阵A'm×n。
其中,步骤22中g'(x1)和g'(xn)是分别利用x1、xn对应的坐标值和其相邻列号对应的坐标值做差得到。
步骤3对预处理后的三维图像数据矩阵进行滤波处理,得到去噪后的三维图像数据矩阵A”m×n包括如下步骤:
步骤31:逐行取三维图像数据矩阵A'm×n的数据,如第i行数据
li=(ai1,ai2,...aij)(i=1,2...m)
求出第i行数据li的算术平均值和标准差Si;
依次取该行中的每一个数据aij,如果满足条件式则用算术平均值代替该点数据值aij,k是行滤波系数;
逐行消除图像噪声点后,用同样的方法逐列处理,对所有列中的数据进行处理,再次消除噪声点;
步骤32:采用与水平方向一定夹角的11×11的结构元素模板对三维图像数据矩阵作开运算;
步骤33:采用5×5的球结构元素模板对数据矩阵作膨胀运算,填充边缘,消除数据中的零值点,得到去噪之后的三维图像数据矩阵A”m×n。
其中,步骤32中所述的结构元素模块与水平方向夹角为45°。
其中步骤31中的出行滤波系数k取3~8。
步骤4具体包括以下步骤:
步骤41:提取出去噪后的三维图像数据矩阵A”m×n的每行数据li(i=1,2Κ m),对其进行smooth平滑处理,得到数据li(i=1,2Κ m)的smooth平滑曲线,其横坐标为li(i=1,2Κ m)的列号,纵坐标为列号对应的平滑曲线的数据值a'ij;
步骤42:提取出去噪后的三维图像数据矩阵A”m×n的每行数据li(i=1,2Κ m),对其进行曲线拟合处理,得到数据li(i=1,2Κ m)的拟合曲线,其横坐标为li(i=1,2Κ m)的列号,纵坐标为列号对应拟合曲线的数据值a”ij;
步骤43:计算步骤41得到的smooth平滑曲线和步骤42得到的拟合曲线上相同的横坐标所对应的纵坐标a'ij和a”ij的差值Rij,以及数据li(i=1,2Κ m)的标准差Si;
Rij=|a'ij-a”ij| (5)
为每行数据li=(ai1,ai2,...aij)(i=1,2...m)的平均值;
步骤44:根据步骤43得到的a'ij和a”ij的差值进行以下判断,若Rij>k0*Si,则执行步骤45,若Rij≤k0*Si,则执行步骤46;其中,k0为系数;
步骤45:若Rij>k0*Si,则将平滑曲线上满足Rij>k0*Si的横坐标区间内的曲线段使用对应的拟合曲线的曲线段替代;所述的横坐标区间与平滑曲线和拟合曲线的两个交点之间分别形成一个分区间,将平滑曲线上这两个分区间内的曲线段由对应的拟合曲线的曲线段替代;得到的新的平滑曲线作为基准线,该基准线即为路面的横断面轮廓线;
步骤46:若Rij≤k0*Si,则将平滑曲线作为基准线,该基准线即为路面的横断面轮廓线;
步骤47:重复执行步骤43-46,直至得到每一行对应的路面的横断面轮廓线,所有得到的路面的横断面轮廓线构成完整的路面裂缝。
其中,步骤43中系数k0取值为5~8。
以上技术方案和现有技术相比具有以下技术效果:
1、本发明通过图像采集设备将获得三维图像数据矩阵存入计算机中,经过本发明提供的裂缝提取算法,轻易的得到准确裂缝信息,降低了裂缝检测中的人工成本,且快速的得到准确的裂缝信息。
2、本发明提供的裂缝提取算法,与根据傅里叶滤波提出的对基准线进行改进的算法相比,得到的基准线是连续光滑的,更方便之后对裂缝的处理。
3、本发明提供的裂缝提取算法,不仅适用于各种路面裂缝的提取,而且可适用于路面三维图像数据的滤波处理。
附图说明
图1是本发明的算法的总流程图;
图2是本发明的方法处理路面三维图像数据后的结果图,其中,(a)为求得的平滑曲线和拟合曲线的图,(b)为本发明算法处理后的结果图。
具体实施例
参见图1,本发明公开的一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法具体包括如下步骤:
步骤1,读取路面三维图像数据矩阵Am×n;
步骤2:对路面三维图像数据矩阵进行预处理,得到预处理后三维图像数据矩阵A'm×n;具体包括:
步骤21:找出路面三维数据矩阵Am×n中每一行数据的断裂区域;对于每一行执行步骤22;断裂区域是指路面三维图像数据矩阵中某一行中数据连续为0的区域;
步骤22:建立该行数据对应的坐标系,横坐标为该行中数据的列号,纵坐标为每个列号对应的数据;将该行中断裂区域两侧的数据坐标列号分别标记为x1和xn;x1和xn在坐标系中对应的纵坐标值为g(x1)和g(xn);计算x1和xn点在坐标系中的斜率g'(x1)和g'(xn)以及x1到xn之间坐标值的平均斜率g'(x);最后分别计算斜率g'(x1)和g'(xn)与平均斜率g'(x)的距离d'x和t'x,计算公式如下所示:
步骤23:根据斜率渐变性原理,建立新的坐标系,横坐标为该行数据的列号,纵坐标为该断裂区域内每个列号对应的数据在步骤22建立的坐标系中的斜率;利用式(2)、(3)计算得到x1之后的第一个点x2的坐标;
然后将x2作为新的x1,重新利用(2)、(3)计算得到新的x1之后的第一个点的坐标;依次类推,得到x1到xn之间的所有点的坐标;将上述得到的坐标值分别对应列号插入三维数据图像矩阵中的对应位置;
步骤24,重复步骤22-23,将三维数据图像矩阵的所有行处理完毕,得到预处理后的三维图像数据矩阵A'm×n。
步骤3:对预处理后的三维图像数据矩阵进行滤波处理,得到去噪后的三维图像数据矩阵A”m×n;具体包括以下步骤:
步骤31:逐行取三维图像数据矩阵A'm×n的数据,如第i行数据
li=(ai1,ai2,...aij)(i=1,2...m)
求出第i行数据li的算术平均值和标准差Si;
依次取该行中的每一个数据aij,如果满足条件式则用算术平均值代替该点数据值aij,k是行滤波系数,k取3~8。
标准差反映了数据离散的程度,k取3~8,使得在对三维图像数据滤波的同时,更好的保存原始路面三维图像数据,保证路面三维图像数据的特征信息不丢失。
逐行消除图像噪声点后,用同样的方法逐列处理,对所有列中的数据进行处理,再次消除噪声点;
步骤32:采用与水平方向夹角45°的11×11的结构元素模板对三维图像数据矩阵作开运算;
对X轴和Y轴进行标准差滤波后,还存在一些影响路面特征计算的孤立噪声点,所以通过采用开运算先腐蚀后膨胀的方法,先将比结构元素尺寸小的毛刺和暗点等噪声从信息数据中移除,保留比结构元素窗口尺寸大的物体的同时移除比结构元素窗口尺寸小的物体的特性。由于裂缝的形状是线性的,或是由线性裂缝组成的网状裂缝,所以采用与水平方向夹角45°的线段型结构元素模板能够更好地滤除包含各种形状裂缝的路面三维图像数据中的噪声点。
步骤33:采用5×5的球结构元素模板对数据矩阵作膨胀运算,填充边缘,消除数据中的零值点,得到去噪之后的三维图像数据矩阵A”m×n。
对路面三维图像数据进行开运算之后会一定程度上腐蚀掉路面的边缘特征,所以对路面三维图像数据进行膨胀运算能恢复被腐蚀掉的路面边缘特征,选取5×5的球结构元素模板可以确保在降低时间复杂度的情况下,更好的恢复被腐蚀掉的路面边缘特征,以达到预期的效果。
步骤4:提取去噪后的三维图像数据矩阵A”m×n的每行数据,分别进行smooth平滑处理和曲线拟合处理,得到平滑曲线和拟合曲线;根据得到的平滑曲线和拟合曲线提取基准线,即为路面的横断面轮廓线,将每一行的数据处理后,最终提取出完整的路面裂缝。
步骤41:提取出去噪后的三维图像数据矩阵A”m×n的每行数据li(i=1,2Κ m),对其进行smooth平滑处理,得到数据li(i=1,2Κ m)的smooth平滑曲线,其横坐标为li(i=1,2Κ m)的列号,纵坐标为列号对应的平滑曲线的数据值a'ij;
步骤42:提取出去噪后的三维图像数据矩阵A”m×n的每行数据li(i=1,2Κ m),对其进行曲线拟合处理,得到数据li(i=1,2Κ m)的拟合曲线,其横坐标为li(i=1,2Κ m)的列号,纵坐标为列号对应拟合曲线的数据值a”ij;
步骤43:计算步骤41得到的smooth平滑曲线和步骤42得到的拟合曲线上相同的横坐标所对应的纵坐标a'ij和a”ij的差值Rij,以及数据li(i=1,2Κ m)的标准差Si;
Rij=|a'ij-a”ij| (5)
为每行数据li=(ai1,ai2,...aij)(i=1,2...m)的平均值;
步骤44:根据步骤43得到的a'ij和a”ij的差值进行以下判断,若RijRij>k0*Si,则执行步骤45,若Rij≤k0*Si,则执行步骤46;其中,k0为系数,k0取值为5~8。标准差反映了数据离散的程度,k0取值为5~8,可以保证在不改变原始路面三维图像数据的情况下,更精确地得到路面的基准线,提取出裂缝。
步骤45:若Rij>k0*Si,则将平滑曲线上满足Rij>k0*Si的横坐标区间内的曲线段使用对应的拟合曲线的曲线段替代;所述的横坐标区间与平滑曲线和拟合曲线的两个交点之间分别形成一个分区间,将平滑曲线上这两个分区间内的曲线段由对应的拟合曲线的曲线段替代;得到的新的平滑曲线作为基准线,该基准线即为路面的横断面轮廓线;
步骤46:若Rij≤k0*Si,则将平滑曲线作为基准线,该基准线即为路面的横断面轮廓线;
步骤47:重复执行步骤41-46,直至得到每一行对应的路面的横断面轮廓线,所有得到的路面的横断面轮廓线构成完整的路面裂缝。
Claims (8)
1.一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法,包括:
步骤1,读取路面三维图像数据矩阵Am×n;
其特征在于,还包括以下步骤:
步骤2:对路面三维图像数据矩阵进行预处理,得到预处理后三维图像数据矩阵A'm×n;
步骤3:对预处理后的三维图像数据矩阵进行滤波处理,得到去噪后的三维图像数据矩阵A”m×n;
步骤4:提取去噪后的三维图像数据矩阵A”m×n的每行数据,分别进行smooth平滑处理和曲线拟合处理,得到平滑曲线和拟合曲线;根据得到的平滑曲线和拟合曲线提取基准线,即为路面的横断面轮廓线,将每一行的数据处理后,最终提取出完整的路面裂缝。
2.如权利要求1所述的一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法,其特征在于,所述步骤2对路面三维数据矩阵Am×n进行预处理的具体包括如下步骤:
步骤21:找出路面三维数据矩阵Am×n中每一行数据的断裂区域;对于每一行执行步骤22;
步骤22:建立该行数据对应的坐标系,横坐标为该行中数据的列号,纵坐标为每个列号对应的数据;将该行中断裂区域两侧的数据坐标列号分别标记为x1和xn;x1和xn在坐标系中对应的纵坐标值为g(x1)和g(xn);计算x1和xn点在坐标系中的斜率g'(x1)和g'(xn)以及x1到xn之间坐标值的平均斜率g'(x);最后分别计算斜率g'(x1)和g'(xn)与平均斜率g'(x)的距离d'x和t'x,计算公式如下所示:
步骤23:建立新的坐标系,横坐标为该行数据断裂区域的列号,纵坐标为该断裂区域内每个列号对应的数据在步骤22建立的坐标系中的斜率;利用式(2)、(3)计算得到x1之后的第一个点x2的坐标;
然后将x2作为新的x1,重新利用(2)、(3)计算得到新的x1之后的第一个点的坐标;依次类推,得到x1到xn之间的所有点的坐标;将上述得到的坐标值分别对应列号插入三维数据图像矩阵中的对应位置;
步骤24,重复步骤22-23,将三维数据图像矩阵的所有行处理完毕,得到预处理后的三维图像数据矩阵A'm×n。
3.如权利要求3所述的一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法,其特征在于所述的步骤22中g'(x1)和g'(xn)是分别利用x1、xn对应的坐标值和其相邻列号对应的坐标值做差得到。
4.一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法,其特征在于,所述的步骤3对预处理后的三维图像数据矩阵进行滤波处理,得到去噪后的三维图像数据矩阵A”m×n包括如下步骤:
步骤31:逐行取三维图像数据矩阵A'm×n的数据,如第i行数据
li=(ai1,ai2,...aij)(i=1,2...m)
求出第i行数据li的算术平均值和标准差Si;
依次取该行中的每一个数据aij,如果满足条件式则用算术平均值代替该点数据值aij,k是行滤波系数;
逐行消除图像噪声点后,用同样的方法逐列处理,对所有列中的数据进行处理,再次消除噪声点;
步骤32:采用与水平方向一定夹角的11×11的结构元素模板对三维图像数据矩阵作开运算;
步骤33:采用5×5的球结构元素模板对数据矩阵作膨胀运算,填充边缘,消除数据中的零值点,得到去噪之后的三维图像数据矩阵A”m×n。
5.如权利要求4所述的一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法,其特征在于,所述的步骤32中所述的结构元素模块与水平方向夹角为45°。
6.如权利要求4所述的一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法,其特征在于,所述的行滤波系数k取3~8。
7.如权利要求1所述的一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法,其特征在于,所述的步骤4具体包括以下步骤:
步骤41:提取出去噪后的三维图像数据矩阵A”m×n的每行数据li(i=1,2K m),对其进行smooth平滑处理,得到数据li(i=1,2K m)的smooth平滑曲线,其横坐标为li(i=1,2K m)的列号,纵坐标为列号对应的平滑曲线的数据值a'ij;
步骤42:提取出去噪后的三维图像数据矩阵A”m×n的每行数据li(i=1,2K m),对其进行曲线拟合处理,得到数据li(i=1,2K m)的拟合曲线,其横坐标为li(i=1,2K m)的列号,纵坐标为列号对应拟合曲线的数据值a”ij;
步骤43:计算步骤41得到的smooth平滑曲线和步骤42得到的拟合曲线上相同的横坐标所对应的纵坐标a'ij和a”ij的差值Rij,以及数据li(i=1,2K m)的标准差Si;
Rij=|a'ij-a”ij| (5)
为每行数据li=(ai1,ai2,...aij)(i=1,2...m)的平均值;
步骤44:根据步骤43得到的a'ij和a”ij的差值进行以下判断,若Rij>k0*Si,则执行步骤45,若Rij≤k0*Si,则执行步骤46;其中,k0为系数;
步骤45:若Rij>k0*Si,则将平滑曲线上满足Rij>k0*Si的横坐标区间内的曲线段使用对应的拟合曲线的曲线段替代;所述的横坐标区间与平滑曲线和拟合曲线的两个交点之间分别形成一个分区间,将平滑曲线上这两个分区间内的曲线段由对应的拟合曲线的曲线段替代;得到的新的平滑曲线作为基准线,该基准线即为路面的横断面轮廓线;
步骤46:若Rij≤k0*Si,则将平滑曲线作为基准线,该基准线即为路面的横断面轮廓线;
步骤47:重复执行步骤43-46,直至得到每一行对应的路面的横断面轮廓线,所有得到的路面的横断面轮廓线构成完整的路面裂缝。
8.如权利要求7所述的一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法,其特征在于,所述的步骤43中系数k0取值为5~8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610575120.3A CN106204497B (zh) | 2016-07-20 | 2016-07-20 | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610575120.3A CN106204497B (zh) | 2016-07-20 | 2016-07-20 | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204497A true CN106204497A (zh) | 2016-12-07 |
CN106204497B CN106204497B (zh) | 2018-12-25 |
Family
ID=57491001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610575120.3A Active CN106204497B (zh) | 2016-07-20 | 2016-07-20 | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204497B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107231142A (zh) * | 2017-06-21 | 2017-10-03 | 北京乐普医疗科技有限责任公司 | 一种血栓弹力图仪自适应信号处理算法 |
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 |
CN107742283A (zh) * | 2017-09-16 | 2018-02-27 | 河北工业大学 | 一种电池片外观栅线粗细不均缺陷检测的方法 |
CN109035362A (zh) * | 2018-06-11 | 2018-12-18 | 西安电子科技大学 | 基于冷反射强度模型的冷反射消除方法 |
CN109341544A (zh) * | 2018-11-15 | 2019-02-15 | 上海航天精密机械研究所 | 一种激光位移传感器测距数值优化方法 |
CN112304770A (zh) * | 2019-07-15 | 2021-02-02 | 中国石油化工股份有限公司 | 一种定量分析压裂后裂缝复杂度的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103306186A (zh) * | 2013-06-20 | 2013-09-18 | 长安大学 | 一种水泥混凝土路面构造深度的检测算法 |
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
US9014506B2 (en) * | 2012-11-07 | 2015-04-21 | Canon Kabushiki Kaisha | Image processing method, program, image processing apparatus, image-pickup optical apparatus, and network device |
CN104537651A (zh) * | 2014-12-17 | 2015-04-22 | 中交第一公路勘察设计研究院有限公司 | 一种路面图像中裂缝比例检测算法及系统 |
CN104636750A (zh) * | 2014-12-17 | 2015-05-20 | 长安大学 | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 |
-
2016
- 2016-07-20 CN CN201610575120.3A patent/CN106204497B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9014506B2 (en) * | 2012-11-07 | 2015-04-21 | Canon Kabushiki Kaisha | Image processing method, program, image processing apparatus, image-pickup optical apparatus, and network device |
CN103306186A (zh) * | 2013-06-20 | 2013-09-18 | 长安大学 | 一种水泥混凝土路面构造深度的检测算法 |
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
CN104537651A (zh) * | 2014-12-17 | 2015-04-22 | 中交第一公路勘察设计研究院有限公司 | 一种路面图像中裂缝比例检测算法及系统 |
CN104636750A (zh) * | 2014-12-17 | 2015-05-20 | 长安大学 | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 |
Non-Patent Citations (1)
Title |
---|
赵海伟: "路面裂缝三维检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107231142A (zh) * | 2017-06-21 | 2017-10-03 | 北京乐普医疗科技有限责任公司 | 一种血栓弹力图仪自适应信号处理算法 |
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 |
CN107742283A (zh) * | 2017-09-16 | 2018-02-27 | 河北工业大学 | 一种电池片外观栅线粗细不均缺陷检测的方法 |
CN109035362A (zh) * | 2018-06-11 | 2018-12-18 | 西安电子科技大学 | 基于冷反射强度模型的冷反射消除方法 |
CN109035362B (zh) * | 2018-06-11 | 2022-11-18 | 西安电子科技大学 | 基于冷反射强度模型的冷反射消除方法 |
CN109341544A (zh) * | 2018-11-15 | 2019-02-15 | 上海航天精密机械研究所 | 一种激光位移传感器测距数值优化方法 |
CN112304770A (zh) * | 2019-07-15 | 2021-02-02 | 中国石油化工股份有限公司 | 一种定量分析压裂后裂缝复杂度的方法及系统 |
CN112304770B (zh) * | 2019-07-15 | 2024-04-05 | 中国石油化工股份有限公司 | 一种定量分析压裂后裂缝复杂度的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106204497B (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204497A (zh) | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 | |
CN102682455B (zh) | 一种基于单目视觉的前方车辆检测方法 | |
CN107729818B (zh) | 一种基于深度学习的多特征融合车辆重识别方法 | |
CN105300316B (zh) | 基于灰度重心法的光条中心快速提取方法 | |
CN109949578A (zh) | 一种基于深度学习的车辆压线违法自动审核方法 | |
CN101635027B (zh) | 一种基于集成的局部线性嵌入与线性判别分析结合的多视角车型识别方法 | |
CN104063702A (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN101847163B (zh) | 一种多特征融合的外观设计专利图像检索方法 | |
CN105005999A (zh) | 一种基于计算机立体视觉面向导盲仪的障碍物探测方法 | |
CN103390280B (zh) | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 | |
CN103942824B (zh) | 一种三维点云直线特征提取方法 | |
CN101430763B (zh) | 遥感图像中水上桥梁目标检测方法 | |
CN103136341B (zh) | 一种基于Bézier曲线的车道线重构装置 | |
CN103150337B (zh) | 一种基于Bézier曲线的车道线重构方法 | |
CN105931232A (zh) | 结构光光条中心高精度亚像素提取方法 | |
CN111985552B (zh) | 复杂背景下机场道面细带状结构病害检测方法 | |
CN105976382A (zh) | 一种基于缺陷区域预判和水平集的TFT-LCD Mura缺陷检测算法 | |
CN106023226A (zh) | 一种基于三维虚拟路面的裂缝自动检测方法 | |
CN105975957A (zh) | 一种基于车道线边缘的道路平面检测方法 | |
CN111462214A (zh) | 一种基于Hough变换的线结构光条纹中心线提取方法 | |
CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
CN109632037A (zh) | 一种基于图像智能识别的城市内涝积水深度检测方法 | |
CN113947583B (zh) | 基于深度学习二维时间序列图像的焊缝无损检测方法 | |
CN115201206A (zh) | 基于机器视觉的电动车车把缺陷检测方法 | |
CN105891231A (zh) | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
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 |