CN106651872A - 基于Prewitt算子的路面裂缝识别方法及系统 - Google Patents
基于Prewitt算子的路面裂缝识别方法及系统 Download PDFInfo
- Publication number
- CN106651872A CN106651872A CN201611047091.XA CN201611047091A CN106651872A CN 106651872 A CN106651872 A CN 106651872A CN 201611047091 A CN201611047091 A CN 201611047091A CN 106651872 A CN106651872 A CN 106651872A
- Authority
- CN
- China
- Prior art keywords
- image
- pavement
- road surface
- crack
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Abstract
本发明提供基于Prewitt算子的路面裂缝识别方法及系统。所述方法包括S1,对输入的路面图像进行第一图像处理以剔除路面以外的区域,获得路面区域图像;S2,对所述路面区域图像进行第二图像处理以剔除路面分界线;S3,对路面裂缝进行初步识别和精确识别,获取路面裂缝数据。本发明基于Prewitt算子对路面图像进行运算处理,过滤路面之外的无用图像,逐步去除路面区域的图像干扰和噪声,提取路面裂缝并计算其长度,定量输出,方便与实际标准对比;主要应用于高空运动背景和场景复杂的路面裂缝检测,相较于常用的各种裂缝检测算法具有更强的适用性,获得更好的航拍图像识别裂缝效果。
Description
技术领域
本发明涉及图像处理领域,更具体地,涉及基于Prewitt算子的路面裂缝识别方法及系统。
背景技术
目前,公路路面主要破损形式之一是路面裂缝,其中,我国高速公路裂缝类型主要是横向和纵向裂缝。若能在裂缝出现的初期就发现,并跟踪其发展情况,那么路面维护费将大大降低,同时保证高速公路的行车安全。因此,对公路的路面状况进行定期的调查及养护极其重要。
路面裂缝检测方式从最初的人工检测方式开始发展;随着图像处理技术的应用,将车载采集装置和图像处理技术结合,应用于路面裂缝检测,使得检测效率得到很大改善。近年来,无人机技术得到快速发展,与之结合的应用得到极大丰富,结合于无人机采集方式的路面裂缝检测装置,相较于其他的方法,具有快速高效、视场大以及存储数据量有所下降的优势。但是相比于车载采集图像,存在路旁景物、车辆、电线以及阴影等干扰,且噪声也十分丰富。
常用的裂缝识别方法主要集中于边缘检测、阈值分割、纹理分析和连通域分割等的应用,除此之外,还有机器学习以及模糊集的运用。但是目前已有的这些方法基本都是针对车载采集装置图像的基础进行检测发展,不能适用于干扰和噪声更加丰富的航拍图像。因此,为了结合航拍采集方式的一系列优势使裂缝检测高效便捷,设计一种能应用于航拍图像的路面裂缝检测算法是亟待解决的问题。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的基于Prewitt算子的路面裂缝识别方法及系统,主要应用于航拍图像的路面裂缝识别。
根据本发明的一个方面,提供一种基于Prewitt算子的路面裂缝识别方法,包括:
S1,对输入的路面图像进行第一图像处理,以剔除路面以外的区域,获得路面区域图像;
S2,对所述路面区域图像进行第二图像处理,以剔除路面分界线;
S3,对路面裂缝进行初步识别和精确识别,获取路面裂缝数据。
S1中所述第一图像处理进一步包括:
S1.1,利用直方图变换对所述路面图像灰度值进行变换处理后,利用HSV空间阈值分割方法提取所述路面图像的颜色突变边界;
S1.2,根据预先设定的区域生长算法的生长准则对所述路面图像中路面区域和非路面区域进行分割,得到路面区域图像。
S2中所述第二图像处理进一步包括:
S2.1,根据所述路面区域图像灰度差异对路面与路面分界线进行初次分割,通过形态学灰度运算处理进行二次分割,以剔除路面分界线。
S3中所述对路面裂缝进行初步识别进一步包括:
S3.1,基于Prewitt算子对剔除路面分界线后的路面区域图像进行邻域卷积处理,以检测路面裂缝边缘,对检测到的路面裂缝边缘进行形态学滤波处理;
S3中对路面裂缝进行精确识别进一步包括:
S3.2,选择路面裂缝区域;
S3.3,对选择的路面裂缝区域拟合离散曲线,根据预设权重阈值进行约束处理;
S3中计算路面裂缝长度进一步包括:
S3.4,根据图像像素坐标和实际路面的道路长度进行换算,计算裂缝长度和/或裂缝宽度,并在图像上显示相关信息。
根据本发明的另一个方面,提供一种基于Prewitt算子的路面裂缝识别系统,包括路面识别模块、分界线剔除模块和裂缝识别模块,
路面识别模块,用于对输入的路面图像进行第一图像处理,以剔除路面以外的区域,获得路面区域图像;
分界线剔除模块,用于对所述路面区域图像进行第二图像处理,以剔除路面分界线;
裂缝识别模块,用于对路面裂缝进行初步识别和精确识别,获取路面裂缝数据。
本申请提出的基于Prewitt算子的路面裂缝识别方法及系统,利用直方图均衡化增强、HSV颜色空间阈值分割以及区域生长方法对公路路面和路旁景观分割,滤除路旁等一系列无用图像,提取包含裂缝信息的单通道路面,使裂缝检测干扰减少;利用形态学滤波剔除车道分界线区域以及Prewitt算子识别路面的裂缝片段,逐步去除路面区域的部分干扰和噪声,初步检测路面裂缝信息;利用拟合离散点曲线并结合人眼辅助观察,对识别裂缝选择并计算其长度,定量输出,方便与实际标准对比。
尤其是,对于航拍图像,本申请克服了无人机采集方式造成的图像处理困难,能应用于高空运动背景和场景复杂的路面裂缝检测,相较于常用的各种裂缝检测算法具有更强的适用性,获得更好的航拍图像识别裂缝效果。本发明应用于航拍裂缝检测上,不仅可以为观察者提供裂缝目标更突出的图像,而且可以对裂缝长度做定量分析,为后续道路维护提供参考依据。
附图说明
图1为本发明基于Prewitt算子的路面裂缝识别方法流程图;
图2为本发明航拍图像路面裂缝识别实施例示意图;
图3为本发明基于Prewitt算子的路面裂缝识别系统示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,基于Prewitt算子的路面裂缝识别方法,其特征在于,包括:
S1,对输入的路面图像进行第一图像处理,以剔除路面以外的区域,获得路面区域图像;
S2,对所述路面区域图像进行第二图像处理,以剔除路面分界线;
S3,对路面裂缝进行初步识别和精确识别,获取路面裂缝数据。
S1中所述第一图像处理进一步包括S1.1和S1.2。
S1.1,利用直方图变换对所述路面图像灰度值进行变换处理后,利用HSV空间阈值分割方法提取所述路面图像的颜色突变边界;
具体处理为:
首先,利用图像映射函数s=T(r)对输入图像灰度值进行变换,将原始图像的灰度r通过T(r)从而处理为s使得输出直方图G(s)在整个灰度s∈[s0,sk]中均匀分布,目的是提高路面区域和非路面区域的对比度,为后续路面区域的分割做准备。
假设图像为行列N×M的矩阵,图像灰度级分布不同数值的数目为k,映射s=T(r)是像素灰度变化的单调函数,输入直方图H(r)和输出直方图G(s)存在对应关系式:
通过直方图均衡化后得到的G(s)所对应的均衡化概率密度定义为γ,在每个确定的图像中γ是常数,其含义是在[r0,rk]的灰度级别中将对应的像素点求平均值,表达式为:
其中,NM表示图像中像素总数。
将式(2)带入式(1)左侧,用γ替换G(s)。在连续的概率密度图像中,得到比较精确的均匀化直方图为:
通过上述处理后,像素灰度映射函数s=T(r)为:
其中,积分被称为累积的直方图,在实际处理中积分部分一般通过累加近似求和,等同于离散的分布函数。
离散的情况中,将连续像素处理近似表示为:
式(1)(2)(3)(4)(5)中各符号,H(r)表示输入的直方图,MN表示图像中像素总数,r∈[r0,rk]表示输入灰度级范围,s∈[s0,sk]表示输出灰度级范围,k为图像灰度级分布不同数值的数目,为直方图x轴的分布区间。
从式(5)可以看出,经过直方图均衡化处理之后,原来比较少像素的灰度会被分配到别的灰度去,像素相对集中,处理后灰度范围变大,对比度变大,清晰度变大,有效增强局部的对比度而不影响整体的对比度。
其次,根据定义两种颜色之间的距离,即两种颜色之间的相似程度,再结合颜色的突变以及像素在空间上的位置,利用像素点i至像素点j的颜色梯度,提取颜色突变的边界。
根据HSV颜色空间划分的定义,亮度大于x1%并且饱和度大于x2%为亮彩色区域,亮度小于(1-x1)%为黑色区域,亮度大于x1%并且饱和度小于x2%为白色区域,其他为彩色区域,其中,x2<x1,优选的,
x2=75%,x1=20%
计算两点间颜色的距离的逻辑变量ai为:
式中,当ai为0时表示像素点i为黑色或白色,其他情况下ai都为1。
像素点i和像素点j的色调差为;
式中,aj的含义同ai,hij为像素点i和像素点j的色调差。
两点饱和度距离tij为:
tij=|ti-tj| (8)
式中,ti和tj表示像素点i和像素点j的饱和度。
点i和点j的颜色距离Dij为:
式中,vi和vj分别代表像素点i和像素点j的亮度值,表示黑色点和白色点的颜色距离只与该点亮度有关系,与色调和饱和度无关。θ1和θ2是色调因子和饱和度因子,分别控制色调和饱和度在图像分割中的作用大小。增大θ1值可使不同颜色目标之间的边界区分明确,而增大θ2值则可使相同颜色中不同饱和度区域之间的距离变大。
结合颜色的突变以及像素在空间上的位置,利用像素点i和像素点j的颜色梯度,提取颜色突变的边界,点i到点j的颜色梯度算子为:
通过卷积模板在待分割图像上做卷积运算,计算颜色分量的梯度图像,设定阈值对梯度图像二值化。优选的,设置HSV空间S通道阈值为10,进行图像梯度二值化得到道路区域粗分割结果。
S1.2,根据预先设定的区域生长算法的生长准则对所述路面图像中路面区域和非路面区域进行分割,得到路面区域图像。
具体处理为:
区域生长是根据预先定义的生长准则像素或子区域集合成较大区域,选择一个或者一些“种子”作为生长区域,然后把满足预先定义规则的像素归到“种子”区域中,并标记这些满足规则的种子。
假设区域集合表示为G,对每一个区域再划分成个数为N的小区域,每一个小区域表示为Ri,i=1,2,…,N,区域Ri的邻域个数为p,则该区域的邻域集合为:
区域Ri与其邻域的相似度函数为:
式中,β为非负权值,xm为中每个区域灰度均值,为集合内所有区域的灰度均值。
相对欧氏距离Oi表达式为:
式中,为区域Ri的每个相邻区域的平均灰度值。
选取其中的最大值通过以上条件选择出图像中的种子区域,若选择出的种子区域相邻,则可将二者合并为一个种子区域。
以种子区域为起点,已生长的区域个数为n(从1开始算起,每增长一个区域则数量加1),判定准则为:
其中,为种子区域的灰度值,σ2为方差,为待测区域的灰度均值;
如果T值足够小,则可认为待测区域与种子区域相似,可以纳入到目标区域中;若果T值太大,则不能纳入,以此生长准则来对道路区域精分割。优选的,设置差值ΔT值为0.02。
S2中所述第二图像处理包括S2.1。
S2.1,根据所述路面区域图像灰度差异对路面与路面分界线进行初次分割,通过形态学灰度运算处理进行二次分割,以剔除路面分界线。
具体处理为:
首先根据图像的成像质量,选择RGB颜色中的一个通道进行分割路面分界线。
例如,当B通道图像质量较好、辨识度较高时,可选择B通道进行分割。优选的,设置B通道阈值为144进行灰度分割,分离出路面分界线。
当R通过图像质量较好、辨识度较高时,也可选择R通道进行分割;同理当G通过图像质量较好、辨识度较高时,也可选择G通道进行分割;
选择不同的颜色通道时,根据具体图像质量和处理需要,设置其通道阈值对图像进行灰度二值化处理。
其次,进行形态学处理,设置m*n的矩形结构元素b,设f(x,y)为输入图像,b(x,y)是矩形结构元素,则用结构元素b对输入图像f进行灰度形态学基本运算为:
灰度膨胀运算:
灰度腐蚀运算:
(fΘb)(x,y)=max{f(x+i,y+i)-b(i,j)|f(x+i,y+j)∈f,b(i,j)∈Db} (16)
灰度开运算:
灰度闭运算:
通过对车道分界线的提取,利用图像乘法剔除图像中分界线部分,得到图像结合后的剔除分道线图像,若道路区域原图为f,筛选分道线图像为g,则将两图像按下式进行图像乘法运算:
F=f*g*Mult+Add (19)
其中,f为路面区域原图,g为筛选分界线图像,Mult为图像乘数,Add为图像加数。
优选的,所述矩形结构元素b为5*5的矩阵,Mult的取值为0.006,Add的取值为0。
S3的处理进一步包括S3.1,S3.2,S3.3和S3.4。
S3.1,基于Prewitt算子对剔除路面分界线后的路面区域图像进行邻域卷积处理检测路面裂缝边缘,对检测到的路面裂缝边缘进行形态学滤波处理。
具体处理为:
首先,结合Prewitt算子对道路区域图像处理,利用像素点上下、左右邻点的灰度差,在边缘处达到极值检测边缘,去掉部分伪边缘,在图像空间利用两个方向模板与图像进行邻域卷积来完成的,这两个方向模板一个检测水平边缘,一个检测垂直边缘。两个卷积计算模板为:
采用范数衡量梯度的幅度|G(x,y)|≈max(Gx,Gy)处理,检测裂缝的阶跃边缘信息。
其次,针对Prewitt算子检测出的边缘易出现多像素宽度现象,通过形态学滤波对检测结果进行多次闭运算,消除杂乱噪声,突出裂缝边缘。
所述形态学滤波处理,通过标记长连通区域的裂缝,在闭运算过程中,将杂乱的路面噪声不断被滤除,使裂缝被细化,连接邻近物体、平滑其边界的同时并不明显改变其面积。
滤除路面噪声的判断准则包括:
第一准则:Scon<Tc
第二准则:lmax<Tm
第三准则:Scon/Scir>Tcc
其中,Scon为连通域面积,即该连通域中像素个数,Scir为连通域外接圆面积,Sbox为连通域可旋转最小包围矩形面积,lmax为连通域可旋转最小包围矩形较长边长,lmin为连通域可旋转最小包围矩形较短边长,Tc、Tm和Tcc为预设阈值;
针对不同场景图像、不同目标,所需阈值不同。优选的,Tc=100,Tm=20,Tcc=0.9。
满足第一准则和/或第二准则的表明面积和长度过小连通域,则认为是纹理噪声连通域,可判定为非裂缝区域,应滤除;第三准则是针对形状近似圆形的连通域,满足第三准则的形状特征的连通域也可判定为非裂缝连通域,应滤除。以此进行对Prewitt算子检测效果的改进,完成伪裂缝的去除。
S3.2,选择路面裂缝区域;
S3.2的处理是通过人眼辅助观察,选择裂缝存在区域,进一步提取出边缘轮廓XLD(亚像素轮廓)。
S3.3,对选择的路面裂缝区域拟合离散曲线,根据预设权重阈值进行约束处理;
利用最小二乘拟合的方法拟合离散曲线,采样Huber权重函数对远离离散曲线的离群值进行识别,精确提取裂缝像素;
所述Huber权重函数为:
其中,τ表示距离阈值,δ为相邻曲线距离。
根据图像裂缝识别效果以及各个相邻曲线距离δ,包括噪声干扰以及裂缝目标,选择合适阈值对其进行约束。
当点到曲线距离小于等于一个阈值τ时,赋予权重为1,当点到曲线距离大于阈值时,权重函数等于距离的倒数乘以阈值,距离越远,值越小。优选的,τ=3。
S3.4,根据图像像素坐标和实际路面的道路长度进行换算,计算裂缝长度和/或裂缝宽度,并在图像上显示相关信息。
所述相关信息包括道路长度、裂缝数量以及各段裂缝长度和裂缝宽度的信息。
本发明提供了一种基于Prewitt算子的航拍路面裂缝识别方法,利用直方图均衡化增强、HSV颜色空间阈值分割以及区域生长方法对公路路面和景观分割,提取包含裂缝信息的单通道路面;利用形态学滤波剔除车道分界线区域以及Prewitt算子识别路面的裂缝片段;利用拟合离散点曲线并结合人眼辅助观察,对所识别裂缝选择并计算其长度。
如图2所示,为本发明对航拍图像路面裂缝进行识别的实施例示意图,包括如下步骤:
步骤1:航拍路面图像,作为本发明所述方法的处理图像。
步骤2:为本发明所述方法S1,对航拍图像进行直方图变换、HSV空间阈值分割及区域生长分割处理,分离路面区域与非路面区域。
步骤3:为本发明所述方法S2,对步骤2处理后的图像进行灰度分割,具体按哪个灰度进行分割需要根据图像质量决定,然后进行以灰度运算为主的形态学处理,剔除路面中的分界线。
步骤4:为本发明所述方法S3,利用Prewitt算子检测路面裂缝边缘,通过连通域算法去除路面伪裂缝;之后再经过人工辅助确定裂缝区域,对人工确定的裂缝区域进行精确提取,获取路面裂缝;进一步根据图像坐标和实际路面尺寸比例计算裂缝长度和/裂缝宽度。
步骤5:输出裂缝图像及相关信息,包括道路长度、裂缝数量以及各段裂缝长度和裂缝宽度的信息。
对于航拍图像,本发明可以克服无人机采集方式造成的图像处理困难,能应用于高空运动背景和场景复杂的路面裂缝检测,相较于常用的各种裂缝检测算法具有更强的适用性,获得更好的航拍图像识别裂缝效果。本发明应用于航拍裂缝检测上,不仅可以为观察者提供裂缝目标更突出的图像,而且可以对裂缝长度做定量分析,为后续道路维护提供参考依据。
如图3所示,本发明还提供一种基于Prewitt算子的路面裂缝识别系统,包括路面识别模块、分界线剔除模块和裂缝识别模块,
路面识别模块,用于对输入的路面图像进行第一图像处理,以剔除路面以外的区域,获得路面区域图像;
分界线剔除模块,用于对所述路面区域图像进行第二图像处理,以剔除路面分界线;
裂缝识别模块,用于对路面裂缝进行初步识别和精确识别,获取路面裂缝数据。
本发明基于Prewitt算子对路面图像进行运算处理,主要包括三个步骤,其一,区分路面区域与非路面区域,其二,剔除路面分界线,其三,识别路面裂缝。在每个处理步骤中,运用不同的算法对图像数据进行处理分析,设置不同的阈值对数据进行初次处理和精确处理,并引入人眼识别的处理,结合自动化和人工处理,实现对路面裂缝的精确识别和定量计算。
本发明所选用的算法尤其适用于数据量大、干扰噪声多的航拍图像的路面裂缝识别,解决了现有技术的不足。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。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 (10)
1.基于Prewitt算子的路面裂缝识别方法,其特征在于,包括:
S1,对输入路面图像进行第一图像处理,以剔除路面以外的区域,获得路面区域图像;
S2,对所述路面区域图像进行第二图像处理,以剔除路面分界线;
S3,对路面裂缝进行初步识别和精确识别,获取路面裂缝数据。
2.如权利要求1所述的方法,其特征在于,S1中所述第一图像处理包括:
S1.1,利用直方图变换对所述路面图像灰度值进行变换处理后,利用HSV空间阈值分割方法提取所述路面图像的颜色突变边界;
S1.2,根据预先设定的区域生长算法的生长准则,对所述路面图像中路面区域和非路面区域进行分割,得到路面区域图像。
3.如权利要求1所述的方法,其特征在于,S2中所述第二图像处理进一步包括:
S2.1,根据所述路面区域图像灰度差异对路面与路面分界线进行初次分割,通过形态学灰度运算处理进行二次分割,以剔除路面分界线。
4.如权利要求1所述的方法,其特征在于,S3中所述对路面裂缝进行初步识别进一步包括:
S3.1,基于Prewitt算子对剔除路面分界线后的路面区域图像进行邻域卷积处理,以检测路面裂缝边缘,对检测到的路面裂缝边缘进行形态学滤波处理;
S3中对路面裂缝进行精确识别进一步包括:
S3.2,选择路面裂缝区域;
S3.3,对选择的路面裂缝区域拟合离散曲线,根据预设权重阈值进行约束处理;
S3中获取路面裂缝数据进一步包括:
S3.4,根据图像像素坐标和实际路面的道路长度进行换算,计算裂缝长度和/或裂缝宽度,并在图像上显示相关信息。
5.如权利要求2所述的方法,其特征在于,S1.1中所述直方图变换的公式为:
其中,H(r)表示输入的直方图,MN表示图像中像素总数,r∈[r0,rk]表示输入灰度级范围,s∈[s0,sk]表示输出灰度级范围,k为图像灰度级分布不同数值的数目,为直方图x轴的分布区间;
所述HSV空间阈值分割方法为:利用像素点i至像素点j的颜色梯度,提取颜色突变的边界,像素点i到像素点j的颜色梯度算子为:
其中,Dij为像素点i和像素点j的颜色距离;
根据预设梯度阈值对梯度图像进行二值化处理,得到路面区域初步分割结果。
6.如权利要求2所述的方法,其特征在于,S1.2进一步包括:对图像划分区域,按预定规则设置种子区域;以种子区域为起点,对已生长的n个区域进行判定,判定公式为:
其中,为种子区域的灰度值,σ2为方差,为待测区域的灰度均值;
将T值与预设阈值进行分类对比处理实现路面区域和非路面区域的分割。
7.如权利要求3所述的方法,其特征在于,S2.1中所述初次分割进一步包括:
根据路面图像的成像质量,确定一种颜色通道,基于所述颜色通道设置颜色通道阈值,按所述颜色通道阈值对图像上路面与路面分界线进行阈值分割提取;
S2.1中所述二次分割进一步包括:
设置m*n的矩形结构元素b,利用矩形结构元素b对输入图像进行灰度形态学运算,剔除图像中的路面分界线部分,满足下式:
F=f*g*Mult+Add
其中,f为路面区域原图,g为筛选分界线图像,Mult为图像乘数,Add为图像加数。
8.如权利要求4所述的方法,其特征在于,S3.1进一步包括:
利用Prewitt算子在图像空间的两个方向模板与图像进行邻居卷积,采样范数衡量梯度的幅度|G(x,y)|≈max(Gx,Gy)计算检测路面裂缝阶跃边缘信息,其中,Gx为水平模版,Gy为垂直模版,具体为:
对检测到的路面裂缝阶跃边缘信息计算连通域,根据预设判断准则进行滤波处理,剔除非裂缝区域;
所述判断准则包括:
第一准则:Scon<Tc
第二准则:lmax<Tm
第三准则:Scon/Scir>Tcc
其中,Scon为连通域面积,即该连通域中像素个数,Scir为连通域外接圆面积,Sbox为连通域可旋转最小包围矩形面积,lmax为连通域可旋转最小包围矩形较长边长,lmin为连通域可旋转最小包围矩形较短边长,Tc、Tm和Tcc为预设阈值;
满足第一准则、第二准则和第三准则的任意一种或两种或三种的为非裂缝区域。
9.如权利要求4所述的方法,其特征在于,S3.3进一步包括:
利用最小二乘拟合的方法拟合离散曲线,采样Huber权重函数对远离离散曲线的离群值进行识别,精确提取裂缝像素;
所述Huber权重函数为:
其中,τ表示距离阈值,δ为相邻曲线距离。
10.基于Prewitt算子的路面裂缝识别系统,其特征在于,包括路面识别模块、分界线剔除模块和裂缝识别模块,
路面识别模块,用于对输入的路面图像进行第一图像处理,以剔除路面以外的区域,获得路面区域图像;
分界线剔除模块,用于对所述路面区域图像进行第二图像处理,以剔除路面分界线;
裂缝识别模块,用于对路面裂缝进行初步识别和精确识别,获取路面裂缝数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611047091.XA CN106651872B (zh) | 2016-11-23 | 2016-11-23 | 基于Prewitt算子的路面裂缝识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611047091.XA CN106651872B (zh) | 2016-11-23 | 2016-11-23 | 基于Prewitt算子的路面裂缝识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651872A true CN106651872A (zh) | 2017-05-10 |
CN106651872B CN106651872B (zh) | 2020-09-15 |
Family
ID=58812843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611047091.XA Active CN106651872B (zh) | 2016-11-23 | 2016-11-23 | 基于Prewitt算子的路面裂缝识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651872B (zh) |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和系统 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN107578414A (zh) * | 2017-08-18 | 2018-01-12 | 东南大学 | 一种路面裂缝图像的处理方法 |
CN107610092A (zh) * | 2017-08-01 | 2018-01-19 | 长安大学 | 基于视频流的路面裂缝动态检测方法 |
CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN108961291A (zh) * | 2018-08-10 | 2018-12-07 | 广东工业大学 | 一种图像边缘检测的方法、系统及相关组件 |
CN109102466A (zh) * | 2017-06-20 | 2018-12-28 | 杭州海康威视数字技术股份有限公司 | 图像污点判定方法及装置 |
CN109102517A (zh) * | 2018-08-10 | 2018-12-28 | 广东工业大学 | 一种图像边缘检测的方法、系统及相关组件 |
CN109215048A (zh) * | 2018-09-21 | 2019-01-15 | 云南中烟工业有限责任公司 | 基于机器视觉的烟丝长度确定方法及系统 |
CN109410205A (zh) * | 2018-11-01 | 2019-03-01 | 西安建筑科技大学 | 一种复杂路面背景下的裂缝提取方法 |
CN109584240A (zh) * | 2018-12-20 | 2019-04-05 | 成都理工大学 | 滑坡后缘裂缝位移图像识别方法 |
CN109767444A (zh) * | 2019-01-21 | 2019-05-17 | 福建省特种设备检验研究院 | 一种基于无人机的裂缝检测方法 |
CN109886958A (zh) * | 2019-03-18 | 2019-06-14 | 济南奥图科技有限责任公司 | 一种基于方管焊缝位置自动识别的方法、装置及系统 |
CN109902668A (zh) * | 2018-12-27 | 2019-06-18 | 山东大学 | 无人机载的路面检测系统及检测方法 |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN110287811A (zh) * | 2019-06-04 | 2019-09-27 | 中国矿业大学 | 一种探测地表采动裂缝的方法 |
CN110310274A (zh) * | 2019-07-02 | 2019-10-08 | 河北农业大学 | 一种植物花朵数量检测方法 |
CN110378950A (zh) * | 2019-06-18 | 2019-10-25 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 |
CN110390256A (zh) * | 2019-05-29 | 2019-10-29 | 广东建科交通工程质量检测中心有限公司 | 一种沥青路面裂缝提取方法 |
CN110412047A (zh) * | 2019-07-18 | 2019-11-05 | 沈阳航空航天大学 | 一种管道内壁缝隙测量系统及方法 |
CN110443881A (zh) * | 2019-05-29 | 2019-11-12 | 重庆交通大学 | 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 |
CN110490839A (zh) * | 2019-07-11 | 2019-11-22 | 平安科技(深圳)有限公司 | 一种检测高速公路中损坏区域的方法、装置及计算机设备 |
CN110832568A (zh) * | 2017-07-05 | 2020-02-21 | 歌乐株式会社 | 车辆用外界识别装置 |
CN110956183A (zh) * | 2019-11-04 | 2020-04-03 | 东南大学 | 一种沥青路面裂缝形态提取方法 |
CN111145161A (zh) * | 2019-12-28 | 2020-05-12 | 北京工业大学 | 一种路面裂缝数字图像处理和识别的方法 |
CN111260656A (zh) * | 2020-01-07 | 2020-06-09 | 北京百度网讯科技有限公司 | 分析导航轨迹的方法以及装置 |
CN111684234A (zh) * | 2018-01-31 | 2020-09-18 | 富士胶片株式会社 | 修补长度的确定方法及修补长度的确定装置 |
CN112085699A (zh) * | 2020-07-31 | 2020-12-15 | 东南大学 | 一种基于二维图像的路面裂缝提取方法 |
CN112818775A (zh) * | 2021-01-20 | 2021-05-18 | 北京林业大学 | 基于区域边界像素交换的林区道路快速识别方法及系统 |
CN112949527A (zh) * | 2021-03-12 | 2021-06-11 | 长安大学 | 一种航拍道路图像路面区域提取方法及系统 |
CN112991359A (zh) * | 2021-02-02 | 2021-06-18 | 武汉光庭信息技术股份有限公司 | 一种路面区域提取方法、系统、电子设备及存储介质 |
CN113139302A (zh) * | 2021-05-20 | 2021-07-20 | 电子科技大学 | 基于区域生长的断溶体识别方法 |
CN113763357A (zh) * | 2021-09-08 | 2021-12-07 | 中国矿业大学 | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 |
WO2022007120A1 (zh) * | 2020-07-08 | 2022-01-13 | 谢超奇 | 道路修补定量定位数据发送平台及方法 |
CN115346162A (zh) * | 2022-10-19 | 2022-11-15 | 南京优佳建筑设计有限公司 | 基于室内监控的地下建筑墙体渗水实时监测方法 |
US11551341B2 (en) | 2018-01-03 | 2023-01-10 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN115684272A (zh) * | 2023-01-03 | 2023-02-03 | 广州市市政工程试验检测有限公司 | 一种基于红外摄像机的钢结构裂纹检测方法 |
CN116758106A (zh) * | 2023-07-13 | 2023-09-15 | 江苏中天吉奥信息技术股份有限公司 | 基于无人机的水流登记单元界线核实方法 |
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463130A (zh) * | 2014-12-16 | 2015-03-25 | 中山大学 | 一种基于评估反馈系统的车牌图像光照处理方法 |
CN104504702A (zh) * | 2014-12-23 | 2015-04-08 | 桂林电子科技大学 | 基于方格搜索法的水泥刻槽路面裂缝识别方法 |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN105005778A (zh) * | 2015-08-14 | 2015-10-28 | 东南大学 | 一种基于视觉背景提取的高速公路车辆检测方法 |
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
-
2016
- 2016-11-23 CN CN201611047091.XA patent/CN106651872B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463130A (zh) * | 2014-12-16 | 2015-03-25 | 中山大学 | 一种基于评估反馈系统的车牌图像光照处理方法 |
CN104504702A (zh) * | 2014-12-23 | 2015-04-08 | 桂林电子科技大学 | 基于方格搜索法的水泥刻槽路面裂缝识别方法 |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN105005778A (zh) * | 2015-08-14 | 2015-10-28 | 东南大学 | 一种基于视觉背景提取的高速公路车辆检测方法 |
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
Non-Patent Citations (1)
Title |
---|
张丽丽: ""基于Prewitt 算子的路面破损图像识别和分析"", 《公路交通科技 应用技术版》 * |
Cited By (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和系统 |
CN109102466A (zh) * | 2017-06-20 | 2018-12-28 | 杭州海康威视数字技术股份有限公司 | 图像污点判定方法及装置 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN107316064B (zh) * | 2017-06-26 | 2020-07-14 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN110832568A (zh) * | 2017-07-05 | 2020-02-21 | 歌乐株式会社 | 车辆用外界识别装置 |
CN110832568B (zh) * | 2017-07-05 | 2022-03-25 | 歌乐株式会社 | 车辆用外界识别装置 |
CN107610092A (zh) * | 2017-08-01 | 2018-01-19 | 长安大学 | 基于视频流的路面裂缝动态检测方法 |
CN107610092B (zh) * | 2017-08-01 | 2020-04-07 | 长安大学 | 基于视频流的路面裂缝动态检测方法 |
CN107578414A (zh) * | 2017-08-18 | 2018-01-12 | 东南大学 | 一种路面裂缝图像的处理方法 |
CN107578414B (zh) * | 2017-08-18 | 2021-09-07 | 东南大学 | 一种路面裂缝图像的处理方法 |
CN108038883B (zh) * | 2017-12-06 | 2021-01-26 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
US11551341B2 (en) | 2018-01-03 | 2023-01-10 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN111684234A (zh) * | 2018-01-31 | 2020-09-18 | 富士胶片株式会社 | 修补长度的确定方法及修补长度的确定装置 |
CN108416307B (zh) * | 2018-03-13 | 2020-08-14 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN108961291A (zh) * | 2018-08-10 | 2018-12-07 | 广东工业大学 | 一种图像边缘检测的方法、系统及相关组件 |
CN109102517A (zh) * | 2018-08-10 | 2018-12-28 | 广东工业大学 | 一种图像边缘检测的方法、系统及相关组件 |
CN109215048B (zh) * | 2018-09-21 | 2021-05-07 | 云南中烟工业有限责任公司 | 基于机器视觉的烟丝长度确定方法及系统 |
CN109215048A (zh) * | 2018-09-21 | 2019-01-15 | 云南中烟工业有限责任公司 | 基于机器视觉的烟丝长度确定方法及系统 |
CN109410205B (zh) * | 2018-11-01 | 2021-05-04 | 西安建筑科技大学 | 一种复杂路面背景下的裂缝提取方法 |
CN109410205A (zh) * | 2018-11-01 | 2019-03-01 | 西安建筑科技大学 | 一种复杂路面背景下的裂缝提取方法 |
CN109584240A (zh) * | 2018-12-20 | 2019-04-05 | 成都理工大学 | 滑坡后缘裂缝位移图像识别方法 |
CN109902668A (zh) * | 2018-12-27 | 2019-06-18 | 山东大学 | 无人机载的路面检测系统及检测方法 |
CN109767444A (zh) * | 2019-01-21 | 2019-05-17 | 福建省特种设备检验研究院 | 一种基于无人机的裂缝检测方法 |
CN109886958B (zh) * | 2019-03-18 | 2022-03-25 | 济南奥图科技有限责任公司 | 一种基于方管焊缝位置自动识别的方法、装置及系统 |
CN109886958A (zh) * | 2019-03-18 | 2019-06-14 | 济南奥图科技有限责任公司 | 一种基于方管焊缝位置自动识别的方法、装置及系统 |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN110390256A (zh) * | 2019-05-29 | 2019-10-29 | 广东建科交通工程质量检测中心有限公司 | 一种沥青路面裂缝提取方法 |
CN110390256B (zh) * | 2019-05-29 | 2023-06-23 | 广东建科交通工程质量检测中心有限公司 | 一种沥青路面裂缝提取方法 |
CN110443881A (zh) * | 2019-05-29 | 2019-11-12 | 重庆交通大学 | 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 |
CN110287811A (zh) * | 2019-06-04 | 2019-09-27 | 中国矿业大学 | 一种探测地表采动裂缝的方法 |
CN110287811B (zh) * | 2019-06-04 | 2022-06-28 | 中国矿业大学 | 一种探测地表采动裂缝的方法 |
CN110378950B (zh) * | 2019-06-18 | 2023-02-28 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 |
CN110378950A (zh) * | 2019-06-18 | 2019-10-25 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 |
CN110310274A (zh) * | 2019-07-02 | 2019-10-08 | 河北农业大学 | 一种植物花朵数量检测方法 |
CN110310274B (zh) * | 2019-07-02 | 2021-12-17 | 河北农业大学 | 一种植物花朵数量检测方法 |
CN110490839B (zh) * | 2019-07-11 | 2024-02-27 | 平安科技(深圳)有限公司 | 一种检测高速公路中损坏区域的方法、装置及计算机设备 |
CN110490839A (zh) * | 2019-07-11 | 2019-11-22 | 平安科技(深圳)有限公司 | 一种检测高速公路中损坏区域的方法、装置及计算机设备 |
CN110412047A (zh) * | 2019-07-18 | 2019-11-05 | 沈阳航空航天大学 | 一种管道内壁缝隙测量系统及方法 |
CN110956183A (zh) * | 2019-11-04 | 2020-04-03 | 东南大学 | 一种沥青路面裂缝形态提取方法 |
CN110956183B (zh) * | 2019-11-04 | 2023-05-02 | 东南大学 | 一种沥青路面裂缝形态提取方法 |
CN111145161B (zh) * | 2019-12-28 | 2023-09-19 | 北京工业大学 | 一种路面裂缝数字图像处理和识别的方法 |
CN111145161A (zh) * | 2019-12-28 | 2020-05-12 | 北京工业大学 | 一种路面裂缝数字图像处理和识别的方法 |
CN111260656A (zh) * | 2020-01-07 | 2020-06-09 | 北京百度网讯科技有限公司 | 分析导航轨迹的方法以及装置 |
WO2022007120A1 (zh) * | 2020-07-08 | 2022-01-13 | 谢超奇 | 道路修补定量定位数据发送平台及方法 |
CN112085699A (zh) * | 2020-07-31 | 2020-12-15 | 东南大学 | 一种基于二维图像的路面裂缝提取方法 |
CN112818775A (zh) * | 2021-01-20 | 2021-05-18 | 北京林业大学 | 基于区域边界像素交换的林区道路快速识别方法及系统 |
CN112818775B (zh) * | 2021-01-20 | 2023-07-25 | 北京林业大学 | 基于区域边界像素交换的林区道路快速识别方法及系统 |
CN112991359A (zh) * | 2021-02-02 | 2021-06-18 | 武汉光庭信息技术股份有限公司 | 一种路面区域提取方法、系统、电子设备及存储介质 |
CN112949527A (zh) * | 2021-03-12 | 2021-06-11 | 长安大学 | 一种航拍道路图像路面区域提取方法及系统 |
CN113139302A (zh) * | 2021-05-20 | 2021-07-20 | 电子科技大学 | 基于区域生长的断溶体识别方法 |
CN113763357B (zh) * | 2021-09-08 | 2023-11-28 | 中国矿业大学 | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 |
CN113763357A (zh) * | 2021-09-08 | 2021-12-07 | 中国矿业大学 | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 |
CN115346162A (zh) * | 2022-10-19 | 2022-11-15 | 南京优佳建筑设计有限公司 | 基于室内监控的地下建筑墙体渗水实时监测方法 |
CN115346162B (zh) * | 2022-10-19 | 2022-12-13 | 南京优佳建筑设计有限公司 | 基于室内监控的地下建筑墙体渗水实时监测方法 |
CN115684272A (zh) * | 2023-01-03 | 2023-02-03 | 广州市市政工程试验检测有限公司 | 一种基于红外摄像机的钢结构裂纹检测方法 |
CN116758106A (zh) * | 2023-07-13 | 2023-09-15 | 江苏中天吉奥信息技术股份有限公司 | 基于无人机的水流登记单元界线核实方法 |
CN116758106B (zh) * | 2023-07-13 | 2024-02-27 | 江苏中天吉奥信息技术股份有限公司 | 基于无人机的水流登记单元界线核实方法 |
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
CN117593651B (zh) * | 2024-01-18 | 2024-04-05 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106651872B (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN103971126B (zh) | 一种交通标志识别方法和装置 | |
CN105809138B (zh) | 一种基于分块识别的道路警告标志检测与识别方法 | |
CN105261017B (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN105373794B (zh) | 一种车牌识别方法 | |
CN102375982B (zh) | 一种融合多字符特征的车牌定位方法 | |
CN104851113B (zh) | 多分辨率遥感影像的城市植被自动提取方法 | |
CN101398894B (zh) | 机动车车牌自动识别方法及其实现装置 | |
CN106296666B (zh) | 一种彩色图像去阴影方法和应用 | |
CN108108761A (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN106529592A (zh) | 一种基于混合特征与灰度投影的车牌识别方法 | |
CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN109086687A (zh) | 基于pca降维的hog-mblbp融合特征的交通标志识别方法 | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN108765443A (zh) | 一种自适应颜色阈值分割的标志增强处理方法 | |
CN106650553A (zh) | 车牌识别方法及系统 | |
CN106845408A (zh) | 一种复杂环境下的街道垃圾识别方法 | |
CN104463138B (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN102663357A (zh) | 基于颜色特征的停车场车位检测算法 | |
CN104966066A (zh) | 一种面向交通卡口监控的车内人脸检测方法及系统 | |
CN105205489A (zh) | 基于颜色纹理分析器与机器学习的车牌检测方法 | |
CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
CN107704853A (zh) | 一种基于多分类器的交通信号灯的识别方法 | |
CN107729812A (zh) | 一种适用于监控场景中的车辆颜色识别的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |