CN106874882B - 路面病害边缘检测方法和装置 - Google Patents
路面病害边缘检测方法和装置 Download PDFInfo
- Publication number
- CN106874882B CN106874882B CN201710104060.1A CN201710104060A CN106874882B CN 106874882 B CN106874882 B CN 106874882B CN 201710104060 A CN201710104060 A CN 201710104060A CN 106874882 B CN106874882 B CN 106874882B
- Authority
- CN
- China
- Prior art keywords
- image
- average value
- sub
- gray
- average
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种路面病害边缘检测方法和装置。所述方法包括步骤:对获取的路面图像进行灰度化处理,获得灰度图像;采用预设滑动窗口对所述灰度图像进行遍历,获得各个子图像,计算每个子图像中所有像素点的灰度值;以获得的各个子图像的灰度值阈值为界,将每个子图像中所有像素点的灰度值分成两组,计算每组灰度值的平均值,获得每个子图像的第一平均值和第二平均值,其中第一平均值小于第二平均值;若子图像中第一平均值小于第二平均值与第二平均值对应的平均阈值通过率的乘积,对该子图像进行保留;根据保留的各个子图像获得路面病害的边缘图像。本发明能够实现裂缝病害以及其它路面病害的边缘检测。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种路面病害边缘检测方法以及一种路面边缘检测装置。
背景技术
路面图像含有大量的噪声,有来自摄像机本身的成像噪声,也有来自路面材质本身(水泥、沥青)所带来的纹理噪声。在尽量保留路面病害边缘的前提下,对路面图像进行了去噪处理后,其仍然带有不少的纹理噪声,这给路面病害边缘的检测带来很大干扰。而且路面背景和路面病害边缘之间的灰度对比强弱不均,加上不同材质路面的灰度的动态变化,导致了目前的路面病害边缘检测只适用于对边缘特性相对较强的裂缝病害的边缘检测,而不适用于对其他路面病害的边缘检测,这给后续路面病害的定位和度量带来很大的影响。
发明内容
基于此,有必要针对上述问题,提供一种路面病害边缘检测方法和装置,能够实现裂缝病害以及其它路面病害的边缘检测。
一种路面病害边缘检测方法,包括步骤:
对获取的路面图像进行灰度化处理,获得灰度图像;
采用预设滑动窗口对所述灰度图像进行遍历,获得各个子图像,计算每个子图像中所有像素点的灰度值;
以获得的各个子图像的灰度值阈值为界,将每个子图像中所有像素点的灰度值分成两组,计算每组灰度值的平均值,获得每个子图像的第一平均值和第二平均值,其中第一平均值小于第二平均值;
若子图像中第一平均值小于第二平均值与第二平均值对应的平均阈值通过率的乘积,对该子图像进行保留,其中平均阈值通过率根据以第二平均值为自变量以平均阈值通过率为因变量的函数获得;
根据保留的各个子图像获得路面病害的边缘图像。
一种路面病害边缘检测装置,包括:
灰度图像获得模块,用于对获取的路面图像进行灰度化处理,获得灰度图像;
子图像获得模块,用于采用预设滑动窗口对所述灰度图像进行遍历,获得各个子图像,计算每个子图像中所有像素点的灰度值;
灰度值划分模块,用于以获得的各个子图像的灰度值阈值为界,将每个子图像中所有像素点的灰度值分成两组,计算每组灰度值的平均值,获得每个子图像的第一平均值和第二平均值,其中第一平均值小于第二平均值;
子图像筛选模块,用于在子图像中第一平均值小于第二平均值与第二平均值对应的平均阈值通过率的乘积时,对该子图像进行保留,其中平均阈值通过率根据以第二平均值为自变量以平均阈值通过率为因变量的函数获得;
边缘图像获得模块,用于根据保留的各个子图像获得路面病害的边缘图像。
上述路面病害边缘检测方法和装置,将路面图像的灰度图像划分为各个子图像,利用在图像边缘处可以将每个子图像分为两组的特点,并结合路面图像的灰度范围所设计的平均阈值通过率的函数,使得只需调整平均阈值通过率的函数,即可实现任何灰度范围内的图像边缘检测,准确地检测出路面病害(裂缝病害以及其它路面病害)边缘,为后续的路面病害的定位和度量提供了很好帮助。
附图说明
图1为一实施例的路面病害边缘检测方法的流程示意图;
图2为一具体实施例的平均阈值通过率曲线的示意图;
图3为一具体实施例的路面病害边缘检测方法的流程示意图;
图4为一实施例的路面病害边缘检测装置的结构示意图。
具体实施方式
为更进一步阐述本发明所采取的技术手段及取得的效果,下面结合附图及较佳实施例,对本发明的技术方案,进行清楚和完整的描述。
如图1所示,一种路面病害边缘检测方法,包括步骤:
S110、对获取的路面图像进行灰度化处理,获得灰度图像;
S120、采用预设滑动窗口对所述灰度图像进行遍历,获得各个子图像,计算每个子图像中所有像素点的灰度值;
S130、以获得的各个子图像的灰度值阈值为界,将每个子图像中所有像素点的灰度值分成两组,计算每组灰度值的平均值,获得每个子图像的第一平均值和第二平均值,其中第一平均值小于第二平均值;
S140、若子图像中第一平均值小于第二平均值与第二平均值对应的平均阈值通过率的乘积,对该子图像进行保留,其中平均阈值通过率根据以第二平均值为自变量以平均阈值通过率为因变量的函数获得;
S150、根据保留的各个子图像获得路面病害的边缘图像。
上述路面病害边缘检测方法,利用在图像边缘处可以将每个子图像分为两组的特点,并结合路面图像的灰度范围所设计的平均阈值通过率的函数,可以准确地检测出路面病害(裂缝病害以及其它路面病害)边缘。
本发明整体方案为:a、对路面图像进行预处理,b、对路面图像进行边缘检测。步骤S110属于对路面图像预处理的过程,步骤S120到步骤S150属于对路面图像边缘检测的过程。下面对各个步骤进行详细介绍。
在步骤S110中,路面图像可以采用摄像装置拍摄获得。传统技术中,对于路面病害边缘的检测技术大都基于导数的原理来实现的。而本发明获得路面图像后,对路面图像进行灰度化处理,直接用原图像的灰度值来进行边缘的检测,而不经过导数处理,这能够根据所要检测目标的灰度范围对边缘进行有效的检测,而减少非目标边缘的误检。
将路面图像进行灰度化处理后,为了进一步提高边缘检测的效果,还可以再进行其它预处理,然后基于最终预处理后的图像进行边缘的检测。例如,先对图像进行灰度化处理,再进行中值滤波去噪,然后进行高斯滤波去噪等。灰度化处理、中值滤波去噪和高斯滤波去噪均可以采用现有技术中已有的方式实现。
在步骤S120中,采用滑动窗口将整个路面图像的灰度图像划分为多个子图像。滑动窗口每到一个位置,该滑动窗口内的像素点就构成一个子图像,每个子图像也可以称之为一个窗口,滑动窗口将整个灰度图像遍历完成后,就得到各个子图像,也即是各个窗口。然后采用现有技术中已有的方式计算出每个子图像中所有像素点的灰度值。
由于本发明利用的是在图像边缘处可以将窗口内的灰度值分为两组的特点,所以为了确保可以分为两组,在一个实施例中,所述预设滑动窗口为M*M的滑动窗口,M表示像素点,为大于等于3的奇数。例如,滑动窗口为3*3的滑动窗口、5*5的滑动窗口或者7*7的滑动窗口等。考虑到计算量的问题,即为了降低计算量,滑动窗口优选为3*3的滑动窗口。
在步骤S130中,计算各个子图像的灰度值阈值有多种实现方式,例如,在一个实施例中,采用最大类间方差法(OTSU)计算出每个窗口内的阈值thresh。
得到各个窗口的灰度值阈值后,根据各个窗口的灰度值阈值对各个窗口的像素点的灰度值进行分组。例如,针对某一个窗口的所有灰度值,大于等于对应灰度值阈值的灰度值划分为一组,小于对应灰度值阈值的灰度值划分为另一组;或者,大于对应灰度值阈值的灰度值划分为一组,小于等于对应灰度值阈值的灰度值划分为另一组。以3*3的滑动窗口为例,划分的各个子图像(即各个窗口)内有9个灰度值,将每个窗口内的9个灰度值以thresh为界分成两组。
在一个实施例中,将每个子图像中所有像素点的灰度值分成两组之后,计算每组灰度值的平均值之前,还包括步骤:确定子图像中两组灰度值的个数均大于等于预设个数,其中预设个数为M*(M/2的值取整)。即一个窗口的两组灰度值的个数均大于等于预设个数时,才对该窗口的两组灰度值进行平均值的计算,否则将该窗口舍弃,不进行后续的处理。
为了更好地理解预设个数的确定方式,以几个例子进行说明。以3*3的滑动窗口为例,每一个窗口有9个灰度值,根据对应的灰度值阈值将9个灰度值分为两组时,如果每一组的灰度值的个数均大于等于3*(3/2的值取整)=3时,计算该窗口两组灰度值的平均值,否则舍弃该窗口不进行处理。以5*5的滑动窗口为例,每一个窗口有25个灰度值,根据对应的灰度值阈值将25个灰度值分为两组时,如果每一组的灰度值的个数均大于等于5*(5/2的值取整)=10时,计算该窗口两组灰度值的平均值,否则舍弃该窗口不进行处理。以7*7的滑动窗口为例,每一个窗口有49个灰度值,根据对应的灰度值阈值将49个灰度值分为两组时,如果每一组的灰度值的个数均大于等于7*(7/2的值取整)=21时,计算该窗口两组灰度值的平均值,否则舍弃该窗口不进行处理。
将每个窗口内的灰度值划分为两组后,计算每一个窗口的两组灰度值的平均值。两个平均值中,平均值小的为第一平均值,记为meanL,平均值大的为第二平均值,记为meanH。
在步骤S140中,结合路面图像的灰度范围设计函数f(meanH),f(meanH)为以meanH为变量的函数,称为平均阈值通过率曲线,meanH的范围为0到255的整数。所述函数的平均阈值通过率越大,其所对应的第二平均值下的边缘越容易被提取,所述函数的平均阈值通过率越小,其所对应的第二平均值下的边缘越容易被抑制。所以,在一个实施例中,子图像的第二平均值越小,第二平均值对应的平均阈值通过率越小;子图像的第二平均值越大,第二平均值对应的平均阈值通过率越大。例如,路面灰度较暗的地方有较多的颗粒纹理噪声,在该灰度下给较小的平均阈值通过率进行抑制;而较亮的地方的噪声较少,则给较大的平均阈值通过率进提取;其他地方给平滑的平均阈值通过率进行检测。
按照上述函数的设计思想,用户可以根据所要提取的灰度范围的图像边缘自行设计平均阈值通过率曲线f(meanH)。所以,平均阈值通过率曲线f(meanH)有多种实现方式,例如,在一个实施例中,所述函数为下述公式:
其中,y为平均阈值通过率,meanH为第二平均值。
如图2所示,为上述函数的平均阈值通过率曲线f(meanH)的示意图。从图2可以看出,meanH在0到25范围时,即从0到虚线1的范围内,平均阈值通过率较小,meanH下的边缘被抑制,不容易被提取;meanH在25到190范围时,即从虚线1到虚线2的范围内,平均阈值通过率较大,meanH下的边缘较容易被提取;meanH在190到255范围时,即从虚线2到虚线3的范围内,平均阈值通过率较大,meanH下的边缘容易被提取。
需要说明的是,平均阈值通过率曲线f(meanH)并不限制于上述公式以及图2的形式,用户可以在上述公式的基础上做出改动,例如改动上述公式中的某些常数值等,得到新的平均阈值通过率曲线f(meanH),从而进行路面病害的边缘检测,用户也可以根据所要提取的灰度范围的图像边缘自行设计其它平均阈值通过率曲线f(meanH)。
对各个窗口进行筛选,检测各个窗口是否满足条件:meanL<meanH×f(meanH),若满足该条件,则保留该窗口,否则舍弃该窗口不进行后续的处理。
在步骤S150中,根据保留的子图像获得路面病害的边缘图像有多种方式,例如,在一个实施例中,根据保留的各个子图像获得路面病害的边缘图像的步骤包括:
S1501、将保留的各个子图像分别以各自的灰度值阈值为阈值进行二值化,并只保留黑白交界处的白点作为保留的各个子图像的边缘;
将保留的窗口以各自的thresh为阈值进行二值化,并只保留黑白交界处的白点,作为当前窗口的边缘。以thresh为阈值进行二值化可以根据现有技术中已有的方式实现。
S1502、将保留的各个子图像的边缘进行合并,并过滤白点噪声,获得路面病害的边缘图像;将各个子图像的边缘进行合并和白点噪声过滤均可以根据现有技术中已有的方式实现。
为了更好的理解本发明,下面结合一个具体实施例进行详细介绍。
如图3所示,路面病害边缘检测方法包括步骤:
输入路面图像,对输入的路面图像进行灰度化、中值滤波和高斯滤波处理;
用3×3的滑动窗口遍历高斯滤波处理后的整个路面图像;
用最大类间方差法计算出每个窗口内的阈值thresh;
将每个窗口内的9个灰度值以thresh为界分成两组(每组个数≥3),分别计算每组的平均值,平均值大的记为meanH,平均值小的记为meanL;
将满足以下条件的窗口保留:meanL<meanH×f(meanH);
将保留的窗口以thresh为阈值进行二值化,并只保留黑白交界处的白点,作为当前窗口的边缘;
过滤白点噪声,最终得到边缘二值图像。
基于同一发明构思,本发明还提供一种路面病害边缘检测装置,下面结合附图对本发明装置的具体实施方式做详细描述。
如图4所示,一种路面病害边缘检测装置,包括:
灰度图像获得模块110,用于对获取的路面图像进行灰度化处理,获得灰度图像;
子图像获得模块120,用于采用预设滑动窗口对所述灰度图像进行遍历,获得各个子图像,计算每个子图像中所有像素点的灰度值;
灰度值划分模块130,用于以获得的各个子图像的灰度值阈值为界,将每个子图像中所有像素点的灰度值分成两组,计算每组灰度值的平均值,获得每个子图像的第一平均值和第二平均值,其中第一平均值小于第二平均值;
子图像筛选模块140,用于在子图像中第一平均值小于第二平均值与第二平均值对应的平均阈值通过率的乘积时,对该子图像进行保留,其中平均阈值通过率根据以第二平均值为自变量以平均阈值通过率为因变量的函数获得;
边缘图像获得模块150,用于根据保留的各个子图像获得路面病害的边缘图像。
上述路面病害边缘检测装置,利用在图像边缘处可以将每个子图像分为两组的特点,并结合路面图像的灰度范围所设计的平均阈值通过率的函数,可以准确地检测出路面病害(裂缝病害以及其它路面病害)边缘。下面对各个模块的功能进行介绍。
传统技术中,对于路面病害边缘的检测技术大都基于导数的原理来实现的。而本发明获得路面图像后,灰度图像获得模块110对路面图像进行灰度化处理,直接用原图像的灰度值来进行边缘的检测,而不经过导数处理,这能够根据所要检测目标的灰度范围对边缘进行有效的检测,而减少非目标边缘的误检。
将路面图像进行灰度化处理后,为了进一步提高边缘检测的效果,灰度图像获得模块110还可以再进行其它预处理。例如,先对图像进行灰度化处理,再进行中值滤波去噪,然后进行高斯滤波去噪等。灰度化处理、中值滤波去噪和高斯滤波去噪均可以采用现有技术中已有的方式实现。
子图像获得模块120采用滑动窗口将整个路面图像的灰度图像划分为多个子图像,然后采用现有技术中已有的方式计算出每个子图像中所有像素点的灰度值。滑动窗口每到一个位置,该滑动窗口内的像素点就构成一个子图像,每个子图像也可以称之为一个窗口,滑动窗口将整个灰度图像遍历完成后,就得到各个子图像,也即是各个窗口。
由于本发明利用的是在图像边缘处可以将窗口内的灰度值分为两组的特点,所以为了确保可以分为两组,在一个实施例中,所述预设滑动窗口为M*M的滑动窗口,M为大于等于3的奇数。为了降低计算量,滑动窗口优选为3*3的滑动窗口。
灰度值划分模块130计算各个子图像的灰度值阈值有多种实现方式,例如,在一个实施例中,采用最大类间方差法(OTSU)计算出每个窗口内的阈值thresh。
灰度值划分模块130得到各个窗口的灰度值阈值后,根据各个窗口的灰度值阈值对各个窗口的像素点的灰度值进行分组。例如,针对某一个窗口的所有灰度值,大于等于对应灰度值阈值的灰度值划分为一组,小于对应灰度值阈值的灰度值划分为另一组;或者,大于对应灰度值阈值的灰度值划分为一组,小于等于对应灰度值阈值的灰度值划分为另一组。
在一个实施例中,所述灰度值划分模块130将每个子图像中所有像素点的灰度值分成两组之后,在子图像中两组灰度值的个数均大于等于预设个数时,计算每组灰度值的平均值,其中预设个数为M*(M/2的值取整)。即一个窗口的两组灰度值的个数均大于等于预设个数时,才对该窗口的两组灰度值进行平均值的计算,否则将该窗口舍弃,不进行后续的处理。
所述灰度值划分模块130将每个窗口内的灰度值划分为两组后,计算每一个窗口的两组灰度值的平均值。两个平均值中,平均值小的为第一平均值,记为meanL,平均值大的为第二平均值,记为meanH。
结合路面图像的灰度范围设计函数f(meanH),f(meanH)为以meanH为变量的函数,称为平均阈值通过率曲线,meanH的范围为0到255的整数。在一个实施例中,子图像的第二平均值越小,第二平均值对应的平均阈值通过率越小;子图像的第二平均值越大,第二平均值对应的平均阈值通过率越大。
按照上述函数的设计思想,用户可以根据所要提取的灰度范围的图像边缘自行设计平均阈值通过率曲线f(meanH)。所以,平均阈值通过率曲线f(meanH)有多种实现方式,例如,在一个实施例中,所述函数为下述公式:
其中,y为平均阈值通过率,meanH为第二平均值。
需要说明的是,平均阈值通过率曲线f(meanH)并不限制于上述公式的形式,用户可以在上述公式的基础上做出改动,例如改动上述公式中的某些常数值等,得到新的平均阈值通过率曲线f(meanH),从而进行路面病害的边缘检测,用户也可以根据所要提取的灰度范围的图像边缘自行设计其它平均阈值通过率曲线f(meanH)。
子图像筛选模块140对各个窗口进行筛选,检测各个窗口是否满足条件:meanL<meanH×f(meanH),若满足该条件,则保留该窗口,否则舍弃该窗口不进行后续的处理。
边缘图像获得模块150根据保留的子图像获得路面病害的边缘图像有多种方式,例如,在一个实施例中,边缘图像获得模块150将保留的各个子图像分别以各自的灰度值阈值为阈值进行二值化,并只保留黑白交界处的白点作为保留的各个子图像的边缘;将保留的各个子图像的边缘进行合并,并过滤白点噪声,获得路面病害的边缘图像。
传统技术中对于路面病害边缘的检测技术大都基于导数的原理来实现的,而且研究者难以选择合适的阈值来定位边缘,所以只用于对裂缝病害的边缘检测,另外受噪声的影响大。本发明直接用原图像的灰度值来进行边缘的检测,而不经过导数处理,这能够根据所要检测目标的灰度范围对边缘进行有效的检测,而减少非目标边缘的误检;利用在图像边缘处可以将窗口分为两组的特点,并结合路面图像的灰度范围所设计的平均阈值通过率曲线,能够在准确地检测出路面病害(不限于裂缝病害)边缘的前提下,有效地抑制绝大部分的纹理噪声,并且使得只需调整平均阈值通过率曲线,即可实现任何灰度范围内的图像边缘检测,这给特定的边缘检测带来很大的便利。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种路面病害边缘检测方法,其特征在于,包括步骤:
对获取的路面图像进行灰度化处理,获得灰度图像;
采用预设滑动窗口对所述灰度图像进行遍历,获得各个子图像,计算每个子图像中所有像素点的灰度值;
以获得的各个子图像的灰度值阈值为界,将每个子图像中所有像素点的灰度值分成两组,计算每组灰度值的平均值,获得每个子图像的第一平均值和第二平均值,其中第一平均值小于第二平均值;
若子图像中第一平均值小于第二平均值与第二平均值对应的平均阈值通过率的乘积,对该子图像进行保留,其中平均阈值通过率根据以第二平均值为自变量以平均阈值通过率为因变量的函数获得,所述函数为下述公式:
其中,y为平均阈值通过率,meanH为第二平均值;
根据保留的各个子图像获得路面病害的边缘图像。
2.根据权利要求1所述的路面病害边缘检测方法,其特征在于,子图像的第二平均值越小,第二平均值对应的平均阈值通过率越小;子图像的第二平均值越大,第二平均值对应的平均阈值通过率越大。
3.根据权利要求1所述的路面病害边缘检测方法,其特征在于,所述预设滑动窗口为M*M的滑动窗口,M为大于等于3的奇数。
4.根据权利要求3所述的路面病害边缘检测方法,其特征在于,将每个子图像中所有像素点的灰度值分成两组之后,计算每组灰度值的平均值之前,还包括步骤:
确定子图像中两组灰度值的个数均大于等于预设个数,其中预设个数为M*(M/2的值取整)。
5.根据权利要求1至4任意一项所述的路面病害边缘检测方法,其特征在于,根据保留的各个子图像获得路面病害的边缘图像的步骤包括:
将保留的各个子图像分别以各自的灰度值阈值为阈值进行二值化,并只保留黑白交界处的白点作为保留的各个子图像的边缘;
将保留的各个子图像的边缘进行合并,并过滤白点噪声,获得路面病害的边缘图像。
6.一种路面病害边缘检测装置,其特征在于,包括:
灰度图像获得模块,用于对获取的路面图像进行灰度化处理,获得灰度图像;
子图像获得模块,用于采用预设滑动窗口对所述灰度图像进行遍历,获得各个子图像,计算每个子图像中所有像素点的灰度值;
灰度值划分模块,用于以获得的各个子图像的灰度值阈值为界,将每个子图像中所有像素点的灰度值分成两组,计算每组灰度值的平均值,获得每个子图像的第一平均值和第二平均值,其中第一平均值小于第二平均值;
子图像筛选模块,用于在子图像中第一平均值小于第二平均值与第二平均值对应的平均阈值通过率的乘积时,对该子图像进行保留,其中平均阈值通过率根据以第二平均值为自变量以平均阈值通过率为因变量的函数获得,所述函数为下述公式:
其中,y为平均阈值通过率,meanH为第二平均值;
边缘图像获得模块,用于根据保留的各个子图像获得路面病害的边缘图像。
7.根据权利要求6所述的路面病害边缘检测装置,其特征在于,子图像的第二平均值越小,第二平均值对应的平均阈值通过率越小;子图像的第二平均值越大,第二平均值对应的平均阈值通过率越大。
8.根据权利要求6或7所述的路面病害边缘检测装置,其特征在于,所述预设滑动窗口为M*M的滑动窗口,M为大于等于3的奇数。
9.根据权利要求8所述的路面病害边缘检测装置,其特征在于,所述灰度值划分模块将每个子图像中所有像素点的灰度值分成两组之后,在子图像中两组灰度值的个数均大于等于预设个数时,计算每组灰度值的平均值,其中预设个数为M*(M/2的值取整)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710104060.1A CN106874882B (zh) | 2017-02-24 | 2017-02-24 | 路面病害边缘检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710104060.1A CN106874882B (zh) | 2017-02-24 | 2017-02-24 | 路面病害边缘检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874882A CN106874882A (zh) | 2017-06-20 |
CN106874882B true CN106874882B (zh) | 2020-02-18 |
Family
ID=59167855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710104060.1A Active CN106874882B (zh) | 2017-02-24 | 2017-02-24 | 路面病害边缘检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874882B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633516B (zh) * | 2017-09-21 | 2020-04-07 | 武汉武大卓越科技有限责任公司 | 一种识别路面变形类病害的方法和装置 |
CN108416351B (zh) * | 2018-03-16 | 2020-06-05 | 广东诚泰交通科技发展有限公司 | 路面病害区域的确定方法、装置和计算机设备 |
CN109815961B (zh) * | 2018-12-25 | 2020-11-10 | 山东省交通规划设计院有限公司 | 一种基于局部纹理二值模式的路面修补类病害检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593649A (zh) * | 2013-10-24 | 2014-02-19 | 惠州华阳通用电子有限公司 | 一种用于车道偏离预警的车道线检测方法 |
CN104537350A (zh) * | 2014-12-30 | 2015-04-22 | 国家电网公司 | 一种基于多维边缘特征的车牌定位方法 |
CN104867130A (zh) * | 2015-04-21 | 2015-08-26 | 浙江工业大学 | 一种基于裂纹图像子区灰度均值的自适应分割方法 |
US9373036B1 (en) * | 2015-01-16 | 2016-06-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Collaborative distance metric learning for method and apparatus visual tracking |
CN105869148A (zh) * | 2016-03-24 | 2016-08-17 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9349055B1 (en) * | 2013-06-26 | 2016-05-24 | Google Inc. | Real-time image-based vehicle detection based on a multi-stage classification |
-
2017
- 2017-02-24 CN CN201710104060.1A patent/CN106874882B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593649A (zh) * | 2013-10-24 | 2014-02-19 | 惠州华阳通用电子有限公司 | 一种用于车道偏离预警的车道线检测方法 |
CN104537350A (zh) * | 2014-12-30 | 2015-04-22 | 国家电网公司 | 一种基于多维边缘特征的车牌定位方法 |
US9373036B1 (en) * | 2015-01-16 | 2016-06-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Collaborative distance metric learning for method and apparatus visual tracking |
CN104867130A (zh) * | 2015-04-21 | 2015-08-26 | 浙江工业大学 | 一种基于裂纹图像子区灰度均值的自适应分割方法 |
CN105869148A (zh) * | 2016-03-24 | 2016-08-17 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106874882A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN110766736B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
US9361672B2 (en) | Image blur detection | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN109584240B (zh) | 滑坡后缘裂缝位移图像识别方法 | |
AU2016101504A4 (en) | Method for edge detection | |
CN102521836A (zh) | 一种基于特定类灰度图像的边缘检测方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN106874882B (zh) | 路面病害边缘检测方法和装置 | |
JP2008286725A (ja) | 人物検出装置および方法 | |
CN103455994A (zh) | 图像模糊度的确定方法和设备 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN115018765A (zh) | 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法 | |
CN103822932B (zh) | 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 | |
CN105389793A (zh) | 一种自动识别物体表面裂缝走向及宽度的方法 | |
CN105787912A (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
WO2014066218A2 (en) | Cast recognition method and device, and urine analyzer | |
CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN108229244A (zh) | 一种智能车前方运动车辆的检测方法 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN107909555B (zh) | 一种保持锐度的网格噪声消除方法 | |
KR101372507B1 (ko) | 가변 블록 기반 역광 영역 검출을 이용한 영상 개선 장치 및 방법 | |
JP4467702B2 (ja) | 影変化領域判定装置、これを用いた画像判定装置および画像生成装置、並びにこれに用いられる影強度比演算装置 |
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 |