CN108197671A - 一种基于压缩特征表示的混凝土裂缝检测方法及装置 - Google Patents

一种基于压缩特征表示的混凝土裂缝检测方法及装置 Download PDF

Info

Publication number
CN108197671A
CN108197671A CN201810107584.0A CN201810107584A CN108197671A CN 108197671 A CN108197671 A CN 108197671A CN 201810107584 A CN201810107584 A CN 201810107584A CN 108197671 A CN108197671 A CN 108197671A
Authority
CN
China
Prior art keywords
matrix
compressive features
feature
detected
sparse projection
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.)
Pending
Application number
CN201810107584.0A
Other languages
English (en)
Inventor
王保宪
赵维刚
王哲
李义强
张广远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN201810107584.0A priority Critical patent/CN108197671A/zh
Publication of CN108197671A publication Critical patent/CN108197671A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Abstract

本发明适用于图像处理技术领域，提供了一种基于压缩特征表示的混凝土裂缝检测方法及装置，包括：获取待检测图像；对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种特征；将提取的特征合并为高维特征矩阵；对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，并对所述低维压缩特征矩阵进行检测；通过上述方法能够在提高计算效率的同时保证一定的裂缝检测精度。

Description

一种基于压缩特征表示的混凝土裂缝检测方法及装置
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于压缩特征表示的混凝土裂缝检测方法及装置。
背景技术
随着信息技术的飞速发展，检测混凝土表面健康状态成为土木工程走向信息智能化的热点研究方向之一。由于混凝土结构裂缝病害检测的巨大需求，基于图像分析的裂缝检测识别研究受到相关学者的广泛关注。
表面裂缝病害自动检测是确保工程结构正常运行的重要途径，但在实际检测中，存在复杂背景下利用简单的一种特征难以取得良好的检测效果，而采用多种不同特征组合构成的大量高维数据将导致后续检测效率低下的问题，所以传统方法难以兼顾较高的检测精度和检测效率。
发明内容
有鉴于此，本发明实施例提供了一种基于压缩特征表示的混凝土裂缝检测方法及装置，以解决现有技术中混凝土裂缝检测的检测精度与检测效率无法兼顾的问题。
本发明实施例的第一方面提供了一种基于压缩特征表示的混凝土裂缝检测方法，包括：
获取待检测图像；
对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种复杂特征；
将提取的特征合并为高维特征矩阵；
对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，对所述低维压缩特征矩阵进行检测，并根据检测结果生成所述待检测图像的二值图。
本发明实施例的第二方面提供了一种基于压缩特征表示的混凝土裂缝检测装置，包括：
获取单元，用于获取待检测图像；
分块单元，用于对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种特征；
生成单元，用于将提取的特征合并为高维特征矩阵；
检测单元，用于对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，对所述低维压缩特征矩阵进行检测，并根据检测结果生成所述待检测图像的二值图。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例通过获取待检测图像；对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种特征；将提取的特征合并为高维特征矩阵；对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，对所述低维压缩特征矩阵进行检测，并根据检测结果生成所述待检测图像的二值图；通过上述方法能够在提高计算效率的同时保证一定的裂缝检测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于压缩特征表示的混凝土裂缝检测方法的实现流程示意图；
图2是本发明实施例提供的基于压缩特征表示的混凝土裂缝检测方法中分类器的训练过程示意图；
图3是本发明实施例提供的基于压缩特征表示的混凝土裂缝检测方法的过程示意图；
图4是本发明实施例提供的基于压缩特征表示的混凝土裂缝检测装置的示意图；
图5是本发明实施例提供的终端设备的示意图；
图6是本发明实施例提供的基于高维特征输入与基于低维压缩特征输入的裂缝区域检测结果对比图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明实施例提供的基于压缩特征表示的混凝土裂缝检测方法的实现流程示意图，图2是本发明实施例提供的基于压缩特征表示的混凝土裂缝检测方法中分类器的训练过程示意图，图3是本发明实施例提供的基于压缩特征表示的混凝土裂缝检测方法的过程示意图；图1结合图2、图3，可以更直观、形象地了解本实施中混凝土裂缝图像的检测方法。
如图1所示，所述方法可以包括以下步骤：
步骤S101，获取待检测图像。
在实际应用中，待检测图像可以是通过图像采集设备采集的需要检测的混凝土图像。待检测图像中可能包含混凝土裂缝，也可能不包含混凝土裂缝，需要利用本发明实施例中的方法对其进行检测。图像采集设备包括照相机、摄像机，在此不做具体限定。
步骤S102，对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种特征。
在实际应用中，为了方便对待检测图像进行特征提取，需要对待检测图像进行分块处理。分块处理可以是将待检测图像的2D平面按照网格划分为Z个不重叠的图像块区域。需要说明的是，Z为大于1的任一整数，Z值的选择需要保证对待检测图像的划分足够细致、各图像块区域不重叠，换句话说，划分后的各个图像块区域拼接在一起恰好能够组成原待检测图像，且不存在重叠的部分。例如，将待检测图像分为75×75个图像块。
为了提高检测精度，通常需要利用多种图像特征，常用的图像特征包括：HOG(Histogram of Oriented Gradient,方向梯度直方图)特征、LBP(Local Binary Pattern,局部二值模式)特征、Haar-like特征。其中，HOG特征主要用来计算和统计方块图像区域像素的梯度或边缘方向直方图，被广泛应用于图像识别领域中，尤其在行人检测中获得了极大的成功，由于图像中的裂缝具有和行人检测类似的线状分布特点，可以被梯度或边缘的方向密度分布很好地描述，因此HOG特征是适用于混凝土裂缝区域检测的。同时，局部区域梯度的统计计算，可以很好地抑制光照不均匀产生的干扰，也是HOG特征应用在混凝土裂缝区域检测的一个重要原因；LBP特征通过比较方块区域中心像素与周边像素的大小关系，获得每个中心像素的二进制编码，由此获得图像区域的纹理特征谱；Haar-like特征主要由边缘、线性、中心和对角线等特征模板组成的特征向量构成，具有很强的内部结构判别能力，可以很清楚地描述裂缝像素区域的线状分布特性，因此也可以用于混凝土裂缝区域检测。需要说明的是，本发明中对所述图像块提取至少一种特征包括但不限于上述列出的各种特征，还可以包括其他图像特征，在此不做具体限定。
示例性的，对每个图像块分别提取三种特征：1、提取HOG特征，并将特征结果记为d1(d1为m1×1的向量)；2、提取LBP特征，并将特征结果记为d2(d2为m2×1的向量)；3、提取Haar-like特征，并将特征结果记为d3(d3为m3×1的向量)；共得到三个特征向量。
步骤S103，将提取的特征合并为高维特征矩阵。
示例性的，在步骤S102中共提取了三种特征，得到三个特征向量d1、d2、d3，将提取特征得到的特征向量通过堆栈方式获得高维特征矩阵，并将高维特征矩阵记为x，x＝(d1,d2,d3)T，即为(m1+m2+m3)×1的矩阵。
参见图3，图3是本发明实施例提供的基于压缩特征表示的混凝土裂缝检测方法的过程示意图，图中的特征流合并后生成高维特征矩阵，相当于将多种特征向量堆栈生成高维特征矩阵的过程。
步骤S104，对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，对所述低维压缩特征矩阵进行检测，并根据检测结果生成所述待检测图像的二值图。
可选的，所述对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵包括：
构造稀疏投影矩阵，所述稀疏投影矩阵符合Johnson-Lindenstrauss引理；
基于预设压缩公式，根据所述稀疏投影矩阵对所述高维特征矩阵进行压缩得到低维压缩特征矩阵。
其中，Johnson-Lindenstrauss引理的内容为：对于任意0<ζ<1与整数n，设d为正整数，且使得
则对于Rd中n个点的集合w，存在一个映射f：Rd→Rd’，使得对所有的u,v∈w:
(1-ζ)||u-v||2≤||f(u)-f(v)||2≤(1+ζ)||u-v||2
引理说明一个高维欧式空间可以被映射到一个维子空间上，使得数据点间的距离对于任意0<ζ<1能近似的保留(即偏差不超过(1+ζ)的因素)，而且这个映射可以在多项式内找到。
所以根据Johnson-Lindenstrauss引理，总可以将一个高维空间映射到一个较低维的空间，并且高维空间和映射后的低维空间之间能保持在一个可控的相似度要求。
进一步的，所述构造稀疏投影矩阵包括：
生成所述待构造的稀疏投影矩阵中的元素；
基于所述元素生成稀疏投影矩阵。
进一步的，所述生成所述待构造的稀疏投影矩阵中的元素包括：
式中，所述ri,j表示所述待构造的稀疏投影矩阵中的第i行、第j列的元素，所述s为所述待构造的稀疏投影矩阵的参数因子。
在实际应用中，需要构造一个稀疏投影矩阵R，首先需要根据上述公式生成R中的各个元素。优选的，当s＝3时，R满足Johnson-Lindenstrauss引理，且此时R是非常稀疏的，可以省去三分之二的计算量。既可以几乎完整地保持原始待检测图像的大量显著信息，也可以降低后续裂缝检测的计算负担。
进一步的，所述基于预设压缩公式，根据所述稀疏投影矩阵对所述高维特征矩阵进行压缩得到低维压缩特征矩阵包括：
v＝Rx
式中，所述v表示低维压缩特征矩阵，所述R表示稀疏投影矩阵，所述x表示高维特征矩阵。
在实际应用中，压缩过程相当于一个映射投影的过程，稀疏投影矩阵R的每一行代表对原始待检测图像投影一次，n行可以得到n个投影值。稀疏投影矩阵R为n×m维，其中，n远小于m，即根据稀疏投影矩阵R对高维特征矩阵x进行投影得到低维压缩特征矩阵v(如图3中的低维压缩矩阵)。
在实际应用中，对所述低维压缩特征矩阵进行检测，可以利用SVM(SupportVector Machine，支持向量机)分类器对低维压缩特征矩阵进行裂缝与非裂缝的二分类，即裂缝检测，并根据检测结果生成所述待检测图像的二值图。示例性的，根据检测结果对各个图像块进行二值图标记，并将标记后的图像块进行组合，生成相应的待检测图像的二值图。其中，根据检测结果对各个图像块进行二值图标记可以是将裂缝图像块标记为1，将非裂缝图像块标记为0。最终实现对混凝土裂缝的检测。需要说明的是，本实施例中利用SVM分类器对低维压缩特征矩阵进行分类只是一个示例，还可以利用其它分类器对低维压缩特征矩阵进行分类，在此并不对检测器(即分类器)做具体限定。
参见图2，图2是本发明实施例提供的基于压缩特征表示的混凝土裂缝图像的检测方法中分类器的训练过程示意图。
在实际应用中，为保证对裂缝图像检测的准确性，在对图片进行检测前需要先对分类器进行训练。如图2所示。
首先需要建立训练样本库。选取具有明显裂缝与非裂缝特征的多个图片进行分块处理，得到多个小图像块。将小图像块人工分为裂缝图像块与非裂缝图像块。并分别对裂缝图像块与非裂缝图像块进行多种复杂特征提取，并对提取的多种复杂特征进行合并生成高维特征矩阵(图片分块、特征提取以及复杂特征合并的步骤与图3中相应的步骤相同，此处不再赘述)。将裂缝图像块的标签置为1，将非裂缝图像块的标签置为-1。至此，对分类器训练的训练样本库建立完成。
其次根据建立的训练样本库对分类器进行训练。将训练样本库分为训练集与测试集，从训练样本库中提取训练集，训练集中裂缝图像块与非裂缝图像块的个数相同。对于训练过程，将训练集中的高维特征矩阵进行压缩处理得到低维压缩特征特征矩阵(压缩处理的步骤与图3中相应的步骤相同)，采用所述的低维压缩特征特征矩阵作为分类器的输入进行训练。
在对分类器进行训练之后，利用从训练样本库中提取的测试集，并基于测试集中各图像块的标签对分类器进行测试。如果分类器的参数达到预设精度和预设分类速度，则对分类器的训练结束，之后可利用训练好的分类器对待检测图像进行检测；如果分类器的参数未达到预设精度和预设分类速度，则继续对分类器进行训练。当然，还可以对分类器进行更新；向训练样本库中新增样本图像，再次训练分类器，以实现对分类器的更新。其中，新增样本图像可以是采集的最新的样本图像，也可以将一段时间内的所有待检测图像作为新增样本图像。
示例性的，参见图6，图6是本发明实施例提供的基于高维特征输入与基于低维压缩特征输入的裂缝区域检测结果对比图。如图所示，“人工标记图”是经过人工标记的混凝土裂缝区域。
运用LBP特征与HOG特征相结合的方法提取待检测图片的高维特征，高维特征的维度为5061。根据本发明实施例的方法，将高维特征进行压缩处理，映射为300维的低维压缩特征，再分别将高维特征和低维压缩特征输入SVM分类器进行检测，对应得到图6中的“高维特征检测结果”和“低维压缩特征检测结果”。对比可知，“高维特征检测结果”和“低维压缩特征检测结果”图片中展示的混凝土裂缝区域检测结果均与“人工标记图”中标记的混凝土裂缝区域一致。可见，利用低维压缩特征对混凝土图像进行裂缝检测可以达到较高的检测精度。
进一步的，将基于高维特征和基于低维压缩特征的混凝土裂缝检测模型的训练时间进行对比。参见表1，表1示出了在给定7000张训练样本(其中裂缝样本与非裂缝样本各3500张)下，基于高维特征与基于低维压缩特征的混凝土裂缝检测模型的训练时间(单位：秒)。通过表1可以看出，基于高维特征的混凝土裂缝检测模型的训练时间是基于低维压缩特征的混凝土裂缝检测模型的训练时间的十多倍。可见，利用低维压缩特征对混凝土裂缝检测模型进行训练可以大大减少训练时间，提高裂缝检测模型的计算效率。
结合本示例可知，利用本发明实施例的方法，在提高计算效率的同时，可以保证裂缝区域检测的准确率。
表1基于高维特征与基于低维压缩特征的裂缝检测模型的训练时间(单位秒s)
本发明实施例通过获取待检测图像；对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种特征；将提取的特征合并为高维特征矩阵；对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，并对所述低维压缩特征矩阵进行检测；本发明实施例在提高计算效率的同时保证一定的裂缝检测精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图4是本发明实施例提供的基于压缩特征表示的混凝土裂缝检测装置的示意图，为了便于说明，仅示出与本发明实施例相关的部分。
所述基于压缩特征表示的混凝土裂缝检测装置3包括：
获取单元41，用于获取待检测图像；
分块单元42，用于对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种特征；
生成单元43，用于将提取的特征合并为高维特征矩阵；
检测单元44，用于对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，对所述低维压缩特征矩阵进行检测，并根据检测结果生成所述待检测图像的二值图。
可选的，所述检测单元44包括：
构造子单元，用于构造稀疏投影矩阵，所述稀疏投影矩阵符合Johnson-Lindenstrauss引理；
压缩子单元，用于基于预设压缩公式，根据所述稀疏投影矩阵对所述高维特征矩阵进行压缩得到低维压缩特征矩阵。
进一步的，所述构造子单元包括：
第一生成模块，用于生成所述待构造的稀疏投影矩阵中的元素；
第二生成模块，用于基于所述元素生成稀疏投影矩阵。
进一步的，所述第一生成模块具体用于：
式中，所述ri,j表示所述待构造的稀疏投影矩阵中的第i行第j列的元素，所述s为所述待构造的稀疏投影矩阵的参数因子。
进一步的，所述压缩子单元具体用于：
v＝Rx
式中，所述v表示低维压缩特征矩阵，所述R表示稀疏投影矩阵，所述x表示高维特征矩阵。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5是本发明实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个基于压缩特征表示的混凝土裂缝检测方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块31至34的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如，所述计算机程序52可以被分割成获取单元、分块单元、生成单元、检测单元，各单元具体功能如下：
获取单元，用于获取待检测图像；
分块单元，用于对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种特征；
生成单元，用于将提取的特征合并为高维特征矩阵；
检测单元，用于对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，对所述低维压缩特征矩阵进行检测，并根据检测结果生成所述待检测图像的二值图。
可选的，所述检测单元包括：
构造子单元，用于构造稀疏投影矩阵，所述稀疏投影矩阵符合Johnson-Lindenstrauss引理；
压缩子单元，用于基于预设压缩公式，根据所述稀疏投影矩阵对所述高维特征矩阵进行压缩得到低维压缩特征矩阵。
进一步的，所述构造子单元包括：
第一生成模块，用于生成所述待构造的稀疏投影矩阵中的元素；
第二生成模块，用于基于所述元素生成稀疏投影矩阵。
进一步的，所述第一生成模块具体用于：
式中，所述ri,j表示所述待构造的稀疏投影矩阵中的第i行第j列的元素，所述s为所述待构造的稀疏投影矩阵的参数因子。
进一步的，所述压缩子单元具体用于：
v＝Rx
式中，所述v表示低维压缩特征矩阵，所述R表示稀疏投影矩阵，所述x表示高维特征矩阵。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于压缩特征表示的混凝土裂缝检测方法，其特征在于，包括：
获取待检测图像；
对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种特征；
将提取的特征合并为高维特征矩阵；
对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，对所述低维压缩特征矩阵进行检测，并根据检测结果生成所述待检测图像的二值图。
2.如权利要求1所述的基于压缩特征表示的混凝土裂缝检测方法，其特征在于，所述对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵包括：
构造稀疏投影矩阵，所述稀疏投影矩阵符合Johnson-Lindenstrauss引理；
基于预设压缩公式，根据所述稀疏投影矩阵对所述高维特征矩阵进行压缩得到低维压缩特征矩阵。
3.如权利要求2所述的基于压缩特征表示的混凝土裂缝检测方法，其特征在于，所述构造稀疏投影矩阵包括：
生成所述待构造的稀疏投影矩阵中的元素；
基于所述元素生成稀疏投影矩阵。
4.如权利要求3所述的基于压缩特征表示的混凝土裂缝检测方法，其特征在于，所述生成所述待构造的稀疏投影矩阵中的元素包括：
式中，所述ri,j表示所述待构造的稀疏投影矩阵中的第i行第j列的元素，所述s为所述待构造的稀疏投影矩阵的参数因子。
5.如权利要求4所述的基于压缩特征表示的混凝土裂缝检测方法，其特征在于，所述基于预设压缩公式，根据所述稀疏投影矩阵对所述高维特征矩阵进行压缩得到低维压缩特征矩阵包括：
v＝Rx
式中，所述v表示低维压缩特征矩阵，所述R表示稀疏投影矩阵，所述x表示高维特征矩阵。
6.一种基于压缩特征表示的混凝土裂缝检测装置，其特征在于，包括：
获取单元，用于获取待检测图像；
分块单元，用于对所述待检测图像进行分块处理得到至少一个图像块，并对所述图像块提取至少一种特征；
生成单元，用于将提取的特征合并为高维特征矩阵；
检测单元，用于对所述高维特征矩阵进行压缩处理得到低维压缩特征矩阵，对所述低维压缩特征矩阵进行检测，并根据检测结果生成所述待检测图像的二值图。
7.如权利要求6所述的基于压缩特征表示的混凝土裂缝检测装置，其特征在于，所述检测单元包括：
构造子单元，用于构造稀疏投影矩阵，所述稀疏投影矩阵符合Johnson-Lindenstrauss引理；
压缩子单元，用于基于预设压缩公式，根据所述稀疏投影矩阵对所述高维特征矩阵进行压缩得到低维压缩特征矩阵。
8.如权利要求7所述的基于压缩特征表示的混凝土裂缝检测装置，其特征在于，所述构造子单元包括：
第一生成模块，用于生成所述待构造的稀疏投影矩阵中的元素；
第二生成模块，用于基于所述元素生成稀疏投影矩阵。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201810107584.0A 2018-02-02 2018-02-02 一种基于压缩特征表示的混凝土裂缝检测方法及装置 Pending CN108197671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810107584.0A CN108197671A (zh) 2018-02-02 2018-02-02 一种基于压缩特征表示的混凝土裂缝检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810107584.0A CN108197671A (zh) 2018-02-02 2018-02-02 一种基于压缩特征表示的混凝土裂缝检测方法及装置

Publications (1)

Publication Number Publication Date
CN108197671A true CN108197671A (zh) 2018-06-22

Family

ID=62592275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810107584.0A Pending CN108197671A (zh) 2018-02-02 2018-02-02 一种基于压缩特征表示的混凝土裂缝检测方法及装置

Country Status (1)

Country Link
CN (1) CN108197671A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276756A (zh) * 2019-06-25 2019-09-24 百度在线网络技术（北京）有限公司 路面裂缝检测方法、装置及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609716A (zh) * 2012-01-10 2012-07-25 银江股份有限公司 一种基于改进的hog特征和pca的行人检测方法
CN104361352A (zh) * 2014-11-13 2015-02-18 东北林业大学 基于压缩感知的实木板材缺陷分选方法
CN105590093A (zh) * 2015-12-11 2016-05-18 桂林电子科技大学 基于稀疏表示的地下隐藏裂缝填充物识别方法
CN106228565A (zh) * 2016-08-02 2016-12-14 电子科技大学 一种基于x射线图像的输油管道焊缝缺陷检测方法
CN106682582A (zh) * 2016-11-30 2017-05-17 吴怀宇 一种基于压缩感知外观模型的人脸跟踪方法及系统
CN106709935A (zh) * 2016-11-25 2017-05-24 厦门中控生物识别信息技术有限公司 目标实时跟踪方法及装置
CN107169953A (zh) * 2017-04-07 2017-09-15 西安电子科技大学 基于hog特征的桥梁混凝土表面裂缝检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609716A (zh) * 2012-01-10 2012-07-25 银江股份有限公司 一种基于改进的hog特征和pca的行人检测方法
CN104361352A (zh) * 2014-11-13 2015-02-18 东北林业大学 基于压缩感知的实木板材缺陷分选方法
CN105590093A (zh) * 2015-12-11 2016-05-18 桂林电子科技大学 基于稀疏表示的地下隐藏裂缝填充物识别方法
CN106228565A (zh) * 2016-08-02 2016-12-14 电子科技大学 一种基于x射线图像的输油管道焊缝缺陷检测方法
CN106709935A (zh) * 2016-11-25 2017-05-24 厦门中控生物识别信息技术有限公司 目标实时跟踪方法及装置
CN106682582A (zh) * 2016-11-30 2017-05-17 吴怀宇 一种基于压缩感知外观模型的人脸跟踪方法及系统
CN107169953A (zh) * 2017-04-07 2017-09-15 西安电子科技大学 基于hog特征的桥梁混凝土表面裂缝检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
苏松志 等著: "《行人检测：理论与实践》", 31 March 2016, 厦门大学出版社 *
赵池航等: "《交通信息感知理论与方法》", 30 September 2014, 东南大学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276756A (zh) * 2019-06-25 2019-09-24 百度在线网络技术（北京）有限公司 路面裂缝检测方法、装置及设备

Similar Documents

Publication Publication Date Title
Papazov et al. An efficient ransac for 3d object recognition in noisy and occluded scenes
Lézoray et al. Image processing and analysis with graphs
Bariya et al. Scale-hierarchical 3d object recognition in cluttered scenes
JP6050223B2 (ja) 画像認識装置、画像認識方法、及び集積回路
CN105809651B (zh) 基于边缘非相似性对比的图像显著性检测方法
JP2019076699A (ja) 偽陽性低減での小結節検出
KR101618996B1 (ko) 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치
Biasotti et al. SHREC’14 track: Retrieval and classification on textured 3D models
Liu Stbi-yolo: A real-time object detection method for lung nodule recognition
CN106295498A (zh) 光学遥感图像目标区域检测装置与方法
Xu et al. Mammographic mass segmentation using multichannel and multiscale fully convolutional networks
Hörst et al. Cellvit: Vision transformers for precise cell segmentation and classification
AlEisa et al. Breast cancer classification using FCN and beta wavelet autoencoder
Ares Oliveira et al. Machine Vision algorithms on cadaster plans
Pierce et al. Reducing annotation times: Semantic segmentation of coral reef survey images
CN108197671A (zh) 一种基于压缩特征表示的混凝土裂缝检测方法及装置
CN112241736A (zh) 一种文本检测的方法及装置
Vaiyapuri et al. Ensemble Learning Driven Computer-Aided Diagnosis Model for Brain Tumor Classification on Magnetic Resonance Imaging
Liang et al. Sketch-based retrieval using content-aware hashing
Scarpa et al. A hierarchical finite-state model for texture segmentation
Song et al. Unsupervised Bayesian image segmentation using wavelet-domain hidden Markov models
Singh et al. Use of machine learning in the area of image analysis and processing
Wang et al. 3D Reconstruction of Piecewise Planar Models from Multiple Views Utilizing Coplanar and Region Constraints.
Maithil et al. Semantic Segmentation of Urban Area Satellite Imagery Using DensePlusU-Net
Oruganti et al. Best Fit Polygonal Approximation for Multiple ROI Estimation

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Baoxian

Inventor after: Li Yiqiang

Inventor after: Zhao Weigang

Inventor after: Wang Zhe

Inventor after: Zhang Guangyuan

Inventor before: Wang Baoxian

Inventor before: Zhao Weigang

Inventor before: Wang Zhe

Inventor before: Li Yiqiang

Inventor before: Zhang Guangyuan

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180622