CN108460744B - 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 - Google Patents
一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 Download PDFInfo
- Publication number
- CN108460744B CN108460744B CN201810234295.7A CN201810234295A CN108460744B CN 108460744 B CN108460744 B CN 108460744B CN 201810234295 A CN201810234295 A CN 201810234295A CN 108460744 B CN108460744 B CN 108460744B
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- follows
- cement
- pavement
- 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
- 239000004568 cement Substances 0.000 title claims abstract description 53
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 230000009467 reduction Effects 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 112
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000003706 image smoothing Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000013519 translation Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明针对水泥刻槽路面裂缝识别过程中由外部因素导致路面对比度过低、由路面材质引起路面斑点以及刻槽自身干扰，公开了一种水泥刻槽路面图像降噪增强与裂缝特征提取方法，包括以下步骤：对原始水泥路面图像灰度化处理后采用改进的局部自适应对比度增强算法增强图像对比度；对增强对比度后的图像采用改进P‑M模型的平移不变Shearlet变换去噪算法去除由路面材质引起的斑点噪声；对去噪后的图像应用基于单向全变分UTV模型建立的水泥刻槽路面图像平滑模型去除影响裂缝特征提取的路面刻槽；结合连通域标记法、投影法和矩形框法，提出裂缝类型判定方法及裂缝特征计算方法，实现裂缝特征的数字化描述。本发明方法系统全面、计算量小、易于应用。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种水泥刻槽路面图像降噪增强与裂缝特征提取方法。
背景技术
一直以来，公路交通与我们的生活息息相关，它不仅保障了我们正常的工作、学习，同时也为各类出行提供了方便，极大的推进了社会的发展。截至2017年7月，我国高速公路通车里程达13.1万公里，但随着公路总里程数目的增长，路面防护工作变得愈来愈重要。早期建设的公路，由于持续受到来自自然环境及车辆负载等因素的影响，不可避免地会受到损伤，因此，为避免损伤扩大化，及时制定出相应的路面防护策略显得尤为重要。
道路破损程度作为公路健康状况的重要指标，其中最常见的破损类型是路面裂缝，及时检测出路面裂缝并加以修补是进行路面防护的一项重要工作。水泥混凝土路面作为公路路面的一种抗滑构造，其通过添加刻槽增大道路表面的摩擦系数。刻槽的存在虽然极大地降低了交通意外的发生，但与此同时也对路面裂缝的检测工作造成了诸多不便。早期因路面检测技术未臻完善，普遍使用人工方法进行检测。在交通量较小的公路，可采用人工手段进行检测，但是在车辆来往频繁的公路采用此方法则会引起交通堵塞。此外，加之人的主观意识，人工检测的质量很难得到保证，为此，还需耗费一定的人力物力对检测人员进行道路健康状况相关知识的专业培训。
自进入20世纪以来，随着计算机技术的飞速发展，计算机图形图像处理技术、人工智能以及各种存储技术等在路面裂缝检测方面得到了普遍应用。因此，研究水泥刻槽路面裂缝检测方法，快速统计路面病害，将大大加快路面防护自动化技术的进步，同时对公路管理部门制定科学养护决策也具有重大意义。
现阶段裂缝提取方法在整个裂缝的检测工作中或多或少都会存在以下问题，如在图像对比度增强方面：部分方法采用传统的局部自适应对比度增强算法虽然能够使图像的细节信息更加突出，但并未解决图像亮度不均带来的裂缝识别精度偏低问题；在干扰噪声的去除方面：部分方法采用平移不变Shearlet变换去噪方法虽然能在一定程度上解决伪Gibbs效应带来的图像边缘模糊问题，但是对低信噪比路面图像仍然无法完整的保留图像中裂缝的边缘信息；在路面刻槽的去除方面：霍夫变换只能去除部分裂缝干扰，且会去除裂缝中的横向片段；快速傅里叶变换在弱化刻槽边缘的同时也弱或了裂缝的边缘信息，使结果图像产生模糊现象。
对此，本发明方法针对水泥刻槽路面裂缝识别过程中由外部因素导致路面对比度过低、由路面材质引起路面斑点以及刻槽自身干扰，提出了一种解决方案。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种水泥刻槽路面图像降噪增强与裂缝特征提取方法。
本发明解决其技术问题所采用的技术方案是：一种水泥刻槽路面图像降噪增强与裂缝特征提取方法，包括以下步骤：
步骤S100，对原始水泥路面图像进行灰度化处理，然后采用改进的局部自适应对比度增强算法处理灰度化后的图像，以增强图像对比度；
步骤S200，对增强对比度后的图像采用平移不变Shearlet变换，针对其中的高频子带应用改良后的P-M扩散模型进行处理，对低频子带采用双边滤波进行处理；
步骤S300，应用基于单向全变分UTV模型建立的水泥刻槽路面图像平滑模型，对步骤 S200得到的图像进行处理，获得去除刻槽后的路面图像；
步骤S400，采用形态学滤波对去除刻槽后的路面二值化图像进行后处理；
步骤S500，结合连通域标记法、投影法和矩形框法，完成裂缝长度、宽度、倾角、面积的提取。
进一步的，步骤S100所述采用改进的局部自适应对比度增强算法处理灰度化后的图像的实现方式如下，
设图像大小为M×N，滑动窗口的大小为m×n，起始坐标为(x0,y0)，(i,j)为相应像素点位置，f(i,j)是灰度图像(i,j)处的灰度值，favg为全局均值，wavg为滑动窗口内的局部均值，δf为全局标准差，δw为滑动窗口内的局部标准差，则有：
若滑动窗口内局部均值低于全局均值，则增大窗口内像素点的灰度值；若滑动窗口内局部标准差低于全局标准差，则增强图像对比度。其处理过程可表示为：
其中：f”为处理后的图像；(i,j)为相应像素点位置；f(i,j)是灰度图像(i,j)处的灰度值； wavg为滑动窗口内的局部均值；favg为全局均值；σw为滑动窗口内的局部标准差；δf为全局标准差；η,λ,λ1,λ2,λ3均为常数。
进一步的，步骤S200对高频子带应用改良后的P-M扩散模型进行处理的实现方式如下，
记高频子带图像的SIST系数为ci,j，i和j分别代表尺度和方向，高频子带图像的方向局部化过程可表示为：
其中：ψi,j(x)为剪切波函数，其公式如下：
ψi,j(x)＝a-3/4ψ(E-1F-1(x-m))
其中，a∈R+表示尺度参数；E＝(a,0；0,a12)为各项异性膨胀矩阵；m∈R2表示平移参数； F＝(1,s；0,1)为剪切波矩阵，s∈R表示剪切波参数；
改进的SIST域的P-M去噪模型如下所示：
其中：f0(x)为输入源图像；▽f为图像梯度算子，用于检测图像边缘信息；DIV为散度算子；t为时间算子；G(·)为扩散方程系数，其与图像梯度成反比关系，用于避免因梯度变化过大带来的“阶梯效应”，保护图像边缘信息，其公式如下：
其中：λ为常数；η为扩散门限，用于区别噪声和边缘；k为图像梯度阈值。
进一步的，步骤S300所述水泥刻槽路面图像平滑模型的表达式如下，
在UTV模型的基础上引入保真项和稀疏优化项，其能量泛函表示如下：
其中：f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；
为图像梯度算子，
分别是x方向和y方向的梯度算子，用于检测图像边缘信息； ||·||2、||·||1和||·||0分别代表向量L2范数、L1范数和L0范数；λ1,λ2,λ3为正则化参数，λ1,λ2为单向全变分UTV模型参数，λ1的取值范围为[0.1,1]，λ2取1，λ3为惩罚系数，取值范围为 [0.001,0.01]；
为重建约束项或保真项，用于避免“阶梯效应”，保证平滑处理后的图像不失真；λ3||Ωg||0为惩罚项或稀疏优化项，用于保证处理后的图像不再包含残留噪声，Ω代表图像变换域转换方式；
针对上述能量泛函具有不可微和不可分离性，采用ADMM算法对其进行优化，能量泛函的增广拉格朗日函数可表示如下：
其中：A,B,C为引入的辅助变量，其表达式为
f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；
为图像梯度算子，
分别是x方向和y方向的梯度算子，用于检测图像边缘信息；||·||2、||·||1和||·||0分别代表向量L2范数、L1范数和L0范数；p1,p2,p3为拉格朗日乘子；λ1,λ2,λ3为正则化参数，λ1的取值范围为[0.1,1]，λ2取1，λ3的取值范围为[0.001,0.01]；ρ1,ρ2,ρ3为惩罚系数，用于计算每一步的拉格朗日乘子，其值为ρ1＝ρ2＝ρ3＝100λ1；Ω代表图像变换域转换方式。
进一步的，A,B,C,g的求解更新方式如下，
因A,B,C,g互不耦合，故可将ADMM的每次迭代过程转换为下式4个简单子问题的求解，每个子问题的参数以一种交替有序的方式进行更新：
(1)A相关子问题：即L1范数优化问题，使用软阈值收缩算子求解，其迭代公式如下所示：
其中：k表示迭代次数，为正整数；S1为软阈值函数，其表达式如下所示：
其中：T为预先选定的阈值；
(2)B相关子问题：与A相关子问题求解过程相同，其迭代公式为：
其中：k表示迭代次数，为正整数，S1为软阈值函数；
(3)C相关子问题：即L0惩罚项优化问题，使用硬阈值算法求解，其迭代公式如下：
其中：k表示迭代次数，为正整数；S0为硬阈值函数，其表达式如下所示：
其中：T为预先选定的阈值；
(4)g相关子问题：即二次最小化问题，其迭代公式如下，可使用快速傅里叶变换FFT 求解：
其中：k表示迭代次数，为正整数；
上述(1)～(4)求解过程中的每一步拉格朗日算子可使用下式迭代求解：
其中：k表示迭代次数，为正整数。
进一步的，步骤S400中对去除刻槽后的路面二值化图像先进行开运算，然后对开运算后的结果进行闭运算完成后处理。
进一步的，步骤S500的具体实现方式为，首先采用连通域标记算法统计步骤S400处理后的二值图像中连通域的个数，并据此判断裂缝是网状还是线状；其次，采用投影法判断线性裂缝的方向，对于无法判定方向的线性裂缝采用矩形框法进行二次判定；最后基于矩形框法完成裂缝长度、宽度、倾角、面积信息的提取。
进一步的，基于矩形框法完成裂缝长度、宽度、倾角、面积信息的提取，具体实现方式如下，
(1)线性裂缝长度计算：设利用矩形框法得到的裂缝外接矩形的边长分别为x和y，则裂缝的实际长度可由下式计算：
其中：L表示裂缝的实际长度；α为裂缝图像中单个像素的长度所对应的路面裂缝的实际长度，单位为mm；
(2)线性裂缝宽度计算：利用裂缝外接矩形内裂缝的像素总数进行计算，其公式如下：
其中：W表示裂缝的实际宽度；α为裂缝图像中单个像素的长度所对应的路面裂缝的实际长度，单位为mm；T1为裂缝外接矩形内裂缝的像素总数；L为裂缝的实际长度；
(3)斜向裂缝倾角计算：根据裂缝外接矩形的两条边进行估算，设斜向裂缝的倾角为θ，则π/6≤θ≤π/3，且
故：斜向裂缝倾角的计算公式如下：
其中：x、y表示裂缝外接矩形的边长；
(4)网状裂缝面积计算：在裂缝外接矩形的基础上采用滑动窗口的方式计算网状裂缝的面积。设窗口的大小为n×n，图像大小为M×N，以滑动窗口的边长为步长对裂缝外接矩形内的子图像进行扫描，并规定：滑动窗口扫描到裂缝称为命中，命中次数用λ表示；对于滑动窗口，若窗口内像素值为0的个数超过一半，则认为该滑动窗口命中裂缝，λ增加1，最后依据命中次数计算网状裂缝的面积S，计算公式如下：
S＝λα2n2
其中：α为裂缝图像中单个像素的长度所对应的路面裂缝的实际长度，单位为mm。
进一步的，步骤S100中采用加权均值法取原始水泥图像像素点R,G,B三个颜色分量的均值作为灰度值，其公式如下：
其中：gray表示加权均值法得到的灰度值；R,G,B为原始水泥图像像素点的三种颜色分量；ω1,ω2,ω3为加权系数。
本发明具有以下主要优点：
本发明方法采用改进的局部自适应对比度增强算法，解决了因图像亮度不均、对比度低带来的裂缝识别精度偏低问题；采用改进P-M模型的平移不变Shearlet变换去噪算法，最大程度保留了图像边缘信息，提高了图像清晰度，减小了图像失真；基于UTV模型提出了一种用于消除刻槽的路面图像平滑算法，不仅将刻槽完整的从图像中去除，而且尽可能清晰地保留了裂缝的边缘信息；采用形态学滤波对去除刻槽后的路面二值化图像进行了后处理，去除了残留的少量孤立噪声点和孤立片段，剔除了裂缝边缘毛刺，修复了断裂的裂缝，填补了缝空洞；提出了一种新的裂缝类型判定方法及裂缝特征计算方法，实现了裂缝特征的数字化描述。此外，本发明方法系统全面、计算量小、易于应用。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的操作流程图；
图2是传统对比度增强方法与本发明实施例方法处理结果对比图，其中，图2的(a)是本发明实施例采用的第一图像未处理原始路面灰度图像；图2的 (b)是采用灰度拉伸法处理第一图像后的图像；图2的 (c)是采用直方图均衡法处理第一图像后的图像；图2的(d)是采用经典局部自适应对比度增强算法处理第一图像后的图像；图2的 (e)是采用本发明方法改进的局部自适应对比度增强算法处理第一图像后的图像；
图3是传统去噪方法与本发明实施例方法处理结果对比图，其中，图3的 (a)是采用本发明方法改进的局部自适应对比度增强算法处理第一图像后的图像；图3的 (b)是采用Shearlet软阈值法处理图3的 (a)后的图像；图3的 (c)是采用二维连续小波变换法处理图3的 (a)后的图像；图3(d)是采用传统P-M扩散去噪算法处理图3的 (a)后的图像；图3的(e)是采用本发明方法改进P-M模型的SIST去噪算法处理图3的 (a)后的图像；
图4是传统刻槽去除方法与本发明实施例方法处理结果对比图，其中，图4的 (a)是采用霍夫变换刻槽去除法处理图3的 (e)后的二值图像；图4的 (b)是采用快速傅里叶变换刻槽去除法处理图3的 (e)后的二值图像；图4的 (c)是采用陷波滤波刻槽去除法处理图3的 (e)后的二值图像；图4的 (d)是采用本发明方法水泥刻槽路面图像平滑算法处理图3的 (e)后的二值图像；
图5是本发明实施例后处理之后的图像，其中，图5的 (a)是采用本发明方法水泥刻槽路面图像平滑算法处理图3的 (e)后的二值图像；图5的 (b)是采用开运算处理图5的(a)后的二值图像；图5的 (c)是采用闭运算处理图5的 (a)后的二值图像。
图6是利用矩形框法得到的裂缝外接矩形框图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，一种水泥刻槽路面图像降噪增强与裂缝特征提取方法，包括以下步骤：
步骤S100、对原始水泥路面图像灰度化处理后，采用改进的局部自适应对比度增强算法，解决因图像亮度不均、对比度低带来的裂缝识别精度偏低问题。
本实施例中首先需要对原始水泥图像灰度化处理，即采用加权均值法取原始水泥图像像素点R,G,B三个颜色分量的均值作为灰度值，其公式如下：
其中：gray表示加权均值法得到的灰度值；R,G,B为原始水泥图像像素点的三种颜色分量；ω1,ω2,ω3为加权系数。本发明取gray＝0.2989R+0.5870G+0.1140B；
其次，沿用经典局部自适应对比度增强算法借助滑动窗口的方式，改变窗口内子图像的处理方式，达到增强图像细节的同时均匀化图像亮度：
设图像大小为M×N，滑动窗口的大小为m×n，起始坐标为(x0,y0)，(i,j)为相应像素点位置，f(i,j)是灰度图像(i,j)处的灰度值，favg为全局均值，wavg为滑动窗口内的局部均值，δf为全局标准差，δw为滑动窗口内的局部标准差，则有：
若滑动窗口内局部均值低于全局均值，则增大窗口内像素点的灰度值；若滑动窗口内局部标准差低于全局标准差，则增强图像对比度。其处理过程可表示为：
其中：f”为处理后的图像；(i,j)为相应像素点位置；wavg为滑动窗口内的局部均值；favg为全局均值；σw为滑动窗口内的局部标准差；δf为全局标准差；η,λ,λ1,λ2,λ3均为常数。λ的取值与经典局部自适应对比度增强算法的取值区间[1,2]相同；η,λ1,λ2,λ3的取值应按实际需要依据均值和标准差的局部与全局对比得到，且λ1,λ2均小于1，η,λ,λ3均大于1；引入λ2δf的目的是为了避免对局部标准差为零的平滑区域进行增强。
步骤S200、对增强对比度后的图像采用平移不变Shearlet变换(SIST)，并针对其中的高频子带应用改良后的P-M扩散模型进行处理，对低频子带采用双边滤波进行处理，最大程度保留图像边缘信息，提高图像清晰度，减小图像失真：
记高频子带图像f(x)的SIST系数为ci,j，i和j分别代表尺度和方向，高频子带图像的方向局部化过程可表示为：
其中：ψi,j(x)为剪切波函数，其公式如下：
ψi,j(x)＝a-3/4ψ(E-1F-1(x-m))
其中，a∈R+表示尺度参数；E＝(a,0；0,a1/2)为各项异性膨胀矩阵；m∈R2表示平移参数； F＝(1,s；0,1)为剪切波矩阵，s∈R表示剪切波参数。
改进的SIST域的P-M去噪模型如下所示：
其中：f0(x)为输入源图像；▽f为图像梯度算子，用于检测图像边缘信息；DIV为散度算子；t为时间算子；G(·)为本发明改进的扩散方程系数，其与图像梯度成反比关系，用于避免因梯度变化过大带来的“阶梯效应”，保护图像边缘信息，其公式如下：
其中：λ为常数，取0.5；η为扩散门限，用于区别噪声和边缘，取19；k为图像梯度阈值，取58.93。
步骤S300、对去噪后的图像应用基于单向全变分UTV模型建立的水泥刻槽路面图像平滑模型去除影响裂缝特征提取的路面刻槽类干扰，尽可能清晰地保留裂缝边缘信息。
本实施例中为了避免经典变分去噪后产生“阶梯效应”导致图像失真，同时为了去除路面图像中残留的孤立噪声点，在UTV模型的基础上引入了保真项和稀疏优化项，建立了一种用于消除刻槽的水泥刻槽路面图像平滑模型，其能量泛函表示如下：
其中：f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；▽为图像梯度算子，
分别是x方向和y方向的梯度算子，用于检测图像边缘信息； ||·||2、||·||1和||·||0分别代表向量L2范数、L1范数和L0范数；λ1,λ2,λ3为正则化参数，λ1,λ2为单向全变分UTV模型参数，λ1的取值范围为[0.1,1]，λ2取1，λ3为惩罚系数，取值范围为[0.001,0.01]；
为重建约束项或保真项，用于避免“阶梯效应”，保证平滑处理后的图像不失真；λ3||Ωg||0为惩罚项或稀疏优化项，用于保证处理后的图像不再包含残留噪声，Ω代表图像变换域转换方式，本发明采用曲波变换。
针对上述能量泛函具有不可微和不可分离性，在此采用ADMM算法对其进行优化，能量泛函的增广拉格朗日函数可表示如下：
其中：f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；
为图像梯度算子，
分别是x方向和y方向的梯度算子，用于检测图像边缘信息； ||·||2、||·||1和||·||0分别代表向量L2范数、L1范数和L0范数；p1,p2,p3为拉格朗日乘子；λ1,λ2,λ3为正则化参数，λ1的取值范围为[0.1,1]，λ2取1，λ3的取值范围为[0.001,0.01]；ρ1,ρ2,ρ3为惩罚系数，用于计算每一步的拉格朗日乘子，其值为ρ1＝ρ2＝ρ3＝100λ1；Ω代表图像变换域转换方式，本发明采用曲波变换；A,B,C均为引入的辅助变量，其计算公式如下：
其中：f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；
为图像梯度算子，
分别是x方向和y方向的梯度算子，用于检测图像边缘信息；Ω代表图像变换域转换方式，本发明采用曲波变换。
因A,B,C,g互不耦合，故将ADMM的每次迭代过程转换为下式4个简单子问题的求解，每个子问题的参数将以一种交替有序的方式进行更新：
其中：f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；
为图像梯度算子，
分别是x方向和y方向的梯度算子，用于检测图像边缘信息； ||·||2、||·||1和||·||0分别代表向量L2范数、L1范数和L0范数；p1,p2,p3为拉格朗日乘子；λ1,λ2,λ3为正则化参数，λ1的取值范围为[0.1,1]，λ2取1，λ3的取值范围为[0.001,0.01]；ρ1,ρ2,ρ3为惩罚系数，用于计算每一步的拉格朗日乘子，其值为ρ1＝ρ2＝ρ3＝100λ1；Ω代表图像变换域转换方式，本发明采用曲波变换；A,B,C均为引入的辅助变量。
每个子问题的求解过程阐述如下：
(1)A相关子问题：即L1范数优化问题，可使用软阈值收缩算子求解，其迭代公式如下所示：
其中：k表示迭代次数，为正整数；g表示经过步骤S200去噪处理后得到的图像；▽为图像梯度算子，▽y是y方向上的梯度算子，用于检测图像边缘信息；λ1为正则化参数，其取值范围为[0.1,1]；p1为拉格朗日乘子；ρ1为惩罚系数，用于计算每一步的拉格朗日乘子，其值为ρ1＝100λ1；S1为软阈值函数，其表达式如下所示：
其中：T为预先选定的阈值。
(2)B相关子问题：与A相关子问题求解过程相同，其迭代公式为：
其中：k表示迭代次数，为正整数；f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；▽为图像梯度算子，
是x方向上的梯度算子，用于检测图像边缘信息；λ2为正则化参数，其值取1；p2为拉格朗日乘子；ρ2为惩罚系数，用于计算每一步的拉格朗日乘子，其值为ρ2＝100λ1，λ1为正则化参数，其取值范围为[0.1,1]；S1为软阈值函数。
(3)C相关子问题：即L0惩罚项优化问题，可使用硬阈值算法求解，其迭代公式如下：
其中：k表示迭代次数，为正整数；g表示经过步骤S200去噪处理后得到的图像；Ω代表图像变换域转换方式，本发明采用曲波变换；λ3为正则化参数，其取值范围为[0.001,0.01]； p3为拉格朗日乘子；ρ3为惩罚系数，用于计算每一步的拉格朗日乘子，其值为ρ3＝100λ1，λ1为正则化参数，其取值范围为[0.1,1]；S0为硬阈值函数，其表达式如下所示：
其中：T为预先选定的阈值。
(4)g相关子问题：即二次最小化问题，其迭代公式如下，可使用快速傅里叶变换FFT 求解：
其中：k表示迭代次数，为正整数；f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；▽为图像梯度算子，▽x，▽y分别是x方向和y方向的梯度算子，用于检测图像边缘信息；p1,p2,p3为拉格朗日乘子；ρ1,ρ2,ρ3为惩罚系数，用于计算每一步的拉格朗日乘子，其值为ρ1＝ρ2＝ρ3＝100λ1，λ1为正则化参数，其取值范围为[0.1,1]。
上述(1)～(4)求解过程中的每一步拉格朗日算子可使用下式迭代求解：
其中：k表示迭代次数，为正整数；f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；▽为图像梯度算子，
分别是x方向和y方向的梯度算子，用于检测图像边缘信息；ρ1,ρ2,ρ3为惩罚系数，用于计算每一步的拉格朗日乘子，其值为ρ1＝ρ2＝ρ3＝100λ1，λ1为正则化参数，其取值范围为[0.1,1]。
本实施例中路面图像平滑模型的优化步骤是一个迭代处理过程，故以每一步去除的干扰 ||(f-gk)-(f-gk-1)||与当前残留干扰||(f-gk)||的比值
作为迭代处理的终止条件，当
低于 10-4时停止迭代，其中k为正整数。其优化过程可用下述算法描述：
步骤S400、采用形态学滤波对去除刻槽后的路面二值化图像进行后处理，去除残留的少量孤立噪声点和孤立片段，剔除裂缝边缘毛刺，修复断裂的裂缝，填补缝空洞。
本实施例中首先对路面二值化图像进行图像腐蚀处理，处理过程表示如下：
其中：F代表目标图像；Θ表示与操作，W代表结构元素图像，本发明采用矩形化的结构元素；x代表W的平移距离；
然后，对处理后的二值图像进行图像膨胀处理，处理过程表示如下：
其中：F代表目标图像；
表示或操作，W代表结构元素图像，在此采用矩形化的结构元素；x代表W的平移距离；Φ为空集符号。
图像先经过腐蚀然后膨胀的过程称为开运算，反之则称为闭运算。为了完成二值图像的后处理，本实施例先进行开运算，然后对开运算后的结果进行闭运算，其处理过程表示如下：
其中：F代表目标图像；W代表结构元素图像，在此采用矩形化的结构元素。
步骤S500、提出一种新的裂缝类型判定方法及裂缝特征计算方法，实现裂缝特征的数字化描述，其具体做法为：首先采用连通域标记算法统计步骤S400处理后的二值图像中连通域的个数，并据此判断裂缝是网状还是线状；其次，采用投影法判断线性裂缝的方向，对于无法判定方向的线性裂缝采用矩形框法进行二次判定；最后基于矩形框法完成裂缝长度、宽度、倾角、面积等数字化信息的提取。(1)线性裂缝长度计算：设利用矩形框法得到的裂缝外接矩形的边长分别为x和y，则裂缝的实际长度可由下式计算：
其中：L表示裂缝的实际长度；α为裂缝图像中单个像素的长度所对应的路面裂缝的实际长度，单位为mm。
(2)线性裂缝宽度计算：利用裂缝外接矩形内裂缝的像素总数进行计算，其公式如下：
其中：W表示裂缝的实际宽度；α为裂缝图像中单个像素的长度所对应的路面裂缝的实际长度，单位为mm；T1为裂缝外接矩形内裂缝的像素总数；L为裂缝的实际长度。
(3)斜向裂缝倾角计算：根据裂缝外接矩形的两条边进行估算，设斜向裂缝的倾角为θ，则π/6≤θ≤π/3，且
故：斜向裂缝倾角的计算公式如下：
其中：x、y表示裂缝外接矩形的边长。
(4)网状裂缝面积计算：在裂缝外接矩形的基础上采用滑动窗口的方式计算网状裂缝的面积。设窗口的大小为n×n，图像大小为M×N，以滑动窗口的边长为步长对裂缝外接矩形内的子图像进行扫描，并规定：滑动窗口扫描到裂缝称为命中，命中次数用λ表示。对于滑动窗口，若窗口内像素值为0的个数超过一半，则认为该滑动窗口命中裂缝，λ增加1，最后依据命中次数计算网状裂缝的面积S，计算公式如下：
S＝λα2n2
其中：α为裂缝图像中单个像素的长度所对应的路面裂缝的实际长度，单位为mm。
对于滑动窗口的边长n需要满足如下条件：
1)n＜2W，其中W表示裂缝的实际宽度；
2)n不能被M和N整除；
3)n的取值不应当过小。
上述过程即为一种水泥刻槽路面图像降噪增强与裂缝特征提取方法的整体技术方案，随后进行实验测试。
步骤S100的实验结果如下：图2的 (a)是未处理的原始路面灰度图像。图2的 (b)是灰度拉伸后的图像。图2的 (c)是直方图均衡化后的图像。图2的 (d)是经典局部自适应对比度增强处理后的图像。图2的 (e)是采用本发明方法改进的局部自适应对比度增强算法处理后的图像。从图2可以看出，灰度拉伸法虽然对比增强效果较为明显，但同时也加剧了图像亮度不均的程度；直方图均衡法与灰度拉伸法相比，解决了亮度不均的问题，但对比度较低；局部自适应对比度增强算法处理后的图像对比度得到了明显增强，但仍存在图像局部亮度偏暗的问题；相较而言，本发明改进的算法不仅增强了原始灰度图像的对比度，同时也解决了图像亮度不均的问题。
步骤S200的实验结果如下：图3的 (a)为经过步骤S100处理后得到的路面灰度图像。图 3的 (b)是Shearlet软阈值去噪结果图像。图3的 (c)是二维连续小波变换去噪结果图像。图3的 (d)是P-M扩散去噪结果图像。图3的 (e)是采用本发明方法改进P-M模型的SIST去噪结果图像。从图3可以看出，Shearlet阈值法虽然能够去除部分路面斑点干扰，但是在去噪的同时弱化了图像的细节信息，导致图像模糊，而且处理后的图像仍残留部分噪声；二维连续小波去噪的效果要优于Shearlet阈值法，但仍然会弱化图像的边缘信息；与前面两种方法相比，P-M 扩散去噪比较清晰的保留了裂缝的边缘信息，并去除了部分随机噪声，但是由于扩散过程未考虑图像边缘部分的处理，因此处理后的图像带有黑边，而且去噪效果不理想；相较而言，本发明改进的算法不仅去除了绝大部分路面斑点造成的随机噪声干扰，而且较为完整的保留了裂缝的边缘信息。
步骤S300的实验结果如下：为了更直观的从视觉上看出刻槽去除效果的差异，特将刻槽去除后的路面图像采用统一阈值转换为二值图像。图4的 (a)是霍夫变换去除刻槽后的二值图像。图4的 (b)是快速傅里叶变换去除刻槽后的二值图像。图4的 (c)是陷波滤波去除刻槽后的二值图像。图4的 (d)是采用本发明方法水泥刻槽路面图像平滑算法去除刻槽后的二值图像。从图4可以看出，霍夫变换在去除直线的同时会造成部分裂缝断裂或缺失，尤其对包含横向裂缝的路面图像处理效果较差；FFT对刻槽的去除效果最不明显，处理后的图像仍然保留有大量的刻槽干扰；陷波滤波从频域角度对刻槽这种周期性干扰进行去除，虽然取得了一定的效果，但仍不能完全除去图像中的刻槽干扰。而且，上述三种方法均未考虑残留噪声的因素，因此二值化图像中会有较多的孤立片段。相比之下，本发明水泥刻槽路面图像平滑算法不仅去除了部分孤立噪声点的干扰，同时也较为清晰地保留了裂缝的边缘，但是二值化的路面图像中仍然存在少量的孤立噪声点和孤立片段，并且裂缝边缘存在毛刺，对此有必要进行相应的后处理。
步骤S400的实验结果如下：图5的 (a)是采用本发明方法水泥刻槽路面图像平滑算法去除刻槽后的二值图像。图5的 (b)是开运算后的二值图像。图5的 (c)是闭运算后的二值图像。从图5可以看出，开运算后的路面二值图像去除了大部分的孤立噪声点和孤立片段，并去除了裂缝边缘的毛刺，但造成了裂缝的断裂，经过闭运算膨胀处理后，基本修复了裂缝中断裂的部分，而且对裂缝骨架中的空洞进行了填充，处理后的裂缝边缘比原始二值图像中的裂缝边缘更加平滑。
步骤S500的实验结果如下：图6是利用矩形框法得到的裂缝外接矩形框图，通过该图可完成裂缝长度、宽度、倾角等数字化信息的提取。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种水泥刻槽路面图像裂缝特征提取方法，其特征在于，包括如下步骤：
步骤S100，对原始水泥路面图像进行灰度化处理，然后采用改进的局部自适应对比度增强算法处理灰度化后的图像，以增强图像对比度；
步骤S200，对增强对比度后的图像采用平移不变Shearlet变换，针对其中的高频子带应用改良后的P-M扩散模型进行处理，对低频子带采用双边滤波进行处理；
步骤S200对高频子带应用改良后的P-M扩散模型进行处理的实现方式如下，
记高频子带图像的SIST系数为ci',j'，i'和j'分别代表尺度和方向，高频子带图像的方向局部化过程可表示为：
其中：ψi',j'(x)为剪切波函数，其公式如下：
ψi',j'(x)＝a-3/4ψ(E-1F-1(x-m))
其中，a∈R+表示尺度参数；E＝(a,0；0,a1/2)为各项异性膨胀矩阵；m∈R2表示平移参数；F＝(1,s；0,1)为剪切波矩阵，s∈R表示剪切波参数；
改进的SIST域的P-M去噪模型如下所示：
其中：f0(x)为输入源图像；
为图像梯度算子，用于检测图像边缘信息；DIV为散度算子；t为时间算子；G(·)为扩散方程系数，其与图像梯度成反比关系，用于避免因梯度变化过大带来的“阶梯效应”，保护图像边缘信息，其公式如下：
其中：λ为常数；η为扩散门限，用于区别噪声和边缘；k为图像梯度阈值；
步骤S300，应用基于单向全变分UTV模型建立的水泥刻槽路面图像平滑模型，对步骤S200得到的图像进行处理，获得去除刻槽后的路面图像；
步骤S400，采用形态学滤波对去除刻槽后的路面图像进行后处理；
步骤S500，结合连通域标记法、投影法和矩形框法，完成裂缝长度、宽度、倾角、面积的提取；
步骤S500的具体实现方式为，首先采用连通域标记算法统计步骤S400处理后的图像中连通域的个数，并据此判断裂缝是网状还是线状；其次，采用投影法判断线性裂缝的方向，对于无法判定方向的线性裂缝采用矩形框法进行二次判定；最后基于矩形框法完成裂缝长度、宽度、倾角、面积信息的提取。
2.如权利要求1所述的一种水泥刻槽路面图像裂缝特征提取方法，其特征在于：步骤S100所述采用改进的局部自适应对比度增强算法处理灰度化后的图像的实现方式如下，
设图像大小为M×N，滑动窗口的大小为m×n，起始坐标为(x0,y0)，(i,j)为相应像素点位置，f(i,j)是灰度图像上(i,j)处的灰度值，favg为全局均值，wavg为滑动窗口内的局部均值，δf为全局标准差，δw为滑动窗口内的局部标准差，则有：
若滑动窗口内局部均值低于全局均值，则增大窗口内像素点的灰度值；若滑动窗口内局部标准差低于全局标准差，则增强图像对比度，其处理过程可表示为：
其中：f”为处理后的图像；(i,j)为相应像素点位置；wavg为滑动窗口内的局部均值；favg为全局均值；σw为滑动窗口内的局部标准差；δf为全局标准差；η,λ,λ1,λ2,λ3均为常数。
3.如权利要求1所述的一种水泥刻槽路面图像裂缝特征提取方法，其特征在于：步骤S300所述水泥刻槽路面图像平滑模型的表达式如下，
在UTV模型的基础上引入保真项和稀疏优化项，其能量泛函表示如下：
其中：f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；
为图像梯度算子，
分别是x方向和y方向的梯度算子，用于检测图像边缘信息；||·||2、||·||1和||·||0分别代表向量L2范数、L1范数和L0范数；λ1,λ2,λ3为正则化参数，λ1的取值范围为[0.1,1]，λ2取1，λ3的取值范围为[0.001,0.01]；
为重建约束项或保真项，用于避免“阶梯效应”，保证平滑处理后的图像不失真；λ3||Ωg||0为惩罚项或稀疏优化项，用于保证处理后的图像不再包含残留噪声，Ω代表图像变换域转换方式；
针对上述能量泛函具有不可微和不可分离性，在此采用ADMM算法对其进行优化，能量泛函的增广拉格朗日函数可表示如下：
其中：A,B,C为引入的辅助变量，其表达式为
f表示带有裂缝的原始水泥路面图像；g表示经过步骤S200去噪处理后得到的图像；
为图像梯度算子，
分别是x方向和y方向的梯度算子，用于检测图像边缘信息；||·||2、||·||1和||·||0分别代表向量L2范数、L1范数和L0范数；p1,p2,p3为拉格朗日乘子；λ'1，λ'2，λ'3为正则化参数，λ'1的取值范围为[0.1,1]，λ'2取1，λ'3的取值范围为[0.001,0.01]；ρ1,ρ2,ρ3为惩罚系数，用于计算每一步的拉格朗日乘子，其值为ρ1＝ρ2＝ρ3＝100λ1；Ω代表图像变换域转换方式。
4.如权利要求3所述的一种水泥刻槽路面图像裂缝特征提取方法，其特征在于：A,B,C,g的求解更新方式如下，
因A,B,C,g互不耦合，故将ADMM的每次迭代过程转换为下式4个简单子问题的求解，每个子问题的参数以一种交替有序的方式进行更新：
(1)A相关子问题：即L1范数优化问题，使用软阈值函数求解，其迭代公式如下所示：
其中：k表示迭代次数，为正整数；S1为软阈值函数，其表达式如下所示：
其中：T为预先选定的阈值；
(2)B相关子问题：与A相关子问题求解过程相同，其迭代公式为：
其中：k表示迭代次数，为正整数，S1为软阈值函数；
(3)C相关子问题：即L0惩罚项优化问题，使用硬阈值算法求解，其迭代公式如下：
其中：k表示迭代次数，为正整数；S0为硬阈值函数，其表达式如下所示：
其中：T为预先选定的阈值；
(4)g相关子问题：即二次最小化问题，其迭代公式如下，可使用快速傅里叶变换FFT求解：
其中：k表示迭代次数，为正整数；
上述(1)～(4)求解过程中的每一步拉格朗日算子可使用下式迭代求解：
其中：k表示迭代次数，为正整数。
5.如权利要求1所述的一种水泥刻槽路面图像裂缝特征提取方法，其特征在于：步骤S400中对去除刻槽后的路面图像先进行开运算，然后对开运算后的结果进行闭运算完成后处理。
6.如权利要求1所述的一种水泥刻槽路面图像裂缝特征提取方法，其特征在于：基于矩形框法完成裂缝长度、宽度、倾角、面积信息的提取，具体实现方式如下，
(1)线性裂缝长度计算：设利用矩形框法得到的裂缝外接矩形的边长分别为xl和yl，则裂缝的实际长度可由下式计算：
其中：L表示裂缝的实际长度；αl为裂缝图像中单个像素的长度所对应的路面裂缝的实际长度，单位为mm；
(2)线性裂缝宽度计算：利用裂缝外接矩形内裂缝的像素总数进行计算，其公式如下：
其中：W表示裂缝的实际宽度；αl为裂缝图像中单个像素的长度所对应的路面裂缝的实际长度，单位为mm；T1为裂缝外接矩形内裂缝的像素总数；L为裂缝的实际长度；
(3)斜向裂缝倾角计算：根据裂缝外接矩形的两条边进行估算，设斜向裂缝的倾角为θ，则π/6≤θ≤π/3，且
故：斜向裂缝倾角的计算公式如下：
其中：xl、yl表示裂缝外接矩形的边长；
(4)网状裂缝面积计算：在裂缝外接矩形的基础上采用滑动窗口的方式计算网状裂缝的面积，设窗口的大小为n×n，图像大小为M×N，以滑动窗口的边长为步长对裂缝外接矩形内的子图像进行扫描，并规定：滑动窗口扫描到裂缝称为命中，命中次数用λl表示；对于滑动窗口，若窗口内像素值为0的个数超过一半，则认为该滑动窗口命中裂缝，λl增加1，最后依据命中次数计算网状裂缝的面积S，计算公式如下：
S＝λlαl 2n2
其中：αl为裂缝图像中单个像素的长度所对应的路面裂缝的实际长度，单位为mm。
7.如权利要求1所述的一种水泥刻槽路面图像裂缝特征提取方法，其特征在于：步骤S100中采用加权均值法取原始水泥图像像素点R,G,B三个颜色分量的均值作为灰度值，其公式如下：
其中：gray表示加权均值法得到的灰度值；R,G,B为原始水泥图像像素点的三种颜色分量；ω1,ω2,ω3为加权系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810234295.7A CN108460744B (zh) | 2018-03-21 | 2018-03-21 | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810234295.7A CN108460744B (zh) | 2018-03-21 | 2018-03-21 | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108460744A CN108460744A (zh) | 2018-08-28 |
| CN108460744B true CN108460744B (zh) | 2020-09-22 |
Family
ID=63237097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810234295.7A Active CN108460744B (zh) | 2018-03-21 | 2018-03-21 | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108460744B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472751B (zh) * | 2018-10-29 | 2021-04-02 | 中国资源卫星应用中心 | 一种增强对比度的遥感卫星图像处理方法 |
| CN110390664A (zh) * | 2018-11-30 | 2019-10-29 | 武汉滨湖电子有限责任公司 | 一种基于孔洞填充路面裂缝识别方法 |
| CN109919298B (zh) * | 2019-02-19 | 2023-04-28 | 福建农林大学 | 基于长短时记忆网络的机场跑道刻槽自动识别与测量方法 |
| CN111722285B (zh) * | 2019-03-22 | 2022-05-03 | 中国石油化工股份有限公司 | 一种基于微地震数据压后页岩气藏建模方法 |
| CN110322441A (zh) * | 2019-07-09 | 2019-10-11 | 电子科技大学 | 路面表观裂痕的视觉检测方法 |
| CN110533644B (zh) * | 2019-08-22 | 2023-02-03 | 深圳供电局有限公司 | 一种基于图像识别的绝缘子检测方法 |
| CN110648349A (zh) * | 2019-09-05 | 2020-01-03 | 南开大学 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
| CN111815580B (zh) * | 2020-06-25 | 2024-04-30 | 北京航天新立科技有限公司 | 一种图像边缘识别方法及小模数齿轮模数检测方法 |
| CN111504232B (zh) * | 2020-07-01 | 2020-10-02 | 上海建工集团股份有限公司 | 一种混凝土裂缝数字化检测方法 |
| CN111986123B (zh) * | 2020-09-24 | 2024-03-12 | 南京航空航天大学 | 基于kl散度和l0范数约束的模糊图像复原方法 |
| CN113269718B (zh) * | 2021-04-15 | 2022-09-16 | 安徽大学 | 一种基于深度学习的混凝土预制构件裂缝检测方法 |
| CN115278104B (zh) * | 2022-07-04 | 2024-02-09 | 浙江大华技术股份有限公司 | 一种图像亮度调整方法、装置、电子设备及存储介质 |
| CN116993629B (zh) * | 2023-09-27 | 2023-12-19 | 福建晟哲自动化科技有限公司 | 基于图像分解的平滑方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008082423A1 (en) * | 2007-01-05 | 2008-07-10 | Alan Shulman | Navigation and inspection system |
| CN103048329A (zh) * | 2012-12-11 | 2013-04-17 | 北京恒达锦程图像技术有限公司 | 一种基于主动轮廓模型的路面裂缝检测方法 |
-
2018
- 2018-03-21 CN CN201810234295.7A patent/CN108460744B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008082423A1 (en) * | 2007-01-05 | 2008-07-10 | Alan Shulman | Navigation and inspection system |
| CN103048329A (zh) * | 2012-12-11 | 2013-04-17 | 北京恒达锦程图像技术有限公司 | 一种基于主动轮廓模型的路面裂缝检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图像的水泥刻槽路面裂缝识别方法;荣婧等;《公路交通科技》;20120331;第29卷(第3期);45-50 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108460744A (zh) | 2018-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108460744B (zh) | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 | |
| Hsieh et al. | Fast and efficient median filter for removing 1–99% levels of salt-and-pepper noise in images | |
| CN112419250A (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
| CN111310558A (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
| Qingbo | Pavement crack detection algorithm based on image processing analysis | |
| CN109064411B (zh) | 一种基于光照补偿的路面图像去阴影方法 | |
| CN110956183A (zh) | 一种沥青路面裂缝形态提取方法 | |
| Gangamma et al. | Restoration of degraded historical document image | |
| Staniek | Detection of cracks in asphalt pavement during road inspection processes | |
| CN113505702A (zh) | 基于双神经网络优化的路面病害识别方法及系统 | |
| CN113592782A (zh) | 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 | |
| Han et al. | An enhanced image binarization method incorporating with Monte-Carlo simulation | |
| Qi et al. | A neutrosophic filter for high-density salt and pepper noise based on pixel-wise adaptive smoothing parameter | |
| CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
| Dai et al. | Recognition of tunnel lining cracks based on digital image processing | |
| CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 | |
| CN116993659A (zh) | 基于数学形态学方法的x光图像缺陷提取方法 | |
| CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
| CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
| Sun et al. | Automatic identification of pavement cracks using mathematic morphology | |
| CN112348103B (zh) | 图像块分类方法和装置及其超分辨重建方法和装置 | |
| CN114862889A (zh) | 基于遥感图像的道路边缘提取方法和装置 | |
| Fan et al. | Edge based region growing: a new image segmentation method | |
| Mustapha et al. | Crack Detection on Surfaces Using Digital Image Processing | |
| Huang et al. | Chinese rubbing image binarization based on deep learning for image denoising |
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 |