CN108898080B - 一种基于山脊线邻域评价模型的裂缝连接方法 - Google Patents
一种基于山脊线邻域评价模型的裂缝连接方法 Download PDFInfo
- Publication number
- CN108898080B CN108898080B CN201810630030.9A CN201810630030A CN108898080B CN 108898080 B CN108898080 B CN 108898080B CN 201810630030 A CN201810630030 A CN 201810630030A CN 108898080 B CN108898080 B CN 108898080B
- Authority
- CN
- China
- Prior art keywords
- ridge line
- neighborhood
- image
- crack
- evaluation model
- 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
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明涉及图像处理技术邻域,涉及一种基于山脊线邻域评价模型的裂缝连接方法:S1、图像采集:采集裂缝图像;S2、图像处理:对裂缝图像进行灰度分割处理,得到二值化图像;S3、图像提取:对二值化图像进行山脊线提取,得到山脊线集合L={L1,L2,...,Ln};S4、模型建立:根据山脊线集合L={L1,L2,...,Ln},建立山脊线邻域评价模型;S5、图像连接:调用山脊线邻域评价模型判断山脊线是否属于同一裂缝,若山脊线属于同一裂缝,则调用山脊线邻域评价模型进行裂缝连接。本发明通过构建山脊线邻域评价模型来对裂缝进行图像处理过程中断裂的部分进行连接,解决图像处理过程中裂缝断裂的问题,能有效表达出真实的裂缝的完整骨架结构,从而达到快速高效连接裂缝的目的。
Description
技术领域
本发明涉及图像处理技术邻域,更具体地说,涉及一种基于山脊线邻域评价模型的裂缝连接方法。
背景技术
当今,对于高层建筑物的需求比以往任何时候都要大,随之而来的高层建筑物养护和安全保障等问题也变得越来越重要。在实际的工程中,建筑物外墙检测也是在慢慢的从人工到半自动化慢慢的发展的。现有的建筑物外墙自动检测系统很大程度上还是采用自动采集与人工识别的方式进行工作。由于墙面图像数量巨大,人工检测效率低,检测结果客观性差,开发全自动的高性能墙面裂缝识别算法仍然迫在眉睫。
目前的裂缝研究算法对部分裂缝取得了较好的检测效果。在利用数字图像技术检测路面裂缝时,由于部分裂缝过窄或被阴影遮挡或被灰尘填充,导致检测出的裂缝目标不连续,而这些方法没有对墙面裂缝进行连接或者只是直接对相邻裂缝的邻近端点连接,效果不佳,并未表达出真实的裂缝的完整骨架结构,严重影响后续的裂缝参数测量和评价。
发明内容
有鉴于此,本发明提供了一种基于山脊线邻域评价模型的裂缝连接方法,通过构建山脊线邻域评价模型来对裂缝进行图像处理过程中断裂的部分进行连接,从而解决图像处理过程中裂缝断裂的问题。
一种基于山脊线邻域评价模型的裂缝连接方法,具体步骤如下:
S1、图像采集:采集裂缝图像;该步骤S1具体为:利用无人机搭载高倍可变焦相机围绕大型建筑物外墙拍照进行图像采集,通过无人机上搭载的测距传感器来确定无人机离墙面的距离d,保证拍照时成像尺度相同。
S2、图像处理:对裂缝图像进行灰度分割处理,得到二值化图像;该步骤 S2具体为:S21、利用灰度算法,将裂缝图像进行灰度化处理,得到灰度图像; S22、利用线性增强算法,对灰度图像进行灰度线性化增强;S23、对灰度线性化增强后的灰度图像进行双边滤波处理;S24、利用自适应阈值二值化算法,对步骤S23中得到的灰度图像进行裂缝分割,筛选连通域,将面积小于阈值H的连通域剔除掉,得到二值化图像。
S3、图像提取:对二值化图像进行山脊线提取,得到山脊线集合 L={L1,L2,...,Ln};
S4、模型建立:根据山脊线集合L={L1,L2,...,Ln},建立山脊线邻域评价模型;在步骤S4中,该山脊线邻域评价模型的具体表达式为:
S5、图像连接:调用山脊线邻域评价模型判断山脊线是否属于同一裂缝,若山脊线属于同一裂缝,则调用山脊线邻域评价模型进行裂缝连接。该步骤S5 具体为:S51、定义裂缝:S=(L,δ(L)),其中,L是裂缝的山脊线特征,δ(L)是裂缝的宽度信息。S52、根据山脊线集合L={L1,L2,...,Ln},得到山脊线的邻域表示:S53、判断山脊线是否属于同一裂缝:若则第i条山脊线与第j条山脊线属于同一条裂缝;S54、邻域整合:若第i条山脊线与第j条山脊线属于同一条裂缝,则将第i 条山脊线与第j条山脊线的邻域进行整合连接,整合后的山脊线的邻域表示具体为:
从上述的技术方案可以看出,本发明的有益效果为:
与现有技术相比,本发明先采集图像,然后对图像进行图像处理和图像提取获得图像中的山脊线,然后建立山脊线邻域评价模型;最后调用山脊线邻域评价模型判断对图像中的山脊线是否属于同一裂缝,若山脊线属于同一裂缝,则再次调用山脊线邻域评价模型进行裂缝连接;因此,本发明通过构建山脊线邻域评价模型来对裂缝进行图像处理过程中断裂的部分进行连接,使得裂缝更加完整、连续,从而解决图像处理过程中裂缝断裂的问题,能有效表达出真实的裂缝的完整骨架结构,进而能更加客观地评价墙面破损程度,从而达到快速高效连接裂缝的目的。
附图说明
图1为一种基于山脊线邻域评价模型的裂缝连接方法的流程图。
图2为图1中步骤S2的具体流程图。
图3为图1中步骤S5的具体流程图。
图4为经步骤S3处理后得到的山脊线提取图。
图5为经步骤S52处理后得到的山脊线邻域图。
图6为经步骤S54处理后得到的山脊线邻域图。
图7为一种基于山脊线邻域评价模型的裂缝连接方法的效果图。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所述的附图作简单地介绍,显而易见,下面的描述中的附图仅仅是本发明的一些实施例,对于本邻域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
具体实施方式
如图1-7所示,本发明实施例公开了一种基于山脊线邻域评价模型的裂缝连接方法,具体步骤如下:
S1、图像采集:采集裂缝图像;该步骤S1具体为:利用无人机搭载高倍可变焦相机围绕大型建筑物外墙拍照进行图像采集,通过无人机上搭载的测距传感器来确定无人机离墙面的距离d,保证拍照时成像尺度相同。每到一个航点时,当测距传感器测出无人机离墙面的距离为d时,相机自动拍照采集图像,在此处,主要是为了采集在同一距离下拍摄的各个图像信息,只要保证拍摄的图像是在同一离墙距离同一拍摄角度下进行拍摄获取即可,并不限定于本实施例所公开的图像获取方式。
S2、图像处理:对裂缝图像进行灰度分割处理,得到二值化图像;该步骤 S2具体为:S21、利用灰度算法,将裂缝图像进行灰度化处理,得到灰度图像,原因是对采集回来的图像,为了减少计算时的运算量,需将真彩图像转换为灰度图像;在本步骤S21中,可以采用任意现有的灰度处理算法,只要能达到将真彩图像转换为灰度图像的目的即可;S22、利用线性增强算法,对灰度图像进行灰度线性化增强;在此步骤S22中,由于将图像进行灰度化后,原有的线条会不够清晰,不方便下一步滤波处理,因此,为了更加增强原有线条的显示度,需要采用任意现有的线性增强处理算法,只要能达到灰度线性化增强的目的即可;S23、对灰度线性化增强后的灰度图像进行双边滤波处理;在此步骤S23中,由于将图像进行灰度线性化增强后,会存在纹波噪声干扰,不方便下一步分割处理,因此,为了更加增强原有线条的显示度,需要采用任意现有的双边滤波处理算法,只要能达到双边滤波的目的即可;S24、利用自适应阈值二值化算法,对步骤S23中得到的灰度图像进行裂缝分割,筛选连通域,将面积小于阈值H 的连通域剔除掉,得到二值化图像。在本步骤S24中,将经过双边滤波之后的图像进行自适应阈值分割,此时会因为步骤S23中双边滤波去噪不完全仍会有一些较大的噪声存在,利用现有的自适应阈值二值化算法,设置阈值来对所有的连通域进行筛选,将面积小于阈值H的连通域剔除掉,得到粗提取的墙壁裂缝二值化图像。
S3、图像提取:对二值化图像进行山脊线提取,得到山脊线集合 L={L1,L2,...,Ln};本步骤S3主要是利用现有的Zhang并行快速细化算法对粗提取的墙壁裂缝二值化图像进行山脊线提取,得到山脊线集合L={L1,L2,...,Ln},如图4所示的步骤S3处理后得到的山脊线提取图。
S4、模型建立:根据山脊线集合L={L1,L2,...,Ln},建立山脊线邻域评价模型;在步骤S4中,该山脊线邻域评价模型的具体表达式为:
S5、图像连接:调用山脊线邻域评价模型判断山脊线是否属于同一裂缝,若山脊线属于同一裂缝,则调用山脊线邻域评价模型进行裂缝连接。该步骤S5 具体为:S51、定义裂缝:S=(L,δ(L)),其中,L是裂缝的山脊线特征,δ(L)是裂缝的宽度信息;S52、根据山脊线集合L={L1,L2,...,Ln},并依据ε=f(δ(L))得到相应邻域半径εi,i=1,2,...,n.其中,f(·)可根据具体情况选取,可为线性函数、平方根函数等,得到山脊线的邻域表示:其中表示第1条山脊线的邻域,其中L1表示第1条山脊线,ε1表示第1条山脊线的邻域半径;L1表示的是第1条山脊线,Ln表示的是第n条山脊线;如图5所示的经步骤S52处理后得到的山脊线邻域图;S53、判断山脊线是否属于同一裂缝:若则第i条山脊线与第j条山脊线属于同一条裂缝;S54、邻域整合:若第i条山脊线与第j条山脊线属于同一条裂缝,则将第i条山脊线与第j条山脊线的邻域进行整合连接,整合后的山脊线的邻域表示具体为:
其中,为与形成的新邻域,推导过程为:先令然后重新调整L′i,调整邻域得ε′i=f(εi,εj),最后将邻域更新为如图6所示的经步骤S54处理后得到的山脊线邻域图。在步骤S54中,第i条山脊线与第j条山脊线的邻域进行整合连接的具体步骤为:S541、以确定的山脊线的各区间的像素点作圆,圆心为山脊线上的像素点坐标,直径为该像素点对应的山脊线区间的裂缝宽度。S542、找出Li、Lj两条相邻山脊线的邻域半径圆交集的最短距离的像素点pi、pj和该像素点对应的相邻m(m般取为2,3,5)个像素距离的像素点pi±m、pj±m。S543、经过点pi、 pi±m和点pj、pj±m各自作一条直线,两条直线的交点为pk。S544、将pi、pj、pk三点代入二次方贝塞尔曲线公式,绘制山脊线的连接线。S545、取pi所在区间的邻域半径与pj所在区间的邻域半径的均值作为连接线的邻域半径。
本发明通过构建山脊线邻域评价模型来对裂缝进行图像处理过程中断裂的部分进行连接,使得裂缝更加完整、连续,解决了图像处理过程中裂缝断裂的问题,能有效表达出真实的裂缝的完整骨架结构,进而能更加客观地评价墙面破损程度,从而达到快速高效连接裂缝的目的。
对所公开的实施例的上述说明,使本邻域专业技术人员能够实现本发明。对这些实施例的多种修改对本邻域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于山脊线邻域评价模型的裂缝连接方法,其特征在于,
其具体步骤如下:
S1、图像采集:采集裂缝图像;
S2、图像处理:对裂缝图像进行灰度分割处理,得到二值化图像;
S3、图像提取:对二值化图像进行山脊线提取,得到山脊线集合L={L1,L2,...,Ln};
S4、模型建立:根据山脊线集合L={L1,L2,...,Ln},建立山脊线邻域评价模型,在步骤S4中,该山脊线邻域评价模型的具体表达式为:
S5、图像连接:调用山脊线邻域评价模型判断山脊线是否属于同一裂缝,若山脊线属于同一裂缝,则调用山脊线邻域评价模型进行裂缝连接。
2.如权利要求1所述的一种基于山脊线邻域评价模型的裂缝连接方法,其特征在于,步骤S1具体为:利用无人机搭载高倍可变焦相机围绕大型建筑物外墙拍照进行图像采集。
3.如权利要求1所述的一种基于山脊线邻域评价模型的裂缝连接方法,其特征在于,步骤S2具体为:
S21、利用灰度算法,将裂缝图像进行灰度化处理,得到灰度图像;
S22、利用线性增强算法,对灰度图像进行灰度线性化增强;
S23、对灰度线性化增强后的灰度图像进行双边滤波处理;
S24、利用自适应阈值二值化算法,对步骤S23中得到的灰度图像进行裂缝分割,筛选连通域,将面积小于阈值H的连通域剔除掉,得到二值化图像。
4.如权利要求1-3中任一项权利要求所述的一种基于山脊线邻域评价模型的裂缝连接方法,其特征在于,步骤S5具体为:
S51、定义裂缝:S=(L,δ(L)),其中,L是裂缝的山脊线特征,δ(L)是裂缝的宽度信息;
S54、邻域整合:若第i条山脊线与第j条山脊线属于同一条裂缝,则将第i条山脊线与第j条山脊线的邻域进行整合连接,整合后的山脊线的邻域表示具体为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630030.9A CN108898080B (zh) | 2018-06-19 | 2018-06-19 | 一种基于山脊线邻域评价模型的裂缝连接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630030.9A CN108898080B (zh) | 2018-06-19 | 2018-06-19 | 一种基于山脊线邻域评价模型的裂缝连接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898080A CN108898080A (zh) | 2018-11-27 |
CN108898080B true CN108898080B (zh) | 2022-03-11 |
Family
ID=64345718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810630030.9A Active CN108898080B (zh) | 2018-06-19 | 2018-06-19 | 一种基于山脊线邻域评价模型的裂缝连接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898080B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517255A (zh) * | 2019-08-29 | 2019-11-29 | 北京理工大学 | 基于吸引子模型的浅裂缝检出方法 |
CN115035112B (zh) * | 2022-08-11 | 2022-11-01 | 宿迁市万尚新材料科技股份有限公司 | 一种环保型电化铝镭射着色剂的制备过程控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009140405A (ja) * | 2007-12-10 | 2009-06-25 | Sharp Corp | 基板の検査装置、基板の製造システム、基板の検査方法、基板の製造方法、コンピュータを当該検査装置として機能させるためのプログラムおよび記録媒体 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN108007355A (zh) * | 2017-10-20 | 2018-05-08 | 西安电子科技大学 | 基于图像距离变换的混凝土裂缝检测方法 |
-
2018
- 2018-06-19 CN CN201810630030.9A patent/CN108898080B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009140405A (ja) * | 2007-12-10 | 2009-06-25 | Sharp Corp | 基板の検査装置、基板の製造システム、基板の検査方法、基板の製造方法、コンピュータを当該検査装置として機能させるためのプログラムおよび記録媒体 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN108007355A (zh) * | 2017-10-20 | 2018-05-08 | 西安电子科技大学 | 基于图像距离变换的混凝土裂缝检测方法 |
Non-Patent Citations (4)
Title |
---|
A Study Crack Detection Algorithm;Jingyi Li et al.;《2015 Fifth International Conference on Instrumentation and Measurement,Computer,Communication and Control》;20151231;第1184-1187页 * |
Crack detection by a climbing robot using image analysis;J.P.Zavala et al.;《CONIELECOMP 2013,23rd International Conference on Electronics,Communications and Computing》;20130630;第87-91页 * |
地铁隧道表面图像裂缝识别算法研究;白彪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151015;第6.1节第1-2段,第6.2节,第6.4节,图6-1,图6-9 * |
基于图像处理的桥梁底面裂缝检测识别方法研究;占继刚;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180115;摘要第4段,第2.2.2节,第3章,第4章第1段,第4.1.4节,第4.2.2节,第4.3节,图2-7,图3-1,图4-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN108898080A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
CN110033431B (zh) | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 | |
CN111179232A (zh) | 基于图像处理的钢筋尺寸检测系统及方法 | |
CN109583365B (zh) | 基于成像模型约束非均匀b样条曲线拟合车道线检测方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
JP2017053819A (ja) | コンクリートのひび割れ検出方法及び検出プログラム | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
CN104637067A (zh) | 一种纹理表面的缺陷检测方法 | |
CN112669286A (zh) | 基于红外热像的外墙外保温系统缺陷识别与损伤程度评价方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN111080640B (zh) | 一种孔洞检测方法、装置、设备和介质 | |
CN107507140B (zh) | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的系统及方法 | |
CN114387262A (zh) | 一种基于机器视觉的螺母定位检测方法、装置及系统 | |
CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN103996199A (zh) | 一种基于深度信息的运动检测方法 | |
CN108985307B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
CN113066041A (zh) | 一种基于栈稀疏自编码深度学习的路面裂缝检测方法 | |
CN111307267A (zh) | 一种基于同心圆检测的导线舞动监测方法 |
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 |