CN108960172B - 一种识别gpr图像病害类型的方法 - Google Patents
一种识别gpr图像病害类型的方法 Download PDFInfo
- Publication number
- CN108960172B CN108960172B CN201810763055.6A CN201810763055A CN108960172B CN 108960172 B CN108960172 B CN 108960172B CN 201810763055 A CN201810763055 A CN 201810763055A CN 108960172 B CN108960172 B CN 108960172B
- Authority
- CN
- China
- Prior art keywords
- matrix
- disease
- image
- types
- gpr
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种识别GPR图像病害类型的方法,包括如下步骤:步骤1:针对存在病害反射波的GPR图像,对GPR图像像素进行归一化,得到矩阵NI;步骤2:对矩阵NI进行直方图均衡处理,得到矩阵NI_H;步骤3:对矩阵NI_H进行三值化,三值化阈值根据最大类间方差双阈值法设定,得到矩阵NI_HB;步骤4:对矩阵NI_HB的每列进行求导,然后使每列中相位相邻元素之间为异号,最终得到两种相位类型;步骤5:选取数量较多的相位类型作为GPR图像病害类型。本发明的有益效果是:实现病害特征的突出,有利于提取病害特征,实现了高速公路地下常见病害的突出,方便了病害解释过程,节约成本,符合探地雷达行业病害识别自动化的追求目标,具有很大的现实意义。
Description
技术领域
本发明涉及一种识别GPR(Ground-penetrating radar,探地雷达)图像病害类型的方法,属于病害识别技术领域。
背景技术
在GPR信号高速公路路基病害解释上,国内外目前使用最多的方法是人工解译图像。但是人工解释图像极大地依赖解释员的经验,主观性强,当数据量较大时,人工解释周期很长,具有一定的滞后性。如何自动识别病害类型并给出反馈,节省解译时间,成为GPR信号公路路基图像解释迫切的需要之一。本发明即立足于GPR数据病害检测分类自动化给出一种新的解决方案。现有的其他专利如专利号CN104698503A为使用偏移校正和克希霍夫波动方程偏移法处理经过预处理后的雷法数据,然后结合地质、环境人工解释数据。这种方法计算量大,并且耗费大量的人力和时间。同样专利号为 CN105403883A利用振幅分量找出感兴趣区域,对感兴趣区域进行边缘提取和目标双曲线的定位。该方法适用于管状目标的寻找,且使用人工方法寻找目标体,耗费时间和人力。另如专利号为CN1595195A使用RBF神经网络自动识别雷达数据目标体类别,前提是要对目标体特征进行分析提取,并需要大量的样本数据,而在实际实施过程中大量的样本数据通常难以获得。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种突出病害特征的图像处理方法,有利于提取病害特征,实现了高速公路地下常见病害突出,节省了病害解释的时间。
为实现上述目的,本发明采用如下技术方案:
一种识别GPR图像病害类型的方法,包括如下步骤:
步骤1:针对一幅存在病害反射波的GPR图像,对GPR图像像素进行归一化,得到矩阵NI;
步骤2:对矩阵NI进行直方图均衡处理,得到矩阵NI_H;
步骤3:对矩阵NI_H进行三值化,三值化阈值根据最大类间方差双阈值法设定,得到矩阵NI_HB;
步骤4:对矩阵NI_HB的每列进行求导,然后对求导后的每列分别进行处理,使每列中相位相邻元素之间为异号,最终得到两种相位类型;
步骤5:选取数量较多的相位类型作为GPR图像病害类型。
优选的,步骤2的具体步骤包括:计算出NI的图像的灰度级数概率分布,进行直方图均衡,将原始图像的灰度直方图从0-255的灰度范围内比较集中的分布变成在0-255 灰度范围内的均匀分布,得到经过直方图均衡后的图像记为NI_H。
优选的,步骤3的具体步骤包括:利用最大类间方差双阈值法使GPR图像中病害反射波的正波部分、负波部分与背景之间的类间方差最大化,得到了两个阈值T1、T2,将矩阵NI_H中的所有像素值小于T1的像素值全部变为0,所有像素值大于T2的像素值全部变为255,其余像素值全部变为127。
优选的,步骤4的具体步骤包括:对矩阵NI_HB的每一列求导得到n个向量,分别记为Ik_p1,Ik_p2,Ik_p3,…,Ik_pn;将向量Ik_p1,Ik_p2,Ik_p3,…,Ik_pn 中元素值小于0的记为-1,元素值大于0的记为1,每个向量中连续的0变为一个0,对相邻元素同号的元素只取其中之一,使得相位相邻元素之间必定是异号,最终得到两种相位类型:[0-1 0 1 0-1…]、[0 1 0-1 0 1…]。
优选的,步骤5中,若序列[0-1 0 1 0-1…]的数量多,则病害归为含水层;若序列[0 1 0-1 0 1…]的数量多,则病害归为空洞或脱空。
有益效果:以当前高速公路地下混凝土结构病害的GPR信号为研究对象,设计给出一种突出GPR信号病害算法;采用了结合归一化、直方图均衡、阈值选取、三值化的算法,突出病害位置和特征,有利于进一步提取病害特征,例如求导的进一步的处理。实现了高速公路地下常见病害:脱空、空气、含水层的特征突出,具有一定现实意义,符合探地雷达行业病害识别自动化的追求目标,具有很大的现实意义。
附图说明
图1是本发明病害定位及识别流程详图。
具体实施方式
下面结合实施例对本发明做更进一步的解释。
本发明包括如下步骤:
步骤1)选择一幅存在病害反射波的探地雷达图像,对图像像素进行归一化;
步骤2)将步骤1)得到的数据进行直方图均衡处理;
步骤3)直方图均衡后的图像进行三值化,三值化阈值根据最大类间方差双阈值法(OTSU)设定;
步骤4)对图像每列进行求导,并计算两种相位类型的数量;
步骤5)选取数量多的相位类型作为图像病害类型。
所述步骤1中具体内容为:将存在病害反射波的探地雷达矩阵I归一化,使图像像素取值范围为0-255,归一化后的图像记为NI。
所述步骤2中具体内容为:对于矩阵NI,计算出NI的图像的灰度级数概率分布,进行直方图均衡,将原始图像的灰度直方图从0-255的灰度范围内比较集中的分布变成在0-255灰度范围内的均匀分布,得到经过直方图均衡后的图像记为NI_H。
所述步骤3中具体内容为:最大类间方差双阈值法(OTSU)根据图像的灰度特征,使GPR图像中病害反射波的正波部分、负波部分与背景之间的类间方差最大化,得到了两个阈值T、T2。根据选取出的两个阈值T1和T2,T1<T2,将矩阵NI_H中的所有像素值小于T1的像素值全部变为0,所有像素值大于T2的像素值全部变为255,其余像素值全部变为127。记三值化后的图像为NI_HB。经过大量GPR仿真数据和实测数据验证,使用类正态分布的点作为阈值的三值化方法对于判断图像病害类型能够取得良好的效果。
所述步骤4的具体内容为:对矩阵NI_HB的每一列求导得到n个向量,分别记为 Ik_p1,Ik_p2,Ik_p3,…,Ik_pn。将向量Ik_p1,Ik_p2,Ik_p3,…,Ik_pn中元素值小于0的记为-1,元素值大于0的记为1。
所述步骤5的内容是:向量Ik_p1,Ik_p2,Ik_p3,…,Ik_pn,每个向量中连续的 0变为一个0;对相邻元素同号的元素只取其中之一,使得相位相邻元素之间必定是异号。如向量[0 0-1-1 0 0 0 0+1+1 0 0-1 0 0 0 0+1 0 0 0…],变换后为[0-1 0+1 0-1 0+1…]得到最终标准的相位序列记为Ik_pf1,Ik_pf2,Ik_pf3,…,Ik_pfn,若序列[0-1 0 1 0-1…] 的数量多,则病害归为水或钢筋;若序列[0 1 0-1 0 1…]的数量多,则病害归为空洞或脱空。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.一种识别GPR图像病害类型的方法,其特征在于,包括如下步骤:
步骤1:针对一幅存在病害反射波的GPR图像,对GPR图像像素进行归一化,得到矩阵NI;
步骤2:对矩阵NI进行直方图均衡处理,得到矩阵NI_H;
步骤3:对矩阵NI_H进行三值化,三值化阈值根据最大类间方差双阈值法设定,得到矩阵NI_HB;
步骤4:对矩阵NI_HB的每列进行求导,然后对求导后的每列分别进行处理,使每列中相位相邻元素之间为异号,最终得到两种相位类型;
步骤5:选取数量较多的相位类型作为GPR图像病害类型;
步骤2的具体步骤包括:计算出NI的图像的灰度级数概率分布,进行直方图均衡,将原始图像的灰度直方图从0-255的灰度范围内比较集中的分布变成在0-255灰度范围内的均匀分布,得到经过直方图均衡后的图像记为NI_H;
步骤3的具体步骤包括:利用最大类间方差双阈值法使矩阵NI_H对应的GPR图像中病害反射波的正波部分、负波部分与背景之间的类间方差最大化,得到两个阈值T1、T2,T1<T2,将矩阵NI_H中的所有像素值小于T1的像素值全部变为0,所有像素值大于T2的像素值全部变为255,其余像素值全部变为127。
2.根据权利要求1所述的一种识别GPR图像病害类型的方法,其特征在于,步骤4的具体步骤包括:对矩阵NI_HB的每一列求导得到n个向量,分别记为Ik_p1,Ik_p2,Ik_p3,…,Ik_pn;将向量Ik_p1,Ik_p2,Ik_p3,…,Ik_pn中元素值小于0的记为-1,元素值大于0的记为1,每个向量中连续的0变为一个0,对相邻元素同号的元素只取其中之一,使得相位相邻元素之间必定是异号,最终得到两种相位类型:[0-1 0 1 0 -1…]、[0 1 0-1 0 1…]。
3.根据权利要求2所述的一种识别GPR图像病害类型的方法,其特征在于,步骤5中,若序列[0-1 0 1 0-1…]的数量多,则病害归为含水层;若序列[0 1 0-1 0 1…]的数量多,则病害归为空洞或脱空。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810763055.6A CN108960172B (zh) | 2018-07-12 | 2018-07-12 | 一种识别gpr图像病害类型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810763055.6A CN108960172B (zh) | 2018-07-12 | 2018-07-12 | 一种识别gpr图像病害类型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960172A CN108960172A (zh) | 2018-12-07 |
CN108960172B true CN108960172B (zh) | 2021-12-07 |
Family
ID=64482834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810763055.6A Active CN108960172B (zh) | 2018-07-12 | 2018-07-12 | 一种识别gpr图像病害类型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960172B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544531B (zh) * | 2018-11-19 | 2021-11-09 | 南京工程学院 | 一种基于形状特征识别gpr图像病害类型的方法 |
CN110717911A (zh) * | 2019-10-16 | 2020-01-21 | 南京工程学院 | 一种基于模板匹配的病害定位方法 |
CN111123263B (zh) * | 2019-12-12 | 2022-04-19 | 创新奇智(浙江)科技有限公司 | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 |
CN113379680B (zh) * | 2021-05-18 | 2023-05-23 | 上海闻泰信息技术有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2146500A2 (en) * | 2008-07-17 | 2010-01-20 | Canon Kabushiki Kaisha | Phase difference detection device, imaging apparatus, phase difference detection method |
CN102932591A (zh) * | 2011-08-08 | 2013-02-13 | 卡西欧计算机株式会社 | 摄像装置及图像解析方法 |
CN105069771A (zh) * | 2015-05-22 | 2015-11-18 | 同济大学 | 基于主动轮廓的sar影像灾后水体信息提取方法 |
CN105160354A (zh) * | 2015-08-19 | 2015-12-16 | 师韵 | 基于稀疏表示的苹果病害识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7822556B2 (en) * | 2003-04-29 | 2010-10-26 | The Jackson Laboratory | Expression data analysis systems and methods |
-
2018
- 2018-07-12 CN CN201810763055.6A patent/CN108960172B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2146500A2 (en) * | 2008-07-17 | 2010-01-20 | Canon Kabushiki Kaisha | Phase difference detection device, imaging apparatus, phase difference detection method |
CN102932591A (zh) * | 2011-08-08 | 2013-02-13 | 卡西欧计算机株式会社 | 摄像装置及图像解析方法 |
CN105069771A (zh) * | 2015-05-22 | 2015-11-18 | 同济大学 | 基于主动轮廓的sar影像灾后水体信息提取方法 |
CN105160354A (zh) * | 2015-08-19 | 2015-12-16 | 师韵 | 基于稀疏表示的苹果病害识别方法 |
Non-Patent Citations (1)
Title |
---|
基于GPR反射波信号多维分析的隧道病害智能辨识;高永涛等;《工程科学学报》;20180331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108960172A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960172B (zh) | 一种识别gpr图像病害类型的方法 | |
CN108776779B (zh) | 基于卷积循环网络的sar序列图像目标识别方法 | |
CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
CN109657552B (zh) | 基于迁移学习实现跨场景冷启动的车型识别装置与方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN107784661A (zh) | 基于区域生长法的变电站设备红外图像分类识别方法 | |
CN111860348A (zh) | 基于深度学习的弱监督电力图纸ocr识别方法 | |
CN102622598B (zh) | 基于区域标记与灰度统计的sar图像目标检测方法 | |
CN106022232A (zh) | 基于深度学习的车牌检测方法 | |
CN105931253A (zh) | 一种基于半监督学习相结合的图像分割方法 | |
CN110610506B (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
CN106295562A (zh) | 一种高分辨率遥感影像道路信息提取方法 | |
CN110363798B (zh) | 一种遥感影像解译样本集的生成方法 | |
CN109766887A (zh) | 一种基于级联沙漏神经网络的多目标检测方法 | |
CN107545571A (zh) | 一种图像检测方法及装置 | |
CN103065136A (zh) | 一种基于视觉注意机制的sar图像协同目标识别方法 | |
CN110097524B (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN104732534B (zh) | 一种图像中显著目标的抠取方法及系统 | |
CN114973207A (zh) | 一种基于目标检测的路标识别方法 | |
CN101908214A (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
CN112597926A (zh) | 基于fod影像对飞机目标的识别方法、设备、存储介质 | |
CN108319927B (zh) | 一种自动识别病害的方法 | |
CN109544531B (zh) | 一种基于形状特征识别gpr图像病害类型的方法 | |
CN101894368B (zh) | 基于测地距离的半监督sar图像水域分割方法 |
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 |