CN108986079B - 一种复杂裂隙网络的裂缝提取及优化方法 - Google Patents
一种复杂裂隙网络的裂缝提取及优化方法 Download PDFInfo
- Publication number
- CN108986079B CN108986079B CN201810673164.9A CN201810673164A CN108986079B CN 108986079 B CN108986079 B CN 108986079B CN 201810673164 A CN201810673164 A CN 201810673164A CN 108986079 B CN108986079 B CN 108986079B
- Authority
- CN
- China
- Prior art keywords
- fracture network
- fracture
- complex
- contour
- complex fracture
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种复杂裂隙网络的裂缝提取及优化方法,首先采用直方图均衡化、高斯滤波方式对待处理的复杂裂隙网络进行处理,去除该复杂裂隙网络的裂隙图像中的随机性噪声;然后基于伽马变换的裂隙边界增强算法,增强裂隙图像的裂缝信息、矫正裂隙图像的亮度,获得复杂裂隙网络数据;建立基于形态特征的伪目标去除模型,从复杂裂隙网络数据中提取出裂隙网络;将裂隙网络作为先验形状,用基于序列图像的裂缝网络优化裂隙网络,得到完整的裂隙网络。上述方法可对复杂裂隙图进行全自动批量处理,从而得到完整准确的裂隙网络,解决传统方法带来的局限性。
Description
技术领域
本发明涉及裂隙网络处理技术领域,尤其涉及一种复杂裂隙网络的裂缝提取及优化方法。
背景技术
在煤、矿物、石油开采过程中,地质条件复杂、煤与瓦斯突出、瓦斯爆炸等灾害不时发生,带来了巨大的经济损失和大量人员伤亡。深部煤岩中的裂隙网络是瓦斯煤层气的存储场所和运移通道,开采和掘进过程导致煤岩体中应力场发生改变,进而影响了煤岩体中裂隙的延伸、扩展及裂隙网络的重新分布。煤炭生产需要构建流体运移模型,掌握煤岩中裂隙网络以及采动应力作用下的演化规律有重要的意义。采样样品中的裂缝提取及优化用于开采过程中稳定检测富有气体含量,例如检测煤中瓦斯、油田中天然气含量。但是提取裂缝过程存在大量困难,例如:裂缝图像不明显,与背景过于相似,不易提取裂缝信息;复杂裂隙图像中存在大量随机性噪声和颗粒性噪声,使得裂缝提取十分困难,复杂裂隙网络的准确提取,直接关系到后续煤岩的深入研究。
现有技术主要用人工勾画方式提取复杂裂隙图像中的裂隙网络,准确性受人主观影响大,提取效率低下;而数字图像技术从复杂裂隙图中提取裂隙网络,主要基于阈值分割、边缘检测、区域生长等方法,这些方法不适应对比度低、细节多、边界弱等特性的复杂裂隙图像,且具有不能抑制噪声、模糊图像细节、易受干扰、精确度低等缺点。
发明内容
本发明的目的是提供一种复杂裂隙网络的裂缝提取及优化方法,该方法可对复杂裂隙图进行全自动批量处理,从而得到完整准确的裂隙网络,解决传统方法带来的局限性,得到了更加理想的裂缝提取结果。
本发明的目的是通过以下技术方案实现的:
一种复杂裂隙网络的裂缝提取及优化方法,所述包括:
步骤1、采用直方图均衡化、高斯滤波方式和伽马变换算法对待处理的复杂裂隙网络进行处理,实现图像中复杂裂缝与基质像素的分离;
步骤2、采用自适应otsu阈值化初步提取裂缝目标,然后使用基于密度变换去除二值图像中基质材料处的噪声,保留裂缝部位,实现复杂裂缝网络的初步提取;
步骤3、建立基于形态特征的伪目标去除模型,从步骤2获得的复杂裂隙网络数据中提取出清晰图像帧的裂隙网络;
步骤4、建立序列图像的裂缝网络相似度优化模型,将步骤3提取出的清晰图像帧的裂隙网络作为先验形状,得到其他相邻图像的复杂裂隙网络,最终得到完整的复杂裂隙网络。
由上述本发明提供的技术方案可以看出,上述方法可对复杂裂隙图进行全自动批量处理,从而得到完整准确的裂隙网络,解决传统方法带来的局限性,得到了更加理想的裂缝提取结果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的复杂裂隙网络的裂缝提取及优化方法流程示意图;
图2为本发明实施例所举的裂隙图像原图;
图3为本发明实施例所述经过直方图均衡化处理后的图像;
图4为本发明实施例所述经过高斯滤波处理后的图像;
图5为本发明实施例所述经过二值化处理后的结果图;
图6为本发明实施例所述经过序列图像中裂缝网络优化后的结果图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述,如图1所示为本发明实施例提供的复杂裂隙网络的裂缝提取及优化方法流程示意图,所述方法包括:
步骤1、采用直方图均衡化、高斯滤波方式和伽马变换算法对待处理的复杂裂隙网络进行处理,实现图像中复杂裂缝与基质像素的分离;
1.1采用直方图均衡化处理的过程为:
设待处理的复杂裂隙网络的原图像f(x,y)的像素点总数为n,有m个灰度级;用r表示原图像的灰度值,s表示经过直方图均衡化处理后图像的灰度值,nk表示灰度级为rk的像素点个数,灰度级k出现的概率如下式所示:
直方图均衡化处理后各像素的灰度值表示为:
举例来说,如图2所示为本发明实施例所举的裂隙图像的原图,如图3所示为本发明实施例所述经过直方图均衡化处理后的图像。经过直方图均衡化处理后,加大了裂缝与周边区域之间的差距,突出裂缝的信息,改善了煤岩序列CT图像的视觉效果,提高图像的清晰度,为图像的分割和进一步处理奠定良好的基础。
1.2使用高斯滤波的方式去除随机性噪声,高斯滤波器是一种线性滤波器,二维高斯滤波器对目标像素某邻域内像素值分别赋以不同权值,对图像卷积后得到目标点平滑值。高斯权值由两个像素之间的欧式距离决定,观察正态分布曲线可以得知,在一定邻域范围内,与目标点距离越近的像素影响越大,反之影响越小。
具体实现过程中,二维高斯函数公式如下:
其中,σ是标准差,即高斯滤波器的尺度因子,决定高斯滤波器的范围,σ越大,滤波效果越明显。模板范围越大,滤波效果越明显,通过调节标准差σ,可以防止图像中有效的特征分量被模糊,并且平滑图像中影响图像效果的噪声以及细纹理。
高斯卷积如下:
其中:g[i,j]为高斯卷积模板,f[i,j]为原始输入图。
举例来说,如图4所示为本发明实施例所述经过高斯滤波处理后的图像,通过高斯滤波处理可以抑制图像噪声,平滑图像。
1.3基于伽马变换的裂隙边界增强算法,增强裂隙图像的裂缝信息、矫正裂隙图像的亮度,获得处理后的复杂裂隙网络数据;
该步骤中,由于显卡或者显示器的原因会出现实际输出的图像在亮度上有偏差,而γ曲线矫正就是通过一定的方法来矫正图像的这种偏差的方法。一般情况下,当用于γ矫正的值大于1时,图像的高光部分被压缩而暗调部分被扩展,当γ矫正的值小于1时,图像的高光部分被扩展而暗调部分被压缩,γ矫正一般用于平滑的扩展暗调的细节。具体实现中,伽马变换的公式表示为:
fgamma(x,y,z)=Af′log(x,y,z)γ;
其中,f′log(x,y,z)为符合要求的复杂裂隙图像数据;fgamma(x,y,z)为伽马变换输出的图像数据;A为常数,γ是可调变量,用以控制图像增强程度。
步骤2、采用自适应otsu阈值化初步提取裂缝目标,然后使用基于密度变换去除二值图像中基质材料处的噪声,保留裂缝部位,实现复杂裂缝网络的初步提取;
在该步骤中,采用双窗OTSU二值法对步骤1处理后的复杂裂隙网络数据进行处理,得到隐含完整裂隙网络的二值化结果,如图5所示为本发明实施例所述经过二值化处理后的结果图。
其中,复杂裂隙网络的像素值用f(x,y)表示,经过密度过滤器去除噪声后的图像用g(x,y)表示,其中(x,y)为像素点坐标,过滤器的尺寸选取为a×a,则有:
gx,y=1&i=x-a2x+a2j=y-a2y+a2fi,ja2>70%0&否则&&fx,y=1;
再利用轮廓查找算法获得所有轮廓,用八链码原理将每个轮廓边界编码为一组被称为链码的代码,用0~7表示8个方向,边界链码组合用于形状面积和周长的计算。
步骤3、建立基于形态特征的伪目标去除模型,从步骤2获得的复杂裂隙网络数据中提取出清晰图像帧的裂隙网络;
3.1所述形态特征包括:
(1)面积S:直接用区域的像素之和作为区域的面积;
(3)长宽比R
采用旋转法求轮廓的最小外接矩形,WMER为最小外接矩形的宽,LMER为最小外接矩形的长,长宽比反映了区域的胖瘦形状;
面积S小于阈值的为小的噪声目标、长宽比R小于阈值的为非裂缝区域的伪目标、圆形度G大于阈值的为非裂缝区域的伪目标。
根据这几种几何特征来判别每个轮廓是否属于裂隙网络。
步骤4、建立序列图像的裂缝网络相似度优化模型,将步骤3提取出的清晰图像帧的裂隙网络作为先验形状,得到其他相邻图像的复杂裂隙网络,最终得到完整的复杂裂隙网络。
在该步骤中,具体基于序列图像的裂缝网络相似度优化模型,根据上下相邻两幅复杂裂隙图内裂隙的渐进相似性,计算上下相邻两幅复杂裂隙图在同一坐标处都存在的轮廓Cz和Cz+1的相似度,结合阈值判别这两个轮廓是否属于裂隙,其中轮廓线相似度定义为:
其中,s1为轮廓Cz和Cz+1重叠部分的面积和,s2为轮廓Cz和Cz+1不重叠部分的面积和;
轮廓面积公式为:
其中,Δy=yi-yi-1,Δx=xi-xi-1,xi和yi分别为第i个边界链码点的横纵坐标,x0和y0分别为起始边界链码点横纵坐标,n为边界链码中码的总数;
具体实现中,轮廓Cz和Cz+1在相同位置和标准的尺度下,重叠部分面积越大,不同的部分面积越小,则两个轮廓越相似。由相似性度量公式知,1)当两轮廓无重叠部分时,ρ(Cz,Cz+1)=0;2)当两轮廓完全重合时ρ(Cz,Cz+1)=1;3)一般有0≤ρ(Cz,Cz+1)≤1,且ρ(Cz,Cz+1)越大,则Cz和Cz+1越相近。举例来说,阈值可以设为0.8,如果两个裂隙相似度大于0.8,则认为满足条件。
然后采用轮廓骨架线和轮廓周长的关系来表征裂隙的细长特征,具体要求轮廓骨架线长度小于轮廓线周长的二分之一,且大于轮廓线周长的三分之一;
其中,骨架点判定准则为:
其中,r1和r2表示相邻骨架点对应最大圆的半径,(x1,y1)和(x2,y2)表示这两个骨架点的坐标;
确定所有骨架点后,连接相邻骨架点从成形成轮廓骨架线;
骨架线长度和轮廓线长度公式为:
其中,ne为线边界链码序列中偶数码个数,n为边界链码中码的总数;
同时满足上述裂隙条件的轮廓属于裂隙网络,最终得到完整的复杂裂隙网络表示为fCrackNet(x,y,z),如图6所示为本发明实施例所述经过序列图像中裂缝网络优化后的结果图。
值得注意的是,本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
综上所述,本发明实施例所提供的方法一方面避免了目前手工勾画裂隙网络,有效提高工作效率及裂隙网络的准确性;另一方面通过裂隙边界增强算法可以有效的提高裂隙边界,并结合特有的裂隙特征约束条件提取裂隙网络可以快速、准确的提取出裂隙网络;在此基础上,做进一步的优化使裂隙网络更加完整准确。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (4)
1.一种复杂裂隙网络的裂缝提取及优化方法,其特征在于,所述方法包括:
步骤1、采用直方图均衡化、高斯滤波方式和伽马变换算法对待处理的复杂裂隙网络进行处理,实现图像中复杂裂缝与基质像素的分离;
步骤2、采用自适应OTSU阈值化初步提取裂缝目标,然后使用基于密度变换的方法去除二值图像中基质材料处的噪声,保留裂缝部位,实现复杂裂隙网络的初步提取;
步骤3、建立基于形态特征的伪目标去除模型,从步骤2获得的复杂裂隙网络数据中提取出清晰图像帧的裂隙网络;
步骤4、建立序列图像的裂缝网络相似度优化模型,将步骤3提取出的清晰图像帧的裂隙网络作为先验形状,得到其他相邻图像的复杂裂隙网络,最终得到完整的复杂裂隙网络。
2.根据权利要求1所述复杂裂隙网络的裂缝提取及优化方法,其特征在于,所述步骤2的过程为:
采用双窗OTSU二值法对复杂裂隙网络数据进行处理,得到隐含完整裂隙网络的二值化结果;
其中,复杂裂隙网络的像素值用f(x,y)表示,经过密度过滤器去除噪声后的图像用g(x,y)表示,其中(x,y)为像素点坐标,过滤器的尺寸选取为a×a;
利用轮廓查找算法获得所有轮廓,用八链码原理将每个轮廓边界编码为一组被称为链码的代码,用0~7表示8个方向,边界链码组合用于形状面积和周长的计算。
4.根据权利要求1所述复杂裂隙网络的裂缝提取及优化方法,其特征在于,在步骤4中,
首先根据上下相邻两幅复杂裂隙图内裂隙的渐进相似性,计算上下相邻两幅复杂裂隙图在同一坐标处都存在的轮廓Cz和Cz+1的相似度,结合阈值判别这两个轮廓是否属于裂隙,其中轮廓线相似度定义为:
其中,s1为轮廓Cz和Cz+1重叠部分的面积和,s2为轮廓Cz和Cz+1不重叠部分的面积和;
轮廓面积公式为:
其中,Δy=yi-yi-1,Δx=xi-xi-1,xi和yi分别为第i个边界链码点的横纵坐标,x0和y0分别为起始边界链码点横纵坐标,n为边界链码中码的总数;
然后采用轮廓骨架线和轮廓周长的关系来表征裂隙的细长特征,具体要求轮廓骨架线长度小于轮廓线周长的二分之一,且大于轮廓线周长的三分之一;
其中,骨架点判定准则为:
其中,r1和r2表示相邻骨架点对应最大圆的半径,(x1,y1)和(x2,y2)表示这两个骨架点的坐标;
确定所有骨架点后,连接相邻骨架点从成形成轮廓骨架线;
骨架线长度和轮廓线长度公式为:
其中,ne为线边界链码序列中偶数码个数,n为边界链码中码的总数;
同时满足裂隙条件的轮廓属于裂隙网络,最终得到完整的复杂裂隙网络表示为fCrackNet(x,y,z)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810673164.9A CN108986079B (zh) | 2018-06-26 | 2018-06-26 | 一种复杂裂隙网络的裂缝提取及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810673164.9A CN108986079B (zh) | 2018-06-26 | 2018-06-26 | 一种复杂裂隙网络的裂缝提取及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986079A CN108986079A (zh) | 2018-12-11 |
CN108986079B true CN108986079B (zh) | 2022-04-08 |
Family
ID=64538863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810673164.9A Active CN108986079B (zh) | 2018-06-26 | 2018-06-26 | 一种复杂裂隙网络的裂缝提取及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986079B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508866B (zh) * | 2020-11-23 | 2024-03-08 | 沈阳工业大学 | 基于机器视觉与数字图像处理的岩体裂隙分析系统及方法 |
CN117670874A (zh) * | 2024-01-31 | 2024-03-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于图像处理的箱型梁内部裂缝检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
CN108074223A (zh) * | 2017-12-28 | 2018-05-25 | 中国矿业大学(北京) | 煤岩序列ct图中裂隙网络自动提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489903B2 (en) * | 2015-04-27 | 2019-11-26 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Stepwise refinement detection method for pavement cracks |
-
2018
- 2018-06-26 CN CN201810673164.9A patent/CN108986079B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
CN108074223A (zh) * | 2017-12-28 | 2018-05-25 | 中国矿业大学(北京) | 煤岩序列ct图中裂隙网络自动提取方法 |
Non-Patent Citations (1)
Title |
---|
基于图像处理的地铁隧道裂缝识别算法研究;王耀东 等;《仪器仪表学报》;20140731;第35卷(第7期);第1489-1496页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108986079A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
Fitton et al. | Optimising the application of the Hough transform for automatic feature extraction from geoscientific images | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN113128442B (zh) | 基于卷积神经网络的汉字书法风格识别方法和评分方法 | |
CN109859224B (zh) | 一种传送带矿岩颗粒图像分割方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN113240642A (zh) | 图像缺陷检测方法及装置、电子设备、存储介质 | |
CN108074223B (zh) | 煤岩序列ct图中裂隙网络自动提取方法 | |
CN109859187B (zh) | 一种爆堆矿岩颗粒图像分割方法 | |
CN106204617B (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
CN109961416B (zh) | 一种基于形态学梯度多尺度融合的营业执照信息提取方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN109325498B (zh) | 基于窗口动态阈值改进Canny算子的叶脉提取方法 | |
CN108986079B (zh) | 一种复杂裂隙网络的裂缝提取及优化方法 | |
CN110969620A (zh) | 一种磁瓦波纹类缺陷的检测方法及装置 | |
AU2020103470A4 (en) | Shadow Detection for High-resolution Orthorectificed Imagery through Multi-level Integral Relaxation Matching Driven by Artificial Shadows | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN116342635B (zh) | 一种地质测绘中裂缝轮廓提取方法 | |
CN111476723B (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
CN109949294A (zh) | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 | |
CN109060813A (zh) | 基于图像优化分类的土石料级配自动检测方法 | |
CN109146888A (zh) | 一种基于差商分析的土裂隙分形维数计算方法 | |
Han et al. | An enhanced image binarization method incorporating with Monte-Carlo simulation |
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 |