CN109544531B - 一种基于形状特征识别gpr图像病害类型的方法 - Google Patents
一种基于形状特征识别gpr图像病害类型的方法 Download PDFInfo
- Publication number
- CN109544531B CN109544531B CN201811376241.0A CN201811376241A CN109544531B CN 109544531 B CN109544531 B CN 109544531B CN 201811376241 A CN201811376241 A CN 201811376241A CN 109544531 B CN109544531 B CN 109544531B
- Authority
- CN
- China
- Prior art keywords
- image
- gpr
- matrix
- disease
- threshold
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar 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
- G06T2207/30—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)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于形状特征识别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图像进行F‑K偏移,得到GPR图像矩阵NI;步骤2:对GPR图像矩阵NI进行归一化,得到归一化矩阵NI_H;步骤3:依据最大类间方差阈值法对归一化矩阵NI_H进行二值化,得到二值矩阵NI_HB;步骤4:对二值矩阵NI_HB依据图像最大连通区域进行图像分割,分割后图像只保留最大的连通区域;步骤5:根据图像分割后最大连通区域在垂直方向上的深度与水平方向上的宽度的比值进行图像模式识别,判断GPR图像病害类型。本发明实现了病害形状特征的突出,有利于提取病害特征,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,具有较大的现实意义。
Description
技术领域
本发明涉及一种基于形状识别GPR图像病害类型的方法,属于病害识别技术领域。
背景技术
在探地雷达(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。本发明根据GPR数据病害检测分类自动化给出一种新的解决方案。专利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。专利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。专利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:
一种基于形状特征识别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图像进行F-K偏移,即频率-波数域偏移,用于对病害散射波进行偏移,还原病害的原始形状和大小,得到GPR图像矩阵NI;
步骤2:对GPR图像矩阵NI进行归一化,即对GPR图像矩阵NI经过映射处理后得到归一化矩阵NI_H,NI_H中元素值范围在0-255之间;
步骤3:依据最大类间方差阈值法对归一化矩阵NI_H进行二值化,使归一化矩阵NI_H对应的GPR图像中病害反射波与背景之间的类间方差最大化,得到阈值T,将矩阵NI_H所有像素值大于T的像素值全部变为255,其余像素值全部变为0,得到二值矩阵NI_HB;
步骤4:对二值矩阵NI_HB依据图像最大连通区域进行图像分割,分割后图像只保留最大的连通区域,该连通区域就是GPR图像病害的形状;
步骤5:根据图像分割后最大连通区域在垂直方向上的深度与水平方向上的宽度的比值进行图像模式识别,即病害类型识别,判断GPR图像病害类型。
进一步地,步骤2中归一化不改变图像的对比度,只是将图像的像素值范围控制在0-255之间,归一化过程如下:
y=(x-MinV)/(MaxV-MinV)
其中,x、y分别为转换前后的图像像素值,MaxV、MinV分别为GPR图像矩阵NI的最大值和最小值。
进一步地,步骤3的具体步骤包括:对图像进行二值化,二值化阈值T的选取采用
最大类间方差阈值法,具体过程如下:
W0=N0/(M×N) (1)
W1=N1/(M×N) (2)
N0+N1=M×N (3)
W0+W1=1 (4)
μ=W0×μ0+W1×μ1 (5)
g=W0(μ0-μ)2+W1(μ1-μ)2 (6)
其中,背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为W0,其平均灰度μ0,背景像素点数占整幅图像的比例为W1,其平均灰度为μ1,图像的总平均灰度记为μ,类间方差记为g,图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
将式(5)代入式(6),得到等价公式:
g=W0×W1(μ0-μ1)2 (7)
采用遍历的方法得到使类间方差最大的阈值T,即为所求;
将矩阵NI_H所有像素值大于T的像素值全部变为255,其余像素值全部变为0,得到二值矩阵NI_HB。
进一步地,所述GPR图像病害类型包括脱空和空洞。
有益效果:本发明的一种基于形状识别GPR图像病害类型的方法,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,采用了结合F-K偏移、归一化、二值化、图像分割的算法,突出病害形状和大小,有利于进一步提取病害特征,实现了常见的混凝土病害脱空和空洞的分类识别,符合探地雷达行业病害识别自动化的追求目标,具有较大的现实意义。
附图说明
图1是本发明病害识别流程详图;
图2是空洞的原始GPR扫描图;
图3是空洞经过F-K偏移后的图像;
图4是空洞经过二值化后的图像;
图5是空洞经过图像分割后的图像;
图6是脱空的原始GPR扫描图;
图7是脱空经过F-K偏移后的图像;
图8是脱空经过二值化后的图像;
图9是脱空经过图像分割后的图像。
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。
一种基于形状特征识别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图像进行F-K偏移,即频率-波数域偏移,用于对病害散射波进行偏移,原理是将病害的散射波能量都集中到病害原来的位置,还原病害的原始形状和大小,得到GPR图像矩阵NI;图2和图6分别代表了空洞和脱空的原始GPR扫描图,其中,横轴表示水平距离,纵轴表示深度。图3和图7分别代表空洞和脱空的经过F-K偏移后的图像,F_K偏移还原空洞和脱空地原始形状和大小。
步骤2:对GPR图像矩阵NI进行归一化,即对GPR图像矩阵NI经过映射处理后得到归一化矩阵NI_H,NI_H中元素值范围在0-255之间;
归一化不改变图像的对比度,只是将图像的像素值范围控制在0-255之间,归一化过程如下:
y=(x-MinV)/(MaxV-MinV)
其中,x、y分别为转换前后的图像像素值,MaxV、MinV分别为GPR图像矩阵NI的最大值和最小值。
步骤3:依据最大类间方差阈值法对归一化矩阵NI_H进行二值化,使归一化矩阵NI_H对应的GPR图像中病害反射波与背景之间的类间方差最大化,得到阈值T,将矩阵NI_H所有像素值大于T的像素值全部变为255,其余像素值全部变为0,得到二值矩阵NI_HB;图4和图8分别代表空洞和脱空的经过二值化后的图像。
步骤3的具体步骤包括:对图像进行二值化,二值化阈值T的选取采用最大类间方差阈值法,具体过程如下:
W0=N0/(M×N) (1)
W1=N1/(M×N) (2)
N0+N1=M×N (3)
W0+W1=1 (4)
μ=W0×μ0+W1×μ1 (5)
g=W0(μ0-μ)2+W1(μ1-μ)2 (6)
其中,背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为W0,其平均灰度μ0,背景像素点数占整幅图像的比例为W1,其平均灰度为μ1,图像的总平均灰度记为μ,类间方差记为g,图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
将式(5)代入式(6),得到等价公式:
g=W0×W1(μ0-μ1)2 (7)
采用遍历的方法得到使类间方差最大的阈值T,即为所求;
将矩阵NI_H所有像素值大于T的像素值全部变为255,其余像素值全部变为0,得到二值矩阵NI_HB。
步骤4:对二值矩阵NI_HB依据图像最大连通区域进行图像分割,分割后图像只保留最大的连通区域,该连通区域就是GPR图像病害的形状;连通区域指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域,分割后图像只保留最大的连通区域,该连通区域就是GPR图像病害的形状。图5和图9分别代表空洞和脱空的经过图像分割后的图像,分割后的图像能够反映出病害的原始形状。其中白色区域就是保留地最大连通区域。
步骤5:根据图像分割后最大连通区域在垂直方向上的深度与水平方向上的宽度的比值进行图像模式识别,即病害类型识别,判断GPR图像病害类型,所述GPR图像病害类型包括脱空和空洞。根据连通区域的形状,计算出GPR图像病害-空洞、脱空在深度方向和水平方向上的跨度的比值,根据比值判断GPR图像病害类型是脱空还是空洞。理论上空洞的比值接近于1,而脱空的比值接近于0。图5和图9中经过计算深度方向和水平方向上的跨度的比值,空洞地比值为0.5,而脱空地比值为0.045。
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 (4)
1.一种基于形状特征识别GPR图像病害类型的方法,其特征在于,包括如下步骤:
步骤1:针对存在病害反射波的GPR图像,对GPR图像进行F-K偏移,即频率-波数域偏移,用于对病害散射波进行偏移,还原病害的原始形状和大小,得到GPR图像矩阵NI;
步骤2:对GPR图像矩阵NI进行归一化,即对GPR图像矩阵NI经过映射处理后得到归一化矩阵NI_H,NI_H中元素值范围在0-255之间;
步骤3:依据最大类间方差阈值法对归一化矩阵NI_H进行二值化,使归一化矩阵NI_H对应的GPR图像中病害反射波与背景之间的类间方差最大化,得到阈值T,将矩阵NI_H所有像素值大于T的像素值全部变为255,其余像素值全部变为0,得到二值矩阵NI_HB;
步骤4:对二值矩阵NI_HB依据图像最大连通区域进行图像分割,分割后图像只保留最大的连通区域,该连通区域就是GPR图像病害的形状;
步骤5:根据图像分割后最大连通区域在垂直方向上的深度与水平方向上的宽度的比值进行图像模式识别,即病害类型识别,判断GPR图像病害类型。
2.根据权利要求1所述的一种基于形状特征识别GPR图像病害类型的方法,其特征在于,步骤2中归一化过程如下:
y=(x-MinV)/(MaxV-MinV)
其中,x、y分别为转换前后的图像像素值,MaxV、MinV分别为GPR图像矩阵NI的最大值和最小值。
3.根据权利要求1所述的一种基于形状特征识别GPR图像病害类型的方法,其特征在于,步骤3的具体步骤包括:对图像进行二值化,二值化阈值T的选取采用最大类间方差阈值法,具体过程如下:
W0=N0/(M×N) (1)
W1=N1/(M×N) (2)
N0+N1=M×N (3)
W0+W1=1 (4)
μ=W0×μ0+W1×μ1 (5)
g=W0(μ0-μ)2+W1(μ1-μ)2 (6)
其中,背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为W0,其平均灰度μ0,背景像素点数占整幅图像的比例为W1,其平均灰度为μ1,图像的总平均灰度记为μ,类间方差记为g,图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
将式(5)代入式(6),得到等价公式:
g=W0×W1(μ0-μ1)2 (7)
采用遍历的方法得到使类间方差最大的阈值T,即为所求;
将矩阵NI_H所有像素值大于T的像素值全部变为255,其余像素值全部变为0,得到二值矩阵NI_HB。
4.根据权利要求1所述的一种基于形状特征识别GPR图像病害类型的方法,其特征在于,所述GPR图像病害类型包括脱空和空洞。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811376241.0A CN109544531B (zh) | 2018-11-19 | 2018-11-19 | 一种基于形状特征识别gpr图像病害类型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811376241.0A CN109544531B (zh) | 2018-11-19 | 2018-11-19 | 一种基于形状特征识别gpr图像病害类型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544531A CN109544531A (zh) | 2019-03-29 |
CN109544531B true CN109544531B (zh) | 2021-11-09 |
Family
ID=65848548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811376241.0A Active CN109544531B (zh) | 2018-11-19 | 2018-11-19 | 一种基于形状特征识别gpr图像病害类型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544531B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993758A (zh) * | 2019-04-23 | 2019-07-09 | 北京华力兴科技发展有限责任公司 | 分割方法、分割装置、计算机设备及存储介质 |
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 |
CN111191192B (zh) * | 2019-12-27 | 2023-09-19 | 潍柴动力股份有限公司 | 数据的去噪方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942777A (zh) * | 2014-03-13 | 2014-07-23 | 华南理工大学 | 一种基于主成分分析的手机玻璃盖板缺陷检测方法 |
US9077828B1 (en) * | 2012-05-01 | 2015-07-07 | Noble Systems Corporation | Using two-dimensional barcodes with general purpose reloadable cards to facilitate access to a contact center |
CN108375334A (zh) * | 2018-02-13 | 2018-08-07 | 南京工程学院 | 一种基于sar的gpr多层钢筋网参数检测方法 |
CN108960172A (zh) * | 2018-07-12 | 2018-12-07 | 南京工程学院 | 一种识别gpr图像病害类型的方法 |
-
2018
- 2018-11-19 CN CN201811376241.0A patent/CN109544531B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9077828B1 (en) * | 2012-05-01 | 2015-07-07 | Noble Systems Corporation | Using two-dimensional barcodes with general purpose reloadable cards to facilitate access to a contact center |
CN103942777A (zh) * | 2014-03-13 | 2014-07-23 | 华南理工大学 | 一种基于主成分分析的手机玻璃盖板缺陷检测方法 |
CN108375334A (zh) * | 2018-02-13 | 2018-08-07 | 南京工程学院 | 一种基于sar的gpr多层钢筋网参数检测方法 |
CN108960172A (zh) * | 2018-07-12 | 2018-12-07 | 南京工程学院 | 一种识别gpr图像病害类型的方法 |
Non-Patent Citations (1)
Title |
---|
钢筋混凝土GPR检测图像的目标体快速识别技术;黄 玲等;《吉林大学学报》;20061130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109544531A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107154040B (zh) | 一种隧道衬砌表面图像裂缝检测方法 | |
CN109544531B (zh) | 一种基于形状特征识别gpr图像病害类型的方法 | |
CN103020605B (zh) | 基于决策层融合的桥梁识别方法 | |
CN106022341B (zh) | 高分辨率光学遥感图像灾后水体信息提取方法及系统 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN108960172B (zh) | 一种识别gpr图像病害类型的方法 | |
CN117036341A (zh) | 一种基于图像处理的路面裂缝检测方法 | |
Du et al. | Research on an efficient method of license plate location | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN104966091A (zh) | 一种基于无人机遥感影像的露天矿道路提取方法 | |
Yao et al. | Automatic extraction of road markings from mobile laser-point cloud using intensity data | |
CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
CN108319927B (zh) | 一种自动识别病害的方法 | |
CN109859220B (zh) | 一种线形图像分割方法 | |
CN109165653B (zh) | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 | |
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 | |
Ma et al. | Road extraction from ETM panchromatic image based on dual-edge following | |
CN115937719A (zh) | 一种基于最大面积的跑道轮廓线获取方法 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
Jo et al. | Pothole detection based on the features of intensity and motion | |
Courtrai et al. | Road network extraction from remote sensing using region-based mathematical morphology | |
CN107153823B (zh) | 一种基于视觉关联双空间的车道线特征提取方法 | |
CN113095309A (zh) | 一种基于点云的道路场景地面标识物的提取方法 | |
Xumin et al. | Research on vectorization of weather radar image | |
CN107909071A (zh) | 一种基于数学形态学的车牌定位方法 |
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 |