CN109584240A - 滑坡后缘裂缝位移图像识别方法 - Google Patents
滑坡后缘裂缝位移图像识别方法 Download PDFInfo
- Publication number
- CN109584240A CN109584240A CN201811567370.8A CN201811567370A CN109584240A CN 109584240 A CN109584240 A CN 109584240A CN 201811567370 A CN201811567370 A CN 201811567370A CN 109584240 A CN109584240 A CN 109584240A
- Authority
- CN
- China
- Prior art keywords
- image
- landslide
- pixel
- curve
- rear crack
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000000877 morphologic effect Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000007797 corrosion Effects 0.000 claims abstract description 12
- 238000005260 corrosion Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 230000000717 retained effect Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000011160 research Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 208000010392 Bone Fractures Diseases 0.000 description 5
- 206010017076 Fracture Diseases 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Abstract
本发明公开了一种滑坡后缘裂缝位移图像识别方法,针对滑坡后缘已有裂缝带,以山体表面植被与滑坡裸露岩土颜色对比鲜明为基础,首先使用灰度化方法将原始彩色图像转换为单通道灰色图像;然后使用直方图与中值滤波进行降噪滤波处理;使用OTSU大津算法确定最佳二值化阈值,并给出二值化图像;再经过图像形态学进行腐蚀与膨胀处理,平滑图像细节;最后使用Canny算子方法勾勒出图像边界,依靠特征识别,保留所求滑坡后缘裂缝曲线。本发明提供的识别方法有效地优化了现有滑坡裂缝监测方式,且最大可能的保留了山体滑坡裂缝的细节信息,为地质工作者的研究提供了更可靠的材料。
Description
技术领域
本发明涉及一种图像识别方法,尤其涉及一种滑坡后缘裂缝位移图像识别方法。
背景技术
作为地质灾害中的常见灾害类型,滑坡发生的次数占比逐年增加。据全国地质灾害通报书2016显示,2016年全国共发生滑坡7403起,占地质灾害总数的76.2%,给人民群众的生命财产安全造成了巨大的威胁。所以对滑坡的检测和监测变得非常重要。山体滑坡本身具有以下特点:滑坡后缘已有裂缝带,滑坡裸露岩土与山体表面植被在颜色上差异明显。
目前传统的监测方法,是在滑坡区域布设各种地面监测设备,如传感器终端、GPS站等,这种监测方法的缺点是:传统仪器监测方法对的依赖程度极高,地面监测设备的布点密集程度决定了监测精度和准确度。而山体滑坡后缘裂缝一般长达十几米,甚至数十米,特别是近些年关注度极高、破坏力极强的特大滑坡,后缘裂缝更长,需要安装的监测设备更多。此外,裂缝发育过程中极易损坏甚至掩埋地面设备,不仅增加了监测成本,还严重影响监测数据的准确性。另外,传感器采集到的数据,还需要各种整合,运算量大。
目前图像处理中常用一些方法:
直方图均衡化方法:主要用于增强动态范围较小的图像的灰度反差,该方法的基本思想是把原始图像的直方图变换为均匀分布的形式,这样就增加了像素灰度值的动态范围,从而达到增强图像整体对比度的目的。
中值滤波算法:在图像处理中,在进行如边缘检测这样的进一步处理之前,通常需要首先进行一定程度的降噪。中值滤波是一种非线性数字滤波器技术,经常用于去除图像或者其它信号中的噪声。这个设计思想就是检查输入信号中的采样并判断它是否代表了信号,使用奇数个采样组成的观察窗实现这项功能。观察窗口中的数值进行排序,位于观察窗中间的中值作为输出。然后,丢弃最早的值,取得新的采样,重复上面的计算过程。中值滤波是图像处理中的一个常用步骤,它对于斑点噪声和椒盐噪声来说尤其有用。保存边缘的特性使它在不希望出现边缘模糊的场合也很有用。
OTSU算法:也称最大类间差法,有时也称之为大津算法,由大津于1979年提出,被认为是图像分割中阈值选取的最佳算法,计算简单,不受图像亮度和对比度的影响,因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
膨胀和腐蚀是形态学处理的基本方法:按数学方面来说,膨胀或者腐蚀操作就是将图像,或图像的一部分区域与核(即设定的结构元素)进行卷积,图像的一部分区域我们称之为A,核称之为B。
膨胀就是求局部最大值的操作,核B与图形卷积,即计算核B覆盖的区域的像素点的最大值,并把这个最大值赋值给参考点指定的像素。这样就会使图像中的高亮区域逐渐增长。腐蚀与膨胀相反,是求局部最小值的操作。
发明内容
本发明的目的就在于提供一种解决上述问题,能有效地降低山体滑坡监测成本,规避了加装传感器的危险,更加直观的反应了滑坡灾害细节信息的滑坡后缘裂缝位移图像识别方法。
为了实现上述目的,本发明采用的技术方案是这样的:一种滑坡后缘裂缝位移图像识别方法,包括以下步骤:
(1)获取滑坡现场的彩色CCD图像,所述CCD图像包含滑坡的原始裂缝曲线,将彩色CCD图像进行灰度化处理,由多通道彩色图像转化单通道的灰度图像;
(2)用直方图均衡化方法处理灰度图,增强灰度图的对比度;
(3)将步骤(2)处理后的图像采用中值滤波降噪;
(4)使用OTSU大津算法将步骤(3)处理后的图像转化为二值化图像,所述二值化图像由前景和背景两部分构成;
(5)将二值化图像经图像形态学的膨胀和腐蚀处理;
(6)使用Canny算法将步骤(5)处理后的图像进行边缘检测,得到前景中的多个边界曲线区域,所述多个边界曲线区域构成边界曲线区域集合;
(7)步骤(6)处理后的图像,长宽尺寸为A*B,预设识别参数0.5<C<0.8,对每个边界曲线区域,作与其外相切的最小面积矩形框,若所述最小面积矩形框域的长>A*C,且宽>B*C,则认为该最小面积矩形框所包含的曲线为边界曲线,并保留,否则丢弃,最后所有保留下来的边界曲线构成滑坡后缘裂缝曲线。
作为优选:还包括步骤(8),
(81)设定检测区域,设滑坡后缘裂缝曲线长度为L,以滑坡后缘裂缝曲线的最高点为中点,截取1/2L长度区域为检测区域;
(82)观察检测区域内的边界曲线是否连续;
(83)若不连续,手动调整OTSU大津算法的分割阈值,重复步骤(4)-(7),直至检测区域内的边界曲线连续。
作为优选:步骤(1)中灰度化处理为加权平均法,采用下式将彩色图像的三通道分量进行加权平均法得到灰度图:
f=0.299R+0.587G+0.114B
其中f为一个像素点的灰度值,R、G、B分别表示该像素点的为红色分通道值、绿色通道值和蓝色通道值。
作为优选:所述步骤(5)中图像形态学中:
膨胀处理为,采用数学形态学膨胀算法,设定结构元素,并将结构元素与二值化图像的每个像素作“与”操作,若“与”操作的结果都为0,则该像素点的像素值为0,否则为255;
腐蚀处理为:采用数学形态学腐蚀算法,将结构元素与二值化图像的每个像素作“与”操作,若“与”操作的结果都为1,则该像素点的像素值为255,否则为0。
作为优选:所述步骤(7)预设识别参数C=2/3。
本发明图像预处理的方法和目的是:灰度化处理了是为了将图像转化为单通道的灰度图,由于彩色图转化为灰度图会损失图像色彩表现力,造成细节对比度降低,因此使用直方图均衡化方法增强图像对比度,实际处理后,发现因图像本身质量,和转化过程中效果不一,造成某些像素点灰度值显示不正常,即噪声点,因此使用中值滤波算法抑制噪声干扰;处理后的图像,为了更清楚表现前景与背景区域,消除灰色轮廓边界,使用OTSU大津算法转化灰度图像为二值化图像;再使用形态学处理方法,避免图像目标前景区域细微连接处断裂,并且消除小而无意义的目标前景区域。
与现有技术相比,本发明的优点在于:采用一系列操作对图像进行预处理,处理后的图像使用Canny算法进行边缘检测,标记处滑坡后缘裂缝曲线。实际上,标记出来的曲线与原始图像的重合度,受二值化处理影响,所以本发明可以手动调整二值化处理的分割阈值,直到图像满足需求。
本发明中:运用图像处理等高新技术,解决了传统滑坡监测领域高成本、高危险性和低精度的问题,输入滑坡灾害实体图像作为识别的图像源,能最大程度的保留该灾害体的细节信息,为地质工作者的研究提供了全面的资料。
运用直方图修正与中值滤波等图像预处理方式,对原始图像进行识别前的处理,能有效减少无关因素对识别结果的影响,降低识别结果的误差。
依靠软件良好的用户交互界面,提供了一种根据识别结果的优劣,作手动调节的交互方式。用户可根据识别效果,自行设定二值化阈值,直到得到最优识别结果。
本发明提供的识别方法有效地降低滑坡监测成本,规避了加装传感器的危险,更加直观的反应了滑坡灾害细节信息,且图像源为普通的CCD地质图像,便于采集。
附图说明
图1为本发明流程图;
图2为实施例2的滑坡现场的彩色CCD图像经灰度化处理后得到的灰度图像;
图3为图2经直方图均衡化方法处理后得到的图像;
图4为图3经中值滤波降噪后得到的图像;
图5a为实施例2的二值化图像;
图5b为图5a形态学膨胀处理图像;
图5c为图5b形态学腐蚀处理图像;
图5d为图5cCanny算法处理后得到的图像;
图5e为图5d中对每个边界曲线区域,作与其外相切的最小面积矩形后的图像;
图5f为图5e保留下来的边界曲线构成的滑坡后缘裂缝曲线图;
图6a为实施例3的二值化图像;
图6b为图6a形态学处理膨胀处理图像;
图6c为图6b形态学处理腐蚀处理图像;
图6d为图6cCanny算法处理后得到的图像;
图6e为图6d中对每个边界曲线区域,作与其外相切的最小面积矩形后的图像;
图6f为图6e保留下来的边界曲线构成的滑坡后缘裂缝曲线图;
图7a为实施例4的二值化图像;
图7b为图7a形态学膨胀处理图像;
图7c为图7b形态学腐蚀处理图像;
图7d为图7cCanny算法处理后得到的图像;
图7e为图7d中对每个边界曲线区域,作与其外相切的最小面积矩形后的图像;
图7f为图7e保留下来的边界曲线构成的滑坡后缘裂缝曲线图;
图8a为实施例5的二值化图像;
图8b为图8a形态学膨胀处理图像;
图8c为图8b形态学腐蚀处理图像;
图8d为图8cCanny算法处理后得到的图像;
图8e为图8d中对每个边界曲线区域,作与其外相切的最小面积矩形后的图像;
图8f为图8e保留下来的边界曲线构成的滑坡后缘裂缝曲线图。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1:参见图1,一种滑坡后缘裂缝位移图像识别方法,包括以下步骤:
(1)获取滑坡现场的彩色CCD图像,所述CCD图像包含滑坡的原始裂缝曲线,将彩色CCD图像进行灰度化处理,由多通道彩色图像转化单通道的灰度图像;本实施例中灰度化处理为加权平均法,采用下式将彩色图像的三通道分量进行加权平均法得到灰度图:
f=0.299R+0.587G+0.114B
其中f为一个像素点的灰度值,R、G、B分别表示该像素点的为红色分通道值、绿色通道值和蓝色通道值;
(2)用直方图均衡化方法处理灰度图,增强灰度图的对比度;
(3)将步骤(2)处理后的图像采用中值滤波降噪;
(4)使用OTSU大津算法将步骤(3)处理后的图像转化为二值化图像,所述二值化图像由前景和背景两部分构成;
(5)将二值化图像经图像形态学的膨胀和腐蚀处理;
膨胀处理为,采用数学形态学膨胀算法,设定结构元素,并将结构元素与二值化图像的每个像素作“与”操作,若“与”操作的结果都为0,则该像素点的像素值为0,否则为255;
腐蚀处理为:采用数学形态学腐蚀算法,将结构元素与二值化图像的每个像素作“与”操作,若“与”操作的结果都为1,则该像素点的像素值为255,否则为0;
(6)使用Canny算法将步骤(5)处理后的图像进行边缘检测,得到前景中的多个边界曲线区域,所述多个边界曲线区域构成边界曲线区域集合;
(7)步骤(6)处理后的图像,长宽尺寸为A*B,预设识别参数0.5<C<0.8,对每个边界曲线区域,作与其外相切的最小面积矩形框,若所述最小面积矩形框域的长>A*C,且宽>B*C,则认为该最小面积矩形框所包含的曲线为边界曲线,并保留,否则丢弃,最后所有保留下来的边界曲线构成滑坡后缘裂缝曲线。本实施例中,预设识别参数C=2/3。
实施例2:为了更好的说明本发明,我们选取一张滑坡现场的彩色CCD图像,该图像中,其前景像素区域为裸露岩土,背景区域为绿色植被。本发明包括以下步骤:
(1)获取如图2所述的灰度图像,所述CCD图像包含滑坡的原始裂缝曲线,将彩色CCD图像进行灰度化处理,由多通道彩色图像转化单通道的灰度图像;
(2)用直方图均衡化方法处理灰度图,增强灰度图的对比度,处理后效果如图3;
(3)将步骤(2)处理后的图像采用中值滤波降噪,处理后效果如图4;
(4)使用OTSU大津算法将步骤(3)处理后的图像转化为二值化图像,所述二值化图像由前景和背景两部分构成;
OTSU大津算法是采用二值化阈值对图像进行处理,因不同二值化阈值生成的二值化图像不同,为了便于说明,本实施例暂且选取阈值为127时生成二值化图像,效果图如图5a所示,图像中所有像素点的像素值均为0或者255,即消除了灰色的部分,将整幅图像分割为前景和背景两部分;
(5)二值化图像需经过图像形态学处理,经过膨胀和腐蚀处理,淡化小而无意义的区域和填补连接空缺的部分,效果图如图5b和5c所示;
膨胀是对图像中白色区域进行膨胀,将与前景区域接触的所有背景点合并到该物体中,可用于填补前景区域中的空洞;
腐蚀是对图像中白色部分进行腐蚀,是边界向内收缩的过程,可用于消除小而无意义的前景区域;
(6)使用Canny算法将步骤(5)处理后的图像进行边缘检测,得到前景中的多个边界曲线区域,所述多个边界曲线区域构成边界曲线区域集合,如图5d所示;
(7)使用大小不一的矩形框切割每一个边界轮廓,如图5e所示;为了只剩下目标轮廓曲线的边界,需按设识别参数去除干扰区域的边界,本实施例设定识别参数识别参数C=2/3,也就是说,
步骤(6)处理后的图像,长宽尺寸为A*B,预设识别参数C=2/3,对图中作出的每个矩形框,若这个矩形框域的长>A*C,且宽>B*C,则认为该最小面积矩形框所包含的曲线为边界曲线,并保留,否则丢弃,最终得出识别结果,如图5f所示。
实施例3:
设步骤(4)中,暂且选取阈值为100,得到的图形参见图6a-图6f。从图6a-图6f中可知,二值化阈值为100时,因二值化阈值较低,即图中前景区域像素值为255的像素点较少,前景区域成图模糊,轮廓时断时续,导致最终识别结果丢失大部分山体滑坡后缘裂缝曲线,识别效果存在误差。
实施例4:
设步骤(4)中,暂且选取阈值为124,得到的图形参见图7a-图7f,与实施例2相比,本实施例将二值化阈值由100增加到124,有效降低了前景区域轮廓所占面积,轮廓细节更明显,但通过对识别结果进行观察比较,曲线左部部分轮廓丢失,因此可适当增加二值化阈值以达到最优效果。
实施例5:
设步骤(4)中,暂且选取阈值为160,得到的图形参见图8a-8f,二值化阈值为160时,图中前景区域像素值为255的像素点较多,某些不属于前景区域的曲线轮廓也被记录为前景区域,所以该阈值设置不合理。
总体来看,相较于传统传感器测量方式,使用图像处理技术识别地质图像中的山体滑坡后缘裂缝曲线,有着一定的优越性。在有效避免了传统方法中高成本,高危险性和低精度问题的同时,提供模块式使用规范,即输入原始图像,输出识别结果。对于某些低质量原始图像,提供手动调节交互方式,力求得到最佳的识别结果。
实施例6:包括步骤(1)—(7),其中,暂且选取阈值为124,得到的输出结果参见图7f,还包括步骤(8),
(81)设定检测区域,设滑坡后缘裂缝曲线长度为L,以滑坡后缘裂缝曲线的最高点为中点,截取1/2L长度区域为检测区域;
(82)观察检测区域内的边界曲线是否连续;从图7f可知,1/2L长度区域内的边界曲线是不连续的,所以需要调整阈值;
(83)手动调整OTSU大津算法的分割阈值,重复步骤(4)-(7),直至检测区域内的边界曲线连续。
本实施例实际上是增加了二值化阈值调整的步骤,先执行步骤(1)—(7),输出滑坡后缘裂缝曲线,再将输出结果,按照步骤(81)(82)进行判断;若不需要调整,则该结果为最终结果,如果需要调整,就执行步骤(83),再观察输出结果,直到输出结果满足判断标准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种滑坡后缘裂缝位移图像识别方法,其特征在于:包括以下步骤:
(1)获取滑坡现场的彩色CCD图像,所述CCD图像包含滑坡的原始裂缝曲线,将彩色CCD图像进行灰度化处理,由多通道彩色图像转化单通道的灰度图像;
(2)用直方图均衡化方法处理灰度图,增强灰度图的对比度;
(3)将步骤(2)处理后的图像采用中值滤波降噪;
(4)使用OTSU大津算法将步骤(3)处理后的图像转化为二值化图像,所述二值化图像由前景和背景两部分构成;
(5)将二值化图像经图像形态学的膨胀和腐蚀处理;
(6)使用Canny算法将步骤(5)处理后的图像进行边缘检测,得到前景中的多个边界曲线区域,所述多个边界曲线区域构成边界曲线区域集合;
(7)步骤(6)处理后的图像,长宽尺寸为A*B(其中,A和B为图像分别在长宽上的像素点个数),预设识别参数0.5<C<0.8,对每个边界曲线区域,作与其外相切的最小面积矩形框,若所述最小面积矩形框域的长>A*C,且宽>B*C,则认为该最小面积矩形框所包含的曲线为边界曲线,并保留,否则丢弃,最后所有保留下来的边界曲线构成滑坡后缘裂缝曲线。
2.根据权利要求1所述的滑坡后缘裂缝位移图像识别方法,其特征在于:还包括步骤(8),
(81)设定检测区域,设滑坡后缘裂缝曲线长度为L,以滑坡后缘裂缝曲线的最高点为中点,截取1/2L长度区域为检测区域;
(82)观察检测区域内的边界曲线是否连续;
(83)若不连续,手动调整OTSU大津算法的分割阈值,重复步骤(4)-(7),直至检测区域内的边界曲线连续。
3.根据权利要求1所述的滑坡后缘裂缝位移图像识别方法,其特征在于:步骤(1)中灰度化处理为加权平均法,采用下式将彩色图像的三通道分量进行加权平均法得到灰度图:
f=0.299R+0.587G+0.114B
其中f为一个像素点的灰度值,R、G、B分别表示该像素点的为红色分通道值、绿色通道值和蓝色通道值。
4.根据权利要求1所述的滑坡后缘裂缝位移图像识别方法,其特征在于:所述步骤(5)中图像形态学中:
膨胀处理为,采用数学形态学膨胀算法,设定结构元素,并将结构元素与二值化图像的每个像素作“与”操作,若“与”操作的结果都为0,则该像素点的像素值为0,否则为255;
腐蚀处理为:采用数学形态学腐蚀算法,将结构元素与二值化图像的每个像素作“与”操作,若“与”操作的结果都为1,则该像素点的像素值为255,否则为0。
5.根据权利要求1所述的滑坡后缘裂缝位移图像识别方法,其特征在于:所述步骤(7)预设识别参数C=2/3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567370.8A CN109584240B (zh) | 2018-12-20 | 2018-12-20 | 滑坡后缘裂缝位移图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567370.8A CN109584240B (zh) | 2018-12-20 | 2018-12-20 | 滑坡后缘裂缝位移图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584240A true CN109584240A (zh) | 2019-04-05 |
CN109584240B CN109584240B (zh) | 2022-05-03 |
Family
ID=65930349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811567370.8A Active CN109584240B (zh) | 2018-12-20 | 2018-12-20 | 滑坡后缘裂缝位移图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584240B (zh) |
Cited By (9)
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 |
CN110378866A (zh) * | 2019-05-22 | 2019-10-25 | 中国水利水电科学研究院 | 一种基于无人机巡检的渠道衬砌破损图像识别方法 |
CN111047616A (zh) * | 2019-12-10 | 2020-04-21 | 中国人民解放军陆军勤务学院 | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 |
CN112348804A (zh) * | 2020-11-25 | 2021-02-09 | 浙江大成工程项目管理有限公司 | 由基坑位移导致的裂缝监测方法、系统、装置和存储介质 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112801982A (zh) * | 2021-01-28 | 2021-05-14 | 中国科学院武汉岩土力学研究所 | 确定岩石混合压剪裂纹尖端断裂过程区长度的方法及设备 |
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN115578725A (zh) * | 2022-09-08 | 2023-01-06 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于人机协同的滑坡边界与裂缝的标注方法及系统 |
CN115578845A (zh) * | 2022-11-24 | 2023-01-06 | 西南交通大学 | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2288135A2 (en) * | 2009-08-21 | 2011-02-23 | Konica Minolta Systems Laboratory, Inc | Deblurring and Supervised Adaptive Thresholding for Print-and-Scan Document Image Evaluation |
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN104318546A (zh) * | 2014-09-29 | 2015-01-28 | 中国农业大学 | 一种基于多尺度分析的温室田间植物叶片边缘提取方法及其系统 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
CN107067012A (zh) * | 2017-04-25 | 2017-08-18 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
CN107230214A (zh) * | 2017-05-27 | 2017-10-03 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
CN107862677A (zh) * | 2017-10-16 | 2018-03-30 | 中铁第四勘察设计院集团有限公司 | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 |
CN108022233A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳高精数控智能技术股份有限公司 | 一种基于改进型Canny算子的工件边缘提取方法 |
CN108957530A (zh) * | 2018-05-23 | 2018-12-07 | 电子科技大学 | 一种基于地震相干体切片的裂缝自动检测方法 |
-
2018
- 2018-12-20 CN CN201811567370.8A patent/CN109584240B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2288135A2 (en) * | 2009-08-21 | 2011-02-23 | Konica Minolta Systems Laboratory, Inc | Deblurring and Supervised Adaptive Thresholding for Print-and-Scan Document Image Evaluation |
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN104318546A (zh) * | 2014-09-29 | 2015-01-28 | 中国农业大学 | 一种基于多尺度分析的温室田间植物叶片边缘提取方法及其系统 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN108022233A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳高精数控智能技术股份有限公司 | 一种基于改进型Canny算子的工件边缘提取方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
CN107067012A (zh) * | 2017-04-25 | 2017-08-18 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
CN107230214A (zh) * | 2017-05-27 | 2017-10-03 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
CN107862677A (zh) * | 2017-10-16 | 2018-03-30 | 中铁第四勘察设计院集团有限公司 | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 |
CN108957530A (zh) * | 2018-05-23 | 2018-12-07 | 电子科技大学 | 一种基于地震相干体切片的裂缝自动检测方法 |
Non-Patent Citations (1)
Title |
---|
段瑞玲, 李庆祥, 李玉和: "图像边缘检测方法研究综述", 《光学技术》 * |
Cited By (13)
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 |
CN110378866A (zh) * | 2019-05-22 | 2019-10-25 | 中国水利水电科学研究院 | 一种基于无人机巡检的渠道衬砌破损图像识别方法 |
CN111047616A (zh) * | 2019-12-10 | 2020-04-21 | 中国人民解放军陆军勤务学院 | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 |
CN112364802B (zh) * | 2020-11-19 | 2021-08-03 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112348804A (zh) * | 2020-11-25 | 2021-02-09 | 浙江大成工程项目管理有限公司 | 由基坑位移导致的裂缝监测方法、系统、装置和存储介质 |
CN112801982A (zh) * | 2021-01-28 | 2021-05-14 | 中国科学院武汉岩土力学研究所 | 确定岩石混合压剪裂纹尖端断裂过程区长度的方法及设备 |
CN112801982B (zh) * | 2021-01-28 | 2022-06-17 | 中国科学院武汉岩土力学研究所 | 确定岩石混合压剪裂纹尖端断裂过程区长度的方法及设备 |
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN114494318B (zh) * | 2022-02-17 | 2023-05-23 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN115578725A (zh) * | 2022-09-08 | 2023-01-06 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于人机协同的滑坡边界与裂缝的标注方法及系统 |
CN115578845A (zh) * | 2022-11-24 | 2023-01-06 | 西南交通大学 | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 |
CN115578845B (zh) * | 2022-11-24 | 2023-04-07 | 西南交通大学 | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109584240B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584240A (zh) | 滑坡后缘裂缝位移图像识别方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
US20070253040A1 (en) | Color scanning to enhance bitonal image | |
CN108146093B (zh) | 一种去除票据印章的方法 | |
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 | |
CN109410205B (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN110838117B (zh) | 一种基于孔壁图像的岩石面孔隙度识别方法 | |
CN109544464A (zh) | 一种基于轮廓提取的火灾视频图像分析方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN109447912B (zh) | 一种荧光导航内窥镜系统的荧光图像自适应增强及降噪方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN105701491A (zh) | 固定格式文档图像模版的制作方法及其应用 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
Wang et al. | Extracting oil slick features from VIIRS nighttime imagery using a Gaussian filter and morphological constraints | |
CN114596495A (zh) | 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 | |
CN114998310A (zh) | 基于图像处理的显著性检测方法及系统 | |
CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及系统 | |
CN107977968A (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
CN108985307B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
CN115170561A (zh) | 一种基于视觉处理的激光切割工件的圆度检测方法及系统 | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
CN103871084A (zh) | 蓝印花布图案识别方法 | |
Zeng et al. | Urban water body detection from the combination of high-resolution optical and SAR images | |
CN113205469A (zh) | 一种基于改进暗通道的单幅图像去雾方法 |
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 |