CN109754378B - 一种裂缝图像的毛刺去除方法 - Google Patents
一种裂缝图像的毛刺去除方法 Download PDFInfo
- Publication number
- CN109754378B CN109754378B CN201811633121.4A CN201811633121A CN109754378B CN 109754378 B CN109754378 B CN 109754378B CN 201811633121 A CN201811633121 A CN 201811633121A CN 109754378 B CN109754378 B CN 109754378B
- Authority
- CN
- China
- Prior art keywords
- crack
- pixel
- branch
- image
- label
- 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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供的裂缝图像的毛刺去除方法结合了裂缝分块的技术,衡量毛刺的标准不再是所扫描的分支长度,而以分支的目标像素点数量与裂缝的目标点数量的比值关系为准,若小于阈值则判定为毛刺,以整个裂缝骨架作为判定标准能更动态的适应简单和复杂裂缝图像,即适应不同目标像素点密度图像,解决了不能高效的去除复杂裂缝骨架毛刺问题,利用裂缝分块之后,每个单一裂缝并行处理的机制,能够有效缩减了分块后的裂缝图像毛刺去除的时间,同时能高效适应于不同结构类型的裂缝图像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种裂缝图像的毛刺去除方法。
背景技术
混凝土路面裂缝图像经过细化后可以很好地消除了多余像素点,但会存在一些要比骨架整体长度短很多的分支,这些分支是由于混凝土材料结构问题导致其表面产生的裂缝宽度不同,细化后将宽度突变大的部分突显出来而产生的,这些图像边缘存在的一些毛边将其称为裂缝毛刺,故还需对细化后的图像进一步处理。现有毛刺去除算法按照步长来进行毛刺的判定及删除,而使用步长方式在处理复杂裂缝图像中裂缝骨架的毛刺时,其阈值公式并不能很好的适应裂缝骨架的规模多变、结构复杂的情况,在图像变大或图像更复杂时,其去除毛刺效果会随之下降,即不能高效适应于各种形状结构的裂缝图像。
发明内容
本发明的目的在于提供一种裂缝图像的毛刺去除方法,以解决现有的毛刺去除方法不能高效适应于各种形状结构的裂缝图像等问题。
为了达到上述目的,本发明提供了一种裂缝图像的毛刺去除方法,包括:
步骤S1:提供原始裂缝图像并进行分块处理,以得到包含一个裂缝的若干单一裂缝图像,并执行步骤S2;
步骤S2:对所述单一裂缝图像的节点及端点进行标记,并从端点开始扫描所述单一裂缝图像以确定裂缝中的若干分支,并执行步骤S3;
步骤S3:当所述分支的目标像素点数量相对于所述裂缝的目标像素点数量的占比率小于等于一阈值时,判定所述分支为毛刺并执行步骤S4,当所述分支的目标像素点数量相对于裂缝的目标像素点数量占比率大于所述阈值时,所述分支不为毛刺,对下一个分支重新执行步骤S3;
步骤S4:若所述分支的另一端为端点时,删除所述分支,若所述分支的另一端为节点且该节点余留的分支数大于等于2时,判断该节点八邻域,若删除该节点不影响所述单一裂缝图像的连通性则删除该节点及分支,否则保留该节点删除分支。
可选的,所述阈值Limit为:
其中,n为所述单一裂缝图像中裂缝的目标像素点的数量,pow(x,y)表示x的y次方。
可选的,步骤S1还包括:
步骤S11:从上到下、从左到右逐行扫描所述原始裂缝图像的每个像素,若当前像素的像素值为0,则移动到下一个像素,若当前像素的像素值为1,则执行步骤S12;
步骤S12:将当前像素的标签设置为L1,获取当前像素的左边和上边的两个邻接像素的像素值,并执行步骤S13;
步骤S13:若两个所述邻接像素的像素值均为0,将当前像素的标签设置为L2,若任有一个所述邻接像素的像素值为1,将当前像素的标签设置为像素值为1的所述邻接像素的标签,若两个所述邻接像素的像素值均为1且标签相同时,将当前像素的标签设置为所述邻接像素的标签,若两个所述邻接像素的像素值均为1且标签不相同时,将当前像素的标签设置为两个标签中的较小者;执行步骤S14;
步骤S14:将具有同一标签的像素分块为所述单一裂缝图像。
可选的,所述原始裂缝图像中背景的像素值为0,裂缝的像素值为1。
在本发明提供的裂缝图像的毛刺去除方法结合了裂缝分块的技术,利用并行处理机制,减少了分块后的裂缝图像毛刺去除的处理时间,同时能高效适应于不同结构类型的裂缝图像。
附图说明
图1为本发明实施例提供的裂缝图像的毛刺去除方法的流程图;
图2a为本发明实施例提供的原始裂缝图像的示意图;
图2b-图2c为本发明实施例提供的图2a分块后得到的两个单一裂缝图像的示意图;
图3a为本发明实施例提供的原始裂缝图像细化后结果图;
图3b是本发明实施例提供的现有的毛刺去除方法的实验结果图;
图3c是本发明实施例提供的裂缝图像的毛刺去除方法得到的实验结果图;
图3d是本发明实施例提供的人工提取真实裂缝的结果图。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示,本实施例提供了一种裂缝图像的毛刺去除方法,包括:
步骤S1:提供原始裂缝图像并进行分块处理,以得到包含一个裂缝的若干单一裂缝图像,并执行步骤S2;
步骤S2:对所述单一裂缝图像的节点及端点进行标记,并从端点开始扫描所述单一裂缝图像以确定裂缝中的若干分支,并执行步骤S3;
步骤S3:当所述分支的目标像素点数量相对于所述裂缝的目标像素点数量的占比率小于等于一阈值时,判定所述分支为毛刺并执行步骤S4,当所述分支的目标像素点数量相对于裂缝的目标像素点数量占比率大于所述阈值时,所述分支不为毛刺,对下一个分支重新执行步骤S3;
步骤S4:若所述分支的另一端为端点时,删除所述分支,若所述分支的另一端为节点且该节点余留的分支数大于等于2时,判断该节点八邻域,若删除该节点不影响所述单一裂缝图像的连通性则删除该节点及分支,否则保留该节点删除分支。
为了更易于进行裂缝毛刺去除并且提高算法处理的时间复杂度,首先采用two-pass算法标记连通域进行裂缝分块以提取所述单一裂缝图像(原始裂缝图像及单一裂缝图像均为二值化图像,其中背景的像素值为0,裂缝的像素值为1)。具体的,执行步骤S1,从上到下,从左到右逐行扫描原始裂缝图像中的每个像素,若当前像素值为0,就移动到下一个扫描的位置,将当前像素的标签设置为L1,获取当前像素的四邻域中左边和上边的两个邻接像素的像素值,若两个所述邻接像素的像素值均为0,表示开始一个新的连通区域,则应该给定一个新的标签,即将当前像素的标签设置为L2,若任有一个所述邻接像素的像素值为1,将当前像素的标签设置为像素值为1的所述邻接像素的标签,若两个所述邻接像素的像素值均为1且标签相同时,将当前像素的标签设置为所述邻接像素的标签(任一个邻接像素的标签均可),若两个所述邻接像素的像素值均为1且标签不相同时,将当前像素的标签设置为两个标签中的较小者。从另一边回溯到区域的开始像素为止,每次回溯再分别执行以上步骤,最后将同一标签的像素分块为同一单一裂缝图像。具体如图2a-图2c所示,如图2a为原始裂缝图像,图2b和图2c为原始裂缝图像分块后形成的两个单一裂缝图像。接下来可以对两个单一裂缝图像进行并行毛刺去除。
毛刺去除过程中,对于不同形状及规模的单一裂缝图像,裂缝的复杂程度都不尽相同,凸显出的毛刺数量也不一样。本实施例中将毛刺的目标像素点数量对整个裂缝的目标点数量的占比率设置为阈值Limit,所述阈值Limit为:
其中,n为所述单一裂缝图像中裂缝的目标像素点的数量,pow(x,y)表示x的y次方。
接下来,对单一裂缝图像进行标记,具体是将节点以及端点加以标记,并扫描整幅单一裂缝图像,确定整幅单一裂缝图像中裂缝的目标像素点的个数N;若存在端点,说明单一裂缝图像中可能存在毛刺,则以端点为起点,扫描图像分支并确定该分支上目标像素点的个数n1;然后设定阈值Limit,若n1/N的比值小于Limit则可判定该分支为毛刺;判定所述为毛刺后,接着判断所述分支的另一端是否为端点,若是端点则删除所述分支,若分支的另一端不是端点而是节点,则忽略该分支,对该节点余留的分支数进行判定,在余留分支数大于等于2时,对节点的八邻域进行分析,若节点删除后不影响整体连通性则删除当前分支及该节点,反之则删除该分支但保留该节点。最后完成所有端点对应分支的扫描,实现整幅单一裂缝图像毛刺去除。
为了较好地验证本实施例提出的毛刺去除方法,对不同复杂程度的原始裂缝图像进行了实验量化分析,包含线状、块状、网状各个类型,这里选取其中1组网状裂缝图像展示实验结果,如图3a-3d所示,图3a是原始裂缝图像细化后结果,图3b是现有的毛刺去除方法的实验结果,图3c是本发明的实验结果,图3d是人工提取真实裂缝的结果,从实验对比结果可以看出,在目标像素点密度较高时,现有的毛刺去除方法效果下降,会出现不能正确判断并去除较长分支的情况,而在原始裂缝图像中主体裂缝较多及密集时,去除多余的分支更有助于提取裂缝。
在方法性能方面,本实施例提供的毛刺去除方法与现有的毛刺去除方法相比,精确率也有所提高,在毛刺误删方面效果较为稳定,本发明采用的新的毛刺阈值判断标准也使得召回率有所提高,解决了现有毛刺去除方法在处理复杂大规模图像时不能完全去除毛刺的问题,证明本发明能很好的去除复杂图像及简单图像的毛刺。同时,相较于现有的毛刺去除算法在密度上升时,准确率下降明显的问题,更能使得图像符合原有骨架结构,有较为稳定的性能,同时具有高适应性的特点,并且采用裂缝分块并行处理的方法也使得算法处理时间有所减少。
综上,本发明提供的裂缝图像的毛刺去除方法结合了裂缝分块的技术,利用并行处理机制,有效减少了分块后的裂缝图像毛刺去除的处理时间,同时能高效适应于不同结构类型的裂缝图像。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (3)
1.一种裂缝图像的毛刺去除方法,其特征在于,包括:
步骤S1:从上到下、从左到右逐行扫描原始裂缝图像的每个像素,若当前像素的像素值为0,则移动到下一个像素,若当前像素的像素值为1,将当前像素的标签设置为L1,获取当前像素的左边和上边的两个邻接像素的像素值,若两个所述邻接像素的像素值均为0,将当前像素的标签设置为L2,若任有一个所述邻接像素的像素值为1,将当前像素的标签设置为像素值为1的所述邻接像素的标签,若两个所述邻接像素的像素值均为1且标签相同时,将当前像素的标签设置为所述邻接像素的标签,若两个所述邻接像素的像素值均为1且标签不相同时,将当前像素的标签设置为两个标签中的较小者,将具有同一标签的像素分块为单一裂缝图像,并执行步骤S2;
步骤S2:对所述单一裂缝图像的节点及端点进行标记,并从端点开始扫描所述单一裂缝图像以确定裂缝中的若干分支,并执行步骤S3;
步骤S3:当所述分支的目标像素点数量相对于所述裂缝的目标像素点数量的占比率小于等于一阈值时,判定所述分支为毛刺并执行步骤S4,当所述分支的目标像素点数量相对于裂缝的目标像素点数量占比率大于所述阈值时,所述分支不为毛刺,对下一个分支重新执行步骤S3;
步骤S4:若所述分支的另一端为端点时,删除所述分支,若所述分支的另一端为节点且该节点余留的分支数大于等于2时,判断该节点八邻域,若删除该节点不影响所述单一裂缝图像的连通性则删除该节点及分支,否则保留该节点删除分支。
3.如权利要求2所述的裂缝图像的毛刺去除方法,其特征在于,所述原始裂缝图像中背景的像素值为0,裂缝的像素值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633121.4A CN109754378B (zh) | 2018-12-29 | 2018-12-29 | 一种裂缝图像的毛刺去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633121.4A CN109754378B (zh) | 2018-12-29 | 2018-12-29 | 一种裂缝图像的毛刺去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754378A CN109754378A (zh) | 2019-05-14 |
CN109754378B true CN109754378B (zh) | 2021-01-05 |
Family
ID=66403266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811633121.4A Active CN109754378B (zh) | 2018-12-29 | 2018-12-29 | 一种裂缝图像的毛刺去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754378B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117677970A (zh) | 2022-06-30 | 2024-03-08 | 宁德时代新能源科技股份有限公司 | 图像处理的方法及其装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184272A (zh) * | 2015-09-21 | 2015-12-23 | 中国人民解放军国防科学技术大学 | 基于曲线匹配的手背静脉识别方法 |
CN106097368A (zh) * | 2016-06-22 | 2016-11-09 | 国家林业局北京林业机械研究所 | 一种单板裂缝的识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330162A1 (en) * | 2011-06-27 | 2012-12-27 | Massachusetts Institute Of Technology | Modulated aperture imaging for automatic moving target detection |
US9329592B2 (en) * | 2012-11-27 | 2016-05-03 | Pratt & Whitney Canada Corp. | Methods and systems for calculation of feedrate |
CN103993548A (zh) * | 2014-05-07 | 2014-08-20 | 长安大学 | 基于多台相机立体拍摄的路面损坏裂缝检测系统及方法 |
US9711050B2 (en) * | 2015-06-05 | 2017-07-18 | Bao Tran | Smart vehicle |
CN106053479B (zh) * | 2016-07-21 | 2018-09-11 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN107154040B (zh) * | 2017-05-08 | 2021-03-23 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN108805295A (zh) * | 2018-03-26 | 2018-11-13 | 海南电网有限责任公司电力科学研究院 | 一种基于决策树算法的故障诊断方法 |
-
2018
- 2018-12-29 CN CN201811633121.4A patent/CN109754378B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184272A (zh) * | 2015-09-21 | 2015-12-23 | 中国人民解放军国防科学技术大学 | 基于曲线匹配的手背静脉识别方法 |
CN106097368A (zh) * | 2016-06-22 | 2016-11-09 | 国家林业局北京林业机械研究所 | 一种单板裂缝的识别方法 |
Non-Patent Citations (4)
Title |
---|
《Burrs—Analysis, control and removal》;J.C. Aurich et al.;《CIRP Annals - Manufacturing Technology》;20091014;第58卷(第2期);第519–542页 * |
《IMAGE DEBLURRING BASED ON WAVELET AND NEURAL NETWORK 》;AI-PING YANG et al.;《Proceedings of the 2007 International Conference on Wavelet Analysis and Pattern Recognition》;20071104;第647-651页 * |
《基于方向链码去除骨架图像毛刺算法》;王要峰 等;《计算机应用》;20130630;第193-194,198页 * |
《混凝土路面裂缝的骨架提取算法》;安世全 等;《计算机工程与设计》;20181016;第39卷(第10期);第3170-3175页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109754378A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10970844B2 (en) | Image segmentation method and device, computer device and non-volatile storage medium | |
CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
Osma-Ruiz et al. | An improved watershed algorithm based on efficient computation of shortest paths | |
Anand et al. | Flaw detection in radiographic weldment images using morphological watershed segmentation technique | |
Silvela et al. | Breadth-first search and its application to image processing problems | |
CN111402267A (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
CN109754378B (zh) | 一种裂缝图像的毛刺去除方法 | |
CN109697717A (zh) | 一种基于图像自动搜索的衬砌裂缝识别方法 | |
CN114463286A (zh) | 一种基于移动窗口的路面点云平滑及裂缝信息处理方法 | |
JP2000028541A (ja) | コンクリート表面のクラック検出方法 | |
CN108198170B (zh) | 一种纤维间隔的识别方法及装置 | |
CN115761613B (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
CN108109120B (zh) | 一种点阵二维码的光照补偿方法及装置 | |
CN108520523B (zh) | 一种保留非封闭曲线的线画图骨架提取方法 | |
CN113763407B (zh) | 一种超声图像的结节边缘分析方法 | |
CN115908363A (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
CN112465817B (zh) | 一种基于方向滤波器的路面裂缝检测方法 | |
CN109615624B (zh) | 一种基于超声图像的血流速度波形自动化识别方法 | |
KR20100060614A (ko) | DNA microarray의 고속 자동 분석 방법. | |
CN111986111B (zh) | 一种图像分割方法 | |
Tsai et al. | Watershed-based protein spot detection in 2DGE images | |
JP2001014464A (ja) | 指紋画像処理装置及び指紋画像処理方法 | |
CN117853398A (zh) | 一种蛋白质分布提取量化方法 | |
Chen et al. | Application of some valid methods in cell segmentation | |
CN113468958B (zh) | 一种接触网支柱号牌识别方法 |
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 |