CN109919942B - 基于高精度降噪理论的桥梁裂缝智能化检测方法 - Google Patents
基于高精度降噪理论的桥梁裂缝智能化检测方法 Download PDFInfo
- Publication number
- CN109919942B CN109919942B CN201910273209.8A CN201910273209A CN109919942B CN 109919942 B CN109919942 B CN 109919942B CN 201910273209 A CN201910273209 A CN 201910273209A CN 109919942 B CN109919942 B CN 109919942B
- Authority
- CN
- China
- Prior art keywords
- penetration
- pixel
- pixel point
- image
- value
- 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
Abstract
本发明公开了一种基于高精度降噪理论的桥梁裂缝智能化检测方法，属于计算机技术领域，具体步骤包括在传统的渗透检测桥梁裂缝的基础上添加了边缘扩充、离散抑制降噪与高次可变步幅的步骤；边缘扩充通过在图像最外围补充零像素点，消除图像外侧渗透不准确的问题；离散抑制降噪通过局部区域像素点筛选抑制图像中的噪音面元；高次可变步幅通过将渗透算法中的加速步幅乘以一个与渗透形状有关的系数限制裂缝渗透的力度，确保渗透算法的准确性。
Description
技术领域
本发明属于计算机技术领域，具体涉及一种基于高精度降噪理论的桥梁裂缝智能化检测方法。
背景技术
桥梁，作为基础设施，在我国交通事业中发挥着不可替代的作用，有力地保障了我国的经济建设。大部分现代桥梁都是由钢筋混凝土建设而成的，桥梁在使用过程中由于受钢筋混凝土结构材料特性、结构设计与施工质量、结构所处环境与防护措施等因素影响，桥梁会产生各种损伤和病害。裂缝是桥梁常见的病害之一，不仅影响桥梁正常使用，也会诱发其他病害，在如今这个桥梁数量日趋饱和、桥梁裂缝问题日益严重的时代，准确并及时检测并修补桥梁裂缝是非常有必要的。
常见的桥检技术包括：人为检测、设备辅助检测与图像数字处理检测。传统人为检测通过由经验技术的工程技术人员巡视桥梁，记录桥梁裂缝位置、大小，估计其产生原因以及危害程度，回到内业按照桥梁技术标准对其打分评判等级。但由于桥梁跨径增长且人为观测主观性与不确定性因素大，因此已不能满足我国桥梁损伤、缺陷的检测需求。设备辅助检测指通过科学仪器对桥梁裂缝进行检测，常见方法有搭设支架法、桥检车法、船上搭架法等。这些方法或多或少也都存在一些问题，如利用桥检车检查桥梁裂缝时，由于桥检车仅能在桥面上行驶检查裂缝，故位于桥梁主梁下表面或者斜拉桥桥塔顶部的裂缝就不能被检测出来。
随着计算机技术和人工智能的快速发展，基于图像数字处理的桥梁裂缝检测技术越来越受到人们的关注，常见的基于图像数字处理的裂缝检测方法有边缘识别法、渗透法等。由于桥梁所处地理环境较为复杂，且混凝土表面略微粗糙，采集到图像往往存在光照不均匀、裂缝信息弱、噪音多等情况，边缘识别法与渗透法不能很好地解决这些问题。
发明内容
本发明的目的是为了解决现有技术桥梁裂缝检测中存在的图像外侧识别不准确，噪音判别能力差，易将噪音误判为裂缝，裂缝识别效果差，易丢失裂缝信息的缺点，本发明提供了一种基于高精度降噪理论的桥梁裂缝智能化检测方法。
本发明的目的是通过以下技术方案实现的：
一种基于高精度降噪理论的桥梁裂缝智能化检测方法，包括以下步骤：
步骤一：输入原始图像，并对其进行灰度化处理；
步骤二：运用边缘扩充算法对图像进行边缘扩充；
步骤三：固定初始小窗口边界大小为N，最大窗口为M，固定加速步幅w，加速阈值Ts，渗透阈值T大小为初始核心像素点的像素值；
步骤四：按公式Ⅱ更新渗透阈值T，
式中T：渗透阈值，Dp：已渗透区域；p：已渗透区域像素点，I(p)：像素点p的像素值；w：固定加速步幅；w'：更新后的加速步幅；Fc：形状系数值；
步骤五：根据已渗透区域Dp，筛选出候选区域Dc；
步骤六：判断候选区域Dc中是否有像素点值低于渗透阈值T的像素点，若有，则将其纳入已渗透区域Dp中；若无，则取候选区域Dc中像素点值最低的像素点纳入渗透区域Dp中；
步骤七：判断当前渗透操作是否是第一次迭代，若是则执行步骤八，否则跳过步骤八，执行步骤九；
步骤八：判断步骤六被渗透进渗透区域Dp的像素点集是否含有已被识别为非裂缝背景的像素点，若含有，则终止整个渗透操作，将初始像素点的形状系数Fc值直接记为1；若不含有，则执行步骤九；
步骤九：检测渗透区域Dp有无达到初始小窗口边界N，若未达到，则返回步骤四继续循环；若已达到，则扩大窗口N到N+2并执行步骤十；
步骤十：按步骤四中的公式II更新渗透阈值T；
步骤十一：按公式Ⅲ计算渗透区域此时的形状系数Fc，若形状系数Fc大于加速阈值Ts，终止整个渗透操作，将初始像素点的形状系数值直接记为1；若形状系数Fc小于加速阈值Ts，则执行步骤十二
式中Fc：渗透区域形状系数，Ccount：渗透区域包含像素点个数；Cmax：渗透区域直径；步骤十二：判断候选区域Dc中是否有像素点值低于渗透阈值T的像素点，若有，则将其纳入渗透区域Dp中，执行步骤十三；若无，则终止整个渗透操作，执行步骤十五计算渗透区域形状系数；
步骤十三：检测渗透区域Dp有无达到初始小窗口边界N，若未达到，则返回步骤十继续循环；若已达到，则扩大窗口N到N+2，执行步骤十四；
步骤十四：判断窗口大小有无超过最大窗口M，若已达到则渗透结束，执行步骤十五计算渗透区域形状系数；若未达到，返回步骤十继续循环；
步骤十五：渗透终止，按步骤十一中的公式Ⅲ计算渗透区域形状系数Fc；
步骤十六：判断渗透区域形状系数Fc值是否大于加速阈值，若小于，则将该渗透区域对应的初始核心像素点像素值赋为0，记为裂缝像素点；若大于，则将该渗透区域对应的初始核心像素点像素值赋为1，记为背景非裂缝像素点；
步骤十七：运用上述步骤一到步骤十六的渗透操作遍历图像中每个像素点，得到每个像素点的经渗透操作后的像素更新值，从而得到经渗透处理后的图像；
步骤十八：运用于边缘扩充算法对应的边缘去除，将通过边缘扩充后扩大的图像像素点去除；
步骤十九：通过离散抑制降噪算法去除渗透处理后图像的噪音像素点。
进一步的，步骤二中边缘扩充算法包括均值扩充法、补零扩充法或复制扩充法。
进一步的，步骤二中边缘扩充算法为补零扩充法。
进一步的，步骤二中补零扩充法的具体步骤如下：
(1)计算灰度化后的原始图像长度与宽度方向像素点的个数；
(2)在长度与宽度方向开始与结束的位置，分别补充像素值为0的像素点，产生全新的边缘扩增图像；
(3)在该边缘扩增图像中，对原图像相应的像素点采取步骤三至步骤十七所述的渗透操作，得到边缘扩增图像的渗透图像；
(4)对该渗透图像进行边缘裁剪，得到与原图像大小一致的渗透图像。
进一步的，所述步骤十九中离散抑制降噪算法的具体步骤如下：
(1)输入渗透处理后的图像；
(2)遍历渗透处理后图像的每个像素点，求每个像素点周围四邻域像素点像素值之和；
(3)判断每个像素点周围四邻域像素点像素值和是否大于给定阈值参数，若大于则将与该邻域区域对应的像素点视为裂缝像素点，将其像素值记为0并记为黑色；若小于则视为噪音像素点，将其像素值记为255并记为白色；
(4)重复上述过程遍历所述渗透处理后的图像中每个像素点，去掉所述渗透处理后的图像的噪音。
进一步的，所述步骤五中根据已渗透区域Dp，筛选出候选区域Dc的方法为循环遍历渗透区域Dp中每个像素点，并找该每个像素点的周围四邻域像素点，形成像素点集合，去除该集合中重复的像素点后生成候选区域像素点集Dc。
相比于现有技术，本发明具有如下优点：
本发明在传统技术的基础上提出了适用于背景噪音多、裂缝信息弱的混凝土桥梁表面的裂缝检测方法，在传统的渗透检测桥梁裂缝的基础上添加了边缘扩充、离散抑制降噪与高次可变步幅的步骤；边缘扩充通过在图像最外围补充零像素点，消除图像外侧渗透不准确的问题；离散抑制降噪通过局部区域像素点筛选抑制图像中的噪音面元；高次可变步幅通过将渗透算法中的加速步幅乘以一个与渗透形状有关的系数限制裂缝渗透的力度，确保渗透算法的准确性。与普通的计算机视觉识别裂缝方法相比，该方法的识别对象是图像中的每个像素点，结果是图像中每个像素点是否是裂缝像素点，相比于常用的识别方法仅输出图像包不包含裂缝，该方法精度高且对于后期计算裂缝尺寸有着重要意义。
附图说明
图1为原始图像一；
图2为原始图像二；
图3为传统渗透算法处理后的图像一；
图4为传统渗透算法处理后的图像二；
图5为原始图像三；
图6为传统渗透算法处理后的图像三；
图7为原始图像四；
图8为传统渗透算法处理后的图像四；
图9为均值扩充法示意图；
图10为补零扩充法示意图；
图11为复制扩充法示意图；
图12为补零扩充后的渗透图像一；
图13为补零扩充后的渗透图像二；
图14为离散抑制降噪算法处理后的图像三；
图15渗透区域Dp与渗透候选区域Dc示意图，其中Dp为q1,q8,Dc为q2,q3,q4,q5,q6,q7；
图16为原始图像一背景区域的像素点示意图；
图17为原始图像四浅裂缝区域的像素点示意图；
图18为原始图像一深裂缝区域的像素点示意图；
图19为原始图像一传统渗透背景区域示意图；
图20为原始图像四传统渗透浅裂缝区域示意图；
图21为原始图像一传统渗透深裂缝区域示意图；
图22为原始图像一经过高次可变步幅改善后的渗透背景区域示意图；
图23为原始图像四经过高次可变步幅改善后的渗透浅裂缝区域；
图24为原始图像一经过高次可变步幅改善后的渗透深裂缝区域示意图；
图25为27张混凝土桥梁照片及经过本发明所述的高精度降噪理论的桥梁裂缝智能化检测方法处理后的渗透图像；
图26为本发明的具体流程图。
具体实施方式
下面结合附图1-26对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的范围，均应涵盖在本发明的保护范围中。
对比例1
传统的渗透算法的具体步骤如下：
步骤一：固定初始窗口大小为N，最大窗口为M，加速步幅w，将初始渗透像素点的像素值作为渗透阈值T大小；
步骤二：按公式Ⅱ更新渗透阈值T；
步骤三：根据渗透区域Dp，筛选出候选区域Dc；
步骤四：判断候选区域Dc中是否有像素点值低于渗透阈值T的像素点，若有，则将其纳入渗透区域Dp中；若无，则取候选区域Dc中像素点值最低的像素点纳入渗透区域Dp中；
步骤五：检测渗透区域Dp有无达到初始小窗口边界N，若未达到，则返回步骤二继续循环；若已达到，则扩大窗口N到N+2并执行步骤六；
步骤六：按公式Ⅱ更新渗透阈值；
步骤七：判断候选区域Dc中是否有像素点值低于渗透阈值T的像素点，若有，则将其纳入渗透区域Dp中，执行步骤八；若无则渗透结束，执行步骤十计算渗透区域形状系数Fc；
步骤八：检测渗透区域Dp有无达到初始小窗口边界N，若未达到，则返回步骤六继续循环；若已达到，则扩大窗口N到N+2并执行步骤九；
步骤九：判断窗口大小有无超过最大窗口M，若已达到则渗透结束，执行步骤十计算渗透区域形状系数Fc；若未达到，返回步骤六继续循环；
步骤十：渗透终止，按公式Ⅲ计算渗透区域形状系数；
步骤十一：对图像中每个像素点进行步骤一至步骤十的渗透操作，得到相应的渗透区域并计算其形状系数Fc，形状系数Fc近于1，则认为该像素点属于非裂缝背景像素点；形状系数Fc近于0，则认为该像素点属于裂缝像素点。
利用传统的渗透算法进行渗透，虽然对背景清晰、裂缝与非裂缝像素点像素值对比度大的图像识别效果较好，但是依然存在如下三种问题：
(1)图像最外侧渗透效果较差
对于图1和图2图像最外侧的像素点，由于渗透仅能单方向地往图像内部发展，渗透区域更容易呈近线性发展从而使得渗透系数较低，算法误将背景像素点当做裂缝像素点识别，渗透图像如图3和图4所示。
(2)误判噪音像素点为裂缝像素点
混凝土桥梁表面常常含有污渍与不平整的轮廓如图5所示，这些噪音在渗透过程中极有可能被当成裂缝记录下来，影响裂缝识别效果，渗透图像如图6所示。
(3)清晰度不够的裂缝识别效果较差
渗透算法虽然对裂缝与非裂缝背景像素点像素值差异较大的桥梁裂缝识别效果较高，但对于如图7所示清晰度较低的裂缝识别效果就会很差，甚至出现将裂缝直接忽略当做背景像素点的情况，渗透图像如图8所示，背景中很多颜色较浅的裂缝经渗透后仅留下了散点状的痕迹，裂缝特征完全消失。
实施例1
边缘扩充算法：
为克服图像边缘区域在渗透过程中易被当做裂缝像素点识别的问题，应在图像外围补充像素点。一般地，单条边增补像素点数量为原始图像单条边像素点数量的0.1到0.2倍之间。图像常用的边缘扩充方法有均值扩充法、补零扩充法与复制扩充法，如图9至图11所示，经试验验证补零扩充法对于消除边缘影响的效果最好，本发明中采用补零扩充法解决外侧影响，对图1所示的原始图像一和图2所示的原始图像二进行补零扩充后，进行渗透操作，渗透图像如图12和图13所示，其具体实施步骤如下所示：
步骤一：向MATLAB中输入桥梁裂缝图像，计算图像长度与宽度方向像素点的个数；
步骤二：在长度与宽度方向开始与结束的位置，分别补充像素值为0的像素点，产生全新的边缘扩增图像；
步骤三：在该边缘扩增图像中，对原图像相应的像素点采取渗透操作，得到边缘扩增图像的渗透图像；
步骤四：对该渗透图像进行边缘裁剪，得到与原图像大小一致的渗透图像。
算法MATLAB代码如下：
实施例2
离散抑制降噪算法
图像噪声是指存在于图像数据中的不必要的或多余的干扰信息，如图5所示的原始图像三，在桥梁裂缝检测中，由于桥梁混凝土表面的污渍、褶皱具有与裂缝像素点相同的特点——与非裂缝背景像素区域的像素值反差较大，成为影响运用边缘识别算法检测桥梁裂缝的主要因素之一。为消除这一干扰因素，离散抑制降噪算法对于混凝土表面的噪音有着较为明显的抑制效果。
噪音面元像素点与裂缝面元像素点的主要区别在于是否连续，噪音面元像素点通常呈离散、孤立分布，形成噪音的像素点数量在局部区域很少，面积也很小；而裂缝面元像素点则呈连续、紧密分布。利用此特点，我们可以设计相应算法，区分噪音面元与裂缝面元像素点，算法基本原理通过计算图像中相应区域中的像素点值之和，并将该值与给定阈值作比较，判断当前循环像素点是否为裂缝像素点，离散抑制降噪算法处理后的原始图像三如图14所示。
算法基本步骤如下：
(3)向MATLAB中输入渗透处理后的图像；
(4)遍历渗透处理后图像的每个像素点，求每个像素点周围四邻域像素点像素值之和；
(3)判断每个像素点周围四邻域像素点像素值和是否大于给定阈值参数，若大于则将与该邻域区域对应的像素点视为裂缝像素点，将其像素值记为0并记为黑色；若小于则视为噪音像素点，将其像素值记为255并记为白色；通过对经渗透算法处理后的图像采用不同阈值参数进行反复离散抑制降噪，得到降噪效果最好的阈值参数值，以此设定为给定的阈值参数值；
(4)重复上述过程遍历所述渗透处理后的图像中每个像素点，去掉所述渗透处理后的图像的噪音。
进一步的，步骤(2)中的渗透区域Dp与渗透候选区域Dc示意图如图15所示。
实验代码如下，其中本程序输入值分别为：
Image：待处理图像，应经过灰度化与二值化操作，灰度值应取0或1；
Size：卷积模板单边大小(仅限于取单数)；
Thresh：灰度阈值(用于判断局部区域像素和是否小于阈值)；
实施例3
高次可变步幅算法
虽然可变窗口的渗透算法对于检测背景清晰、裂缝与非裂缝像素点像素值反差较大的桥梁照片效果较好，但该算法检测桥梁裂缝的效果还是会在某些特殊情况下变差。首先，当桥梁图像裂缝像素点值与非裂缝背景像素点值反差不大时，渗透算法在渗透过程中由于加速步幅的存在，很可能会把像素点值不够高的非裂缝背景像素点纳入渗透区域，导致最终的渗透区域形状近圆形，将裂缝像素点误判为非裂缝像素点。针对以上问题，提出高次可变步幅的优化策略，消除将裂缝像素点误判为非裂缝像素点的错误。
基本原理：当既定的渗透区域为近线性时，表明初始核心像素点为裂缝像素点的可能性很高，因此我们希望此时每次渗透所纳入的像素点不要打破这一线性规律，应更严苛地控制待定区域像素点被渗透的标准，即降低渗透阈值或加速步幅的值；当既定的渗透区域为近圆形时，表明初始核心像素点为裂缝像素点的可能性很低，因此每次渗透所纳入的像素点要依然保持着这样的近圆形规律，故应尽肯能更多地纳入像素点，即提高渗透阈值或加速步幅的值。
由上述分析可知，加速步幅即w的具体值应当由当前渗透区域决定：当渗透区域近圆形，w升高；当渗透区域近线性，w降低。而渗透区域又可由形状系数Fc度量，因此加速步幅w应是当前渗透区域的形状系数Fc的函数。加速步幅的调控方式如公式Ⅰ，渗透阈值T按公式Ⅱ更新，且当渗透区域改变时，形状系数、加速步幅、渗透阈值也要作相应地更新
(2)实验效果：我们分别运用固定加速步幅、高次可变加速步幅策略对混凝土桥梁照片进行渗透，对比结果已验证该策略的有效性。实验采用含有裂缝的桥梁混凝土照片，分辨率为100×100，初始核心像素点分别定在不含裂缝的混凝土背景、浅裂缝、深裂缝三类区域中如图16-图18。固定加速步幅策略的渗透算法中，固定加速步幅w取1，渗透窗口下界取15，上界取20，结果如图19-图21，高次可变加速步幅的渗透算法参数取值同固定加速步幅策略的渗透算法，结果如图22-24所示。
对于像素点位于深裂缝与背景区域的两张图像，运用固定加速步幅与高次可调控步幅的渗透策略所形成的最终渗透区域相似，如图19、21与图22、24，这是由于对于深裂缝图像，深裂缝区域像素点很低，即使采用固定加速步幅，在有限的迭代终止之前，渗透区域的渗透阈值都不会高于深裂缝图像的其他非裂缝背景像素点值，因而渗透区域可以始终保持线性发展；对于混凝土背景图像，背景像素单值本来就很高，固定加速步幅策略只会使渗透阈值更高，因而可以囊括进更多的像素点，渗透区域同样可以始终保持近圆形发展。对于初始核心像素点位于浅裂区域图像，运用固定加速步幅策略所形成的渗透区域近圆形，如图20，形状系数较大；而运用高次可变加速步幅形成的渗透区域依然保持近线形，如图23，形状系数较小，有效地识别了浅裂缝像素点。
实施例4
一种基于高精度降噪理论的桥梁裂缝智能化检测方法，包括以下步骤：
步骤一：输入原始图像，并对其进行灰度化处理；
步骤二：运用补零边缘扩充算法对图像进行边缘扩充，单条边增补像素点数量为原始图像单条边像素点数量的0.1到0.2倍之间；
步骤三：固定初始窗口大小为N，最大窗口为M，固定加速步幅w，加速阈值Ts，渗透阈值T大小为初始核心像素点的像素值；
步骤四：按公式Ⅱ更新渗透阈值T，
式中T：渗透阈值，Dp：已渗透区域；p：已渗透区域像素点，I(p)：像素点p的像素值；
w：固定加速步幅；w'：运用高次可变步幅思想更新后的加速步幅；Fc：形状系数值；
步骤五：根据已渗透区域Dp，筛选出候选区域Dc：循环遍历渗透区域Dp中每个像素点，并找该每个像素点的周围四邻域像素点，形成像素点集合，去除该集合中重复的像素点后生成候选区域像素点集Dc；
步骤六：判断候选区域Dc中是否有像素点值低于渗透阈值T的像素点，若有，则将其纳入已渗透区域Dp中；若无，则取候选区域Dc中像素点值最低的像素点纳入渗透区域Dp中；
步骤七：判断当前渗透操作是否是第一次迭代，若是则执行步骤八，否则跳过步骤八，执行步骤九；
步骤八：判断步骤六被渗透进渗透区域Dp的像素点集是否含有已被识别为非裂缝背景的像素点，若含有，则终止整个渗透操作，将初始像素点的形状系数Fc值直接记为1；若不含有，则执行步骤九；
步骤九：检测渗透区域Dp有无达到初始小窗口边界N，若未达到，则返回步骤四继续循环；若已达到，则扩大窗口N到N+2并执行步骤十；
步骤十：按步骤四中的公式Ⅰ更新渗透阈值T；
步骤十一：按公式Ⅲ计算渗透区域此时的形状系数Fc，若形状系数Fc大于加速阈值Ts，则终止整个渗透操作，将初始像素点的形状系数值直接记为1；若形状系数Fc小于加速阈值Ts，则执行步骤十二
式中Fc：渗透区域形状系数，Ccount：渗透区域包含像素点个数；Cmax：渗透区域直径；
步骤十二：判断候选区域Dc中是否有像素点值低于渗透阈值T的像素点，若有，则将其纳入渗透区域Dp中，执行步骤十三；若无，则终止整个渗透操作，执行步骤十五计算渗透区域形状系数；
步骤十三：检测渗透区域Dp有无达到初始小窗口边界N，若未达到，则返回步骤十继续循环；若已达到，则扩大窗口N到N+2，执行步骤十四；
步骤十四：判断窗口大小有无超过最大窗口M，若已达到则渗透结束，执行步骤十五计算渗透区域形状系数；若未达到，返回步骤十继续循环；
步骤十五：渗透终止，按步骤十一中的公式Ⅲ计算渗透区域形状系数；
步骤十六：判断渗透区域形状系数Fc值是否大于加速阈值，若小于，则将该渗透区域对应的初始核心像素点像素值赋为0，记为裂缝像素点；若大于，则将该渗透区域对应的初始核心像素点像素值赋为1，记为背景非裂缝像素点；
步骤十七：运用上述步骤一到步骤十六的渗透操作遍历图像中每个像素点，得到每个像素点的经渗透操作后的像素更新值，从而得到经渗透操作处理后新的图像；
步骤十八：运用于边缘扩充算法对应的边缘去除，将通过边缘扩充后扩大的图像像素点去除；
步骤十九：通过离散抑制降噪算法去除渗透处理后图像的噪音像素点。
进一步的，步骤二中补零扩充法的具体步骤如下：
(1)计算灰度化后的原始图像长度与宽度方向像素点的个数；
(2)在长度与宽度方向开始与结束的位置，分别补充像素值为0的像素点，产生全新的边缘扩增图像；
(3)在该边缘扩增图像中，对原图像相应的像素点采取步骤三至步骤十七所述的渗透操作，得到边缘扩增图像的渗透图像；
(4)对该渗透图像进行边缘裁剪，得到与原图像大小一致的渗透图像。
进一步的，所述步骤十九中离散抑制降噪算法的具体步骤如下：
(1)输入渗透处理后的图像；
(2)遍历渗透处理后图像的每个像素点，求每个像素点周围四邻域像素点像素值之和；
(3)判断每个像素点周围四邻域区域像素点像素值和是否大于给定阈值参数，若大于则将与该邻域区域对应的像素点视为裂缝像素点，将其像素值记为0并记为黑色；若小于则视为噪音像素点，将其像素值记为255并记为白色；通过对经渗透算法处理后的图像采用不同阈值参数进行反复离散抑制降噪，得到降噪效果最好的阈值参数值，以此设定为给定的阈值参数值；
(4)重复上述过程遍历所述渗透处理后的图像中每个像素点，去掉所述渗透处理后的图像的噪音。
本实验采用网上搜集到的分辨率统一在100×100的混凝土桥梁表面照片，分别对每张照片基于高精度降噪理论的桥梁裂缝智能化检测方法进行渗透操作，渗透参数采取窗口下界为10，上界为20，渗透阈值为0.6，得到如图25所示的结果。
图25中第一、三、五排为原始图像，第二、四、六排分别对应为第一、三、五排经本发明的基于高精度降噪理论的桥梁裂缝智能化检测方法得到的图像，从图25可以看出，该种高精度降噪理论的裂缝智能化检测方法对含有裂缝的桥梁混凝土照片识别效果良好。基本上每张照片里的裂缝都被黑色标记识别出来，且此种识别是针对像素点单位而非寻常的图像单位来说的，每个属于裂缝像素点都被标记识别成黑色，每个属于背景非裂缝像素点都被标记识别成白色，对后期计算裂缝的尺寸具有重要意义。
高精度降噪渗透识别裂缝主算法如下：
Claims (5)
1.一种基于高精度降噪理论的桥梁裂缝智能化检测方法，其特征在于，包括以下步骤：
步骤一：输入原始图像，并对其进行灰度化处理；
步骤二：运用边缘扩充算法对图像进行边缘扩充；
步骤三：固定初始小窗口边界大小为N，最大窗口为M，固定加速步幅w，加速阈值Ts，渗透阈值T大小为初始核心像素点的像素值；
步骤四：按公式Ⅱ更新渗透阈值T
式中T：渗透阈值，Dp：已渗透区域；p：已渗透区域像素点，I(p)：像素点p的像素值；w：固定加速步幅；w'：更新后的加速步幅；Fc：形状系数值；
步骤五：根据已渗透区域Dp，筛选出候选区域Dc；
步骤六：判断候选区域Dc中是否有像素点值低于渗透阈值T的像素点，若有，则将其纳入已渗透区域Dp中；若无，则取候选区域Dc中像素点值最低的像素点纳入渗透区域Dp中；
步骤七：判断当前渗透操作是否是第一次迭代，若是则执行步骤八，否则跳过步骤八，执行步骤九；
步骤八：判断步骤六被渗透进渗透区域Dp的像素点集是否含有已被识别为非裂缝背景的像素点，若含有，则终止整个渗透操作，将初始像素点的形状系数Fc值直接记为1；若不含有，则执行步骤九；
步骤九：检测渗透区域Dp有无达到初始小窗口边界N，若未达到，则返回步骤四继续循环；若已达到，则扩大窗口N到N+2并执行步骤十；
步骤十：按步骤四中的公式II更新渗透阈值T；
步骤十一：按公式Ⅲ计算渗透区域此时的形状系数Fc，若形状系数Fc大于加速阈值Ts，终止整个渗透操作，将初始像素点的形状系数值直接记为1；若形状系数Fc小于加速阈值Ts，则执行步骤十二
式中Fc：渗透区域形状系数，Ccount：渗透区域包含像素点个数；Cmax：渗透区域直径；
步骤十二：判断候选区域Dc中是否有像素点值低于渗透阈值T的像素点，若有，则将其纳入渗透区域Dp中，执行步骤十三；若无，则终止整个渗透操作，执行步骤十五计算渗透区域形状系数；
步骤十三：检测渗透区域Dp有无达到初始小窗口边界N，若未达到，则返回步骤十继续循环；若已达到，则扩大窗口N到N+2，执行步骤十四；
步骤十四：判断窗口大小有无超过最大窗口M，若已达到则渗透结束，执行步骤十五计算渗透区域形状系数；若未达到，返回步骤十继续循环；
步骤十五：渗透终止，按步骤十一中的公式Ⅲ计算渗透区域形状系数Fc；
步骤十六：判断渗透区域形状系数Fc值是否大于加速阈值，若小于，则将该渗透区域对应的初始核心像素点像素值赋为0，记为裂缝像素点；若大于，则将该渗透区域对应的初始核心像素点像素值赋为1，记为背景非裂缝像素点；
步骤十七：运用上述步骤一到步骤十六的渗透操作遍历图像中每个像素点，得到每个像素点的经渗透操作后的像素更新值，从而得到经渗透处理后的图像；
步骤十八：运用于边缘扩充算法对应的边缘去除，将通过边缘扩充后扩大的图像像素点去除；
步骤十九：通过离散抑制降噪算法去除渗透处理后图像的噪音像素点；
其中，所述步骤十九中离散抑制降噪算法的具体步骤如下：
(1)输入渗透处理后的图像；
(2)遍历渗透处理后图像的每个像素点，求每个像素点周围四邻域像素点像素值之和；
(3)判断每个像素点周围四邻域像素点像素值和是否大于给定阈值参数，若大于则将与该邻域区域对应的像素点视为裂缝像素点，将其像素值记为0并记为黑色；若小于则视为噪音像素点，将其像素值记为255并记为白色；
(4)重复上述过程遍历所述渗透处理后的图像中每个像素点，去掉所述渗透处理后的图像的噪音。
2.根据权利要求1所述的一种基于高精度降噪理论的桥梁裂缝智能化检测方法，其特征在于：步骤二中边缘扩充算法包括均值扩充法、补零扩充法或复制扩充法。
3.根据权利要求2所述的一种基于高精度降噪理论的桥梁裂缝智能化检测方法，其特征在于：步骤二中边缘扩充算法为补零扩充法。
4.根据权利要求3所述的一种基于高精度降噪理论的桥梁裂缝智能化检测方法，其特征在于：步骤二中补零扩充法的具体步骤如下：
(1)计算灰度化后的原始图像长度与宽度方向像素点的个数；
(2)在长度与宽度方向开始与结束的位置，分别补充像素值为0的像素点，产生全新的边缘扩增图像；
(3)在该边缘扩增图像中，对原图像相应的像素点采取步骤三至步骤十七所述的渗透操作，得到边缘扩增图像的渗透图像；
(4)对该渗透图像进行边缘裁剪，得到与原图像大小一致的渗透图像。
5.根据权利要求1所述的一种基于高精度降噪理论的桥梁裂缝智能化检测方法，其特征在于：步骤五中根据已渗透区域Dp，筛选出候选区域Dc的方法为循环遍历渗透区域Dp中每个像素点，并找该每个像素点的周围四邻域像素点，形成像素点集合，去除该集合中重复的像素点后生成候选区域像素点集Dc。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910273209.8A CN109919942B (zh) | 2019-04-04 | 2019-04-04 | 基于高精度降噪理论的桥梁裂缝智能化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910273209.8A CN109919942B (zh) | 2019-04-04 | 2019-04-04 | 基于高精度降噪理论的桥梁裂缝智能化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109919942A CN109919942A (zh) | 2019-06-21 |
| CN109919942B true CN109919942B (zh) | 2020-01-14 |
Family
ID=66968841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910273209.8A Active CN109919942B (zh) | 2019-04-04 | 2019-04-04 | 基于高精度降噪理论的桥梁裂缝智能化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919942B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325219A (zh) * | 2020-02-06 | 2020-06-23 | 哈尔滨工业大学 | 基于优化渗透理论的混凝土桥梁裂缝快速识别方法 |
| CN112419250B (zh) * | 2020-11-13 | 2023-06-16 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
| EP3096286A1 (en) * | 2015-05-20 | 2016-11-23 | Kabushiki Kaisha Toshiba | Image processing apparatus, image processing method, and computer program product |
| CN106446905A (zh) * | 2016-07-25 | 2017-02-22 | 广东省自动化研究所 | 渗透算法和自适应Canny算法相融合的表面裂纹纹理的提取方法 |
| WO2017141294A1 (ja) * | 2016-02-15 | 2017-08-24 | パナソニックＩｐマネジメント株式会社 | 応力分布測定方法及び応力分布測定システム |
| KR101865770B1 (ko) * | 2017-10-23 | 2018-06-08 | 주식회사 이바다 | 터널 균열 및 누수 탐지 시스템 |
| CN108346144A (zh) * | 2018-01-30 | 2018-07-31 | 哈尔滨工业大学 | 基于计算机视觉的桥梁裂缝自动监测与识别方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9014415B2 (en) * | 2010-04-22 | 2015-04-21 | The University Of North Carolina At Charlotte | Spatially integrated aerial photography for bridge, structure, and environmental monitoring |
| CN108332928A (zh) * | 2018-02-06 | 2018-07-27 | 南京埃塔斯智能科技有限公司 | 一种基于物联网的高精度桥梁裂缝智能检测设备 |
| CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
| CN108876780B (zh) * | 2018-06-26 | 2020-11-10 | 陕西师范大学 | 一种复杂背景下桥梁裂缝图像裂缝检测方法 |
| CN109459443A (zh) * | 2018-11-08 | 2019-03-12 | 青海民族大学 | 一种基于机器视觉的高寒地区桥梁裂缝检测与解析方法 |
-
2019
- 2019-04-04 CN CN201910273209.8A patent/CN109919942B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3096286A1 (en) * | 2015-05-20 | 2016-11-23 | Kabushiki Kaisha Toshiba | Image processing apparatus, image processing method, and computer program product |
| WO2017141294A1 (ja) * | 2016-02-15 | 2017-08-24 | パナソニックＩｐマネジメント株式会社 | 応力分布測定方法及び応力分布測定システム |
| CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
| CN106446905A (zh) * | 2016-07-25 | 2017-02-22 | 广东省自动化研究所 | 渗透算法和自适应Canny算法相融合的表面裂纹纹理的提取方法 |
| KR101865770B1 (ko) * | 2017-10-23 | 2018-06-08 | 주식회사 이바다 | 터널 균열 및 누수 탐지 시스템 |
| CN108346144A (zh) * | 2018-01-30 | 2018-07-31 | 哈尔滨工业大学 | 基于计算机视觉的桥梁裂缝自动监测与识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Automated Crack Detection for Concrete Surface Image Using Percolation Model and Edge Information;Tomoyuki Yamaguchi;《IECON 2006 - 32nd Annual Conference on IEEE Industrial Electronics》;20070416;第3356-3360页 * |
| Crack Detection Algorithm based on the Fusion of Percolation Theory and Adaptive Canny Operator;Yana Xiao;《2018 37th Chinese Control Conference 》;20181008;第4295-4299页 * |
| 基于多尺度输入图像渗透模型的桥梁裂缝检测;张晶晶;《计算机工程》;20170228;第42卷(第2期);第273-279页 * |
| 复杂背景下基于图像处理的桥梁裂缝检测算法;李良福;《激光与光电子学进展》;20190331;第56卷(第6期);第1-11页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109919942A (zh) | 2019-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
| CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
| CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
| Yamaguchi et al. | An efficient crack detection method using percolation-based image processing | |
| CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
| JP6811217B2 (ja) | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム | |
| CN103198319B (zh) | 用于矿山井筒环境下的模糊图像角点提取方法 | |
| CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
| CN109919942B (zh) | 基于高精度降噪理论的桥梁裂缝智能化检测方法 | |
| CN109685788B (zh) | 一种基于形态学特征的楼面缺陷图像自动检测方法 | |
| JP6823486B2 (ja) | ひび割れ検出方法 | |
| CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
| JP2012002531A (ja) | ひび割れ検出方法 | |
| JP5812705B2 (ja) | ひび割れ検出方法 | |
| CN111754422A (zh) | 一种基于EDLines和LSM的视觉巡边方法 | |
| JP4870016B2 (ja) | ひび割れ検出方法 | |
| CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
| CN110782470B (zh) | 一种基于形状信息的腕骨区域分割方法 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
| CN112669301B (zh) | 一种高铁底板脱漆故障检测方法 | |
| CN109146905A (zh) | 针对低亮度环境的canny算子边缘检测算法 | |
| CN116630321A (zh) | 基于人工智能的桥梁健康智能监测系统 | |
| CN105718929A (zh) | 全天候未知环境下高精度快速圆形目标定位方法和系统 | |
| CN116051992A (zh) | 一种裂缝识别方法 |
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 |