CN110060243B - 一种大坝表面裂缝骨架提取方法 - Google Patents
一种大坝表面裂缝骨架提取方法 Download PDFInfo
- Publication number
- CN110060243B CN110060243B CN201910289936.3A CN201910289936A CN110060243B CN 110060243 B CN110060243 B CN 110060243B CN 201910289936 A CN201910289936 A CN 201910289936A CN 110060243 B CN110060243 B CN 110060243B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- dam
- spots
- spot
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000035772 mutation Effects 0.000 claims description 26
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 238000002834 transmittance Methods 0.000 claims description 15
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 231100000310 mutation rate increase Toxicity 0.000 claims description 11
- 238000010353 genetic engineering Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 6
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 108090000623 proteins and genes Proteins 0.000 description 18
- 108700028369 Alleles Proteins 0.000 description 4
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009396 hybridization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000251730 Chondrichthyes Species 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000003045 statistical classification method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种大坝表面裂缝骨架提取方法，属于图像处理领域。其技术方案为：一种大坝表面裂缝骨架提取方法，其特征在于，该方法步骤包括：利用工业相机对大坝裂缝进行图像采集；对采集到的所述图像进行斑点检测；用卡尔曼滤波跟踪算法标出所述图像中斑点的位置；利用数学形态学的方法去除标出的斑点，得到去除斑点的大坝裂缝图像；对去除斑点的大坝裂缝图像进行基于遗传算法的骨架提取操作。本发明的有益效果为有效的去除实际环境中大坝斑点对于实际裂缝的影响，提高了大坝表面裂缝骨架提取的准确性，有效的完成大坝表面裂缝骨架的提取。
Description
技术领域
本发明属于图像处理领域，尤其涉及一种大坝表面裂缝骨架提取方法。
背景技术
我国已建成各类水库97721座，占世界大坝总量的50％以上。不过大坝存在的问题同样严重。我国大坝大多建于上世纪50至70年代，土石结构的大坝占据主要部分，大坝的使用寿命约为50年，同时大坝设施的老化问题同意严重。大坝一旦决堤，冲毁房屋、田地、工业设施、铁道等等，会给国民经济造成巨大的影响。我国近半数大坝存在安全隐患。根据目前统计数据现有大型病险水库141 座，约占大型水库的40％，中型病险水库1091座占中型水库的41％，小型病险水库共29146座，占小型水库36％，这些水库均未得到除险加固，防洪隐患依然十分严重，老化病害普遍存在，电站设备和管理都相对陈旧。1954至2005年，我国平均每年有68座大坝毁坝。我国大坝的年均溃坝率是世界平均溃坝率的4倍多。大坝裂缝，作为大坝最常见的一种病害，是大坝垮坝的最大安全隐患。裂缝不仅仅存在大坝表面，大坝的裂缝同时还会不断的像大坝结构体的内部延伸发展，可能会造成大坝更大的损害。
所以国内外相关人士一直致力于大坝的裂缝的研究。国外研究部分：Kirschke 提出基于直方图机器视觉的自动裂缝提取方法；Alekseychuk提出了基于动态最优估计来选取最优裂缝范围达到获取最优区间的裂缝识别方法；Plinton及其学生提出基于深度学习的图像识别技术，通过寻找支持向量在特征空间确定最优分类超平面将两类样本分开，利用人工神经网络模仿生物大脑中的神经网络结构通过误差反向传播不断优化参数，从而得到较好的分类结果；Landslrom等人结合形态学处理和逻辑回归算法检测裂缝，利用统计学分类方法滤除噪声，提高检测精度。国内研究部分：赵慧洁等人利用脉冲祸合神经网络和神经元的状态变化，实现了PCNN的裂缝图像自动分割；杨松等人利用灰度骨架结合分形优化识别混凝土裂缝，该算法能够较好地抑制背景干扰；徐威等人根据图像的显著性对裂缝进行检测；董安国等人利用灰度值相似度提取裂缝；王晓明等人利用双摄像机采集裂缝图片，利用金字塔变换对图像进行多尺度分解，最终将2幅图像融合，该算法极大地提高了检测精度团；范新南等提出一种仿水下生物视觉的大坝裂缝图像增强算法，该算法模仿生物视觉亮度调节特性，模拟鲨鱼视觉的侧抑制增强机制机理对裂缝中的线性特征进行了增强；陈伟等提出了一种基于Gabor算子的人工蜂群算法大坝裂缝检测方法，借鉴蜜蜂寻蜜的人工蜂群算法可以缩短搜索范围，降低了算法的复杂度；汪耕任等提出了基于粗糙集理论的水下大坝图像增强算法，解决水下大坝裂缝图像信噪比低、光照分布极度不均匀的问题。
以上众多大坝的裂缝的检测或提取方法都存在一定的问题，不能去除实际环境中大坝斑点对于实际裂缝的影响，使得数据存在一定的误差。
发明内容
本发明的目的在于提供一种大坝表面裂缝骨架提取方法，有效的去除实际环境中大坝斑点对于实际裂缝的影响，提高了大坝表面裂缝骨架提取的准确性，有效的完成大坝表面裂缝骨架的提取。
本发明是通过如下措施实现的：一种大坝表面裂缝骨架提取方法，其特征在于，该方法步骤包括：
步骤1：利用工业相机对大坝裂缝进行图像采集；
步骤2：对采集到的所述图像进行斑点检测；
步骤3：用卡尔曼滤波跟踪算法标出所述图像中斑点的位置；
步骤4：利用数学形态学的方法去除标出的斑点，得到去除斑点的大坝裂缝图像；
步骤5：对去除斑点的大坝裂缝图像进行基于遗传算法的骨架提取操作。
所述步骤1中的采用的所述工业相机为支持2592×1944@30fps高清画面输出，支持H.265高效压缩算法，支持0.02Lux/F1.6(彩色),0.002Lux/F1.6(黑白)，摄像头支持23倍光学变倍，16倍数字变倍，照明系统采用高效红外阵列，低功耗，照射距离达200m；支持三码流技术，每路码流可独立配置分辨率及帧率，支持3D数字降噪、宽动态、透雾、强光抑制和电子防抖的工业相机。
所述步骤2具体包括：先对所述图像进行预设想要提取的斑点数，默认设置为120个；
预设LoG参数，sigma参数初始值设为2，最终值设为15，sigma参数增长步长为1，对图像计算尺度规范化的高斯拉普拉斯算子；
接着对图像进行梯度最大值的搜索，对局部极值进行降序排列，提取最大极值点并将该极值点作为提取的一个斑点放入到斑点数组；
每提取完一次斑点后都对图像进行一次基于暗通道的图像增强操作；
循环提取所需要的斑点数。
所述步骤3具体为：导入图像，进行卡尔曼滤波器初始化，循环遍历所有图像，计算并标出所求斑点所在的质心坐标及半径，对卡尔曼滤波器进行更新操作。
所述步骤5具体包括：
步骤a：读入图像；
步骤b：将RGB图像转为灰度图像；
步骤c：将读入的图像缩小为原来尺寸的0.4倍；
步骤d：定义染色体长度lchrom为8，定义种群大小popsize为10，定义杂交概率cross_rate为0.7，定义变异概率mutation_rate为0.4，定义最大遗传代数maxgen为150；
步骤e：初始化种群；
步骤f：进行遗传操作；
步骤g：用所找到的阈值进行图像分割，完成骨架提取。
进一步：所述计算图像尺度规范化的高斯拉普拉斯算子，其公式如下：
其中σ为尺度，x，y为像素大小，
为尺度规范化的高斯拉普拉斯算子，
为高斯拉普拉斯算子。
进一步：所述图像增强操作为：建立图像退化模型，计算大气光值，粗略得到透射率预估值，对所述透射率预估值进行优化得到精确的透射率值，对退化模型逆变换。
所述图像退化模型的建立公式2为：
Edt(d，λ)＝E0e-β(λ)d；
Ea(d，λ)＝A(1-e-β(λ)d)；
I(x)＝J(x)t(x)+A(1-t(x))；
其中，A为环境光，表示的是为无穷远点处的大气光，Edt(d，λ)为衰减模型， Ea(d，λ)为大气光模型；C指的是RGB三通道；I(x)为输入图像I在像素点x处的值，J(x)为输出图像，t(x)＝e-βd(x)为场景点的透射率；
从所述输入图像I中寻找对应的具有最高亮度的点的值，作为所述大气光值；
对原图进行下采样，缩小为原图的1/4；
利用传统法快速求得缩小后图像的透射率，此透射率为所述透射率预估值；
利用数学形态学的方法提取图像的边缘信息，进行膨胀化处理，得到图像的二值信息图；
中心像素的透射率为周围像素预估透射率的加权和，权值为中心像素到周围周围像素欧式距离的倒数；
将所述中心像素的透射率代入退化模型；
逆操作进行图像增强。
进一步：检查所提取的斑点数是否等于预设斑点数，小于斑点数的话，重复对图像进行斑点检测；通过斑点数组标出检测出的斑点数；
去除图像的斑点，具体包括：
按照升序顺序对检测斑点数组进行逐一操作；
以斑点像素值为中心，建立一个5*5的图像邻域；
斑点的像素值为周围像素值的加权和，权值为中心像素到周围像素的欧式距离的倒数；
检测斑点数组是否指向最后一个，如果没有指向最后一个继续进行周围像素值的加权替换操作；
对去除斑点的大坝裂缝图像进行基于遗传算法的骨架提取操作，具体包括：
读入去除斑点的大坝裂缝图像；
判断是否将RGB图像转为灰度图像，如果没有转为灰度图像；
将读入的图像缩小为原来尺寸的0.4倍；
初始化种群，具体包括：
定义染色体长度lchrom为8；
定义种群大小popsize为10；
定义杂交概率cross_rate为0.4；
定义变异概率mutation_rate为0.08；
定义最大遗传代数maxgen为150。
进行遗传操作，遗传操作包括：计算适应度值及排序，进行精英选择操作；交叉操作；变异操作。
其中，计算适应度值及排序包括：
判断遗传代数gen＞75是否成立；如果判断成立，认为种群已经进化到末期，对变异概率以及交叉概率进行调整，具体调整为：
cross_rate＝0.35；mutation_rate＝0.05；
判断遗传代数gen＜＝75，认为种群没有进化到末期，对变异概率和交叉概率不作调整；
判断遗传代数是否为第一代gen＝1是否成立；
如果不是第一代，将上一代遗传操作后的种群根据此代的规模装入此代种群中；
利用matlab；
for j＝1：lchrom
c＝c+chrom(1，j)*(2^(lchrom-j))；
其中chrom为初始定义的染色体长度，lchrom为染色体长度，c为定义的临时变量；
将转为灰度值，转换公式为：
b＝c*255/(2^lchrom-1)；
其中b为转化的灰度值，c为定义的临时变量；
定义变量lowsum统计低于阈值的灰度值的总和；定义变量lownum统计低于阈值灰度值的总数；
定义变量highsum统计高于阈值的灰度值的总和；定义变量highnum统计高于阈值灰度值的总数；
定义变量u1，u2；u1＝(lowsum/lownum)；u2＝(highsum/highnum)，对应低于和高于阈值的平均值；
计算适应度值fitness，公式为：
fitness＝lownum*hignum*(u1-u2)^2；
其中，lowsum统计低于阈值的灰度值的总和，lownum统计低于阈值灰度值的总数，highsum统计高于阈值的灰度值的总和，highnum统计高于阈值灰度值的总数，u1 u2为两类均值；
对适应度值进行排序。
精英选择包括：
统计前一个群体中适应值比当前群体中大的个数；
对遗传代数进行判断，gen＞50是否成立；
gen＞50不成立，用上一代中适应度大于当前代的个体的随机代替当前代的个体；
gen＞50成立，接着判断gen＞100是否成立；如果gen＞100不成立，用上一代中适应度值大于当前代的个体代替代替当前代中的最差个体；
如果gen＞100成立，用上一代中优秀的一半代替当前代中最差的一半，加快寻优；
将当前代的各项数据保存；
交叉操作包括：
交叉操作时通过随机的方式在种群中选择两个个体，然后以一定的概率交换：
这两个个体之间的部分基因，这样就可以获得了结合上代优良基因的新个体：
对基因进行交叉操作时选择基于二进制编码的机制；
具体的，使用单点交叉的方式：通过随机的方式在个体编码串上选择一个交叉点，
然后将要交叉的两个个体进行基因段的交换。
变异操作包括：
变异的含义是依据一定标准对种群中个体进行等位基因的替换；
变异操作具有两个功能：一是增强遗传算法对最优解的搜索；二是增强种群个体多样性；
选择使用基本位变异算子，通过一定的变异概率随机的对个体中的基因位进行选择，然后讲行替换。
变异的流程为：随机从种群中选择一个个体；接着通过一定的概率选择变异位；对于选择的变异位，对其进行取反操作或者用等位基因来替代，从而通过变异来产生新的个体。
在变异实施的过程中：
定义变量sum，表示为总基因的个数，mutnum为变异的基因个数，它们的求解公式为：
sum＝lchrom*popsize；mutnum＝round(mutation_rate*sum)；
其中，lchrom为染色体的个数，popsize为种群的个数；mutation_rate为变异概率，round函数为四舍 五入函数；
定义变量S确定基因所在的位数，S的公式为：
s＝rem((round(rand*(sum-1)))，lchrom)+1；
其中，lchrom为染色体个数，rand为随机函数生成0到1之间的任意数， round为四舍 五入函数，rem为求整除函数；
定义变量t，确定变异的是哪个基因，t的公式为：
t＝ceil((round(rand*(sum-1)))/lchrom)；
其中，ceil函数向正无穷方向取整，rand为随机函数生成0到1之间的数， round为四舍 五入函数，lchrom为染色体的个数；
判断t＞1是否成立，不成立的话令t＝1；判断t＞popsize是否成立，成立的话t＝popsize；
判断s＞lchrom是否成立，成立的话s＝lchrom；
完成遗传算法，利用遗传算法对图像进行分割得到图像骨架。
与现有技术相比，本发明的有益效果是：有效的去除实际环境中大坝斑点对于实际裂缝的影响，提高了大坝表面裂缝骨架提取的准确性，有效的完成大坝表面裂缝骨架的提取。
附图说明
图1为本发明提供的大坝表面裂缝骨架提取方法的流程图。
图2为本发明提供的大坝表面裂缝骨架提取方法对采集到的大坝图像进行斑点检测的流程图。
图3为本发明提供的大坝表面裂缝骨架提取方法对采集到的大坝图像斑点检测后的图像增强的流程图；
图4为本发明提供的大坝表面裂缝骨架提取方法对去除大坝图像斑点后图像进行遗传算法骨架提取的流程图；
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。
参见图1-图4，一种大坝表面裂缝骨架提取方法，其特征在于，该方法步骤包括：
步骤1：利用工业相机对大坝裂缝进行图像采集；
步骤2：对采集到的所述图像进行斑点检测；
步骤3：用卡尔曼滤波跟踪算法标出所述图像中斑点的位置；
步骤4：利用数学形态学的方法去除标出的斑点，得到去除斑点的大坝裂缝图像；
步骤5：对去除斑点的大坝裂缝图像进行基于遗传算法的骨架提取操作；
步骤1中的采用的所述工业相机为支持2592×1944@30fps高清画面输出，支持H.265高效压缩算法，支持0.02Lux/F1.6(彩色)，0.002Lux/F1.6(黑白)，摄像头支持23倍光学变倍，16倍数字变倍，照明系统采用高效红外阵列，低功耗，照射距离达200m；支持三码流技术，每路码流可独立配置分辨率及帧率，支持3D数字降噪、宽动态、透雾、强光抑制和电子防抖的工业相机。
步骤2具体包括：先对所述图像进行预设想要提取的斑点数，默认设置为 120个；
预设LoG参数，sigma参数初始值设为2，最终值设为15，sigma参数增长步长为1，对图像计算尺度规范化的高斯拉普拉斯算子；
接着对图像进行梯度最大值的搜索，对局部极值进行降序排列，提取最大极值点并将该极值点作为提取的一个斑点放入到斑点数组；
每提取完一次斑点后都对图像进行一次基于暗通道的图像增强操作；
循环提取所需要的斑点数。
步骤3具体为：导入图像，进行卡尔曼滤波器初始化，循环遍历所有图像，计算并标出所求斑点所在的质心坐标及半径，对卡尔曼滤波器进行更新操作。
步骤5具体包括：
步骤a：读入图像；
步骤b：将RGB图像转为灰度图像；
步骤c：将读入的图像缩小为原来尺寸的0.4倍；
步骤d：定义染色体长度lchrom为8，定义种群大小popsize为10，定义杂交概率cross_rate为0.7，定义变异概率mutation_rate为0.4，定义最大遗传代数maxgen为150；
步骤e：初始化种群；
步骤f：进行遗传操作；
步骤g：用所找到的阈值进行图像分割，完成骨架提取。
进一步：计算图像尺度规范化的高斯拉普拉斯算子，其公式如下：
其中σ为尺度，x，y为像素大小，
为尺度规范化的高斯拉普拉斯算子，
为高斯拉普拉斯算子。
进一步：图像增强操作为：建立图像退化模型，计算大气光值，粗略得到透射率预估值，对所述透射率预估值进行优化得到精确的透射率值，对退化模型逆变换。
所述图像退化模型的建立公式2为：
Edt(d，λ)＝E0e-β(λ)d；
Ea(d，λ)＝A(1-e-β(λ)d)；
I(x)＝J(x)t(x)+A(1-t(x))；
其中，A为环境光，表示的是为无穷远点处的大气光，Edt(d，λ)为衰减模型， Ea(d，λ)为大气光模型；C指的是RGB三通道；I(x)为输入图像I在像素点x处的值，J(x)为输出图像，t(x)＝e-βd(x)为场景点的透射率；
从输入图像l中寻找对应的具有最高亮度的点的值，作为所述大气光值；
对原图进行下采样，缩小为原图的1/4；
利用传统法快速求得缩小后图像的透射率，此透射率为所述透射率预估值；
利用数学形态学的方法提取图像的边缘信息，进行膨胀化处理，得到图像的二值信息图；
中心像素的透射率为周围像素预估透射率的加权和，权值为中心像素到周围周围像素欧式距离的倒数；
将中心像素的透射率代入退化模型；
逆操作进行图像增强。
进一步：检查所提取的斑点数是否等于预设斑点数，小于斑点数的话，重复对图像进行斑点检测；通过斑点数组标出检测出的斑点数；
去除图像的斑点，具体包括：
按照升序顺序对检测斑点数组进行逐一操作；
以斑点像素值为中心，建立一个5*5的图像邻域；
斑点的像素值为周围像素值的加权和，权值为中心像素到周围像素的欧式距离的倒数；
检测斑点数组是否指向最后一个，如果没有指向最后一个继续进行周围像素值的加权替换操作；
对去除斑点的大坝裂缝图像进行基于遗传算法的骨架提取操作，具体包括：
读入去除斑点的大坝裂缝图像；
判断是否将RGB图像转为灰度图像，如果没有转为灰度图像；
将读入的图像缩小为原来尺寸的0.4倍；
初始化种群，具体包括：
定义染色体长度lchrom为8；
定义种群大小popsize为10；
定义杂交概率cross_rate为0.4；
定义变异概率mutation_rate为0.08；
定义最大遗传代数maxgen为150。
进行遗传操作，遗传操作包括：计算适应度值及排序，进行精英选择操作；交叉操作；变异操作。
其中，计算适应度值及排序包括：
判断遗传代数gen＞75是否成立；如果判断成立，认为种群已经进化到末期，对变异概率以及交叉概率进行调整，具体调整为：
cross_rate＝0.35；mutation_rate＝0.05；
判断遗传代数gen＜＝75，认为种群没有进化到末期，对变异概率和交叉概率不作调整；
判断遗传代数是否为第一代gen＝1是否成立；
如果不是第一代，将上一代遗传操作后的种群根据此代的规模装入此代种群中；
利用matlab；
for j＝1：lchrom
c＝c+chrom(1，j)*(2^(lchrom-j))；
其中chrom为初始定义的染色体长度，lchrom为染色体长度，c为定义的临时变量；
将转为灰度值，转换公式为：
b＝c*255/(2^lchrom-1)；
其中b为转化的灰度值，c为定义的临时变量；
定义变量lowsum统计低于阈值的灰度值的总和；定义变量lownum统计低于阈值灰度值的总数；
定义变量highsum统计高于阈值的灰度值的总和；定义变量highnum统计高于阈值灰度值的总数；
定义变量u1，u2；u1＝(lowsum/lownum)；u2＝(highsum/highnum)，对应低于和高于阈值的平均值；
计算适应度值fitness，公式为：
fitness＝lownum*hignum*(u1-u2)^2；
其中，lowsum统计低于阈值的灰度值的总和，lownum统计低于阈值灰度值的总数，highsum统计高于阈值的灰度值的总和，highnum统计高于阈值灰度值的总数，u1 u2为两类均值；
对适应度值进行排序。
精英选择包括：
统计前一个群体中适应值比当前群体中大的个数；
对遗传代数进行判断，gen＞50是否成立；
gen＞50不成立，用上一代中适应度大于当前代的个体的随机代替当前代的个体；
gen＞50成立，接着判断gen＞100是否成立；如果gen＞100不成立，用上一代中适应度值大于当前代的个体代替代替当前代中的最差个体；
如果gen＞100成立，用上一代中优秀的一半代替当前代中最差的一半，加快寻优；
将当前代的各项数据保存；
交叉操作包括：
交叉操作时通过随机的方式在种群中选择两个个体，然后以一定的概率交换；
这两个个体之间的部分基因，这样就可以获得了结合上代优良基因的新个体：
对基因进行交叉操作时选择基于二进制编码的机制；
具体的，使用单点交叉的方式：通过随机的方式在个体编码串上选择一个交叉点，
然后将要交叉的两个个体进行基因段的交换。
变异操作包括：
变异的含义是依据一定标准对种群中个体进行等位基因的替换；
变异操作具有两个功能：一是增强遗传算法对最优解的搜索；二是增强种群个体多样性；
选择使用基本位变异算子，通过一定的变异概率随机的对个体中的基因位进行选择，然后讲行替换。
变异的流程为：随机从种群中选择一个个体；接着通过一定的概率选择变异位；对于选择的变异位，对其进行取反操作或者用等位基因来替代，从而通过变异来产生新的个体。
在变异实施的过程中：
定义变量sum，表示为总基因的个数，mutnum为变异的基因个数，它们的求解公式为：
sum＝lchrom*popsize；mutnum＝round(mutation_rate*sum)；
其中，lchrom为染色体的个数，popsize为种群的个数；mutation_rate为变异概率，round函数为四舍 五入函数；
定义变量S确定基因所在的位数，S的公式为：
s＝rem((round(rand*(sum-1)))，lchrom)+1；
其中，lchrom为染色体个数，rand为随机函数生成0到1之间的任意数， round为四舍 五入函数，rem为求整除函数；
定义变量t，确定变异的是哪个基因，t的公式为：
t＝ceil((round(rand*(sum-1)))/lchrom)；
其中，ceil函数向正无穷方向取整，rand为随机函数生成0到1之间的数， round为四舍 五入函数，lchrom为染色体的个数；
判断t＞1是否成立，不成立的话令t＝1；判断t＞popsize是否成立，成立的话t＝popsize；
判断s＞lchrom是否成立，成立的话s＝lchrom；
完成遗传算法，利用遗传算法对图像进行分割得到图像骨架。
本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (2)
1.一种大坝表面裂缝骨架提取方法，其特征在于，该方法步骤包括：
步骤1：利用工业相机对大坝裂缝进行图像采集；
步骤2：对采集到的所述图像进行斑点检测；
步骤3：用卡尔曼滤波跟踪算法标出所述图像中斑点的位置；
步骤4：利用数学形态学的方法去除标出的斑点，得到去除斑点的大坝裂缝图像；
步骤5：对去除斑点的大坝裂缝图像进行基于遗传算法的骨架提取操作；
先对所述图像进行预设想要提取的斑点数，默认设置为120个；
预设LoG参数，sigma参数初始值设为2，最终值设为15，sigma参数增长步长为1，对图像计算尺度规范化的高斯拉普拉斯算子；
接着对图像进行梯度最大值的搜索，对局部极值进行降序排列，提取最大极值点并将该极值点作为提取的一个斑点放入到斑点数组；
每提取完一次斑点后都对图像进行一次基于暗通道的图像增强操作；
循环提取所需要的斑点数；
所述图像增强操作为：建立图像退化模型，计算大气光值，粗略得到透射率预估值，对所述透射率预估值进行优化得到精确的透射率值，对退化模型逆变换；
所述图像退化模型的建立公式2为：
Edt(d，λ)＝E0e-β(λ)d；
Ea(d，λ)＝A(1-e-β(λ)d)；
I(x)＝J(x)t(x)+A(1-t(x))；
其中，A为环境光，表示的是为无穷远点处的大气光，Edt(d，λ)为衰减模型，Ea(d，λ)为大气光模型；C指的是RGB三通道；I(x)为输入图像I在像素点x处的值，J(x)为输出图像，t(x)＝e-βd(x)为场景点的透射率；
从所述输入图像I中寻找对应的具有最高亮度的点的值，作为所述大气光值；
对原图进行下采样，缩小为原图的1/4；
利用传统法快速求得缩小后图像的透射率，此透射率为所述透射率预估值；
利用数学形态学的方法提取图像的边缘信息，进行膨胀化处理，得到图像的二值信息图；
中心像素的透射率为周围像素预估透射率的加权和，权值为中心像素到周围像素欧式距离的倒数；
将所述中心像素的透射率代入退化模型；
逆操作进行图像增强；
导入所述图像，进行卡尔曼滤波器初始化，循环遍历所有图像，计算并标出所求斑点所在的质心坐标及半径，对卡尔曼滤波器进行更新操作；
所述步骤5具体包括：
步骤a：读入图像；
步骤b：将RGB图像转为灰度图像；
步骤c：将读入的图像缩小为原来尺寸的0.4倍；
步骤d：定义染色体长度Ichrom为8，定义种群大小popsize为10，定义杂交概率cross_rate为0.7，定义变异概率muration_rate为0.4，定义最大遗传代数maxgen为150；
步骤e：初始化种群；
步骤f：进行遗传操作；
步骤g：用所找到的阈值进行图像分割，完成骨架提取；
计算图像尺度规范化的高斯拉普拉斯算子，其公式如下：
其中σ为尺度，x，y为像素大小，
为尺度规范化的高斯拉普拉斯算子，
为高斯拉普拉斯算子；
所述步骤f中所述遗传操作包括：计算适应度值及排序，进行精英选择操作、交叉操作和变异操作；
去除图像的斑点，具体包括：
按照升序顺序对检测斑点数组进行逐一操作；
以斑点像素值为中心，建立一个5*5的图像邻域；
斑点的像素值为周围像素值的加权和，权值为中心像素到周围像素的欧式距离的倒数；
检测斑点数组是否指向最后一个，如果没有指向最后一个继续进行周围像素值的加权替换操作。
2.根据权利要求1所述的大坝表面裂缝骨架提取方法，其特征在于，所述步骤1中的采用的所述工业相机为支持2592×1944@30fps高清画面输出，支持H.265高效压缩算法，支持0.02Lux/F1.6彩色,0.002Lux/F1.6黑白，摄像头支持23倍光学变倍，16倍数字变倍，照明系统采用高效红外阵列，低功耗，照射距离达200m；支持三码流技术，每路码流可独立配置分辨率及帧率，支持3D数字降噪、宽动态、透雾、强光抑制和电子防抖的工业相机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910289936.3A CN110060243B (zh) | 2019-04-11 | 2019-04-11 | 一种大坝表面裂缝骨架提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910289936.3A CN110060243B (zh) | 2019-04-11 | 2019-04-11 | 一种大坝表面裂缝骨架提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110060243A CN110060243A (zh) | 2019-07-26 |
| CN110060243B true CN110060243B (zh) | 2022-06-28 |
Family
ID=67318807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910289936.3A Active CN110060243B (zh) | 2019-04-11 | 2019-04-11 | 一种大坝表面裂缝骨架提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110060243B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362296B (zh) * | 2021-05-31 | 2022-10-04 | 山东大学 | 一种隧道裂缝提取方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
| CN107203980A (zh) * | 2017-05-31 | 2017-09-26 | 常州工学院 | 自适应多尺度暗通道先验的水下目标探测图像增强方法 |
| CN107292869A (zh) * | 2017-06-07 | 2017-10-24 | 西安电子科技大学 | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 |
| CN107389697A (zh) * | 2017-07-10 | 2017-11-24 | 北京交通大学 | 一种基于半交互式的裂缝检测方法 |
| CN108764345A (zh) * | 2018-05-30 | 2018-11-06 | 河海大学常州校区 | 一种基于局部与全局聚类的水下大坝裂缝检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0901040D0 (en) * | 2009-01-22 | 2009-03-11 | Renishaw Plc | Optical measuring method and system |
| CN103010258A (zh) * | 2013-01-20 | 2013-04-03 | 昆明聚林科技有限公司 | 一种高铁和地铁扣件裂缝检测系统和方法 |
-
2019
- 2019-04-11 CN CN201910289936.3A patent/CN110060243B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
| CN107203980A (zh) * | 2017-05-31 | 2017-09-26 | 常州工学院 | 自适应多尺度暗通道先验的水下目标探测图像增强方法 |
| CN107292869A (zh) * | 2017-06-07 | 2017-10-24 | 西安电子科技大学 | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 |
| CN107389697A (zh) * | 2017-07-10 | 2017-11-24 | 北京交通大学 | 一种基于半交互式的裂缝检测方法 |
| CN108764345A (zh) * | 2018-05-30 | 2018-11-06 | 河海大学常州校区 | 一种基于局部与全局聚类的水下大坝裂缝检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于自研巡检装置的大坝裂缝骨架检测系统;郝更新等;《电脑知识与技术》;20190131;第15卷(第2期);第1-3节 * |
| 基于遗传算法的OTSU煤矿井筒裂缝快速识别方法;岳国伟等;《中国煤炭》;20160430;第42卷(第4期);71-75 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110060243A (zh) | 2019-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070091B (zh) | 用于街景理解的基于动态插值重建的语义分割方法及系统 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN107092884B (zh) | 一种快速粗精级联行人检测方法 | |
| CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
| CN106778768A (zh) | 基于多特征融合的图像场景分类方法 | |
| CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
| CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
| CN111462157B (zh) | 一种基于遗传优化阈值法的红外图像分割方法 | |
| CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
| CN109948776A (zh) | 一种基于lbp的对抗网络模型图片标签生成方法 | |
| CN110689060A (zh) | 一种基于聚合特征差异学习网络的异源图像匹配方法 | |
| CN111222447A (zh) | 基于神经网络及多通道融合lbp特征的活体检测方法 | |
| Zhou et al. | Attention transfer network for nature image matting | |
| CN110060243B (zh) | 一种大坝表面裂缝骨架提取方法 | |
| CN112214746A (zh) | 基于多模态静脉图像性别信息异构分离的身份识别方法 | |
| CN116977937A (zh) | 一种行人重识别的方法及系统 | |
| CN105825234A (zh) | 一种融合超像素和背景模型的前景检测方法 | |
| CN114862902A (zh) | 一种基于四叉树的光照自适应orb特征提取和匹配方法 | |
| Rassem et al. | Performance evaluation of completed local ternary patterns (CLTP) for medical, scene and event image categorisation | |
| CN117409083A (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
| CN117372857A (zh) | 一种基于机器视觉的洄游鱼群计数识别方法 | |
| CN107832732A (zh) | 基于三叉树遍历的车道线检测方法 | |
| CN111339856A (zh) | 基于深度学习的复杂光照条件下人脸识别方法和识别系统 | |
| CN110516640A (zh) | 一种基于特征金字塔联合表示的车辆再辨识方法 | |
| CN107480648B (zh) | 一种自然场景文字检测的方法 |
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 |