CN110852188A - 一种提取ct数字图像中整个土壤团聚体孔隙结构的方法 - Google Patents
一种提取ct数字图像中整个土壤团聚体孔隙结构的方法 Download PDFInfo
- Publication number
- CN110852188A CN110852188A CN201911006128.8A CN201911006128A CN110852188A CN 110852188 A CN110852188 A CN 110852188A CN 201911006128 A CN201911006128 A CN 201911006128A CN 110852188 A CN110852188 A CN 110852188A
- Authority
- CN
- China
- Prior art keywords
- image
- soil
- aggregate
- light
- extracting
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种提取CT数字图像中整个土壤团聚体孔隙结构的方法,属于土壤结构探究技术领域,包括以下步骤:(1)获取土壤团聚体的CT数字图像,并对图像进行预处理;(2)根据图像大小和连通度两个特征进行参数优化,并利用环境光遮蔽计算方法提取土壤聚体的孔隙部分。通过环境光遮蔽计算方法对土壤团聚体图像进行环境光遮蔽计算时,对计算模块的关键参数进行优化,以缩短计算时间,提高计算效率。能够大幅度的提高图像处理效率,缩短运算时间,从而实现整个团聚体孔隙的快速提取。
Description
技术领域
本发明涉及土壤结构探究技术领域,具体地说,涉及一种提取CT数字图像中整个土壤团聚体孔隙结构的方法。
背景技术
土壤团聚体的孔隙结构决定了土壤诸多的关键功能,如土壤固碳,保水保肥,水汽运移以及土壤微生物定殖等。因此,探明整个土壤团聚体内部孔隙结构成为土壤学的研究重点,具有极为重要的科学意义。
然而多年来,国内外对土壤团聚体内部孔隙结构的研究均基于团聚体内部的某一感兴趣体元(volume of interest),而无法对整个团聚体的孔隙结构进行研究。其主要原因是在整个土壤团聚体中,有一部分孔隙结构与团聚体外部的空气背景相互连接,参见图1(a)和(b)中的区域1。
而现有的图像分割技术无法将两者准确的分离,参见图1(b)中的区域1,导致完整团聚体孔隙结构的提取存在较大误差,进而对后续孔隙结构准确定量分析造成较大的影响。
基于感兴趣体元的分析虽然能避免上述问题,然而由于土壤团聚体孔隙结构存在较大的空间变异,导致基于感兴趣体元的孔隙定量分析结果与整个团聚体的实际孔隙结构存在较大偏差,无法得到正确的分析结果。
尽管目前有研究采用将形态滤波和掩膜技术相结合的方式来提取完整土壤团聚体的孔隙结构,但该方法对团聚体连通孔隙的大小和形态有严格的要求。当土壤团聚体中与外部空气背景连通的孔隙尺寸较大或者形貌较为复杂时,该方法会在图像中引入大量的噪声,产生较大的误差,因此具有很大的局限性。
基于上述情况,亟需建立一种提取整个土壤团聚体孔隙结构的方法来提高计算精度,解决土壤结构研究中的问题。同时需要在保证计算精度的前提下对计算模块的关键参数进行优化,以缩短计算时间,提高计算效率。
发明内容
本发明的目的为提供一种提取CT数字图像中整个土壤团聚体孔隙结构的方法,给土壤团聚体孔隙结构研究带来质的飞跃,不但能极大的提高计算精度,而且能够完成土壤团聚体结构-功能相互关联分析,毛管压曲线计算等原本无法进行的研究,解决了土壤团聚体结构研究中的重要难题。
为了实现上述目的,本发明提供的提取CT数字图像中整个土壤团聚体孔隙结构的方法,包括以下步骤:
(1)获取土壤团聚体的CT数字图像,并对图像进行预处理;
(2)根据提图像大小和连通度两个特征进行参数优化,并利用环境光遮蔽计算方法提取土壤聚体的孔隙部分。
上述技术方案中,通过环境光遮蔽计算方法对土壤团聚体图像进行分割时,对计算模块的关键参数进行优化,以缩短计算时间,提高计算效率。能够大幅度的提高图像处理效率,缩短运算时间,从而实现整个团聚体孔隙的快速提取。
作为优选,步骤(1)中,对图像进行预处理包括:去除不包含团聚体信息的多余图像,以及对土壤团聚体图像进行分割,区分图像中的孔隙和固相两部分,并提取出其中的固相部分。
作为优选,根据CT图像灰度值的不同,对图像中的土壤固相部分和孔隙部分进行识别,并设置合适的阈值提取固相部分。
作为优选,还包括对提取出的固相部分的二值化图像进行保存。
作为优选,步骤(2)中,根据提取出的固相部分的图像的特征进行参数优化包括:
最大距离的优化值确定,查看图像的三维信息,假设图像的三维信息是长×宽×高,如果长>宽>高,则最大距离设置为(长2+宽2)1/2;如果高>长>宽,则最大距离设置为(长2+高2)1/2;如果宽>高>长,则最大距离设置为(宽2+高2)1/2;
光线数量的优化值确定,通过计算团聚体的内部孔隙连通度予以确定,首先在图像中选取一个区域,并计算出该区域的总孔度;然后计算出连通孔隙的孔隙率;最后通过连通孔隙率与总孔隙率的比值计算出团聚体的内部连通度。
作为优选,当团聚体内部连通度在0.3~0.5之间时,光线数量设置为30;当团聚体内部连通度在0.5~0.7之间时,光线数量设置为40;当团聚体内部连通度在>0.7时,光线数量需要设置为50。
作为优选,环境光场遮蔽计算方法包括:
在土壤团聚体图像中,土壤孔隙为背景,以土壤固相部分为前景;将图像中每个背景体素的光线投射到各个方向,直到光线到达前景;
到达前景的光线数量与总体光线数量的比值定义为环境遮挡值,环境光遮蔽的数值在归一化之后在0和1之间,其中0表示所有的光线到达土壤孔隙,1表示没有光线到达土壤固相;
待计算完成之后,得到环境光场遮蔽图,对该图像进行图像分割,提取出整个团聚体中的孔隙结构。
与现有技术相比,本发明的有益效果为:
本发明中的提取CT数字图像中整个土壤团聚体孔隙结构的方法既能够准确的提取完整土壤团聚体的孔隙结构,提供了一套完整的关键参数优化方法,确保能够快速完成整个土壤团聚体孔隙结构的提取,达到了简单,快速,易用的目的。
附图说明
图1为使用常规图像处理方式与使用本发明实施例中基于环境光场遮蔽的图像处理方式对整个团聚体进行孔隙结构提取的对比效果图,其中,(a)为原始图像,(b)为对原始图像中的孔隙直接分割,(c)为对原始图像进行环境光遮蔽计算,(d)为对环境光遮蔽计算后的图像进行孔隙分割。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合实施例及其附图对本发明作进一步说明。
实施例
本实施例的提取CT数字图像中整个土壤团聚体孔隙结构的方法基于现有软件模块实现,包括以下步骤:
1.图像预处理
获取土壤的CT数字图像,将包含整个土壤团聚体的三维CT图像导入Image J软件中,通过crop editor,将不包含团聚体信息的多余图像去除,以提高运算速度。对裁剪后包含完整土壤团聚体的三维CT图像进行分割。图像分割的具体原理是根据CT图像灰度值的不同,对图像中的土壤固相部分和孔隙部分进行识别和提取。图像中土壤固相部分的灰度值较高,而孔隙部分的灰度值较低。因此,通过选择适合的灰度值,可以对图像中的孔隙和固相两个部分进行区分,该过程称为图像分割。图像分割操作在软件的image菜单中,具体路径为:image-adjust-threshold,选择分割方法为模式分割(mode),设置适当的阈值,将土壤中的固相部分提取出来,并保存分割后的二值化图像。
2.参数优化
最大距离(Maximum distance)的优化值确定:将图像预处理步骤中得到的二值化图像导入Image J软件中,然后通过“image”菜单中的“show info”命令查看二值化图像的三维信息。假设图像的三维信息是:长×宽×高,如果长>宽>高,则最大距离设置为:(长2+宽2)1/2;如果高>长>宽,则最大距离设置为(长2+高2)1/2;如果宽>高>长,则最大距离设置为(宽2+高2)1/2。
光线数量(Number of rays)的优化值通过Image J软件计算出团聚体的内部孔隙连通度予以确定。首先在二值化图像中选取团聚体内部的一个区域,然后使用Image J软件中bone J插件的“Volume fraction”命令计算出该区域的总孔度。然后使用counter 3D插件计算出连通孔隙的孔隙率。最后通过连通孔隙率与总孔隙率的比值计算出团聚体的内部连通度。
当团聚体内部连通度在0.3~0.5之间时,光线数量设置为30;当团聚体内部连通度在0.5~0.7之间时,光线数量设置为40;当团聚体内部连通度在>0.7时,光线数量需要设置为50。通用计算硬件内存大小(CUDA Memory)根据计算模块提示,将剩余内存的数值填入即可。
3.环境光遮蔽计算及孔隙提取
环境光遮蔽计算与整个团聚体孔隙提取:将分割好的土壤固相图片导入到avizo软件中,添加环境光遮蔽模块,将事先计算好的优化参数输入模块,点击apply按钮进行计算。环境光场遮蔽的计算方法是:将图像中每个背景体素的光线投射到各个方向,直到光线到达前景。在土壤团聚体图像中,土壤孔隙为背景,以土壤固相部分为前景。到达前景的光线数量与总体光线数量的比值定义了环境遮挡值。环境遮挡值表示被土壤固相阻挡到这一点的光量。环境光遮蔽的数值在归一化之后在0和1之间,其中0表示所有的光线到达这一点(土壤孔隙),1表示没有光线到达这一点(土壤固相)。由于光线投射计算仅在团聚体内部内部,因此完整的团聚体的孔隙结构可以从周围的空气背景中清楚地分离出来。待计算完成之后,即可得到环境光场遮蔽图。对上述图像再进行一次图像分割,即可提取整个团聚体中的孔隙结构。
实施效果:使用环境光遮蔽计算能够实现整个土壤团聚体孔隙结构的准确提取,参见图1(c)和(d),能够大幅度的提高土壤团聚体孔隙定量研究的计算精度,对土壤质量和功能的准确评价有极大的促进作用,具有非常重要的科学意义和很高的应用价值。对于计算参数的优化则能在保证计算精度的前提下实现更高的计算效率,使计算得以更快的完成。三个参数的单独优化分别可以使计算速度提高12%,9%和1.5%;而三个参数同时优化则可以使计算速度提高25%,具有重要的应用价值。
本发明中的提取整个土壤团聚体孔隙的方法既能够充分利用现有的软件平台,在无需进行复杂程序开发的情况下准确的提取完整土壤团聚体的孔隙结构;又提供了一套完整的关键参数优化方法,确保能够快速完成整个土壤团聚体孔隙结构的提取,达到了简单,快速,易用的目的。使用本发明,只要对参数优化和软件使用方法稍加熟悉即可,具有易于推广和实施的优势。
Claims (7)
1.一种提取CT数字图像中整个土壤团聚体孔隙结构的方法,其特征在于,包括以下步骤:
(1)获取土壤团聚体的CT数字图像,并对图像进行预处理;
(2)根据图像大小和连通度两个特征进行参数优化,并利用环境光遮蔽计算方法提取整个土壤聚体的孔隙部分。
2.根据权利要求1所述的提取CT数字图像中整个土壤团聚体孔隙结构的方法,其特征在于,步骤(1)中,对图像进行预处理包括:去除不包含团聚体信息的多余图像,以及对土壤团聚体图像进行分割,区分图像中的孔隙和固相两部分,并提取出其中的固相部分。
3.根据权利要求2所述的提取CT数字图像中整个土壤团聚体孔隙结构的方法,其特征在于,根据CT图像灰度值的不同,对图像中的土壤固相部分和孔隙部分进行识别和提取。
4.根据权利要求2所述的提取CT数字图像中整个土壤团聚体孔隙结构的方法,其特征在于,还包括对提取出的固相部分的二值化图像进行保存。
5.根据权利要求1所述的提取CT数字图像中整个土壤团聚体孔隙结构的方法,其特征在于,步骤(2)中,根据提取出的固相部分图像的特征进行参数优化包括:
最大距离的优化值确定,查看图像的三维信息,假设图像的三维信息是长×宽×高,如果长>宽>高,则最大距离设置为(长2+宽2)1/2;如果高>长>宽,则最大距离设置为(长2+高2)1/2;如果宽>高>长,则最大距离设置为(宽2+高2)1/2;
光线数量的优化值确定,通过计算团聚体的内部孔隙连通度予以确定,首先在图像中选取一个区域,并计算出该区域的总孔度;然后计算出连通孔隙的孔隙率;最后通过连通孔隙率与总孔隙率的比值计算出团聚体的内部连通度。
6.根据权利要求5所述的提取CT数字图像中整个土壤团聚体孔隙结构的方法,其特征在于,当团聚体内部连通度在0.3~0.5之间时,光线数量设置为30;当团聚体内部连通度在0.5~0.7之间时,光线数量设置为40;当团聚体内部连通度在>0.7时,光线数量需要设置为50。
7.根据权利要求1所述的提取CT数字图像中整个土壤团聚体孔隙结构的方法,其特征在于,环境光场遮蔽计算方法包括:
在土壤团聚体图像中,土壤孔隙为背景,以土壤固相部分为前景;将图像中每个背景体素的光线投射到各个方向,直到光线到达前景;
到达前景的光线数量与总体光线数量的比值定义为环境遮挡值,环境光遮蔽的数值在归一化之后在0和1之间,其中0表示所有的光线到达土壤孔隙,1表示没有光线到达土壤固相;
待计算完成之后,得到环境光场遮蔽图,对该图像进行图像分割,提取出整个团聚体中的孔隙结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006128.8A CN110852188B (zh) | 2019-10-22 | 2019-10-22 | 一种提取ct数字图像中整个土壤团聚体孔隙结构的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006128.8A CN110852188B (zh) | 2019-10-22 | 2019-10-22 | 一种提取ct数字图像中整个土壤团聚体孔隙结构的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852188A true CN110852188A (zh) | 2020-02-28 |
CN110852188B CN110852188B (zh) | 2022-04-29 |
Family
ID=69597705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911006128.8A Active CN110852188B (zh) | 2019-10-22 | 2019-10-22 | 一种提取ct数字图像中整个土壤团聚体孔隙结构的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852188B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474100A (zh) * | 2020-04-26 | 2020-07-31 | 长江大学 | 一种土壤空隙原位监测方法及装置 |
CN113390905A (zh) * | 2021-05-31 | 2021-09-14 | 北京师范大学 | 一种基于ct扫描技术量化土壤团聚体孔隙空间结构方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592305A (zh) * | 2011-09-06 | 2012-07-18 | 浙江大学 | 自适应的屏幕空间环境光遮蔽方法 |
CN104517313A (zh) * | 2014-10-10 | 2015-04-15 | 无锡梵天信息技术股份有限公司 | 基于屏幕空间的环境光遮蔽的方法 |
CN105761241A (zh) * | 2016-01-25 | 2016-07-13 | 中国水利水电科学研究院 | 一种基于ct扫描图像的土壤大孔隙空间结构确定方法 |
CN106546521A (zh) * | 2016-10-12 | 2017-03-29 | 北京师范大学 | 一种基于ct扫描技术量化土壤大孔隙空间网络结构的方法 |
US20170372470A1 (en) * | 2016-06-27 | 2017-12-28 | Sun Yat-Sen University | Method of separating, identifying and characterizing cracks in 3d space |
CN107633544A (zh) * | 2016-07-14 | 2018-01-26 | 网易(杭州)网络有限公司 | 环境光遮蔽的处理方法及装置 |
CN109658378A (zh) * | 2018-11-08 | 2019-04-19 | 北京林业大学 | 基于土壤ct图像的孔隙辨识方法及系统 |
CN109697427A (zh) * | 2018-12-25 | 2019-04-30 | 中南大学 | 一种赤泥土壤化过程中团聚结构量化的分析方法及系统 |
-
2019
- 2019-10-22 CN CN201911006128.8A patent/CN110852188B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592305A (zh) * | 2011-09-06 | 2012-07-18 | 浙江大学 | 自适应的屏幕空间环境光遮蔽方法 |
CN104517313A (zh) * | 2014-10-10 | 2015-04-15 | 无锡梵天信息技术股份有限公司 | 基于屏幕空间的环境光遮蔽的方法 |
CN105761241A (zh) * | 2016-01-25 | 2016-07-13 | 中国水利水电科学研究院 | 一种基于ct扫描图像的土壤大孔隙空间结构确定方法 |
US20170372470A1 (en) * | 2016-06-27 | 2017-12-28 | Sun Yat-Sen University | Method of separating, identifying and characterizing cracks in 3d space |
CN107633544A (zh) * | 2016-07-14 | 2018-01-26 | 网易(杭州)网络有限公司 | 环境光遮蔽的处理方法及装置 |
CN106546521A (zh) * | 2016-10-12 | 2017-03-29 | 北京师范大学 | 一种基于ct扫描技术量化土壤大孔隙空间网络结构的方法 |
CN109658378A (zh) * | 2018-11-08 | 2019-04-19 | 北京林业大学 | 基于土壤ct图像的孔隙辨识方法及系统 |
CN109697427A (zh) * | 2018-12-25 | 2019-04-30 | 中南大学 | 一种赤泥土壤化过程中团聚结构量化的分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
CHENG LIN ET AL.: "Accelerated Detail-Enhanced Ambient Occlusion", 《2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
於修龄: "土壤团聚体/铁锰结核的三维结构、形成过程及其环境意义", 《中国优秀博硕士学位论文全文数据库(博士) 农业科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474100A (zh) * | 2020-04-26 | 2020-07-31 | 长江大学 | 一种土壤空隙原位监测方法及装置 |
CN113390905A (zh) * | 2021-05-31 | 2021-09-14 | 北京师范大学 | 一种基于ct扫描技术量化土壤团聚体孔隙空间结构方法 |
CN113390905B (zh) * | 2021-05-31 | 2022-06-24 | 北京师范大学 | 一种基于ct扫描技术量化土壤团聚体孔隙空间结构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110852188B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144388B (zh) | 一种基于单目影像的道路标志标线的更新方法 | |
CN110008962B (zh) | 基于注意力机制的弱监督语义分割方法 | |
CN110852188B (zh) | 一种提取ct数字图像中整个土壤团聚体孔隙结构的方法 | |
US11069078B2 (en) | Method, device and system for generating a centerline for an object in an image | |
CN113838005B (zh) | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 | |
CN113888557A (zh) | 一种基于rgb-d特征融合的场景语义分割方法及系统 | |
CN116503705B (zh) | 一种数字城市多源数据的融合方法 | |
CN110837839A (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
CN115578615A (zh) | 基于深度学习的夜间交通标志图像检测模型建立方法 | |
US20150154809A1 (en) | Methods and apparatuses for marking target in 3D image | |
CN114549394B (zh) | 一种基于深度学习的肿瘤病灶区域语义分割方法及系统 | |
CN116862922B (zh) | 基于图像分割与雷达信息融合的目标定位方法、系统及介质 | |
CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及系统 | |
CN117351144A (zh) | 大坝模型动态重建方法、终端设备及存储介质 | |
Tarolli et al. | Multimodal image fusion with SIMS: Preprocessing with image registration | |
CN115063478B (zh) | 基于rgb-d相机和视觉定位的水果定位方法、系统、设备及介质 | |
CN115371663A (zh) | 激光建图方法、装置及电子设备、计算机可读存储介质 | |
CN115272549A (zh) | 一种超大数字场景的存储和渲染调度方法及装置 | |
CN114049939A (zh) | 一种基于UNet-GAN网络的肺炎CT图像生成方法 | |
CN113326891A (zh) | 小目标对象的检测方法、系统及装置 | |
CN116342800B (zh) | 一种多模态位姿优化的语义三维重建方法及系统 | |
CN105741271B (zh) | 一种深度图像中物体检测方法 | |
CN112837410B (zh) | 一种训练模型和点云的处理方法及装置 | |
Kim et al. | Multi-modal big-data management for film production | |
CN117021435B (zh) | 修边机的修边控制系统及其方法 |
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 |