CN111105408A - 一种基于图像处理的建筑物表面裂缝检测方法及系统 - Google Patents
一种基于图像处理的建筑物表面裂缝检测方法及系统 Download PDFInfo
- Publication number
- CN111105408A CN111105408A CN201911371906.3A CN201911371906A CN111105408A CN 111105408 A CN111105408 A CN 111105408A CN 201911371906 A CN201911371906 A CN 201911371906A CN 111105408 A CN111105408 A CN 111105408A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- region
- module
- expansion
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000008030 elimination Effects 0.000 claims abstract description 14
- 238000003379 elimination reaction Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000001629 suppression Effects 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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 using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的建筑物表面裂缝检测方法及系统,在图像预处理阶段,对包含裂缝的图像进行去噪和增强;在候选裂缝点检测阶段,将灰度图像转化为二值图像,并使用多方向非最小值抑制算法去除噪声;在裂缝连接阶段,基于像素追踪算法连接裂缝,同时对连接后的区域进行形状特征分析,筛去不符合要求的区域;在基于颜色特征进行噪声排除的阶段,根据裂缝的颜色特征再次进行噪声抑制,得到最终的裂缝检测结果;本发明抗噪能力较强,能在复杂的背景环境下提取出较为完整的裂缝。
Description
技术领域
本发明涉及一种基于图像处理的建筑物表面裂缝检测方法及系统,属于图像处理技术领域。
背景技术
路面、桥梁、墙体等建筑在长期使用过程中会逐渐出现破损,如果未及时进行检测维护,将会给建筑整体带来较大的安全隐患,因此基于破损进行建筑情况评估是工程维护中重要的一环,而其中对裂缝情况的分析是评估中较常使用到的指标。
早期通常采用人工的方法实地对裂缝进行测量,但对于大规模的建筑群,这种方法往往会消耗较多时间和人力资源。随着图像处理技术的发展,基于图像的裂缝检测方法逐渐普及,该类方法首先拍摄建筑物表面的裂缝图像,之后使用图像处理算法分割出图像中的裂缝区域,相比人工的方法极大提高了检测效率。
但目前大多裂缝检测算法低估了裂缝所处环境的复杂性,尤其是当裂缝图像背景中存在笔迹、水迹等和裂缝形状或灰度特征相似的噪声时,易错误的将其检测为裂缝。除此以外,为了判断建筑受损情况,通常要对裂缝的宽度、长度等特征进行后续分析,因此尽可能的提取完整的裂缝也是算法需要考虑到的。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于图像处理的建筑物表面裂缝检测方法及系统。
为解决上述技术问题,本发明提供一种基于图像处理的建筑物表面裂缝检测方法,其特征在于,
获取待检测彩色图像,对待检测彩色图像进行预处理,输出去噪和增强后的灰度图像;
将灰度图像转化为二值图像,并使用多方向非最小值抑制算法去除噪声,得到候选裂缝点;
对候选裂缝点进行基于像素追踪算法的裂缝连接,同时对连接后的区域进行形状特征分析,筛去不符合要求的区域,得到包含连接后裂缝区域的二值图;
对包含连接后裂缝区域的二值图基于颜色特征进行噪声排除,得到最终的裂缝检测结果。
进一步的,所述预处理为:将待检测彩色图像转化为灰度图像,使用掩膜平滑进行图像去噪,使用自适应直方图均衡化算法增强图像。
进一步的,所述得到候选裂缝点的过程为:
首先对图像进行均值滤波并与原图做差,再使用OTSU阈值化方法将灰度图转化为二值图;之后取二值图中灰度为1的像素点,计算其0°,45°,90°,135°四个方向的剖面势差,此处人为给定阈值E,如果像素点所有方向的势差都小于E,则认为其是噪声并删去,否则保留为候选裂缝点。
进一步的,所述裂缝连接的步骤为:
步骤1,首先设置初始参数T,a,L,d,D,其中T为扩张阈值、a为扩张加速参数、L为形状阈值,d为初始扩张窗口大小、D为最大扩张窗口大小,d=max(n,m)/20,D=2d,n和m分别为图像的长和宽,对于每个候选裂缝点,将其作为一个连通区域R,接下来在R的八邻域内进行扩张,扩张准则为邻域像素点灰度值小于扩张阈值T;
步骤2,更新扩张阈值T,新的T值由区域R内像素灰度值、扩张加速参数a以及旧的T值共同决定;
步骤3,重复扩张过程,直到区域R的直径大于d,停止扩张;
步骤4,基于区域R的面积、直径等特征计算能够衡量其线型程度的指标LR,如果LR大于形状阈值L,则去除该区域;
步骤5,如果区域R经过步骤4保留了下来,则增大d,如果d小于D,重复步骤1-4继续对R进行扩张,否则停止并保存区域R。
进一步的,所述基于颜色特征进行噪声排除的过程为:
针对包含连接后裂缝区域的二值图中灰度值为1的像素点,计算其在待检测彩色图像中RGB三通道像素值之差,再对每个裂缝区域求平均值,当平均值大于人为给定阈值Tc时,则认为该区域是噪声并删去,否则保留。
一种基于图像处理的建筑物表面裂缝检测系统,包括图像预处理模块、候选裂缝点检测模块、裂缝连接模块和噪声排除模块;
所述图像预处理模块,用于获取待检测彩色图像,对待检测彩色图像进行预处理,输出去噪和增强后的灰度图像;
所述候选裂缝点检测模块,用于将灰度图像转化为二值图像,并使用多方向非最小值抑制算法去除噪声,得到候选裂缝点;
所述裂缝连接模块,用于对候选裂缝点进行基于像素追踪算法的裂缝连接,同时对连接后的区域进行形状特征分析,筛去不符合要求的区域,得到包含连接后裂缝区域的二值图;
所述噪声排除模块,用于对包含连接后裂缝区域的二值图基于颜色特征进行噪声排除,得到最终的裂缝检测结果。
进一步的,所述图像预处理模块包括图像转化模块、去噪与增强模块;
所述灰度图像转化模块,用于将待检测彩色图像转化为灰度图像;
所述去噪与增强模块,用于使用掩膜平滑进行图像去噪,使用自适应直方图均衡化算法增强图像。
进一步的,所述候选裂缝点检测模块包括二值图像转化模块、候选裂缝点选择模块;
所述二值图像转化模块,用于对图像进行均值滤波并与原图做差,再使用OTSU阈值化方法将灰度图转化为二值图;
所述候选裂缝点选择模块,用于取二值图中灰度为1的像素点,计算其0°,45°,90°,135°四个方向的剖面势差,此处人为给定阈值E,如果像素点所有方向的势差都小于E,则认为其是噪声并删去,否则保留为候选裂缝点。
进一步的,所述裂缝连接模块包括扩张模块、噪声去除模块和判断模块;
所述扩张模块,用于设置初始参数T,a,L,d,D,其中T为扩张阈值、a为扩张加速参数、L为形状阈值,d为初始扩张窗口大小、D为最大扩张窗口大小,d=max(n,m)/20,D=2d,n和m分别为图像的长和宽,对于每个候选裂缝点,将其作为一个连通区域R,接下来在R的八邻域内进行扩张,扩张准则为邻域像素点灰度值小于阈值T;
更新扩张阈值T,新的T值由区域R内像素灰度值、扩张加速参数a以及旧的T值共同决定;
重复扩张过程,直到区域R的直径大于d,停止扩张;
所述噪声去除模块,用于基于区域R的面积、直径等特征计算能够衡量其线型程度的指标LR,如果LR大于阈值L,则去除该区域;
所述判断模块,用于判断如果区域R经过步骤4保留了下来,则增大d,如果d小于D,重复步骤1-4继续对R进行扩张,否则停止并保存区域R。
进一步的,所述噪声排除模块包括计算模块及判断模块,用于针对包含连接后裂缝区域的二值图中灰度值为1的像素点,计算其在待检测彩色图像中RGB三通道像素值之差,再对每个裂缝区域求平均值,当平均值大于人为给定阈值Tc时,则认为该区域是噪声并删去,否则保留。
本发明所达到的有益效果:
本发明通过充分挖掘噪声和裂缝之间的特征差异,构建了有效的噪声抑制步骤,对于复杂背景下的裂缝也有较好的检测效果;且本发明中的裂缝连接算法能提取出完整度较高的裂缝,为后续的裂缝分析等操作提供了良好的先期条件。
附图说明
图1为本发明实施的裂缝检测方法的完整工作流程图;
图2为本发明实施的裂缝检测方法中裂缝连接算法工作流程图;
图3(a)和图3(b)为本发明实施的裂缝检测方法分割效果对比图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
一种基于图像处理的建筑物表面裂缝检测方法,整体工作流程如图1所示。首先输入彩色裂缝图像C,将其转化为灰度图像G(步骤10),接着使用掩膜平滑去除噪声(步骤11),使用自适应直方图均衡化算法增强图像(步骤12);之后对增强图像进行均值滤波,并将滤波后图像和原增强图像做差,再使用OTSU阈值化方法将其二值化得到I(步骤20);对于I中灰度值为1的像素点,分别取其四个方向(0°,45°,90°,135°)的剖面灰度值,其中灰度值最小点所在位置定义为谷点,计算谷点灰度值和其左右两侧像素灰度值均值的差值eL和eR,在4个方向中,至少存在一个方向的eL和eR同时大于阈值E(其中E为人为给定的阈值),才保留该点为候选裂缝点,否则作为噪声点删除(步骤21);之后从候选裂缝点中选择一个点p(步骤30),如果p是第一个选择的点,则直接进入裂缝连接步骤,否则判断p是否包含在图像J中(步骤31),其中J是存储连接后裂缝区域的图像,如果包含在内,则重新选择p点,否则进入裂缝连接步骤(步骤32)。
裂缝连接步骤的工作流程如图2所示,对于输入的裂缝点p可将其看作区域R,首先设置初始参数T,a,L,d,D,其中T、a、L为人为给定的值,d、D由图像大小决定,设图像长宽为n和m,则d=max(n,m)/20,D=2d(步骤321),之后在区域R的八邻域内进行扩张,如果其八邻域内有像素点的灰度值小于阈值T,则其被包含进区域R(步骤322);区域R扩张后,基于R更新扩张阈值T和加速参数a(步骤323),扩张阈值T的计算方法如下:
其中Img(i)表示R中像素点i的灰度值,Told为旧阈值;而a的更新与区域R的形状特征有关,R的形状参数计算如下:
其中SR为区域R的面积,dR为区域R的直径,当区域形状越接近线型,LR越小,因此a的更新公式为a=LR×aold;之后判断区域R的直径是否大于d,如果小于d则回到步骤322(步骤324),否则计算R的形状参数LR(步骤325);如果LR小于阈值L,增大d(步骤327),如果d<D则回到步骤322,如果d>D,说明基于p的裂缝连接操作完成,将R保存在J中,其中J是专门用来存储连接后的裂缝区域的二值图像(结果329.1);如果LR大于阈值L,直接丢弃区域R,不保存在J中(结果329.2)。
基于点p的裂缝连接步骤结束后,判断候选裂缝点是否遍历完毕(步骤33),如果未遍历完毕则回到步骤30,继续选择新的裂缝点进行连接,否则输出二值图像J,J中会包含一个或多个互不连通的裂缝区域(步骤34);接着针对二值图像J中灰度值为1的像素点,计算其在彩色图像C中RGB三通道像素值之差,再对每个裂缝区域求差值的平均值,当值大于阈值Tc时(其中Tc为人为给定阈值)则认为该区域是噪声并删去,否则保留(步骤40);之后即可得到分割结果的二值图像。
相应地,本发明还提供了一种基于图像处理的建筑物表面裂缝检测系统,包括图像预处理模块、候选裂缝点检测模块、裂缝连接模块和噪声排除模块;
所述图像预处理模块,用于获取待检测彩色图像,对待检测彩色图像进行预处理,输出去噪和增强后的灰度图像;
所述候选裂缝点检测模块,用于将灰度图像转化为二值图像,并使用多方向非最小值抑制算法去除噪声,得到候选裂缝点;
所述裂缝连接模块,用于对候选裂缝点进行基于像素追踪算法的裂缝连接,同时对连接后的区域进行形状特征分析,筛去不符合要求的区域,得到包含连接后裂缝区域的二值图;
所述噪声排除模块,用于对包含连接后裂缝区域的二值图基于颜色特征进行噪声排除,得到最终的裂缝检测结果。
本实施例中,所述图像预处理模块包括图像转化模块、去噪与增强模块;
所述灰度图像转化模块,用于将待检测彩色图像转化为灰度图像;
所述去噪与增强模块,用于使用掩膜平滑进行图像去噪,使用自适应直方图均衡化算法增强图像。
本实施例中,所述候选裂缝点检测模块包括二值图像转化模块、候选裂缝点选择模块;
所述二值图像转化模块,用于对图像进行均值滤波并与原图做差,再使用OTSU阈值化方法将灰度图转化为二值图;
所述候选裂缝点选择模块,用于取二值图中灰度为1的像素点,计算其0°,45°,90°,135°四个方向的剖面势差,此处人为给定阈值E,如果像素点所有方向的势差都小于E,则认为其是噪声并删去,否则保留为候选裂缝点。
本实施例中,所述裂缝连接模块包括扩张模块、噪声去除模块和判断模块;
所述扩张模块,用于首先设置初始参数T,a,L,d,D,其中扩张阈值T、扩张加速参数a、形状阈值L为人为给定的值,d为初始扩张窗口大小、D为最大扩张窗口大小,d、D由图像大小决定,二者限制了区域扩张的范围,设图像长宽为n和m,则d=max(n,m)/20,D=2d。对于每个候选裂缝点,将其作为一个连通区域R,接下来在R的八邻域内进行扩张,扩张准则为邻域像素点灰度值小于阈值T;
更新扩张阈值T,新的T值由区域R内像素灰度值、扩张加速参数a以及旧的T值共同决定;
重复扩张过程,直到区域R的直径大于d,停止扩张;
所述噪声去除模块,用于基于区域R的面积、直径等特征计算能够衡量其线型程度的指标LR,如果LR大于阈值L,则去除该区域;
所述判断模块,用于判断如果区域R经过步骤4保留了下来,则增大d,如果d小于D,重复步骤1-4对R继续进行扩张,否则停止并保存区域R。
本实施例中,所述噪声排除模块包括计算模块及判断模块,用于针对包含连接后裂缝区域的二值图中灰度值为1的像素点,计算其在待检测彩色图像中RGB三通道像素值之差,再对每个裂缝区域求平均值,当平均值大于人为给定阈值Tc时,则认为该区域是噪声并删去,否则保留。
图3a为输入的彩色墙面裂缝图像,图3b为基于图像处理的建筑物表面裂缝检测方法分割效果图,其中白色像素为检测出的裂缝。从图中可以看出在背景噪声复杂的情况下,本发明能有效的排除噪声干扰,精确的提取出裂缝区域,且裂缝的完整性较高。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于图像处理的建筑物表面裂缝检测方法,其特征在于,
获取待检测彩色图像,对待检测彩色图像进行预处理,输出去噪和增强后的灰度图像;
将灰度图像转化为二值图像,并使用多方向非最小值抑制算法去除噪声,得到候选裂缝点;
对候选裂缝点进行基于像素追踪算法的裂缝连接,同时对连接后的区域进行形状特征分析,筛去不符合要求的区域,得到包含连接后裂缝区域的二值图;
对包含连接后裂缝区域的二值图基于颜色特征进行噪声排除,得到最终的裂缝检测结果。
2.根据权利要求1所述的基于图像处理的建筑物表面裂缝检测方法,其特征在于,所述预处理为:将待检测彩色图像转化为灰度图像,使用掩膜平滑进行图像去噪,使用自适应直方图均衡化算法增强图像。
3.根据权利要求1所述的基于图像处理的建筑物表面裂缝检测方法,其特征在于,所述得到候选裂缝点的过程为:
首先对图像进行均值滤波并与原图做差,再使用OTSU阈值化方法将灰度图转化为二值图;之后取二值图中灰度为1的像素点,计算其0°,45°,90°,135°四个方向的剖面势差,此处人为给定阈值E,如果像素点所有方向的势差都小于E,则认为其是噪声并删去,否则保留为候选裂缝点。
4.根据权利要求1所述的基于图像处理的建筑物表面裂缝检测方法,其特征在于,所述裂缝连接的步骤为:
步骤1,首先设置初始参数T,a,L,d,D,其中T为扩张阈值、a为扩张加速参数、L为形状阈值,d为初始扩张窗口大小、D为最大扩张窗口大小,d=max(n,m)/20,D=2d,n和m分别为图像的长和宽,对于每个候选裂缝点,将其作为一个连通区域R,接下来在R的八邻域内进行扩张,扩张准则为邻域像素点灰度值小于扩张阈值T;
步骤2,更新扩张阈值T,新的T值由区域R内像素灰度值、扩张加速参数a以及旧的T值共同决定;
步骤3,重复扩张过程,直到区域R的直径大于d,停止扩张;
步骤4,基于区域R的面积、直径等特征计算能够衡量其线型程度的指标LR,如果LR大于形状阈值L,则去除该区域;
步骤5,如果区域R经过步骤4保留了下来,则增大d,如果d小于D,重复步骤1-4继续对R进行扩张,否则停止并保存区域R。
5.根据权利要求1所述的基于图像处理的建筑物表面裂缝检测方法,其特征在于,所述基于颜色特征进行噪声排除的过程为:
针对包含连接后裂缝区域的二值图中灰度值为1的像素点,计算其在待检测彩色图像中RGB三通道像素值之差,再对每个裂缝区域求平均值,当平均值大于人为给定阈值Tc时,则认为该区域是噪声并删去,否则保留。
6.一种基于图像处理的建筑物表面裂缝检测系统,其特征在于,包括图像预处理模块、候选裂缝点检测模块、裂缝连接模块和噪声排除模块;
所述图像预处理模块,用于获取待检测彩色图像,对待检测彩色图像进行预处理,输出去噪和增强后的灰度图像;
所述候选裂缝点检测模块,用于将灰度图像转化为二值图像,并使用多方向非最小值抑制算法去除噪声,得到候选裂缝点;
所述裂缝连接模块,用于对候选裂缝点进行基于像素追踪算法的裂缝连接,同时对连接后的区域进行形状特征分析,筛去不符合要求的区域,得到包含连接后裂缝区域的二值图;
所述噪声排除模块,用于对包含连接后裂缝区域的二值图基于颜色特征进行噪声排除,得到最终的裂缝检测结果。
7.根据权利要求6所述的基于图像处理的建筑物表面裂缝检测系统,其特征在于,所述图像预处理模块包括图像转化模块、去噪与增强模块;
所述灰度图像转化模块,用于将待检测彩色图像转化为灰度图像;
所述去噪与增强模块,用于使用掩膜平滑进行图像去噪,使用自适应直方图均衡化算法增强图像。
8.根据权利要求6所述的基于图像处理的建筑物表面裂缝检测系统,其特征在于,所述候选裂缝点检测模块包括二值图像转化模块、候选裂缝点选择模块;
所述二值图像转化模块,用于对图像进行均值滤波并与原图做差,再使用OTSU阈值化方法将灰度图转化为二值图;
所述候选裂缝点选择模块,用于取二值图中灰度为1的像素点,计算其0°,45°,90°,135°四个方向的剖面势差,此处人为给定阈值E,如果像素点所有方向的势差都小于E,则认为其是噪声并删去,否则保留为候选裂缝点。
9.根据权利要求6所述的基于图像处理的建筑物表面裂缝检测系统,其特征在于,所述裂缝连接模块包括扩张模块、噪声去除模块和判断模块;
所述扩张模块,用于设置初始参数T,a,L,d,D,其中T为扩张阈值、a为扩张加速参数、L为形状阈值,d为初始扩张窗口大小、D为最大扩张窗口大小,D=2d,n和m分别为图像的长和宽,对于每个候选裂缝点,将其作为一个连通区域R,接下来在R的八邻域内进行扩张,扩张准则为邻域像素点灰度值小于阈值T;
更新扩张阈值T,新的T值由区域R内像素灰度值、扩张加速参数a以及旧的T值共同决定;
重复扩张过程,直到区域R的直径大于d,停止扩张;
所述噪声去除模块,用于基于区域R的面积、直径等特征计算能够衡量其线型程度的指标LR,如果LR大于形状阈值L,则去除该区域;
所述判断模块,用于判断如果区域R经过步骤4保留了下来,则增大d,如果d小于D,重复步骤1-4继续对R进行扩张,否则停止并保存区域R。
10.根据权利要求6所述的基于图像处理的建筑物表面裂缝检测系统,其特征在于,所述噪声排除模块包括计算模块及判断模块,用于针对包含连接后裂缝区域的二值图中灰度值为1的像素点,计算其在待检测彩色图像中RGB三通道像素值之差,再对每个裂缝区域求平均值,当平均值大于人为给定阈值Tc时,则认为该区域是噪声并删去,否则保留。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371906.3A CN111105408B (zh) | 2019-12-27 | 2019-12-27 | 一种基于图像处理的建筑物表面裂缝检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371906.3A CN111105408B (zh) | 2019-12-27 | 2019-12-27 | 一种基于图像处理的建筑物表面裂缝检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105408A true CN111105408A (zh) | 2020-05-05 |
CN111105408B CN111105408B (zh) | 2022-05-03 |
Family
ID=70424806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911371906.3A Active CN111105408B (zh) | 2019-12-27 | 2019-12-27 | 一种基于图像处理的建筑物表面裂缝检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105408B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309447A (zh) * | 2023-03-17 | 2023-06-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567722A (zh) * | 2012-01-17 | 2012-07-11 | 大连民族学院 | 一种基于码本模型和多特征的早期烟雾检测方法 |
CN104573695A (zh) * | 2014-12-23 | 2015-04-29 | 北京恒达锦程图像技术有限公司 | 一种能快速定位感兴趣区的路面裂缝检测方法和系统 |
CN104966307A (zh) * | 2015-07-10 | 2015-10-07 | 成都品果科技有限公司 | 一种基于实时跟踪的ar算法 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
US20190019589A1 (en) * | 2017-07-05 | 2019-01-17 | Electric Power Research Institute, Inc. | Apparatus and method for identifying cracks in a structure using a multi-stage classifier |
JP2019066263A (ja) * | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | ひび割れ検出装置、ひび割れ検出方法、および、コンピュータプログラム |
CN110487497A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种基于递归搜索的桥梁裂缝识别方法 |
CN110503627A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技(深圳)有限公司 | 建筑物裂缝检测方法、装置、存储介质及计算机设备 |
-
2019
- 2019-12-27 CN CN201911371906.3A patent/CN111105408B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567722A (zh) * | 2012-01-17 | 2012-07-11 | 大连民族学院 | 一种基于码本模型和多特征的早期烟雾检测方法 |
CN104573695A (zh) * | 2014-12-23 | 2015-04-29 | 北京恒达锦程图像技术有限公司 | 一种能快速定位感兴趣区的路面裂缝检测方法和系统 |
CN104966307A (zh) * | 2015-07-10 | 2015-10-07 | 成都品果科技有限公司 | 一种基于实时跟踪的ar算法 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
US20190019589A1 (en) * | 2017-07-05 | 2019-01-17 | Electric Power Research Institute, Inc. | Apparatus and method for identifying cracks in a structure using a multi-stage classifier |
JP2019066263A (ja) * | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | ひび割れ検出装置、ひび割れ検出方法、および、コンピュータプログラム |
CN110503627A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技(深圳)有限公司 | 建筑物裂缝检测方法、装置、存储介质及计算机设备 |
CN110487497A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种基于递归搜索的桥梁裂缝识别方法 |
Non-Patent Citations (3)
Title |
---|
凌勇 等: "高速公路裂缝边缘检测算法研究", 《计算机与数字工程》 * |
林亚茹: "基于图像处理的混凝土桥梁裂缝识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
沈德海 等: "一种改进的Sobel 算子边缘检测及细化算法", 《渤海大学学报( 自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309447A (zh) * | 2023-03-17 | 2023-06-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
CN116309447B (zh) * | 2023-03-17 | 2024-01-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111105408B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114418957B (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 | |
CN108629343B (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 | |
CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
CN108596930B (zh) | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
CN113658132A (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
CN108280823A (zh) | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 | |
WO2019010916A1 (zh) | 一种工件三维点云数据平滑滤波方法 | |
CN111882568B (zh) | 火灾图像边缘提取处理方法、终端及系统 | |
CN108182671B (zh) | 一种基于天空区域识别的单幅图像去雾方法 | |
CN110969620A (zh) | 一种磁瓦波纹类缺陷的检测方法及装置 | |
CN111127498B (zh) | 一种基于边缘自生长的Canny边缘检测方法 | |
JP5812705B2 (ja) | ひび割れ検出方法 | |
CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN107871315B (zh) | 一种视频图像运动检测方法和装置 | |
CN112634301A (zh) | 设备区域图像提取方法及装置 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
Liu et al. | Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features | |
CN116051992A (zh) | 一种裂缝识别方法 | |
CN111105408B (zh) | 一种基于图像处理的建筑物表面裂缝检测方法及系统 | |
CN110458773B (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN110298816B (zh) | 一种基于图像重生成的桥梁裂缝检测方法 | |
CN109934817B (zh) | 一种果体外部轮廓畸形检测方法 | |
CN111127450B (zh) | 一种基于图像的桥梁裂缝检测方法及系统 |
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 |