CN111507922B - 一种基于直方图的隧道表面图像自适应增强方法 - Google Patents
一种基于直方图的隧道表面图像自适应增强方法 Download PDFInfo
- Publication number
- CN111507922B CN111507922B CN202010315342.8A CN202010315342A CN111507922B CN 111507922 B CN111507922 B CN 111507922B CN 202010315342 A CN202010315342 A CN 202010315342A CN 111507922 B CN111507922 B CN 111507922B
- Authority
- CN
- China
- Prior art keywords
- image
- histogram
- denoising
- tunnel
- tunnel surface
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 title claims description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 241000519995 Stachys sylvatica Species 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于直方图的隧道表面图像自适应增强方法，包括以下步骤：S1.获取地铁隧道表面图像数据；S2.图像直方图自适应去噪修正；S3.图像直方图均衡化；S4.影像细节增强。本发明的一种基于直方图的隧道表面图像自适应增强方法，有效去除隧道反射影像中的噪声，较大程度的减少外界因素对后续地铁隧道病害分析检测的影响程度，同时还能够更加有效的避免因噪声导致的地铁隧道病害分析错误，提高了影像分析效率和准确度，较好的增强了反射影像的原有纹理细节特征，使之含有丰富的细节特征信息。
Description
技术领域
本发明涉及计算机视觉、图像处理分析等技术领域，具体为一种隧道表面图像图像自适应增强方法。
背景技术
近年来，随着我国社会的进步、经济的发展，我国新建了大批铁路隧道以供人们出行。但我国现有运营隧道建设年代不同,建设标准不一,养护维修标准不高,部分隧道建成时就存在质量缺陷,因而隧道总体技术状态较差，必须及时准确的进行长期的形变监测和病害调查以便及时发现和预报险情，保证隧道运营安全。
传统隧道质量检测方法以人工检查为主，结果依赖于检测人员水平，效率极低，远不能满足现场需求，这样子无法保证隧道的长期安全运行。而自动车辆扫描是近年来国内外兴起的一种新型无损检测技术,该技术获得的图像含有几何纹理信息,为实现隧道病害数字化管理开辟了新的视野。
但是，在扫描地铁隧道获取隧道表面图像的过程中，由于移动扫描设备移动过程中振动、和设备电器间的电磁干扰等原因，扫描得到的地铁隧道影像普遍存在一定的噪声或图像质量不佳，这对后期分析地铁隧道病害特征产生了很大的干扰，影响了病害分析的效率和准确度。
发明内容
本发明所要解决的技术问题是提供一种基于直方图的隧道表面图像自适应增强方法来解决现有技术中由于移动扫描设备移动过程中振动、和设备电器间的电磁干扰等原因，扫描得到的地铁隧道影像普遍存在一定的噪声或图像质量不佳的问题。
为解决以上技术问题，本发明提供的技术方案为：提供一种基于直方图的隧道表面图像自适应增强方法，其特征在于：包括以下步骤：
S1.获取地铁隧道表面图像数据：通过图像获取装置获取地铁隧道表面的图像，将获取到的隧道表面图像进行初步筛选，选取无缺失和纹理信息丰富的反射率影像；
S2.图像直方图自适应去噪修正：对图像采用直方图进行自适应去噪修正由于外界因素的干扰对获取的隧道表面图像带有的噪声；
S3.图像直方图均衡化：经过步骤S2的图像去噪修正处理后，采用直方图均衡化方法，使图像灰度分布均匀，增大反差；
S4.影像细节增强：采取基于零阶优化的图像细节复原方法恢复增强隧道表面图像的纹理细节特征信息。
进一步的，所述步骤S1中将获取的隧道表面的图像进行初步筛选的条件为：在获取到影像后，剔除影像信息缺失五分之一集以上的影像，对于带有明显白点、空洞丢失和严重位置偏移的影像，也进行剔除。
进一步的，所述步骤S2中图像直方图自适应去噪修正的具体步骤为：
(1)判断噪声：对隧道表面图像进行直方图的x轴方向进行统计，对于x轴上相邻的三个点，如果中间点在y轴上的值和其他两点在y轴上的值相差大于3倍但小于5倍，判断为低噪声区域；如果相差大于5倍以上，判断为高噪声区域；
(2)低强度噪声区域去噪：对于检测到的低噪声区域，采取滤波窗口大小为5的一维中值滤波进行去噪；
(3)高强度区域去噪：对于检测到的高噪声区域，采取滤波窗口大小为7的一维中值滤波进行去噪。
进一步的，所述步骤S3中直方图均衡化的具体步骤为：
(1)计算直方图分布概率：统计每一个灰度在整个图像中像素个数的占比，总和为1，记第i个灰度的直方图分布概率为p(i)；
(2)计算直方图概率累计值：记第i个灰度的计算直方图概率累计值为s(i)，计所述累计值s(i)的公式为；
s(0)＝p(0)，
s(1)＝p(0)+p(1)
s(i)＝p(0)+p(1)+…+p(i)
(3)求取像素映射关系：记第i个灰度的像素映射关系为ss(i)，原图像中的灰度值为pix,则累计值s(i)的计算过程为：
s(i)＝int{[max(pix)-min(pix)]＊s(i)+0.5}
进一步的，所述步骤S4中图像细节增强的具体步骤为：
(1)获取残差细节影像：对原始含噪声影像，采用步骤S2和步骤S3对原始含噪影像进行去噪并均衡化处理得到影像I1,然后对I1继续采用骤S2-S3对其进行二次去噪并均衡化处理得到I2，残差细节影像由I2减去I1得到；
(2)复原残差细节：将步骤(1)得到的残差细节影像，加上步骤(1)中得到的I1中，得到复原影像细节特征信息；
(3)迭代细节复原：将步骤(2)得到的影像I1重新代入步骤(1)-(2)中，重复执行三次，最终得到隧道表面图像增强结果。
本发明和现有技术相比，产生的有益效果为：
本发明的一种基于直方图的隧道表面图像自适应增强方法，有效去除隧道反射影像中的噪声，较大程度的减少外界因素对后续地铁隧道病害分析检测的影响程度，同时还能够更加有效的避免因噪声导致的地铁隧道病害分析错误，提高了影像分析效率和准确度，较好的增强了反射影像的原有纹理细节特征，使之含有丰富的细节特征信息。
附图说明
图1是本发明具体实施例的流程图；
图2是具体实施例的输入原始隧道表面图像；
图3是具体实施例处处理后的结果。
具体实施方式
为了进一步阐明本发明的工作原理和工作过程，下面结合附图与具体实施例对本发明方法做详细的介绍。
本发明提供一种基于直方图的隧道表面图像自适应增强方法，其流程图如图1所示，具体包括以下步骤：
S1.获取地铁隧道表面图像数据：通过图像获取装置获取地铁隧道表面的图像，获取到的初始图像如图2所示，将获取到的隧道表面图像进行初步筛选，选取无缺失和纹理信息丰富的反射率影像；其中，将获取的隧道表面的图像进行初步筛选的条件为：在获取到影像后，剔除影像信息缺失五分之一集以上的影像，对于带有明显白点、空洞丢失和严重位置偏移的影像，也进行剔除。
S2.图像直方图自适应去噪修正：对图像采用直方图进行自适应去噪修正由于外界因素的干扰对获取的隧道表面图像带有的噪声；其中，图像直方图自适应去噪修正的具体步骤为：
(1)判断噪声：对隧道表面图像进行直方图的x轴方向进行统计，对于x轴上相邻的三个点，如果中间点在y轴上的值和其他两点在y轴上的值相差大于3倍但小于5倍，判断为低噪声区域；如果相差大于5倍以上，判断为高噪声区域；
(2)低强度噪声区域去噪：对于检测到的低噪声区域，采取滤波窗口大小为5的一维中值滤波进行去噪；
(3)高强度区域去噪：对于检测到的高噪声区域，采取滤波窗口大小为7的一维中值滤波进行去噪。
S3.图像直方图均衡化：经过步骤S2的图像去噪修正处理后，采用直方图均衡化方法，使图像灰度分布均匀，增大反差，直方图均衡化的具体步骤为：
(1)计算直方图分布概率：统计每一个灰度在整个图像中像素个数的占比，总和为1，记第i个灰度的直方图分布概率为p(i)；
(2)计算直方图概率累计值：记第i个灰度的计算直方图概率累计值为s(i)，计所述累计值s(i)的公式为；
s(0)＝p(0)，
s(1)＝p(0)+p(1)
s(i)＝p(0)+p(1)+…+p(i)
(3)求取像素映射关系：记第i个灰度的像素映射关系为ss(i)，原图像中的灰度值为pix,则累计值s(i)的计算过程为：
s(i)＝int{[max(pix)-min(pix)]＊s(i)+0.5}。
S4.影像细节增强：采取基于零阶优化的图像细节复原方法恢复增强隧道表面图像的纹理细节特征信息，其中，图像细节增强的具体步骤为：
(1)获取残差细节影像：对原始含噪声影像，采用步骤S2和步骤S3对原始含噪影像进行去噪并均衡化处理得到影像I1,然后对I1继续采用骤S2-S3对其进行二次去噪并均衡化处理得到I2，残差细节影像由I2减去I1得到；
(2)复原残差细节：将步骤(1)得到的残差细节影像，加上步骤(1)中得到的I1中，得到复原影像细节特征信息；
(3)迭代细节复原：将步骤(2)得到的影像I1重新代入步骤(1)-(2)中，重复执行三次，最终得到隧道表面图像增强结果，增强结果图如图3所示。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。
Claims (3)
1.一种基于直方图的隧道表面图像自适应增强方法，其特征在于：包括以下步骤：
S1.获取地铁隧道表面图像数据：通过图像获取装置获取地铁隧道表面的图像，将获取到的隧道表面图像进行初步筛选，选取无缺失和纹理信息丰富的反射率影像；
S2.图像直方图自适应去噪修正：对图像采用直方图进行自适应去噪修正由于外界因素的干扰对获取的隧道表面图像带有的噪声；所述步骤S2中图像直方图自适应去噪修正的具体步骤为：
(1)判断噪声：对隧道表面图像进行直方图的x轴方向进行统计，对于x轴上相邻的三个点，如果中间点在y轴上的值和其他两点在y轴上的值相差大于3倍但小于5倍，判断为低噪声区域；如果相差大于5倍以上，判断为高噪声区域；
(2)低强度噪声区域去噪：对于检测到的低噪声区域，采取滤波窗口大小为5的一维中值滤波进行去噪；
(3)高强度区域去噪：对于检测到的高噪声区域，采取滤波窗口大小为7的一维中值滤波进行去噪；
S3.图像直方图均衡化：经过步骤S2的图像去噪修正处理后，采用直方图均衡化方法，使图像灰度分布均匀，增大反差；
S4.影像细节增强：采取基于零阶优化的图像细节复原方法恢复增强隧道表面图像的纹理细节特征信息；所述步骤S4中图像细节增强的具体步骤为：
(1)获取残差细节影像：对原始含噪声影像，采用步骤S2和步骤S3对原始含噪影像进行去噪并均衡化处理得到影像I1,然后对I1继续采用骤S2-S3对其进行二次去噪并均衡化处理得到I2，残差细节影像由I2减去I1得到；
(2)复原残差细节：将步骤(1)得到的残差细节影像，加上步骤(1)中得到的I1中，得到复原影像细节特征信息；
(3)迭代细节复原：将步骤(2)得到的影像I1重新代入步骤(1)-(2)中，重复执行三次，最终得到隧道表面图像增强结果。
2.根据权利要求1所述的一种基于直方图的隧道表面图像自适应增强方法，其特征在于：所述步骤S1中将获取的隧道表面的图像进行初步筛选的条件为：在获取到影像后，剔除影像信息缺失五分之一集以上的影像，对于带有明显白点、空洞丢失和严重位置偏移的影像，也进行剔除。
3.根据权利要求1所述的一种基于直方图的隧道表面图像自适应增强方法，其特征在于：所述步骤S3中直方图均衡化的具体步骤为：
(1)计算直方图分布概率：统计每一个灰度在整个图像中像素个数的占比，总和为1，记第i个灰度的直方图分布概率为p(i)；
(2)计算直方图概率累计值：记第i个灰度的计算直方图概率累计值为s(i)，计所述累计值s(i)的公式为：
s(1)＝p(0)+p(1)
s(i)＝p(0)+p(1)+…+p(i)
(3)求取像素映射关系：记第i个灰度的像素映射关系为ss(i)，原图像中的灰度值为pix,则累计值s(i)的计算过程为：
s(i)＝int{[max(pix)-min(pix)]*s(i)+0.5}。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010315342.8A CN111507922B (zh) | 2020-04-21 | 2020-04-21 | 一种基于直方图的隧道表面图像自适应增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010315342.8A CN111507922B (zh) | 2020-04-21 | 2020-04-21 | 一种基于直方图的隧道表面图像自适应增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111507922A CN111507922A (zh) | 2020-08-07 |
| CN111507922B true CN111507922B (zh) | 2022-02-11 |
Family
ID=71869439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010315342.8A Active CN111507922B (zh) | 2020-04-21 | 2020-04-21 | 一种基于直方图的隧道表面图像自适应增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507922B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115160B (zh) * | 2023-10-24 | 2024-02-02 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678262A (zh) * | 2016-01-07 | 2016-06-15 | 林业城 | 一种能够自主作业的隧道地质监控装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009012659A1 (en) * | 2007-07-26 | 2009-01-29 | Omron Corporation | Digital image processing and enhancing system and method with function of removing noise |
| CN105205792A (zh) * | 2015-09-18 | 2015-12-30 | 天津大学 | 一种基于亮度色度分离的水下图像增强方法 |
| CN106530245A (zh) * | 2016-10-27 | 2017-03-22 | 长安大学 | 一种无人机载隧道火灾红外图像分频段增强方法 |
| CN107292856A (zh) * | 2017-06-12 | 2017-10-24 | 北京理工大学 | 一种红外焦平面探测器图像增强的方法 |
| CN110349112B (zh) * | 2019-07-16 | 2024-02-23 | 山东工商学院 | 一种基于自适应奇异值阈值的两阶段图像去噪方法 |
| CN110378856B (zh) * | 2019-07-22 | 2023-03-14 | 福建农林大学 | 一种隧道表面二维激光图像增强处理方法 |
-
2020
- 2020-04-21 CN CN202010315342.8A patent/CN111507922B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678262A (zh) * | 2016-01-07 | 2016-06-15 | 林业城 | 一种能够自主作业的隧道地质监控装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111507922A (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537784B (zh) | 一种基于深度学习的ct图肺结节检测方法 | |
| CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
| CN110288566B (zh) | 一种目标缺陷提取方法 | |
| CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
| CN101499164B (zh) | 一种基于单张低分辨率图像的图像插值重构方法 | |
| CN106296763B (zh) | 一种金属材料工业ct图像质量快速校正方法 | |
| CN117764989B (zh) | 一种视觉辅助的显示屏缺陷检测方法 | |
| CN112017130B (zh) | 基于自适应各向异性全变分正则化的图像复原方法 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
| CN112017157A (zh) | 一种光学元件激光损伤阈值测试中损伤点识别方法 | |
| CN111507922B (zh) | 一种基于直方图的隧道表面图像自适应增强方法 | |
| CN110751635A (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 | |
| Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
| CN115294527A (zh) | 一种基于计算机视觉的地铁隧道破损检测方法 | |
| CN106651981B (zh) | 一种环形伪影修正的方法及装置 | |
| CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
| CN112446889A (zh) | 一种基于超声的医学视频读取方法 | |
| CN111127450B (zh) | 一种基于图像的桥梁裂缝检测方法及系统 | |
| CN112785541A (zh) | 一种ct和核磁共振医学图像融合方法 | |
| CN112288680B (zh) | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 | |
| CN117351036A (zh) | 一种crh5动车组齿轮箱箱体裂纹边缘检测方法 | |
| EP2876602A1 (en) | Method and device for analysing nanostructure array images | |
| CN110910442B (zh) | 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法 | |
| CN111145193A (zh) | 一种自适应全局阈值二值化方法 |
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 |