CN111553886B - 一种沥青混合料ct图像中颗粒的自适应识别方法 - Google Patents

一种沥青混合料ct图像中颗粒的自适应识别方法 Download PDF

Info

Publication number
CN111553886B
CN111553886B CN202010276432.0A CN202010276432A CN111553886B CN 111553886 B CN111553886 B CN 111553886B CN 202010276432 A CN202010276432 A CN 202010276432A CN 111553886 B CN111553886 B CN 111553886B
Authority
CN
China
Prior art keywords
image
gray
value
test piece
radius
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
Application number
CN202010276432.0A
Other languages
English (en)
Other versions
CN111553886A (zh
Inventor
谭忆秋
邢超
张凯
粱尊东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010276432.0A priority Critical patent/CN111553886B/zh
Publication of CN111553886A publication Critical patent/CN111553886A/zh
Application granted granted Critical
Publication of CN111553886B publication Critical patent/CN111553886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/70—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20036—Morphological image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种沥青混合料CT图像中颗粒的自适应识别方法，本发明涉及沥青混合料CT图像中颗粒的自适应识别方法。本发明的目的是为了解决现有沥青混合料CT图像中试件中心的黑芯现象带来的混合料的细观结构提取准确率低的问题。过程为：一、确定沥青混合料CT图像中试件半径及圆心位置；二、对CT图像进行空隙灰度归零处理；三、对空隙灰度归零处理后的CT图像进行统计灰度沿径向分布；四、对进行统计灰度沿径向分布后的图像亮度进行均一化处理；五、对进行均一化处理后的图像进行滤波降噪；六、对进行滤波降噪后的图像进行全局阈值分割；七、对进行全局阈值分割后的图像进行图像形态学处理。本发明用于数字图像处理，道路工程。

Description

一种沥青混合料CT图像中颗粒的自适应识别方法
技术领域
本发明涉及沥青混合料CT图像中颗粒的自适应识别方法。数字图像处理，道路工程。
背景技术
沥青混合料是一种多相复合材料，各组成材料具有较大的差异性、随机性及变异性，导致其细观结构具有不唯一性，传统的宏观经验性评价方法并不能有效反映其结构组成，需要从细观角度揭示沥青混合料的性能机理，为了能够准确提取混合料的细观结构，需要开发精度更高的沥青混合料CT图像的图像处理方法。
沥青混合料CT图像的灰度直方图中大致存在5个波峰，各峰按灰度按由小到大的顺序应该依次代表：背景、空隙和伪影、沥青砂浆、集料；如图2a、2b、2c。但实际上，图像中试件中心会出现黑芯现象，即中心附近的亮度较边缘部分低，亮度沿试件半径方向呈非线性分布，这主要是由射线硬化引起，会导致部分集料的灰度值较低偏移至砂浆的波峰中，若不对黑芯加以处理，直接使用基于全局的阈值分割提取集料，会导致黑芯范围内的集料被识别为背景去除，产生集料信息的损失，这也是现阶段沥青混合料CT图像处理的难点。
目前效果较好的一种方法是基于环形分块的阈值分割方法，实现了较基于全局阈值分割方法更好的分割精度，但由于黑芯的边界实际上是渐变的，并非有明确的边界，所以从理论上与实际效果上来看，分环后每个环上集料的灰度仍旧是渐变的，但由于灰度的极差在分环后有所减小，所以削弱了黑芯的对阈值分割的影响，这说明分环法只能缓解黑芯对与阈值分割的影响，而不能做到根除。
发明内容
本发明的目的是为了解决现有沥青混合料CT图像中试件中心的黑芯现象带来的混合料的细观结构提取准确率低的问题，而提出一种沥青混合料CT图像中颗粒的自适应识别方法。
一种沥青混合料CT图像中颗粒的自适应识别方法具体过程为：
步骤一、确定沥青混合料CT图像中试件半径及圆心位置；
步骤二、对已确定试件半径及圆心的CT图像进行空隙灰度归零处理，得到空隙灰度归零处理后的CT图像；
步骤三、对空隙灰度归零处理后的CT图像进行统计灰度沿径向分布；
步骤四、对步骤三进行统计灰度沿径向分布后的图像亮度进行均一化处理；
步骤五、对步骤四进行均一化处理后的图像进行滤波降噪；
步骤六、对步骤五进行滤波降噪后的图像进行全局阈值分割；
步骤七、对步骤六进行全局阈值分割后的图像进行图像形态学处理。
本发明的有益效果为：
本发明确定沥青混合料CT图像中试件半径及圆心位置；对已确定试件半径及圆心的CT图像进行空隙灰度归零处理，得到空隙灰度归零处理后的CT图像；对空隙灰度归零处理后的CT图像进行统计灰度沿径向分布；对进行统计灰度沿径向分布后的图像亮度进行均一化处理；对进行均一化处理后的图像进行滤波降噪；对进行滤波降噪后的图像进行全局阈值分割；对进行全局阈值分割后的图像进行图像形态学处理。以完全解决黑芯对阈值分割程序的影响，解决现有沥青混合料CT图像中试件中心的黑芯现象带来的混合料的细观结构提取准确率低的问题，提高了对沥青混合料的细观结构提取准确率。
将本发明方法与全局阈值分割法和基于分环的阈值分割法的实际处理效果进行对比，以表征本发明方法相较于现有方法的进步，为了说明本发明相较于之前方法的优越性，这里使用基于分环的阈值分割方法与本发明方法进行实际处理效果的对比。将沥青混合料CT图像按照分环规则分为3环一圆，并且各部分的半径互有重叠，分别对每部分图像进行滤波降噪、阈值分割，并对拼合后图像进行形态学处理，最终处理效果见图9a、9b、9c、9d、9e，图10a、10b、10c、10d、10e，对比见图11a、11b。
附图说明
图1为本发明图像处理流程图；
图2a为原始CT图像的特征图；
图2b为原始CT图像灰度直方图；
图2c为原始CT图像基于全局的阈值分割图；
图3a为圆心半径确定过程中覆盖白像素的圆面示意图；
图3b为圆心半径确定过程中找寻试件的半径示意图；
图3c为圆心半径确定过程中找寻试件的圆心示意图；
图4a为裁切后原始图像；
图4b为空隙示意图(白的部分)；
图4c为空隙灰度归零的图像；
图5a为与试件同心的圆环示意图；
图5b为灰度的径向分布图；
图6a为原始图像；
图6b为亮度均一化处理后图像；
图6c为原始图像的灰度等高线图；
图6d为提亮处理后图像的灰度等高线图；
图7a为自适应处理方法阈值分割前图像；
图7b为自适应处理方法阈值分割后图像；
图8a为形态学处理前图像；
图8b为形态学处理后图像；
图9a为原始图像各部分拼合示意图；
图9b为原始图像圆形第一次切割后图像示意图；
图9c为原始图像圆形第二次切割后图像示意图；
图9d为原始图像圆形第三次切割后图像示意图；
图9e为原始图像圆形第四次切割后图像示意图；
图10a为基于分块的图像处理方法各部分拼合示意图；
图10b为基于分块的图像处理方法第一次切割后图像示意图；
图10c为基于分块的图像处理方法第二次切割后图像示意图；
图10d为基于分块的图像处理方法第三次切割后图像示意图；
图10e为基于分块的图像处理方法第四次切割后图像示意图；
图11a为本发明方法结果示意图；
图11b为现有基于分环的阈值分割方法结果示意图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式一种沥青混合料CT图像中颗粒的自适应识别方法具体过程为：
步骤一、确定沥青混合料CT图像中试件半径及圆心位置；
步骤二、对已确定试件半径及圆心的CT图像进行空隙灰度归零处理，得到空隙灰度归零处理后的CT图像；
步骤三、对空隙灰度归零处理后的CT图像进行统计灰度沿径向分布；
步骤四、对步骤三进行统计灰度沿径向分布后的图像亮度进行均一化处理；
步骤五、对步骤四进行均一化处理后的图像进行滤波降噪；
步骤六、对步骤五进行滤波降噪后的图像进行全局阈值分割；
步骤七、对步骤六进行全局阈值分割后的图像进行图像形态学处理。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中确定沥青混合料CT图像中试件半径及圆心位置；具体过程为：
由于在实际CT扫描过程中，试件并不总是处于中心位置，这导致图像中试件的圆心位置有所不同，而确定试件圆心及半径取值对于后续图像处理操作有重要意义，所以需要对图像中试件的圆心、半径进行识别。
在沥青混合料CT图像中：空隙灰度值<沥青砂浆灰度值<集料颗粒灰度值；
步骤一一、将整幅沥青混合料CT图像的矩阵抽象为直角坐标系，像素点的行号与列号分别为沥青混合料CT图像y坐标，x坐标，将沥青混合料CT图像进行单阈值分割(单阈值分割其实就是二值化，阈值分割其实就是二值化操作，根据一个灰度值(阈值)，将灰度大于等于这个灰度值的像素点的灰度变为白色，其他变为黑色，所以叫二值化。)；
步骤一二、人为设置试件半径的取值范围(半径以500像素为初值)，从最小值开始，以此半径值绘制圆面，使圆面在二值化的图像上随意移动，如图3a、3b、3c所示，记录圆面所能覆盖最多的白色像素点数量；
步骤一三、试件半径值增大1，迭代步骤一二，直至试件半径值取至最大值或半径取值加1后其圆面能覆盖的最大白色像素点数量不变，停止迭代，相邻圆面半径取值的圆面所能覆盖的最大白色像素点数量一致，较小的值即为试件的半径；
步骤一四、利用确定的半径绘制圆面，使圆面在沥青混合料CT图像中移动，当圆面覆盖白色像素点数量最大时，圆面的圆心即与试件圆心重合，即确定了试件的圆心位置。
最后利用半径圆心进行图像裁切，去除冗余信息，以提高处理效率。如图3a、3b、3c。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中对已确定试件半径及圆心的CT图像进行空隙灰度归零处理；具体过程为：
由于本发明提取目标物为集料，砂浆与空隙都需要作为背景去除，而砂浆由于黑芯的存在与集料的灰度值互有重叠无法剔除，所以先使用多阈值分割及图像的减法操作对已确定试件半径及圆心的CT图像试件的空隙进行剔除(空隙就是通过阈值分割找到它的，因为空隙的灰度值比较小，可以使用多阈值分割方法，计算出多个阈值，代表空隙的灰度值就在某两个阈值之间，找到以后再去掉空隙)，如图4a、4b、4c所示，避免其对统计灰度沿半径方向分布的处理产生影响。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤三中对空隙灰度归零处理后的CT图像进行统计灰度沿径向分布(程序输出并得到一个excel表格，里面会记录每张输入图像每个近似圆环上的平均灰度值(灰度为0的像素点，即刚才灰度归零的代表空隙的像素点不会被统计在内))；具体过程为：
基于步骤一中确定的沥青混合料CT图像中试件圆心位置，逐个计算与试件同心的近似圆环上的像素点的平均灰度，各个近似圆环的表达式如(1)所示，近似圆环如图5a所示；
式中，x0、y0表示试件圆心横纵坐标，x、y为第i(比如外径是5内径是4)个近似圆环上像素点的横纵坐标，i为近似圆环的外径(比如外径是5内径是4)，取值范围为1至正在处理的这张图像中沥青混合料试件的半径；i-1为近似圆环的内径；
确定不同像素点所属近似圆环(通过(1)式判断，在一个网格图中，本来是没有圆环的，但是通过1式，可以找出半径大小近似圆环(如果圆心的像素点也看做一个近似圆环的话))后，统计各个近似圆环上像素点的灰度均值，见式(2)，
Averagei＝Sumi/Numi (2)
式中，Sumi为第i个近似圆环上灰度值为(0，180]的像素点数量总和，Numi为第i个近似圆环上灰度值为(0，180]的像素点灰度的总和，Averagei为第i个近似圆环上灰度值为(0，180]的像素点的灰度均值；
在统计过程只计入灰度值大于0且小于180的像素点并求均值，这是因为空隙与灰度较大的集料并不需要被提高亮度，故不统计在内，避免其影响对灰度值较低集料的提亮操作，图5b展示了灰度的径向分布情况。
若试件半径为503，则可计算出503个平均值，计算完毕后，按照空值前后数据的线性趋势，以线性趋势插值，对空值进行补充；
空值为近似圆环刚好在空隙上，在这个圆环上没有平均灰度的统计值；
对空值进行补充过程为：
将刚好在空隙上的近似圆环按该(刚好在空隙上的近似圆环)近似圆环外径增大1的近似圆环的数据(近似圆环上灰度值为(0，180]的像素点的灰度均值)和该(刚好在空隙上的近似圆环)近似圆环外径减小1的近似圆环的数据(近似圆环上灰度值为(0，180]的像素点的灰度均值)求取平均值来替代这个空值。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中对步骤三进行统计灰度沿径向分布后的图像亮度进行均一化处理；具体过程为：
基于步骤三得到的各个近似圆环上像素点的灰度均值，以180为目标灰度值，当Averagei小于等于180时，对第i个近似圆环上各像素点的灰度进行如下亮度均一化处理，并强制使经过空隙灰度归零后的全幅图象中灰度值大于180的像素点的灰度等于180；
grayx,y＝grayx,y+180-Averagei (3)
式中，grayx,y为第i个近似圆环上灰度值小于等于180的像素点(取到180的话，不做任何修改)，x、y为第i个近似圆环上的且灰度值小于等于180的像素点横纵坐标，180为目标灰度值(取到180的话，不做任何修改)。
如图6a、6b、6c、6d。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤五中对步骤四进行均一化处理后的图像进行滤波降噪；具体过程为：
由于阈值分割程序对噪声比较敏感，噪声的存在一方面使阈值分割程序对于集料边缘的识别出现误差，另一方面也会对阈值的计算产生不利影响，所以需要对步骤四进行均一化处理后的图像进行滤波降噪，采用自适应低通维纳滤波器过滤灰度图像。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤六中对步骤五进行滤波降噪后的图像进行全局阈值分割；具体过程为：
利用多阈值OTSU法计算经过滤波降噪后图像得出两个阈值，较小的阈值为背景与沥青砂浆的界限，较大的阈值为沥青砂浆与集料的界限；
使用较大阈值对经过滤波降噪后图像进行二值化，得到二值化图像；
选用较大的阈值是因为提取的对象是集料，较小阈值处于空隙与砂浆的灰度值之间，较大的阈值处于砂浆与集料的灰度值之间，因为空隙、砂浆都不需要被提取，所以直接用较大阈值将二者一并去除；
选用基于全局的OTSU阈值分割对步骤五进行滤波降噪后的图像进行二值化处理；由于此时图像中空隙和伪影的灰度已经归零，图像中只包括了黑色的背景、沥青砂浆、集料三部分，而二值化的目标为将集料分离出来，由于OTSU算法是按图像的灰度特性，将图像分成背景和前景两部分，而类间方差是灰度分布均匀性的一种度量，背景和前景之间的类间方差越大，说明构成图像的两部分的差别越大，因此其在类间方差最大的情况下计算的阈值是最佳的。如图7a、7b。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：所述步骤七中对步骤六进行全局阈值分割后的图像进行图像形态学处理；具体过程为：
阈值分割后，针对图像还需要进行孔洞的填充，及粘连集料的分离。分布在图像中的孔洞分为两种，一种是由于集料质地的不均匀导致此处CT扫描后灰度较低，被算法剔除，这种孔洞是需要被填充的；另一种孔洞是由于两个相邻集料边缘距离太近，导致二者之间的缝隙在阈值分割后变成孔洞，这种孔洞需要保留，借由分水岭分割算法在此处将粘连集料分离。
对步骤六进行全局阈值分割后的图像进行反色处理，接着对反色处理后的图像进行腐蚀操作，使相邻集料分离，此时处于集料内部的孔洞也会扩大，但还是闭口孔洞，下一步调用matlab的imfill命令对集料内部的闭口孔洞进行填充，去除集料内部的孔洞，并对图像进行膨胀操作，以还原集料面积，最后利用分水岭算法，对粘连的集料做进一步分离。处理效果见图8a、8b。
其它步骤及参数与具体实施方式一至七之一相同。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (1)

1.一种沥青混合料CT图像中颗粒的自适应识别方法，其特征在于：所述方法具体过程为：
步骤一、确定沥青混合料CT图像中试件半径及圆心位置；
步骤二、对已确定试件半径及圆心的CT图像进行空隙灰度归零处理，得到空隙灰度归零处理后的CT图像；
步骤三、对空隙灰度归零处理后的CT图像进行统计灰度沿径向分布；
步骤四、对步骤三进行统计灰度沿径向分布后的图像亮度进行均一化处理；
步骤五、对步骤四进行均一化处理后的图像进行滤波降噪；
步骤六、对步骤五进行滤波降噪后的图像进行全局阈值分割；
步骤七、对步骤六进行全局阈值分割后的图像进行图像形态学处理；
所述步骤一中确定沥青混合料CT图像中试件半径及圆心位置；具体过程为：
在沥青混合料CT图像中：空隙灰度值<沥青砂浆灰度值<集料颗粒灰度值；
步骤一一、将整幅沥青混合料CT图像的矩阵抽象为直角坐标系，像素点的行号与列号分别为沥青混合料CT图像y坐标，x坐标，将沥青混合料CT图像进行单阈值分割；
步骤一二、人为设置试件半径的取值范围，从最小值开始，以此半径值绘制圆面，使圆面在二值化的图像上随意移动，记录圆面所能覆盖最多的白色像素点数量；
步骤一三、试件半径值增大1，迭代步骤一二，直至试件半径值取至最大值或半径取值加1后其圆面能覆盖的最大白色像素点数量不变，停止迭代，相邻圆面半径取值的圆面所能覆盖的最大白色像素点数量一致，较小的值即为试件的半径；
步骤一四、利用确定的半径绘制圆面，使圆面在沥青混合料CT图像中移动，当圆面覆盖白色像素点数量最大时，圆面的圆心即与试件圆心重合，即确定了试件的圆心位置；
所述步骤二中对已确定试件半径及圆心的CT图像进行空隙灰度归零处理；具体过程为：
使用多阈值分割及图像的减法操作对已确定试件半径及圆心的CT图像试件的空隙进行剔除；
所述步骤三中对空隙灰度归零处理后的CT图像进行统计灰度沿径向分布；具体过程为：
基于步骤一中确定的沥青混合料CT图像中试件圆心位置，逐个计算与试件同心的近似圆环上的像素点的平均灰度，各个近似圆环的表达式如(1)所示，
式中，x0、y0表示试件圆心横纵坐标，x、y为第i个近似圆环上像素点的横纵坐标，i为近似圆环的外径，取值范围为1至图像中沥青混合料试件的半径；i-1为近似圆环的内径；
确定不同像素点所属近似圆环后，统计各个近似圆环上像素点的灰度均值，见式(2)，
Averagei＝Sumi/Numi (2)
式中，Sumi为第i个近似圆环上灰度值为(0，180]的像素点数量总和，Numi为第i个近似圆环上灰度值为(0，180]的像素点灰度的总和，Averagei为第i个近似圆环上灰度值为(0，180]的像素点的灰度均值；
按照空值前后数据的线性趋势，以线性趋势插值，对空值进行补充；
空值为近似圆环刚好在空隙上，在这个圆环上没有平均灰度的统计值；
对空值进行补充过程为：
将刚好在空隙上的近似圆环按该近似圆环外径增大1的近似圆环的数据和该近似圆环外径减小1的近似圆环的数据求取平均值来替代这个空值；
所述步骤四中对步骤三进行统计灰度沿径向分布后的图像亮度进行均一化处理；具体过程为：
基于步骤三得到的各个近似圆环上像素点的灰度均值，以180为目标灰度值，当Averagei小于等于180时，对第i个近似圆环上各像素点的灰度进行如下亮度均一化处理，并强制使经过空隙灰度归零后的全幅图象中灰度值大于180的像素点的灰度等于180；
grayx,y＝grayx,y+180-Averagei (3)
式中，grayx,y为第i个近似圆环上灰度值小于等于180的像素点，x、y为第i个近似圆环上的且灰度值小于等于180的像素点横纵坐标，180为目标灰度值；
所述步骤五中对步骤四进行均一化处理后的图像进行滤波降噪；具体过程为：
对步骤四进行均一化处理后的图像进行滤波降噪，采用自适应低通维纳滤波器过滤灰度图像；
所述步骤六中对步骤五进行滤波降噪后的图像进行全局阈值分割；具体过程为：
利用多阈值OTSU法计算经过滤波降噪后图像得出两个阈值，较小的阈值为背景与沥青砂浆的界限，较大的阈值为沥青砂浆与集料的界限；
使用较大阈值对经过滤波降噪后图像进行二值化，得到二值化图像；
所述步骤七中对步骤六进行全局阈值分割后的图像进行图像形态学处理；具体过程为：
对步骤六进行全局阈值分割后的图像进行反色处理，接着对反色处理后的图像进行腐蚀操作，使相邻集料分离，调用matlab的imfill命令对集料内部的闭口孔洞进行填充，去除集料内部的孔洞，并对图像进行膨胀操作，以还原集料面积，最后利用分水岭算法，对粘连的集料做进一步分离。
CN202010276432.0A 2020-04-09 2020-04-09 一种沥青混合料ct图像中颗粒的自适应识别方法 Active CN111553886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010276432.0A CN111553886B (zh) 2020-04-09 2020-04-09 一种沥青混合料ct图像中颗粒的自适应识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010276432.0A CN111553886B (zh) 2020-04-09 2020-04-09 一种沥青混合料ct图像中颗粒的自适应识别方法

Publications (2)

Publication Number Publication Date
CN111553886A CN111553886A (zh) 2020-08-18
CN111553886B true CN111553886B (zh) 2024-02-13

Family

ID=72007397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010276432.0A Active CN111553886B (zh) 2020-04-09 2020-04-09 一种沥青混合料ct图像中颗粒的自适应识别方法

Country Status (1)

Country Link
CN (1) CN111553886B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113607618B (zh) * 2021-07-02 2024-05-10 中铁二十局集团有限公司 基于工业ct扫描的岩石损伤分析方法、装置及设备
CN113643316B (zh) * 2021-07-28 2022-03-11 哈尔滨工业大学 一种基于ct图像的冷再生混合料新旧集料识别方法
CN114463240B (zh) * 2022-02-10 2022-11-18 哈尔滨工业大学 一种沥青混合料中子图像与X-ray图像的融合处理方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101153850A (zh) * 2006-09-30 2008-04-02 长安大学 一种沥青混合料的检测方法及系统
CN103076271A (zh) * 2013-01-31 2013-05-01 哈尔滨工业大学 沥青混合料空隙体积提取精度测试方法
CN104809756A (zh) * 2015-04-23 2015-07-29 合肥工业大学 基于X-ray CT图像的沥青混合料空隙空间结构重构方法
CN104931515A (zh) * 2015-06-01 2015-09-23 大连海事大学 基于沥青混合料各组分相对密度的内部均匀性识别方法
CN105445160A (zh) * 2015-11-16 2016-03-30 南京林业大学 一种沥青混合料的空隙特征及其提取方法
EP3115930A1 (en) * 2015-07-06 2017-01-11 Transtron, Inc. Malfunction diagnosis apparatus
CN106530318A (zh) * 2016-08-30 2017-03-22 中交西安筑路机械有限公司 一种热拌沥青混凝土花白料识别检测算法
CN106651896A (zh) * 2016-09-30 2017-05-10 南京航空航天大学 沥青混合料的ct图像的材质分类方法
CN108734699A (zh) * 2018-04-23 2018-11-02 东南大学 一种评价再生沥青混合料组分分布均匀性的方法
CN109087396A (zh) * 2018-07-26 2018-12-25 东南大学 一种基于混凝土ct图像像素特征的细观结构重构方法
CN109211904A (zh) * 2018-09-12 2019-01-15 长安大学 一种沥青混合料二维内部结构检测系统及检测方法
CN110135275A (zh) * 2019-04-19 2019-08-16 苏交科集团股份有限公司 一种集料颗粒识别方法
CN110443793A (zh) * 2019-08-07 2019-11-12 南京林业大学 一种沥青混合料空隙分布均匀性评价方法
CN110473225A (zh) * 2019-08-22 2019-11-19 哈尔滨工业大学 一种非均匀照度沥青混合料颗粒识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8085987B2 (en) * 2007-10-26 2011-12-27 Ahmed Shalaby Method and tool for surface texture evaluation
US8861814B2 (en) * 2010-12-22 2014-10-14 Chevron U.S.A. Inc. System and method for multi-phase segmentation of density images representing porous media

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101153850A (zh) * 2006-09-30 2008-04-02 长安大学 一种沥青混合料的检测方法及系统
CN103076271A (zh) * 2013-01-31 2013-05-01 哈尔滨工业大学 沥青混合料空隙体积提取精度测试方法
CN104809756A (zh) * 2015-04-23 2015-07-29 合肥工业大学 基于X-ray CT图像的沥青混合料空隙空间结构重构方法
CN104931515A (zh) * 2015-06-01 2015-09-23 大连海事大学 基于沥青混合料各组分相对密度的内部均匀性识别方法
EP3115930A1 (en) * 2015-07-06 2017-01-11 Transtron, Inc. Malfunction diagnosis apparatus
CN105445160A (zh) * 2015-11-16 2016-03-30 南京林业大学 一种沥青混合料的空隙特征及其提取方法
CN106530318A (zh) * 2016-08-30 2017-03-22 中交西安筑路机械有限公司 一种热拌沥青混凝土花白料识别检测算法
CN106651896A (zh) * 2016-09-30 2017-05-10 南京航空航天大学 沥青混合料的ct图像的材质分类方法
CN108734699A (zh) * 2018-04-23 2018-11-02 东南大学 一种评价再生沥青混合料组分分布均匀性的方法
CN109087396A (zh) * 2018-07-26 2018-12-25 东南大学 一种基于混凝土ct图像像素特征的细观结构重构方法
CN109211904A (zh) * 2018-09-12 2019-01-15 长安大学 一种沥青混合料二维内部结构检测系统及检测方法
CN110135275A (zh) * 2019-04-19 2019-08-16 苏交科集团股份有限公司 一种集料颗粒识别方法
CN110443793A (zh) * 2019-08-07 2019-11-12 南京林业大学 一种沥青混合料空隙分布均匀性评价方法
CN110473225A (zh) * 2019-08-22 2019-11-19 哈尔滨工业大学 一种非均匀照度沥青混合料颗粒识别方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Improved image unevenness reduction and thresholding methods for effective asphalt X-ray CT image segmentation;Ling Chen 等;《Journal of Computing in Civil Engineering》;第31卷(第4期);04017002 *
Ke Zhang等.Accurate detection and evaluation method for aggregate distribution uniformity of asphalt pavement.《Construction and Building Materials》.2017,第152卷715-730. *
刘佳辉 ; 李智 ; .沥青混合料CT图像分割技术及其效果分析.重庆交通大学学报(自然科学版).2011,(第06期),1335-1338. *
基于X-ray CT的沥青混合料材质分类方法;张肖宁 等;《华南理工大学学报(自然科学版)》(第03期);120-124+134 *
基于沥青混合料各组分密度的内部结构均匀性分析;郭乃胜 等;《工程力学》(第07期);249-256 *
李细荣 ; .基于Matlab Gui的压实土激光图像处理方法.黑龙江八一农垦大学学报.2015,(第01期),第87页第2.3节. *
谭忆秋 ; 邢超 ; 任俊达 ; 张磊 ; .基于颗粒堆积理论的沥青混合料细观结构特性研究.中国公路学报.2017,(第07期),1-8. *
颜川奇 ; 杨军 ; 左娜 ; 焦丽亚 ; .沥青混合料初始空隙分布研究.中外公路.2015,(第05期),296-301. *

Also Published As

Publication number Publication date
CN111553886A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111553886B (zh) 一种沥青混合料ct图像中颗粒的自适应识别方法
CN110659645B (zh) 一种数字仪表字符识别方法
CN114723681A (zh) 一种基于机器视觉的混凝土裂缝缺陷检测方法
CN114972326A (zh) 热收缩管扩管工艺的次品识别方法
CN115063430A (zh) 基于图像处理的电气管道裂纹检测方法
CN114037691A (zh) 一种基于图像处理的碳纤维板裂纹检测方法
CN113129323A (zh) 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN110765887A (zh) 隧道衬砌裂纹自动识别技术及检测方法
CN112364871B (zh) 基于改进投影算法的零件喷码字符分割方法
CN107967690B (zh) 一种自适应铁谱磨粒图像二值化处理方法
CN113313727A (zh) 结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法
CN112651936B (zh) 基于图像局部熵的钢板表面缺陷图像分割方法及系统
CN110490889B (zh) 一种基于边缘检测的雷达目标提取方法
CN110223299B (zh) 一种基于沉积过程的磨粒分割方法
CN112700449A (zh) 一种图像分割提取方法、系统及存储介质
CN112329556A (zh) 一种交通标志检测方法、装置、电子设备和存储介质
Li et al. Segmentation of cDNA microarray image using fuzzy c-mean algorithm and mathematical morphology
Yan et al. An improved USM sharpening detection method for underwater images
CN118115497B (zh) 一种石英砂的粉碎磨粉检测方法及装置
CN113160098B (zh) 一种光照不均匀条件下密集微粒图像的处理方法
CN116778172B (zh) 一种指背静脉图像增强方法
CN113781503B (zh) 岩碴图像分割方法及装置
CN111476797B (zh) 一种喷丸成形中重叠弹坑的图像分割方法
CN114331866A (zh) 一种基于灰度直方图平滑的先验表计表盘固定阈值二值化方法

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