CN112053331B - 一种图像叠加和裂缝信息融合的桥梁裂缝检测方法 - Google Patents
一种图像叠加和裂缝信息融合的桥梁裂缝检测方法 Download PDFInfo
- Publication number
- CN112053331B CN112053331B CN202010886335.3A CN202010886335A CN112053331B CN 112053331 B CN112053331 B CN 112053331B CN 202010886335 A CN202010886335 A CN 202010886335A CN 112053331 B CN112053331 B CN 112053331B
- Authority
- CN
- China
- Prior art keywords
- crack
- point
- points
- image
- executing
- 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
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30132—Masonry; Concrete
Abstract
本发明公开了一种图像叠加和裂缝信息融合的桥梁裂缝检测方法,其步骤为:采集桥梁图像并进行高斯平滑,利用Sobel算子计算图像梯度,提取共生边缘和种子点,连接种子点,删除过长的种子点连线,获取裂缝骨架图,删除过短的骨架,得到裂缝图,获得单张图像裂缝信息,将图像按拍摄顺序进行叠加,连接图像叠加边缘处的裂缝,获取完整构件上的裂缝宽度,长度和数目信息。本发明采用了图像叠加方法获取裂缝图像,因此具有检测精度高、检测速度快的特点,可用于桥梁构件上裂缝的位置、宽度、长度信息的获取。
Description
技术领域
本发明属于物理技术领域,更进一步涉及图像处理技术领域中的一种图像叠加和裂缝信息融合的桥梁裂缝检测方法。本发明可应用于桥梁裂缝检测领域,可以通过图像处理技术准确地从桥梁图像中获取裂缝的位置、宽度、长度等病害信息。
背景技术
裂缝信息是衡量桥梁混凝土病害程度的重要指标,而图像处理方法是目前获取桥梁裂缝信息最常用的技术,但是受拍照范围限制,且桥梁构件的面积通常较大,故若要获取一张桥梁裂缝全景图像及裂缝信息,需要对图像进行拼接。常用的图像拼接方法中,基于特征点的图像拼接方法存在计算量大,耗时长的缺点,基于金字塔融合技术的图像拼接方法存在耗费时间长和对图像进行采样导致裂缝信息丢失的缺点。
王玉凡在其发表的论文“基于Canny边缘检测和Harris角点检测的图像拼接方法”(《内蒙古科技与经济》,2019,(17):90-91)中提出了一种运用多种特征点进行拼接的方法,该方法利用Canny边缘检测和Harris角点检测相结合的方法进行图像拼接。但是,该方法仍然存在的不足之处在于,复杂程度随着图像拼接数目的增加而提升,拼接算法耗时长。
重庆金山医疗器械有限公司在其申请的专利文献“一种图像拼接融合方法及系统”(专利申请号:201811561783.5,申请公开号:109829856A)中提出了一种图像检测融合方法:该方法首先得到每一张图像在多个不同尺度空间下的图像,在所有尺度空间内求取图像的特征点,通过非极大值抑制方法求出最优特征点,建立特征描述子,然后进行特征点匹配,获取图像配准映射矩阵,然后对两幅图像重叠区域进行融合,完成图像拼接。但是,该方法仍然存在的不足之处在于,对原始图像进行采样而导致裂缝信息丢失,检测精度低。
综上,目前这些图像拼接方法还存在算法耗时长、对原始图像进行采样而导致裂缝信息丢失的缺点,对实际应用造成了困难。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种图像叠加和裂缝信息融合的桥梁裂缝检测方法,用于解决现有技术存在的算法耗时长、对于待检测桥梁图像进行采样,使裂缝像素点数减少的问题。
实现本发明目的的基本思路:算法耗时长的主要原因是需要计算特征点,计算特征点需要计算描述子,运算量很大,而图像叠加只需要计算图像的和,运算量很小,所以本发明中采用将标注图按相机的拍摄顺序进行叠加,最后连接图像叠加边缘处的裂缝的方法,不需要计算特征点,计算量小,算法耗时短;不对原图像进行采样,不会导致裂缝信息丢失。
为实现上述目的,本发明的方法包括如下步骤:
(1)获得梯度图像:
(1a)利用高斯卷积公式,对每张待检测的桥梁裂缝图像进行平滑处理,得到该张待检测的桥梁裂缝图像平滑后的裂缝图像;
(1b)利用Sobel算子,对每张平滑后的裂缝图像进行处理,得到该张平滑后的裂缝图像中每个像素点的横向梯度值和纵向梯度值;
(1c)利用梯度计算公式,计算每张平滑后的裂缝图像中每个像素点的梯度值和梯度方向,得到该张平滑后的裂缝图像的梯度图像;
(2)获得共生边缘和种子点图:
(2a)保持每张梯度图像中所有大于梯度值阈值L的像素点对应的红色通道的值不变,将小于梯度值阈值的像素点对应的红色通道的值赋为L-1,得到该张梯度图的准确梯度图;
(2b)获取每张准确梯度图中所有共生边缘点的像素点坐标,将所有的像素点坐标组成该张准确梯度图的坐标集合;
(2c)将每个坐标集合中每一对共生边缘点的中点作为种子点,将梯度图像中与种子点坐标值相同的像素点的值赋为255,其余像素点的值赋为0,得到该张准确梯度图的种子点图;
(3)获得裂缝图:
(3a)从所有种子点图中选取一张未选过的种子点图;
(3b)从所选种子点图中随机选取一个未选过的种子点,寻找与所选种子点距离最小的种子点,将两个种子点连线上的所有像素点的值均赋为255;
(3c)判断是否选取完所选种子点图中的所有种子点,若是,则执行步骤(3d),否则,则执行步骤(3b);
(3d)将所选种子点图中的所有种子点和其连线上的所有像素点的值均赋为255,其余像素点赋值为0,得到该张种子点图的连线图后执行步骤(3e);
(3e)判断是否选取完所有种子点图,若是,则执行步骤(3f),否则,执行步骤(3a);
(3f)将每张连线图中连线长度大于阈值M的连线上像素点的值均赋为0,将连线上像素点的值均为255的连线和连线上的种子点组成一条骨架,将所有的骨架组成该张种子点连线图的骨架图;
(3g)将每张骨架图中每条骨架上的所有种子点连线长度之和作为该骨架的长度,将骨架长度小于阈值N的骨架上像素点的值均赋为0,将剩余的每条骨架和该骨架上的种子点组成一条裂缝,将所有的裂缝组成该张骨架图的裂缝图;
(4)获得裂缝信息:
将每张裂缝图中每条裂缝上所有像素点的坐标作为裂缝坐标,裂缝上的所有种子点连线长度之和作为裂缝长度,利用裂缝宽度计算公式计算每条裂缝的宽度,将该张裂缝图中每条裂缝上的像素点对应的蓝色通道值赋为255,得到该裂缝图的标注图;
(5)将标注图按相机的拍摄顺序进行叠加,得到一张叠加后的裂缝图;
(6)获得检测完成后的裂缝图中的裂缝信息:
连接图像叠加边缘处的裂缝,得到检测完成后的裂缝图,将检测完成后的裂缝图中每条裂缝上所有像素点的坐标作为裂缝坐标,将裂缝上的所有种子点连线长度之和作为裂缝长度,利用裂缝宽度计算公式计算每条裂缝的宽度,得到该条裂缝的坐标、长度、宽度信息。
本发明与现有技术相比,具有如下优点:
第一,由于本发明将标注图按相机的拍摄顺序进行叠加,得到一张叠加后的裂缝图,克服了现有技术存在的复杂程度随着图像拼接数目的增加而提升,拼接算法耗时长的缺点,使得本发明具有处理速度快的优点。
第二,由于本发明连接图像叠加边缘处的裂缝,得到检测完成后的裂缝图,克服了现有技术存在的对于待检测桥梁图像进行采样,使裂缝像素点数减少的缺点,使得本发明具有检测精度高的优点。
附图说明
图1为本发明的流程图;
图2为本发明中相机焦距与视角关系对照图;
图3为本发明仿真实验中相机拍摄的真实桥梁图;
图4为本发明的仿真结果图。
具体实施方式
下面参照附图对本发明作进一步的详细描述。
参照附图1对本发明的步骤作进一步的详细描述。
步骤1,用相机拍摄一张图像,在电脑上查看图像的详细信息,获取拍摄图像的焦距;
步骤2,利用焦距与拍摄视角的对应关系,获取拍摄视角。
焦距与拍摄视角的对应关系如附图2所示,图像中锥形顶部的数据表示焦距,锥形底部的数据表示拍摄视角,半圆形顶部Fish-eye表示鱼眼相机,半圆形底部的数据表示拍摄视角为180度。
步骤3,利用激光测距仪获取相机与待拍摄桥梁之间的距离,计算相机水平方向和竖直方向每次移动的距离;水平方向相机每次移动的距离等于相机与桥梁的距离的两倍乘以视角二分之一的正切值,竖直方向相机每次移动的距离等于图像的纵向分辨率除以横向分辨率乘以拍摄宽度。
步骤4,将相机按照Z字型的移动路线拍摄桥梁图像序列。
步骤5,获得梯度图像。
利用高斯卷积公式,对每张待检测的桥梁裂缝图像进行平滑处理,得到该张待检测的桥梁裂缝图像平滑后的裂缝图像,所述高斯卷积公式如下:
其中,Pn(u)表示第n张平滑后的裂缝图像中第u个像素点的像素值,Pm(h)表示第m张待检测的桥梁裂缝图像中第h个像素点的像素值,n与m的取值对应相等,u与h的取值对应相等,*表示卷积操作,[·]表示高斯卷积核矩阵。
利用Sobel算子,对每张平滑后的裂缝图像进行处理,得到该张平滑后的裂缝图像中每个像素点的横向梯度值和纵向梯度值,所述Sobel算子如下:
其中,Gix(s)表示第i张平滑后的裂缝图像中第s个像素点的横向梯度值,Gjy(z)表示第j张平滑后的裂缝图像中第z个像素点的纵向梯度值,i与j的取值对应相等,s与z的取值对应相等,[·]表示Sobel卷积核矩阵。
利用下述梯度计算公式,计算每张平滑后的裂缝图像中每个像素点的梯度值和梯度方向,得到该张平滑后的裂缝图像的梯度图像,所述梯度计算公式如下:
其中,Gt(p)表示第t张裂缝图像中第p个像素点的梯度值,θr(l)表示第r张裂缝图像中第l个像素点的梯度方向,t与i,j的取值对应相等,r与i,j的取值对应相等,arctan表示反正切操作,表示开平方根操作。
步骤6,获得共生边缘和种子点图。
保持每张梯度图像中所有大于梯度值阈值L的像素点对应的红色通道的值不变,将小于梯度值阈值的像素点对应的红色通道的值赋为L-1,得到该张梯度图的准确梯度图:所述梯度值的阈值为在[75,85]区间随机选取的一个数。
由下述步骤,获取每张准确梯度图中所有共生边缘点的像素点坐标,将所有的像素点坐标组成该张准确梯度图的坐标集合。所述获取每张准确梯度图中所有共生边缘点的像素点坐标的步骤如下:
第1步,按照从左到右,从上到下的顺序选择准确梯度图中的一个像素点。
第2步,判断是否选择完准确梯度图中所有像素点,若是,则获取每张准确梯度图中所有共生边缘点的像素点坐标,否则,执行本步骤的第3步.
第3步,判断准确梯度图上所选像素点对应的红色通道的值是否为L-1,若是,则执行本步骤的第1步,否则获取该像素点处梯度值和梯度方向后执行本步骤的第4步。
第4步,在准确梯度图上,沿所选像素点的梯度方向选择该方向上第8个像素点,判断该像素点对应的红色通道的值是否为L-1,若是,则执行本步骤的第5步,否则,获取该像素点处梯度值后执行本步骤的第6步。
第5步,在准确梯度图上,沿所选像素点的梯度方向的反方向选择该方向上第8个像素点,判断该像素点对应的红色通道的值的值是否为L-1,若是,则执行本步骤的第1步,否则,获取该像素点处的梯度值后执行本步骤的第6步。
第6步,计算本步骤的第3步中获得的梯度值和本步骤的第4步或第5步中获得的梯度值的差,若差的值小于5,执行本步骤的第7步,否则,执行本步骤的第8步。
第7步,将本步骤的第6步中的两个梯度值对应的像素点作为一对共生边缘点,获得两点坐标,执行本步骤的第1步。
第8步,将第6步中的两个梯度值对应的像素点处三个通道的值均赋为L-1,执行第1步。
将每个坐标集合中每一对共生边缘点的中点作为种子点,将梯度图像中与种子点坐标值相同的像素点的值赋为255,其余像素点的值赋为0,得到该张准确梯度图的种子点图。
步骤7,由下述步骤获得裂缝图。
第1步,从所有种子点图中选取一张未选过的种子点图。
第2步,从所选种子点图中随机选取一个未选过的种子点,寻找与所选种子点距离最小的种子点,将两个种子点连线上的所有像素点的值均赋为255。
第3步,判断是否选取完所选种子点图中的所有种子点,若是,则执行本步骤的第4步,否则,执行本步骤的第2步。
第4步,将所选种子点图中的所有种子点和其连线上的所有像素点的值均赋为255,其余像素点赋值为0,得到该张种子点图的连线图后执行本步骤的第5步。
第5步,判断是否选取完所有种子点图,若是,则执行本步骤的第6步,否则,执行本步骤的第1步。
第6步,将每张连线图中连线长度大于阈值M的连线上像素点的值均赋为0,将连线上像素点的值均为255的连线和连线上的种子点组成一条骨架,将所有的骨架组成该张种子点连线图的骨架图。所述连线长度的阈值为在[95,105]区间随机选取的一个数。
第7步,将每张骨架图中每条骨架上的所有种子点连线长度之和作为该骨架的长度,将骨架长度小于阈值N的骨架上像素点的值均赋为0,将剩余的每条骨架和该骨架上的种子点组成一条裂缝,将所有的裂缝组成该张骨架图的裂缝图。所述骨架长度的阈值为在[20,30]区间随机选取的一个数。
步骤8,获得裂缝信息。
将每张裂缝图中每条裂缝上所有像素点的坐标作为裂缝坐标,裂缝上的所有种子点连线长度之和作为裂缝长度,利用下述的裂缝宽度计算公式,计算每条裂缝的宽度,将该张裂缝图中每条裂缝上的像素点对应的蓝色通道值赋为255,得到该裂缝图的标注图。所述的裂缝宽度计算公式如下:
其中,wfg表示第f张裂缝图中第g条裂缝的宽度,(xa,yb),(xc,yd)表示一对共生边缘点的坐标值。
步骤9,将标注图按相机的拍摄顺序进行叠加,得到一张叠加后的裂缝图。
步骤10,获得检测完成后的裂缝图中的裂缝信息。
所述连接图像叠加边缘处的裂缝的步骤如下:
第1步,将纵向分辨率的0.05倍作为叠加边缘为横轴时的裂缝点坐标最大值ymax,将横向分辨率的0.05倍作为叠加边缘为纵轴时的裂缝点坐标最大值xmax。
第2步,将[-ymax,0]区间内的所有裂缝点组成点集A,将[0,ymax]区间内的所有裂缝点组成点集B。
第3步,从点集A中随机选取一个裂缝点。
第4步,判断所选裂缝点在其3×3邻域内除自身之外是否存在两个以上裂缝点,若存在,则执行本步骤的第3步,否则,执行本步骤的第5步。
第5步,从点集B中寻找与点集A中所选裂缝点距离最短的点,将两点连接,计算两点的欧氏距离作为连线的长度。
第6步,判断是否选完点集A中所有的裂缝点,若是,执行本步骤的第7步,否则,执行本步骤的第3步。
第7步,从点集B中随机选取一个裂缝点。
第8步,判断所选裂缝点在其3×3邻域内除自身之外是否存在两个以上裂缝点,若存在,则执行本步骤的第7步,否则,执行本步骤的第9步。
第9步,从点集A中寻找与点集B中所选裂缝点距离最短的点,将两点连接,计算两点的欧氏距离作为连线的长度。
第10步,判断是否选完点集B中所有的裂缝点,若是,执行本步骤的第11步,否则,执行本步骤的第7步。
第11步,将[-xmax,0]区间内的所有裂缝点组成点集C,将[0,xmax]区间内的所有裂缝点组成点集D。
第12步,从点集C中随机选取一个裂缝点。
第13步,判断所选裂缝点在其3×3邻域内除自身之外是否存在两个以上裂缝点,若存在,则执行本步骤的第12步,否则,执行本步骤的第14步。
第14步,从点集D中寻找与点集C中所选裂缝点距离最短的点,将两点连接,计算两点的欧氏距离作为连线的长度。
第15步,判断是否选完点集C中所有的裂缝点,若是,执行本步骤的第十六步,否则,执行本步骤的第十二步。
第16步,从点集D中随机选取一个裂缝点。
第17步,判断所选裂缝点在其3×3邻域内除自身之外是否存在两个以上裂缝点,若存在,则执行本步骤的第16步,否则,执行本步骤的第18步。
第18步,从点集C中寻找与点集D中所选裂缝点距离最短的点,将两点连接,计算两点的欧氏距离作为连线的长度。
第19步,判断是否选完点集D中所有的裂缝点,若是,执行本步骤的第20步,否则,执行本步骤的第16步。
将检测完成后的裂缝图中每条裂缝上所有像素点的坐标作为裂缝坐标,将裂缝上的所有种子点连线长度之和作为裂缝长度,利用所述的裂缝宽度计算公式,计算每条裂缝的宽度,得到该条裂缝的坐标、长度、宽度信息。所述裂缝宽度计算公式如下:
其中,wfg表示第f张裂缝图中第g条裂缝的宽度,(xa,yb),(xc,yd)表示一对共生边缘点的坐标值。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明仿真实验的硬件平台为:处理器为Intel i5 4210M CPU,主频为2.6GHz,内存8.25GB。
本发明的仿真实验的软件平台为:Windows 10操作系统和Visual Studio2013。
2.仿真内容及其结果分析:
本发明的仿真实验是采用本发明方法,对本发明步骤4中相机拍摄的桥梁图像序列进行仿真。该桥梁图像序列是拍摄于陕西省西安市灞河上的一座桥梁。首先在混凝土桥梁表面选取典型裂缝场景,再通过游标卡尺测量裂缝的长度、宽度并获取裂缝数量等参数。每张图像的分辨率为5760*3840,每次采集的图像面积为450mm*300mm。
下面结合附图4对本发明的效果做进一步的描述。
附图3为拍摄的桥梁图像序列,其中,图3(a)为桥梁左上部分的图像,图3(b)为桥梁右上部分的图像,图3(c)为桥梁右下部分的图像,图3(d)为桥梁左下部分的图像,图4为利用本发明的方法,对图3所示的桥梁图像序列进行仿真后得到的结果图。
通过对比图3和图4中的裂缝位置可以看出,本发明在复杂的背景干扰中,能够准确地获取桥梁图像中的裂缝且能够准确测量桥梁图像上的裂缝信息,说明本发明具有较好的抗干扰能力。
利用本发明对拍摄的桥梁图像序列进行仿真,仿真得到的裂缝数量、长度、宽度结果。计算实际测量得到的裂缝数量、长度、宽度与仿真得到的裂缝数量、长度、宽度的相对误差值,将仿真得到的裂缝数量、长度、宽度,实际测量得到的裂缝数量、长度、宽度,裂缝数量、长度、宽度的相对误差值和单幅图像检测耗时制成表1。表1中的“单幅图像检测耗时”为从图像矩阵的读取到输出裂缝信息所耗费的时间。表1中的“测量相对误差”中的“+”代表测量结果偏大,“-”代表测量结果偏小。通过表1的裂缝平均宽度检测相对误差和裂缝平均长度检测相对误差,可以看出本发明能够准确获取裂缝的宽度和长度信息,通过单幅图像检测耗时可以看出本发明具有较高的效率。
利用本发明中的图像叠加方法和现有技术的基于金字塔融合技术的图像拼接方法分别对本发明中标注后的裂缝图像进行图像拼接实验,将图像数量,拼接方法,拼接耗费时间制成表2中。通过表2可以看出本发明方法具有更高的效率,且因为该方法的复杂度较低,所以该方法在处理多幅图像时仍然具有极高的效率。
表1混凝土桥梁检测一览表
第一组图 | 第二组图 | 第三组图 | 第四组图 | |
实际裂缝数目(条) | 4 | 8 | 6 | 7 |
检测裂缝数目(条) | 4 | 8 | 6 | 7 |
裂缝数量检测相对误差(%) | 0.00 | 0.00 | 0.00 | 0.00 |
检测裂缝长度(mm) | 185.10 | 240.30 | 429.90 | 609.20 |
游标卡尺测量裂缝长度(mm) | 188.20 | 237.00 | 441.80 | 590.90 |
裂缝平均长度检测相对误差(%) | -1.64 | +1.39 | -2.69 | +3.096 |
检测裂缝平均宽度(mm) | 2.334 | 3.205 | 5.093 | 5.009 |
游标卡尺测量裂缝平均宽度(mm) | 2.40 | 3.06 | 5.20 | 5.18 |
裂缝平均宽度检测相当误差(%) | -2.75 | +4.738 | -2.058 | -3.301 |
单幅图像检测耗时(ms) | 429 | 433 | 430 | 436 |
表2获取桥梁图像方法耗时测试表
现有技术基于金字塔融合技术的图像拼接方法是指,西安电子科技大学在其申请的专利文献“一种桥梁裂缝信息融合方法”(专利申请号:201910088866.5,申请公开号:109829856A)中提出的基于金字塔融合技术的图像拼接方法。
Claims (9)
1.一种图像叠加和裂缝信息融合的桥梁裂缝检测方法,其特征在于,将图像按拍摄顺序叠加获得完整裂缝图像,只连接叠加边缘处的裂缝实现裂缝信息融合,该方法的具体步骤包括如下:
(1)获得梯度图像:
用相机拍摄一张图像,获取拍摄图像的焦距;利用焦距与拍摄视角的对应关系,获取拍摄视角;利用激光测距仪获取相机与待拍摄桥梁之间的距离,计算相机水平方向和竖直方向每次移动的距离;水平方向相机每次移动的距离等于相机与桥梁的距离的两倍乘以视角二分之一的正切值,竖直方向相机每次移动的距离等于图像的纵向分辨率除以横向分辨率乘以拍摄宽度;将相机按照Z字型的移动路线拍摄桥梁图像序列,获得梯度图像;
(1a)利用高斯卷积公式,对每张待检测的桥梁裂缝图像进行平滑处理,得到该张待检测的桥梁裂缝图像平滑后的裂缝图像;
(1b)利用Sobel算子,对每张平滑后的裂缝图像进行处理,得到该张平滑后的裂缝图像中每个像素点的横向梯度值和纵向梯度值;
(1c)利用梯度计算公式,计算每张平滑后的裂缝图像中每个像素点的梯度值和梯度方向,得到该张平滑后的裂缝图像的梯度图像;
(2)获得共生边缘和种子点图:
(2a)保持每张梯度图像中所有大于梯度值阈值L的像素点对应的红色通道的值不变,将小于梯度值阈值的像素点对应的红色通道的值赋为L-1,得到该张梯度图的准确梯度图;
(2b)获取每张准确梯度图中所有共生边缘点的像素点坐标,将所有的像素点坐标组成该张准确梯度图的坐标集合;
(2c)将每个坐标集合中每一对共生边缘点的中点作为种子点,将梯度图像中与种子点坐标值相同的像素点的值赋为255,其余像素点的值赋为0,得到该张准确梯度图的种子点图;
(3)获得裂缝图:
(3a)从所有种子点图中选取一张未选过的种子点图;
(3b)从所选种子点图中随机选取一个未选过的种子点,寻找与所选种子点距离最小的种子点,将两个种子点连线上的所有像素点的值均赋为255;
(3c)判断是否选取完所选种子点图中的所有种子点,若是,则执行步骤(3d),否则,则执行步骤(3b);
(3d)将所选种子点图中的所有种子点和其连线上的所有像素点的值均赋为255,其余像素点赋值为0,得到该张种子点图的连线图后执行步骤(3e);
(3e)判断是否选取完所有种子点图,若是,则执行步骤(3f),否则,执行步骤(3a);
(3f)将每张连线图中连线长度大于阈值M的连线上像素点的值均赋为0,将连线上像素点的值均为255的连线和连线上的种子点组成一条骨架,将所有的骨架组成该张种子点连线图的骨架图;
(3g)将每张骨架图中每条骨架上的所有种子点连线长度之和作为该骨架的长度,将骨架长度小于阈值N的骨架上像素点的值均赋为0,将剩余的每条骨架和该骨架上的种子点组成一条裂缝,将所有的裂缝组成该张骨架图的裂缝图;
(4)获得裂缝信息:
将每张裂缝图中每条裂缝上所有像素点的坐标作为裂缝坐标,裂缝上的所有种子点连线长度之和作为裂缝长度,利用裂缝宽度计算公式计算每条裂缝的宽度,将该张裂缝图中每条裂缝上的像素点对应的蓝色通道值赋为255,得到该裂缝图的标注图;
(5)将标注图按相机的拍摄顺序进行叠加,得到一张叠加后的裂缝图;
(6)获得检测完成后的裂缝图中的裂缝信息:
连接图像叠加边缘处的裂缝,得到检测完成后的裂缝图,将检测完成后的裂缝图中每条裂缝上所有像素点的坐标作为裂缝坐标,将裂缝上的所有种子点连线长度之和作为裂缝长度,利用裂缝宽度计算公式计算每条裂缝的宽度,得到该条裂缝的坐标、长度、宽度信息;
所述连接图像叠加边缘处的裂缝的步骤如下:
第一步,将纵向分辨率的0.05倍作为叠加边缘为横轴时的裂缝点坐标最大值ymax,将横向分辨率的0.05倍作为叠加边缘为纵轴时的裂缝点坐标最大值xmax;
第二步,将[-ymax,0]区间内的所有裂缝点组成点集A,将[0,ymax]区间内的所有裂缝点组成点集B;
第三步,从点集A中随机选取一个裂缝点;
第四步,判断所选裂缝点在其3×3邻域内除自身之外是否存在两个以上裂缝点,若存在,则执行第三步,否则,执行第五步;
第五步,从点集B中寻找与点集A中所选裂缝点距离最短的点,将两点连接,计算两点的欧氏距离作为连线的长度;
第六步,判断是否选完点集A中所有的裂缝点,若是,执行第七步,否则,执行第三步;
第七步,从点集B中随机选取一个裂缝点;
第八步,判断所选裂缝点在其3×3邻域内除自身之外是否存在两个以上裂缝点,若存在,则执行第七步,否则,执行第九步;
第九步,从点集A中寻找与点集B中所选裂缝点距离最短的点,将两点连接,计算两点的欧氏距离作为连线的长度;
第十步,判断是否选完点集B中所有的裂缝点,若是,执行第十一步,否则,执行第七步;
第十一步,将[-xmax,0]区间内的所有裂缝点组成点集C,将[0,xmax]区间内的所有裂缝点组成点集D;
第十二步,从点集C中随机选取一个裂缝点;
第十三步,判断所选裂缝点在其3×3邻域内除自身之外是否存在两个以上裂缝点,若存在,则执行第十二步,否则,执行第十四步;
第十四步,从点集D中寻找与点集C中所选裂缝点距离最短的点,将两点连接,计算两点的欧氏距离作为连线的长度;
第十五步,判断是否选完点集C中所有的裂缝点,若是,执行第十六步,否则,执行第十二步;
第十六步,从点集D中随机选取一个裂缝点;
第十七步,判断所选裂缝点在其3×3邻域内除自身之外是否存在两个以上裂缝点,若存在,则执行第十六步,否则,执行第十八步;
第十八步,从点集C中寻找与点集D中所选裂缝点距离最短的点,将两点连接,计算两点的欧氏距离作为连线的长度;
第十九步,判断是否选完点集D中所有的裂缝点,若是,执行第二十步,否则,执行第十六步;
5.根据权利要求1所述的一种图像叠加和裂缝信息融合的桥梁裂缝检测方法,其特征在于,步骤(2a)中所述梯度值的阈值为在[75,85]区间随机选取的一个数。
6.根据权利要求1中所述的一种图像叠加和裂缝信息融合的桥梁裂缝检测方法,其特征在于,步骤(2b)中所述获取每张准确梯度图中所有共生边缘点的像素点坐标的步骤如下:
第一步,按照从左到右,从上到下的顺序选择准确梯度图中的一个像素点;
第二步,判断是否选择完准确梯度图中所有像素点,若是,则执行步骤(2c),否则,执行第三步;
第三步,判断准确梯度图上所选像素点对应的红色通道的值是否为L-1,若是,则执行第一步,否则获取该像素点处梯度值和梯度方向后执行第四步;
第四步,在准确梯度图上,沿所选像素点的梯度方向选择该方向上第8个像素点,判断该像素点对应的红色通道的值是否为L-1,若是,则执行第五步,否则,获取该像素点处梯度值后执行第六步;
第五步,在准确梯度图上,沿所选像素点的梯度方向的反方向选择该方向上第8个像素点,判断该像素点对应的红色通道的值的值是否为L-1,若是,则执行第一步,否则,获取该像素点处的梯度值后执行第六步;
第六步,计算第三步中获得的梯度值和第四步或第五步中获得的梯度值的差,若差的值小于5,执行第七步,否则,执行第八步;
第七步,将第六步中的两个梯度值对应的像素点作为一对共生边缘点,获得两点坐标,执行第一步;
第八步,将第六步中的两个梯度值对应的像素点处三个通道的值均赋为L-1,执行第一步。
7.根据权利要求1所述的一种图像叠加和裂缝信息融合的桥梁裂缝检测方法,其特征在于,步骤(3f)中所述连线长度的阈值为在[95,105]区间随机选取的一个数。
8.根据权利要求1所述的一种图像叠加和裂缝信息融合的桥梁裂缝检测方法,其特征在于,步骤(3g)中所述骨架长度的阈值为在[20,30]区间随机选取的一个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010886335.3A CN112053331B (zh) | 2020-08-28 | 2020-08-28 | 一种图像叠加和裂缝信息融合的桥梁裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010886335.3A CN112053331B (zh) | 2020-08-28 | 2020-08-28 | 一种图像叠加和裂缝信息融合的桥梁裂缝检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112053331A CN112053331A (zh) | 2020-12-08 |
CN112053331B true CN112053331B (zh) | 2023-04-07 |
Family
ID=73606974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010886335.3A Active CN112053331B (zh) | 2020-08-28 | 2020-08-28 | 一种图像叠加和裂缝信息融合的桥梁裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053331B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114111602B (zh) * | 2021-11-22 | 2023-07-25 | 招商局重庆交通科研设计院有限公司 | 一种基于图像技术的桥梁表面裂缝宽度计算方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914521A (zh) * | 2014-03-20 | 2014-07-09 | 北京建筑大学 | 基于混合瓦片金字塔的街景影像存储的方法及装置 |
CN108921813A (zh) * | 2018-05-16 | 2018-11-30 | 中设设计集团股份有限公司 | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 |
CN109886939A (zh) * | 2019-01-30 | 2019-06-14 | 西安电子科技大学 | 基于张量投票的桥梁裂缝检测方法 |
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
CN110084844A (zh) * | 2019-04-25 | 2019-08-02 | 中国民航大学 | 一种基于深度相机的机场道面裂缝检测方法 |
CN110136196A (zh) * | 2019-01-30 | 2019-08-16 | 西安电子科技大学 | 一种桥梁裂缝宽度自动测量方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN110378950A (zh) * | 2019-06-18 | 2019-10-25 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 |
CN110473187A (zh) * | 2019-08-08 | 2019-11-19 | 武汉武大卓越科技有限责任公司 | 一种面向对象的线扫描三维路面裂缝提取方法 |
CN110738642A (zh) * | 2019-10-08 | 2020-01-31 | 福建船政交通职业学院 | 基于Mask R-CNN的钢筋混凝土裂缝识别及测量方法及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5422129B2 (ja) * | 2008-02-07 | 2014-02-19 | 株式会社キーエンス | 欠陥検出装置、欠陥検出方法及びコンピュータプログラム |
-
2020
- 2020-08-28 CN CN202010886335.3A patent/CN112053331B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914521A (zh) * | 2014-03-20 | 2014-07-09 | 北京建筑大学 | 基于混合瓦片金字塔的街景影像存储的方法及装置 |
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
CN108921813A (zh) * | 2018-05-16 | 2018-11-30 | 中设设计集团股份有限公司 | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 |
CN109886939A (zh) * | 2019-01-30 | 2019-06-14 | 西安电子科技大学 | 基于张量投票的桥梁裂缝检测方法 |
CN110136196A (zh) * | 2019-01-30 | 2019-08-16 | 西安电子科技大学 | 一种桥梁裂缝宽度自动测量方法 |
CN110084844A (zh) * | 2019-04-25 | 2019-08-02 | 中国民航大学 | 一种基于深度相机的机场道面裂缝检测方法 |
CN110378950A (zh) * | 2019-06-18 | 2019-10-25 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN110473187A (zh) * | 2019-08-08 | 2019-11-19 | 武汉武大卓越科技有限责任公司 | 一种面向对象的线扫描三维路面裂缝提取方法 |
CN110738642A (zh) * | 2019-10-08 | 2020-01-31 | 福建船政交通职业学院 | 基于Mask R-CNN的钢筋混凝土裂缝识别及测量方法及存储介质 |
Non-Patent Citations (3)
Title |
---|
Study on Image Mosaic Algorithm for Crack Detection of Bridge Surface;Wang Y 等;《Proceedings of the Seventh Asia International Symposium on Mechatronics》;20190831;第725-735页 * |
地铁隧道表面图像裂缝识别算法研究;白彪;《中国优秀硕士学位论文全文数据库信息科技辑》;20151015;I138-418 * |
基于图像分析的高速铁路桥梁裂缝特征识别技术研究;鱼鹏飞;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20191215;C034-57 * |
Also Published As
Publication number | Publication date |
---|---|
CN112053331A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220148213A1 (en) | Method for fully automatically detecting chessboard corner points | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
Li et al. | Long-distance precision inspection method for bridge cracks with image processing | |
Zhu et al. | Detection of large-scale concrete columns for automated bridge inspection | |
CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
JP4232064B2 (ja) | 画像処理を用いたひび割れ評価装置 | |
CN104574393B (zh) | 一种三维路面裂缝图像生成系统和方法 | |
CN102768762B (zh) | 一种针对盾构隧道病害数字照相检测的数码相机标定方法及其装置 | |
CN105335973A (zh) | 运用于带钢加工生产线的视觉处理方法 | |
CN112254656B (zh) | 一种基于结构表面点特征的立体视觉三维位移测量方法 | |
JP5303405B2 (ja) | 車両検査装置 | |
CN108362205B (zh) | 基于条纹投影的空间测距方法 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN110930382A (zh) | 基于标定板特征点提取的点云拼接精度评估方法及系统 | |
CN109146791B (zh) | 一种基于面阵ccd成像的隧道展布图生成方法 | |
CN115201883A (zh) | 一种运动目标视频定位测速系统及方法 | |
Harvey | Performance evaluation for road extraction | |
CN112053331B (zh) | 一种图像叠加和裂缝信息融合的桥梁裂缝检测方法 | |
CN105423975A (zh) | 一种大型工件的标定系统及方法 | |
Ioli et al. | UAV photogrammetry for metric evaluation of concrete bridge cracks | |
CN112598655A (zh) | 一种能见度检测方法及设备 | |
JP4170469B2 (ja) | 検査点位置取得方法および装置 | |
Motayyeb et al. | Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades | |
CN110809779B (zh) | 图像合成方法、图像合成装置及记录介质 | |
CN104992433B (zh) | 基于线段匹配的多光谱图像配准的方法及装置 |
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 |