CN112085699A - 一种基于二维图像的路面裂缝提取方法 - Google Patents
一种基于二维图像的路面裂缝提取方法 Download PDFInfo
- Publication number
- CN112085699A CN112085699A CN202010758744.5A CN202010758744A CN112085699A CN 112085699 A CN112085699 A CN 112085699A CN 202010758744 A CN202010758744 A CN 202010758744A CN 112085699 A CN112085699 A CN 112085699A
- Authority
- CN
- China
- Prior art keywords
- crack
- point
- path
- cost
- gray
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000000903 blocking effect Effects 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009131 signaling function Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于二维图像的路面裂缝提取方法，首先，对预先获取的原始裂缝图像进行预处理，并进行分块处理；其次，在候选点集合中的任意相邻候选点间利用改进后的迪杰斯特拉算法找到连接二者且代价最小的路径，并利用代价阈值进行筛选，得到最小路径集合；然后，检测出残存的三类伪劣缝：伪环，伪分支和伪短裂缝，并进行剔除，提炼出单像素宽的裂缝骨架；最后，将现有裂缝像素点作为种子点，令其向周边生长，将当前裂缝骨架附近与骨架相邻且满足缝宽灰度阈值要求的像素点纳入裂缝范围，以拓展得到真实宽度的裂缝区域。本发明提出克服了背景噪声和路面污点对裂缝提取的干扰，改善了提取精度，具有计算效率高，鲁棒性强的特点。
Description
技术领域
本发明涉及道路工程与图像处理分析等领域，具体涉及一种基于二维图像的路面裂缝提取方法。
背景技术
近年来，我国的公路网逐渐由前期建设转向后期运营维护与管理。在车辆荷载与局域环境的作用下，沥青路面出现不同程度的病害，路面裂缝作为常见的道路病害影响着路面使用性能及服役寿命，而路面裂缝的检测对道路的安全性与可靠性有着重要的意义。传统基于人工的路面裂缝检测方法效率低成本高，随着计算机技术的日益发展，自动化或半自动化的路面裂缝检测技术为裂缝的快速准确检测提供了新的研究方向。
目前常见的路面裂缝识别方法主要有以下几种：
(1)基于灰度直方图的阈值法裂缝分割方法,采用某一特定阈值对图像全局或某一局部进行二值化分割，从而提取出裂缝像素。该方法的假设基础为裂缝像素点比道路背景颜色深且裂缝像素点灰度分布与路面像素相互独立，要求裂缝与背景的对比度较高且连续性较好。该方法简便快捷，但对于噪声灰度与裂缝灰度相近乃至更暗的情况分割效果不佳。
(2)基于数学形态学的裂缝分割方法,该方法对裂缝边缘法线方向进行考察，构造信号函数并利用其图像及其导数的图像进行裂缝检测；通过构造特定结构元素，利用腐蚀、膨胀、开闭运算等形态学操作利用像素的连通性分割得到裂缝像素。形态学方法对结构元素的构造要求很高，且由于路面纹理特征多样，形态学的检测结果并不理想。
(3)基于纹理特征各向异性的裂缝识别方法(CTA法，Conditional TextureAnisotropy),该方法主要考察任意像素四个方向(0°，45°，90°，135°)上条件纹理特征的各向异性，使得对裂缝像素计算得到的CTA值在马氏距离上区别于正常背景像素，从而提取图像裂缝像素。由于裂缝发展的方向各异且会以曲线形式发展，该方法在识别过程中会对不规则裂缝产生一定的遗漏。
(4)基于深度学习和神经网络的裂缝识别方法,利用了机器学习的相关技术，裂缝识别的精确度十分可观，但该方法受制于需要大量人工标记的裂缝图像来对算法进行训练，而获取这些训练材料的难度较大。
现有方法对裂缝图像的质量有较高的要求，通常需要裂缝与背景的对比度高，路面污点、水迹、阴影等干扰较少，提取精度有限且泛化能力较差。
为减少对路面背景噪点和污点等干扰物的提取，提高裂缝识别的准确度，本发明选择采用图论中的最小路径法作为基础，对迪杰斯特拉算法进行改进，将判断标准由路径距离变化为路径代价并优化了搜索策略，通过先搜索可能属于裂缝的点后将其按路径代价最小的原则连接，并借助阈值思想和区域生长思想完成错误像素的剔除与真实宽度的拓展，最终提取得到图像内裂缝。
发明内容
发明目的：本发明的技术目的是提供一种基于二维图像的路面裂缝提取方法，用于路面裂缝图像中裂缝的识别与提取，具有良好的提取效果。
技术方案：本发明提供的一种基于二维图像的路面裂缝提取方法，具体包括以下步骤：
(1)对预先获取的原始裂缝图像进行预处理，并进行分块处理，在各个单元块中选取最暗像素点并筛选灰度值小于候选点灰度阈值的点作为候选点集合；
(2)在候选点集合中的任意相邻候选点间利用改进后的迪杰斯特拉算法找到连接二者且代价最小的路径，并利用代价阈值进行筛选，得到最小路径集合；
(3)检测出残存的三类伪劣缝：伪环，伪分支和伪短裂缝，并进行剔除，提炼出单像素宽的裂缝骨架；
(4)在步骤(3)所得单像素宽裂缝骨架的基础上，将现有裂缝像素点作为种子点，令其向周边生长，将当前裂缝骨架附近与骨架相邻且满足缝宽灰度阈值要求的像素点纳入裂缝范围，以拓展得到真实宽度的裂缝区域。
进一步地，所述步骤(1)包括以下步骤：
(11)采用中值滤波算法，对原始裂缝图像进行平滑处理，抑制背景中的噪声突出裂缝主体；
(12)将图像条块分割成若干等大正方形单元块，以便初步选取可能属于裂缝的暗像素点；
(13)借助阈值思想对候选点集合进行筛选，该候选点灰度阈值的确定公式为：
Tg＝μg-kgσg
其中，μg和σg分别为候选点集合的灰度均值和标准差，kg为经验系数，可通过图像集实验确定，灰度大于Tg的像素点将被剔除。
进一步地，所述步骤(2)包括以下步骤：
(22)将路径选择标准由路径距离调整为路径代价；
(22)确定起终点所在单元块并限定找寻区域：
(23)确定起终点后，基于迪杰斯特拉算法找寻最小路径；
(24)路径代价的定义为路径各像素点灰度值之和与路径经过像素点总数的比值，公式如下：
其中，u，v分别为起终点，k为路径上的像素点，沿某可行路径从起点u向终点v移动，gray(k)为当前k点的灰度值；
(25)借助阈值思想对最小路径集合进行筛选，该代价阈值的确定公式为
Tr＝μr-krσr
其中，μr和σr分别为路径集合的路径代价均值和标准差，kr为经验系数，可通过图像集实验确定，代价大于Tr的路径将被剔除。
进一步地，所述步骤(3)中包括以下步骤：
(31)检测出环状结构，将其从交叉点处打断以比较各分段的灰度值，若某一分段的路径代价超出另一分段的10％，则该代价更大的分段即为错误检测得到的裂缝，予以剔除；
(32)检测出分支结构，将其从分叉点处打断以比较各分段的灰度值，若某一分段的路径代价超出其它分段的5％，则代价较大的分段即为错误检测得到的裂缝，予以剔除；
(33)检测出短裂缝结构，通过设定长度阈值，将长度小于该阈值的短裂缝判定为伪短裂缝，予以剔除。
进一步地，步骤(4)所述缝宽灰度阈值的确定公式为：
Tw＝μw+kwσw
其中，μw和σw分别是当前检测到裂缝的灰度平均值和方差，kw为决定宽度像素灰度值范围的参数。
进一步地，所述步骤(22)包括以下步骤：
(221)将图像左上方单元块设为当前单元块C，若C内含有候选点，则将该候选点设为起点，否则执行步骤(224)；
(222)考察C块的邻域单元块存在情况，若其邻域单元块个数大于等于1则继续执行(223)步骤，否则执行(224)；
(223)分别对邻域块内是否含候选点进行判断，若检测到某邻域单元块内含候选点，则将该候选点设定为终点；水平方向利用包含起点的单元块的左侧和包含终点的单元块的右侧为找寻区域边界，竖直方向利用上方单元块的上侧和下方单元块的下侧为找寻区域边界，从而确定找寻区域，并在其中找寻最小路径，直到考察完所有邻域单元块并完成相应最小路径的找寻；
(224)设当前位置右侧单元块为当前块C，若当前位置已在该行最右侧，则当前块C为下一行最左侧块；若当前块C中不含候选点则继续移动，直到C内含有候选点，将该候选点设为起点；
(225)重复执行(222)—(224)步骤，直到当前块C块移动到图像右下角结束。
进一步地，所述步骤(23)包括以下步骤：
(231)创建两个集合S1和S2，分别用于存放已考察过的像素点和尚未考察的顶点，初始化时S1中仅含起点u，设为当前点c，其余顶点归于S2中；
(232)计算从u分别到c的邻域像素的代价Cuc(i)，其中c(i)为c的相邻像素，这x个像素的父节点设为当前点c；
(233)将考察后的c(i)从集合S2中删除并加入到集合S1，选择当前S1中使得路径代价最小的点k作为当前点c，此时路径代价为Vuk；
(234)不断执行(232)–(233)，直到当前点c与终点v重合，结束循环；
(235)从终点v开始进行父节点回溯，直到回溯至起点u，该回溯路径即为起终点u、v间的最小路径，其代价Cuv即为最小代价。
有益效果：与现有技术相比，本发明的有益效果为：1、本发明着重于裂缝像素较道路像素更深的特点，通过改进迪杰斯特拉算法并引入路径代价的概念，有效找寻到图像中灰度较低、代价较小的裂缝部分，从而完成裂缝的自动化识别与提取；2、本发明有较高的裂缝提取准确度，提取效率通过一系列优化措施得到极大释放，自动化程度很高，节省了人力成本并排除了人为主观因素的干扰，实用性强。
附图说明
图1是本发明的的流程图；
图2是本发明具体实施例中的原始裂缝图像M；
图3是本发明具体实施例中的中值滤波预处理后裂缝图像；
图4是本发明具体实施例中的候选点集合；
图5是本发明具体实施例中的利用迪杰斯特拉算法分割和代价阈值筛选后的裂缝路径集合；
图6是本发明具体实施例中的剔除三类伪劣缝后的单像素宽裂缝；
图7是本发明具体实施例中的拓展得到真实宽度后的裂缝，即最终提取结果图；
图8是本发明具体实施例中的起终像素点优化搜索策略。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本实施例基于以下假设，以实现对路面裂缝图像的图像分割：
1、裂缝像素较道路像素更深；
2、道路裂缝和道路表面的灰度分布是独立的；
3、一条裂缝是一个狭窄、连续的目标物体；
4、一条裂缝是一组相互连通、方向不同的节段；
5、一条裂缝的宽度在整个长度上不为恒定值；
基于以上假设，利用路面裂缝的路径代价远小于背景中路径代价的特点实施裂缝的识别与提取。本实施例使用中值滤波对图像进行去噪处理，通过灰度遴选可能属于裂缝的像素点作为候选点，通过改进后的迪杰斯特拉算法得到各相邻候选点间代价最小的路径，对错误提取部分进行剔除并拓展得到真实宽度，通过特定评价体系完成本发明所述方法与其它裂缝提取方法的比较。
参见图1至图8，本实施例具体包括以下步骤：
步骤1：对预先获取的原始裂缝图像进行预处理，并进行分块处理，在各个单元块中选取最暗像素点并筛选灰度值小于候选点灰度阈值的点作为候选点集合。
选中采集得到的原始裂缝图像M，如图2所示。对图像进行预处理，采用中值滤波算法，对原始裂缝图像进行平滑处理，抑制背景中的噪声突出裂缝主体，结果如图3所示。之后进行分块处理，将图像条块分割成若干等大正方形单元块，长度以像素值度量，借助阈值思想对候选点集合进行筛选，在各个单元块中选取最暗像素点并利用一灰度阈值对候选点集合进行筛选，剩余暗像素点构成裂缝的候选点集合，如图4所示。该候选点灰度阈值的确定公式为：
Tg＝μg-kgσg
其中，μg和σg分别为候选点集合的灰度均值和标准差，kg为经验系数，可通过图像集实验确定，灰度大于Tg的像素点将被剔除。
步骤2：在候选点集合中的任意相邻候选点间利用改进后的迪杰斯特拉算法找到连接二者且代价最小的路径，并利用代价阈值进行筛选，得到最小路径集合；如图5所示。具体包括以下步骤：
(1)将路径选择标准由路径距离调整为路径代价。
(2)确定起终点所在单元块并限定找寻区域：为避免相邻候选点间最小路径的重复找寻，摈弃传统的8领域，而采用一种适合本方法的领域定义方式，即对于任意单元块C内的候选点而言，其相邻候选点为其右上，右方，右下和下方四个相邻单元块内所含的候选点。如图8所示，若找寻从当前单元块C中的候选点到相邻单元块1中候选点的最小路径，则定义找寻区域为图中黑色实线框。同理，相邻单元块2、3、4对应的找寻区域分别为图中黑色虚线框，灰色实线框和灰色虚线框。其相邻候选点为1到4号单元块内的候选点。
a)将图像左上方单元块设为当前单元块C，若C内含有候选点，则将该候选点设为起点，否则执行步骤d)；
b)考察C块的邻域单元块存在情况，若其邻域单元块个数大于等于1则继续执行c)步骤，否则执行d)步骤；
c)分别对邻域块内是否含候选点进行判断，若检测到某邻域单元块内含候选点，则将该候选点设定为终点。水平方向利用包含起点的单元块的左侧和包含终点的单元块的右侧为找寻区域边界，竖直方向利用上方单元块的上侧和下方单元块的下侧为找寻区域边界，从而确定找寻区域，并在其中找寻最小路径，直到考察完所有邻域单元块并完成相应最小路径的找寻；
d)设当前位置右侧单元块为当前块C，若当前位置已在该行最右侧，则当前块C为下一行最左侧块；若当前块C中不含候选点则继续移动，直到C内含有候选点，将该候选点设为起点；
e)重复执行b)—d)步骤，直到当前块C块移动到图像右下角结束。
(3)确定起终点后，基于迪杰斯特拉算法找寻最小路径:
a)创建两个集合S1和S2，分别用于存放已考察过的像素点和尚未考察的顶点。初始化时S1中仅含起点u，设为当前点c，其余顶点归于S2中；
b)计算从u分别到c的邻域像素的代价Cuc(i)，其中c(i)为c的相邻像素(i＝1,···,x，x不大于4)。这x个像素的父节点设为当前点c；
c)将考察后的c(i)(i＝1,···,x，x不大于4)从集合S2中删除并加入到集合S1，选择当前S1中使得路径代价最小的点k作为当前点c，此时路径代价为Cuk；
d)不断执行b)–c)步骤，直到当前点c与终点v重合，结束循环。
e)从终点v开始进行父节点回溯，直到回溯至起点u，该回溯路径即为起终点u、v间的最小路径，其代价Cuv即为最小代价。
(4)路径代价的定义为路径各像素点灰度值之和与路径经过像素点总数的比值，公式如下：
其中，u，v分别为起终点，k为路径上的像素点，沿某可行路径从起点u向终点v移动，gray(k)为当前k点的灰度值；
(5)借助阈值思想对最小路径集合进行筛选，该代价阈值的确定公式为
Tr＝μr-krσr
其中，μr和σr分别为路径集合的路径代价均值和标准差，kr为经验系数，可通过图像集实验确定，代价大于Tr的路径将被剔除。
步骤3：检测出残存的三类伪劣缝：伪环，伪分支和伪短裂缝，并进行剔除，提炼出单像素宽的裂缝骨架；如图6所示。
检测出环状结构，将其从交叉点处打断以比较各分段的灰度值，若某一分段的路径代价超出另一分段的10％，则该代价更大的分段即为错误检测得到的裂缝，予以剔除。检测出分支结构，将其从分叉点处打断以比较各分段的灰度值，若某一分段的路径代价超出其它分段的5％，则代价较大的分段即为错误检测得到的裂缝，予以剔除。检测出短裂缝结构，通过设定长度阈值，将长度小于该阈值的短裂缝判定为伪短裂缝，予以剔除。
步骤4：在步骤3所得单像素宽裂缝骨架的基础上，将现有裂缝像素点作为种子点，令其向周边生长，将当前裂缝骨架附近与骨架相邻且满足缝宽灰度阈值要求的像素点纳入裂缝范围，以拓展得到真实宽度的裂缝区域，如图7所示。
借用区域生长算法的思想，将当前裂缝骨架附近与骨架相邻且满足阈值要求的像素点纳入裂缝真实宽度范围，该阈值确定公式为：
Tw＝μw+kwσw
其中，μw和σw分别是当前检测到裂缝的灰度平均值和方差，kw为决定宽度像素灰度值范围的参数。
Claims (7)
1.一种基于二维图像的路面裂缝提取方法，其特征在于，包括以下步骤：
(1)对预先获取的原始裂缝图像进行预处理，并进行分块处理，在各个单元块中选取最暗像素点并筛选灰度值小于候选点灰度阈值的点作为候选点集合；
(2)在候选点集合中的任意相邻候选点间利用改进后的迪杰斯特拉算法找到连接二者且代价最小的路径，并利用代价阈值进行筛选，得到最小路径集合；
(3)检测出残存的三类伪劣缝：伪环，伪分支和伪短裂缝，并进行剔除，提炼出单像素宽的裂缝骨架；
(4)在步骤(3)所得单像素宽裂缝骨架的基础上，将现有裂缝像素点作为种子点，令其向周边生长，将当前裂缝骨架附近与骨架相邻且满足缝宽灰度阈值要求的像素点纳入裂缝范围，以拓展得到真实宽度的裂缝区域。
2.根据权利要求1所述的一种基于二维图像的路面裂缝提取方法，其特征在于，所述步骤(1)包括以下步骤：
(11)采用中值滤波算法，对原始裂缝图像进行平滑处理，抑制背景中的噪声突出裂缝主体；
(12)将图像条块分割成若干等大正方形单元块，以便初步选取可能属于裂缝的暗像素点；
(13)借助阈值思想对候选点集合进行筛选，该候选点灰度阈值的确定公式为：
Tg＝μg-kgσg
其中，μg和σg分别为候选点集合的灰度均值和标准差，kg为经验系数，可通过图像集实验确定，灰度大于Tg的像素点将被剔除。
3.根据权利要求1所述的一种基于二维图像的路面裂缝提取方法，其特征在于，所述步骤(2)包括以下步骤：
(21)将路径选择标准由路径距离调整为路径代价；
(22)确定起终点所在单元块并限定找寻区域：
(23)确定起终点后，基于迪杰斯特拉算法找寻最小路径；
(24)路径代价的定义为路径各像素点灰度值之和与路径经过像素点总数的比值，公式如下：
其中，u，v分别为起终点，k为路径上的像素点，沿某可行路径从起点u向终点v移动，gray(k)为当前k点的灰度值；
(25)借助阈值思想对最小路径集合进行筛选，该代价阈值的确定公式为
Tr＝μr-krσr
其中，μr和σr分别为路径集合的路径代价均值和标准差，kr为经验系数，可通过图像集实验确定，代价大于Tr的路径将被剔除。
4.根据权利要求1所述的一种基于二维图像的路面裂缝提取方法，其特征在于，所述步骤(3)中包括以下步骤：
(31)检测出环状结构，将其从交叉点处打断以比较各分段的灰度值，若某一分段的路径代价超出另一分段的10％，则该代价更大的分段即为错误检测得到的裂缝，予以剔除；
(32)检测出分支结构，将其从分叉点处打断以比较各分段的灰度值，若某一分段的路径代价超出其它分段的5％，则代价较大的分段即为错误检测得到的裂缝，予以剔除；
(33)检测出短裂缝结构，通过设定长度阈值，将长度小于该阈值的短裂缝判定为伪短裂缝，予以剔除。
5.根据权利要求1所述的一种基于二维图像的路面裂缝提取方法，其特征在于，步骤(4)所述缝宽灰度阈值的确定公式为：
Tw＝μw+kwσw
其中，μw和σw分别是当前检测到裂缝的灰度平均值和方差，kw为决定宽度像素灰度值范围的参数。
6.根据权利要求3所述的一种基于二维图像的路面裂缝提取方法，其特征在于，所述步骤(22)包括以下步骤：
(221)将图像左上方单元块设为当前单元块C，若C内含有候选点，则将该候选点设为起点，否则执行步骤(224)；
(222)考察C块的邻域单元块存在情况，若其邻域单元块个数大于等于1则继续执行(223)步骤，否则执行(224)；
(223)分别对邻域块内是否含候选点进行判断，若检测到某邻域单元块内含候选点，则将该候选点设定为终点；水平方向利用包含起点的单元块的左侧和包含终点的单元块的右侧为找寻区域边界，竖直方向利用上方单元块的上侧和下方单元块的下侧为找寻区域边界，从而确定找寻区域，并在其中找寻最小路径，直到考察完所有邻域单元块并完成相应最小路径的找寻；
(224)设当前位置右侧单元块为当前块C，若当前位置已在该行最右侧，则当前块C为下一行最左侧块；若当前块C中不含候选点则继续移动，直到C内含有候选点，将该候选点设为起点；
(225)重复执行(222)—(224)步骤，直到当前块C块移动到图像右下角结束。
7.根据权利要求3所述的一种基于二维图像的路面裂缝提取方法，其特征在于，所述步骤(23)包括以下步骤：
(231)创建两个集合S1和S2，分别用于存放已考察过的像素点和尚未考察的顶点，初始化时S1中仅含起点u，设为当前点c，其余顶点归于S2中；
(232)计算从u分别到c的邻域像素的代价Cuc(i)，其中c(i)为c的相邻像素，这x个像素的父节点设为当前点c；
(233)将考察后的c(i)从集合S2中删除并加入到集合S1，选择当前S1中使得路径代价最小的点k作为当前点c，此时路径代价为Cuk；
(234)不断执行(232)–(233)，直到当前点c与终点v重合，结束循环；
(235)从终点v开始进行父节点回溯，直到回溯至起点u，该回溯路径即为起终点u、v间的最小路径，其代价Cuv即为最小代价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010758744.5A CN112085699B (zh) | 2020-07-31 | 2020-07-31 | 一种基于二维图像的路面裂缝提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010758744.5A CN112085699B (zh) | 2020-07-31 | 2020-07-31 | 一种基于二维图像的路面裂缝提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085699A true CN112085699A (zh) | 2020-12-15 |
| CN112085699B CN112085699B (zh) | 2024-05-24 |
Family
ID=73735262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010758744.5A Active CN112085699B (zh) | 2020-07-31 | 2020-07-31 | 一种基于二维图像的路面裂缝提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085699B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505491A (zh) * | 2021-07-26 | 2021-10-15 | 刘文平 | 准确高效的路面多类型裂缝改进提取方法 |
| CN113658144A (zh) * | 2021-08-20 | 2021-11-16 | 中国公路工程咨询集团有限公司 | 路面病害几何信息的确定方法、装置、设备及介质 |
| CN117237339A (zh) * | 2023-11-10 | 2023-12-15 | 山东多沃基础工程有限公司 | 一种基于图像处理的地螺丝打孔点位选取方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
| CN110390669A (zh) * | 2019-06-26 | 2019-10-29 | 杭州电子科技大学 | 一种桥梁图像中裂缝的检测方法 |
-
2020
- 2020-07-31 CN CN202010758744.5A patent/CN112085699B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
| CN110390669A (zh) * | 2019-06-26 | 2019-10-29 | 杭州电子科技大学 | 一种桥梁图像中裂缝的检测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505491A (zh) * | 2021-07-26 | 2021-10-15 | 刘文平 | 准确高效的路面多类型裂缝改进提取方法 |
| CN113658144A (zh) * | 2021-08-20 | 2021-11-16 | 中国公路工程咨询集团有限公司 | 路面病害几何信息的确定方法、装置、设备及介质 |
| CN117237339A (zh) * | 2023-11-10 | 2023-12-15 | 山东多沃基础工程有限公司 | 一种基于图像处理的地螺丝打孔点位选取方法及系统 |
| CN117237339B (zh) * | 2023-11-10 | 2024-02-27 | 山东多沃基础工程有限公司 | 一种基于图像处理的地螺丝打孔点位选取方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085699B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
| CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
| CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
| CN104792792B (zh) | 一种逐步求精的路面裂缝检测方法 | |
| US10489903B2 (en) | Stepwise refinement detection method for pavement cracks | |
| CN103870833B (zh) | 基于凹性测度的路面裂缝提取与测评方法 | |
| CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
| CN112085699B (zh) | 一种基于二维图像的路面裂缝提取方法 | |
| CN111310558A (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
| CN111145161A (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
| CN108961246B (zh) | 一种基于人工智能的扫描电镜图像孔隙识别方法 | |
| CN103364410B (zh) | 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法 | |
| CN104021574A (zh) | 路面病害自动识别方法 | |
| CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
| CN104700112A (zh) | 一种基于形态特征的粪便中寄生虫虫卵检测方法 | |
| CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
| CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
| CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
| CN110211128B (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
| CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
| CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
| CN116012316A (zh) | 一种钻井岩芯滚筒扫描图片的裂缝识别方法 | |
| CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
| CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 |
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 |