CN112465817A - 一种基于方向滤波器的路面裂缝检测方法 - Google Patents
一种基于方向滤波器的路面裂缝检测方法 Download PDFInfo
- Publication number
- CN112465817A CN112465817A CN202011496294.3A CN202011496294A CN112465817A CN 112465817 A CN112465817 A CN 112465817A CN 202011496294 A CN202011496294 A CN 202011496294A CN 112465817 A CN112465817 A CN 112465817A
- Authority
- CN
- China
- Prior art keywords
- picture
- response
- value
- gray
- cracks
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 39
- 230000004044 response Effects 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 206010027146 Melanoderma Diseases 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 8
- 238000003708 edge detection Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T5/70—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
- G06T7/187—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
- 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
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
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)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于方向滤波器的路面裂缝检测方法,包括以下步骤:对待测图片的光栅干扰进行检测,并对所述检测到的光栅进行去除;自然光干扰去除;对所述待测图片进行小块黑斑去除;通过方向滤波器提取所述待测图片上的候选裂缝;去除所述待测图片上的水渍干扰;判定并去除路面标识线。本发明解决了传统边缘检测不能区分裂缝和噪声的问题,能够有效的避免检测到路面标志,同时有效的抑制了水渍黑斑等噪声的影响,在乡镇道路等干扰较多的复杂路面情况中都有很好的表现。同时节省了前期的训练成本,能够即时得到输出图片,加快处理速度,提高了路面检测系统的效率。
Description
技术领域
本发明涉及裂缝检测方法技术领域,具体而言,尤其涉及一种基于方向滤波器的路面裂缝检测方法。
背景技术
目前针对路面裂缝检测方法主要分为深度学习方法和传统方法两大类,深度学习主要有基于语义分割和随机森林的路面裂缝检测方法;传统方法主要有特征值与级联分类器结合的方法和边缘检测方法。各方法的主要思路如下:
(1)基于语义分割的裂缝检测算法是对数据集中的样本进行人工的语义分割,制作训练样本的标签,通过数据增强对数据集中的图像数量进行扩充,将准备好的训练集输入网络模型进行训练,利用采集到的测试集的裂缝图像进行裂缝提取。
(2)基于随机森林的裂缝检测算法是首先对图片进行特征提取,采用随机结构森林训练图片,所有的模板共同组成模板结构空间;然后对图像块进行二值化处理和膨胀腐蚀操作,将模板结构空间里的所有模板用新的裂缝描述子进行描述,将其描述特征都输入到分类器中进行学习;最后将原图输入到分类器中进行分类,识别出含有裂缝的图像块。
(3)基于特征值与级联分类器结合的方法是通过遍历图像计算特征值,逐张对降噪后的裂缝图像进行扫描,扫描窗口按3×3的矩形特征模板对路面图像扫描,并以矩形特征模板黑色矩形覆盖的灰度值之和以及白色矩形覆盖的像素灰度值之和计算出特征值。得到用于路面裂缝识别的级联分类器;通过级联分类器检测路面图像中是否包含裂缝。
(4)基于边缘检测方法主要是通过对灰度图像进行低通滤波以及边缘提取得到边缘图像,然后做图像阈值化处理。根据图像本身的特征计算适合当前图像的区块参数,并使用这些区块描述裂缝。通过选取连通域中灰度累加值最小区块的方法确定裂缝精确定位结果。最后使用区块的分布特征完成对裂缝的描述。
目前的新类别检测算法存在的问题:
(1)基于语义分割的裂缝检测算法存在的问题是前期需要花费大量的人力对数据集上的样本进行人工语义分割,制作训练样本的标签,同时还要通过数据增强的方法扩充数据集,前期的预处理很繁琐,并且只针对单一数据集进行优化,没有普遍性。
(2)基于随机森林的裂缝检测算法存在的问题是:当随机森林中的决策树个数很多时,训练时需要的空间和时间会比较大,模型训练和预测都比较慢,同时现阶段随机森林中还有许多不好解释的地方,在噪音比较大的数据集上,模型容易陷入过拟合,适用性不高。
(3)基于特征值与级联分类器的检测算法存在的问题是:该方法不能将裂缝曲线从图片中提取出来,而是用离散的矩形方框标出裂缝所在的位置,从而很难判定裂缝的类型。
(4)基于边缘检测算法存在的主要问题是:检测过程中对阈值的要求高,对于细小的裂缝边缘检测效果欠佳,同时难以区分裂缝和噪声,对于干扰较多的图片性能不佳。
发明内容
根据上述提出对于细小的裂缝边缘检测效果欠佳,同时难以区分裂缝和噪声,对于干扰较多的图片性能不佳的技术问题,而提供一种基于方向滤波器的路面裂缝检测方法。本发明主要利用一种基于方向滤波器的路面裂缝检测方法,其特征在于,包括以下步骤:
S1:对待测图片I进行匀光处理,得到光照均衡的图片Inew;
S2:对Inew进行小块黑斑去除;
S3:提取Inew上的候选裂缝,得到裂缝响应图Iresp;
S4:去除Iresp上的水渍干扰,得到包含裂缝和路面标识线的二值图Ibin;
S5:对Ibin去除路面标识线,得到有效裂缝输出结果Ioutput。
进一步地,所述对光栅进行去除还包括以下步骤:
步骤S11:判断图片I的灰度均值是否大于设定阈值,若大于阈值为过度曝光的图片,否则为正常图片。
步骤S12:对于正常的图片I,采用灰度归一化的方式消除光栅。在测试数据集中选取只有光栅干扰的图片P(i,j),尺寸为m×n,计算大小为1×n的灰度系数G。其中,第j列的系数为:
输出灰度矫正后图片Inew为:
步骤S13:对于过度曝光的图片I,采用提取自然光模板消除光栅。其中,所述自然光模板J的第i行,第j列灰度值表示为:
对模板进行高斯模糊,得到模板矫正后的图像Inew为:
其中,Gσ表示标准差为σ的二维高斯核;
更进一步地,所述对待测图片进行小块黑斑去除还包括以下步骤:
步骤S21:求取当前像素点在其行列上的所有像素点的灰度均值t,作为所述点的阈值。若当前阈值小于Inew的灰度均值,将该点的像素值置1,否则置0,得到候选黑斑的二值图;
步骤S22:求取候选黑斑的二值图中每个连通域的偏心率和面积参数,将偏心率大于设定阈值th1且面积小于预定阈值th2的连通域保留,得到黑斑的二值图模板,其中th1优选0.9,th2优选300。
步骤S23:将黑斑部分用Inew灰度均值进行填充,去除斑点。
进一步地,所述的去除水渍干扰包括以下步骤:
步骤S41:区分水渍和龟裂,筛选水渍图片;设定res为整幅图响应图中的响应值在区间th3和区间th4的像素个数之比。若比值res大于等于设定阈值th5则为带有龟裂的裂缝响应图;否则为带有水渍的响应图Iresp。其中区间th3优选0.2~0.45,区间th4优选0.4~1,阈值th5优选3。
步骤S42:降低水渍区域的响应值,将带有水渍影响的响应图Iresp分成互不重叠的块,实施中块的大小为20×20;
遍历每一块,进行如下操作得到消除水渍噪声的响应图Irp:
在块中,计算响应值在区间th3的像素个数和区域总像素值之比S,其中,S表示中强响应在当前块的分布强度;
若比值S大于rp1,则块中存在大量的水渍噪声,将当前块在Iresp中对应位置且响应值强度在区间th3的像素点的响应值强度降低rd1,以减少水渍弱响应的干扰;
若比值S小于rp2,该当前块存在少量水渍噪声,将其在Iresp中对应位置且响应值强度在区间th3的像素点的响应值强度降低rd2;其中响应值阈值rp1优选0.2,rp2优选0.15,rd1优选0.2,rd2优选0.1。
更进一步地,所述判定并去除路面标识线包括以下步骤:
步骤S51:对Irp进行二值化,采用自适应阈值进行二值化后得到包含裂缝和路面标识线的二值图Ibin;
步骤S52:去除直线连通域:计算所述二值图Ibin中所有连通域的偏心率,去除偏心率大于α的连通域,其中α优选0.99;
步骤S53:依次选中偏心率小于等于α的连通域;对当前所选连通域的坐标值进行均匀抽样,得到坐标序列;
对坐标序列中的每个坐标点,求取在Inew中以坐标点为中心、边长为d个像素的正方形边界的灰度值,并将其升序排列,得到灰度序列k,其序列长度为l。选取灰度序列中后四分之一与前四分之一元素的均值差作为该点的灰度差值c:
依次求坐标序列中每个坐标点的灰度差值并计算其均值标记为cmean;若cmean大于设定阈值cth可认为是路面标识线边缘,将该连通域去除;其中正方形边长d优选40,阈值cth优选60。
步骤S54:重复步骤S53,将剩下的连通域叠加在原图上,输出有效裂缝结果Ioutput。
较现有技术相比,本发明具有以下优点:
本发明解决了传统边缘检测不能区分裂缝和噪声的问题,能够有效的避免检测到路面标志,同时有效的抑制了水渍黑斑等噪声的影响,在乡镇道路等干扰较多的复杂路面情况中都有很好的表现。
本发明的方法无需对数据集进行训练和标注,节省了前期的训练成本,能够即时得到输出图片,加快处理速度,提高了路面检测系统的效率。在不同的数据集上都有良好的表现,不止针对单一的数据集进行优化。同时能过有效去除图片中的光照不均的问题,避免光线造成的干扰。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明整体流程示意图。
图2为本发明输入输出图像;其中,(a)为输入图像;(b)为输出检测结果图像。
图3为本发明带有大块水渍的输入输出图像;其中,(a)为输入带有水渍的图像;(b)为输出检测结果图像。
图4为本发明带有路面标识线的输入输出图像;其中,(a)为输入带有标识线的图像;(b)为输出检测结果图像。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-4所示,本发明提供了一种基于方向滤波器的路面裂缝检测方法,包括以下步骤:
步骤S1:对待测图片的光栅干扰进行检测,并对所述检测到的光栅进行去除。所述对光栅进行去除还包括以下步骤:
步骤S11:获取光栅信息;选取只有光栅干扰的图片P(i,j),在本申请中,所述图片P(i,j)的尺寸为m×n,计算大小为1×n的灰度系数G,计算的部分是从上述的图片P中提取的。G(j)是一个数值其中,G(j)表示第j列的矫正系数,原始图像的每一列除以对应的G(j)进行灰度矫正,则第j列的系数为:
步骤S12:输出矫正后图片Inew为:
还包括步骤S13:自然光干扰去除;首先提取自然光模板J,其中,所述自然光模板J的第i行,第j列灰度值表示为:
对模板进行高斯模糊,得到模板矫正后的图像为:
其中,Gσ表示标准差为σ的二维高斯核;
进一步地,步骤S2:对所述待测图片进行小块黑斑去除。作为优选的实施方式,在本申请中,所述对待测图片进行小块黑斑去除还包括以下步骤:
步骤S21:求取当前像素点在其行列上的所有像素点的灰度均值t,作为所述点的阈值。若当前阈值小于Inew的灰度均值,将该点的像素值置1,否则置0,得到候选黑斑的二值图;在本申请中,只有黑白两种颜色的图称为二值图。这里采用的方法是每个像素点都有自己的阈值(即当小于这个阈值变成白色,大于这个阈值变成黑色),当每个像素点计算完成后,得到Inew的二值图。
步骤S22:求取候选黑斑的二值图中每个连通域的偏心率和面积参数,将偏心率大于设定阈值th1且面积小于预定阈值th2的连通域保留,得到黑斑的二值图模板,其中th1优选0.9,th2优选300。
步骤S23:将黑斑部分用Inew灰度均值进行填充,去除斑点。
为了获取更好的结果,本发明还包含步骤S4:去除所述待测图片上的水渍干扰。所述通过方向滤波器提取候选裂缝包括以下步骤:
步骤S41:区分水渍和龟裂,筛选水渍图片;设定res为整幅图响应图中的响应值在区间th3和区间th4的像素个数之比。若比值res大于等于设定阈值th5则为带有龟裂的裂缝响应图;否则为带有水渍的响应图Iresp。其中区间th3优选0.2~0.45,区间th4优选0.4~1,阈值th5优选3。
步骤S42:降低水渍区域的响应值,将带有水渍影响的响应图Iresp分成互不重叠的块,实施中块的大小为20×20;
遍历每一块,进行如下操作得到消除水渍噪声的响应图Irp:
在块中,计算响应值在区间th3的像素个数和区域总像素值之比S,其中,S表示中强响应在当前块的分布强度;
若比值S大于rp1,则块中存在大量的水渍噪声,将当前块在Iresp中对应位置且响应值强度在区间th3的像素点的响应值强度降低rd1,以减少水渍弱响应的干扰;
若比值S小于rp2,该当前块存在少量水渍噪声,将其在Iresp中对应位置且响应值强度在区间th3的像素点的响应值强度降低rd2;其中响应值阈值rp1优选0.2,rp2优选0.15,rd1优选0.2,rd2优选0.1。响应图为滤波器对图片进行滤波后输出的图片,边缘特征越明显,响应值越大。这里的响应图Irp在Iresp的基础上经过了消除水渍处理。
作为优选的实施方式,在本申请中,步骤S5:判定并去除路面标识线。
步骤S51:对Irp进行二值化,采用自适应阈值进行二值化后得到包含裂缝和路面标识线的二值图Ibin;
步骤S52:去除直线连通域:计算所述二值图Ibin中所有连通域的偏心率,去除偏心率大于α的连通域,其中α优选0.99;
步骤S53:依次选中偏心率小于等于α的连通域;对当前所选连通域的坐标值进行均匀抽样,得到坐标序列;在此选择的顺序是从连通域从1开始编号,依次选取直到处理到最后一个。
对坐标序列中的每个坐标点,求取在Inew中以坐标点为中心、边长为d个像素的正方形边界的灰度值,并将其升序排列,得到灰度序列k,其序列长度为l。选取灰度序列中后四分之一与前四分之一元素的均值差作为该点的灰度差值c:
依次求坐标序列中每个坐标点的灰度差值并计算其均值标记为cmean;若cmean大于设定阈值cth可认为是路面标识线边缘,将该连通域去除;其中正方形边长d优选40,阈值cth优选60。
步骤S54:重复步骤S53,将剩下的连通域叠加在原图上,输出有效裂缝结果Ioutput。
由于采集设备在拍摄图片时存在光栅干扰的情况,表现为图像竖直方向上亮度分布不均,不利于裂缝全局特征的提取。需要针对读入的图像进行光栅消除。若图片灰度均值在50~220之间,即曝光正常的图片,采用光栅干扰去除。若图片灰度均值小于50或大于220,即过曝和欠曝图片,采用提取自然光模板消除区域分布色差。
实施例1
实验结果如图2(a)、(b)所示,能准确的找到路面中细小的裂缝。解决了传统边缘检测不能区分裂缝和噪声的问题,能够有效的避免检测到路面标志,同时有效的抑制了水渍黑斑等噪声的影响,在乡镇道路等干扰较多的复杂路面情况中都有很好的表现。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (6)
1.一种基于方向滤波器的路面裂缝检测方法,其特征在于,包括以下步骤:
S1:对待测图片I进行匀光处理,得到光照均衡的图片Inew;
S2:对Inew进行小块黑斑去除;
S3:提取Inew上的候选裂缝,得到裂缝响应图Iresp;
S4:去除Iresp上的水渍干扰,得到包含裂缝和路面标识线的二值图Ibin;
S5:对Ibin去除路面标识线,得到有效裂缝输出结果Ioutput。
2.根据权利要求1所述的一种基于方向滤波器的路面裂缝检测方法,其特征在于,所述的匀光还包括以下步骤:
S11:判断图片I的灰度均值是否大于设定阈值,若大于阈值为过度曝光的图片,否则为正常图片。
S12:对于正常的图片I,采用灰度归一化的方式消除光栅。在测试数据集中选取只有光栅干扰的图片P(i,j),尺寸为m×n,计算大小为1×n的灰度系数G。其中,第j列的系数为:
输出灰度矫正后图片Inew为:
S13:对于过度曝光的图片I,采用提取自然光模板消除光栅。其中,所述自然光模板J的第i行,第j列灰度值表示为:
对模板进行高斯模糊,得到模板矫正后的图像Inew为:
其中,Gσ表示标准差为σ的二维高斯核;
3.根据权利要求1所述的一种基于方向滤波器的路面裂缝检测方法,其特征在于,所述对待测图片进行小块黑斑去除还包括以下步骤:
S21:求取当前像素点在其行列上的所有像素点的灰度均值t,作为所述点的阈值。若当前阈值小于Inew的灰度均值,将该点的像素值置1,否则置0,得到候选黑斑的二值图;
S22:求取候选黑斑的二值图中每个连通域的偏心率和面积参数,将偏心率大于设定阈值th1且面积小于预定阈值th2的连通域保留,得到黑斑的二值图模板,其中th1优选0.9,th2优选300。
S23:将黑斑部分用Inew灰度均值进行填充,去除斑点。
5.根据权利要求1所述的一种基于方向滤波器的路面裂缝检测方法,其特征在于,所述的去除水渍干扰包括以下步骤:
S41:区分水渍和龟裂,筛选水渍图片;设定res为整幅图响应图中的响应值在区间th3和区间th4的像素个数之比。若比值res大于等于设定阈值th5则为带有龟裂的裂缝响应图;否则为带有水渍的响应图Iresp。其中区间th3优选0.2~0.45,区间th4优选0.4~1,阈值th5优选3。
S42:降低水渍区域的响应值,将带有水渍影响的响应图Iresp分成互不重叠的块,实施中块的大小为20×20;
遍历每一块,进行如下操作得到消除水渍噪声的响应图Irp:
在块中,计算响应值在区间th3的像素个数和区域总像素值之比S,其中,S表示中强响应在当前块的分布强度;
若比值S大于rp1,则块中存在大量的水渍噪声,将当前块在Iresp中对应位置且响应值强度在区间th3的像素点的响应值强度降低rd1,以减少水渍弱响应的干扰;
若比值S小于rp2,该当前块存在少量水渍噪声,将其在Iresp中对应位置且响应值强度在区间th3的像素点的响应值强度降低rd2;其中响应值阈值rp1优选0.2,rp2优选0.15,rd1优选0.2,rd2优选0.1。
6.根据权利要求1所述的一种基于方向滤波器的路面裂缝检测方法,其特征在于,所述判定并去除路面标识线包括以下步骤:
S51:对Irp进行二值化,采用自适应阈值进行二值化后得到包含裂缝和路面标识线的二值图Ibin;
S52:去除直线连通域:计算所述二值图Ibin中所有连通域的偏心率,去除偏心率大于α的连通域,其中α优选0.99;
S53:依次选中偏心率小于等于α的连通域;对当前所选连通域的坐标值进行均匀抽样,得到坐标序列;
对坐标序列中的每个坐标点,求取在Inew中以坐标点为中心、边长为d个像素的正方形边界的灰度值,并将其升序排列,得到灰度序列k,其序列长度为l。选取灰度序列中后四分之一与前四分之一元素的均值差作为该点的灰度差值c:
依次求坐标序列中每个坐标点的灰度差值并计算其均值标记为cmean;若cmean大于设定阈值cth可认为是路面标识线边缘,将该连通域去除;其中正方形边长d优选40,阈值cth优选60。
S54:重复步骤S53,将剩下的连通域叠加在原图上,输出有效裂缝结果Ioutput。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011496294.3A CN112465817A (zh) | 2020-12-17 | 2020-12-17 | 一种基于方向滤波器的路面裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011496294.3A CN112465817A (zh) | 2020-12-17 | 2020-12-17 | 一种基于方向滤波器的路面裂缝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112465817A true CN112465817A (zh) | 2021-03-09 |
Family
ID=74803062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011496294.3A Pending CN112465817A (zh) | 2020-12-17 | 2020-12-17 | 一种基于方向滤波器的路面裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465817A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346127A (zh) * | 2022-10-20 | 2022-11-15 | 成都大汇物联科技有限公司 | 一种大坝安全检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5046115A (en) * | 1987-10-26 | 1991-09-03 | Kabushiki Kaishakomatsu Seisakusho | Method of processing image data on crack |
CN106702870A (zh) * | 2017-03-14 | 2017-05-24 | 深圳汇创联合自动化控制有限公司 | 一种道路裂缝检测系统 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
US20180308230A1 (en) * | 2016-01-26 | 2018-10-25 | Fujifilm Corporation | Crack information detection device, method of detecting crack information, and crack information detection program |
CN110298802A (zh) * | 2019-06-28 | 2019-10-01 | 广东诚泰交通科技发展有限公司 | 路面裂缝检测方法及装置 |
CN110322441A (zh) * | 2019-07-09 | 2019-10-11 | 电子科技大学 | 路面表观裂痕的视觉检测方法 |
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 |
CN110751644A (zh) * | 2019-10-23 | 2020-02-04 | 上海应用技术大学 | 道路表面裂纹检测方法 |
-
2020
- 2020-12-17 CN CN202011496294.3A patent/CN112465817A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5046115A (en) * | 1987-10-26 | 1991-09-03 | Kabushiki Kaishakomatsu Seisakusho | Method of processing image data on crack |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
US20180308230A1 (en) * | 2016-01-26 | 2018-10-25 | Fujifilm Corporation | Crack information detection device, method of detecting crack information, and crack information detection program |
CN106702870A (zh) * | 2017-03-14 | 2017-05-24 | 深圳汇创联合自动化控制有限公司 | 一种道路裂缝检测系统 |
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 |
CN110298802A (zh) * | 2019-06-28 | 2019-10-01 | 广东诚泰交通科技发展有限公司 | 路面裂缝检测方法及装置 |
CN110322441A (zh) * | 2019-07-09 | 2019-10-11 | 电子科技大学 | 路面表观裂痕的视觉检测方法 |
CN110751644A (zh) * | 2019-10-23 | 2020-02-04 | 上海应用技术大学 | 道路表面裂纹检测方法 |
Non-Patent Citations (3)
Title |
---|
徐爱华;: "基于图像增强的水泥路面裂缝检测方法及应用", 南通职业大学学报, no. 04, 31 December 2014 (2014-12-31) * |
李保险: "基于路面三维图像的沥青路面裂缝自动识别算法", 中国博士学位论文全文数据库 (工程科技Ⅱ辑), 15 March 2020 (2020-03-15) * |
英红著: "基于视觉的水泥路面病害检测方法", 31 October 2014, 电子科技大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346127A (zh) * | 2022-10-20 | 2022-11-15 | 成都大汇物联科技有限公司 | 一种大坝安全检测方法及系统 |
CN115346127B (zh) * | 2022-10-20 | 2023-01-24 | 成都大汇物联科技有限公司 | 一种大坝安全检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
US11282185B2 (en) | Information processing device, information processing method, and storage medium | |
CN110678901B (zh) | 信息处理设备、信息处理方法和计算机可读存储介质 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
WO2020224458A1 (zh) | 一种基于图像处理的电晕检测方法 | |
US8965123B2 (en) | System and method for processing image for identifying alphanumeric characters present in a series | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
US9251614B1 (en) | Background removal for document images | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
US11151402B2 (en) | Method of character recognition in written document | |
KR101549495B1 (ko) | 문자 추출 장치 및 그 방법 | |
Khalifa et al. | Malaysian Vehicle License Plate Recognition. | |
CN109903294B (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN115100077B (zh) | 一种图像增强方法与装置 | |
CN108830857B (zh) | 一种自适应的汉字碑帖图像二值化分割方法 | |
Shaikh et al. | A novel approach for automatic number plate recognition | |
RU2745098C2 (ru) | Способ установления авторства картины | |
CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN116542975A (zh) | 一种玻璃面板的缺陷分类方法、装置、设备和介质 | |
CN109716355B (zh) | 微粒边界识别 | |
CN114419533A (zh) | 深水网衣破损识别方法、装置、设备及存储介质 | |
CN112465817A (zh) | 一种基于方向滤波器的路面裂缝检测方法 |
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 |