CN112837290A - 一种基于种子填充算法的裂缝图像自动识别方法 - Google Patents
一种基于种子填充算法的裂缝图像自动识别方法 Download PDFInfo
- Publication number
- CN112837290A CN112837290A CN202110146991.4A CN202110146991A CN112837290A CN 112837290 A CN112837290 A CN 112837290A CN 202110146991 A CN202110146991 A CN 202110146991A CN 112837290 A CN112837290 A CN 112837290A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- point
- algorithm
- method based
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 13
- 230000012010 growth Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000036961 partial effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000035040 seed growth Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000011218 segmentation Effects 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
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
本发明涉及一种基于种子填充算法的裂缝图像自动识别方法,包括以下步骤:1)图片预处理;2)降噪处理;3)图像分割:定位种子的位置,确定搜索方式及判断标准,利用种子填充算法获取二值图像;4)二值图像滤波:运用去除小区域和小孔洞算法对背景和裂缝内部噪点进行去除;5)获取裂缝条数与面积:采用连通域算法进行获取;6)图像细化:形态学膨胀,骨架提取,剔除骨架毛刺;7)获取每条裂缝长宽值。本发明通过对图片进行程序处理即可获取裂缝二值图像及长宽值,较人工检测更加快捷、经济、客观。且与其他传统图像处理方法相比抗干扰能力更强,能够在复杂环境条件下准确识别裂缝。
Description
技术领域
本发明涉及一种基于种子填充算法的裂缝图像识别方法,属于土木工程智能监测技术领域。
背景技术
进入21世纪以来,随着我国经济不断提升,我国的基础设施建设规模迅猛增长,现有的公路、铁路、桥梁、隧道和房屋等规模已十分庞大。在这些基础设施运营阶段,随着时间的增长,不可避免的会出现老化、结构损坏等问题,存在不同程度的安全隐患。定期的对运营阶段的设施进行监测,及时发现问题并进行对应的处理是十分重要的。这样不仅可以保障运营安全,还可以延长基础设施的服役寿命。裂缝是结构破损状态的重要表现形式之一,在一定程度上反映了结构的安全状况。目前很多基础设施运营阶段规范都明确将裂缝作为监测指标,纳入结构安全性的评价之中。因此,裂缝这一指标对于结构安全性评价具有十分重要的意义。
目前,裂缝检测方法以人工检查记录为主,技术人员先用肉眼观察结构上的裂缝,然后利用卡尺或裂缝宽度测量仪进行测量并记录。这种传统检测方法效率很低,耗时很长,而且检测结果不客观,人的主观因素影响较大,无法满足现代裂缝检测的需求。近几年来,随着计算机测量技术的迅猛发展,在越来越多的工程领域开始使用计算机软件配合外部设备来进行各种检测与测量,很多学者将计算机图像处理应用到了裂缝检测这一课题,首先用相机采集出待检测物表面图片、再用计算机图像处理的方式进行分析、识别裂缝图像等。这种方法可以实现检测的自动化,节省人力的同时还能提高检测的效率,是一种客观的检测方法。
但计算机图像处理技术在裂缝图像识别中的应用还不太成熟,识别结果依赖图像的质量和识别算法。裂缝图像常常伴随着水渍、光线不均、噪声多、分布不均等特点,一些传统的图像分割算法如Sobel、Laplance、Canny算子及直方图、迭代法和OTSU分割算法应用到裂缝图像识别中不能很好的解决问题。
发明内容
为了解决目前裂缝图像识别在运用传统图像分割算法执行时存在的精度低、效率低的技术问题,本发明提供一种具有抗干扰能力强,识别准确度与精确度高的基于种子填充算法的裂缝图像自动识别方法。
为了实现上述技术目的,本发明的技术方案是,
一种基于种子填充算法的裂缝图像自动识别方法,包括以下步骤:
步骤1)图片预处理:对待识别的图像进行灰度化、匀光处理和灰度值的线性变换;
步骤2)降噪处理:使用双边滤波进行降噪;
步骤3)图像分割:首先确定种子填充算法的生长点,然后使用八方向搜索方式对邻域像素进行搜索,对搜索的像素采用基于平均灰度的相对阈值法进行边界判断,将小于阈值的像素作为生长区域,大于阈值的像素作为边界点,然后反复执行搜索直到完成对于整个图像的搜索,将得到的生长区域作为初步二值图像;
步骤4)二值图像滤波:对初步二值图像利用去除小区域算法去除背景中的噪点,然后利用去除小孔洞算法去除裂缝内部的噪点,得到最终的二值图像;
步骤5)获取裂缝条数与面积:通过计算最终二值图像的连通域来获取图像中裂缝条数与每条裂缝的面积;
步骤6)图像细化:首先对最终二值图进行形态学膨胀处理,然后运用Zhang-Suen快速并行算法提取裂缝骨架,最后将骨架中的毛刺剔除获得最终细化后的图像;
步骤7)获取裂缝长、宽值:对裂缝细化图进行Freeman链码编写,通过对Freeman链码值的处理获取每条裂缝长度信息及走向信息;然后将裂缝的长度信息与裂缝的面积相结合得到裂缝的平均宽度;将裂缝走向信息与最终二值图像结合获得裂缝的局部最大宽度。
所述的一种基于种子填充算法的裂缝图像识别方法,所述步骤2)中灰度化是指将图像进行HSV色彩变化,提取其中亮度通道即V通道的图片作为灰度图;
所述步骤2)中匀光处理是采用Mask匀光算法,对灰度图进行匀光处理;
所述步骤2)中灰度值的线性变换是采用线性变换,将已有的灰度值范围拉伸到0~255整个灰度级,线性变换公式为:
其中f(x,y)为坐标(x,y)处原图像的灰度值;g(x,y)为变换后坐标(x,y)处新图像的灰度值;f(x,y)max为原图像灰度最大值;f(x,y)min为原图像灰度最小值。
所述的一种基于种子填充算法的裂缝图像识别方法,所述步骤3)中,确定种子填充算法的生长点包括以下步骤:
找出降噪处理后的图中所有像素值低于平均值的点,然后在这些点中随机选取预设个数的点,以这些点作为种子填充算法的种子生长点。
所述的一种基于种子填充算法的裂缝图像识别方法,所述步骤3)中,使用八方向搜索方式对邻域像素进行搜索是指采用3×3像素大小的、以种子点为中心的滑窗范围进行搜索,搜索范围为紧邻种子点周围的八个邻域像素点。
所述的一种基于种子填充算法的裂缝图像识别方法,所述步骤4)中,对搜索的像素采用基于平均灰度的相对阈值法进行边界判断包括以下步骤:先将生长点邻近像素加入生长区域J,然后计算J的平均灰度值m并判断是否超过预设的阈值K,如果超过,则将该点定义为边界点并从生长区域中删除;否则保持该点在生长区域J中,并继续进行下一个邻近像素点的搜索直至遇到边界点。
所述的一种基于种子填充算法的裂缝图像识别方法,所述步骤5)中,通过计算最终二值图像的连通域来获取图像中裂缝条数与每条裂缝的面积包括以下步骤:
先对二值图进行基于8连通方式的连通域算法处理,随后统计得到连通域的个数即为裂缝条数,并计算各连通域的面积即得到各裂缝的像素面积。
所述的一种基于种子填充算法的裂缝图像识别方法,所述步骤6)中,将骨架中的毛刺剔除包括以下步骤:
(1)统计裂缝骨架图中节点和端点的信息:采用3×3大小滑窗对裂缝骨架图中每个像素点进行遍历,以当前像素点为滑窗中心点,统计滑窗内总像素点的个数;若总个数为2,则视该点为端点;总个数为3,为既不是端点也不是节点的普通点;总个数大于等于4为节点;
(2)从每个端点开始出发计算其到节点的长度即支链长度;
(3)对支链长度进行判断,将长度小于阈值的支链视为毛刺进行去除。
所述的一种基于种子填充算法的裂缝图像识别方法,所述步骤7)中裂缝走向信息是由Freeman码值获取,其中Freeman码为奇数时代表走向为斜45°方向,Freeman码为偶数时代表走向为水平或竖直;
所述步骤7)中裂缝长度信息由下式获取:
L=woNo+weNe
其中L为裂缝长度,No为裂缝中Freeman码为偶数的个数,Ne为裂缝中Freeman码为奇数的个数;wo为编码偶数的权重,we为编码偶数的权重;
所述步骤7)中裂缝平均宽度由下式获取:
式中ba为裂缝平均宽度,S为每条裂缝的像素面积。
所述步骤7)中获取裂缝局部最大宽度包括以下步骤:
根据裂缝骨架图中每一点的走向信息得到裂缝法向即垂直走向信息,将骨架图中每一点的坐标及法向信息存储在矩阵X中;在步骤5)最终二值图像中根据矩阵X中的坐标及法向信息做直线,统计二值图像中经过此法线的像素的个数,得到裂缝任意位置的宽度。对获得的宽度进行排序获得裂缝局部最大宽度。
一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如前述的方法。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如前述的方法。
本发明的技术效果在于,
1)通过一种基于种子填充算法的裂缝图像自动识别技术,解决了现有基础设施运营维护期间裂缝指标采用人工检测费时、费力、效率低的缺点;
2)与其它传统图像算法相比,本算法在裂缝图像识别中具有适应性、抗干扰能力强、识别准确率高的特点;
3)与深度学习算法相比,该方法不需要庞大的数据集,减少了标记图片和深度学习训练的大量时间;
4)与现有的基于种子填充算法进行裂缝半自动识别相比,本方法在种子点选取过程中实现了自动化,不需要人为的对每个图片的每条裂缝进行生长点的指认,大大提高了裂缝监测的效率。
附图说明
图1为本发明的方法步骤流程图;
图2为本发明实施例步骤2)预处理阶段各过程结果图,其中图2a为读取的不均匀光照的原图,图2b为灰度化结果图,图2c为匀光处理后的灰度图,图2d为灰度值线性变换后的效果图;
图3为本发明实施例步骤3)降噪过程图,其中图3a为滤波处理前的灰度图,图3b为滤波处理后的效果图;
图4为本发明实施例步骤4)处理后的局部效果图,其中图4a为局部位置图,图4b为处理后的局部效果图;
图5为本发明实施例步骤4)中确定种子生长点的过程图,其中图5a为局部位置图,图5b为局部细节图,图5c为确定种子生长点第一步处理局部结果图,图5d为确定种子生长点第二步处理局部结果图;
图6为本发明实施例步骤4)8方向搜索模式示意图;
图7为本发明实施例步骤5)为二值图像滤波各过程结果图,其中图7a为出去小区域降噪效果图,图7b为去除小孔洞降噪效果图,图7c为整个原图经处理得到的最终二值图像;
图8为本发明实施例步骤7)图像细化各过程效果图,其中图8a为最终局部二值图像,图8b为膨胀处理后的效果图,图8c为提取的骨架图,图8d为去除骨架毛刺后得到的最终裂缝细化图像;
图9为各方向Freeman链码值示意图;
图10为采用Freeman链码值所得宽度与实际宽度对比图。
具体实施方式
下面将结合附图,对本发明实施例的技术方案进行清楚、完整地描述,显而易见地,下面描述中的附图仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本技术领域普通技术人员在没有做出创造性劳动前提下所获得所有实施例,都属于本发明保护的范围。
如图1所示,本实施例提供了一种基于种子填充算法的裂缝图像自动识别方法,主要包括以下步骤:
步骤1)获取图片。该步骤是对裂缝区域通过摄像或拍照等方式,以得到裂缝区域的图像。
步骤2)图片预处理:灰度化图片,然后进行匀光处理,最后进行灰度值的线性变换。
该步骤具体包括以下步骤:
(1)灰度化:将步骤1)获取的图片,即图2(a)进行HSV色彩变化,提取其中亮度通道(V通道)的图片作为灰度图,即得到如图2(b)所示图像。
(2)匀光处理:采用Mask匀光算法,对获得的灰度图进行匀光处理,处理结果如图2(c)所示;
(3)灰度变换:采用线性变换,将已有的灰度值范围拉伸到0~255整个灰度级,图2(d)为灰度变换后的图。具体过程采用如下公式进行灰度线性变换:
式中f(x,y)为坐标(x,y)处原图像的灰度值;g(x,y)为变换后坐标(x,y)处新图像的灰度值;f(x,y)max为原图像灰度最大值;f(x,y)min为原图像灰度最小值。
步骤3)降噪处理:使用双边滤波进行降噪,对完成步骤2)后得到的灰度图进行双边滤波降噪处理,处理前的灰度图如图3a所示,滤波降噪后的灰度图如图3b所示。
步骤4)图像分割:定位种子的位置,确定搜索方式及判断标准,利用种子填充算法获取二值图像。具体包括以下步骤:
首先自动确定种子填充算法的生长点:找出降噪处理后的图中所有像素值低于平均值的点,然后在这些点中随机选取预设个数的点,以这些点作为种子填充算法的种子生长点。然后使用八方向搜索方式对邻域像素进行搜索,再对搜索的像素采用基于平均灰度的相对阈值法进行边界判断,确定是否将其作为生长区域。
本实施例中,因为图片像素较大,为更好显示图像中处理的细节,选取图4a所示的原图中局部框选区域进行局部效果展示,图4b为本步骤处理完成后的局部效果图。
具体来说,首先找出灰度图中像素值较低的点,本实施例取灰度值前1‰的点,将其坐标存储在矩阵M中。其中局部区域中选取的前1‰灰度值低的点如图5c白点所示。
然后从矩阵M中随机选取50个低像素点的坐标值作为种子填充算法的种子生长点。局部区域中经过此步骤筛选后的作为最终种子生长点的种子如图5d所示。从图中可以看出,经随机筛选的种子点有落于裂缝中的,有落于裂缝外的。对于裂缝中的种子点经过处理后将贯通整个裂缝区域,而落于背景区域中的种子点因为其灰度值与周围背景像素相差较大,最终只能生长为一个噪点,而此噪点可经过二值图像滤波阶段进行滤除。
本实施例中,使用八方向搜索方式的图像分割方式对邻域像素进行搜索,是指采用3×3大小的、以种子点为中心的滑窗范围进行搜索,搜索范围为紧邻种子点周围的八个邻域像素点。如图6所示,整个灰色区域为图片,其中C为种子点,T为其邻域像素,八方向搜索方式中一个种子点对应周围八个搜索范围。
本实施例中基于平均灰度的相对阈值法进行边界判断具体实施过程如下:先尝试将生长点邻近像素加入生长区域J,然后计算该区域J的平均灰度值m,判断m是否超过预设的阈值K,在本实施例中,阈值K设置为25时可达到较好效果。如果超过阈值K,则将该点定义为边界点。如果没超过阈值K,则将该点加入生长区域J,继续进行下一个邻近像素点的搜索,直至遇到边界点。设图像区域J中的像素数目为N,坐标(x,y)处的灰度值为f(x,y),则平均灰度m可用下式表达:
步骤5)二值图像滤波:运用去除小区域和小孔洞算法对背景和裂缝内部噪点进行去除:
对获取的初步二值图像利用去除小区域算法(morphology.remove_small_objects)去除背景中的噪点。然后利用去除小孔洞算法(morphology.remove_small_holes)去除裂缝内部的噪点,得到最终的二值图像。本实施例中,小区域和小孔洞判断标准对于800万像素图像采用50个像素点的面积。处理效果如图7所示,其中图7a为对图4b进行去除小区域算法得到的结果,图7b为对图7a运行去除小孔洞算法得到的结果。图7c是对图4a原图经过步骤1)到步骤5)共5个步骤处理后得到的最终二值化图像。
步骤6)获取裂缝条数与面积:采用连通域算法进行获取,具体为
(1)先对二值图进行连通域算法(cv2.connectedComponents)处理,其中搜索方式为8连通搜索,将不同的连通域用不同的数字从小到大(从1开始)进行标记。
(2)得到的标记最大的数字即为裂缝条数,各数字对应的像素点总数即为每条裂缝的像素面积。
步骤7)图像细化:包括形态学膨胀,骨架提取,剔除骨架毛刺。
首先对最终二值图即图8a进行形态学膨胀处理得到图8b,然后运用Zhang-Suen快速并行算法提取裂缝骨架得到带有毛刺的骨架图即图8c,最后将骨架中的毛刺剔除获得最终细化后的图像即图8d。
其中骨架毛刺剔除具体实施步骤如下:
(1)统计裂缝骨架图中节点和端点的信息:采用3×3大小滑窗对裂缝骨架图中每个像素点进行遍历,以当前像素点为滑窗中心点,统计滑窗内总像素点的个数。若总个数为2,则视该点为端点;总个数为3,为既不是端点也不是节点的普通点;总个数大于等于4为节点。
(2)从每个端点开始出发计算其到节点的长度即支链长度。
(3)对支链长度进行判断,将长度过小的支链视为毛刺进行去除,本实施例中是将小于35个像素的支链视为毛刺,具体实施中可根据需要调整。
步骤8)获取每条裂缝长、宽值:首先对裂缝细化图进行Freeman链码编写,通过对Freeman链码值的处理获取每条裂缝长度信息及走向信息。将裂缝的长度信息与裂缝的面积相结合得到裂缝的平均宽度;将裂缝走向信息与最终二值图像结合获得裂缝的局部最大宽度。
本实施例中,裂缝走向信息可直接由Freeman码值获取,Freeman码为奇数时代表走向为斜45°方向,Freeman码为偶数时代表走向为水平或竖直。各方向Freeman链码值示意图如图9所示。因为走向是基于Freeman链码得出的,由图9可得知一共有8个方向,Freeman码为奇数时代表走向为斜45°方向,Freeman码为偶数时代表走向为水平或竖直,因此基于Freeman链码值得出的裂缝走向只是这八个方向中的一种。虽然宏观上裂缝可能会存在0~45度之间的角度,此时用0度或者45度描述都存在一定的差距,比方说角度为22.5度,那么出现的最大角度偏差为22.5度。即基于走向信息得到的裂缝横断面方向相差22.5度,由此会造成局部最大宽度与真实二值图中最大宽度有一定的偏差,但是裂缝的宽度一般都非常小,而这个角度偏差所带来的实际宽度影响是非常小的,参见图10,以真实宽度为10,那么程序所得最大宽度为10/cos(22.5°)=10.8,这与实际值是非常接近的,所以本实施例中直接采用Freeman码值获取,在极大的减小运算量的前提下,也能够保证精度不会受到过大影响。
裂缝长度信息可由下式获取:
L=woNo+weNe
裂缝平均宽度由下式获取:
式中ba为裂缝平均宽度,S为每条裂缝的像素面积。
其中裂缝局部最大宽度获取的具体实施过程为:根据裂缝骨架图中每一点的走向信息得到裂缝法向(垂直走向)信息,将骨架图中每一点的坐标及法向信息存储在矩阵X中。在步骤5)最终二值图像中根据矩阵X中的坐标及法向信息做直线,统计二值图像中经过此法线的像素的个数,得到裂缝任意位置的宽度。对获得的宽度进行排序获得裂缝局部最大宽度。
根据本发明的实施例,本发明还提供了一种电子设备和一种计算机可读介质。
其中电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前述的方法。
具体使用中,用户能够通过作为终端设备的电子设备并基于网络来与同样作为电子设备的服务器进行交互,实现接收或发送消息等功能。终端设备一般是设有显示装置、基于人机界面来使用的各种电子设备,包括但不限于智能手机、平板电脑、笔记本电脑和台式电脑等。其中终端设备上根据需要可安装各种具体的应用软件,包括但不限于网页浏览器软件、即时通信软件、社交平台软件、购物软件等。
服务器是用于提供各种服务的网络服务端,如对收到的从终端设备传输过来的裂缝图片提供相应计算服务的后台服务器。以实现对接收到的裂缝图片进行裂缝自动识别,并将最终的识别结果返回至终端设备。
本实施例所提供的裂缝图像自动识别方法一般由服务器执行,在实际运用中,在满足必要条件下,终端设备亦可直接执行裂缝图像自动识别。
类似的,本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种裂缝图像自动识别方法方法。
尽管本发明的描述已经相当详尽且特别对所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求,考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (10)
1.一种基于种子填充算法的裂缝图像自动识别方法,其特征在于,包括以下步骤:
步骤1)图片预处理:对待识别的图像进行灰度化、匀光处理和灰度值的线性变换;
步骤2)降噪处理:使用双边滤波进行降噪;
步骤3)图像分割:首先确定种子填充算法的生长点,然后使用八方向搜索方式对邻域像素进行搜索,对搜索的像素采用基于平均灰度的相对阈值法进行边界判断,将小于阈值的像素作为生长区域,大于阈值的像素作为边界点,然后反复执行搜索直到完成对于整个图像的搜索,将得到的生长区域作为初步二值图像;
步骤4)二值图像滤波:对初步二值图像利用去除小区域算法去除背景中的噪点,然后利用去除小孔洞算法去除裂缝内部的噪点,得到最终的二值图像;
步骤5)获取裂缝条数与面积:通过计算最终二值图像的连通域来获取图像中裂缝条数与每条裂缝的面积;
步骤6)图像细化:首先对最终二值图进行形态学膨胀处理,然后运用Zhang-Suen快速并行算法提取裂缝骨架,最后将骨架中的毛刺剔除获得最终细化后的图像;
步骤7)获取裂缝长、宽值:对裂缝细化图进行Freeman链码编写,通过对Freeman链码值的处理获取每条裂缝长度信息及走向信息;然后将裂缝的长度信息与裂缝的面积相结合得到裂缝的平均宽度;将裂缝走向信息与最终二值图像结合获得裂缝的局部最大宽度。
3.根据权利要求1所述的一种基于种子填充算法的裂缝图像识别方法,其特征在于:
所述步骤3)中,确定种子填充算法的生长点包括以下步骤:
找出降噪处理后的图中所有像素值低于平均值的点,然后在这些点中随机选取预设个数的点,以这些点作为种子填充算法的种子生长点。
4.根据权利要求1所述的一种基于种子填充算法的裂缝图像识别方法,其特征在于:
所述步骤3)中,使用八方向搜索方式对邻域像素进行搜索是指采用3×3像素大小的、以种子点为中心的滑窗范围进行搜索,搜索范围为紧邻种子点周围的八个邻域像素点。
5.根据权利要求1所述的一种基于种子填充算法的裂缝图像识别方法,其特征在于:
所述步骤4)中,对搜索的像素采用基于平均灰度的相对阈值法进行边界判断包括以下步骤:先将生长点邻近像素加入生长区域J,然后计算J的平均灰度值m并判断是否超过预设的阈值K,如果超过,则将该点定义为边界点并从生长区域中删除;否则保持该点在生长区域J中,并继续进行下一个邻近像素点的搜索直至遇到边界点。
6.根据权利要求1所述的一种基于种子填充算法的裂缝图像识别方法,其特征在于:
所述步骤5)中,通过计算最终二值图像的连通域来获取图像中裂缝条数与每条裂缝的面积包括以下步骤:
先对二值图进行基于8连通方式的连通域算法处理,随后统计得到连通域的个数即为裂缝条数,并计算各连通域的面积即得到各裂缝的像素面积。
7.根据权利要求1所述的一种基于种子填充算法的裂缝图像识别方法,其特征在于:
所述步骤6)中,将骨架中的毛刺剔除包括以下步骤:
(1)统计裂缝骨架图中节点和端点的信息:采用3×3大小滑窗对裂缝骨架图中每个像素点进行遍历,以当前像素点为滑窗中心点,统计滑窗内总像素点的个数;若总个数为2,则视该点为端点;总个数为3,为既不是端点也不是节点的普通点;总个数大于等于4为节点;
(2)从每个端点开始出发计算其到节点的长度即支链长度;
(3)对支链长度进行判断,将长度小于阈值的支链视为毛刺进行去除。
8.根据权利要求1所述的一种基于种子填充算法的裂缝图像识别方法,其特征在于:
所述步骤7)中裂缝走向信息是由Freeman码值获取,其中Freeman码为奇数时代表走向为斜45°方向,Freeman码为偶数时代表走向为水平或竖直;
所述步骤7)中裂缝长度信息由下式获取:
L=woNo+weNe
其中L为裂缝长度,No为裂缝中Freeman码为偶数的个数,Ne为裂缝中Freeman码为奇数的个数;wo为编码偶数的权重,we为编码偶数的权重;
所述步骤7)中裂缝平均宽度由下式获取:
式中ba为裂缝平均宽度,S为每条裂缝的像素面积。
所述步骤7)中获取裂缝局部最大宽度包括以下步骤:
根据裂缝骨架图中每一点的走向信息得到裂缝法向即垂直走向信息,将骨架图中每一点的坐标及法向信息存储在矩阵X中;在步骤5)最终二值图像中根据矩阵X中的坐标及法向信息做直线,统计二值图像中经过此法线的像素的个数,得到裂缝任意位置的宽度。对获得的宽度进行排序获得裂缝局部最大宽度。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146991.4A CN112837290B (zh) | 2021-02-03 | 2021-02-03 | 一种基于种子填充算法的裂缝图像自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146991.4A CN112837290B (zh) | 2021-02-03 | 2021-02-03 | 一种基于种子填充算法的裂缝图像自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837290A true CN112837290A (zh) | 2021-05-25 |
CN112837290B CN112837290B (zh) | 2022-09-27 |
Family
ID=75932600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110146991.4A Active CN112837290B (zh) | 2021-02-03 | 2021-02-03 | 一种基于种子填充算法的裂缝图像自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837290B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447079A (zh) * | 2021-06-29 | 2021-09-28 | 南昌路兴交通工程监理咨询有限公司 | 一种桥梁检测系统 |
CN113607052A (zh) * | 2021-08-09 | 2021-11-05 | 中铁北京工程局集团有限公司 | 一种市政桥梁工程的桥梁裂缝测量装置及方法 |
CN113689445A (zh) * | 2021-07-13 | 2021-11-23 | 浙江工业大学 | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 |
CN113763357A (zh) * | 2021-09-08 | 2021-12-07 | 中国矿业大学 | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 |
CN114187368A (zh) * | 2022-02-17 | 2022-03-15 | 深圳艾灵网络有限公司 | 建筑板材的暗纹检测方法、装置、电子设备及存储介质 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115578725A (zh) * | 2022-09-08 | 2023-01-06 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于人机协同的滑坡边界与裂缝的标注方法及系统 |
CN117308794A (zh) * | 2023-11-30 | 2023-12-29 | 杭州汇萃智能科技有限公司 | 一种线宽量测方法、系统及计算机存储介质 |
CN117710399A (zh) * | 2024-02-06 | 2024-03-15 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN112233133A (zh) * | 2020-10-29 | 2021-01-15 | 上海电力大学 | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 |
-
2021
- 2021-02-03 CN CN202110146991.4A patent/CN112837290B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN112233133A (zh) * | 2020-10-29 | 2021-01-15 | 上海电力大学 | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 |
Non-Patent Citations (3)
Title |
---|
李家宏等: "基于k-邻域前景像素分析的划痕提取方法", 《计算机应用》 * |
谢明鸿等: "基于种子点增长的SAR图像海岸线自动提取算法", 《中国科学院研究生院学报》 * |
邵永军等: "基于计算机视觉的桥梁裂缝半自动检测方法", 《公路交通科技(应用技术版)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447079A (zh) * | 2021-06-29 | 2021-09-28 | 南昌路兴交通工程监理咨询有限公司 | 一种桥梁检测系统 |
CN113689445A (zh) * | 2021-07-13 | 2021-11-23 | 浙江工业大学 | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 |
CN113689445B (zh) * | 2021-07-13 | 2024-02-13 | 浙江工业大学 | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 |
CN113607052A (zh) * | 2021-08-09 | 2021-11-05 | 中铁北京工程局集团有限公司 | 一种市政桥梁工程的桥梁裂缝测量装置及方法 |
CN113763357B (zh) * | 2021-09-08 | 2023-11-28 | 中国矿业大学 | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 |
CN113763357A (zh) * | 2021-09-08 | 2021-12-07 | 中国矿业大学 | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 |
CN114187368A (zh) * | 2022-02-17 | 2022-03-15 | 深圳艾灵网络有限公司 | 建筑板材的暗纹检测方法、装置、电子设备及存储介质 |
CN114187368B (zh) * | 2022-02-17 | 2022-05-06 | 深圳艾灵网络有限公司 | 建筑板材的暗纹检测方法、装置、电子设备及存储介质 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115578725A (zh) * | 2022-09-08 | 2023-01-06 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于人机协同的滑坡边界与裂缝的标注方法及系统 |
CN117308794A (zh) * | 2023-11-30 | 2023-12-29 | 杭州汇萃智能科技有限公司 | 一种线宽量测方法、系统及计算机存储介质 |
CN117308794B (zh) * | 2023-11-30 | 2024-04-19 | 杭州汇萃智能科技有限公司 | 一种线宽量测方法、系统及计算机存储介质 |
CN117710399A (zh) * | 2024-02-06 | 2024-03-15 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
CN117710399B (zh) * | 2024-02-06 | 2024-04-30 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112837290B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
Shi et al. | Automatic road crack detection using random structured forests | |
CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
TW201732651A (zh) | 一種單詞的分割方法和裝置 | |
CN115115638B (zh) | 一种液压系统漏油检测及判定方法 | |
CN106529550A (zh) | 基于连通域分析的多维特征量提取方法及装置 | |
CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
CN113435452A (zh) | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN115908774A (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
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 | |
CN111161264A (zh) | 一种对含有缺陷的tft电路图像的分割方法 | |
CN115761613A (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
CN115578343A (zh) | 一种基于图像连通与骨架分析的裂缝尺寸测量方法 | |
CN115619725A (zh) | 电子元器件检测方法、装置、电子设备及自动质检设备 | |
CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 |
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 |