CN113240635B - 一种裂缝分辨为基准的结构物检测图像质量测试方法 - Google Patents
一种裂缝分辨为基准的结构物检测图像质量测试方法 Download PDFInfo
- Publication number
- CN113240635B CN113240635B CN202110497972.6A CN202110497972A CN113240635B CN 113240635 B CN113240635 B CN 113240635B CN 202110497972 A CN202110497972 A CN 202110497972A CN 113240635 B CN113240635 B CN 113240635B
- Authority
- CN
- China
- Prior art keywords
- test
- image
- crack
- sampling
- standard
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000012372 quality testing Methods 0.000 title claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 284
- 238000005070 sampling Methods 0.000 claims abstract description 113
- 230000009466 transformation Effects 0.000 claims abstract description 32
- 238000013441 quality evaluation Methods 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012935 Averaging Methods 0.000 claims abstract description 6
- 230000001131 transforming effect Effects 0.000 claims abstract description 5
- 238000010998 test method Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 7
- 238000011158 quantitative evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 238000012113 quantitative test Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- BYJQAPYDPPKJGH-UHFFFAOYSA-N 3-(2-carboxyethyl)-1h-indole-2-carboxylic acid Chemical compound C1=CC=C2C(CCC(=O)O)=C(C(O)=O)NC2=C1 BYJQAPYDPPKJGH-UHFFFAOYSA-N 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于图像质量测试领域,具体为一种裂缝分辨为基准的结构物检测图像质量测试方法,过程为:设计标准测试板,其上设有测试线段,测试线段上设置采样区;标准测试板贴于结构物表面,通过设备进行现场拍摄采集第一测试图像;通过几何变换将第一测试图像中测试板的影像变换至标准尺寸和形态,生成第二测试图像;在第二测试图像上根据采样区对测试线段的图像进行采样,获得采样区大小的采样图像;对采样图像进行空域变换;对空域变换后的采样图像中平行于模拟裂缝方向的光强求均值,得到响应曲线Ti;由Ti生成标准裂缝响应曲线Ri;计算裂缝图像质量评价的可辨识性和可测量性;该方法能够对裂缝图像质量进行可辨识性和可测量性评价。
Description
技术领域
本发明属于图像质量测试领域,尤其涉及一种裂缝分辨为基准的结构物检测图像质量测试方法。
背景技术
裂缝的检测对于数字图像方法而言是最大的难题,目前,大多数设备提供商使用图像分辨率作为一个重要的指标参数,但是采集设备的成像解析度会受到镜头、传感器、采样系统和使用环境的综合影响,所以单单使用图像分辨率这个指标难以评判裂缝是否能被辨识,以及是否能被测量两个关键性的问题;国际上对通用图像采样设备影像质量评价已经有发展十分成熟的规范,如ISO 12233和CIPA DC-003,使用这些通用规范,对于测试结构检测设备的成像效果具有一定的指导意义,但是却无法解决裂缝的可辨识性和可测量性两个关键问题;此外,通用的设备影像质量评价标准对于试验的光照环境、构图等都有严格要求,并不能在现场直接开展测试。
发明内容
本发明的目的在于克服上述的问题,提供了一种具有可辨识性的和可测量性的、且能够现场展开测试的结构物检测图像质量测试方法,具体为一种裂缝分辨为基准的结构物检测图像质量测试方法。
为解决上述问题,本发明提供了一种裂缝分辨为基准的结构物检测图像质量测试方法,具体步骤包括:
S1:设计标准测试板,其上设有作为模拟裂缝的测试线段,并在测试线段上设置了采样区;
S2:标准测试板贴于现场结构物表面,通过采集设备进行现场拍摄采集第一测试图像;
S3:通过几何变换将第一测试图像中测试板的影像变换至标准尺寸和形态,生成第二测试图像;
S4:在第二测试图像上,根据采样区,对测试线段的图像进行采样操作,获得采样区大小的采样图像;
S5:对采样图像进行空域变换;
S6:对空域变换后的采样图像中平行于模拟裂缝方向的光强求均值,得到走向大致垂直于模拟裂缝方向的响应曲线Ti;
S7:由响应曲线Ti生成标准裂缝响应曲线Ri;
S8:则裂缝图像质量评价的可见性指标为:
μR为标准曲线的均值,μT为采样曲线的均值,c2和c3是用于维持算式稳定的常数:
则裂缝图像的质量评价的可测量性指标为:
I可见性和I可测性共同构成评价指标,用于形成图像质量评价的量化指标。
作为本发明的进一步限定,S1中,所述测试板为矩形,其左上角设置基准点,以基准点为圆心,以规定角度间隔分布多条测试线,测试线由多个作为模拟裂缝的测试线段首尾相连而构成,一条测试线上每个测试线段宽度不相等,长度相等,从测试线靠近基准点的一端,到测试线远离基准点的一端,测试线段宽度渐渐变大;
每个测试线段中间设置采样区,采样区中间远离测试线段的两侧位置处设置采样区中线标记,测试板矩形边界的角点和矩形侧边线的中点位置都设置测试板边界标志,共8个,边界标志具有相交角的一对三角形,相交的位置为测试板矩形边界的角点或矩形侧边线的中点位置;
测试线段、采样区、采样区中线标记构成一个测试位,测试位以其所处测试线段的线宽为测试位名称;
一条测试线上的多个测试位构成一个测试组,测试组以其所处测试线与水平线的夹角为测试组名,并作为测试组顺时针旋转的角度;测试组以其所处测试线靠近基准点的一端与基准点之间的距离,为测试组偏移量。
作为本发明的进一步限定,S3中的具体步骤为:
几何变换前先进行控制点的确定,在第一测试图像上的测试板边界标志中初步点选出测试板矩形边界的角点和矩形侧边线的中点位置,点选完成后,以点选出的位置作为初始值,使用亚像素角点检测算法,对点选出的位置求精,具体如下:
设角点为q,为一个二维向量,则q与相邻区域内的任意像素点ph,其中ph为一个二维向量,满足如下关系:
Gh×(ph-q)=0 (8)
Gh表示像素点ph位置的像素梯度;
使用最小二乘法求解式(8)可得:
Gh×ph=Gh×q (9)
使用一个宽度为t的采样区B,并将区间内的所有像素根据距离权重按下式进行迭代计算:
从而得到角点的亚像素位置,其中wh表示像素的权重:
再通过平面透视变换,和八节点形函数变换,从而将拍摄的第一测试图像中测试板的影像变换至标准尺寸和形态。
其中,Fm表示第m组测试组的旋转矩阵,由第m组测试组的旋转角αm计算得到:
vu和vd表示示两个向上和向下的方向向量,由采样宽度计算:
vu=[0,-Ws]T (18)
vd=[0,Ws]T (19)
Ws为采样区宽度;
作为本发明的进一步限定,S6中,均值公式为:
A(i,f)表示采用点位置的灰度值,f表示纵坐标。
作为本发明的进一步限定,S7中,标准裂缝响应曲线是在裂缝宽度范围内,灰度值为0,其余区域的灰度值为255,即:
其中nl表示测试区内裂缝的像素宽度,由采样点数ns,裂缝宽度Δb,和采样区宽度Ws计算:
ΔC表示采样曲线峰值偏移量,根据测试采样曲线的峰值中心计算得到:
I10%=Ti min+(Ti max-Ti min)×10% (25)
Ti min和Ti max分别表示测试采样曲线上的最小值和最大值。
作为本发明的进一步限定,S8中:
c2=(255·k2)2,k2=0.03 (26)
c3=c2/2 (27)
作为本发明的进一步限定,S8中:在计算裂缝图像质量评价的指标之前,对标准曲线进行偏移,使得测试采样区的中线正好与测试线段的中线重合。
作为本发明的进一步限定,S8中:通过调整SSIM的α,β,γ,即亮度、对比度和结构相似性三个方面的重要程度,得到裂缝图像的可见性指标I可见性,取对比度系数β=1,取γ=0.5,α=0。
作为本发明的进一步限定,S8中:通过调整SSIM的α,β,γ,得到裂缝图像的可测量性指标I可测性,取γ=1,取α=0,对比度的重要性程度取为结构相似性的1/4。
有益效果:1.本发明实现了对检测设备获取的图像进行裂缝可见性和可测性两个关键指标的量化测试;并且本发明给出了一种便捷的、可在现场测试的裂缝图像质量量化评价方法,解决了检测单位在采集现场环境中难以对不同设备采集的图像质量进行比较的问题;
2.本发明设计了用于图像质量测试的标准测试板来模拟不同的角度、不同宽度的裂缝,同时设计了一些辅助标志辅助后期处理;
3.本发明测试图像采集时不限定标准测试环境,通过测试板的标志点信息,从图像中提取测试区域变换至标准状态;
4.本发明确立了一种标准化的裂缝图像质量评价机制,建立了一套结构物表观检测图像质量测试方法,为设备开发商和用户进行现场采集参数的优化提供指导依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施中结构物检测图像质量测试方法的流程图。
图2为本发明实施中结构物检测图像质量测试方法的标准测试板的元素组成示意图。
图3为本发明实施中结构物检测图像质量测试方法的标准测试板示意图。
图4为本发明实施中结构物检测图像质量测试方法的控制点确定的示意图。
图5为本发明实施中结构物检测图像质量测试方法的亚像素角点检测原理示意图。
图6为本发明实施中结构物检测图像质量测试方法的测试板几何变换示意图。
图7为本发明实施中结构物检测图像质量测试方法的标准曲线偏移对图像质量评价指标的影响示意图。
图8为本发明实施中结构物检测图像质量测试方法的仅考虑结构相似度时的可测性指标失效情况示意图。
图9为本发明实施中结构物检测图像质量测试方法的镜头比选测试典型采样结果及曲线示意图。
图10为本发明实施中结构物检测图像质量测试方法的镜头比选测试结果曲线示意图。
具体实施方式
下面将结合本发明的实施例中的附图,对本发明的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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
实施例1
本发明提供了一种裂缝分辨为基准的结构物检测图像质量测试方法,参见图1,包括以下步骤:
步骤1,首先设计标准测试板用以模拟不同的角度、不同宽度的裂缝,标准测试板主要由测试板、测试组和测试位三种对象组成,其元素组成如图2所示,图中圆括号表示属性、方括号表示多个对象,同时设计一些辅助标志辅助后期处理,辅助标志包括:设置在测试板矩形边界的角点和矩形侧边线的中点位置的测试板边界标志,和在采样区中间远离测试线段的两侧位置处设置的采样区中线标记;
步骤2,测试前将标准测试板贴于现场结构物表面,由采集设备进行现场拍摄采集第一测试图像;
步骤3,测试图像采样前首先需要通过几何变换将第一测试图像中测试板的影像变换至标准尺寸和形态,生成第二测试图像;
步骤4,图像几何变换完成后,根据标准测试板定义的采样区对测试线段的图像进行采样操作;
步骤5,对采样图像进行空域变换,即通过图像光强值的空域增强来减小因测试现场不同光照环境、能见度条件及曝光参数所造成的图像差异,从而减小亮度、对比度或是有尘环境下能见度的影响,突出图像中的裂缝信息,以便进一步进行量化评价;
步骤6,通过对空域变换后采样图像中平行于裂缝方向的光强求均值得到走向大致垂直裂缝方向的响应曲线Ti,即将测试采样区域的图像信号转换为以裂缝为中心的图像灰度值变化曲线;
步骤7,由步骤6中得到的响应曲线Ti生成标准裂缝响应曲线Ri,并对标准曲线进行偏移,以消除几何变换不够精确造成的影响;
步骤8,计算裂缝图像质量评价的量化指标,包括参考指标和评价指标,以对裂缝可识别性和可测量性进行量化评价。
本发明实现了对检测设备获取的图像进行裂缝可见性和可测性两个关键指标的量化测试;并且本发明给出了一种便捷的、可在现场测试的裂缝图像质量量化评价方法,解决了检测单位在采集现场环境中难以对不同设备采集的图像质量进行比较的问题。
步骤1中标准测试板的测试板对象为矩形设计,其属性包括矩形的宽、高和尺寸系数和测试组数,宽和高用于定义矩形尺寸,尺寸系数用于变换设计尺寸和像素尺寸的关系;测试板矩形边界的角点和矩形侧边线的中点位置都设置测试板边界标志,共8个,用于后期进行图像几何变换,标记编号顺序如图3所示;测试板左上方设置有基准点,基准点坐标为(x,y),用于定义测试组的旋转中心;测试板上包含若干测试组,用于模拟不同角度的裂缝。
步骤1中标准测试板的测试组对象用于模拟不同角度下的一组不同宽度的裂缝,其属性包括组名、旋转角度、偏移量和测试位数,旋转角度指测试线饶基准点的顺时针旋转角度,偏移量指测试组中第一个测试线距离基准点的距离,测试组中包含若干个测试位,测试位的测试线均位于一条直线上。
步骤1中标准测试板的测试位对象是测试采样的具体位置,包含一段用于模拟裂缝的测试线、测试采样区以及采样区中线标志;采样区中线标志主要是便于手工处理,非必须设置的对象;测试位的属性包括测试位的名称,测试线的属性主要为测试线的线宽和线长;采样区的属性包括采样宽度、长度和采样点数(分辨率)。
在步骤2中,测试图像采集时为保证测试方法能更接近真实的检测环境,并模拟不同的现场条件,不限定标准测试环境,即不对拍摄角度、拍摄距离、光照条件、构图设置要求;
在步骤3中,几何变换前首先须确定控制点,在第一测试图像上的测试板边界标志中初步点选出测试板矩形边界的角点和矩形侧边线的中点位置,点选完成后以点选位置做为初始值,使用亚像素角点检测算法,对标志点位置进行求精(图4)。
亚像素角点检测可以根据角点像素的特征使用迭代计算产生。如图5所示,设角点为q,则q与相邻区域内的任意像素点ph满足如下关系:
Gh×(ph-q)=0 (8)
Gh表示像素点ph位置的像素梯度;上式的含义为:角点的相邻像素点要么位于边界上、要么位于无梯度变化的区域内。若位于边界时,像素梯度方向与距离向量垂直;若位于无梯度变化区域时,像素梯度为零。因此二者叉积恒为0。使用最小二乘法求解上式可得:
Gh×ph=Gh×q (9)
使用一个宽度为t的采样区B,并将区间内的所有像素根据距离权重按下式进行迭代计算:
从而得到角点的亚像素位置,其中wh表示像素的权重:
在步骤3中,几何变换的计算通过平面透视变换消除由于被拍摄的测试板表面不完全平行相机成像平面造成的投影变形,通过八节点形函数变换消除镜头畸变和表面弯曲造成的变形,从而将拍摄的测试图像变换至标准尺寸和形态,如图6所示。
其中,Fm表示第m组测试组的旋转矩阵,由第m组测试组的旋转角αm计算得到:
vu和vd表示示两个向上和向下的方向向量,由采样宽度计算:
vu=[0,-Ws]T (18)
vd=[0,Ws]T (19)
Ws为采样区宽度;
在步骤6中,对平行于裂缝方向的光强求均值得到垂直裂缝方向的响应曲线为:
步骤7中的标准裂缝响应曲线是在裂缝宽度范围内,灰度值为0,其余区域的灰度值为255,即
其中nl表示测试区内裂缝的像素宽度,由采样点数ns,裂缝宽度Δb,和采样区宽度Ws计算:
ΔC表示采样曲线峰值偏移量,根据测试采样曲线的峰值中心计算得到:
I10%=Ti min+(Ti max-Ti min)×10% (25)
Ti min和Ti max分别表示测试采样曲线上的最小值和最大值,I10%表示灰度范围中最小10%的分界值。
由于图像几何变换过程中受图像质量和分辨率的影响,亚像素角点求解精度可能不足,从而无法使得测试采样区的中线正好与测试线段的中线重合。此情况将会导致全参考模式下的图像质量计算指标出现偏差,因此需要对标准曲线进行偏移,从而消除几何变换不够精确造成的影响。以图7为例,根据采样曲线的峰值位置偏移标准曲线后,峰值信噪比PSNR和结构相似度SSIM指标得到明显提升,更能反映真实的图像质量情况。
步骤8中的参考指标包括峰值信噪比PSNR和结构相似性SSIM,评价指标包括可识别性指标和可测量性指标。
在步骤8中,通过调整SSIM的α,β,γ即亮度、对比度和结构相似性三个方面的重要程度,得到裂缝图像的可识别性指标,即主要考虑裂缝与周边的对比度,对比度越高则可辨识性越强,取对比度系数β=1;同时需考虑裂缝图像与标准图像的相似程度,但相似性指标为辅助因素,取γ=0.5,即认为相似性的重要程度仅为对比度重要程度的一半;而图像亮度仅会影响裂缝响应曲线在灰度轴上的位置,图像亮一些或暗一些不会改变裂缝的可辨识度,因此取并不直接反映裂缝的可辨识性和可测量性,取α=0。
由此得到裂缝图像质量评价的可见性指标:
μR为标准曲线的均值,μT为采样曲线的均值,c2和c3是用于维持算式稳定的常数;
c2=(255·k2)2,k2=0.03 (26)
c3=c2/2 (27)
在步骤8中,通过调整SSIM的α,β,γ三个要素的重要程度,得到裂缝图像的可测量性指标,主要考虑不同宽度的裂缝反映出的裂缝相应曲线与标准曲线的结构相似性,理论上说,若裂缝图像与原图结构越是一致,可测量性就越高,取γ=1;亮度方面,只要对比度和结构相似性相同,不同亮度不会影响裂缝边缘梯度的计算,取α=0;对比度方面,对比度越高的图像,其边缘梯度会越陡峭,但是不影响边缘检测的位置,理论上对比度对裂缝的可测性影响不大,但是仅考虑结构相似性时,如图8所示无裂缝图像,由于采样曲线随机出现了小峰值,结构相似性计算结果为0.61,显然不符合实际情况,因此加入对比度因素进行平衡,但其重要程度取为结构相似性的1/4。
由此得到裂缝图像质量评价的可测量性指标:
本实施例提供了一种裂缝分辨为基准的结构物检测图像质量测试方法,该方法具有以下有益效果:
1.本发明实现了对检测设备获取的图像进行裂缝可见性和可测性两个关键指标的量化测试;并且本发明给出了一种便捷的、可在现场测试的裂缝图像质量量化评价方法,解决了检测单位在采集现场环境中难以对不同设备采集的图像质量进行比较的问题;
2.本发明设计了用于图像质量测试的标准测试板来模拟不同的角度、不同宽度的裂缝,同时设计了一些辅助标志辅助后期处理;
3.本发明测试图像采集时不限定标准测试环境,通过测试板的标志点信息,从图像中提取测试区域变换至标准状态;
4.本发明确立了一种标准化的裂缝图像质量评价机制,建立了一套结构物表观检测图像质量测试方法,为设备开发商和用户进行现场采集参数的优化提供指导依据。
实施例2
本发明提供了一种基于图像处理的模型试验中变形和位移测量方法,在本实施例中用于不同相机镜头的量化测试比选,参见图1,包括以下步骤:
S1:测试使用的相机为佳能80D,使用的四只镜头包括定焦镜头、中长变焦镜头、标准变焦镜头、超大变焦镜头。
S2:设计标准测试板用以模拟不同的角度、不同宽度的裂缝,标准测试板主要由测试板、测试组和测试位三种对象组成,同时测试板矩形边界的角点和矩形侧边线的中点位置都设置测试板边界标志,共8个,用于辅助后期处理,采用的标准测试板如图3所示。
S3:测试前将标准测试板贴于平面上,使用三脚架将相机假设在距离测试纸3.5m的位置进行拍摄。构图时将测试纸位于图像中心,以减小镜头的边缘效应。测试使用50mm焦距,为保证图像清晰锐利,拍摄参数为ISO-100、光圈7.1、快门1/100s,并使用闪光指数为GN60的外置闪关灯调制成1/8强度进行补光。
S4:测试图像采样前首先通过几何变换将第一测试图像中测试板的影像变换至标准尺寸和形态,生成第二测试图像;几何变换前首先确定控制点,在第一测试图像上的测试板边界标志中初步点选出测试板矩形边界的角点和矩形侧边线的中点位置,点选完成后以点选位置做为初始值,使用亚像素角点检测算法,对标志点位置进行求精(图4);亚像素角点检测根据角点像素的特征使用迭代计算产生(图5);通过八节点形函数变换消除镜头畸变和表面弯曲造成的变形,将拍摄的第一测试图像变换至标准尺寸和形态,如图6所示。
其中,Fm表示第m组测试组的旋转矩阵,由第m组测试组的旋转角计算得到:
vu和vd表示示两个向上和向下的方向向量,由采样宽度计算:
vu=[0,-Ws]T (18)
vd=[0,Ws]T (19)
Ws为采样区宽度;
S6:对采样图像进行空域变换,即通过图像光强值的空域增强来减小因测试现场不同光照环境、能见度条件及曝光参数所造成的图像差异,从而减小亮度、对比度或是有尘环境下能见度的影响,突出图像中的裂缝信息,以便进一步进行量化评价;
S7:通过对空域变换后采样图像中平行于裂缝方向的光强求均值得到垂直裂缝方向的响应曲线:
A(i,f)表示采用点位置的灰度值,f表示纵坐标。
即将测试采样区域的图像信号转换为以裂缝为中心的图像灰度值变化曲线。
S8:由S6中得到的响应曲线生成标准裂缝响应曲线,标准裂缝响应曲线是在裂缝宽度范围内,灰度值为0,其余区域的灰度值为255,即
其中nl表示测试区内裂缝的像素宽度,由采样点数ns,裂缝宽度Δb,和采样区宽度Ws计算:
ΔC表示采样曲线峰值偏移量,根据测试采样曲线的峰值中心计算得到:
I10%=Ti min+(Ti max-Ti min)×10% (25)
Ti min和Ti max分别表示测试采样曲线上的最小值和最大值。
对标准曲线进行偏移,消除几何变换不够精确造成的影响,镜头比选测试典型采样结果及标椎曲线如图9所示。
S9:计算裂缝图像质量评价的量化指标,包括参考指标和评价指标,对裂缝可识别性和可测量性进行量化评价,参考指标包括峰值信噪比PSNR和结构相似性SSIM,评价指标包括可识别性指标和可测量性指标;
裂缝图像质量评价的可见性指标为:
μR为标准曲线的均值,μT为采样曲线的均值,c2和c3是用于维持算式稳定的常数;
c2=(255·k2)2,k2=0.03 (26)
c3=c2/2 (27)
裂缝图像质量评价的可测量性指标为:
S10:将比较镜头的综合素质,将所有测试位的结果进行平均汇总并制成对比曲线列于图10,结果曲线反应的图像质量情况是:定焦镜头>变焦镜头>大变焦镜头,与摄影常识一致。
本实施例提供了一种裂缝分辨为基准的结构物检测图像质量测试方法,该方法具有以下有益效果:
1.本发明实现了对检测设备获取的图像进行裂缝可见性和可测性两个关键指标的量化测试;并且本发明给出了一种便捷的、可在现场测试的裂缝图像质量量化评价方法,解决了检测单位在采集现场环境中难以对不同设备采集的图像质量进行比较的问题;
2.本发明设计了用于图像质量测试的标准测试板来模拟不同的角度、不同宽度的裂缝,同时设计了一些辅助标志辅助后期处理;
3.本发明测试图像采集时不限定标准测试环境,通过测试板的标志点信息,从图像中提取测试区域变换至标准状态;
4.本发明确立了一种标准化的裂缝图像质量评价机制,建立了一套结构物表观检测图像质量测试方法,为设备开发商和用户进行现场采集参数的优化提供指导依据。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种裂缝分辨为基准的结构物检测图像质量测试方法,其特征在于,包括如下具体步骤:
S1:设计标准测试板,其上设有作为模拟裂缝的测试线段,并在测试线段上设置了采样区;
S2:标准测试板贴于现场结构物表面,通过采集设备进行现场拍摄采集第一测试图像;
S3:通过几何变换将第一测试图像中测试板的影像变换至标准尺寸和形态,生成第二测试图像;
S4:在第二测试图像上,根据采样区,对测试线段的图像进行采样操作,获得采样区大小的采样图像;
S5:对采样图像进行空域变换;
S6:对空域变换后的采样图像中平行于模拟裂缝方向的光强求均值,得到走向大致垂直于模拟裂缝方向的响应曲线Ti,i为采样图像中的横向坐标,i=1~ns,ns为采样点数;
S7:生成响应曲线Ti对应的标准裂缝响应曲线Ri;
S8:则裂缝图像质量评价的可见性指标为:
μR为标准曲线的均值,μT为采样曲线的均值,c2和c3是用于维持算式稳定的常数:
则裂缝图像的质量评价的可测量性指标为:
I可见性和I可测性共同构成评价指标,用于形成图像质量评价的量化指标。
2.根据权利要求1所述的裂缝分辨为基准的结构物检测图像质量测试方法,其特征在于,S1中,所述测试板为矩形,其左上角设置基准点,以基准点为圆心,以规定角度间隔分布多条测试线,测试线由多个作为模拟裂缝的测试线段首尾相连而构成,一条测试线上每个测试线段宽度不相等,长度相等,从测试线靠近基准点的一端,到测试线远离基准点的一端,测试线段宽度渐渐变大;
每个测试线段中间设置采样区,采样区中间远离测试线段的两侧位置处设置采样区中线标记,测试板矩形边界的角点和矩形侧边线的中点位置都设置测试板边界标志,共8个,边界标志具有相交角的一对三角形,相交的位置为测试板矩形边界的角点或矩形侧边线的中点位置;
测试线段、采样区、采样区中线标记构成一个测试位,测试位以其所处测试线段的线宽为测试位名称;
一条测试线上的多个测试位构成一个测试组,测试组以其所处测试线与水平线的夹角为测试组名,并作为测试组顺时针旋转的角度;测试组以其所处测试线靠近基准点的一端与基准点之间的距离,为测试组偏移量。
3.根据权利要求2所述的裂缝分辨为基准的结构物检测图像质量测试方法,其特征在于,S3中的具体步骤为:
几何变换前先进行控制点的确定,在第一测试图像上的测试板边界标志中初步点选出测试板矩形边界的角点和矩形侧边线的中点位置,点选完成后,以点选出的位置作为初始值,使用亚像素角点检测算法,对点选出的位置求精,具体如下:
设角点的坐标为q,为一个二维向量,则q与相邻区域内的任意像素点的坐标ph,其中ph为一个二维向量,满足如下关系:
Gh×(ph-q)=0 (8)
Gh表示像素点ph位置的像素梯度;
使用最小二乘法求解式(8)可得:
Gh×ph=Gh×q (9)
使用一个宽度为t的采样区B,并将区间内的所有像素根据距离权重按下式进行迭代计算:
从而得到角点的亚像素位置,其中wh表示像素的权重:
再通过平面透视变换,和八节点形函数变换,从而将拍摄的第一测试图像中测试板的影像变换至标准尺寸和形态。
其中,Fm表示第m组测试组的旋转矩阵,由第m组测试组的旋转角αm计算得到:
vu和vd表示示两个向上和向下的方向向量,由采样宽度计算:
vu=[0,-Ws]T (18)
vd=[0,Ws]T (19)
Ws为采样区宽度;
7.根据权利要求1所述的裂缝分辨为基准的结构物检测图像质量测试方法,其特征在于,S8中:
c2=(255·k2)2,k2=0.03 (26)
c3=c2/2。 (27)
8.根据权利要求6所述的裂缝分辨为基准的结构物检测图像质量测试方法,其特征在于,S8中:
在计算裂缝图像质量评价的指标之前,对标准曲线进行偏移,使得测试采样区的中线正好与测试线段的中线重合。
9.根据权利要求8所述的裂缝分辨为基准的结构物检测图像质量测试方法,其特征在于,S8中:
通过调整SSIM的α,β,γ,即亮度、对比度和结构相似性三个方面的重要程度,得到裂缝图像的可见性指标I可见性,取对比度系数β=1,取γ=0.5,α=0。
10.根据权利要求9所述的裂缝分辨为基准的结构物检测图像质量测试方法,其特征在于,S8中:
通过调整SSIM的α,β,γ,得到裂缝图像的可测量性指标I可测性,取γ=1,取α=0,对比度的重要性程度取为结构相似性的1/4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497972.6A CN113240635B (zh) | 2021-05-08 | 2021-05-08 | 一种裂缝分辨为基准的结构物检测图像质量测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497972.6A CN113240635B (zh) | 2021-05-08 | 2021-05-08 | 一种裂缝分辨为基准的结构物检测图像质量测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240635A CN113240635A (zh) | 2021-08-10 |
CN113240635B true CN113240635B (zh) | 2022-05-03 |
Family
ID=77132401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110497972.6A Active CN113240635B (zh) | 2021-05-08 | 2021-05-08 | 一种裂缝分辨为基准的结构物检测图像质量测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240635B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047121A (zh) * | 2021-09-29 | 2022-02-15 | 上海伯耶信息科技有限公司 | 一种工业视觉检测的图像形态质量判定方法 |
CN116071354B (zh) * | 2023-03-06 | 2023-07-04 | 深圳思谋信息科技有限公司 | 图像处理方法、装置、计算机设备及计算机可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB895541A (en) * | 1959-07-16 | 1962-05-02 | Canadair Ltd | Method and apparatus for the measurement of crack propagation in test panels and the like |
US5960371A (en) * | 1997-09-04 | 1999-09-28 | Schlumberger Technology Corporation | Method of determining dips and azimuths of fractures from borehole images |
CN102680480A (zh) * | 2012-05-03 | 2012-09-19 | 中南大学 | 一种混凝土结构裂缝智能化检测方法 |
CN103400139A (zh) * | 2013-07-04 | 2013-11-20 | 中南大学 | 一种混凝土裂缝特征信息的识别方法 |
CN107179322A (zh) * | 2017-06-15 | 2017-09-19 | 长安大学 | 一种基于双目视觉的桥梁底面裂缝检测方法 |
CN108364280A (zh) * | 2018-01-03 | 2018-08-03 | 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 |
CN108564569A (zh) * | 2018-03-23 | 2018-09-21 | 石家庄铁道大学 | 一种基于多核分类学习的混凝土裂缝检测方法及装置 |
CN110390152A (zh) * | 2019-07-15 | 2019-10-29 | 中国矿业大学 | 一种模拟巷道围岩裂隙演化的离散元方法 |
CN110779795A (zh) * | 2019-11-04 | 2020-02-11 | 中国石油大学(华东) | 裂缝性储层地质力学建模网格单元大小确定方法 |
CN111612846A (zh) * | 2020-04-29 | 2020-09-01 | 南京震坤物联网科技有限公司 | 基于U-net CNN图像识别和像素标定的混凝土裂缝宽度测定方法 |
CN112539049A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 基于生产动态自动历史拟合的压裂裂缝参数反演方法 |
-
2021
- 2021-05-08 CN CN202110497972.6A patent/CN113240635B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB895541A (en) * | 1959-07-16 | 1962-05-02 | Canadair Ltd | Method and apparatus for the measurement of crack propagation in test panels and the like |
US5960371A (en) * | 1997-09-04 | 1999-09-28 | Schlumberger Technology Corporation | Method of determining dips and azimuths of fractures from borehole images |
CN102680480A (zh) * | 2012-05-03 | 2012-09-19 | 中南大学 | 一种混凝土结构裂缝智能化检测方法 |
CN103400139A (zh) * | 2013-07-04 | 2013-11-20 | 中南大学 | 一种混凝土裂缝特征信息的识别方法 |
CN107179322A (zh) * | 2017-06-15 | 2017-09-19 | 长安大学 | 一种基于双目视觉的桥梁底面裂缝检测方法 |
CN108364280A (zh) * | 2018-01-03 | 2018-08-03 | 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 |
CN108564569A (zh) * | 2018-03-23 | 2018-09-21 | 石家庄铁道大学 | 一种基于多核分类学习的混凝土裂缝检测方法及装置 |
CN110390152A (zh) * | 2019-07-15 | 2019-10-29 | 中国矿业大学 | 一种模拟巷道围岩裂隙演化的离散元方法 |
CN110779795A (zh) * | 2019-11-04 | 2020-02-11 | 中国石油大学(华东) | 裂缝性储层地质力学建模网格单元大小确定方法 |
CN111612846A (zh) * | 2020-04-29 | 2020-09-01 | 南京震坤物联网科技有限公司 | 基于U-net CNN图像识别和像素标定的混凝土裂缝宽度测定方法 |
CN112539049A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 基于生产动态自动历史拟合的压裂裂缝参数反演方法 |
Non-Patent Citations (6)
Title |
---|
《computer-vision based crack detection and analysis》;Prateek Prasanna;《https://doi.org/10.1117/12.915384》;20120406;全文 * |
《Detection of pavement cracks using tiled fuzzy Hough transform》;Senthan Mathavan;《https://doi.org/10.1117/1.JEI.26.5.053008》;20170909;全文 * |
《基于图像的路面裂缝检测技术研究》;韩旭;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190215(第2期);全文 * |
《基于多特征融合的路面破损图像自动识别技术研究》;徐志刚;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20130715(第7期);全文 * |
《基于数字图像的混凝土开裂监测和安全评价研究》;沈阳;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20180415(第4期);全文 * |
《隧道衬砌裂缝精细化识别及其评价》;石钰锋;《公路交通科技》;20200228;第37卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113240635A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN113240635B (zh) | 一种裂缝分辨为基准的结构物检测图像质量测试方法 | |
CN107576281B (zh) | 一种测量管路弯曲半径的方法和装置 | |
CN113819974B (zh) | 一种免水尺的河流水位视觉测量方法 | |
CN108535097A (zh) | 一种三轴试验试样柱面变形全场测量的方法 | |
CN109961485A (zh) | 一种基于单目视觉进行目标定位的方法 | |
CN102136140B (zh) | 一种基于矩形图样的视频图像距离检测方法 | |
CN102768762A (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 | |
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 | |
CN111442845A (zh) | 基于距离补偿的红外测温方法、装置及计算机存储介质 | |
CN108989794A (zh) | 基于抬头显示系统的虚像信息测量方法及系统 | |
CN112102387A (zh) | 一种基于深度相机深度估计性能的测试方法与测试系统 | |
CN115540775A (zh) | 一种ccd单相机的3d视频引伸计 | |
CN113610782B (zh) | 一种建筑物变形监测方法、设备及存储介质 | |
CN114323591A (zh) | 一种基于数字图像相关法的光畸变测量方法及测试系统 | |
CN116091488B (zh) | 一种发动机摇摆试验的位移测试方法及位移测试系统 | |
CN112284509A (zh) | 一种基于手机视频的桥梁结构振型测量方法 | |
JPH09210649A (ja) | 三次元計測装置 | |
CN105809685A (zh) | 一种基于单幅同心圆图像的摄像机定标方法 | |
CN112468801B (zh) | 广角摄像模组的光心测试方法及其测试系统和测试标板 | |
CN112468800B (zh) | 广角摄像模组的测试方法及其测试系统 | |
CN112053331B (zh) | 一种图像叠加和裂缝信息融合的桥梁裂缝检测方法 | |
Frangione et al. | Multi-step approach for automated scaling of photogrammetric micro-measurements | |
JP4775541B2 (ja) | 撮影画像における歪曲収差補正方法 | |
Zhu et al. | Image quality evaluation method for surface crack detection based on standard test chart |
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 |