CN113537093B - 一种道面图像波浪拥包的轮廓线提取方法 - Google Patents
一种道面图像波浪拥包的轮廓线提取方法 Download PDFInfo
- Publication number
- CN113537093B CN113537093B CN202110824205.1A CN202110824205A CN113537093B CN 113537093 B CN113537093 B CN 113537093B CN 202110824205 A CN202110824205 A CN 202110824205A CN 113537093 B CN113537093 B CN 113537093B
- Authority
- CN
- China
- Prior art keywords
- wave
- road surface
- boxtl
- trough
- boxbr
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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 by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种道面图像波浪拥包的轮廓线提取方法,包括:采集含有波浪拥包的道面高度图;采用深度学习的目标检测网络在道面高度图中检测波浪拥包的提取框,并向该提取框的四周延伸出一个线宽为L的口字形状提取框;在提取框内求得道面高度图的高度最高像素点、高度最低像素点、提取框内道面平均像素值;预设提取框内的容忍度区间,结合高度最高像素点、高度最低像素点和道面平均像素值求得波峰矫正阈值和波谷矫正阈值;根据波峰矫正阈值和波谷矫正阈值,并利用图像二值化提取道面高度图中波浪拥包的波峰区域和波谷区域;融合波峰区域和波谷区域,并采用尺寸为S的中值滤波器进行滤波,提取得到波浪拥包的轮廓线。
Description
技术领域
本发明涉及道面检测技术领域,尤其是一种道面图像波浪拥包的轮廓线提取方法。
背景技术
本文中所述的拥包/壅包(Shoving)是沥青路面因受车轮推挤而形成局部隆起的现象;另外,本文中的道面高度图(Pavement Height Map)是用于生成三维地形的图像,它使用像素颜色来获取表面高度。道面高度图是指道路表观纹理的三维地形图像。
道面拥包是沥青道面受车轮推挤而形成的局部隆起,是道路状况评估所要求的主要病害之一。随着道面图像采集设备的发展,海量道面图像数据可以在短时间内完成采集。如何从这些图像中获得波浪拥包的轮廓信息和高差信息是一个极具挑战的任务。
目前,利用图像进行道面波浪拥包的自动检测算法研究较为局限,大多都是从图像中去寻找潜在的波浪拥包,但是并不能对更深层次的病害属性(如波浪拥包面积、深度)进行分析。
因此,急需要提出一种逻辑简单、提取可靠的道面图像波浪拥包的轮廓线提取方法。
发明内容
针对上述问题,本发明的目的在于提供一种道面图像波浪拥包的轮廓线提取方法,本发明采用的技术方案如下:
一种道面图像波浪拥包的轮廓线提取方法,包括以下步骤:
采集含有波浪拥包的道面高度图;
采用深度学习的目标检测网络在道面高度图中检测波浪拥包的提取框,并向该提取框的四周延伸出一个线宽为L的口字形状提取框;所述波浪拥包置于所述提取框内;所述L为大于0的自然数;
在提取框内求得道面高度图的高度最高像素点MaxHeight和高度最低像素点MinHeight;求得提取框内道面平均像素值AvgHeight;
预设提取框内的容忍度区间Tolerance,结合高度最高像素点MaxHeight、高度最低像素点MinHeight和道面平均像素值AvgHeight求得波峰矫正阈值ThresholdPeak和波谷矫正阈值ThresholdValley;
根据波峰矫正阈值ThresholdPeak和波谷矫正阈值ThresholdValley,并利用图像二值化提取道面高度图中波浪拥包的波峰区域和波谷区域;
融合波峰区域和波谷区域,并采用尺寸为S的中值滤波器进行滤波,提取得到波浪拥包的轮廓线;所述S为大于0的自然数。
进一步地,所述波峰矫正阈值ThresholdPeak和波谷矫正阈值ThresholdValley的表达式为:
ThresholdPeak=AvgHeight+Tolerance*(MaxHeight-AvgHeight)
ThresholdValley=AvgHeight+Tolerance*(MinHeight-AvgHeight)
其中,AvgHeight表示提取框内的平均像素值。
进一步地,所述道面高度图的左上角为原点,所述提取框的左上角坐标为(boxTL_h,boxTL_w),且右下角坐标为(boxBR_h,boxBR_w)。
更进一步地,还包括利用中值滤波器对波峰矫正阈值ThresholdPeak对应的区域和波谷矫正阈值ThresholdValley对应的区域之间的中心地带进行融合,所述中心地带的表达式为:
boxTL_h’=boxTL_h+a*(boxBR_h-boxTL_h)
boxTL_w’=boxTL_w+a*(boxBR_w-boxTL_w)
boxBR_h’=boxTL_h+(1.0-a)*(boxBR_h-boxTL_h)
boxBR_w’=boxTL_w+(1.0-a)*(boxBR_w-boxTL_w)
其中,a表示中心地带的大小系数,其取值范围为0.1~0.4。
优选地,所述中值滤波器的尺寸S取值为25。
与现有技术相比,本发明具有以下有益效果:
(1)本发明巧妙地将含有波浪拥包的真实道面转换成道面高度图像,其真实还原了真实道面的像素情况,以便于后期对图像进行像素点判断;
(2)本发明巧妙地采用口字形状的选取框,并且求得高度最高像素点、高度最低像素点;根据容忍度区间、高度最高像素点、高度最低像素点和道面平均像素值求得波峰矫正阈值ThresholdPeak和波谷矫正阈值ThresholdValley,利用图像二值化提取波峰区域和波谷区域,其好处在于:要利用基于阈值的图像二值化,关键在于阈值的选取。这里的阈值选取综合考虑了高度极值点(波峰/波谷)和正常路面高度,给出容忍度区间是为了让二值化的波峰与波谷的结果有更高的置信度。
(3)本发明根据波峰区域和波谷区域之间的中心地带进行融合,由于波峰与波谷之间的区域属于“模糊区域”,这些模糊区域既不属于波峰也不属于波谷,因此需要用统计投票的思想,用模糊地带将波峰与波谷连接在一起,以完整地分割出整个波浪拥包(既包含波峰也包含波谷)。
(4)本发明利用中值滤波器对融合后的波峰和波谷区域进行滤波,以波浪拥包的像素区域。最终提取出波浪拥包的轮廓线,其好处在于:波浪拥包轮廓线的提取主要用于后期的展示功能。当获取轮廓线的坐标点后,就能在绘制波浪拥包的轮廓,来表明某个区域是波浪拥包。
综上所述,本发明具有逻辑简单、提取可靠等优点,在道面检测技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需使用的附图作简单介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对保护范围的限定,对于本领域技术人员来说,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相关的附图。
图1为本发明中含有波浪拥包的真实道面图像。
图2为本发明中真实道面图像对应的道面高度图。
图3为本发明的道面高度图的俯视图。
图4为本发明的道面高度图的选取框示意图(一)。
图5为本发明的道面高度图的选取框示意图(二)。
图6为本发明的波峰二值图。
图7为本发明的波谷二值图。
图8为本发明的道面高度图的选取框示意图(三)。
图9为本发明的波峰波谷融合图。
图10为本发明的中值滤波输出图。
图11为本发明的轮廓线图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
如图1至图11所示,本实施例提供了一种道面图像波浪拥包的轮廓线提取方法,包括以下步骤:
第一步,如图1至图4所示,本实施例采集含有波浪拥包的道面图像,并采用转换成道面高度图。
第二步,如图5所示,采用深度学习的目标检测网络在道面高度图中检测波浪拥包的提取框,并向该提取框的四周延伸出一个线宽为L的口字形状提取框;所述波浪拥包置于所述提取框内。在本实施例中,L取值范围30~70mm,本实施例巧妙地将L取值50个像素(大约是50mm)。
第三步,在提取框内求得道面高度图的高度最高像素点MaxHeight和高度最低像素点MinHeight,另外,平均高度像素点的信息记为AvgHeight。
第四步,预设提取框内的容忍度区间Tolerance,其取值范围为(0~1),本实施例优选选择0.05,求得波峰矫正阈值ThresholdPeak和波谷矫正阈值ThresholdValley,其表达式为:
ThresholdPeak=AvgHeight+Tolerance*(MaxHeight-AvgHeight)
ThresholdValley=AvgHeight+Tolerance*(MinHeight-AvgHeight)
其中,AvgHeight表示提取框内的平均像素值。
第五步,如图6和图7所示,根据波峰矫正阈值ThresholdPeak和波谷矫正阈值ThresholdValley,并利用图像二值化提取道面高度图中波浪拥包的波峰区域和波谷区域。
第六步,道面高度图的左下角为原点,所述提取框的左上角坐标为(boxTL_h,boxTL_w),且右下角坐标为(boxBR_h,boxBR_w)。用中值滤波器对波峰区域和波谷区域之间的中心地带进行融合,中心地带的表达式为:
boxTL_h’=boxTL_h+a*(boxBR_h-boxTL_h)
boxTL_w’=boxTL_w+a*(boxBR_w-boxTL_w)
boxBR_h’=boxTL_h+(1.0-a)*(boxBR_h-boxTL_h)
boxBR_w’=boxTL_w+(1.0-a)*(boxBR_w-boxTL_w)
其中,a用于描述选取框中心地带大小的系数,取值范围∈(0.1,0.4);a取值越大,中心地带就越小,本实施例中a优选取值为0.2。
第七步,将第五步的波峰区域和波谷区域进行融合,在第六步中的提取框中采用尺寸为25的中值滤波器进行滤波,提取得到波浪拥包的轮廓线,如图7至图9所示。
本实施例通过波浪拥包的像素区域和像元精度(从采集设备规格中获得),就能够计算出波浪拥包的面积属性;通过MaxHeight和MinHeight,就能计算出波浪拥包的高差属性。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (2)
1.一种道面图像波浪拥包的轮廓线提取方法,其特征在于,包括以下步骤:
采集含有波浪拥包的道面高度图;
采用深度学习的目标检测网络在道面高度图中检测波浪拥包的提取框,并向该提取框的四周延伸出一个线宽为L的口字形状提取框;所述波浪拥包置于所述提取框内;所述L为大于0的自然数;
在提取框内求得道面高度图的高度最高像素点MaxHeight和高度最低像素点MinHeight;求得提取框内道面平均像素值AvgHeight;
预设提取框内的容忍度区间Tolerance,结合高度最高像素点MaxHeight、高度最低像素点MinHeight和道面平均像素值AvgHeight求得波峰矫正阈值ThresholdPeak和波谷矫正阈值ThresholdValley;
根据波峰矫正阈值ThresholdPeak和波谷矫正阈值ThresholdValley,并利用图像二值化提取道面高度图中波浪拥包的波峰区域和波谷区域;
融合波峰区域和波谷区域,并采用尺寸为S的中值滤波器进行滤波,提取得到波浪拥包的轮廓线;所述S为大于0的自然数;
所述波峰矫正阈值ThresholdPeak和波谷矫正阈值ThresholdValley的表达式为:
ThresholdPeak=AvgHeight+Tolerance*(MaxHeight-AvgHeight)
ThresholdValley=AvgHeight+Tolerance*(MinHeight-AvgHeight)其中,AvgHeight表示提取框内的平均像素值;
所述道面高度图的左上角为原点,所述提取框的左上角坐标为(boxTL_h,boxTL_w),且右下角坐标为(boxBR_h,boxBR_w);
还包括利用中值滤波器对波峰矫正阈值ThresholdPeak对应的区域和波谷矫正阈值ThresholdValley对应的区域之间的中心地带进行融合,所述中心地带的表达式为:
boxTL_h’=boxTL_h+a*(boxBR_h-boxTL_h)
boxTL_w’=boxTL_w+a*(boxBR_w-boxTL_w)
boxBR_h’=boxTL_h+(1.0-a)*(boxBR_h-boxTL_h)
boxBR_w’=boxTL_w+(1.0-a)*(boxBR_w-boxTL_w)
其中,a表示中心地带的大小系数,其取值范围为0.1~0.4。
2.根据权利要求1所述的一种道面图像波浪拥包的轮廓线提取方法,其特征在于,所述中值滤波器的尺寸S取值为25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110824205.1A CN113537093B (zh) | 2021-07-22 | 2021-07-22 | 一种道面图像波浪拥包的轮廓线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110824205.1A CN113537093B (zh) | 2021-07-22 | 2021-07-22 | 一种道面图像波浪拥包的轮廓线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537093A CN113537093A (zh) | 2021-10-22 |
CN113537093B true CN113537093B (zh) | 2023-06-16 |
Family
ID=78100686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110824205.1A Active CN113537093B (zh) | 2021-07-22 | 2021-07-22 | 一种道面图像波浪拥包的轮廓线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537093B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445331A (zh) * | 2021-12-21 | 2022-05-06 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5761337A (en) * | 1993-05-13 | 1998-06-02 | Sharp Kabushiki Kaisha | Method and apparatus for inspection of the appearance of bumps |
CN101565925A (zh) * | 2009-05-13 | 2009-10-28 | 河南省高等级公路养护工程研究中心 | 路面病害调查处理方法 |
CN103778681A (zh) * | 2014-01-24 | 2014-05-07 | 青岛秀山移动测量有限公司 | 一种车载高速公路巡检系统及数据获取和处理方法 |
CN106296670A (zh) * | 2016-08-02 | 2017-01-04 | 黑龙江科技大学 | 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法 |
CN106919915A (zh) * | 2017-02-22 | 2017-07-04 | 武汉极目智能技术有限公司 | 基于adas系统的地图道路标记及道路质量采集装置及方法 |
CN107883891A (zh) * | 2017-12-27 | 2018-04-06 | 长安大学 | 一种沥青路面拥包多维度特征指标识别方法 |
CN112950777A (zh) * | 2021-02-26 | 2021-06-11 | 西南林业大学 | 一种度量地形复杂程度的栅格化曲面的构建方法及系统 |
-
2021
- 2021-07-22 CN CN202110824205.1A patent/CN113537093B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5761337A (en) * | 1993-05-13 | 1998-06-02 | Sharp Kabushiki Kaisha | Method and apparatus for inspection of the appearance of bumps |
CN101565925A (zh) * | 2009-05-13 | 2009-10-28 | 河南省高等级公路养护工程研究中心 | 路面病害调查处理方法 |
CN103778681A (zh) * | 2014-01-24 | 2014-05-07 | 青岛秀山移动测量有限公司 | 一种车载高速公路巡检系统及数据获取和处理方法 |
CN106296670A (zh) * | 2016-08-02 | 2017-01-04 | 黑龙江科技大学 | 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法 |
CN106919915A (zh) * | 2017-02-22 | 2017-07-04 | 武汉极目智能技术有限公司 | 基于adas系统的地图道路标记及道路质量采集装置及方法 |
CN107883891A (zh) * | 2017-12-27 | 2018-04-06 | 长安大学 | 一种沥青路面拥包多维度特征指标识别方法 |
CN112950777A (zh) * | 2021-02-26 | 2021-06-11 | 西南林业大学 | 一种度量地形复杂程度的栅格化曲面的构建方法及系统 |
Non-Patent Citations (1)
Title |
---|
Automated extraction of hydrographically corrected contours for the conterminous United States: the US Geological Survey US Topo product;Samantha T. Arundel等;《CARTOGRAPHY AND GEOGRAPHIC INFORMATION SCIENCE》;第45卷(第1期);31-55 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537093A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hui et al. | Road centerline extraction from airborne LiDAR point cloud based on hierarchical fusion and optimization | |
CN102663382B (zh) | 基于子网格特征自适应加权的视频图像文字识别方法 | |
Fitton et al. | Optimising the application of the Hough transform for automatic feature extraction from geoscientific images | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN106682629A (zh) | 一种复杂背景下身份证号识别算法 | |
CN108197583A (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
Beumier et al. | Digital terrain models derived from digital surface model uniform regions in urban areas | |
CN113537093B (zh) | 一种道面图像波浪拥包的轮廓线提取方法 | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
CN112508386A (zh) | 一种夜光与poi数据融合的城市建成区提取方法 | |
CN112184725B (zh) | 一种沥青路面图像的结构光光条中心提取方法 | |
CN104537342A (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN111476723B (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
Nex et al. | Automatic roof outlines reconstruction from photogrammetric DSM | |
Pessina et al. | A GIS procedure for fast topographic characterization of seismic recording stations | |
CN106709952A (zh) | 一种显示屏幕的自动标定方法 | |
CN108615452B (zh) | 一种基于人车轨迹点多分辨率处理的未知道路提取方法 | |
Pfeifer et al. | LiDAR data filtering and digital terrain model generation | |
CN109815961A (zh) | 一种基于局部纹理二值模式的路面修补类病害检测方法 | |
Lee et al. | Extraction of weather information on road using CCTV video | |
CN102682293B (zh) | 基于图像的回旋体玻璃瓶凸点模具号识别方法及其系统 | |
CN113240735A (zh) | 一种边坡位移活动性监测方法 | |
Li et al. | Automatic extraction of roads from high resolution aerial and satellite images with heavy noise | |
Bretar | Feature extraction from LiDAR data in urban areas |
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 |