CN113763357A - 基于可见光影像的矿区地裂缝精准识别与连续提取方法 - Google Patents
基于可见光影像的矿区地裂缝精准识别与连续提取方法 Download PDFInfo
- Publication number
- CN113763357A CN113763357A CN202111048411.4A CN202111048411A CN113763357A CN 113763357 A CN113763357 A CN 113763357A CN 202111048411 A CN202111048411 A CN 202111048411A CN 113763357 A CN113763357 A CN 113763357A
- Authority
- CN
- China
- Prior art keywords
- ground
- crack
- extraction
- image
- growth
- 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 129
- 238000005065 mining Methods 0.000 title claims abstract description 21
- 230000012010 growth Effects 0.000 claims abstract description 107
- 230000011218 segmentation Effects 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000003708 edge detection Methods 0.000 claims abstract description 18
- 230000002093 peripheral effect Effects 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 19
- 230000000877 morphologic effect Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- NQLVQOSNDJXLKG-UHFFFAOYSA-N prosulfocarb Chemical compound CCCN(CCC)C(=O)SCC1=CC=CC=C1 NQLVQOSNDJXLKG-UHFFFAOYSA-N 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035040 seed growth Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012800 visualization 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
- G06T5/70—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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于可见光影像的矿区地裂缝精准识别与连续提取方法，适用于矿区遥感使用。获取待检测矿区的高分辨率可见光影像，然后基于传统边缘检测算法对待检测矿区的高分辨率可见光影像进行地裂缝粗提取，用粗提取获得的边缘像素作为地裂缝分割边界，提高分割的效率同时提取地裂缝的部分像元，快速分割获得地裂缝边界像素，再结合基于面向对象的技术实现地裂缝精细提取；针对提取过程中出现的地裂缝呈现非连续性线性特征问题，通过相似性准则对精提取地裂缝像素的周边像素进行筛选来实现地裂缝的局部增长。其步骤简单，快速高效，使用提取相似性准则来实现地裂缝的局部增长，能够有效提高目标地物的提取完整度。
Description
技术领域
本发明涉及一种矿区地裂缝精准识别与连续提取方法，尤其适用于矿区遥感使用的一种基于可见光影像的矿区地裂缝精准识别与连续提取方法。
背景技术
矿区地表裂缝的产生，是由采空区上覆岩层移动与表土层形变耦合的结果，是煤矿典型的非线性力学灾害形式之一。矿区地裂缝对土地生态、建筑设施、交通线路、水体等造成不同程度的破坏，并引发地质灾害。因此实现对地表裂缝发育形态及分布特征的快速、准确地识别及提取，可为后续分析地裂缝产生原因以及量化评估其影响程度提供可靠保证，从而进一步对矿区开采活动安全及矿区生态后期修复治理等方面提供参考价值。
目前地质裂缝识别与提取的方法主要分为：目视解译、半自动及全自动。目视解译是常用的现状地物提取方式，通过目标影像的人工识别结合实地调查的现场结果在总体影像上绘制线状地物，该方式耗费时间长，且目标提取的正确率依赖影像的分辨率。针对提取效率低与人工引入目视误差等问题，使用半自动和自动提取的方法可有效提高线状地物识别与提取的准确性与高效性。其中半自动方法通常使用相关过滤器来实现线性特征的提取，如：一阶微分算子法(Sobel、Prewitt、Canny等)、二阶微分算子法(Laplacian算子、LoG算子等)及数学形态学过滤器。各边缘检测过滤器是基于灰度之间的突变来分割图像常用的方法，但它们会因受限于各用户因自身经验而采用不同阈值分割，导致其结果在可靠性与准确度上受到不同程度的影响。而在自动化实现线性地物的识别与提取工作方面，现科学界的主流方法为将边缘检测过滤器结合Hought/Randon变换来实现，但提取精度与效率不够稳定。
其中基于像素灰度变化检测的边缘过滤器可以从高分辨率的无人机图像中一定程度上实现对地面裂缝的提取，但基于各算子间的不同构造方法，对不同类型的地面裂缝的适应性有所差异。一阶微分算子较适合灰度渐变和噪声较多的图像处理，能够较准确检测到边缘信息，具有方向性。而二阶微分算子在图像中虽然比一阶微分算子的边缘定位更准确，但对噪声敏感，且不具备方向性，容易发生部分边缘丢失的情况。但他们的提取结果具有一定的相似性，主要表现为：1)这些运算符只能检测裂缝外边缘像素，而无法提取真实裂缝像素。2)对灰度梯度小的像素不敏感。且在开采沉陷区，破碎的土壤、坑洞、枯草等的边缘通常被识别为地面裂缝，且部分植被的光谱曲线并不总是满足绿色植被的正常光谱曲线模式。
发明内容
针对现有技术的不足之处，提供一种针对当前矿区地表裂缝提取中存在的野外工作量大，传统手段在数据获取及数据分析上存在局限性而导致地裂缝的提取精度差及提取完整度不高的问题，以及在实际提取过程中出现的地裂缝呈现非连续性线性特征问题，提取相似性准则来实现地裂缝的局部增长，提高目标地物的提取完整度的基于可见光影像的矿区地裂缝精准识别与连续提取方法。
为实现上述技术目的，本发明的基于可见光影像的矿区地裂缝精准识别与连续提取方法，首先采用无人机获取待检测矿区的高分辨率可见光影像，然后基于传统边缘检测算法对待检测矿区的高分辨率可见光影像进行地裂缝粗提取，用粗提取获得的边缘像素作为地裂缝分割边界，提高分割的效率同时提取地裂缝的部分像元，快速分割获得地裂缝边界像素，再结合基于面向对象的技术实现地裂缝精细提取；之后针对提取过程中出现的地裂缝呈现非连续性线性特征问题，通过相似性准则对精提取地裂缝像素的周边像素进行筛选来实现地裂缝的局部增长，提高目标地物的提取完整度。
具体步骤如下：
S1首先利用无人机拍摄待检测矿区的高分辨率RGB可见光影像，然后将高分辨率RGB可见光影像从RGB色彩空间转换至HSI色彩空间，增强地裂缝与周边地物的色彩差异；
S2采用基于一阶微分算子的边缘检测算法对RGB色彩空间及HSI色彩空间下的高分辨率可见光影像进行地裂缝初步提取，以减少不具备线性特征的地物对地裂缝提取工作的干扰；所使用的一阶微分算子为Sobel算子和Prewitt算子；通过对比Sobel算子和Prewitt算子在RGB色彩空间及HSI色彩空间下的提取效果，确定RGB色彩空间及HSI色彩空间下的最佳检测算子及最佳分割阈值，选择HSI色彩空间下的影像中地裂缝的粗提取结果；
S3将粗提取的HSI色彩空间下影像中裂缝像元作为精细提取的边界条件叠加至RGB色彩空间的影像上，采用小尺度的多尺度的分割算法对影像再次进行分割，并将RGB色彩空间的影像中地裂缝的光谱特征与形态特征进行有效组合，实现地裂缝种子点精细提取的同时抑制噪声点的产生；
S4采用面向对象的技术对原始影像进行地裂缝的精细化提取工作，通过结合基于对象的区域增长算法进行局部裂缝的增长，从而改善可见光影像中地裂缝与环境背景反差弱的而呈现出非连续线状特征，实现地裂缝的精细化、连续化提取；具体通过计算地裂缝种子点对象与周边临近对象的外接最小矩形距离，即计算各对象外接最小矩形之间的距离，选择合适的距离阈值建立地裂缝种子点的初始生长区，结合地理学上的空间相似性与地物光谱相似性来筛选满足条件的像元，增强地裂缝的连续线性特征表达。
地裂缝精细化提取具体包括：
1)影像分割：常规情况下影像分割是将影像中组成的所有分量共同参与分割，但因不同分量间存在一定的特征差异性，在实际分割过程中，使得分割效率降低的同时也容易造成一定的分割误差，因此需要分析各单分量影像中地裂缝的空间形态特征；在HSI色彩空间下，通过人工判别H、S、I三分量影像中所包含的地裂缝线性形态的完整性以及周边地物对地裂缝的干扰程度等因素来确定较好的分量影像，选择H分量和S分量进行影像分割，利用多尺度分割算法实现地裂缝轮廓形态与地裂缝像素的合并；
2)地裂缝种子点的选取：通过分割影像得到地裂缝基础形态特征后，结合地裂缝的光谱信息及地裂缝的主方向特征得到地裂缝的初始种子点；
3)种子点生长区的建立：以地裂缝的初始种子点为中心，以距离准则确定生长区的空间半径，从而将因光谱特征差值超出分割算法阈值而未融合进种子点区域的地裂缝像元包含进生长区域；计算种子点对象的最小外接矩形到邻近对象最小外接矩形的距离，通过设置合适的距离阈值将在该阈值范围内的对象块包含在生长区中；
4)生长区内种子点生长：通过结合地理学上的空间相似性特征与实体对象的光谱特征进行综合分析确定初始种子点的生长：首先获取初始种子点的邻近对象并将其为种子生长区；然后对种子生长区范围进行四叉树分割，分割尺度为1，通过设置种子点对象与邻近对象，即单像素对象的像素距离来进一步约束地裂缝像元形态生长边界，从而确保种子点得到生长的同时，减少地裂缝种子点生长形态与真实地理形态上的误差；最后对生长区内的像元进行组合条件筛选，并将满足条件的像元合并到初始种子点中，使得部分裂缝区由离散状态变成连通状态，实现地裂缝的精细化提取。
影像分割：
使用的多尺度分割算法参数选取为：Scale parameter＝60，Shape＝0.5，Compactness＝0.5，实现地裂缝轮廓形态与地裂缝像素合并的最佳平衡。
初始种子点的选取：
根据HSI色彩空间下影像中各单波段下地裂缝像元的光谱特征及形态特征，采用HSI影像中的I分量：179≤I分量≤254，对地裂缝进行初始筛选，在该条件下HSI影像中的地裂缝形态被提取，之后依次叠加地裂缝的主方向特征：90<Main direction<152，地裂缝的亮度特征：Brightness≥146用以消除部分噪声点，从而获得纯净的初始地裂缝种子点。
基于对象的区域增长算法建立并选择种子点的生长区：
采用种子点对象最小外接矩形与邻近对象最小外接矩形的距离为空间范围准则，以地裂缝种子点为中心，以距离准则确定生长区空间范围，从而将因光谱特征差值超出分割算法阈值而未融合进种子点区域的地裂缝像元包含进生长区域；
首先以种子点的邻近对象为种子点初始生长区，获得初始地裂缝种子点生长区，所建生长区包含未合并到裂缝种子点的像元，使得部分相邻裂缝种子由分离状态变为连通状态，采用形态长宽比特征：Length/Width≥3，对子点生长区进行初步筛选以减少噪声点；将HSI影像的I分量：179≤I分量≤254，筛选后获得的粗略提取结果图作为模板，使用该模板的图层layer 1：0≤layer 1≤4，作为筛选条件，并结合RGB影像中地裂缝的主方向特征：68<Main direction<152，重新进行种子点的细化提取，从而消除种子点中噪声产生的干扰生长区同时规整生长区边界细节形态；
为适当减弱因同谱异物应及影像分割尺度过大导致生长区边缘形态不佳及边界范围较混乱的影响，在初始影像分割的基础上使用小尺度参数的多尺度分割算法进行精细分割，其分割尺度从初始的60转换至10，其形状因子与紧致度因子保持不变，依旧保持为0.5、0.5，以规整地裂缝生长区轮廓的细节形态；
最后通过预设距离阈值将地裂缝种子点邻近的区域作为种子点生长区，该生长区为地裂缝像元的筛选、像元合并提供合理的筛选范围，后采用Brightness特征：Brightness≥146，对生长区进行筛选，而进一步获得有效裂缝生长区范围，减弱噪声点生长区干扰。
种子点生长步骤如下：
首先设定距离种子点为5个像素的邻近区域作为满足种子点生长初步范围，在生长区域内采用基于对象的区域增长策略来筛选目标裂缝像元：通过对粗提取的2255个地裂缝初始种子点的RGB分量特征值进行统计与分析，得出：R、G、B三分量的偏度均为正偏斜，且R、G、B三分量统计特征存在明显的“尾长效应”；
利用下式计算出相似性准则参量defi(x,y)：
式中k1:k2:k3＝0.33:0.37:0.3，并将加权平均数特征值(88.17，89.73，85.32)作为相似准则的种子点(r,g,b)，种子点(r,g,b)指选定的具体RGB数值，对各分量进行归一化计算后，defi(x,y)的数值较小，相似性准则参量的系数值取值为：k1＝33,k2＝37,k3＝30。
代入上述参数为：
设置偏差阈值条件：0≤τ≤20筛选出满足条件的像元，将筛选所得的像元合并使得部分裂缝区由离散状态变成连通状态,融合后的连续线性形态特征更符合现实地裂缝形态，但部分裂缝因彼此间距离过长及遮挡严重的情况，部分地裂缝无法生长成连续的状态。
有益效果：
(1)通过将RGB色彩空间转换到HSI色彩空间，增强了地裂缝与周边地物的色彩差异，并由实验确定不同边缘检测算子对地裂缝的提取效果，表明在HSI色彩空间下的边缘分割效果具有良好的稳定性与适应性，并通过量化分析确定HSI色彩空间下的最佳边缘检测算子及对应的最佳分割阈值。
(2)较好解决了地裂缝在光谱同质像元合并与外廓形态相互影响的问题。将粗提取的裂缝像元作为精细提取的边界条件叠加至RGB影像上，采用小多尺度的分割算法对影像再次进行分割，并将影像中地裂缝的光谱特征(Brightness特征)与形态特征(maindirection特征)进行有效组合，实现了地裂缝种子点精细提取的同时也极大抑制噪声点的产生。
(3)通过计算地裂缝种子点对象与周边对象的外接最小矩形距离，选择合适的距离阈值来有效建立地裂缝种子点的初始生长区，结合地理学上的空间相似性与地物光谱相似性来筛选满足条件的像元，增强地裂缝的连续线性特征表达。给解决可见光影像中地裂缝因与环境背景反差弱的而呈现出非连续线状特征表达的问题提供了新思路。
优点：将传统基于像元的边缘检测算法与面向对象的提取方法相结合，将二者优势充分发挥的同时消除单一方法的劣势。利用粗提取的结果作为其分割边界，可快速分割获得地裂缝边界，提高分割的效率同时也弥补传统边缘检测无法提取地裂缝像元的缺点。提出像元相似性准则实现地裂缝的增长，给解决可见光影像中地裂缝因与环境背景反差弱的而呈现出非连续线状特征表达的问题提供了新思路。
附图说明
图1为本发明方法研究区影像的原始RGB影像图；
图2为本发明方法研究区影像在HSI色彩空间下的影像图；
图3为本发明方法的裂缝影像分割局部图；
图4(a)为本发明中地裂缝种子点提取的I值特征提取示意图；
图4(b)为本发明中地裂缝种子点提取的叠加Main direction特征示意图；
图4(c)为本发明中地裂缝种子点提取的叠加Brightness特征示意图；
图5(a)为本发明中种子点生长区的始地裂缝种子点缓冲区示意图；
图5(b)为本发明中种子点生长区的叠加形态长宽比特征示意图；
图5(c)为本发明中种子点生长区进行种子点细化处理示意图；
图5(d)为本发明中种子点生长区的种子点初始生长区示意图；
图5(e)为本发明中种子点生长区叠加Brightness特征示意图；
图6(a)为本发明中种子点的R通道分布示意图；
图6(b)为本发明中种子点的G通道分布示意图；
图6(c)为本发明中种子点的B通道分布示意图；
图7(a)为本发明中裂缝精细提取示中的裂缝区像元筛选示意图；
图7(b)为本发明中裂缝精细提取示中的裂缝区像元筛选局部细节示意图；
图7(c)为本发明中裂缝精细提取示中的种子点融合图示意图；
图8本发明中进行目视解译从获得连续的地裂缝形态影像叠加图；
图9本发明中裂缝形态及采样分布示意图；
具体实施方式
下面结合具体的实施例对本发明作进一步的说明，但并不局限于此。
本发明的一种基于可见光影像的矿区地裂缝精准识别与连续提取方法，首先采用无人机获取待检测矿区的高分辨率可见光影像，然后基于传统边缘检测算法对待检测矿区的高分辨率可见光影像进行地裂缝粗提取，用粗提取获得的边缘像素作为地裂缝分割边界，提高分割的效率同时提取地裂缝的部分像元，快速分割获得地裂缝边界像素，再结合基于面向对象的技术实现地裂缝精细提取；之后针对提取过程中出现的地裂缝呈现非连续性线性特征问题，通过相似性准则对精提取地裂缝像素的周边像素进行筛选来实现地裂缝的局部增长，提高目标地物的提取完整度。
具体步骤如下：
S1首先利用无人机拍摄待检测矿区的高分辨率RGB可见光影像，然后将高分辨率RGB可见光影像从RGB色彩空间转换至HSI色彩空间，增强地裂缝与周边地物的色彩差异；
S2采用基于一阶微分算子的边缘检测算法对RGB色彩空间及HSI色彩空间下的高分辨率可见光影像进行地裂缝初步提取，以减少不具备线性特征的地物对地裂缝提取工作的干扰；所使用的一阶微分算子为Sobel算子和Prewitt算子；通过对比Sobel算子和Prewitt算子在RGB色彩空间及HSI色彩空间下的提取效果，确定RGB色彩空间及HSI色彩空间下的最佳检测算子及最佳分割阈值，选择HSI色彩空间下的影像中地裂缝的粗提取；
S3将粗提取的HSI色彩空间下影像中裂缝像元作为精细提取的边界条件叠加至RGB色彩空间的影像上，采用小尺度的多尺度的分割算法对影像再次进行分割，并将RGB色彩空间的影像中地裂缝的光谱特征与形态特征进行有效组合，实现地裂缝种子点精细提取的同时抑制噪声点的产生；
S4采用面向对象的技术对原始影像进行地裂缝的精细化提取工作，通过结合基于对象的区域增长算法进行局部裂缝的增长，从而改善可见光影像中地裂缝与环境背景反差弱的而呈现出非连续线状特征，实现地裂缝的精细化、连续化提取；具体通过计算地裂缝种子点对象与周边临近对象的外接最小矩形距离，即计算各对象外接最小矩形之间的距离，选择合适的距离阈值建立地裂缝种子点的初始生长区，结合地理学上的空间相似性与地物光谱相似性来筛选满足条件的像元，增强地裂缝的连续线性特征表达。
RGB色彩空间转换：
RGB可见光影像中的红(Red)、绿(Green)、蓝(Blue)的三波段数值转换到HSI(Hue-Saturation-Intensity)色彩空间的几何推导法如下：
色调H(Hue)分量：
其中：θ为HIS色彩模型中的绕轴角度。
饱和度S(Saturation)分量:
亮度I(Intensity)分量:
基于对象的区域增长算法：
区域增长算法本质是通过寻找种子像素来确定增长起始点，使用一定的相似准则为判断条件，使得种子点周边领域内满足相似准则的像素点合并到种子点区域内，直到不满足像素合并准则后停止合并操作。区域增长算法的关键在于种子点的选取及增长策略的适用性。
种子点选取策略
在区域增长分割的算法中，为提高地裂缝生长效率，本发明先对影像进行边缘检测算法来实现地裂缝的粗提取，后结合面向对象的方法实现对地裂缝的精细提取。将精提取的地裂缝作为区域增长算法的起始种子点。
增长策略：
在确定合适的地裂缝种子点后，采用适宜的相似判断准则对地裂缝种子点生长至关重要。通过统计地裂缝对象种子点的相关RGB特征值，依据加权平均的思想，将各频段下的统计频率当作权值进行加权求平均值
如式(5)，并分别统计其中位数(rmid,gmid,bmid)及众数(rmode,gmode,bmode)基本特征，后计算周边像元的RGB值与裂缝种子点特征点的相似性参量。
式中：(Rj(x,y),Gj(x,y),Bj(x,y))分别为质心坐标为(x,y)的种子点对象j的R,G,B通道的分量值。N为种子点对象统计总数。i表示种子点对象所在的频段数，k为总频段数，wi为频段i下对应的权值，满足
m表示为频段数i中的种子点总数。
为合理评价裂缝像元与其相邻对象的相似性，采用参量defi(x,y)如式(6)作为评价指标。
为设置较为合理的权值，将各特征分量的形态分布作为权值的主要评价指标。使用偏度(Skewness)与峰度(Kurtosis)来评价各分量之间的特性分布，其中：偏度是统计数据分布偏斜方向和程度的度量，是分析数据分布非对称程度的数字特征。而峰度是描述变量所有取值分布形态陡缓程度的统计量，公式如下：
偏度：
峰度：
权值比例计算：
式(6)中：(max(Rj(x,y)),min(Rj(x,y)),(max(Gj(x,y),min(Gj(x,y))及(max(Bj(x,y),min(Bj(x,y))分别表示为裂缝种子点的在RGB三分量中的最大值与最小值，(r,g,b)为裂缝种子点在RGB色彩空间下的相关特征值。(k1,k2,k3)为RGB三分量的权值，其权值大小与所选裂缝种子点在各分量下的特征分布偏度K呈正相关。式(7)～式(9)中：(μ,σ)分别代表分量均值及对应的标准差,wi为对应的权值，通常取值为1，n为统计量总数，Xi为实验数据值。
种子点生长停止：假设相邻像素点与裂缝种子点之间的最大偏差阈值为τ，通过遍历整个生长区域像素，将满足偏差阈值小于或等于的像素判断为裂缝像素，并将该像素合并；而将大于偏差阈值的像素判断为非裂缝像素。
指标敏感度评估：对比不同相似指标下的评估效果，获得较适宜的指标。
地裂缝的粗提取：
首先进行影像的HSI变换：如图1和图2所示，在RGB色彩空间下，研究区影像部分地裂缝因绿色植被覆盖而导致形态特征无法清晰识别以及各地物间对比度较差的问题。为增强地裂缝及周边地物在人工识别上的光谱特征差异特征，对可见光影像各波段进行数学形式转换，将影像从RGB色彩空间转换至HSI色彩空间，将转换后的影像分解为色调(H)分量、饱和度(S)分量、亮度(I)分量，实现不同地物在色彩空间域上的多样性表达，便于对地裂缝的光谱特征进行深度挖掘。
然后实现基于的地裂缝粗提取：边缘探测是基于灰度突变来分割图像常用的方法。通过对原始RGB影像及转换至HSI色彩空间下的影像分别采用基于Sobel算子、Prewitt算子的边缘检测算法进行地裂缝初步提取，减少不具备线性特征的地物对地裂缝提取工作的干扰。在进行裂缝提取时，通过对比各检测算子的地裂缝提取效果及不同色彩空间对各算子的提取影响，确定不同色彩空间下的最佳检测算子及最佳分割阈值，实现影像中地裂缝的初步提取。
在相同的色彩空间下，Sobel算子裂缝提取效果优于Prewitt算子，但Sobel算子在将具有线性特征的地裂缝完整提出的同时，也引入了沟壑边界及植树规划区边界等噪声信息。在RGB色彩空间中，由于植被的光谱信息所造成的噪声明显，噪声分布呈现无序状态，对地裂缝的识别及连续性提取产生明显干扰。而HSI色彩空间影像中，各地物间的聚类性及空间分布差异性增强明显，地裂缝的空间连续性识别上具有明显改善效果。
为合理量化、评估不同方法的提取效果，灰度值分别设为0，32，64，96的像元为非裂缝像元，而灰度值对应为159，191，223，255的像元包含地裂缝主体像元(包含少量因分割精度而产生的噪声像元)。对基于Sobel算子与Prewitt算子分割后的影像进行裂缝像元统计得：分别占比4.8％和4.2％。可得：基于Sobel算子的提取度高于Prewitt算子的提取(4.8％>4.2％)更完整地提取出地裂缝。对上述实验结果比对分析可知：1)基于相同的边缘检测算子的情况下，在HSI色彩空间下的分割效果相比RGB色彩空间下的分割效果更稳定；2)在HSI色彩空间下，经两种算子分割后的地裂缝像元灰度值具有相同的阈值；3)在地裂缝灰度特征的波峰及其像元占比上，基于Sobel算子分割的提取完整度高于Prewitt算子分割的提取完整度。
基上述分析结果，采用在HSI色彩空间下基于Sobel算子分割后的地裂缝粗提取结果为地裂缝精提取的边界限制条件。
再进行地裂缝的精细提取：采用边缘检测算法实现了地裂缝的初步提取，但提取的裂缝影像中包含噪声点，且提取的部分裂缝因与环境背景反差弱而呈现出非连续特征。针对噪声干扰及地裂缝提取不连续等问题，采用面向对象的区域增长算法来实现地裂缝的精细化提取以及局部的连续化提取。实现地裂缝精细化、连续化提取的关键步骤主要为：1)影像分割；2)地裂缝种子点的确定；3)种子点生长区的建立；4)生长区内种子点生长。
影像分割：
影像分割是面向对象分类的基础，分割效果的好坏对地裂缝种子点的边缘形态特征起着关键作用，很大程度上决定了分类对象的提取精度。为减少噪声光谱信息对地裂缝提取干扰，在HSI色彩空间下，通过人工判别三分量(H、S、I)影像中所包含的地裂缝线性形态的完整性以及周边地物对地裂缝的干扰程度等因素来确定较好的分量影像，选取影像的H分量和S分量进行影像分割。使用多尺度分割算法较好的实现地裂缝轮廓形态与地裂缝像素合并的最佳平衡。经实验对比，多尺度分割算法参数选取为：Scale parameter＝60，Shape＝0.5，Compactness＝0.5。该分割结果较好的解决了地裂缝像元合并及地裂缝外延轮廓形态的问题，影像裂缝分割局部效果如图3。从图3中可以看出，该算法较好地实现了地裂缝的精细化分割，但因“同谱异物”效应[35]，部分地裂缝边缘存在像元分割不精准的情况。
种子点选取
通过分割影像得到地裂缝基础形态特征后，结合地裂缝光谱信息得到地裂缝的初始种子点。根据HSI色彩空间下影像中各单波段下地裂缝像元的光谱特征及形态特征，并经多次实验组合分析对比后，将采用HSI影像的第3分量(I分量)(179≤I分量≤254)作为初始裂缝筛选条件，在该条件下可实现地裂缝形态的完整提取，但同时也提取了大量噪声点，如图4(a)所示。为消弱噪声点的干扰，依次叠加地裂缝的主方向特征(90<Main direction<152)如图4(b)所示、地裂缝的亮度特征(Brightness≥146)如图4(c)所示，获得较为纯净的初始地裂缝种子点。从图4(a)-4(c)中看出：依次叠加不同特征条件后，种子点噪声得到较大抑制的同时部分种子点也因条件筛选而被消除。
生长区建立与选择
种子点生长区核心思想为：以地裂缝种子点为中心，以距离准则确定生长区空间范围，从而将因光谱特征差值超出分割算法阈值而未融合进种子点区域的地裂缝像元包含进生长区域，采用种子点对象最小外接矩形与邻近对象最小外接矩形的距离为空间范围准则。
首先以种子点的相邻对象为种子点初始生长区，获得初始地裂缝种子点生长区。如图5(a)所示，所建生长区包含未合并到裂缝种子点的像元，使得部分相邻裂缝种子由分离状态变为连通状态。但因提取的种子点包含大量噪声点，使得所建生长区包含大量噪声点的生长区，因此采用形态长宽比特征(Length/Width≥3)如图5(b)完成对种子点生长区的初步筛选。但从图5(a)、图5(b)可得：所选种子点中因包含较多噪声而产生过多干扰生长区，且因影像分割不够精细使得经筛选后的生长区边界形态不够规整。为较好解决图5(a)、图5(b)中反映的种子点生长效率与种子点噪声之间的矛盾，将HSI影像第3分量I分量(179≤I分量≤254)筛选后获得的粗略提取结果图作为模板。使用该模板的图层layer 1(0≤layer 1≤4)作为筛选条件，并结合在RGB影像中采用地裂缝的主方向特征(68<Maindirection<152)条件重新进行种子点的细化提取工作，如图5(c)所示。
为适当减弱因“同谱异物”效应及影像分割尺度过大导致生长区边缘形态不佳及边界范围较混乱等影响，在初始影像分割的基础上使用小尺度参数的多尺度分割算法进行精细分割。其分割尺度从初始的60转换至10，其形状因子与紧致度因子保持不变，依旧保持为0.5、0.5，该分割结果较好的解决了地裂缝生长区轮廓形态的问题。然后通过设置距离阈值将邻近区域作为种子点生长区如图5(d)所示，该生长区为地裂缝像元筛选、像元合并提供合理的筛选范围。为进一步获得有效裂缝生长区范围，减弱噪声点生长区干扰，采用Brightness特征(Brightness≥146)对生长区进行筛选如图5(e)所示，从如图5(e)中可知：所圈处(ABC)的噪声点生长干扰区被极大抑制，裂缝种子点获得了较精准的生长区范围。
种子点生长：
生长区的建立是地裂缝种子点生长的必要条件，也是地裂缝线性特征连续提取的充分条件。但上述基于计算初始种子点的间距获得的生长区仅考虑到地理学第三定律的空间相似性准则，而未考虑地裂缝实体对象的光谱特征相似性。本发明结合地理学上的空间相似性特征与实体对象的光谱特征进行综合分析确定初始种子点的生长：1)先提取种子点的相邻对象并将其为种子生长区；2)为确保种子点得到生长的同时，减少地裂缝种子点生长形态与真实地理形态上的误差，对种子生长区范围进行四叉树分割(分割尺度为1)，后通过设置种子点对象与相邻对象(单像素对象)的像素距离来进一步约束地裂缝像元形态生长边界；3)对新提取的生长区像元采用组合条件筛选出裂缝像元并对种子点进行合并。
首先将距离种子点为5个像素的邻近区域作为满足种子点生长初步范围，得到图6(a)区域内采用基于对象的区域增长策略来筛选目标裂缝像元。通过对HSI影像中所提取2255个地裂缝种子点的RGB分量特征进行统计与分析，见图6(a)-(c)及地裂缝统计表1，从表1中可以看出，RGB三分量的偏度均为正偏斜，且三分量统计特征存在明显的“尾长效应”。由公式(9)计算相关权值，其权值参数满足关系：k1：k2:k3＝0.33:0.37:0.3。结合公式(5)计算得种子点三分量的加权平均数为(88.17，89.73，85.32)，将之作为相似准则的种子点特征值(r,g,b)代入相似准则式(6)。具体公式如下：
经实验分析后采用偏差阈值0≤τ1≤20，筛选出满足条件的像元如图7(a)所示，图7(b)为像元筛选局部图。将筛选所得的像元合并使得部分裂缝区由离散状态变成连通状态,其融合后的连续线性形态特征更符合现实地裂缝形态。但部分裂缝间的距离过长，地裂缝无法生长成连续的状态。
表1地裂缝种子点特征统计表
精度分析：
为验证本裂缝区提取方法的精度，将精细提取结果图叠加到原始RGB影像上，如图8和图9所示，采用目视解译实现影像可见地裂缝提取以及与本方法提取结果在像素上的统计对比，通过式(13)采用裂缝提取完整度及平均宽度提取精度，两项指标分别评价本方法在裂缝区提取完整度及宽度提取的精度。首先对提取的裂缝进行目视解译从获得连续的地裂缝形态，并基于ArcGIS完成线性裂缝的均匀采样(采样间距为2m)。为综合评价本算法所提取地裂缝的精度，根据地裂缝宽度W特征将其分为三个级别：a)W<10cm；b)10cm≤W≤20cm；c)W>20cm。在各档次中随机选取3条地裂缝，分别对应a(123),b(123),c(123)。统计所选地裂缝中各采样点对应的提取宽度像素值与目视解译像素值，具体分析结果见表2。
提取完整度EC(Extract Completeness)：
线段长度L(Length)：
平均提取完整度AEC(Average Extract Completeness)：
宽度提取精度WEA(Width ExtractAccuracy)：
平均宽度提取精度AWEA(Average Width ExtractAccuracy)：
式(11～15)中：L提取j表示第j条提取的裂缝，因其非连续提取而由多条线段Ltqn组成，Δx,Δy分别表示线段Ltqn始终像元间的坐标差；L目视j表示由k条线段Lmsk组成的连续裂缝；WEAj表示在第j段裂缝中，对该裂缝均匀采样n个点，目视解译出采样点i对应的实际裂缝宽度W目视i和提取宽度W提取i，解算出第j段裂缝的宽度提取精度。N表示裂缝统计条数，取值为3。
表2裂缝区统计表
由表2数据分析可知：在已提取的裂缝样本中，裂缝宽度的增加，提取的裂缝区完整度也不断提高。但在宽度d<10cm的档次中，所选样本的提取完整度之间存在较大的波动，原因在于样本裂缝周边地物类被的灰度值差异相近以及连续形态下的裂缝中存在部分宽度较小等而无法被识别；在宽度提取精度方面，宽度提取精度在80％上下波动，验证了本方法的可靠性。
Claims (7)
1.一种基于可见光影像的矿区地裂缝精准识别与连续提取方法，其特征在于：首先采用无人机获取待检测矿区的高分辨率可见光影像，然后基于传统边缘检测算法对待检测矿区的高分辨率可见光影像进行地裂缝粗提取，用粗提取获得的边缘像素作为地裂缝分割边界，提高分割的效率同时提取地裂缝的部分像元，快速分割获得地裂缝边界像素，再结合基于面向对象的技术实现地裂缝精细提取；之后针对提取过程中出现的地裂缝呈现非连续性线性特征问题，通过相似性准则对精提取地裂缝像素的周边像素进行筛选来实现地裂缝的局部增长，提高目标地物的提取完整度。
2.根据权利要求1所述基于可见光影像的矿区地裂缝精准识别与连续提取方法，其特征在于具体步骤如下：
S1首先利用无人机拍摄待检测矿区的高分辨率RGB可见光影像，然后将高分辨率RGB可见光影像从RGB色彩空间转换至HSI色彩空间，增强地裂缝与周边地物的色彩差异；
S2采用基于一阶微分算子的边缘检测算法对RGB色彩空间及HSI色彩空间下的高分辨率可见光影像进行地裂缝初步提取，以减少不具备线性特征的地物对地裂缝提取工作的干扰；所使用的一阶微分算子为Sobel算子和Prewitt算子；通过对比Sobel算子和Prewitt算子在RGB色彩空间及HSI色彩空间下的提取效果，确定RGB色彩空间及HSI色彩空间下的最佳检测算子及最佳分割阈值，选择HSI色彩空间下的影像中地裂缝的粗提取结果；
S3将粗提取的HSI色彩空间下影像中裂缝像元作为精细提取的边界条件叠加至RGB色彩空间的影像上，采用小尺度的多尺度的分割算法对影像再次进行分割，并将RGB色彩空间的影像中地裂缝的光谱特征与形态特征进行有效组合，实现地裂缝种子点精细提取的同时抑制噪声点的产生；
S4采用面向对象的技术对原始高分辨率RGB可见光影像进行地裂缝的精细化提取工作，通过结合基于对象的区域增长算法进行局部裂缝的增长，从而改善可见光影像中地裂缝与环境背景反差弱的而呈现出非连续线状特征，实现地裂缝的精细化、连续化提取；具体通过计算地裂缝种子点对象与周边临近对象的外接最小矩形距离，即计算各对象外接最小矩形之间的距离，选择合适的距离阈值建立地裂缝种子点的初始生长区，结合地理学上的空间相似性与地物光谱相似性来筛选满足条件的像元，增强地裂缝的连续线性特征表达。
3.根据权利要求2所述的基于可见光影像的矿区地裂缝精准识别与连续提取方法，其特征在于地裂缝精细化提取具体包括：
1)影像分割：常规情况下影像分割是将影像中组成的所有分量共同参与分割，但因不同分量间存在一定的特征差异性，在实际分割过程中，使得分割效率降低的同时也容易造成一定的分割误差，因此需要分析各单分量影像中地裂缝的空间形态特征；在HSI色彩空间下，通过人工判别H、S、I三分量影像中所包含的地裂缝线性形态的完整性以及周边地物对地裂缝的干扰程度等因素来确定较好的分量影像，最终选择H分量和S分量进行影像分割，利用多尺度分割算法实现地裂缝轮廓形态与地裂缝像素合并的最佳平衡；
2)地裂缝种子点的选取：通过分割影像得到地裂缝基础形态特征后，结合地裂缝的光谱信息及地裂缝的主方向特征得到地裂缝的初始种子点；
3)种子点生长区的建立：以地裂缝的初始种子点为中心，以距离准则确定生长区的空间半径，从而将因光谱特征差值超出分割算法阈值而未融合进种子点区域的地裂缝像元包含进生长区域；计算种子点对象的最小外接矩形到邻近对象最小外接矩形的距离，并设置合适的距离阈值将在该阈值范围内的对象块包含在生长区中；
4)生长区内种子点生长：通过结合地理学上的空间相似性特征与实体对象的光谱特征进行综合分析确定初始种子点的生长：首先获取初始种子点的邻近对象并将其为初始种子生长区；然后对初始种子生长区进行四叉树分割，分割尺度为1，通过设置种子点对象与邻近对象的距离，即与单像素对象的像素距离来进一步约束地裂缝像元形态生长边界，从而确保种子点得到生长的同时，减少地裂缝种子点生长形态与真实地理形态上的误差；最后对生长区内的像元进行组合条件筛选，并将满足条件的像元合并到初始种子点中，使得部分裂缝区由离散状态变成连通状态，实现地裂缝的精细化提取。
4.根据权利要求3所述的基于可见光影像的矿区地裂缝精准识别与连续提取方法，其特征在于多尺度分割算法的参数选取为：Scale parameter＝60，Shape＝0.5，Compactness＝0.5，实现地裂缝轮廓形态与地裂缝像素合并的最佳平衡。
5.根据权利要求3所述的基于可见光影像的矿区地裂缝精准识别与连续提取方法，其特征在于：初始种子点的选取，根据HSI色彩空间下影像中各单波段下地裂缝像元的光谱特征及形态特征，采用HSI影像中的I分量：179≤I分量≤254，对地裂缝进行初始筛选，在该条件下HSI影像中的地裂缝形态被提取，之后依次叠加地裂缝的主方向特征：90<Maindirection<152，地裂缝的亮度特征：Brightness≥146用以消除部分噪声点，从而获得纯净的初始地裂缝种子点。
6.根据权利要求3所述的基于可见光影像的矿区地裂缝精准识别与连续提取方法，其特征在于利用基于对象的区域增长算法建立并选择种子点的生长区：
采用种子点对象最小外接矩形与邻近对象最小外接矩形的距离为空间范围准则，以地裂缝种子点为中心，以距离准则确定生长区空间范围，从而将因光谱特征差值超出分割算法阈值而未融合进种子点区域的地裂缝像元包含进生长区域；
首先以种子点的邻近对象为种子点初始生长区，获得初始地裂缝种子点生长区，所建生长区包含未合并到裂缝种子点的像元，使得部分相邻裂缝种子由分离状态变为连通状态，采用形态长宽比特征：Length/Width≥3，对子点生长区进行初步筛选以减少噪声点；使用HSI影像的I分量筛选条件：179≤I分量≤254，并将筛选后获得的粗略提取结果图作为模板，使用该模板的图层layer 1：0≤layer 1≤4，作为筛选条件，并结合RGB影像中地裂缝的主方向特征：68<Main direction<152，重新进行种子点的细化提取，从而消除种子点中噪声产生的干扰生长区同时规整生长区边界细节形态；
为适当减弱因同谱异物应及影像分割尺度过大导致生长区边缘形态不佳及边界范围较混乱的影响，在初始影像分割的基础上使用小尺度参数的多尺度分割算法进行精细分割，其分割尺度从初始的60转换至10，其形状因子与紧致度因子保持不变，依旧保持为0.5、0.5，以规整地裂缝生长区轮廓的细节形态；
最后通过预设距离阈值将地裂缝种子点邻近的区域作为种子点生长区，该生长区为地裂缝像元的筛选、像元合并提供合理的筛选范围，后采用Brightness特征：Brightness≥146，对生长区进行筛选，而进一步获得有效裂缝生长区范围，减弱噪声点生长区干扰。
7.根据权利要求3所述的基于可见光影像的矿区地裂缝精准识别与连续提取方法，其特征在于种子点生长步骤如下：
首先设定距离种子点为5个像素的邻近区域作为满足种子点生长初步范围，在生长区域内采用基于对象的区域增长策略来筛选目标裂缝像元：通过对粗提取的2255个地裂缝初始种子点的RGB分量特征值进行统计与分析，得出：R、G、B三分量的偏度均为正偏斜，且R、G、B三分量统计特征存在明显的尾长效应；
利用下式计算出相似性准则参量defi(x,y)：
式中k1:k2:k3＝0.33:0.37:0.3，并将加权平均数特征值(88.17，89.73，85.32)作为相似准则的种子点(r,g,b)代入defi(x,y)的计算公式，因对各分量进行归一化计算后，defi(x,y)的数值较小，故相似性准则参量的系数值取值为：k1＝33,k2＝37,k3＝30；
代入上述参数得：
设定偏差阈值条件：0≤τ≤20筛选出满足条件的像元，将筛选所得的像元合并使得部分裂缝区由离散状态变成连通状态,融合后的连续线性形态特征更符合现实地裂缝形态，但部分裂缝因彼此间距离过长及遮挡严重的情况，部分地裂缝无法生长成连续的状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111048411.4A CN113763357B (zh) | 2021-09-08 | 2021-09-08 | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111048411.4A CN113763357B (zh) | 2021-09-08 | 2021-09-08 | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113763357A true CN113763357A (zh) | 2021-12-07 |
| CN113763357B CN113763357B (zh) | 2023-11-28 |
Family
ID=78793756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111048411.4A Active CN113763357B (zh) | 2021-09-08 | 2021-09-08 | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113763357B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020090121A1 (en) * | 2000-11-22 | 2002-07-11 | Schneider Alexander C. | Vessel segmentation with nodule detection |
| CN103824309A (zh) * | 2014-03-12 | 2014-05-28 | 武汉大学 | 一种城市建成区边界自动提取方法 |
| 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 |
| CN111507971A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种隧道表面缺陷检测方法 |
| CN112837290A (zh) * | 2021-02-03 | 2021-05-25 | 中南大学 | 一种基于种子填充算法的裂缝图像自动识别方法 |
-
2021
- 2021-09-08 CN CN202111048411.4A patent/CN113763357B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020090121A1 (en) * | 2000-11-22 | 2002-07-11 | Schneider Alexander C. | Vessel segmentation with nodule detection |
| CN103824309A (zh) * | 2014-03-12 | 2014-05-28 | 武汉大学 | 一种城市建成区边界自动提取方法 |
| 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 |
| CN111507971A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种隧道表面缺陷检测方法 |
| CN112837290A (zh) * | 2021-02-03 | 2021-05-25 | 中南大学 | 一种基于种子填充算法的裂缝图像自动识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| LIANG LI 等: "Accurate identifcation and continuous extraction of fssures in loess areas based on unmanned aerial vehicle visible light images", 《ENVIRONMENTAL EARTH SCIENCES》, pages 1 - 19 * |
| SAPTHAGIRIVASAN V 等: "Denoising and Fissure Extraction in High Resolution Isotropic CT Images Using Dual Tree Complex Wavelet Transform", 《2010 2ND INTERNATIONAL CONFERENCE ON SOFTWARE TECHNOLOGY AND ENGINEERING》, pages 1 - 362 * |
| 严世强 等: "基于渗流和区域生长联合分析的红外图像 裂缝病害检测方法", 《现代电子技术》, vol. 43, no. 18, pages 6 - 10 * |
| 吴志聪: "基于无人机影像的采动影响区植被特征变化精细化分析", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2, pages 006 - 2906 * |
| 张晶晶 等: "基于多尺度输入图像渗透模型的桥梁裂缝检测", 《计算机工程》, vol. 43, no. 2, pages 273 - 279 * |
| 李鹏 等: "基于K-means聚类的路面裂缝分割算法", 《计算机工程与设计》, vol. 41, no. 11, pages 3143 - 3147 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113763357B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020258899A1 (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
| WO2016172827A1 (zh) | 一种逐步求精的路面裂缝检测方法 | |
| CN110765934B (zh) | 一种多源数据融合的地质灾害识别方法 | |
| Awrangjeb et al. | Improved building detection using texture information | |
| CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
| CN109584240A (zh) | 滑坡后缘裂缝位移图像识别方法 | |
| CN107314957B (zh) | 一种岩石块度尺寸分布的测量方法 | |
| CN108280812A (zh) | 一种基于图像增强的过火区域提取方法 | |
| CN104463836A (zh) | 一种基于移动窗口的城市绿色空间遥感度量方法 | |
| CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
| CN111274871B (zh) | 基于轻小型无人机的森林火灾林木受损程度提取方法 | |
| CN110838117A (zh) | 一种基于孔壁图像的岩石面孔隙度识别方法 | |
| CN114596495A (zh) | 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 | |
| CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
| Zhan et al. | Quantitative analysis of shadow effects in high-resolution images of urban areas | |
| CN110211128B (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
| CN110796113B (zh) | 一种基于WorldView-2影像的城市蓝色地物检测方法 | |
| CN106650663A (zh) | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 | |
| CN115761493A (zh) | 一种基于组合水体指数频率的水体提取方法 | |
| CN103971367A (zh) | 水文资料图像分割方法 | |
| CN110889834A (zh) | 一种基于云计算的公路隧道围岩分级方法 | |
| CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
| CN107977968A (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
| CN113763357B (zh) | 基于可见光影像的矿区地裂缝精准识别与连续提取方法 | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wu Zhicong Inventor after: Li Liang Inventor after: He Qian Inventor after: Yang Bin Inventor after: Yan Yong Inventor after: Yue Guangbo Inventor before: Li Liang Inventor before: Wu Zhicong Inventor before: He Qian Inventor before: Yang Bin Inventor before: Yan Yong Inventor before: Yue Guangbo |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |