CN113838078B - 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 - Google Patents
采煤塌陷地裂缝的识别与提取方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113838078B CN113838078B CN202111037546.0A CN202111037546A CN113838078B CN 113838078 B CN113838078 B CN 113838078B CN 202111037546 A CN202111037546 A CN 202111037546A CN 113838078 B CN113838078 B CN 113838078B
- Authority
- CN
- China
- Prior art keywords
- image data
- ground
- aerial vehicle
- unmanned aerial
- binary image
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T7/60—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
本公开提供的采煤塌陷地裂缝的识别与提取方法、装置及存储介质,包括:获取多幅含有采煤塌陷地表裂缝的矿区无人机影像数据A;对矿区无人机影像数据A进行预处理,得到矿区无人机影像数据B;计算地物统计特征;使用K‑means聚类方法并结合地物统计特征,从矿区无人机影像B中提取地裂缝,生成二值影像数据B3;对二值影像数据B3进行优化处理,得到二值影像数据C;对二值影像数据C进行击中击不中变换处理,直至二值影像数据C中地裂缝的宽度不再发生变化,得到最终的含有地裂缝的二值影像数据D;根据二值影像数据D计算地裂缝的实际面积、长度和宽度。本公开提取裂缝的精度更高且较为自动化,无需大量训练样本。
Description
技术领域
本公开属于地裂缝的监测领域,特别涉及一种采煤塌陷地裂缝的识别与提取方法、装置及存储介质。
背景技术
我国西部黄土沟壑生态脆弱区具有气候干旱、地表缺水和植被覆盖度低等特征。煤炭开采导致的地裂缝问题尤为突显,同时也造成了地表建筑物变形、地下管道破坏、地下水流失、地面塌陷、耕地损毁、土壤表层含水量降低、植被退化、水土流失等一些列环境问题,给矿区管理工作者带来了极大的困难,是矿区土地复垦的重点工作。因此,必须获得矿区沉陷地表裂缝实时、高精度的分布信息,用来评估地质危害和研究其发育规律,为矿区土地复垦与治理提供有价值的工程信息。无人机影像具有分辨率高、灵活机动、高效快速、作业成本低等显著优势,其分辨率可以达到毫米级,为矿区地裂缝的信息提取提供了有价值的数据源。
目前地裂缝已成为西部矿区最主要的地质灾害,对于地裂缝的监测主要是利用地裂缝监测装置对其进行实地直接测量,需要花费大量的人力、物力及财力,同时监测范围有限,普适性较差。而目前对于地裂缝的而目前对于地裂缝的识别和提取主要是面向对象、边缘检测、阈值分割和人工目视解译,需要大量的训练样本,且都具有很多限制性因素与条件,不能广泛使用。
发明内容
本公开旨在解决上述问题之一。
为此,本公开提出的一种具有高效率、高精度和高实时性的采煤塌陷地裂缝的识别及提取方法,包括以下步骤:
通过无人机摄影获取多幅含有采煤塌陷地表裂缝的矿区无人机影像数据A;
对所述矿区无人机影像数据A进行预处理,得到矿区无人机影像数据B;
计算所述矿区无人机影像数据B的图像梯度变化,以此作为第一地物统计特征,得到矿区无人机影像数据B1;根据所述矿区无人机影像数据B1中各像素点的RGB值判定图像像素是否为同质点,以此作为第二地物统计特征,得到矿区无人机影像数据B2;将所述矿区无人机影像数据B2中各像素点的RGB值作为第三统计特征;
使用K-means聚类方法并结合所述第一地物统计特征、第二地物统计特征和第三统计特征,从所述矿区无人机影像B2中提取地裂缝,生成含有地裂缝的二值影像数据B3;
对所述含有地裂缝的二值影像数据B3进行优化处理,得到含有地裂缝的二值影像数据C;
对所述含有地裂缝的二值影像数据C进行击中击不中变换处理,直至所述二值影像数据C中地裂缝的宽度不再发生变化,得到最终的含有地裂缝的二值影像数据D;根据所述二值影像数据D计算地裂缝的实际面积、长度和宽度。
本公开第一方面实施例提供的采煤塌陷地裂缝的识别及提取方法具有以下特点及有益效果:
本公开第一方面实施例提供的一种基于光学形态和光学特征的无人机地裂缝影像识别与提取方法,解决了在无人机影像地裂缝提取方法中,人工目视解译操作复杂效率低的缺点,面向对象的方法处理效率较低的缺点,边缘检测和阈值分割导致大量噪点产生的缺点,机器学习的聚类分析需要大量学习样本的缺点。本公开基于K-means聚类的地裂缝提取优化算法,提取裂缝的精度高、自动化程度高、利用形态学操作可以有效连接并填充断裂裂缝,去除孤立点和小斑块,获取相对纯净的裂缝影像。并根据裂缝影像结果可以提取出的裂缝的面积、长度和宽度等特征指标。此算法不仅解决了黄土沟壑区的裂缝提取研究受地形地物信息干扰过大的问题,同时可以达到同步、高精度、人为干扰度低的黄土沟壑区地裂缝特征信息的提取,较之以前的方法在实用性、效率性、精确度上面显著提升。
在一些实施例中,所述预处理包括拼接、灰度拉伸和滤波去噪。
在一些实施例中,所述判定图像像素是否为同质点具体为:由所述矿区无人机影像数据B中的中心像素及其周围像素的像素值拟合卡方分布模型,若所述中心像素及其周围像素的像素值均在所述卡方分布模型是置信区间内,则认为该中心像素为同质点。
在一些实施例中在,所述使用K-means聚类方法并结合所述第一地物统计特征、所述第二地物统计特征和所述第三地物统计特征,从所述矿区无人机影像B2中提取地裂缝,生成含有地裂缝的二值影像数据B3,具体包括:
步骤41:将所述矿区无人机影像数据B2作为样本数据集,所述矿区无人机影像数据B2中的每一幅矿区无人机影像作为对应的一个样本;确定要进行分类的数目K=2,即将各样本分为两个类别,分别为地裂缝和非裂缝;
步骤42:从所述样本数据集中随机选取K个样本作为K个初始的类中心;
步骤43:分别计算所述样本数据集中其余每一个样本到K个类中心的距离,若某个样本距离某个类中心的距离较近,则将该样本划分到该某个类集合,共得到K个类集合,并计算每个类集合的均值,作为新的类中心;
步骤44:重复步骤42~步骤43,直到新计算出来的类中心和原类中心之间的距离低于设置的阈值,最终得到含有地裂缝的类集合,以此作为所述含有地裂缝的二值影像数据B1。
在一些实施例中在,所述对含有地裂缝的二值影像数据B3进行的优化处理包括:
对所述含有地裂缝的二值影像数据B3消除噪声,得到含有地裂缝的二值影像数据F;
利用开运算对所述含有地裂缝的二值影像数据F进行线性边缘的光滑操作,得到含有地裂缝的二值影像数据G;
采用主滤波方法对所述含有地裂缝的二值影像数据G进行处理,得到所述含有地裂缝的二值影像数据C。
在一些实施例中,所述根据所述二值影像数据D计算地裂缝的实际面积、长度和宽度,包括:
统计所述二值影像数据D中属于地裂缝的像素点的个数,结合所述二值影像数据D含有的像素点个数和所述二值影像数据D对应的实际区域面积计算地裂缝的实际面积;
根据所述二值影像数据D中属于地裂缝的像素点的个数和各像素点对应的实际长度,得到地裂缝的实际长度;
将地裂缝的实际面积除以地裂缝的实际长度得到地裂缝的实际宽度。
本公开第二方面实施例提供的采煤塌陷地裂缝的识别与提取装置,包括:
数据获取模块,用于通过无人机摄影获取多幅含有采煤塌陷地表裂缝的矿区无人机影像数据A;
预处理模块,用于对所述矿区无人机影像数据A进行预处理,得到矿区无人机影像数据B;
统计特征提取模块,用于计算所述矿区无人机影像数据B的图像梯度变化,以此作为第一地物统计特征,得到矿区无人机影像数据B1;根据所述矿区无人机影像数据B1中各像素点的RGB值判定图像像素是否为同质点,以此作为第二地物统计特征,得到矿区无人机影像数据B2;将所述矿区无人机影像数据B2中各像素点的RGB值作为第三地物统计特征;
地裂缝识别模块,用于使用K-means聚类方法并结合所述第一地物统计特征、所述第二地物统计特征和所述第三统计特征,从所述矿区无人机影像B2中提取地裂缝,生成含有地裂缝的二值影像数据B3;
优化处理模块,用于对所述含有地裂缝的二值影像数据B3进行优化处理,得到含有地裂缝的二值影像数据C;
特征提取模块,用于对所述含有地裂缝的二值影像数据C进行击中击不中变换处理,直至所述二值影像数据C中地裂缝的宽度不再发生变化,得到最终的含有地裂缝的二值影像数据D;根据所述二值影像数据D计算地裂缝的实际面积、长度和宽度。
本公开第三方面实施例提供的计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行上述采煤塌陷地裂缝的识别与提取方法。
附图说明
图1为本公开第一方面实施例提供的采煤塌陷地裂缝的识别与提取方法的整体流程图。
图2为本公开第一方面实施例的方法初步提取的二值图像。
图3为本公开第一方面实施例的方法提取的裂缝图像。
图4为本公开第一方面实施例的方法提取的裂缝特征图像。
图5为本公开第二方面实施例提供的采煤塌陷地裂缝的识别与提取装置的结构示意图。
图6为本公开第三方面实施例提供的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细描述。应当理解,此处所描述的具体实施例仅仅用于解释本申请,并不用于限定本申请。
相反,本申请涵盖任何由权利要定义的在本申请精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本申请有更好的了解,在下文对本申请的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。
参见图1,本公开实施例提供的一种采煤塌陷地裂缝的识别与提取方法,包括以下步骤:
步骤1:通过无人机摄影获取多幅含有采煤塌陷地表裂缝的矿区无人机影像数据A;
步骤2:对获取的矿区无人机影像数据A进行预处理,得到矿区无人机影像数据B;
步骤3:计算矿区无人机影像数据B的图像梯度变化,以此作为第一地物统计特征,得到矿区无人机影像数据B1;根据矿区无人机影像数据B1的各像素点RGB值判定图像像素是否为同质点,作为第二地物统计特征,得到矿区无人机影像数据B2;将矿区无人机影像数据B2中各像素点的RGB值作为第三统计特征;
步骤4:使用K-means聚类方法并结合上述三个地物统计特征,从矿区无人机影像B2中提取地裂缝,生成含有地裂缝的二值影像数据B3;
步骤5:对含有地裂缝的二值影像数据B3进行优化处理,得到含有地裂缝的二值影像数据C;
步骤6:对含有地裂缝的二值影像数据C进行击中击不中变换处理,直至二值影像数据C中地裂缝的宽度不再发生变化,得到最终的含有地裂缝的二值影像数据D;根据所述二值影像数据D计算地裂缝的实际面积、长度和宽度。
在一些实施例中,步骤2中,对获取的矿区无人机影像数据A进行的预处理包括:
对获取的矿区无人机影像数据A进行影像拼接,得到矿区无人机影像数据A1;
对矿区无人机影像数据A1进行灰度拉伸,以提高图像处理时灰度级的动态范围的线性变换,从而提高影像清晰度;灰度拉伸处理后得到矿区无人机影像数据E;
对矿区无人机影像数据E进行双边滤波处理,可以保证对矿区无人机影像数据E进行去除噪声的同时保留影像数据中的地裂缝边缘特征;双边滤波处理后得到矿区无人机影像数据B。
在一个实施例中,对矿区无人机影像数据A进行的预处理均通过Pix4D软件实现。
在一些实施例中,步骤3中,判定图像像素是否为同质点,具体为:
由矿区无人机影像数据B中的中心像素及其周围像素的像素值拟合卡方分布模型,若中心像素及其周围像素的像素值均在卡方分布模型是置信区间内,则认为该中心像素为同质点。
在一些实施例中,步骤4是使用K-means非监督分类方法判断地物的属性,具体包括以下步骤:
步骤41:将矿区无人机影像数据B2作为样本数据集,矿区无人机影像数据B2中的每一幅矿区无人机影像作为对应的一个样本;确定要进行分类的数目K,即通过聚类可以得到K个集合,本实施例中,K=2,即将各样本分为两个类别分别为地裂缝和非裂缝;
步骤42:从样本数据集中随机选取K个样本作为K个初始的类中心;
步骤43:分别计算样本数据集中其余每一个样本到K个类中心的距离,若某个样本距离某个类中心的距离较近,则将该样本划分到该某个类集合,共得到K个类集合,并计算每个类集合的各样本到相应类中心的距离均值,作为新的类中心;
步骤44:重复步骤42~步骤43,直到新计算出来的类中心和原类中心之间的距离低于设置的阈值,则说明类中心的位置变化不大,各类别内的样本之间比较稳定,迭代结束。最终得到含有地裂缝的类集合,以此作为所述含有地裂缝的二值影像数据B3。
其中,对于每个类别集合的类中心即质心的计算公式为:
其中,xk,i为第k个类集合中的第i个样本,nk为第k个类集合中的样本数量,uk为第k个类集合的质心。
在一些实施例中,步骤5对含有地裂缝的二值影像数据B3进行的优化处理包括:
对含有地裂缝的二值影像数据B3消除噪声,使得二值影像数据B3更加纯净,具体地,通过形态学中闭运算填补二值影像数据B3中地裂缝内部的空洞,同时可以清除裂缝边缘少量的噪声点;消除噪声后得到含有地裂缝的二值影像数据F;
利用开运算对含有地裂缝的二值影像数据F进行线性边缘的光滑操作,具体地,消除含有地裂缝的二值影像数据F中一些细小的噪声污染,并且在一些纤细的地方进行物体的分离;光滑操作后得到含有地裂缝的二值影像数据G;
采用主滤波方法对含有地裂缝的二值影像数据G中较大的孤立斑块做进一步处理,以剔除掉二值影像数据G中大量的噪声点,得到含有地裂缝的二值影像数据C。
在一些实施例中,步骤6中,根据二值影像数据D计算地裂缝的实际面积、长度和宽度,包括:
统计二值影像数据D中属于地裂缝的像素点的个数,结合二值影像数据D含有的像素点个数和二值影像数据D对应的实际区域面积计算地裂缝的实际面积;
根据二值影像数据D中属于地裂缝的像素点的个数和各像素点对应的实际长度,得到地裂缝的实际长度;
将地裂缝的实际面积除以地裂缝的实际长度得到地裂缝的实际宽度。
在一些实施例中,地裂缝的实际面积按照下式计算得到:
其中,S为地裂缝的实际面积;n为二值影像数据D中属于地裂缝的像素点个数;N为二值影像数据D含有的像素点总个数;S为二值影像数据D对应的实际区域面积。
在一些实施例中,地裂缝的实际长度按照下式计算得到:
L=n·l
其中,L为裂缝的实际长度;l为二值影像数据D中属于地裂缝的像素点对应的实际长度。
在一些实施例中,地裂缝的实际宽度按照下式计算得到:
其中,W为地裂缝的实际宽度。
在示例区域影像中选取一些较具代表性的地裂缝进行特征提取,提取结果如表1所示。
表1地裂缝特征提取结果
本公开基于K-means聚类的地裂缝提取优化算法,提取裂缝的精度更高并且较为自动化,无需大量训练样本,优于RF分类算法、边缘检测、阈值分割等。采用形态学操作可以填充连接断裂裂缝,获取更加纯净的裂缝影像。具体地,本公开通过无人机摄影测量获得矿区土地裂缝影像数据,经过形态学分析、空洞填补、小斑去噪等技术手段,识别并提取地裂缝信息,获取裂缝的宽度、长度和面度等信息。本公开解决了在矿区地裂缝识别应用中由于矿区土地地表信息过于复杂而应用受限的问题,具有实时性、精度高、效率高、成本低的特点。
参见图5,本公开第二方面实施例提供的采煤塌陷地裂缝的识别与提取装置,包括:
数据获取模块,用于通过无人机摄影获取多幅含有采煤塌陷地表裂缝的矿区无人机影像数据A;
预处理模块,用于对获取的矿区无人机影像数据A进行预处理,得到矿区无人机影像数据B;
统计特征提取模块,用于计算矿区无人机影像数据B的图像梯度变化,以此作为第一地物统计特征,得到矿区无人机影像数据B1;根据矿区无人机影像数据B1中各像素点的RGB值判定图像像素是否为同质点,以此作为第二地物统计特征,得到矿区无人机影像数据B2;将矿区无人机影像数据B2中各像素点的RGB值作为第三地物统计特征;
地裂缝识别模块,用于使用K-means聚类方法并结合第一地物统计特征、第二地物统计特征和第三地物统计特征,从矿区无人机影像B2中提取地裂缝,生成含有地裂缝的二值影像数据B3;
优化处理模块,用于对含有地裂缝的二值影像数据B3进行优化处理,得到含有地裂缝的二值影像数据C;
特征提取模块,用于对含有地裂缝的二值影像数据C进行击中击不中变换处理,直至二值影像数据C中地裂缝的宽度不再发生变化,得到最终的含有地裂缝的二值影像数据D;根据二值影像数据D计算地裂缝的实际面积、长度和宽度。
为了实现上述实施例,本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,用于执行上述实施例的采煤塌陷地裂缝的识别与提取方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备100的结构示意图。其中,需要说明的是,本公开实施例中的电子设备100可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机、服务器等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备100可以包括处理装置(例如中央处理器、图形处理器等)101,其可以根据存储在只读存储器(ROM)102中的程序或者从存储装置108加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在RAM 103中,还存储有电子设备100操作所需的各种程序和数据。处理装置101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
通常,以下装置可以连接至I/O接口105:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置106;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置107;包括例如磁带、硬盘等的存储装置108;以及通信装置109。通信装置109可以允许电子设备100与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备100,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图中所示方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置109从网络上被下载和安装,或者从存储装置108被安装,或者从ROM 102被安装。在该计算机程序被处理装置101执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:通过无人机摄影获取多幅含有采煤塌陷地表裂缝的矿区无人机影像数据A;对获取的矿区无人机影像数据A进行预处理,得到矿区无人机影像数据B;计算矿区无人机影像数据B的图像梯度变化,以此作为第一地物统计特征,得到矿区无人机影像数据B1;根据矿区无人机影像数据B1中各像素点的RGB值判定图像像素是否为同质点,以此作为第二地物统计特征,得到矿区无人机影像数据B2;将矿区无人机影像数据B2中各像素点的RGB值作为第三地物统计特征;使用K-means聚类方法并结合第一地物统计特征、第二地物统计特征和第三地物统计特征,从矿区无人机影像B2中提取地裂缝,生成含有地裂缝的二值影像数据B3;对含有地裂缝的二值影像数据B3进行优化处理,得到含有地裂缝的二值影像数据C;对含有地裂缝的二值影像数据C进行击中击不中变换处理,直至二值影像数据C中地裂缝的宽度不再发生变化,得到最终的含有地裂缝的二值影像数据D;根据二值影像数据D计算地裂缝的实际面积、长度和宽度。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤,可以通过程序来指令相关的硬件完成,所开发的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种采煤塌陷地裂缝的识别与提取方法,其特征在于,包括:
通过无人机摄影获取多幅含有采煤塌陷地表裂缝的矿区无人机影像数据A;
对所述矿区无人机影像数据A进行预处理,得到矿区无人机影像数据B;
计算所述矿区无人机影像数据B的图像梯度变化,以此作为第一地物统计特征,得到矿区无人机影像数据B1;根据所述矿区无人机影像数据B1中各像素点的RGB值判定图像像素是否为同质点,以此作为第二地物统计特征,得到矿区无人机影像数据B2;将所述矿区无人机影像数据B2中各像素点的RGB值作为第三地物统计特征;所述判定图像像素是否为同质点具体为:由所述矿区无人机影像数据B中的中心像素及其周围像素的像素值拟合卡方分布模型,若所述中心像素及其周围像素的像素值均在所述卡方分布模型是置信区间内,则认为该中心像素为同质点;
使用K-means聚类方法并结合所述第一地物统计特征、第二地物统计特征和第三统计特征,从所述矿区无人机影像B2中提取地裂缝,生成含有地裂缝的二值影像数据B3;
对所述含有地裂缝的二值影像数据B3进行优化处理,得到含有地裂缝的二值影像数据C;
对所述含有地裂缝的二值影像数据C进行击中击不中变换处理,直至所述二值影像数据C中地裂缝的宽度不再发生变化,得到最终的含有地裂缝的二值影像数据D;根据所述二值影像数据D计算地裂缝的实际面积、长度和宽度。
2.根据权利要求1所述的识别与提取方法,其特征在于,所述预处理包括拼接、灰度拉伸和滤波去噪。
3.根据权利要求1所述的识别与提取方法,其特征在于,所述使用K-means聚类方法并结合所述第一地物统计特征、所述第二地物统计特征和所述第三地物统计特征,从所述矿区无人机影像B2中提取地裂缝,生成含有地裂缝的二值影像数据B3,具体包括:
步骤41:将所述矿区无人机影像数据B2作为样本数据集,所述矿区无人机影像数据B2中的每一幅矿区无人机影像作为对应的一个样本;确定要进行分类的数目K =2,即将各样本分为两个类别,分别为地裂缝和非裂缝;
步骤42:从所述样本数据集中随机选取K个样本作为K个初始的类中心;
步骤43:分别计算所述样本数据集中其余每一个样本到K个类中心的距离,若某个样本距离某个类中心的距离较近,则将该样本划分到该某个类集合,共得到K个类集合,并计算每个类集合的均值,作为新的类中心;
步骤44:重复步骤42~步骤43,直到新计算出来的类中心和原类中心之间的距离低于设置的阈值,最终得到含有地裂缝的类集合,以此作为所述含有地裂缝的二值影像数据B3。
4.根据权利要求1所述的识别与提取方法,其特征在于,所述对含有地裂缝的二值影像数据B3进行的优化处理包括:
对所述含有地裂缝的二值影像数据B3消除噪声,得到含有地裂缝的二值影像数据F;
利用开运算对所述含有地裂缝的二值影像数据F进行线性边缘的光滑操作,得到含有地裂缝的二值影像数据G;
采用主滤波方法对所述含有地裂缝的二值影像数据G进行处理,得到所述含有地裂缝的二值影像数据C。
5.根据权利要求1所述的识别与提取方法,其特征在于,所述根据所述二值影像数据D计算地裂缝的实际面积、长度和宽度,包括:
统计所述二值影像数据D中属于地裂缝的像素点的个数,结合所述二值影像数据D含有的像素点个数和所述二值影像数据D对应的实际区域面积计算地裂缝的实际面积;
根据所述二值影像数据D中属于地裂缝的像素点的个数和各像素点对应的实际长度,得到地裂缝的实际长度;
将地裂缝的实际面积除以地裂缝的实际长度得到地裂缝的实际宽度。
6.一种采煤塌陷地裂缝的识别与提取装置,其特征在于,包括:
数据获取模块,用于通过无人机摄影获取多幅含有采煤塌陷地表裂缝的矿区无人机影像数据A;
预处理模块,用于对所述矿区无人机影像数据A进行预处理,得到矿区无人机影像数据B;
统计特征提取模块,用于计算所述矿区无人机影像数据B的图像梯度变化,以此作为第一地物统计特征,得到矿区无人机影像数据B1;根据所述矿区无人机影像数据B1中各像素点的RGB值判定图像像素是否为同质点,以此作为第二地物统计特征,得到矿区无人机影像数据B2;将所述矿区无人机影像数据B2中各像素点的RGB值作为第三地物统计特征;所述判定图像像素是否为同质点具体为:由所述矿区无人机影像数据B中的中心像素及其周围像素的像素值拟合卡方分布模型,若所述中心像素及其周围像素的像素值均在所述卡方分布模型是置信区间内,则认为该中心像素为同质点;
地裂缝识别模块,用于使用K-means聚类方法并结合所述第一地物统计特征、所述第二地物统计特征和所述第三地物统计特征,从所述矿区无人机影像B2中提取地裂缝,生成含有地裂缝的二值影像数据B3;
优化处理模块,用于对所述含有地裂缝的二值影像数据B3进行优化处理,得到含有地裂缝的二值影像数据C;
特征提取模块,用于对所述含有地裂缝的二值影像数据C进行击中击不中变换处理,直至所述二值影像数据C中地裂缝的宽度不再发生变化,得到最终的含有地裂缝的二值影像数据D;根据所述二值影像数据D计算地裂缝的实际面积、长度和宽度。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的采煤塌陷地裂缝的识别与提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111037546.0A CN113838078B (zh) | 2021-09-06 | 2021-09-06 | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111037546.0A CN113838078B (zh) | 2021-09-06 | 2021-09-06 | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113838078A CN113838078A (zh) | 2021-12-24 |
CN113838078B true CN113838078B (zh) | 2023-06-30 |
Family
ID=78962174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111037546.0A Active CN113838078B (zh) | 2021-09-06 | 2021-09-06 | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838078B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877715B (zh) * | 2022-12-07 | 2023-05-23 | 北京低碳清洁能源研究院 | 一种矿区无人机探测地裂缝自适应控制系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN105825169A (zh) * | 2016-03-10 | 2016-08-03 | 辽宁工程技术大学 | 一种基于道路影像的路面裂缝识别方法 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN109360184A (zh) * | 2018-08-23 | 2019-02-19 | 南京信息工程大学 | 结合阴影补偿与决策融合的遥感影像变化检测方法 |
CN109631854A (zh) * | 2018-12-19 | 2019-04-16 | 西安科技大学 | 一种低空无人机摄影测定矿区采煤塌陷裂缝方法 |
CN110175658A (zh) * | 2019-06-26 | 2019-08-27 | 浙江大学 | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 |
CN110287811A (zh) * | 2019-06-04 | 2019-09-27 | 中国矿业大学 | 一种探测地表采动裂缝的方法 |
CN110322466A (zh) * | 2018-03-28 | 2019-10-11 | 河南工业大学 | 一种基于多层区域限制的有监督图像分割方法 |
JP2020038132A (ja) * | 2018-09-04 | 2020-03-12 | 大成建設株式会社 | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム |
CN111626092A (zh) * | 2020-03-26 | 2020-09-04 | 陕西陕北矿业韩家湾煤炭有限公司 | 一种基于机器学习的无人机影像地裂缝识别及提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018122589A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
-
2021
- 2021-09-06 CN CN202111037546.0A patent/CN113838078B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825169A (zh) * | 2016-03-10 | 2016-08-03 | 辽宁工程技术大学 | 一种基于道路影像的路面裂缝识别方法 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN110322466A (zh) * | 2018-03-28 | 2019-10-11 | 河南工业大学 | 一种基于多层区域限制的有监督图像分割方法 |
CN109360184A (zh) * | 2018-08-23 | 2019-02-19 | 南京信息工程大学 | 结合阴影补偿与决策融合的遥感影像变化检测方法 |
JP2020038132A (ja) * | 2018-09-04 | 2020-03-12 | 大成建設株式会社 | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム |
CN109631854A (zh) * | 2018-12-19 | 2019-04-16 | 西安科技大学 | 一种低空无人机摄影测定矿区采煤塌陷裂缝方法 |
CN110287811A (zh) * | 2019-06-04 | 2019-09-27 | 中国矿业大学 | 一种探测地表采动裂缝的方法 |
CN110175658A (zh) * | 2019-06-26 | 2019-08-27 | 浙江大学 | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 |
CN111626092A (zh) * | 2020-03-26 | 2020-09-04 | 陕西陕北矿业韩家湾煤炭有限公司 | 一种基于机器学习的无人机影像地裂缝识别及提取方法 |
Non-Patent Citations (8)
Title |
---|
A New Identification Method for Surface Cracks from UAV Images Based on Machine Learning in Coal Mining Areas;Fan Zhang 等;《Remote Sensing》;1-20 * |
Semantic Recognition and Location of Cracks by Fusing Cracks Segmentation and Deep Learning;Qing An 等;《Complexity》;1-15 * |
The Surface Crack Extraction Method Based on Machine Learning of Image and Quantitative Feature Information Acquisition Method;Fan Zhang 等;《Remote Sensing》;1-17 * |
基于改进的MF-FDOG算法和无人机影像提取黄土地区地裂缝;韦博文;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-779 * |
基于无人机遥感的开采沉陷耕地质量评价及复垦建议;徐岩 等;《金属矿山》;173-181 * |
基于视觉分析的物流传送带表面缺陷检测与定位系统研究;李博;《中国优秀硕士学位论文全文数据库 工程科技I辑》;B021-135 * |
煤矿区无人机影像采动地裂缝提取方法研究;杨奇让 等;《煤炭科学技术》;1-13 * |
遥感影像多层次信息变化检测研究;武辰;《中国博士论文全文数据库 基础科学辑》;A008-8 * |
Also Published As
Publication number | Publication date |
---|---|
CN113838078A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392141B (zh) | 一种基于显著性检测和lsd直线检测的机场提取方法 | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN112800915B (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
WO2022237811A1 (zh) | 图像处理方法、装置及设备 | |
CN110147778B (zh) | 稀土矿开采识别方法、装置、设备及存储介质 | |
Cao et al. | Crack image detection based on fractional differential and fractal dimension | |
CN112014413A (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
CN113838078B (zh) | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 | |
US11467301B1 (en) | Method and system for identifying pore and fracture based on two-dimensional (2D) scan image of core | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN114155378A (zh) | 采煤沉陷地裂缝自动提取方法、装置及存储介质 | |
CN114283343B (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN113592792A (zh) | 堆石图像粒径识别方法、装置、电子设备及存储介质 | |
CN113052922B (zh) | 裸土识别方法、系统、设备及介质 | |
CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
WO2023138558A1 (zh) | 一种图像场景分割方法、装置、设备及存储介质 | |
CN114758184B (zh) | 基于深度学习的渣土分类处理引导方法、装置及可读介质 | |
CN115564725A (zh) | 基于图像智能识别的边坡监测方法及装置 | |
CN114693776A (zh) | 一种电缆位置信息确定方法、装置、设备和存储介质 | |
Li et al. | Automated bridge crack detection based on improving encoder–decoder network and strip pooling | |
CN114511862A (zh) | 表格识别方法、装置及电子设备 | |
CN114936395A (zh) | 一种户型图识别方法、装置、计算机设备及存储介质 | |
CN113569731A (zh) | 卫星影像杆塔智能识别方法、系统、设备及介质 | |
CN109146893B (zh) | 油光区域分割方法、装置及移动终端 | |
CN113361371A (zh) | 道路提取方法、装置、设备以及存储介质 |
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 |