CN114972274A - 一种基于裂缝连通域的区域搜索连接方法 - Google Patents
一种基于裂缝连通域的区域搜索连接方法 Download PDFInfo
- Publication number
- CN114972274A CN114972274A CN202210620236.XA CN202210620236A CN114972274A CN 114972274 A CN114972274 A CN 114972274A CN 202210620236 A CN202210620236 A CN 202210620236A CN 114972274 A CN114972274 A CN 114972274A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- image
- crack
- domain
- index
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion 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
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 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
-
- 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
- G06T7/11—Region-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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及桥梁裂缝智能检测和图像处理技术领域，具体涉及一种基于裂缝连通域的区域搜索连接方法。具体包括，首先对检测后的裂缝图像进行灰度化、中值滤波和图像二值化处理，得到裂缝二值图；其次，通过连通域标记算法标记裂缝二值图，得到初始连通域图，对其进行连通域筛选，得到筛选后连通域，再将筛选后连通域的信息转换成散列表格式；进一步的，基于散列表的索引，去除初始连通域中的噪声连通域，得到筛选后的裂缝二值图；最后，基于筛选后的裂缝二值图，连接连通域，得到已连接的裂缝二值图。本方法可以有效地保留裂缝混凝土的位置信息，同时可以去除噪声，提高精度。
Description
技术领域
本发明涉及桥梁裂缝智能检测和图像处理技术领域，特别是一种基于裂缝连通域的区域搜索连接方法，可用于提取混凝土桥梁表面裂缝。
背景技术
裂缝是最常见的混凝土桥梁病害之一，需要及时发现与补救，否则后果不堪设想。所以裂缝的检测与定位显得尤为重要。传统的方法主要依靠人力，存在可靠性低、检测速度慢、不利于统计等缺点，本方法可结合深度学习检测裂缝，利用图像处理手段定位裂缝并将其提取出来，其结果是影响裂缝量化与拼接精度的重要因素之一。
徐港在其发表的论文“基于多种连通域特征的结构表面裂缝提取方法”（华中科技大学学报，2019年10期）中提出了一种基于多种连通域特征的结构表面裂缝提取方法。该方法先利用最大类间方差法对原始图像进行分割，然后利用K-means聚类方法对连通域面积、最小外接矩形长宽比和连通域内最远距离等特征进行分析，然后利用三次去噪与形态学膨胀、腐蚀等操作进行处理，最后利用闭运算填充裂缝中的微小孔洞，并连接断裂的细微裂缝。此方法虽然能有效去除微小噪声与颗粒噪声，但存在误连接的情况，去除噪声时需要三次连续滤波操作，过程较为繁琐。
发明内容
本发明的目的在于：针对现有技术存在裂缝提取过程中操作繁琐，并且存在误连接与未连接的问题，提供一种基于裂缝连通域的区域搜索连接方法，可以有效地保留裂缝混凝土的位置信息，同时可以去除噪声，提高精度。
为了实现上述目的，本发明采用的技术方案为：
一种基于裂缝连通域的区域搜索连接方法，包括：
步骤S1，获取检测后的裂缝图像，经过预处理得到裂缝二值图；
步骤S2，将裂缝二值图转换成初始连通域图，对其进行连通域筛选；
步骤S3，将筛选后的连通域转换成散列表格式，去除初始连通域中的噪声连通域，得到筛选后裂缝二值图；
步骤S4，设置筛选后裂缝二值图的标志位；
步骤S5，新建列表crack_index，并初始化该列表为长宽比最大的连通域索引；
步骤S6，从长宽比最大连通域出发，依据标志位交替进行向上连接和向下连接连通域，得到已连接连通域的索引集合；
步骤S7，基于初始连通域和已连接连通域的索引集合，得到未连接连通域的索引集合；
步骤S8，基于未连接连通域的索引集合得到对应的二值图，将二值图进行像素反转后，与筛选后裂缝二值图相乘，获得连接完成的裂缝二值图。
作为本发明的优选方案，步骤S6中连通域的连接包括以下步骤：
步骤S61，由目前已连接连通域的索引，得到已连接连通域的顶点坐标；
步骤S62，以已连接连通域的顶点坐标为中心设置搜索框，搜索框的大小为筛选后的连通域宽度的1/2。
步骤S63，遍历当前未连接连通域集合，以未连接连通域作为目标连通域，判断目标连通域是否在搜索框内；
若在搜索框内，进入步骤S64；若不在搜索框内，则进入下一个未连接连通域；
步骤S64，判断已连接连通域和目标连通域之间的角度差是否小于设置的阈值；
若小于阈值，将已连接连通域与目标连通域之间的距离作为得分，基于当前未连接连通域集合遍历完成之后，选择得分最小的对应目标连通域作为待连接连通域；若大于阈值，则进入下一个未连接连通域；
步骤S65，连接已连接连通域与待连接连通域，更新已连接连通域的索引集合，将待连接连通域的索引从当前未连接连通域的索引集合中删除，并放入列表crack_index中；重复步骤S61至步骤S65，直到完成所有未连接连通域的连接，得到所述筛选后裂缝二值图的已连接连通域的索引集合。
作为本发明的优选方案，步骤S64中，阈值为
，向上连接时，角度差为已连接连通域左上角坐标与其右下角坐标形成的直线，与已连接连通域左上角坐标与目标连通域右下角坐标形成的直线之间的角度差；向下连接时，角度差为已连接连通域右下角坐标与其左上角坐标形成的直线，与已连接连通域右下角坐标与目标连通域左上角坐标形成的直线之间的角度差。
作为本发明的优选方案，步骤S64中，向上连接时，角度差的计算公式为：
其中，
为已连接连通域左上角坐标， 
为已连接连通域右下角坐标， 
为目标连通域右下角坐标；
得分的计算公式为：
其中， 
为已连接连通域左上角坐标， 
为目标连通域右下角坐标。
作为本发明的优选方案，步骤S64中，向下连接时，角度差的计算公式为：
其中，
为已连接连通域左上角坐标，
为已连接连通域右下角坐标，
为目标连通域左上角坐标；
得分的计算公式为：
其中， 
为已连接连通域右下角坐标， 
为目标连通域左上角坐标。
作为本发明的优选方案，步骤S1中预处理为：对检测后的裂缝图像进行灰度化、中值滤波处理后，将处理后的检测后的裂缝图像分割成大小为1/4宽度的正方形图块，对每个正方形图块单独进行图像二值化处理，再拼接得到完整的裂缝二值图。
作为本发明的优选方案，灰度化处理采用单通道转换法，转化公式为：
其中，R表示检测后的裂缝图像的红色分量，G表示检测后的裂缝图像的绿色分量，B表示检测后的裂缝图像的蓝色分量。
作为本发明的优选方案，步骤S2中，利用连通域标记算法将裂缝二值图转换成初始连通域图，再筛选连通域，具体包括如下：
S21，将裂缝二值图的前景区域从上到下、从左到右进行标记，从1开始编号，背景区域编号为0；
S22，设共有n个连通域，利用n行9列的矩阵统计每一个连通域的信息，包括编号、面积、长、宽、长宽比和顶点坐标，顶点坐标为左上角坐标和右下角坐标；
S23，对连通域的长宽比从大到小排序，筛选出满足长宽比和面积要求的连通域。
作为本发明的优选方案，步骤S23中，长宽比和面积的要求为：前20%长宽比的连通域，同时面积大于20个像素的连通域。
作为本发明的优选方案，步骤S3为，取连通域的编号作为散列表索引，保留连通域的顶点坐标信息。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明通过将裂缝二值图转化为初始连通域图，经过筛选连通域后得到已筛选裂缝二值图，可以实现有效的保留裂缝的主干，同时滤除裂缝周围噪声以及手写字体标记；并且，采用本发明的连通域连接方式，很大程度上避免了误连接与未连接的情况，可以实现很好地保留裂缝混凝土的位置信息，有效地去除噪声的同时保持较高精度。
附图说明
图1是本发明的方法流程示意图。
图2是本发明的连接连通域流程示意图。
图3是本发明的检测后的裂缝图像示意图。
图4是本发明的裂缝二值化图。
图5是本发明的连通域图。
图6是本发明的筛选后裂缝二值图。
图7是本发明的完整的裂缝二值图。
具体实施方式
下面结合附图，对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
以下结合附图和具体实施例，对本发明作进一步详细说明。
如图1所示，一种基于裂缝连通域的区域搜索连接方法，实现步骤为：
步骤S1，对检测后的裂缝图像进行灰度化、中值滤波和图像二值化处理，得到裂缝二值图；
具体的，如图3所示的检测后的裂缝图像，输入检测后的裂缝图像，首先采用单通道转换法，对检测后的裂缝图像进行灰度化处理，将检测后的裂缝图像转换成灰度图，转化公式为：
其中，R表示检测后的裂缝图像的红色分量，G表示检测后的裂缝图像的绿色分量，B表示检测后的裂缝图像的蓝色分量。
其次，利用中值滤波对灰度图去噪，再将图像分割成大小为图像宽度1/4倍的正方形图块，每个正方形图块单独计算阈值并进行二值化。
最后，拼接正方形图块，得到裂缝二值图binary_mask，如图4所示。
对检测后的裂缝图像进行灰度化和中值滤波后，分割图像单独计算阈值再进行二值化，采用的局部分割技术使二值化结果更加准确，在很大程度上减轻了光照不均带来的影响。
步骤S2，通过连通域标记算法标记裂缝二值图，得到初始连通域图，对其进行连通域筛选，得到筛选后连通域；
具体的，利用连通域标记算法获取裂缝二值图binary_mask中的连通域，得到标记结果original_label，如图5所示的初始连通域示意图，同时利用面积与长宽比特征筛选连通域，实现步骤为：
S21，将裂缝二值图的前景区域按照从上到下、从左到右的顺序进行标记，从1开始编号，背景区域编号为0；
S22，设共标记n个数目的连通域，建立一个n行9列的矩阵，统计每一个连通域的信息，包括编号、面积、长、宽、长宽比和顶点坐标，顶点坐标为左上角坐标和右下角坐标；
S23，基于连通域的长宽比，按照从大到小的顺序进行排序，筛选出满足长宽比和面积要求的连通域，其要求为：前20%长宽比的连通域，同时面积大于20个像素的连通域。具体的，通过对整个数据集长宽比及面积信息统计，裂缝连通域主要集中于连通域长宽比前20%的序列，且单个连通域所占面积大于20个像素点，同时满足以上两个条件的连通域，经过现场验证，属于裂缝的概率可达到95%，因此，为了保证对属于裂缝的连通域进行连接操作的准确度，先根据长宽比取前20%的连通域，再筛选出面积大于20个像素的连通域，可以实现有效的保留裂缝的主干，并滤除裂缝周围噪声。
步骤S3，将筛选后连通域的信息转换成散列表格式；
具体的，由于经过筛选后连通域的信息是存于矩阵中，不利于连通域的计算，故将其转换成易于存取的散列表格式，即Hash表格的形式，将连通域的编号作为Hash表的索引，同时为了节约内存与减小冗余，只需保留左上角坐标与右下角坐标信息；
步骤S4，基于散列表的索引，去除步骤S2中初始连通域中的噪声连通域，得到筛选后的裂缝二值图；
具体的，根据Hash表中索引，去除步骤S2中初始连通域标记original_label中的噪声连通域，有效地筛选掉手写字体标记以及裂缝周围其他噪声，得到筛选后裂缝二值图select_crack，如图6所示；
步骤S5，基于筛选后的裂缝二值图，连接连通域，得到已连接的裂缝二值图，实现步骤包括如下：
步骤S51，设置筛选后裂缝二值图的标志位up和down，标志裂缝是否向上连接或者向下连接；
步骤S52，新建一个列表crack_index，并初始化该列表为连通域长宽比最大的连通域索引，用于保存之后操作中的待连接连通域的索引；
步骤S53，从长宽比最大连通域出发，交替进行向上连接和向下连接，得到筛选后裂缝二值图的已连接连通域的索引集合；
具体的，如图2所示的流程图，首先，假设目前已连接连通域索引为cur_index，根据索引cur_index得到已连接连通域左上角坐标和已连接连通域右下角坐标，遍历当前未连接连通域集合中的每一个元素，以未连接连通域作为目标连通域，当为向上连接时获取目标连通域右下角坐标，判断其是否在设置的搜索框内，其中，以已连接连通域左上角坐标为中心设置搜索框，搜索框的大小为筛选后连通域宽度的1/2；当为向下连接时获取目标连通域左上角坐标，判断其是否在设置的搜索框内，其中，以已连接连通域右下角坐标为中心设置搜索框，搜索框的大小为筛选后连通域宽度的1/2。
若在搜索框内，向上连接时，判断已连接连通域左上角坐标和已连接连通域右下角坐标构成的直线，与已连接连通域左上角坐标和目标连通域右下角坐标构成的直线之间角度差是否小于设置的阈值；若小于阈值，则将已连接连通域左上角坐标与目标连通域右下角坐标之间的距离作为得分，完成当前未连接连通域集合遍历之后，选择得分最小的对应目标连通域作为待连接连通域；若大于阈值，则进入下一个未连接连通域。向下连接时，判断已连接连通域右下角坐标和已连接连通域左上角坐标构成的直线，与已连接连通域右下角坐标和目标连通域左上角坐标构成的直线之间角度差是否小于设置的阈值；若小于阈值，则将已连接连通域右下角坐标与目标连通域左上角坐标之间的距离作为得分，完成当前未连接连通域集合遍历之后，选择得分最小的对应目标连通域作为待连接连通域；若大于阈值，则进入下一个未连接连通域；
向上连接时，角度差的计算公式为：
其中， 
为已连接连通域左上角坐标， 
为已连接连通域右下角坐标，
为目标连通域右下角坐标；
得分的计算公式为：
其中，
为已连接连通域左上角坐标， 
为目标连通域右下角坐标。
向下连接时，角度差的计算公式为：
其中， 
为已连接连通域左上角坐标，
为已连接连通域右下角坐标，
为目标连通域左上角坐标；
得分的计算公式为：
其中， 
为已连接连通域右下角坐标，
为目标连通域左上角坐标
在连接连通域的过程中，采用角度与距离耦合计算方法，很大程度上避免了误连接与未连接的情况。
若不在搜索框内，则进入下一个未连接连通域；
进一步的，在得到待连接连通域右下角坐标后，向上连接时用白色的直线连接已连接连通域左上角坐标与待连接连通域右下角坐标；向下连接时用白色的直线连接已连接连通域右下角坐标与待连接连通域左上角坐标；同时，更新已连接连通域的索引集合，将待连接连通域从当前未连接连通域集合中删除，并放入列表crack_index中；
将连接完的连通域作为新的已连接连通域，重复向上连接的步骤，寻找其对应的待连接连通域，直到遍历完当前未连接连通域集合中的每一个元素，得到筛选后裂缝二值图的已连接连通域索引集合。
步骤S54，基于初始连通域和已连接连通域索引集合，得到未连接连通域索引集合，进而得到未连接连通域索引集合对应的二值化图，将二值化图进行像素反转后，与筛选后裂缝二值图相乘，获得连接完成的裂缝二值图，如图7所示。
综上所述，本发明所采用的技术方案，首先读取检测后的裂缝图像，得到裂缝二值图，并将其转化为初始连通域图，其次，筛选连通域得到已筛选裂缝二值图，最后连接连通域，得到已连接连通域的索引集合，再根据已连接连通域的索引集合得到未连接连通域的索引集合，进而得到未连接连通域的索引集合对应的二值化图，此二值化图与筛选后裂缝二值图相乘，便得到了最终的裂缝二值图，达到结果更加准确，去噪效果明显，算法鲁棒性强的目的。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于裂缝连通域的区域搜索连接方法，其特征在于，包括：
步骤S1，获取检测后的裂缝图像，经过预处理得到裂缝二值图；
步骤S2，将裂缝二值图转换成初始连通域图，对其进行连通域筛选；
步骤S3，将筛选后的连通域转换成散列表格式，去除所述初始连通域中的噪声连通域，得到筛选后裂缝二值图；
步骤S4，设置筛选后裂缝二值图的标志位；
步骤S5，新建列表crack_index，并初始化该列表为长宽比最大的连通域索引；
步骤S6，从长宽比最大连通域出发，依据所述标志位交替进行向上连接和向下连接连通域，得到已连接连通域的索引集合；
步骤S7，基于所述初始连通域和所述已连接连通域的索引集合，得到未连接连通域的索引集合；
步骤S8，基于未连接连通域的索引集合得到对应的二值图，将二值图进行像素反转后，与所述筛选后裂缝二值图相乘，获得连接完成的裂缝二值图。
2.根据权利要求1所述的一种基于裂缝连通域的区域搜索连接方法，其特征在于，步骤S6中所述连通域的连接包括以下步骤：
步骤S61，由目前已连接连通域的索引，得到已连接连通域的顶点坐标；
步骤S62，以所述已连接连通域的顶点坐标为中心设置搜索框，搜索框的大小为所述筛选后的连通域宽度的1/2；
步骤S63，遍历当前未连接连通域集合，以未连接连通域作为目标连通域，判断目标连通域是否在搜索框内；
若在搜索框内，进入步骤S64；若不在搜索框内，则进入下一个未连接连通域；
步骤S64，判断已连接连通域和目标连通域之间的角度差是否小于设置的阈值；
若小于阈值，将已连接连通域与目标连通域之间的距离作为得分，基于所述当前未连接连通域集合遍历完成之后，选择得分最小的对应目标连通域作为待连接连通域；若大于阈值，则进入下一个未连接连通域；
步骤S65，连接已连接连通域与待连接连通域，更新已连接连通域的索引集合，将待连接连通域的索引从当前未连接连通域的索引集合中删除，并放入列表crack_index中；重复步骤S61至步骤S65，直到完成所有未连接连通域的连接，得到所述筛选后裂缝二值图的已连接连通域的索引集合。
3.根据权利要求2所述的一种基于裂缝连通域的区域搜索连接方法，其特征在于，步骤S64中，所述阈值为
，向上连接时，所述角度差为已连接连通域左上角坐标与其右下角坐标形成的直线，与已连接连通域左上角坐标与目标连通域右下角坐标形成的直线之间的角度差；向下连接时，所述角度差为已连接连通域右下角坐标与其左上角坐标形成的直线，与已连接连通域右下角坐标与目标连通域左上角坐标形成的直线之间的角度差。
4.根据权利要求2所述的一种基于裂缝连通域的区域搜索连接方法，其特征在于，步骤S64中，所述向上连接时，角度差的计算公式为：
其中，
为已连接连通域左上角坐标，
为已连接连通域右下角坐标，
为目标连通域右下角坐标；
得分的计算公式为：
其中，
为已连接连通域左上角坐标，
为目标连通域右下角坐标。
5.根据权利要求2所述的一种基于裂缝连通域的区域搜索连接方法，其特征在于，步骤S64中，所述向下连接时，角度差的计算公式为：
其中，
为已连接连通域左上角坐标，
为已连接连通域右下角坐标，
为目标连通域左上角坐标；
得分的计算公式为：
其中，
为已连接连通域右下角坐标，
为目标连通域左上角坐标。
6.根据权利要求1所述的一种基于裂缝连通域的区域搜索连接方法，其特征在于，步骤S1中所述预处理为：对检测后的裂缝图像进行灰度化、中值滤波处理后，将处理后的检测后的裂缝图像分割成大小为1/4宽度的正方形图块，对每个正方形图块单独进行图像二值化处理，再拼接得到完整的裂缝二值图。
7.根据权利要求6所述的一种基于裂缝连通域的区域搜索连接方法，其特征在于，所述灰度化处理采用单通道转换法，转化公式为：
其中，R表示检测后的裂缝图像的红色分量，G表示检测后的裂缝图像的绿色分量，B表示检测后的裂缝图像的蓝色分量。
8.根据权利要求1所述的一种基于裂缝连通域的区域搜索连接方法，其特征在于，步骤S2中，利用连通域标记算法将裂缝二值图转换成初始连通域图，再筛选连通域，具体包括如下：
S21，将裂缝二值图的前景区域从上到下、从左到右进行标记，从1开始编号，背景区域编号为0；
S22，设共有n个连通域，利用n行9列的矩阵统计每一个连通域的信息，包括编号、面积、长、宽、长宽比和顶点坐标，所述顶点坐标为左上角坐标和右下角坐标；
S23，对连通域的长宽比从大到小排序，筛选出满足长宽比和面积要求的连通域。
9.根据权利要求8所述的一种基于裂缝连通域的区域搜索连接方法，其特征在于，步骤S23中，所述长宽比和面积的要求为：前20%长宽比的连通域，同时面积大于20个像素的连通域。
10.根据权利要求1所述的一种基于裂缝连通域的区域搜索连接方法，其特征在于，步骤S3为，取连通域的编号作为散列表索引，保留连通域的顶点坐标信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210620236.XA CN114972274A (zh) | 2022-06-02 | 2022-06-02 | 一种基于裂缝连通域的区域搜索连接方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210620236.XA CN114972274A (zh) | 2022-06-02 | 2022-06-02 | 一种基于裂缝连通域的区域搜索连接方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114972274A true CN114972274A (zh) | 2022-08-30 |
Family
ID=82959679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210620236.XA Pending CN114972274A (zh) | 2022-06-02 | 2022-06-02 | 一种基于裂缝连通域的区域搜索连接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972274A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115984282A (zh) * | 2023-03-21 | 2023-04-18 | 菲特（天津）检测技术有限公司 | 一种氨纶产品检测方法、装置、设备及存储介质 |
-
2022
- 2022-06-02 CN CN202210620236.XA patent/CN114972274A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115984282A (zh) * | 2023-03-21 | 2023-04-18 | 菲特（天津）检测技术有限公司 | 一种氨纶产品检测方法、装置、设备及存储介质 |
| CN115984282B (zh) * | 2023-03-21 | 2023-06-16 | 菲特（天津）检测技术有限公司 | 一种氨纶产品检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
| CN108596066B (zh) | 一种基于卷积神经网络的字符识别方法 | |
| CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN109389121B (zh) | 一种基于深度学习的铭牌识别方法及系统 | |
| CN104182750B (zh) | 一种在自然场景图像中基于极值连通域的中文检测方法 | |
| CN111666938A (zh) | 一种基于深度学习的两地双车牌检测识别方法及系统 | |
| CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
| AU2020103716A4 (en) | Training method and device of automatic identification device of pointer instrument with numbers in natural scene | |
| CN111460927B (zh) | 对房产证图像进行结构化信息提取的方法 | |
| CN111027511B (zh) | 基于感兴趣区块提取的遥感图像舰船检测方法 | |
| CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
| CN112686264B (zh) | 数字式仪表读数方法、装置、计算机设备和存储介质 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| CN108875803A (zh) | 一种基于视频图像的危化品运输车辆检测与识别方法 | |
| CN110135407B (zh) | 样本标注方法及计算机存储介质 | |
| CN111626145B (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
| CN115273115A (zh) | 一种文档元素标注方法、装置、电子设备和存储介质 | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| CN114972274A (zh) | 一种基于裂缝连通域的区域搜索连接方法 | |
| CN115995086A (zh) | 端子排图纸短连片图元的识别方法、设备及存储介质 | |
| WO2022148396A1 (zh) | 芯片采集方法和芯片定位方法 | |
| CN107392115B (zh) | 一种基于分层特征提取的交通标志识别方法 | |
| CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
| CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
| CN111444903B (zh) | 漫画气泡内文字定位方法、装置、设备及可读存储介质 |
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 |