CN115063372A - 设施主体形变监测方法 - Google Patents
设施主体形变监测方法 Download PDFInfo
- Publication number
- CN115063372A CN115063372A CN202210728639.6A CN202210728639A CN115063372A CN 115063372 A CN115063372 A CN 115063372A CN 202210728639 A CN202210728639 A CN 202210728639A CN 115063372 A CN115063372 A CN 115063372A
- Authority
- CN
- China
- Prior art keywords
- image
- deformation
- result
- original image
- matrix
- 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 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 86
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000010276 construction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation 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
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/44—Morphing
Abstract
本发明属于施工监测技术领域，具体涉及设施主体形变监测方法。所述方法执行以下步骤：步骤1：获取目标设施的原图像，和获取目标设施的实时图像和形变图像，所述形变图像的获取过程具体包括：使用凹形变相机获取目标设施的凹形变图像，以及使用凸形变相机获取目标设施的凸形变图像；步骤2：对原图像和实时图像进行差异比对，找到差异部分，作为第一形变结果；步骤3：将原图像进行凹形变，得到凹形变原图像，将原图像进行凸形变，得到凸形变原图像。本发明通过三次形变检测来提升形变检测的准确率，且达到了识别微小形变的目的。
Description
技术领域
本发明属于施工监测技术领域，具体涉及基于虚拟图像建模的拆迁可视化系统。
背景技术
变形监测是指使用专门的仪器和利用一定的方法对变形体在外力作用下形状或体积的变化进行系统性的观测的一种测量工作。变形监测得到的观测值是作变行分析、预见性维护等的主要依据。
随着社会的进步和经济的发展，大量的工程建设在各地展开，更多的造型奇特、规模庞大的建筑物出现在世界各地。由于设计上、施工质量等方面的缺陷，导致工程建筑物在施工和运营期间发生变形，如果变形超出极限，就会影响建筑物的使用，甚至发生坍塌等事故。由于变形监测能够为判断工程建筑物的安全性提供必要的信息，使得变形监测的意义更加重要。
专利号为CN201810094377.6A的专利公开了一种高层建筑形变预测方法，包括：获取测量部门的历年高层建筑形变坐标；通过级比关系对历年高层建筑形变坐标进行异常值点筛除，得到筛除点，对筛除点左右相邻的数据点按级比取值代替筛除点；根据累加求和法计算出历年高层建筑形变坐标中各层建筑中心点三维空间坐标，通过最小二乘原则分别对各层建筑中心点三维空间坐标进行最佳平移变换，得到各层目标三维空间坐标；通过灰色GM(1,1)模型求解各层目标三维空间坐标，得到各层中心点三个方向坐标值，根据各层中心点三个方向坐标值计算得到各层中心点位移和方向。
其通过坐标的方式来进行建筑物形变监测，但该方法无法针对微小形变进行监测，同时由于该方法需要对坐标数据的要求较高，则需要对建筑物进行完备的坐标数据测量，降低了形变监测的效率。
发明内容
有鉴于此，本发明的主要目的在于提供设施主体形变监测方法，本发明通过三次形变检测来提升形变检测的准确率，且达到了识别微小形变的目的。
为达到上述目的，本发明的技术方案是这样实现的：
设施主体形变监测方法，所述方法执行以下步骤：
步骤1：获取目标设施的原图像，和获取目标设施的实时图像和形变图像，所述形变图像的获取过程具体包括：使用凹形变相机获取目标设施的凹形变图像，以及使用凸形变相机获取目标设施的凸形变图像；
步骤2：对原图像和实时图像进行差异比对，找到差异部分，作为第一形变结果；
步骤3：将原图像进行凹形变，得到凹形变原图像，将原图像进行凸形变，得到凸形变原图像；
步骤4：将凹形变原图像进行缩小，直到其能完全置于凹形变图像中，被凹形变图像包围；然后按照设定的放大间隔倍数，不断放大凹形变原图像，直到凹形变原图像的面积与凹形变图像的面积的比率满足设定的范围，此时将凹形变原图像和凹形变图像进行差异比对，找到差异部分，作为第二形变结果；
步骤5：将凸形变原图像进行放大，直到其能完全包围凸形变图像；然后按照设定的缩小间隔倍数，不断缩小凸形变原图像，直到凸形变原图像的面积与凸形变图像的面积的比率满足设定的范围，此时将凸形变原图像和凸形变图像进行差异比对，找到差异部分，作为第三形变结果；
步骤6：将第二形变结果进行凹形变的逆变换，得到第二结果；将第三形变结果进行凸形变的逆变换，得到第三结果；将第二结果与第一形变结果在同一比例下进行重叠，对重叠结果取并集，得到中间结果，然后将中间结果与第三结果在同一比例下进行重叠，对重叠结果取并集，作为形变监测的结果。
进一步的，所述凹形变相机为超广角镜头相机；所述凸形变相机为畸变镜头相机。
进一步的，所述原图像、实时图像和形变图像均为三维立体图像。
进一步的，所述步骤2中对原图像和实时图像进行差异比对，找到差异部分，作为第一形变结果的方法包括：步骤2.1：对原图像和实时图像进行归一化处理；步骤2.2：对归一化处理后的两幅图像，分别提取边缘特征，然后利用提取的边缘特征进行图像配准，通过频移变换和/或裁剪得到对齐图像；步骤2.3：基于对齐图像，采用重叠滑动窗分块的方法分别进行区域分割，提取每一区域图像块的颜色特征、纹理特征和边缘特征，将颜色特征、纹理特征和边缘特征分别归一化后，采用串联法实现颜色特征、纹理特征和边缘特征的融合；步骤2.4：使用相似度计算模型计算两幅图像对应图像块特征之间的差异度，若计算出的差异度超过设定的阈值，则判断该图像块为差异图像块；步骤2.5：针对所有的差异图像块，循环执行步骤2.3至步骤2.4的步骤，直到图像块的大小在设定的大小范围内。
进一步的，所述步骤2.4中的相似度计算公式使用如下公式进行表示：
进一步的，所述步骤3中将原图像进行凹形变，得到凹形变原图像的方法包括：使用与凹形变相机的超广角镜头的广角参数一致的参数，对原图像进行凹形变；所述步骤3中将原图像进行凸形变，得到凸形变原图像的方法包括：使用与凸形变相机的畸变镜头的畸变参数一致的参数，对原图像进行凸形变。
进一步的，所述步骤4中设定的范围为：0.8～1.0；所述步骤5中设定的范围为：1.0～1.2。
进一步的，所述步骤6中将第二结果与第一形变结果在同一比例下进行重叠，对重叠结果取并集，得到中间结果的方法包括：将原图像转换为一个矩阵，得到原图像矩阵，在原图像矩阵中保留第一形变结果对应的部分不变，将其他部分对应的元素全部置零，得到第一形变结果矩阵；对原图像矩阵进行复制，得到复制原图像矩阵，将第二结果对应复制原图像矩阵中的部分进行保留，将其他部分对应的元素全部置零，得到第二结果矩阵；将第一形变结果矩阵与第二结果矩阵进行矩阵加和运算，得到加和后的矩阵作为中间结果。
进一步的，所述步骤6中将中间结果与第三结果在同一比例下进行重叠，对重叠结果取并集，作为形变监测的结果的方法包括：对原图像矩阵再次进行复制，得到第二复制原图像矩阵，将第三结果对应第二复制原图像矩阵中的部分进行保留，将其他部分对应的元素全部置零，得到第三结果矩阵；将中间结果与第三结果矩阵进行矩阵加和运算，得到加和后的矩阵作为形变监测的结果。
进一步的，所述步骤6中的比例为原图像的比例。
本发明的基于虚拟图像建模的拆迁可视化系统，具有如下有益效果：
1.能够实现微小形变检测：本发明创造性的将图像进行凹形变和凸形变，以此来将凹形变或者凸形变进行放大，以此实现对微小形变的检测。
2.准确率高：本发明通过三次形变检测，第一次为基于差异比对的常规形变检测，第二次通过凹形变进行检测，第三次通过凸形变进行检测，以此提升形变检测敏感度和准确率。
附图说明
图1为本发明实施例提供的设施主体形变监测方法的方法流程示意图；
图2为本发明实施例提供的设施主体形变监测方法的凹形变的示意图；
图3为本发明实施例提供的设施主体形变监测方法的凸形变的示意图；
图4为本发明实施例提供的设施主体形变监测方法的形变、在外图和在内图的关系示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示，设施主体形变监测方法，所述方法执行以下步骤：
步骤1：获取目标设施的原图像，和获取目标设施的实时图像和形变图像，所述形变图像的获取过程具体包括：使用凹形变相机获取目标设施的凹形变图像，以及使用凸形变相机获取目标设施的凸形变图像；
步骤2：对原图像和实时图像进行差异比对，找到差异部分，作为第一形变结果；
步骤3：将原图像进行凹形变，得到凹形变原图像，将原图像进行凸形变，得到凸形变原图像；
步骤4：将凹形变原图像进行缩小，直到其能完全置于凹形变图像中，被凹形变图像包围；然后按照设定的放大间隔倍数，不断放大凹形变原图像，直到凹形变原图像的面积与凹形变图像的面积的比率满足设定的范围，此时将凹形变原图像和凹形变图像进行差异比对，找到差异部分，作为第二形变结果；
步骤5：将凸形变原图像进行放大，直到其能完全包围凸形变图像；然后按照设定的缩小间隔倍数，不断缩小凸形变原图像，直到凸形变原图像的面积与凸形变图像的面积的比率满足设定的范围，此时将凸形变原图像和凸形变图像进行差异比对，找到差异部分，作为第三形变结果；
步骤6：将第二形变结果进行凹形变的逆变换，得到第二结果；将第三形变结果进行凸形变的逆变换，得到第三结果；将第二结果与第一形变结果在同一比例下进行重叠，对重叠结果取并集，得到中间结果，然后将中间结果与第三结果在同一比例下进行重叠，对重叠结果取并集，作为形变监测的结果。
具体的，本发明中第一次形变检测发生在原图像与实时图像之间，通过原图像与实时图像的图像差异比对来找到发生形变的地方。而原图像、实时图像或者形变图像均可以是三维立体图像。
第二次形变检测发生在将凹形变原图像进行缩小，直到其能完全置于凹形变图像中，被凹形变图像包围；然后按照设定的放大间隔倍数，不断放大凹形变原图像，直到凹形变原图像的面积与凹形变图像的面积的比率满足设定的范围，此时将凹形变原图像和凹形变图像进行差异比对，找到差异部分，作为第二形变结果。
因为在实际情况中，建筑物发生的形变因为图像获取装置的影响，或者识别设备的准确率的影响，有些微小形变无法直接判断出来。这就使得第一次形变检测得到的结果无法准确反应建筑物或者设施主体的形变情况。
本发明在第二次形变检测通过进行凹变来实现，在图像凹变，或者获取凹变图像时，图像的边缘轮廓将会被放大拉长甚至弯曲，这个时候将更能容易发现形变。
同理也适用于本发明的第三次形变检测。
基于三次形变检测的结果，进行取并集运算，得到的结果将能够识别设施主体的微小形变。且形变检测的成功率也更高。
实施例2
在上一实施例的基础上，所述凹形变相机为超广角镜头相机；所述凸形变相机为畸变镜头相机。
具体的，超广角镜头用于拍摄凹图像，而畸变镜头则可以拍摄凸图像。
实施例3
在上一实施例的基础上，所述原图像、实时图像和形变图像均为三维立体图像。
具体的，三维立体图像相较于平面图像，其进行形变检测后，得到的结果准确率更高。
参考图2，图2为本发明中所述的凹形变的示意图。图3为本发明中所述的凸形变的示意图。
在实际情况中，设施主体的形变可以有多种表现形式，可能是凹变，可能是凸变也可能是凹凸起伏的变化。可以看到在凹形变的示意图中，凹形变将会被拉长，由此被放大。在凸形变的示意图中，凸形变将会被拉长，由此被放大。
因此通过这种形变，将会达到将设施主体的形变进行放大的目的，更能发现微小形变。
实施例4
在上一实施例的基础上，所述步骤2中对原图像和实时图像进行差异比对，找到差异部分，作为第一形变结果的方法包括：步骤2.1：对原图像和实时图像进行归一化处理；步骤2.2：对归一化处理后的两幅图像，分别提取边缘特征，然后利用提取的边缘特征进行图像配准，通过频移变换和/或裁剪得到对齐图像；步骤2.3：基于对齐图像，采用重叠滑动窗分块的方法分别进行区域分割，提取每一区域图像块的颜色特征、纹理特征和边缘特征，将颜色特征、纹理特征和边缘特征分别归一化后，采用串联法实现颜色特征、纹理特征和边缘特征的融合；步骤2.4：使用相似度计算模型计算两幅图像对应图像块特征之间的差异度，若计算出的差异度超过设定的阈值，则判断该图像块为差异图像块；步骤2.5：针对所有的差异图像块，循环执行步骤2.3至步骤2.4的步骤，直到图像块的大小在设定的大小范围内。
具体的，图像特征主要有图像的颜色特征、纹理特征、形状特征和空间关系特征。
颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质；纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质；形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征，图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域；空间关系特征，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。
实施例5
在上一实施例的基础上，所述步骤2.4中的相似度计算公式使用如下公式进行表示：
其中，S为计算得到的相似度；C1为原图像的图像块的颜色特征的特征矩阵，为一个三阶矩阵，C2为实时原图像的图像块的颜色特征的特征矩阵，为一个三阶矩阵；
为获取原图像和实时图像的相机的镜头的光学特征参数矩阵；A1为原图像的图像块的纹理特征，A2为实时图像的图像块的纹理特征；B1为原图像的图像块的边缘特征的特征矩阵，B2为实时图像的图像块的边缘特征的特征矩阵；[t1 t2 t3]为校正矩阵，其中，t1、t2和t3均为正整数，且满足t1*t2*t3＝255。
具体的，本发明所使用的相似度计算方法和相似度计算公式，均与现有技术有所不同。现有技术中，一般使用基于特征比对的方式，本发明虽然也是基于特征比对的方式，但本发明通过加入了镜头的光学特征参数矩阵和特征矩阵来进行校正，以使得最终的结果更加准确。
实施例6
在上一实施例的基础上，所述步骤3中将原图像进行凹形变，得到凹形变原图像的方法包括：使用与凹形变相机的超广角镜头的广角参数一致的参数，对原图像进行凹形变；所述步骤3中将原图像进行凸形变，得到凸形变原图像的方法包括：使用与凸形变相机的畸变镜头的畸变参数一致的参数，对原图像进行凸形变。
具体的，参数一致的意义将使得原图像凹形变得到设施主体在没有形变的情况下的凹形变图像；将原图像凸形变将得到设施主体在没有形变的情况下的凸形变图像。
实施例7
在上一实施例的基础上，所述步骤4中设定的范围为：0.8～1.0；所述步骤5中设定的范围为：1.0～1.2。
具体的，在内的图像往往会小于在外的图像，因此设定这两个范围，以保证结果的准确率。
实施例8
在上一实施例的基础上，所述步骤6中将第二结果与第一形变结果在同一比例下进行重叠，对重叠结果取并集，得到中间结果的方法包括：将原图像转换为一个矩阵，得到原图像矩阵，在原图像矩阵中保留第一形变结果对应的部分不变，将其他部分对应的元素全部置零，得到第一形变结果矩阵；对原图像矩阵进行复制，得到复制原图像矩阵，将第二结果对应复制原图像矩阵中的部分进行保留，将其他部分对应的元素全部置零，得到第二结果矩阵；将第一形变结果矩阵与第二结果矩阵进行矩阵加和运算，得到加和后的矩阵作为中间结果。
具体的，这种方式相较于传统的图像合成的方式，效率更高。使用的时基于矩阵的方法。图像的本质就是一个矩阵，通过图像转换为矩阵，将更好运算。
实施例9
在上一实施例的基础上，所述步骤6中将中间结果与第三结果在同一比例下进行重叠，对重叠结果取并集，作为形变监测的结果的方法包括：对原图像矩阵再次进行复制，得到第二复制原图像矩阵，将第三结果对应第二复制原图像矩阵中的部分进行保留，将其他部分对应的元素全部置零，得到第三结果矩阵；将中间结果与第三结果矩阵进行矩阵加和运算，得到加和后的矩阵作为形变监测的结果。
具体的，参考图4，图4中的缩小图就是在内的图像。在步骤4中，将凹形变原图像进行缩小，直到其能完全置于凹形变图像中，被凹形变图像包围；这里的凹形变图像就是在外图，凹形变原图像就是在内图。第二形变结果就是形变。
同理，在步骤5中将凸形变原图像进行放大，直到其能完全包围凸形变图像；然后按照设定的缩小间隔倍数，不断缩小凸形变原图像，直到凸形变原图像的面积与凸形变图像的面积的比率满足设定的范围，此时将凸形变原图像和凸形变图像进行差异比对，找到差异部分，作为第三形变结果。
在这里，凸形变图像就是在内图，凸形变原图像就是在外图。第三形变结果就是形变。
实施例10
在上一实施例的基础上，所述步骤6中的比例为原图像的比例。
需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。
Claims (10)
1.设施主体形变监测方法，其特征在于，所述方法执行以下步骤：
步骤1：获取目标设施的原图像，和获取目标设施的实时图像和形变图像，所述形变图像的获取过程具体包括：使用凹形变相机获取目标设施的凹形变图像，以及使用凸形变相机获取目标设施的凸形变图像；
步骤2：对原图像和实时图像进行差异比对，找到差异部分，作为第一形变结果；
步骤3：将原图像进行凹形变，得到凹形变原图像，将原图像进行凸形变，得到凸形变原图像；
步骤4：将凹形变原图像进行缩小，直到其能完全置于凹形变图像中，被凹形变图像包围；然后按照设定的放大间隔倍数，不断放大凹形变原图像，直到凹形变原图像的面积与凹形变图像的面积的比率满足设定的范围，此时将凹形变原图像和凹形变图像进行差异比对，找到差异部分，作为第二形变结果；
步骤5：将凸形变原图像进行放大，直到其能完全包围凸形变图像；然后按照设定的缩小间隔倍数，不断缩小凸形变原图像，直到凸形变原图像的面积与凸形变图像的面积的比率满足设定的范围，此时将凸形变原图像和凸形变图像进行差异比对，找到差异部分，作为第三形变结果；
步骤6：将第二形变结果进行凹形变的逆变换，得到第二结果；将第三形变结果进行凸形变的逆变换，得到第三结果；将第二结果与第一形变结果在同一比例下进行重叠，对重叠结果取并集，得到中间结果，然后将中间结果与第三结果在同一比例下进行重叠，对重叠结果取并集，作为形变监测的结果。
2.如权利要求1所述的方法，其特征在于，所述凹形变相机为超广角镜头相机；所述凸形变相机为畸变镜头相机。
3.如权利要求1所述的方法，其特征在于，所述原图像、实时图像和形变图像均为三维立体图像。
4.如权利要求3所述的方法，其特征在于，所述步骤2中对原图像和实时图像进行差异比对，找到差异部分，作为第一形变结果的方法包括：步骤2.1：对原图像和实时图像进行归一化处理；步骤2.2：对归一化处理后的两幅图像，分别提取边缘特征，然后利用提取的边缘特征进行图像配准，通过频移变换和/或裁剪得到对齐图像；步骤2.3：基于对齐图像，采用重叠滑动窗分块的方法分别进行区域分割，提取每一区域图像块的颜色特征、纹理特征和边缘特征，将颜色特征、纹理特征和边缘特征分别归一化后，采用串联法实现颜色特征、纹理特征和边缘特征的融合；步骤2.4：使用相似度计算模型计算两幅图像对应图像块特征之间的差异度，若计算出的差异度超过设定的阈值，则判断该图像块为差异图像块；步骤2.5：针对所有的差异图像块，循环执行步骤2.3至步骤2.4的步骤，直到图像块的大小在设定的大小范围内。
5.如权利要求4所述的方法，其特征在于，所述步骤2.4中的相似度计算公式使用如下公式进行表示：
其中，S为计算得到的相似度；C1为原图像的图像块的颜色特征的特征矩阵，为一个三阶矩阵，C2为实时原图像的图像块的颜色特征的特征矩阵，为一个三阶矩阵；
为获取原图像和实时图像的相机的镜头的光学特征参数矩阵；A1为原图像的图像块的纹理特征，A2为实时图像的图像块的纹理特征；B1为原图像的图像块的边缘特征的特征矩阵，B2为实时图像的图像块的边缘特征的特征矩阵；[t1 t2 t3]为校正矩阵，其中，t1、t2和t3均为正整数，且满足t1*t2*t3＝255。
6.如权利要求2所述的方法，其特征在于，所述步骤3中将原图像进行凹形变，得到凹形变原图像的方法包括：使用与凹形变相机的超广角镜头的广角参数一致的参数，对原图像进行凹形变；所述步骤3中将原图像进行凸形变，得到凸形变原图像的方法包括：使用与凸形变相机的畸变镜头的畸变参数一致的参数，对原图像进行凸形变。
7.如权利要求6所述的方法，其特征在于，所述步骤4中设定的范围为：0.8～1.0；所述步骤5中设定的范围为：1.0～1.2。
8.如权利要求7所述的方法，其特征在于，所述步骤6中将第二结果与第一形变结果在同一比例下进行重叠，对重叠结果取并集，得到中间结果的方法包括：将原图像转换为一个矩阵，得到原图像矩阵，在原图像矩阵中保留第一形变结果对应的部分不变，将其他部分对应的元素全部置零，得到第一形变结果矩阵；对原图像矩阵进行复制，得到复制原图像矩阵，将第二结果对应复制原图像矩阵中的部分进行保留，将其他部分对应的元素全部置零，得到第二结果矩阵；将第一形变结果矩阵与第二结果矩阵进行矩阵加和运算，得到加和后的矩阵作为中间结果。
9.如权利要求8所述的方法，其特征在于，所述步骤6中将中间结果与第三结果在同一比例下进行重叠，对重叠结果取并集，作为形变监测的结果的方法包括：对原图像矩阵再次进行复制，得到第二复制原图像矩阵，将第三结果对应第二复制原图像矩阵中的部分进行保留，将其他部分对应的元素全部置零，得到第三结果矩阵；将中间结果与第三结果矩阵进行矩阵加和运算，得到加和后的矩阵作为形变监测的结果。
10.如权利要求9所述的方法，其特征在于，所述步骤6中的比例为原图像的比例。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210728639.6A CN115063372A (zh) | 2022-06-24 | 2022-06-24 | 设施主体形变监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210728639.6A CN115063372A (zh) | 2022-06-24 | 2022-06-24 | 设施主体形变监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115063372A true CN115063372A (zh) | 2022-09-16 |
Family
ID=83203031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210728639.6A Pending CN115063372A (zh) | 2022-06-24 | 2022-06-24 | 设施主体形变监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063372A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140125801A1 (en) * | 2012-03-16 | 2014-05-08 | Tongji University | On-line tunnel deformation monitoring system based on image analysis and its application |
| US20190197340A1 (en) * | 2016-01-15 | 2019-06-27 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Object surface deformation feature extraction method based on line scanning three-dimensional point cloud |
| CN110307790A (zh) * | 2019-07-04 | 2019-10-08 | 深圳市富源信息技术有限公司 | 应用于边坡安全监测的摄像机检测装置及方法 |
| US10796425B1 (en) * | 2016-09-06 | 2020-10-06 | Amazon Technologies, Inc. | Imagery-based member deformation gauge |
-
2022
- 2022-06-24 CN CN202210728639.6A patent/CN115063372A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140125801A1 (en) * | 2012-03-16 | 2014-05-08 | Tongji University | On-line tunnel deformation monitoring system based on image analysis and its application |
| US20190197340A1 (en) * | 2016-01-15 | 2019-06-27 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Object surface deformation feature extraction method based on line scanning three-dimensional point cloud |
| US10796425B1 (en) * | 2016-09-06 | 2020-10-06 | Amazon Technologies, Inc. | Imagery-based member deformation gauge |
| CN110307790A (zh) * | 2019-07-04 | 2019-10-08 | 深圳市富源信息技术有限公司 | 应用于边坡安全监测的摄像机检测装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 叶康;: "基于亚像素无标点法的掌子面变形监测技术", 公路, no. 04, 25 April 2017 (2017-04-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070570B (zh) | 一种基于深度信息的障碍物检测系统及方法 | |
| CN102236794B (zh) | 3d场景中3d对象的识别和姿态确定 | |
| JP6099479B2 (ja) | ひび割れ検出方法 | |
| CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
| CN109325959B (zh) | 一种基于Hough变换的提取红外图像细节的方法及其应用 | |
| CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
| CN110929782B (zh) | 一种基于正射影像图对比的河道异常检测方法 | |
| CN116844147A (zh) | 一种基于深度学习的指针式仪表识别和异常警报方法 | |
| JP2003216931A (ja) | 特定パターン認識方法、特定パターン認識プログラム、特定パターン認識プログラム記録媒体および特定パターン認識装置 | |
| CN117496401A (zh) | 一种用于视频测量影像序列椭圆形目标点全自动识别与跟踪方法 | |
| CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
| CN115063372A (zh) | 设施主体形变监测方法 | |
| CN112198170A (zh) | 一种无缝钢管外表面三维检测中识别水滴的检测方法 | |
| CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
| Wang et al. | Similarity evaluation of 3D surface topography measurements | |
| CN115512310A (zh) | 一种基于视频监控下车脸特征的车型识别方法及系统 | |
| CN114822781A (zh) | 基于检查图像的医疗图像脱敏方法 | |
| CN113627325A (zh) | 基于视频的振动定位和分析方法 | |
| Prince et al. | Multifeature fusion for automatic building change detection in wide-area imagery | |
| CN117809263B (zh) | 一种智慧街区智能巡检控制方法、装置及介质 | |
| CN117423010B (zh) | 一种基于遥感数据的河湖划界识别监测方法 | |
| Tsai et al. | Detection of roadway sign condition changes using multi-scale sign image matching (M-SIM) | |
| CN116883945B (zh) | 一种融合目标边缘检测和尺度不变特征变换的人员识别定位方法 | |
| CN116977442A (zh) | 基于相机和激光雷达的在线联合标定方法以及系统 | |
| CN117635874A (zh) | 基于图像多特征提取与融合算法的破片场三维快速反演系统 |
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 |