CN115187581A - 一种基于动态模式分解的混凝土裂缝实时检测方法 - Google Patents
一种基于动态模式分解的混凝土裂缝实时检测方法 Download PDFInfo
- Publication number
- CN115187581A CN115187581A CN202210968586.5A CN202210968586A CN115187581A CN 115187581 A CN115187581 A CN 115187581A CN 202210968586 A CN202210968586 A CN 202210968586A CN 115187581 A CN115187581 A CN 115187581A
- Authority
- CN
- China
- Prior art keywords
- image
- foreground
- crack
- representing
- cps
- 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 39
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 32
- 238000011897 real-time detection Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000013519 translation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000012360 testing method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000005452 bending Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 101100328518 Caenorhabditis elegans cnt-1 gene Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement 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
- 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
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
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)
Abstract
本发明公开了一种基于动态模式分解的混凝土裂缝实时检测方法，检测方法包括如下步骤：图像采集和预处理、图像滤波去噪、将滤波去噪后的图像按照时间序列堆叠在一起得到二维矩阵，对二维矩阵进行动态模式分解，得到不同频率的图像模式，将频率接近为零的图像模式叠加在一起得到背景图像，将除了接近零以外的其他图像模式叠加在一起得到前景图像，对前景图像采用阈值处理得到二值图像，对二值图像采用连通区域法，通过求得连通块的梯度相关系数ϒ，其大于前景频率的阀值τ时，则判定连通块为裂缝区域，从而实现了混凝土试件表面裂缝发展过程的实时动态检测，并且具有执行效率快，检测精度高的优点。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于动态模式分解的混凝 土裂缝实时检测方法。
背景技术
为了研究混凝土材料的抗压，抗弯和抗拉等力学性能，通常会在实验室 和施工现场对混凝土试件进行抗压，抗弯和抗拉等力学试验，测量混凝土材 料的荷载-位移曲线，进而得到其抗压，抗弯和抗拉强度。在试验的加载过程 中，混凝土试件表面会出现裂缝并逐渐扩展，直至整个试件压溃。混凝土裂 缝的发展趋势对混凝土材料的力学性能具有重要影响，故检测裂缝的发展规 律有助于深入理解材料的力学性能。
目前实验室检测混凝土的裂缝宽度主要采用以下三种方法：(1)利用游 标卡尺或者刻度尺对照裂缝进行测量，这种方式由人工操作，具有一定的主 观性；(2)将裂缝测宽仪放在裂缝处读取裂缝的宽度，由于测量每条表面裂 缝均需要放置一次裂缝测宽仪，工作量非常大；(3)DIC试验测量设备采用 数字图像相关原理实现全场表面应力测量，这种方法精度高，仪器非常昂贵。
上述三种方法前两种均无法实现混凝土表面裂缝随时间变化的发展情况， 第三种方法采用的仪器昂贵且操作复杂，需要专业的技术人员操作。故有必 要开发一种新型的裂缝检测方法，保证裂缝检测精度的同时，不增加人力资 源，并能实现裂缝的长期动态检测。
发明内容
为了提高裂缝检测效率和实现表面裂缝的动态检测，本发明提供一种基 于动态模式分解的混凝土裂缝实时检测方法，该混凝土裂缝检测方法具有全 表面检测裂缝，抗噪声能力强，识别速度快和检测精度高等优点。
为实现上述目的，本发明提供如下技术方案：
一种基于动态模式分解的混凝土裂缝实时检测方法，包括以下步骤：
步骤1，图像预处理：将待识别的彩色图转化为灰度图，并进行平移变换 校正图像；
步骤2，图像滤波：采用拉普拉斯算法的梯度滤波器对图像滤波去除噪声；
步骤3，裂缝区域检测：将一组时序图像堆积在一起组成二维矩阵，对二 维矩阵动态模式分解得到不同频率的图像模式；
步骤4，前景和背景图像获取：将频率接近为零的图像模式叠加在一起得 到背景图像；将除了接近零以外的其他图像模式叠加在一起得到前景图像；
步骤5，检测所有裂缝：对前景图像采用阈值处理得到二值图像，对二值 图像采用连通区域法，通过求得连通块(CBCps-i)的梯度相关系数
当
时， 则判定连通块(CBCps-i)为裂缝区域；其中，τ表示前景频率的阀值；
步骤6，提取裂缝的长度、宽度和面积物理特征参数，根据二值图像中裂 缝区域所占的像素多少计算；
步骤7，获取裂缝在水平和垂直两个主方向的投影面积：水平方向投影为 对图像数组进行列求和；垂直方向投影为对图像数组行进行求和；
步骤8，计算混凝土表面的开裂比率，以及裂缝的扩展速率。
优选的，所述步骤5，通过梯度信息检测出所有裂缝的步骤如下：
计算连通块(CBCps-i)在当前前景图像F与背景图像B之间的梯度相关系数 
如下式(11)所示；
式中，τ表示前景频率的阀值，H(·)表示单位跳跃函数，其函数值可通 过式(12)计算得到；Δθj为连通块(CBCps-i)中的任一个像素cj(x,y)在当前 前景图像F与背景图像B中的梯度之差；
当
时，则判定为裂缝区域。
优选的，所述连通块(CBCps-i)中的任一个像素cj(x,y)在当前前景图像F与 背景图像B中的梯度之差Δθj，如下式(10)所示；
其中，
表示连通块(CBCps-i)内像素c(x,y)在当前前景图像F中x轴方向 的梯度，
表示连通块(CBCps-i)内像素c(x,y)在当前前景图像F中y轴方向的 梯度，
表示连通块(CBCps-i)内像素c(x,y)在背景图像B中x轴方向的梯度， 
表示连通块(CBCps-i)内像素c(x,y)在背景图像B中y轴方向的梯度。
优选的，所述步骤1中的灰度化采用如下公式：
I(x,y)＝0.3IR(x,y)+0.59IG(x,y)+0.11IB(x,y) (1)
其中，I(x,y)为图像在坐标(x,y)处的强度值，IR(x,y)为图像在坐标(x,y) 处红色通道的强度值，IG(x,y)为图像在坐标(x,y)处绿色通道的强度值， IB(x,y)为图像在坐标(x,y)处蓝色通道的强度值。
优选的，所述步骤1中的图像平移变换采用如下公式：
其中，(x,y)表示图像的像素点，(x*,y*)表示平移后的点，Δx表示沿x 轴方向的平移量，Δy表示沿y轴方向的平移量。
优选的，所述步骤2中拉普拉斯算法的梯度滤波器表示为：
其中，
为拉普拉斯算子，卷积的模板为
优选的，所述步骤3对二维矩阵进行动态模式分解为：
其中，Y表示二维矩阵，L表示背景，S表示前景；
bi表示第i个模式的初始幅值，Φi表示第i个分解的模式，wi表示第i 个模式的频率，t表示时间变量，τ表示前景频率的阀值。
优选的，所述步骤4背景图像的计算公式为：
其中，L表示组成背景图像B的矩阵，bi表示第i个模式的初始幅值，Φ i表示第i个分解的模式，wi表示第i个模式的频率，t表示时间变量，τ表 示前景频率的阀值。
优选的，所述步骤4前景图像的计算公式为：
其中，S表示组成前景图像的矩阵，bi表示第i个模式的初始幅值，Φi表示第i个分解的模式，wi表示第i个模式的频率，t表示时间变量，τ表示 前景频率的阀值。
有益效果
本发明将滤波去噪后的图像按照时间序列堆叠在一起得到二维矩阵，对 二维矩阵进行动态模式分解，得到不同频率的图像模式，将频率接近为零的 图像模式叠加在一起得到背景图像，将除了接近零以外的其他图像模式叠加 在一起得到前景图像，对前景图像采用阈值处理得到二值图像，对二值图像 采用连通区域法，通过求得连通块(CBCps-i)的梯度相关系数
其大于前景 频率的阀值τ时，则判定连通块(CBCps-i)为裂缝区域，从而实现了混凝土试 件表面裂缝发展过程的实时动态检测，并且具有执行效率快，检测精度高的 优点；
对于传统的图像识别方法，本算法具有抗背景噪声能力强和实时动态检 测的功能，适用于实验室和现场试验的混凝土试件加载实验；
相对于机器学习算法，本算法不需要通过大量的数据集进行标记和训练， 也不局限于某一类型的表面裂缝检测，具有适用性广的特点。
附图说明
图1为本发明一种基于动态模式分解的混凝土裂缝实时检测方法的流程 图；
图2为本发明实施例步骤2的预处理结果，其为灰度图；
图3为本发明实施例步骤2去噪声后的图像；
图4为本发明实施例步骤3执行后不同频率对应的模式，其为频率0.002 的图像模式；
图5为本发明实施例步骤3执行后不同频率对应的模式，其为频率1.31 的图像模式；
图6为本发明实施例步骤4执行后获得的背景图像；
图7为本发明实施例步骤4执行后获得的前景图像；
图8为本发明实施例步骤4执行后的二值图图像；
图9为本发明实施例步骤4执行后的检测裂缝图像；
图10为本发明实施例步骤5获得的物理参数，其为检测裂缝的长度；
图11为本发明实施例步骤5获得的物理参数，其为检测裂缝的宽度；
图12为本发明实施例步骤5获得的物理参数，其为检测裂缝的面积；
图13为本发明实施例步骤6获得的投影结果，其为水平投影面积；
图14为本发明实施例步骤6获得的投影结果，其为垂直投影面积；
图15为本发明实施例步骤7执行后的结果，其为开裂比率；
图16为本发明实施例步骤7执行后的结果，其为裂缝发展速度和荷载- 位移曲线对比结果。
具体实施方式
如图1所示，本发明提供了一种基于动态模式分解的混凝土裂缝实时检 测方法，主要包括以下步骤：
步骤1，获取图像：通过摄像头对混凝土裂缝区域摄像和拍照，得到裂缝 区域的图像；
步骤2，图像预处理：先将彩色图像转化为灰度图，然后对灰度图进行平 移变换，平移变换后的图像再进行去噪声处理；
该步骤的具体操作过程如下：
(a)灰度化：将彩色图像的RGB三通道采用如下的计算公式(1)得到 灰度值范围为0-255的灰度图，灰度图结果如图2所示；
I(x,y)＝0.3IR(x,y)+0.59IG(x,y)+0.11IB(x,y) (1)
其中，I(x,y)为图像在坐标(x,y)处的强度值，IR(x,y)为图像在坐标(x,y) 处红色通道的强度值，IG(x,y)为图像在坐标(x,y)处绿色通道的强度值， IB(x,y)为图像在坐标(x,y)处蓝色通道的强度值；
(b)图像平移：将灰度图像采用如下的计算公式(2)得到平移后的图 像，如图3所示；
其中，(x,y)表示图像的像素点，(x*,y*)表示平移后的点，Δx表示沿x 轴方向的平移量，Δy表示沿y轴方向的平移量；
(c)图像滤波：将平移后的图像采用拉普拉斯算法，计算公式如下式(3)， 去噪后的图像如图4所示；
其中，
为拉普拉斯算子，卷积的模板为
步骤3，裂缝区域检测：将滤波去噪后的图像按照时间序列堆叠在一起得 到二维矩阵，对二维矩阵进行动态模式分解，计算不同频率及对应的模式；
该步骤的具体操作过程如下：
(a)不同时间序列图像按照下面的公式(4)堆叠成二维矩阵；
Y＝[y1 y2 Λ yp] (4)
其中，Y表示二维矩阵，yp表示第p张灰度图堆叠在一起；
(b)对二维矩阵按照下面的公式(5)进行分解，获得不同频率及对应 的模式，如图5的频率为0.002、如图6所示的频率为1.31；
其中，Y表示二维矩阵，L表示背景，S表示前景；
bi表示第i个模式的初始幅值，Φi表示第i个分解的模式，wi表示第i 个模式的频率，t表示时间变量，τ表示前景频率的阀值；
步骤4，图像表面所有裂缝检测：先将图像分解为前景图像和背景图像， 然后对前景图像进行阈值处理获得二值图像，再对二值图像采用两次遍历法 检测所有裂缝；
该步骤的具体操作过程如下：
(a)背景图像B按照下式(6)计算，结果如图7所示；
其中，L表示组成背景图像B的矩阵，bi表示第i个模式的初始幅值，Φ i表示第i个分解的模式，wi表示第i个模式的频率，t表示时间变量，τ表 示前景频率的阀值；
(b)前景图像按照下式(7)计算，结果如图8所示；
其中，S表示组成前景图像的矩阵，bi表示第i个模式的初始幅值，Φi表示第i个分解的模式，wi表示第i个模式的频率，t表示时间变量，τ表示 前景频率的阀值；
(c)对前景图像按照下式(8)进行阈值处理，获得的二值图像如图9 所示；
(d)对二值图像采用两次遍历法检测所有裂缝：第一次对图像所有的像 素进行遍历设置一个标记，记录不同的标记属于哪个连通域，第二次遍历将 每个像素标记为所属的连通域，之后执行下述操作：
Step1，采用基于色度的算法，从连通域中选取可能的裂缝像素，记为裂 缝像素集合Cps{c1,c2,…,ci,…,cn}；
Step2，根据连通区域原理，将裂缝像素集合Cps分为不同的连通块，记 为裂缝像素连通块集合CBCps{CBCps-1,CBCps-2,…,CBCps-i,…,CBCps-n}；
Step3，计算每一个连通块(CBCps-i)内像素的梯度和梯度方向，其计算方法 如下式(9)所示；
式中，
表示连通块(CBCps-i)内像素的梯度，θc表示连通块(CBCps-i)内像 素的梯度方向；
在x轴方向的梯度
在x轴方向的梯度
Step4，计算连通块(CBCps-i)中的任一个像素cj(x,y)在当前前景图像F与 背景图像B中的梯度之差Δθj，如下式(10)所示；
其中，
表示连通块(CBCps-i)内像素c(x,y)在当前前景图像F中x轴方向 的梯度，
表示连通块(CBCps-i)内像素c(x,y)在当前前景图像F中y轴方向的 梯度，
表示连通块(CBCps-i)内像素c(x,y)在背景图像B中x轴方向的梯度， 
表示连通块(CBCps-i)内像素c(x,y)在背景图像B中y轴方向的梯度；
Step5，计算连通块(CBCps-i)在当前前景图像F与背景图像B之间的梯度相 关系数
如下式(11)所示；
式中，τ表示前景频率的阀值，H(·)表示单位跳跃函数，其函数值可通 过式(12)计算得到；
通过步骤Step1-5即可求得每一个连通块(CBCps-i)的梯度相关系数
当 
时，则判定连通块(CBCps-i)为裂缝区域，检测所有裂缝的结果如图10所 示；
步骤5，提取裂缝长度、宽度和面积的物理参数，长度为沿某一方向像素 最多的方向，结果如图11所示；宽度为沿某一方向像素最小的方向，结果如 图12所示；面积为裂缝所占的像素总个数，结果如图13所示；
步骤6，计算裂缝在两个主方向的投影面积：
水平方向投影面积的计算按照下式(13)，投影结果如图14所示；
其中，B[i,j]为二值图像中坐标[i,j]的非零像素，PH[i]为第i行堆叠的 像素值；
竖直方向投影面积的计算按照下式(14)，投影结果如图15所示；
其中，B[i,j]为二值图像中坐标[i,j]的非零像素，PV[j]为第j行堆叠的 像素值；
步骤7，混凝土表面的开裂比率ρ按照下式(15)计算，结果如图15、 如图16所示；
Ρ＝AC/AT (15)
其中，AC为裂缝的像素和，AT为整个图像的像素总和；
根据本发明上述的实施例，本发明还提供了一套裂缝检测电子处理设备， 具体包括一组摄像头，一个储存有上述基于动态模式分解的混凝土裂缝实时 检测程序的处理器，一个能储存计算结果的大容量储存器，以及一个显示器。
具体使用中，通过摄像头采集裂缝图像，然后将采集的图像传递给处理 器直接处理并储存结果，结果显示在屏幕上，也可通过含有终端接收的电子 设备通过网络进行交互，实现数据的接收或者发送功能；终端设备一般是含 有显示器的各种电子设备，包括但不限于智能手机、平板电脑和台式电脑等； 将具体的应用软件安装在终端设备。
尽管本发明的描述已经相当详尽且给出了具体的实施例，但并非旨在局 限于任何这些细节或者实施例的特殊情况。本技术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实施例，均属于本发明包含的范围。
Claims (9)
1.一种基于动态模式分解的混凝土裂缝实时检测方法，其特征在于，包括以下步骤：
步骤1，图像预处理：将待识别的彩色图转化为灰度图，并进行平移变换校正图像；
步骤2，图像滤波：采用拉普拉斯算法的梯度滤波器对图像滤波去除噪声；
步骤3，裂缝区域检测：将一组时序图像堆积在一起组成二维矩阵，对二维矩阵动态模式分解得到不同频率的图像模式；
步骤4，前景和背景图像获取：将频率接近为零的图像模式叠加在一起得到背景图像；将除了接近零以外的其他图像模式叠加在一起得到前景图像；
步骤5，检测所有裂缝：对前景图像采用阈值处理得到二值图像，对二值图像采用连通区域法，通过求得连通块(CBCps-i)的梯度相关系数γ，当γ>τ时，则判定连通块(CBCps-i)为裂缝区域；其中，τ表示前景频率的阀值；
步骤6，提取裂缝的长度、宽度和面积物理特征参数，根据二值图像中裂缝区域所占的像素多少计算；
步骤7，获取裂缝在水平和垂直两个主方向的投影面积：水平方向投影为对图像数组进行列求和；垂直方向投影为对图像数组行进行求和；
步骤8，计算混凝土表面的开裂比率，以及裂缝的扩展速率。
2.根据权利要求1所述的一种基于动态模式分解的混凝土裂缝实时检测方法，其特征在于：所述步骤5，通过梯度信息检测出所有裂缝的步骤如下：
计算连通块(CBCps-i)在当前前景图像F与背景图像B之间的梯度相关系数γ，如下式(11)所示；
式中，τ表示前景频率的阀值，H(·)表示单位跳跃函数，其函数值可通过式(12)计算得到；Δθj为连通块(CBCps-i)中的任一个像素cj(x,y)在当前前景图像F与背景图像B中的梯度之差；
3.根据权利要求2所述的一种基于动态模式分解的混凝土裂缝实时检测方法，其特征在于：所述连通块(CBCps-i)中的任一个像素cj(x,y)在当前前景图像F与背景图像B中的梯度之差Δθj，如下式(10)所示；
其中，
表示连通块(CBCps-i)内像素c(x,y)在当前前景图像F中x轴方向的梯度，
表示连通块(CBCps-i)内像素c(x,y)在当前前景图像F中y轴方向的梯度，
表示连通块(CBCps-i)内像素c(x,y)在背景图像B中x轴方向的梯度，
表示连通块(CBCps-i)内像素c(x,y)在背景图像B中y轴方向的梯度。
4.根据权利要求1所述的一种基于动态模式分解的混凝土裂缝实时检测方法，其特征在于：所述步骤1中的灰度化采用如下公式：
I(x,y)＝0.3IR(x,y)+0.59IG(x,y)+0.11IB(x,y) (1)
其中，I(x,y)为图像在坐标(x,y)处的强度值，IR(x,y)为图像在坐标(x,y)处红色通道的强度值，IG(x,y)为图像在坐标(x,y)处绿色通道的强度值，IB(x,y)为图像在坐标(x,y)处蓝色通道的强度值。
5.根据权利要求1所述的一种基于动态模式分解的混凝土裂缝实时检测方法，其特征在于：所述步骤1中的图像平移变换采用如下公式：
其中，(x,y)表示图像的像素点，(x*,y*)表示平移后的点，Δx表示沿x轴方向的平移量，Δy表示沿y轴方向的平移量。
6.根据权利要求1所述的一种基于动态模式分解的混凝土裂缝实时检测方法，其特征在于：所述步骤2中拉普拉斯算法的梯度滤波器表示为：
其中，
为拉普拉斯算子，卷积的模板为
7.根据权利要求1所述的一种基于动态模式分解的混凝土裂缝实时检测方法，其特征在于：所述步骤3对二维矩阵进行动态模式分解为：
其中，Y表示二维矩阵，L表示背景，S表示前景；
bi表示第i个模式的初始幅值，Φi表示第i个分解的模式，wi表示第i个模式的频率，t表示时间变量，τ表示前景频率的阀值。
8.根据权利要求1所述的一种基于动态模式分解的混凝土裂缝实时检测方法，其特征在于：所述步骤4背景图像的计算公式为：
其中，L表示组成背景图像B的矩阵，bi表示第i个模式的初始幅值，Φi表示第i个分解的模式，wi表示第i个模式的频率，t表示时间变量，τ表示前景频率的阀值。
9.根据权利要求1所述的一种基于动态模式分解的混凝土裂缝实时检测方法，其特征在于：所述步骤4前景图像的计算公式为：
其中，S表示组成前景图像的矩阵，bi表示第i个模式的初始幅值，Φi表示第i个分解的模式，wi表示第i个模式的频率，t表示时间变量，τ表示前景频率的阀值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210968586.5A CN115187581A (zh) | 2022-08-12 | 2022-08-12 | 一种基于动态模式分解的混凝土裂缝实时检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210968586.5A CN115187581A (zh) | 2022-08-12 | 2022-08-12 | 一种基于动态模式分解的混凝土裂缝实时检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115187581A true CN115187581A (zh) | 2022-10-14 |
Family
ID=83523559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210968586.5A Pending CN115187581A (zh) | 2022-08-12 | 2022-08-12 | 一种基于动态模式分解的混凝土裂缝实时检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187581A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118294638A (zh) * | 2024-06-04 | 2024-07-05 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于图像-冲击回波的混凝土内部裂缝检测方法及系统 |
-
2022
- 2022-08-12 CN CN202210968586.5A patent/CN115187581A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118294638A (zh) * | 2024-06-04 | 2024-07-05 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于图像-冲击回波的混凝土内部裂缝检测方法及系统 |
| CN118294638B (zh) * | 2024-06-04 | 2024-08-20 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于图像-冲击回波的混凝土内部裂缝检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hosseini et al. | Focus quality assessment of high-throughput whole slide imaging in digital pathology | |
| CN105427298B (zh) | 基于各向异性梯度尺度空间的遥感图像配准方法 | |
| CN111899237B (zh) | 标尺精度测量方法、装置、计算机设备和存储介质 | |
| CN110335204B (zh) | 一种热成像图像增强方法 | |
| CN110487737B (zh) | 用于智能手机光谱检测的图像信息提取与计算方法及系统 | |
| CN112308854B (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
| CN108257125B (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
| CN114998323A (zh) | 基于注意力机制的螺纹钢异常判定方法 | |
| EP3770853B1 (en) | Image processing method, computer program, and recording medium | |
| van Zwanenberg et al. | Edge detection techniques for quantifying spatial imaging system performance and image quality | |
| CN115187581A (zh) | 一种基于动态模式分解的混凝土裂缝实时检测方法 | |
| CN108335310B (zh) | 一种便携式粒形粒度检测方法及系统 | |
| CN1331098C (zh) | 用于分析数字图像纹理结构的方法 | |
| CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 | |
| CN116385446B (zh) | 一种用于勃姆石生产的晶体杂质检测方法 | |
| TW200842339A (en) | Mura detection method and system | |
| CN116385268A (zh) | 一种遥感图像增强方法 | |
| CN103208013A (zh) | 一种基于图像噪声分析的照片来源识别方法 | |
| CN114663681A (zh) | 用于对指针式仪表进行读数的方法及其相关产品 | |
| Omar et al. | GLCM-based metric for image fusion assessment | |
| CN101354357A (zh) | 一种分析树木年轮微密度图像的方法 | |
| WO2015032835A1 (en) | Method and system for detection of fluid inclusion | |
| CN117576139B (zh) | 一种基于双边滤波的边缘及角点检测方法及系统 | |
| JPH03156306A (ja) | 双眼ステレオ画像における三次元特徴部の直接的体積測定方法 | |
| CN110288565A (zh) | 碳纤维复合芯导线的缺陷识别方法、装置及存储介质 |
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 |