CN115294139B - 基于图像的边坡裂缝监测方法 - Google Patents
基于图像的边坡裂缝监测方法 Download PDFInfo
- Publication number
- CN115294139B CN115294139B CN202211229237.8A CN202211229237A CN115294139B CN 115294139 B CN115294139 B CN 115294139B CN 202211229237 A CN202211229237 A CN 202211229237A CN 115294139 B CN115294139 B CN 115294139B
- Authority
- CN
- China
- Prior art keywords
- segmentation threshold
- crack
- value
- pixel points
- connected domain
- 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
- G06T7/0002—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像的边坡裂缝监测方法,该方法包括:获取边坡表面的每帧图像,设定多个分割阈值,获取每帧图像在每个分割阈值下的疑似裂缝连通域,对每个分割阈值下的疑似裂缝连通域更新得到更新的目标连通域,获取目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度,并获取每个分割阈值下的最大目标连通域的面积及最大目标连通域中目标像素点的占比值,并确定每个分割阈值下的最大目标连通域的饱和程度值,根据饱和程度值确定每帧图像中最佳分割阈值,并获取裂缝区域,本发明精确确定了不同帧图像的最佳分割阈值,从而实现了裂缝区域的精确识别。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像的边坡裂缝监测方法。
背景技术
边坡包括自然地质作用形成的斜坡和人工开挖或填筑形成的斜坡。
边坡失稳造成的滑坡灾害严重威胁着人民生命财产安全、重大工程建设和生态环境。边坡失稳过程的特征包括裂缝的萌生-发展、坡体应力、孔隙水压力、土压力、坡面倾角等宏细观变化。其中,边坡表面裂缝的萌生发育过程是边坡失稳过程最直接的表现,有效、客观反映边坡表面裂缝的发展,揭示边坡宏观变形到失稳破坏的内在机理,成为边坡失稳预测预报、滑坡灾害防治、高边坡支护设计的关键科学问题,故需要对边坡上的裂缝进行监测,以更好的帮助后续的边坡失稳预测预报、滑坡灾害防治、高边坡支护进行分析与研究。
现有技术中,先对边坡裂缝进行图像采集,然后计算裂缝图像的最大信息熵,根据最大信息熵得到裂缝图像的阈值,然后在通过单一阈值分割确定得到裂缝图像中的裂缝缺陷,然而裂缝图像中的信息熵容易受环境因素的影响,单一阈值很难对所有图像中的裂缝都达到最理想、最优的分割结果,并且最大图像熵计算是利用图像中像素点的灰度值来计算的,对于灰度值来说,其最容易受光照和噪声的影响,从而会导致阈值不好确定或确定的不准确,进而影响裂缝区域的准确识别。
发明内容
本发明提供一种基于图像的边坡裂缝监测方法,以解决现有的裂缝缺陷的识别精度不高的问题。
本发明的一种基于图像的边坡裂缝监测方法采用如下技术方案:
获取边坡表面的每帧图像;
设定多个依次增大的分割阈值并得到分割阈值序列,根据分割阈值序列中每个分割阈值对某帧图像进行阈值分割得到对应的二值图像,并获取二值图像中的多个疑似裂缝连通域;
获取每两个相邻分割阈值对应的二值图像中新增的疑似裂缝像素点,并作为目标像素点;计算每个目标像素点与两个相邻分割阈值中的第一个分割阈值对应的每个疑似裂缝连通域的最小距离,根据最小距离中的最小值与预设距离阈值判断是否将该目标像素点更新至最小距离对应疑似裂缝连通域内,并得到更新后的目标连通域,直至所有分割阈值对应的疑似裂缝连通域的更新结束;
获取每个分割阈值下对应的目标像素点与疑似裂缝连通域的最小距离不大于预设距离阈值的目标像素点的数量;将不大于预设距离阈值的目标像素点的数量与该分割阈值下的目标像素点的总数的比值作为目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度;
获取每一个分割阈值下对应的目标连通域中的最大目标连通域,计算每个分割阈值下的各个最大目标连通域中目标像素点的占比值,根据每个分割阈值下的最大目标连通域的面积、目标像素点的占比值及相关程度计算每个分割阈值下的最大目标连通域的饱和程度值;
将最大饱和程度值对应的分割阈值作为最佳分割阈值,利用最佳分割阈值对每帧图像进行分割得到裂缝区域。
优选的,根据每个分割阈值下的最大目标连通域的面积、目标像素点的占比值及相关程度计算每个分割阈值下的最大目标连通域的饱和程度值的步骤包括:
将每个分割阈值下的最大目标连通域的面积、1减去目标像素点的占比值及1减去目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度的乘积作为每个分割阈值下的最大目标连通域的饱和程度值。
优选的,将0-150灰度值范围内的整数值作为分割阈值。
优选的,获取二值图像中的多个疑似裂缝连通域的步骤包括:
其中,二值图像中大于分割阈值的像素点的灰度值置为0,二值图像中小于分割阈值的像素点的灰度值置为255;
获取二值图像中灰度值为255的像素点,所有灰度值为255的像素点构成的区域记为疑似裂缝连通域,其中,一个灰度值为255的像素点构成的区域也作为一个疑似裂缝连通域。
优选的,获取每两个相邻分割阈值对应的二值图像中新增的疑似裂缝像素点的步骤包括:
获取分割阈值序列中第一个分割阈值对应的所有疑似裂缝连通域中疑似裂缝像素点;
获取分割阈值序列中第二个分割阈值对应的所有疑似裂缝连通域中疑似裂缝像素点;
第一个分割阈值与第二个分割阈值对应的所有疑似裂缝连通域中疑似裂缝像素点中的不同疑似裂缝像素点即为第二个分割阈值对应的所有疑似裂缝连通域中的新增的疑似裂缝像素点。
优选的,根据最小距离中的最小值与预设距离阈值判断是否将该目标像素点更新至最小距离对应疑似裂缝连通域内的步骤包括:
当最小距离中的最小值小于或者等于预设距离阈值时,则将该目标像素点更新至最小距离的最小值对应的疑似裂缝连通域内。
优选的,计算每个分割阈值下的各个最大目标连通域中目标像素点的占比值的步骤包括:
计算每个分割阈值对应的最大目标连通域中目标像素点的数量;
获取每个分割阈值与其前一个分割阈值对应的二值图像中目标像素点的总数量差值;
将每个分割阈值下最大目标连通域中目标像素点的数量与总数量差值的比值作为最大目标连通域中目标像素点的占比值。
优选的,将每帧图像中对应的最大饱和程度值对应的分割阈值作为该帧图像的最佳分割阈值,利用最佳分割阈值对每帧图像进行分割得到裂缝区域。
本发明的一种基于图像的边坡裂缝监测方法的有益效果是:
1、按照分割阈值从小到大对图像进行阈值分割,获取每次分割后的疑似裂缝连通域,对相邻的分割阈值对应的二值图像中目标像素点,并对疑似裂缝连通域进行更新,判断每次更新时目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度,通过相关程度及噪声点的特性来判断最大目标连通域是否饱和,即裂缝连通域是否饱和,从而将相关程度作为判断裂缝连通域是否饱和的一个条件,同时计算每个分割阈值下最大目标连通域中目标像素点的占比值及最大目标连通域的面积,将占比值及最大目标连通域的面积作为判断裂缝连通域是否饱和的其他条件,最终根据占比值、面积及相关程度综合来对每次分割后得到的最大目标连通域进行饱和程度的评价,以保证饱和程度最大时对应的分割阈值能分割得到精确的裂缝区域,实现对分割阈值的准确确定,提高裂缝区域的分割精度。
2、通过对每帧图像获取不同的最佳分割阈值,从而避免受环境干扰导致的同一分割阈值分割精度不高的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于图像的边坡裂缝监测方法的实施例的流程图;
图2为本发明的一种基于图像的边坡裂缝监测方法的实施例中分割阈值-最大目标连通域中的像素点的数量的曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种基于图像的边坡裂缝监测方法的实施例,如图1所示,本实施例的方法包括:
S1、实时获取边坡裂缝实验模型中的边坡表面的每帧图像。
具体的,在边坡治理工程或滑坡监测过程中,坡体表面裂纹发展情况可以有效反映边坡动态,故需要利用高清摄像机获取边坡表面的图像,从而对图像中的裂缝变化情况进行分析,为避免丢失当前图像中较为细小的裂缝的图像信息,本实施例以拍摄的边坡表面的图像中的其中一帧图像作为目标图像进行分析。
S2、设定多个依次增大的分割阈值并得到分割阈值序列,根据分割阈值序列中每个分割阈值对某帧图像进行阈值分割得到对应的二值图像,并获取二值图像中的多个疑似裂缝连通域。
具体的,根据先验知识,裂缝像素点的灰度值不可能超过150,故将0-150灰度值范围内的整数值作为分割阈值,0-150的整数值排列得到分割阈值序列,为方便研究裂缝信息,将分割后的图像进行了反向处理,反向处理即将二值图像中大于分割阈值的像素点的灰度值置为0,二值图像中小于分割阈值的像素点的灰度值置为255;然后获取二值图像中灰度值为255的像素点,所有灰度值为255的像素点构成的区域记为疑似裂缝连通域,其中,一个灰度值为255的像素点构成的区域也作为一个疑似裂缝连通域。
首先记录分割阈值为1时,当前分割出的白色像素点组成的多个疑似裂缝连通域按照所含像素点的数量从大到小进行排序得到疑似裂缝连通域,其中,表示第个疑似裂缝连通域并获取每个疑似裂缝连通域中疑似裂缝像素点的数量。
需要说明的是,裂缝的骨架部分在图像中灰度值低于边坡表面的正常区域的灰度,因此,按照分割阈值从小到大对图像进行分割过程中,最先出现的就是裂缝的骨架部分,故本实施例认为每个分割阈值下面积最大的疑似裂缝连通域一定为裂缝连通域,对应的随后在分割阈值不断迭代的过程中,新分割出的像素点,会在前一个阈值分割下的图像连通域中不断进行更新,直至裂缝信息达到最完整,但是,在此过程中,难免会出现各种各样的噪声点的连通域,故本实施例是将不确定的连通域与噪声点的连通域均记为疑似裂缝连通域。
S3、获取每两个相邻分割阈值对应的二值图像中目标像素点,并作为目标像素点;计算每个目标像素点与两个相邻分割阈值中的第一个分割阈值对应的每个疑似裂缝连通域的最小距离,根据最小距离中的最小值与预设距离阈值判断是否将该目标像素点更新至最小距离对应疑似裂缝连通域内,并得到更新后的目标连通域,直至所有分割阈值对应的疑似裂缝连通域的更新结束;获取每个分割阈值下对应的目标像素点与疑似裂缝连通域的最小距离不大于预设距离阈值的目标像素点的数量;将不大于预设距离阈值的目标像素点的数量与该分割阈值下的目标像素点的总数的比值作为目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度。
具体的,在按照分割阈值序列中的分割阈值依次进行迭代时,需要先获取每两个相邻分割阈值对应的二值图像中目标像素点,并作为目标像素点,其中,以第一个分割阈值和第二个分割阈值为例,在获取目标像素点时,具体的是通过获取分割阈值序列中第一个分割阈值对应的所有疑似裂缝连通域中疑似裂缝像素点;并获取分割阈值序列中第二个分割阈值对应的所有疑似裂缝连通域中疑似裂缝像素点;第一个分割阈值与第二个分割阈值对应的所有疑似裂缝连通域中疑似裂缝像素点中的不同疑似裂缝像素点即为第二个分割阈值对应的所有疑似裂缝连通域中目标像素点,由于,二值图像中小于灰度阈值的像素点的灰度值为255,则疑似裂缝像素点即为白色像素点,即目标像素点为白色像素点。
需要说明的是,在多个分割阈值迭代过程中,最初始的阈值分割出的像素点可能为单个像素点组成的连通域,也有可能是几个像素点组成的连通域,最理想的情况就是每一次分割出的像素点都合并进前一个像素点分割出的连通域之中,不断丰富连通域信息,最后,所有的连通域都连接在一起,只有分割阈值增大到一定程度才会和裂缝连通域发生接壤,即与最大的连通域接壤,随着分割阈值的增大,最终的裂缝连通域会保持像素点增长较为缓慢或是不增长,持续一段时间后,才会出现连通域之外的新的像素点组成的连通域的出现,当裂缝连通域分割完整后,裂缝连通域所含像素点的数量会基本保持稳定,因为裂缝本身的灰度值低于正常坡面的灰度值(本实施例为了方便处理后的图像观看,裂缝本身的灰度值是大于正常坡面的灰度值),在裂缝边缘附近,因为,明显的像素值梯度变化才会出现边缘,所以裂缝边缘像素点的像素值和正常坡面之间的灰度值不是相似的,即二者的分割阈值是相差很大的。
由于,每次目标像素点,其有可能是裂缝像素点,也有可能是噪声点,为了对裂缝像素点与噪声点进行区分,需要先找到每个目标像素点即目标像素点与每个疑似裂缝连通域中的疑似裂缝像素点的相关性,从而确定目标像素点的归属,故,本实施例以目标像素点与每个疑似裂缝连通域中的疑似裂缝像素点的距离作为位置相关性,其中,目标像素点与疑似裂缝像素点的距离越小,说明该目标像素点与对应疑似裂缝像素点的疑似裂缝连通域的相关性越高,故越能说明该目标像素点需要更新在该疑似裂缝连通域内,其中,两个相邻分割阈值中的第一个分割阈值对应的每个疑似裂缝连通域的最小距离时,根据距离公式计算两个像素点之间的距离,距离公式为现有技术公式本实施例不再赘述。
根据最小距离中的最小值与预设距离阈值判断是否将该目标像素点更新至最小距离对应疑似裂缝连通域内,并得到更新后的目标连通域,直至所有分割阈值对应的疑似裂缝连通域的更新结束的步骤:由于,本实施例认为,目标像素点与疑似裂缝像素点的距离越小,说明该目标像素点与对应疑似裂缝像素点的疑似裂缝连通域的相关性越高,故越能说明该目标像素点需要更新在该疑似裂缝连通域内,故在最小距离中的最小值小于或者等于预设距离阈值时,将该目标像素点更新至最小距离的最小值对应的疑似裂缝连通域内,随后在分割阈值不断迭代的过程中,每次更新目标像素点都会得到一个目标连通域,直至分割阈值迭代结束,即直至所有分割阈值对应的疑似裂缝连通域的更新结束,本实施例中,以作为距离阈值,其中,表示单个像素点的边长,即最小距离小于距离阈值时,则将目标像素点增添至最小距离对应的疑似连通域中,最小距离大于距离阈值时,则此时目标像素点,不属于该最小距离对应的疑似裂缝连通域中,即该目标像素点作为未归入裂缝连通域的目标像素点,并计算其与其他疑似裂缝连通域中的疑似裂缝像素点的最小距离,并继续进行距离阈值判断,得到每个目标像素点的最终更新的疑似裂缝连通域。
S4、获取每一个分割阈值下对应的目标连通域中的最大目标连通域,计算每个分割阈值下的各个最大目标连通域中目标像素点的占比值,根据每个分割阈值下的最大目标连通域的面积、目标像素点的占比值及相关程度计算每个分割阈值下的最大目标连通域的饱和程度值。
本实施例中,将每个分割阈值下对应的目标连通域进行排序,具体排序方式按照目标连通域中疑似裂缝像素点的数量进行排序,疑似裂缝像素点的数量最多的目标连通域作为最大目标连通域,其中,计算每个分割阈值下的各个最大目标连通域中目标像素点的占比值的步骤包括:计算每个分割阈值对应的最大目标连通域中目标像素点的数量;获取每个分割阈值与其前一个分割阈值对应的二值图像中目标像素点的总数量差值;将每个分割阈值下最大目标连通域中目标像素点的数量与总数量差值的比值作为最大目标连通域中目标像素点的占比值,占比值记为。
具体的,根据每个分割阈值下的最大目标连通域的面积、目标像素点的占比值及相关程度计算每个分割阈值下的最大目标连通域的饱和程度值的步骤包括:将每个分割阈值下的最大目标连通域的面积与1减去最大目标连通域中目标像素点的占比值的乘积作为最大目标连通域的饱和程度值;其中,为了避免最大目标连通域中出现噪声点,从而影响最大目标连通域的饱和程度,故在每个分割阈值下的最大目标连通域的面积与目标像素点的占比值的基础上引入目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度,其中,相关程度反映了每次目标像素点中有多少个是更新到了对应的疑似裂缝连通域中,当目标像素点没有对疑似裂缝连通域更新时,则说明这个时候目标像素点为噪声像素点,且噪声像素点单独形成了一个连通域,故本实施例,最终将根据每个分割阈值下的最大目标连通域的面积、目标像素点的占比值及目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度计算每个分割阈值下的最大目标连通域的饱和程度值,则,最终计算最大目标连通域的饱和程度值的公式为:
需要说明的是,裂缝的骨架部分在图像中属于灰度值最低的像素点,因此,阈值从小到大遍历的过程中,最先出现的就是裂缝的骨架部分,随后在阈值不断迭代的过程中,新分割出的像素点,会在前一个阈值分割下的图像连通域中不断进行更新,直至得到裂缝信息达到最完整,此时,裂缝区域即裂缝连通域更新后得到最大的连通域,如图2所示的分割阈值-最大目标连通域中的像素点的数量的曲线图,根据曲线的斜率,从曲线图中可以得到所有分割阈值下的最大目标连通域中的像素点的个数的变化可以分为三个阶段,第一阶段为缓慢增长阶段,第二个阶段为快速增长阶段,第三个阶段为近似区域平稳,即本实施例认为不再增长,故,本实施例中的最大目标连通域中目标像素点的占比值,即反映增长的像素点的个数,占比值越小越说明最大目标连通域越趋于饱和状态,即饱和程度值越大,当相关程度越大,说明每次目标像素点都是更新至疑似裂缝连通域中,噪声点较少,当相关程度越小,则说明目标像素点中噪声点的占比多,由于噪声点一般为单个孤立的像素点,故,出现噪声点时,说明分割阈值已经比较大了,且说明裂缝连通域趋于饱和,即饱和程度值大,故,本实施例利用最大目标连通域的面积、最大目标连通域中目标像素点的占比值、目标像素点相对于前一个分割阈值的所有连通域的相关程度综合来判断最大目标连通域的饱和程度,这样确定的最终的裂缝连通域的精度更高。
S5、将最大饱和程度值对应的分割阈值作为最佳分割阈值,利用最佳分割阈值对每帧图像进行分割得到裂缝区域。
由于,不同帧图像受环境影响程度不同,利用相同阈值度图像分割时,其也是不准确的,故将每帧图像中对应的最大饱和程度值对应的分割阈值作为该帧图像的最佳分割阈值,利用最佳分割阈值对每帧图像进行分割得到裂缝区域,并为监测边坡裂缝提供准确数据。
本发明的一种基于图像的边坡裂缝监测方法,按照分割阈值从小到大对图像进行阈值分割,获取每次分割后的疑似裂缝连通域,对相邻的分割阈值对应的二值图像中目标像素点,并对疑似裂缝连通域进行更新,判断每次更新时目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度,同时计算每个分割阈值下最大目标连通域中目标像素点的占比值及最大目标连通域的面积,根据占比值、面积及相关程度综合来对每次分割后得到的最大目标连通域进行饱和程度的评价,以保证饱和程度最大时对应的分割阈值能分割得到精确的裂缝区域,实现对分割阈值的准确确定,提高裂缝区域的分割精度。
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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像的边坡裂缝监测方法,其特征在于,该方法包括:
获取边坡表面的每帧图像;
设定多个依次增大的分割阈值并得到分割阈值序列,根据分割阈值序列中每个分割阈值对某帧图像进行阈值分割得到对应的二值图像,并获取二值图像中的多个疑似裂缝连通域;
获取每两个相邻分割阈值对应的二值图像中新增的疑似裂缝像素点,并作为目标像素点;计算每个目标像素点与两个相邻分割阈值中的第一个分割阈值对应的每个疑似裂缝连通域的最小距离,根据最小距离中的最小值与预设距离阈值判断是否将该目标像素点更新至最小距离对应疑似裂缝连通域内,并得到更新后的目标连通域,直至所有分割阈值对应的疑似裂缝连通域的更新结束;
获取每个分割阈值下对应的目标像素点与疑似裂缝连通域的最小距离不大于预设距离阈值的目标像素点的数量;将不大于预设距离阈值的目标像素点的数量与该分割阈值下的目标像素点的总数的比值作为目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度;
获取每一个分割阈值下对应的目标连通域中的最大目标连通域,计算每个分割阈值下的各个最大目标连通域中目标像素点的占比值,根据每个分割阈值下的最大目标连通域的面积、目标像素点的占比值及相关程度计算每个分割阈值下的最大目标连通域的饱和程度值;
将最大饱和程度值对应的分割阈值作为最佳分割阈值,利用最佳分割阈值对每帧图像进行分割得到裂缝区域。
2.根据权利要求1所述的一种基于图像的边坡裂缝监测方法,其特征在于,根据每个分割阈值下的最大目标连通域的面积、目标像素点的占比值及相关程度计算每个分割阈值下的最大目标连通域的饱和程度值的步骤包括:
将每个分割阈值下的最大目标连通域的面积、1减去目标像素点的占比值及1减去目标像素点与前一个分割阈值下的疑似裂缝连通域的相关程度的乘积作为每个分割阈值下的最大目标连通域的饱和程度值。
3.根据权利要求1所述的一种基于图像的边坡裂缝监测方法,其特征在于,将0-150灰度值范围内的整数值作为分割阈值。
4.根据权利要求1所述的一种基于图像的边坡裂缝监测方法,其特征在于,获取二值图像中的多个疑似裂缝连通域的步骤包括:
其中,二值图像中大于分割阈值的像素点的灰度值置为0,二值图像中小于分割阈值的像素点的灰度值置为255;
获取二值图像中灰度值为255的像素点,所有灰度值为255的像素点构成的区域记为疑似裂缝连通域,其中,一个灰度值为255的像素点构成的区域也作为一个疑似裂缝连通域。
5.根据权利要求1所述的一种基于图像的边坡裂缝监测方法,其特征在于,获取每两个相邻分割阈值对应的二值图像中新增的疑似裂缝像素点的步骤包括:
获取分割阈值序列中第一个分割阈值对应的所有疑似裂缝连通域中疑似裂缝像素点;
获取分割阈值序列中第二个分割阈值对应的所有疑似裂缝连通域中疑似裂缝像素点;
第一个分割阈值与第二个分割阈值对应的所有疑似裂缝连通域中疑似裂缝像素点中的不同疑似裂缝像素点即为第二个分割阈值对应的所有疑似裂缝连通域中新增的疑似裂缝像素点。
6.根据权利要求1所述的一种基于图像的边坡裂缝监测方法,其特征在于,根据最小距离中的最小值与预设距离阈值判断是否将该目标像素点更新至最小距离对应疑似裂缝连通域内的步骤包括:
当最小距离中的最小值小于或者等于预设距离阈值时,则将该目标像素点更新至最小距离的最小值对应的疑似裂缝连通域内。
7.根据权利要求1所述的一种基于图像的边坡裂缝监测方法,其特征在于,计算每个分割阈值下的各个最大目标连通域中目标像素点的占比值的步骤包括:
计算每个分割阈值对应的最大目标连通域中目标像素点的数量;
获取每个分割阈值与其前一个分割阈值对应的二值图像中目标像素点的总数量差值;
将每个分割阈值下最大目标连通域中目标像素点的数量与总数量差值的比值作为最大目标连通域中目标像素点的占比值。
8.根据权利要求1所述的一种基于图像的边坡裂缝监测方法,其特征在于,将每帧图像中对应的最大饱和程度值对应的分割阈值作为该帧图像的最佳分割阈值,利用最佳分割阈值对每帧图像进行分割得到裂缝区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211229237.8A CN115294139B (zh) | 2022-10-08 | 2022-10-08 | 基于图像的边坡裂缝监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211229237.8A CN115294139B (zh) | 2022-10-08 | 2022-10-08 | 基于图像的边坡裂缝监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294139A CN115294139A (zh) | 2022-11-04 |
CN115294139B true CN115294139B (zh) | 2022-12-13 |
Family
ID=83819380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211229237.8A Active CN115294139B (zh) | 2022-10-08 | 2022-10-08 | 基于图像的边坡裂缝监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294139B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797356B (zh) * | 2023-02-09 | 2023-05-23 | 山东第一医科大学附属省立医院(山东省立医院) | 一种核磁共振肿瘤区域提取方法 |
CN116309436B (zh) * | 2023-03-15 | 2023-12-12 | 广东科研世智能科技有限公司 | 断裂状态检测方法、装置、电子设备及存储介质 |
CN116597389B (zh) * | 2023-07-18 | 2023-09-15 | 山东省地质测绘院 | 基于图像处理的地质灾害监测及预警方法 |
CN117036353B (zh) * | 2023-10-09 | 2024-01-30 | 东莞市盈圆合创新材料有限公司 | 一种新能源电池用的耐温泡棉涂层检测方法 |
CN117152187B (zh) * | 2023-10-30 | 2024-01-26 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
CN117173661B (zh) * | 2023-11-02 | 2024-01-26 | 中铁五局集团成都工程有限责任公司 | 基于计算机视觉的沥青道路质量检测方法 |
CN117291945B (zh) * | 2023-11-24 | 2024-02-13 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于图像数据的土壤腐蚀污染检测预警方法 |
CN117710399B (zh) * | 2024-02-06 | 2024-04-30 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
CN117975175B (zh) * | 2024-04-02 | 2024-06-25 | 西安亚大塑料制品有限公司 | 一种基于机器视觉的塑料管道外观缺陷检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780537B (zh) * | 2017-01-11 | 2019-08-23 | 山东农业大学 | 一种基于图像处理的方格蔟蚕茧筛选装置及方法 |
WO2019000455A1 (zh) * | 2017-06-30 | 2019-01-03 | 上海联影医疗科技有限公司 | 图像分割的方法及系统 |
CN113592861B (zh) * | 2021-09-27 | 2021-12-24 | 江苏中云筑智慧运维研究院有限公司 | 一种基于动态阈值的桥梁裂缝检测方法 |
CN114998350B (zh) * | 2022-08-04 | 2022-10-25 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
-
2022
- 2022-10-08 CN CN202211229237.8A patent/CN115294139B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115294139A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294139B (zh) | 基于图像的边坡裂缝监测方法 | |
CN109658424B (zh) | 一种改进的鲁棒二维otsu阈值图像分割方法 | |
Sun et al. | Automated pavement distress detection using advanced image processing techniques | |
CN108876756B (zh) | 图像相似性的度量方法和装置 | |
CN100351853C (zh) | 高噪声图像特征点自动提取方法 | |
US10643321B1 (en) | Characterization method for fine-grained sedimentary rock laminar texture | |
CN116580021B (zh) | 一种环保混凝土降碳制品生产及质量检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN111507972A (zh) | 结合卷积神经网络和支持向量机的隧道表面缺陷检测方法 | |
CN109410205A (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN115641327A (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN117058147A (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN115063400A (zh) | 利用视觉手段的乐器生产缺陷检测方法 | |
Yan et al. | Snake model for the extraction of loess shoulder-line from DEMs | |
CN115346126A (zh) | 一种边坡裂纹识别方法 | |
CN116485719A (zh) | 一种用于裂缝检测的自适应canny方法 | |
CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
Ying et al. | Beamlet transform based technique for pavement image processing and classification | |
CN109035217B (zh) | 一种基于图像二维熵的土体裂隙定量评价方法 | |
CN114937167A (zh) | 一种复杂背景下桥梁路面裂缝图像裂缝检测方法 | |
CN110910332B (zh) | 一种视觉slam系统动态模糊处理方法 | |
CN108805855B (zh) | 一种混凝土裂纹快速识别方法 |
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 |