CN115346126A - 一种边坡裂纹识别方法 - Google Patents
一种边坡裂纹识别方法 Download PDFInfo
- Publication number
- CN115346126A CN115346126A CN202211271067.XA CN202211271067A CN115346126A CN 115346126 A CN115346126 A CN 115346126A CN 202211271067 A CN202211271067 A CN 202211271067A CN 115346126 A CN115346126 A CN 115346126A
- Authority
- CN
- China
- Prior art keywords
- frame difference
- image
- target area
- difference image
- original images
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种边坡裂纹识别方法。该方法对图像识别设备识别到的边坡表面灰度图像数据获取,进而对获取的数据处理分析,侧重点是对所获取数据的处理方法进行改进,将连续获取的边坡表面灰度图像作为原始图像,对两连续原始图像不进行去噪直接作差得到帧差图像并确定帧差图像上目标区域,以目标区域的信息包含率结合未去噪处理的两连续原始图像的信噪比确定对两连续原始图像的适应性降噪程度,以降噪后的两连续原始图像作差得到新的帧差图像以及对应的新的目标区域,完成边坡裂纹识别。该方法避免以统一降噪处理尺度进行降噪而导致有用信息丢失或者噪声信息的剔除不彻底,实现了对边坡裂纹的更准确的识别。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种边坡裂纹识别方法。
背景技术
边坡指的是为保证路基稳定,在路基两侧做成的具有一定坡度的坡面。边坡结构的完整性与稳定性直接影响其对路径的保护效果,边坡结构的完整性与稳定性可通过边坡上所存在的裂纹而直观反映,所以现有技术常通过识别边坡是否出现了裂纹来判断边坡结构的完整性与稳定性是否下降。
当前为提高对边坡裂纹检测的效率并降低人工工作量,常用用机器视觉技术来对边坡是否出现裂纹以及裂纹是否扩大也即开裂情况是否严重进行识别,具体来说则是通过连续获取边坡图像并以帧差法来完成边坡裂纹是否产生以及裂纹大小是否变化的检测。
在以帧差法进行识别过程中,由于所获取的边坡图像不可避免地会存在噪声,所以为提高识别准确度需要对每一帧图像进行去噪处理,而现有技术在以帧差法完成边坡裂纹检测时,对相邻帧进行去噪的程度是相同的,但事实上不同帧图像中所存在的噪声信息的多少是不同的,也即每一帧图像其最适合的降噪处理程度是不同的,现有的以相同降噪程度对连续获取的所有帧的图像进行去噪处理的该种降噪方法,会导致部分帧图像去噪不足依然存在明显噪声信息、而部分帧图像去噪过度造成有用信息的丢失,导致去噪后以帧差法识别边坡裂纹的准确度下降。
发明内容
本发明提供了一种边坡裂纹识别方法,用以解决现有技术对边坡裂纹识别准确度不足的问题,所采用的技术方案具体如下:
本发明的一种边坡裂纹识别方法,包括以下步骤:
采用图像采集设备连续获取边坡表面灰度图像,以连续获取的边坡表面灰度图像作为帧差处理前的连续原始图像,以连续原始图像中任意两个连续原始图像作差得到帧差图像;
将帧差图像进行分块,计算对帧差图像分块后所得每个分割块的对比度,将对比度小于设定对比度阈值的分割块连接得到帧差图像的目标区域;
计算帧差图像的目标区域的信息包含率,确定得到帧差图像的两个连续原始图像各自的信噪比,以两个连续原始图像各自的信噪比以及帧差图像的目标区域的信息包含率确定两个连续原始图像各自的降噪率;
以两个连续原始图像各自的降噪率对对应原始图像进行降噪,并将降噪后的两个连续原始图像进行作差得到新的帧差图像,在新的帧差图像中确定新的目标区域,以新的目标区域完成边坡裂纹识别。
本发明的有益效果为:
本发明该方法以图像采集设备连续获取边坡表面灰度图像后作为原始图像,然后以未降噪处理的两个连续原始图像作差处理得到帧差图像并确定出帧差图像中边坡裂纹所在的目标区域,以所确定的目标区域灰度特征以及对比度特征确定目标区域的信息包含率,以目标区域的信息包含率以及未降噪处理的两个连续原始图像各自的信噪比,确定未降噪处理的两个连续原始图像各自的降噪率从而完成对未降噪处理的两个连续原始图像的针对性降噪,并以降噪后的两个连续原始图像作差得到新的帧差图像并进一步得到新的目标区域,以新的目标区域完成边坡裂纹的识别。该方法在以帧差法完成边坡裂纹识别的过程中,对用于帧差处理的任意两个连续原始图像进行了针对性的或者说适应性的降噪处理,避免了以统一降噪处理尺度而导致的有用信息的丢失或者噪声信息的剔除不彻底,从而实现了对边坡裂纹的更为准确的识别。
进一步的,所述每个分割块的对比度为:
进一步的,所述计算帧差图像的目标区域的信息包含率的方法为:
计算帧差图像的目标区域的灰度偏移量:
其中,表示当前目标区域的灰度偏移量,表示当前目标区域中第z个像素点的灰度值,表示当前目标区域中像素点的总数,表示已存在边坡裂纹的原始图像中裂纹处像素点的灰度均值,表示帧差图像区域大小和不受噪声点影响的区域大小的面积的调整参数;
然后计算当前目标区域的信息包含率:
进一步的,所述两个连续原始图像各自的降噪率为:
附图说明
图1是本发明该种边坡裂纹识别方法的流程图。
具体实施方式
本发明的构思为:
本发明该方法在连续获取边坡图像后经灰度化处理得到对应的连续灰度图像,并对任意两连续原始图像不进行去噪而直接进行帧差处理得到差分图像,通过确定差分图像上目标裂纹区域的信息所含率后再分别结合获取差分图像所用到的两个原始图像各自的信噪比,最终得到两原始图像各自的去噪过程中的降噪率并对两原始图像分别完成降噪处理,以降噪后的两原始图像重新进行差分计算获取新的差分图像,基于所获取的新的差分图像进行边坡裂纹识别。
下面结合附图及实施例,对本发明的一种边坡裂纹识别方法进行详细说明。
方法实施例:
本发明的一种边坡裂纹识别方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,采用图像采集设备连续获取边坡表面灰度图像,得到帧差处理前的连续原始图像,以连续原始图像中任意两个连续原始图像作差得到帧差图像。
本实施例采用高清摄像机连续获取边坡表面图像并灰度化处理生成对应的边坡表面灰度图像,并将连续获取的边坡表面灰度图像分别记为作为帧差处理前的连续原始图像,然后对任意两个相邻的原始图像进行帧差处理得到与连续原始图像集合对应的帧差图像集合。
步骤二,将帧差图像进行分块,分析每块区域的特性,然后连接特性相似的区域确定目标区域。
在通过图像采集设备所获取的作为原始图像的边坡表面灰度图像中不可避免地存在噪声,且噪声的分布是离散的,分布位置包括背景区域以及待识别裂纹的目标区域。理想状态下,各个原始图像中共同的部分即为静止的背景区域,在帧差处理的过程中会被消除,帧差图像剩余部分便是前后图像的差异部分,也就是在视频中处于动态运动的部分,也就是所需要识别的运动目标。但是在实际情况中,由于每个原始图像中均会存在噪声且噪声随机,会导致帧差图像中所生成的图像部分除了目标区域外,还包括背景区域对应部分。
理想情况中,背景部分不存在移动物体且无噪声干扰,相邻两帧原始图像的北京部分中图像灰度值一致,在进行差分时,灰度值相减为0而不在帧差图像中生成与背景区域对应的图像区域,但是在实际中,原始图像中存在噪点时,噪点之间的像素灰度值不一,导致帧差图像中,存在大量由于噪点像素值不一致而对应生成的像素点,且在目标区域内,噪声也会对原本理想情况下的目标区域内像素点的灰度值产生影响。灰度值影响到目标区域,导致整张差分图像处于混乱状态。
由于噪声影响的存在而导致帧差图像中所要确定的目标区域与其它区域都存在噪声作用下的噪点,所以采用普通的阈值分割方法难以有效准确地确定出目标区域。
对此,本实施例首先对帧差图像分割为若干的分割块,然后分析每个分割块的区域特性,通过将区域特性相似的分割快进行融合以确定出目标区域。
具体的,设置将帧差图像分割为设定分割数量的分割块对帧差图像进行分割,本实施例优选设置设定分割数量的分割块为20*20=400,假设帧差图像大小为,则分割所得分割块的大小为为,然后确定每个分割块中所有像素点的灰阶数。
对于每一个分割块,其中纹理信息在帧差图像中起很重要的作用。帧差图像中包含三类经原始图像中相同位置上像素点作差之后得到的像素点,分别是:噪声点和噪声点差分结果,背景点和背景点差分结果,噪声点和目标点差分结果。
其中噪声点本身就是分布较为离散,其纹理信息非常致密,其本身具有属于自己的灰度分布区间,经过帧差处理后所得帧差图像中的,属于噪声点和噪声点差分结果的像素点的分布情况,与差分也即帧差处理之前噪声点在两个连续原始图像中分布情况的差异性不大,也即帧差图像中由原始图像中噪声点和噪声点差分所得像素点的纹理信息非常致密。
背景点和背景点相减时,由于背景点会受到随机噪声信息的影响,所以原始图像中背景点之间进行差分后在帧差图像中所得像素点的分布情况,与原始图像中噪声点之间进行差分后在帧差图像中所得像素点的分布情况相似,纹理信息同样非常致密。
但是由原始图像中的目标点和噪声点进行差分而在帧差图像中所得像素点,与上述两种情况下在帧差图像中所得像素点的纹理疏密情况是不相同的,由于目标点和噪声点之间本身便存在较大灰度值差异,所以差分过程中噪声点对目标点的灰度值的影响程度较小,对应在帧差图像中所得像素点的分布情况并不会有较大改变,与差分前原始图像中目标点的分布情况基本相似,纹理信息依然是较为稀疏的。
通过上述三种情况下在帧差图像中所得像素点纹理的疏密情况的不同,便可由此确定分割块的特性具体也即分割块的对比度:
分割块的对比度越高,则分割块中纹理越深,视觉效果上越稠密也即偏向纹理密集,对比度越低,则分割块中纹理越浅,视觉效果上越稀疏也即偏向纹理稀疏。分割块的对比度反映了该部分图像的清晰度和纹理沟纹深浅的程度,纹理沟纹越深,其对比度越大,视觉效果越清晰;反之对比度小,则纹理沟纹浅,视觉效果越模糊。灰度差即高对比的像素对越多,那么分割块的对比度越大,灰度共生矩阵中远离对角线的元素值越大,分割块的对比度也就越大。
在确定出各个分割块的对比度后,选取对比度小于设定对比度阈值的分割块并连接,即可确定目标区域。设定对比度阈值的具体取值通过试验确定。
步骤三,计算目标区域的信息包含率。
计算目标区域内部信息包含率时,并不需要知道目标区域的具体位置,只需要计算原始图像中的噪声所导致目标区域中像素点信息的偏离程度,再结合构成目标区域的各个分割块的对比度,便可确定目标区域的信息包含率。
其中,表示当前目标区域的灰度偏移量,表示当前目标区域中第z个像素点的灰度值,表示当前目标区域中像素点的总数,表示已存在边坡裂纹的原始图像中裂纹处像素点的灰度均值,表示帧差图像区域大小和不受噪声点影响的区域大小的面积的调整参数,其值可由当前差分图像的信噪比求出。
图像对比度越大,表示当前图像纹理越致密,所受噪声点的影响也就越大;图像对比度越小,表示当前图像纹理越稀疏,所受噪点的影响也就越小。那将灰度值偏移量和图像对比度结合起来,受噪声点的影响越小,且灰度值偏移量越小,那么当前图像就越接近于无噪声状态下的帧差图像;受噪声点的影响越大,且灰度偏移量越大,当前图像就越和无噪声状态下的差分图像不相似,那么通过灰度偏移量和对比度可以计算当前目标区域的信息包含率:
步骤四,根据帧差图像中目标区域的信息包含率以及获取该帧差图像的两个连续原始图像各自的信噪比,确定两个连续原始图像各自的降噪率。
虽然用于获取帧差图像的两个原始图像各自的信噪比可以确定,但如果直接根据两个原始图像各自的信噪比对其各自进行降噪,虽然能够很好地去除噪声,但是用于表征目标区域的一些有用信息也会被一并平滑处理而消除掉,所以本实施例结合目标区域的信息包含率与获取帧差图像的两个原始图像各自的信噪比,来确定两个原始图像各自的降噪率,以保证降噪的同时又可实现对目标区域的准确识别从而为边坡裂纹的识别提供准确依据。
步骤五,根据所确定的两个连续原始图像各自的降噪率对这两个原始图像进行降噪,然后利用降噪后的两个连续原始图像进行帧差处理得到新的帧差图像,在新的帧差图像中确定目标区域完成边坡裂纹识别。
在按照第个与第个原始图像的降噪率对这两个原始图像进行降噪后,再对降噪后的这两个原始图像进行帧差处理得到新的帧差图像,然后在新的帧差图像中重新检测裂纹所在的区域得到新的目标区域,根据所得新的目标区域完成对边坡裂纹的识别。
新的帧差图像中目标区域的识别可采用现有技术中的任意一种可行方法,如阈值分割检测方法。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种边坡裂纹识别方法,其特征在于,包括以下步骤:
采用图像采集设备连续获取边坡表面灰度图像,以连续获取的边坡表面灰度图像作为帧差处理前的连续原始图像,以连续原始图像中任意两个连续原始图像作差得到帧差图像;
将帧差图像进行分块,计算对帧差图像分块后所得每个分割块的对比度,将对比度小于设定对比度阈值的分割块连接得到帧差图像的目标区域;
计算帧差图像的目标区域的信息包含率,确定得到帧差图像的两个连续原始图像各自的信噪比,以两个连续原始图像各自的信噪比以及帧差图像的目标区域的信息包含率确定两个连续原始图像各自的降噪率;
以两个连续原始图像各自的降噪率对对应原始图像进行降噪,并将降噪后的两个连续原始图像进行作差得到新的帧差图像,在新的帧差图像中确定新的目标区域,以新的目标区域完成边坡裂纹识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271067.XA CN115346126A (zh) | 2022-10-18 | 2022-10-18 | 一种边坡裂纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271067.XA CN115346126A (zh) | 2022-10-18 | 2022-10-18 | 一种边坡裂纹识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115346126A true CN115346126A (zh) | 2022-11-15 |
Family
ID=83957445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211271067.XA Pending CN115346126A (zh) | 2022-10-18 | 2022-10-18 | 一种边坡裂纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115346126A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092015A (zh) * | 2023-04-06 | 2023-05-09 | 安徽乾劲企业管理有限公司 | 一种道路施工状态监测方法 |
CN116385948A (zh) * | 2023-06-07 | 2023-07-04 | 成都考拉悠然科技有限公司 | 一种预警铁路边坡异常的系统和方法 |
-
2022
- 2022-10-18 CN CN202211271067.XA patent/CN115346126A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092015A (zh) * | 2023-04-06 | 2023-05-09 | 安徽乾劲企业管理有限公司 | 一种道路施工状态监测方法 |
CN116385948A (zh) * | 2023-06-07 | 2023-07-04 | 成都考拉悠然科技有限公司 | 一种预警铁路边坡异常的系统和方法 |
CN116385948B (zh) * | 2023-06-07 | 2023-09-15 | 成都考拉悠然科技有限公司 | 一种预警铁路边坡异常的系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN115346126A (zh) | 一种边坡裂纹识别方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
JP3862140B2 (ja) | ピクセル化されたイメージをセグメント化する方法および装置、並びに記録媒体、プログラム、イメージキャプチャデバイス | |
CN114494259B (zh) | 一种基于人工智能的布匹缺陷检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
JP7508556B2 (ja) | 文字分割方法、装置、および、コンピュータ可読記憶媒体 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN116452598A (zh) | 基于计算机视觉的车桥生产质量快速检测方法及系统 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN107292828B (zh) | 图像边缘的处理方法和装置 | |
CN115018765A (zh) | 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法 | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN111027546A (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN116228768B (zh) | 一种电子元器件表面划痕检测方法 | |
JP5812705B2 (ja) | ひび割れ検出方法 | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 |
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 |