CN115496794B - 混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 - Google Patents
混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115496794B CN115496794B CN202211173109.6A CN202211173109A CN115496794B CN 115496794 B CN115496794 B CN 115496794B CN 202211173109 A CN202211173109 A CN 202211173109A CN 115496794 B CN115496794 B CN 115496794B
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- color
- width
- generate
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 13
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 abstract description 15
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/10—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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种混凝土裂缝宽度计算方法、系统、计算机设备及存储介质,所述方法通过基于同态滤波对第一图像进行预处理得到增强的第二图像,使得后续得到的裂缝图像对比度更高,提高了裂缝的边缘检测的准确度;通过对第二图像进行色彩聚类得到裂缝区域的掩膜图像,提高了裂缝区域识别的准确度;基于形态学处理第三图像,消除了得到的中心骨架的毛刺,进而使得后续的混凝土裂缝宽度计算更加准确;通过连通域检测进一步提升了裂缝边缘检测的准确性,使得裂缝的边缘不会因为过粗而影响混凝土裂缝宽度计算的准确度,满足了混凝土裂缝宽度计算的精度要求。本发明可广泛应用于图像处理技术领域。
Description
技术领域
本申请涉及图像处理技术领域,尤其是一种混凝土裂缝宽度计算方法、系统、装置及存储介质。
背景技术
基于图像处理的裂缝检测与计算,是指通过对裂缝图像的图像特征进行统计分析,寻找感兴趣目标、消除干扰并计算裂缝宽度的过程,是图像处理技术在桥梁、路面和墙壁的安全检测的一个非常重要的应用,主要用于在自动巡检后对裂缝进行识别与检测。基于图像处理的裂缝检测与计算节省了人工成本,有效提高了检测的效率,同时能够保障人员安全,在发生安全问题前检测并识别目标的损坏程度以及时预警。
目前基于图像处理的裂缝检测与计算大致分为两类:基于神经网络的方法和基于边缘提取的方法。其中,基于神经网络的方法仅能识别裂缝,在计算裂缝宽度时需要依赖边缘提取方法;基于边缘提取的方法需要设置阈值,对裂缝的识别不够准确。由于裂缝图像中的裂缝与裂缝周围区域的灰度值差别较大,可通过对裂缝图像进行边缘检测粗略地得到裂缝边缘信息。传统的裂缝边缘检测主要采用Canny算子、Prewitt算子和Sobel算子,其中的Sobel算子为离散性差分算子,用于计算图像亮度函数的灰度近似值。Sobel算子对像素的位置的影响做了加权,降低了边缘模糊程度,边缘检测效果更好。然而,通过Sobel算子确定的边缘定位精度仍不够高,检测提取的边缘图像较粗,无法满足混凝土裂缝宽度计算的精度要求。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明提供了一种混凝土裂缝宽度计算方法、系统、计算机设备及存储介质,其提高了混凝土裂缝宽度计算的准确度,满足混凝土裂缝宽度计算的精度要求。
为了达到上述技术目的,本发明所采取的技术方案包括:
第一方面,本发明提供了一种混凝土裂缝宽度计算方法,包括以下步骤:
获取第一图像,所述第一图像为拍摄的待计算裂缝宽度的图像;
基于同态滤波对第一图像进行预处理,生成第二图像;
对所述第二图像进行色彩聚类,生成第三图像,所述第三图像为裂缝区域的掩膜图像;
基于形态学处理所述第三图像,得到裂缝的中心骨架;
对所述第三图像进行连通域检测,得到所述裂缝的边缘;
根据所述中心骨架和所述边缘计算所述裂缝的宽度。
进一步地,所述预处理包括对数变换、傅里叶变换、频域滤波和傅里叶反变换;
所述基于同态滤波对第一图像进行预处理,生成第二图像,包括:
获取所述第一图像的光强分量和反射分量;
根据所述光强分量和所述反射分量对所述第一图像进行对数变换,生成第四图像;
对所述第四图像进行傅里叶变换,生成第五图像;
通过预设的同态滤波器对所述第五图像进行频域滤波,得到频域结果;
对所述频域结果进行傅里叶反变换并取指数,生成所述第二图像。
进一步地,所述对所述第二图像进行色彩聚类,生成第三图像,包括:
按照HSV色彩空间划分所述第二图像,生成第六图像,所述第六图像为各种色彩的像素点组成的图像;
根据分类标准对所述第六图像进行色彩统计,获取所述第六图像中的第一色彩类别和对应的第一色彩占比,所述分类标准为与所述第六图像中的其他色彩之间的差异大于或者等于第一预设值,所述第一色彩占比为对应的所述第一色彩类别对应的像素点与所述第六图像的所有像素点的比例;
将所述第一色彩类别中色彩最暗、对应的所述第一色彩占比最低的色彩作为目标色彩,所述目标色彩对应所述裂缝的色彩;
根据所述目标色彩和所述第六图像确定所述裂缝的区域,生成所述第三图像。
进一步地,所述根据分类标准对所述第六图像进行色彩统计,获取所述第六图像中的第一色彩类别和对应的第一色彩占比,包括:
获取所述第六图像中所有满足所述分类标准的色彩,得到第二色彩类别和对应的第二色彩占比,所述第二色彩占比为对应的所述第二色彩类别对应的像素点与所述第六图像的所有像素点的比例;
判断所述第二色彩类别的数量是否大于第二预设值;
若所述第二色彩类别的数量大于所述第二预设值,则按照所述第二色彩占比从大到小的顺序保留数量为所述第二预设值的所述第二色彩类别,得到所述第一色彩类别和对应的所述第一色彩占比;
若所述第二色彩类别的数量小于或等于所述第二预设值,则将所述第二色彩类别作为所述第一色彩类别,将所述第二色彩占比作为所述第一色彩占比。
进一步地,所述基于形态学处理所述第三图像,得到裂缝的中心骨架,包括:
获取所述第三图像中的连通域;
根据所述连通域去除所述第三图像的孤立点,所述孤立点为不在所述连通域内的像素点;
对所述第三图像进行膨胀,构建线型掩膜;
根据所述线型掩膜进行腐蚀处理,得到单像素宽度的所述中心骨架。
进一步地,所述对所述第三图像进行连通域检测,得到所述裂缝的边缘,包括:
填补所述第三图像中的空洞;
根据所述第三图像进行取反,并基于连通域检测获取第一区域和第二区域,所述第一区域为所述第三图像中连通域最大的区域,所述第二区域为所述第三图像中除所述第一区域以外的区域;
根据所述第一区域和所述第二区域,采用Sobel算子对所述第三图像进行检测,得到所述裂缝的边缘。
进一步地,所述根据所述中心骨架和所述边缘计算所述裂缝的宽度,包括:
获取所述中心骨架中的各个点与所述边缘的内切圆;
计算所述内切圆的直径得到所述裂缝的像素宽度;
将拍摄所述第一图像的像素分辨率和所述像素宽度相乘得到所述裂缝的宽度。
第二方面,本发明提供了一种混凝土裂缝宽度计算系统,包括:
获取模块,用于获取第一图像,所述第一图像为拍摄的待计算裂缝宽度的图像;
预处理模块,用于基于同态滤波对第一图像进行预处理,生成第二图像,所述第一图像为拍摄的待计算裂缝宽度的图像;
色彩聚类模块,用于对所述第二图像进行色彩聚类,生成第三图像,所述第三图像为裂缝区域的掩膜图像;
形态学处理模块,用于基于形态学处理所述第三图像,得到裂缝的中心骨架;
连通域检测模块,用于对所述第三图像进行连通域检测,得到所述裂缝的边缘;
计算模块,用于根据所述中心骨架和所述边缘计算所述裂缝的宽度。
第三方面,本发明提供了一种计算机设备,包括:
处理器;
存储器,用于存储程序;
当所述程序被处理器执行时,使得处理器实现上述的混凝土裂缝宽度计算方法。
第四方面,本发明提供了一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于实现上述的混凝土裂缝宽度计算方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本发明通过基于同态滤波对第一图像进行预处理得到增强的第二图像,使得后续得到的裂缝图像对比度更高,提高了裂缝的边缘检测的准确度;通过对第二图像进行色彩聚类得到裂缝区域的掩膜图像,提高了裂缝区域识别的准确度;基于形态学处理第三图像,消除了得到的中心骨架的毛刺,进而使得后续的混凝土裂缝宽度计算更加准确;通过连通域检测进一步提升了裂缝边缘检测的准确性,使得裂缝的边缘不会因为过粗而影响混凝土裂缝宽度计算的准确度,满足了混凝土裂缝宽度计算的精度要求。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明的混凝土裂缝宽度计算方法具体实施例的流程示意图;
图2为本发明的混凝土裂缝宽度计算的第一个结果实例图。
图3为本发明的混凝土裂缝宽度计算的第二个结果实例图。
图4为本发明的混凝土裂缝宽度计算的第三个结果实例图。
图5为本发明的混凝土裂缝宽度计算系统具体实施例的结构示意图;
图6为本发明的混凝土裂缝宽度计算装置具体实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
基于图像处理的裂缝检测与计算,是指通过对裂缝图像的图像特征进行统计分析,寻找感兴趣目标、消除干扰并计算裂缝宽度的过程,是图像处理技术在桥梁、路面和墙壁的安全检测的一个非常重要的应用,主要用于在自动巡检后对裂缝进行识别与检测。基于图像处理的裂缝检测与计算节省了人工成本,有效提高了检测的效率,同时能够保障人员安全,在发生安全问题前检测并识别目标的损坏程度以及时预警。
目前基于图像处理的裂缝检测与计算大致分为两类:基于神经网络的方法和基于边缘提取的方法。其中,基于神经网络的方法仅能识别裂缝,在计算裂缝宽度时需要依赖边缘提取方法;基于边缘提取的方法需要设置阈值,对裂缝的识别不够准确。由于裂缝图像中的裂缝与裂缝周围区域的灰度值差别较大,可通过对裂缝图像进行边缘检测粗略地得到裂缝边缘信息。传统的裂缝边缘检测主要采用Canny算子、Prewitt算子和Sobel算子,其中的Sobel算子为离散性差分算子,用于计算图像亮度函数的灰度近似值。Sobel算子对像素的位置的影响做了加权,降低了边缘模糊程度,边缘检测效果更好。然而,通过Sobel算子确定的边缘定位精度仍不够高,检测提取的边缘图像较粗,无法满足混凝土裂缝宽度计算的精度要求。
为此,本发明提出了一种混凝土裂缝宽度计算方法、系统、装置及存储介质,通过基于同态滤波对第一图像进行预处理得到增强的第二图像,使得后续得到的裂缝图像对比度更高,提高了裂缝的边缘检测的准确度;通过对第二图像进行色彩聚类得到裂缝区域的掩膜图像,提高了裂缝区域识别的准确度;基于形态学处理第三图像,消除了得到的中心骨架的毛刺,进而使得后续的混凝土裂缝宽度计算更加准确;通过连通域检测进一步提升了裂缝边缘检测的准确性,使得裂缝的边缘不会因为过粗而影响混凝土裂缝宽度计算的准确度,满足了混凝土裂缝宽度计算的精度要求。
下面参照附图详细描述根据本发明实施例提出的一种混凝土裂缝宽度计算方法、系统、计算机设备及存储介质,首先将参照附图描述根据本发明实施例提出的一种混凝土裂缝宽度计算方法。
参照图1,本发明实施例提供了一种混凝土裂缝宽度计算方法,本发明实施例中的混凝土裂缝宽度计算方法,可应用于终端中,也可应用于服务器中,还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。本发明实施例中的混凝土裂缝宽度计算方法主要包括以下步骤:
S101、获取第一图像;
其中,第一图像为拍摄的待计算裂缝宽度的图像,可选地,采用相机拍摄第一图像。
S102、基于同态滤波对第一图像进行预处理,生成第二图像;
预处理包括对数变换、傅里叶变换、频域滤波和傅里叶反变换。
S102可以进一步划分为以下步骤S1021-S1025:
步骤S1021、获取所述第一图像的光强分量和反射分量;
步骤S1022、根据所述光强分量和所述反射分量对所述第一图像进行对数变换,生成第四图像;
具体地,第四图像为第一图像经过对数变化后得到的对数图像,第四图像:
z(x,y)=ln f(x,y)=ln i(x,y)+ln r(x,y)
其中,z(x,y)表示第四图像,x和y为图像中的像素点坐标,f(x,y)表示第一图像,i(x,y)表示光强分量,r(x,y)表示反射分量。
步骤S1023、对所述第四图像进行傅里叶变换,生成第五图像;
可选地,对第四图像进行离散傅里叶变换,生成第五图像。
具体地,第五图像:
Z(u,v)=DFT[ln f(x,y)]=DFT[ln i(x,y)]+DFT[ln r(x,y)]
其中,u和v为频域坐标。
步骤S1024、通过预设的同态滤波器对所述第五图像进行频域滤波,得到频域结果;
可选地,本发明实施例的同态滤波器设计如下:
H(u,v)=(γH-γL)Hp(u,v)+γL
其中,γH和γL为滤波器幅度控制参数,Hp(u,v)采用高斯高通滤波器,具体如下:
其中,D2(u,v)表示与中心频率的距离,D0为纹理细节控制参数,c为锐利控制参数,用于控制函数坡度的锐利程度。
在本发明的实施例中,通过上述同态滤波器对第五图像进行频域滤波,得到频域结果。
步骤S1025、对所述频域结果进行傅里叶反变换并取指数,生成所述第二图像。
其中,第二图像为第一图像的增强图像,通过步骤S1021-S1025得到第二图像,使得后续得到的裂缝图像对比度更高,提高了裂缝的边缘检测的准确度。
S103、对所述第二图像进行色彩聚类,生成第三图像;
其中,第三图像为裂缝区域的掩膜图像。
S103可以进一步划分为以下步骤S1031-S1034:
步骤S1031、按照HSV色彩空间划分所述第二图像,生成第六图像;
其中,第六图像为各种色彩的像素点组成的图像。
可选地,将第三图像按照HSV色彩空间划分为1024个部分,得到第六图像。
步骤S1032、根据分类标准对所述第六图像进行色彩统计,获取所述第六图像中的第一色彩类别和对应的第一色彩占比;
其中,所述分类标准为与所述第六图像中的其他色彩之间的差异大于或者等于第一预设值,所述第一色彩占比为对应的所述第一色彩类别对应的像素点与所述第六图像的所有像素点的比例。可选地,第一预设值为本发明实施例预设的色彩之间的差异的最小值,在进行色彩统计时,待统计与其他色彩的差异大于或者等于第一预设值时归为一类新的色彩。
具体地,包括以下步骤:
1)获取第六图像中所有满足分类标准的色彩,得到第二色彩类别和对应的第二色彩占比;
其中,第二色彩占比为对应的第二色彩类别对应的像素点与第六图像的所有像素点的比例;
2)判断第二色彩类别的数量是否大于第二预设值;
其中,第二预设值为本发明实施例预设的色彩类别数量的最大值。
可选地,第二预设值为8。
3)若是,则按照所述第二色彩占比从大到小的顺序保留数量为所述第二预设值的所述第二色彩类别,得到所述第一色彩类别和对应的所述第一色彩占比;
4)若否,将所述第二色彩类别作为所述第一色彩类别,将所述第二色彩占比作为所述第一色彩占比。
步骤S1033、将所述第一色彩类别中色彩最暗、对应的所述第一色彩占比最低的色彩作为目标色彩;
其中,目标色彩对应所述裂缝的色彩。
步骤S1034、根据所述目标色彩和所述第六图像确定所述裂缝的区域,生成所述第三图像。
可选地,得到目标色彩后,将其余色彩划分至一个类别,从而在第六图像上确定裂缝的区域,得到裂缝区域的掩膜图像,即第三图像。
S104、基于形态学处理所述第三图像,得到裂缝的中心骨架;
S104可以进一步划分为以下步骤S1041-S1044:
步骤S1041、获取所述第三图像中的连通域;
步骤S1042、根据所述连通域去除所述第三图像的孤立点;
其中,孤立点为不在连通域内的像素点。
步骤S1043、对所述第三图像进行膨胀,构建线型掩膜;
步骤S1044、根据所述线型掩膜进行腐蚀处理,得到单像素宽度的所述中心骨架。
S105、对所述第三图像进行连通域检测,得到所述裂缝的边缘;
S105可以进一步划分为以下步骤S1051-S1053:
步骤S1051、填补所述第三图像中的空洞;
具体地,将裂缝区域掩膜图像内部的空洞进行填补。
步骤S1052、根据所述第三图像进行取反,并基于连通域检测获取第一区域和第二区域;
其中,第一区域为第三图像中连通域最大的区域,第二区域为第三图像中除第一区域以外的区域。
可以理解的是,第三图像中连通域最大的区域即为裂缝以外的区域,除第一区域以外其余的区域对应裂缝内部的空洞,即第二区域对应步骤S1041中填补的裂缝内部的空洞。
步骤S1053、根据所述第一区域和所述第二区域,采用Sobel算子对所述第三图像进行检测,得到所述裂缝的边缘。
具体地,根据步骤S1042得到的第一区域和第二区域,对第三图像进行标记填补后,采用Sobel算子检测得到裂缝的边缘。
S106、根据所述中心骨架和所述边缘计算所述裂缝的宽度。
具体地,步骤S106可以进一步划分为以下步骤S1061-S1063:
步骤S1061、获取所述中心骨架中的各个点与所述边缘的内切圆;
步骤S1062、计算所述内切圆的直径得到所述裂缝的像素宽度;
可以理解的是,步骤S1051得到的内切圆的直径即为裂缝的像素宽度。
步骤S1063、将拍摄所述第一图像的像素分辨率和所述像素宽度相乘得到所述裂缝的宽度。
具体地,得到裂缝的像素宽度后,需要根据拍摄第一图像的像素分辨率计算裂缝实际的宽度。其中,像素分辨率的计算公式如下:
GSD=Dis×Xyuan/f
其中,GSD表示像素分辨率,Dis表示拍摄设备与拍摄物之间的距离,Xyuan表示拍摄设备的像元尺寸,f为焦距。
得到像素分辨率后,将像素分辨率和像素宽度相乘得到裂缝的宽度。
在本发明的实施例中,对步骤S101-S106中的图像、裂缝及裂缝的相关信息进行可视化显示。
图2、图3和图4给出了三幅混凝土裂缝宽度计算的结果实例,图中标注了裂缝的像素宽度和实际的宽度。通过比较图中裂缝不同区域的相对关系以及计算得出的尺寸,证明了本发明实施例的混凝土裂缝宽度计算方法得出的结果准确度较高。
结合步骤S101-S106所述的混凝土裂缝宽度计算方法可知,本发明通过基于同态滤波对第一图像进行预处理得到增强的第二图像,使得后续得到的裂缝图像对比度更高,提高了裂缝的边缘检测的准确度;通过对第二图像进行色彩聚类得到裂缝区域的掩膜图像,提高了裂缝区域识别的准确度;基于形态学处理第三图像,消除了得到的中心骨架的毛刺,进而使得后续的混凝土裂缝宽度计算更加准确;通过连通域检测进一步提升了裂缝边缘检测的准确性,使得裂缝的边缘不会因为过粗而影响混凝土裂缝宽度计算的准确度,满足了混凝土裂缝宽度计算的精度要求。
其次,参照附图描述根据本发明实施例提出的一种混凝土裂缝宽度计算系统。
参照图5,本发明实施例提供了一种混凝土裂缝宽度计算系统,所述系统具体包括:
获取模块501,用于获取第一图像,所述第一图像为拍摄的待计算裂缝宽度的图像;
预处理模块502,用于基于同态滤波对第一图像进行预处理,生成第二图像;
色彩聚类模块503,用于对所述第二图像进行色彩聚类,生成第三图像,所述第三图像为裂缝区域的掩膜图像;
形态学处理模块504,用于基于形态学处理所述第三图像,得到裂缝的中心骨架;
连通域检测模块505,用于对所述第三图像进行连通域检测,得到所述裂缝的边缘;
计算模块506,用于根据所述中心骨架和所述边缘计算所述裂缝的宽度。
可见,上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图6,本发明实施例提供了一种计算机设备,包括通过系统总线601连接的处理器602、存储器、输入装置603、显示器604和网络接口605,该处理器用于提供计算和控制能力,该存储器包括非易失性存储介质606和内存储器607,该非易失性存储介质606存储有操作系统、计算机程序和数据库,该内存储器607为非易失性存储介质中的操作系统和计算机程序的运行提供环境;当计算机程序被所述处理器602执行时,使得处理器602实现步骤S101-S106所述的混凝土裂缝宽度计算方法。
本发明实施例提供了一种存储介质,该存储介质为计算机可读存储介质,其中存储有处理器可执行的程序,处理器可执行的程序在由处理器执行时用于实现步骤S101-S106所述的混凝土裂缝宽度计算方法。
同理,上述方法实施例中的内容均适用于各装置实施例中,各装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干程序用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行程序的定序列表,可以具体实现在任何计算机可读介质中,以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用,或结合这些程序执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于所述实施例,熟悉本领域的技术人员在不违背本申请精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种混凝土裂缝宽度计算方法,其特征在于,包括以下步骤:
获取第一图像,所述第一图像为拍摄的待计算裂缝宽度的图像;
基于同态滤波对所述第一图像进行预处理,生成第二图像;
对所述第二图像进行色彩聚类,生成第三图像,所述第三图像为裂缝区域的掩膜图像;
基于形态学处理所述第三图像,得到裂缝的中心骨架;
对所述第三图像进行连通域检测,得到所述裂缝的边缘;
根据所述中心骨架和所述边缘计算所述裂缝的宽度;
所述预处理包括对数变换、傅里叶变换、频域滤波和傅里叶反变换;
所述基于同态滤波对第一图像进行预处理,生成第二图像,包括:
获取所述第一图像的光强分量和反射分量;
根据所述光强分量和所述反射分量对所述第一图像进行对数变换,生成第四图像,如下式:
z(x,y)=lnf(x,y)=lni(x,y)+lnr(x,y)
其中,z(x,y)表示第四图像,x和y为图像中的像素点坐标,f(x,y)表示第一图像,i(x,y)表示光强分量,r(x,y)表示反射分量;
对所述第四图像进行傅里叶变换,生成第五图像,如下式:
Z(u,v)=DFT[lnf(x,y)]=DFT[lni(x,y)]+DFT[lnr(x,y)]
其中,u和v为频域坐标;
通过预设的同态滤波器对所述第五图像进行频域滤波,得到频域结果;
对所述频域结果进行傅里叶反变换并取指数,生成所述第二图像;
所述同态滤波器设计如下:
H(u,v)=(γH-γL)Hp(u,v)+γL
其中,γH和γL为滤波器幅度控制参数,Hp(u,v)采用高斯高通滤波器,具体如下:
其中,D2(u,v)表示与中心频率的距离,D0为纹理细节控制参数,c为锐利控制参数,用于控制函数坡度的锐利程度。
2.根据权利要求1所述的混凝土裂缝宽度计算方法,其特征在于,所述对所述第二图像进行色彩聚类,生成第三图像,包括:
按照HSV色彩空间划分所述第二图像,生成第六图像,所述第六图像为各种色彩的像素点组成的图像;
根据分类标准对所述第六图像进行色彩统计,获取所述第六图像中的第一色彩类别和对应的第一色彩占比,所述分类标准为与所述第六图像中的其他色彩之间的差异大于或者等于第一预设值,所述第一色彩占比为对应的所述第一色彩类别对应的像素点与所述第六图像的所有像素点的比例;
将所述第一色彩类别中色彩最暗、对应的所述第一色彩占比最低的色彩作为目标色彩,所述目标色彩对应所述裂缝的色彩;
根据所述目标色彩和所述第六图像确定所述裂缝的区域,生成所述第三图像。
3.根据权利要求2所述的混凝土裂缝宽度计算方法,其特征在于,所述根据分类标准对所述第六图像进行色彩统计,获取所述第六图像中的第一色彩类别和对应的第一色彩占比,包括:
获取所述第六图像中所有满足所述分类标准的色彩,得到第二色彩类别和对应的第二色彩占比,所述第二色彩占比为对应的所述第二色彩类别对应的像素点与所述第六图像的所有像素点的比例;
判断所述第二色彩类别的数量是否大于第二预设值;
若所述第二色彩类别的数量大于所述第二预设值,则按照所述第二色彩占比从大到小的顺序保留数量为所述第二预设值的所述第二色彩类别,得到所述第一色彩类别和对应的所述第一色彩占比;
若所述第二色彩类别的数量小于或等于所述第二预设值,则将所述第二色彩类别作为所述第一色彩类别,将所述第二色彩占比作为所述第一色彩占比。
4.根据权利要求1所述的混凝土裂缝宽度计算方法,其特征在于,所述基于形态学处理所述第三图像,得到裂缝的中心骨架,包括:
获取所述第三图像中的连通域;
根据所述连通域去除所述第三图像的孤立点,所述孤立点为不在所述连通域内的像素点;
对所述第三图像进行膨胀,构建线型掩膜;
根据所述线型掩膜进行腐蚀处理,得到单像素宽度的所述中心骨架。
5.根据权利要求1所述的混凝土裂缝宽度计算方法,其特征在于,所述对所述第三图像进行连通域检测,得到所述裂缝的边缘,包括:
填补所述第三图像中的空洞;
根据所述第三图像进行取反,并基于连通域检测获取第一区域和第二区域,所述第一区域为所述第三图像中连通域最大的区域,所述第二区域为所述第三图像中除所述第一区域以外的区域;
根据所述第一区域和所述第二区域,采用Sobel算子对所述第三图像进行检测,得到所述裂缝的边缘。
6.根据权利要求1所述的混凝土裂缝宽度计算方法,其特征在于,所述根据所述中心骨架和所述边缘计算所述裂缝的宽度,包括:
获取所述中心骨架中的各个点与所述边缘的内切圆;
计算所述内切圆的直径得到所述裂缝的像素宽度;
将拍摄所述第一图像的像素分辨率和所述像素宽度相乘得到所述裂缝的宽度。
7.一种混凝土裂缝宽度计算系统,其特征在于,包括:
获取模块,用于获取第一图像,所述第一图像为拍摄的待计算裂缝宽度的图像;
预处理模块,用于基于同态滤波对第一图像进行预处理,生成第二图像;
色彩聚类模块,用于对所述第二图像进行色彩聚类,生成第三图像,所述第三图像为裂缝区域的掩膜图像;
形态学处理模块,用于基于形态学处理所述第三图像,得到裂缝的中心骨架;
连通域检测模块,用于对所述第三图像进行连通域检测,得到所述裂缝的边缘;
计算模块,用于根据所述中心骨架和所述边缘计算所述裂缝的宽度;
所述预处理包括对数变换、傅里叶变换、频域滤波和傅里叶反变换;
所述基于同态滤波对第一图像进行预处理,生成第二图像,包括:
获取所述第一图像的光强分量和反射分量;
根据所述光强分量和所述反射分量对所述第一图像进行对数变换,生成第四图像,如下式:
z(x,y)=ln f(x,y)=ln i(x,y)+ln r(x,y)
其中,z(x,y)表示第四图像,x和y为图像中的像素点坐标,f(x,y)表示第一图像,i(x,y)表示光强分量,r(x,y)表示反射分量;
对所述第四图像进行傅里叶变换,生成第五图像,如下式:
Z(u,v)=DFT[lnf(x,y)]=DFT[lni(x,y)]+DFT[lnr(x,y)]
其中,u和v为频域坐标;
通过预设的同态滤波器对所述第五图像进行频域滤波,得到频域结果;
对所述频域结果进行傅里叶反变换并取指数,生成所述第二图像;
所述同态滤波器设计如下:
H(u,v)=(γH-YL)Hp(u,v)+γL
其中,γH和γL为滤波器幅度控制参数,Hp(u,v)采用高斯高通滤波器,具体如下:
其中,D2(u,v)表示与中心频率的距离,D0为纹理细节控制参数,c为锐利控制参数,用于控制函数坡度的锐利程度。
8.一种计算机设备,其特征在于,包括:
处理器;
存储器,用于存储程序;
当所述程序被处理器执行时,使得处理器实现如权利要求1-6中任一项所述的混凝土裂缝宽度计算方法。
9.一种存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-6中任一项所述的混凝土裂缝宽度计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173109.6A CN115496794B (zh) | 2022-09-26 | 2022-09-26 | 混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173109.6A CN115496794B (zh) | 2022-09-26 | 2022-09-26 | 混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496794A CN115496794A (zh) | 2022-12-20 |
CN115496794B true CN115496794B (zh) | 2024-02-02 |
Family
ID=84471405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211173109.6A Active CN115496794B (zh) | 2022-09-26 | 2022-09-26 | 混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496794B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078738B (zh) * | 2023-10-17 | 2024-03-29 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种线性裂缝宽度计算方法 |
CN117308794B (zh) * | 2023-11-30 | 2024-04-19 | 杭州汇萃智能科技有限公司 | 一种线宽量测方法、系统及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298802A (zh) * | 2019-06-28 | 2019-10-01 | 广东诚泰交通科技发展有限公司 | 路面裂缝检测方法及装置 |
CN110853097A (zh) * | 2019-11-08 | 2020-02-28 | 磐柔(厦门)科技有限公司 | 一种应用于饼干表面图案打印设备的饼干识别定位方法 |
CN113674175A (zh) * | 2021-08-23 | 2021-11-19 | 江苏科技大学 | 用于检测跨海大桥结构损害的水下机器人图像增强方法 |
CN113888534A (zh) * | 2021-11-17 | 2022-01-04 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种图像处理方法、电子设备及可读存储介质 |
-
2022
- 2022-09-26 CN CN202211173109.6A patent/CN115496794B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298802A (zh) * | 2019-06-28 | 2019-10-01 | 广东诚泰交通科技发展有限公司 | 路面裂缝检测方法及装置 |
CN110853097A (zh) * | 2019-11-08 | 2020-02-28 | 磐柔(厦门)科技有限公司 | 一种应用于饼干表面图案打印设备的饼干识别定位方法 |
CN113674175A (zh) * | 2021-08-23 | 2021-11-19 | 江苏科技大学 | 用于检测跨海大桥结构损害的水下机器人图像增强方法 |
CN113888534A (zh) * | 2021-11-17 | 2022-01-04 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种图像处理方法、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115496794A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115496794B (zh) | 混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 | |
CN110310264B (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
Zeng et al. | Image splicing localization using PCA-based noise level estimation | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
Muhammad et al. | Copy-move forgery detection using dyadic wavelet transform | |
CN113610774B (zh) | 一种玻璃划痕缺陷检测方法、系统、装置及存储介质 | |
CN113610772B (zh) | 易拉罐瓶底喷码缺陷检测方法、系统、装置及存储介质 | |
CN111179263B (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
CN113610773B (zh) | 一种垫片孔洞质量检测方法、系统、装置及存储介质 | |
Fang et al. | Image splicing detection using color edge inconsistency | |
CN112633354B (zh) | 路面裂缝检测方法、装置、计算机设备和存储介质 | |
CN115797299B (zh) | 一种光学复合膜的缺陷检测方法 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
CN111461143A (zh) | 一种图片翻拍识别方法和装置及电子设备 | |
CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN109544614B (zh) | 一种基于图像低频信息相似度的匹配图像对识别的方法 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN116843946A (zh) | 一种基于图像识别的隧道岩体主要结构面判识方法及装置 | |
JP2008078926A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN111695374A (zh) | 监控视角中斑马线区域的分割方法、系统、介质及设备 | |
Lecca et al. | On image enhancement for unsupervised image description and matching | |
Cloppet et al. | Adaptive fuzzy model for blur estimation on document images |
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 |