CN115512224A - 一种曲线拟合对比度增强的道路裂缝检测方法 - Google Patents
一种曲线拟合对比度增强的道路裂缝检测方法 Download PDFInfo
- Publication number
- CN115512224A CN115512224A CN202211191533.3A CN202211191533A CN115512224A CN 115512224 A CN115512224 A CN 115512224A CN 202211191533 A CN202211191533 A CN 202211191533A CN 115512224 A CN115512224 A CN 115512224A
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- value
- gray
- gamma
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 80
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000001419 dependent effect Effects 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 31
- 230000000694 effects Effects 0.000 description 23
- 238000011156 evaluation Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06T2207/20032—Median filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明属于计算机视觉的图像分割技术领域,具体涉及一种曲线拟合对比度增强的道路裂缝检测方法。
背景技术
随着科学技术和人民生活水平的不断提高,水泥路、沥青路开始遍布全国的每条街道。道路的良好与否也逐渐开始影响着人们出行的质量,而对道路的养护和管理需要大量的人力和物力。道路裂缝作为路面最常见的损坏,检测裂缝成了需要关注的重点之一。
在现有技术中,由张亮等人发表的《路面破损检测技术现状与发展》指出传统的道路裂缝检测方法主要是以人工检测为主,主要的检测方法有如下几种,分别是步行人眼观察法、坐车录像屏幕测读法以及摄像测量法等。人眼观察法人为因素较多,误差较大,只适用于短距离道路检测;坐车录像屏幕测读法会出现统计重叠,导致效率低,并且碰到崎岖的道路会导致效果下降;摄像测量法随着高速公路的普及和道路网的增加其效率不能满足人们的需求。
传统的基于计算机视觉技术的道路裂缝检测算法核心是进行图像分割,主要包括迭代法求阈值和最大类间方差法求阈值(OUTS)。这些算法对少部分的道路裂缝图像效果较好,但是对于有光线干扰的裂缝图像检测效果不尽人意,算法灵活性也相对较差,不能适用于广泛的道路裂缝图像。
发明内容
本发明的目的是为了解决现有道路裂缝检测算法对于有光线干扰的裂缝图像检测效果佳,不能适用于广泛的道路裂缝图像的技术问题,而提供的一种曲线拟合对比度增强的道路裂缝检测方法。
一种曲线拟合对比度增强的道路裂缝检测方法,其特征在于,它包括以下步骤:
步骤1:以若干组道路裂缝图像的灰度均值参数为自变量,其对应的最优对比度增强参数gamma值为因变量,构造线性拟合法、指数拟合法、以及傅里叶级数拟合法等三种曲线拟合,得到函数关系式;
步骤2:对道路裂缝图像进行预处理;包括图像灰度化、直方图均衡化、图像中值滤波、对步骤1中通过三种曲线拟合构造的函数关系式进行对比度增强;
步骤3:对经过步骤2对比度增强后的图像进行二值化处理,获得二值图像,并进行阈值分割;
步骤4:用所获得的阈值对图像进行阈值分割以实现裂缝的标记;
通过以上步骤获得裂缝的标记、检测。
在步骤1中,在构造函数关系式时,采用以下子步骤:
步骤1-1:对输入的多组道路裂缝图像进行YUV亮度灰度化处理得到其灰度均值,其公式为:
Gray=0.299R+0.578G+0.114B (5)
其中,在以YUV为颜色编码方式的编码空间之中,Y的分量所代表的物理意义是该点的亮度,由Y值反映亮度等级并且由其来表达图像的灰度值;建立亮度Y与R、G、B三个颜色分量的函数关系,就能得到灰度值。
步骤1-2:对比度增强,运用基于伽马Gamma变换的图像增强算法,此算法主要应用于图像校正,从调节灰度图像的亮度这一方面,来增强图像的对比度,其公式为:
s=crγ (6)
其中,s为伽马变换后的图像的像素值,r是原图像的对应位置的像素值,c和γ为正常数;该公式对应于Matlab中的函数则为imadjust函数,一般的调用格式的公式为:
f1=imadjust(f,[low_inhigh_in],[low_outhigh_out],gamma) (7)
针对每一幅灰度图像,改变其对比度增强函数中的gamma值,并对比不同的gamma值对应得到的检测结果,选取最优的检测结果,使其对应的gamma值为最优gamma值;
步骤1-3:构造线性拟合法、指数拟合法、以及傅里叶级数拟合法等三种曲线拟合,分别得到函数关系式:
y=b1sin(x-π)+b2(x-10)2+b3 (8)
y=aebx (9)
y=a0+a1sin(ωx)+a2cos(ωx) (10)
通过把步骤1-1求得灰度均值代入上式中的x,步骤1-2选取的最优gamma值代入上式中的y,便可以确定其余参数值。
在步骤2中,具体包括以下子步骤:
在步骤2中,对道路裂缝图像进行预处理包含以下步骤:
步骤2-1:图像灰度化;
步骤2-2:对图像进行中值滤波,滤除干扰噪声,中值滤波公式如下所示:
g(x,y)=med{f(x-i,y-j)},(i,j)∈S (11)
其中g(x,y)为处理后的图像,f(x,y)为处理前的图像,S为二维模板;
步骤2-3:直方图均衡化,所得的灰度图像相比均衡化之前,图像的对比更加强烈,并且各灰度级所占比也将趋于相同,直方图均衡化公式如下:
其中,rk和sk分别代表变换前后的图像灰度,L为灰度级总数,MN是待处理图像中的总像素,nj表示第j个灰度级出现的个数;
步骤2-4:将经过步骤2-1、步骤2-2、步骤2-3处理之后的图像通过步骤1-1中公式(7)求得其灰度均值,再代入步骤1-3中得到的函数关系式求得gamma值,此时该gamma值会根据输入得到调整,是一个动态值。
步骤2-5:将步骤2-4求得的gamma值代入步骤1-2中的公式(7)来增强图像的对比度。
在步骤3中,运用最大类间方差法进行阈值分割,通过判别二值图像的连通区域,设置连通区域面积阈值,具体包含以下子步骤:
步骤3-1:计算图像的全局平均灰度μ,其公式如下所示:
其中,ni为灰度级i的像素总数,N为图像的总像素,L为灰度级总数;
步骤3-2:对于灰度级k=0一直到L-1,可以分别计算出每一个k值所对应的类间方差σ2(k),其中所需要的计算方法如下公式所示:
σ2(k)=ω0(μ0-μ)2+ω1(μ1-μ)2 (16)
其中,ω0和ω1分别为目标C0区域和背景C1区域所占的比例,μ0和μ1分别为目标C0区域和背景C1区域的平均灰度;
步骤3-3:将所有的k值所得到的σ2(k)进行比较,得到最大的类间方差,其对应的k即为所求的阈值,若最大值不唯一,则将检测到的各个最大值所对应的k值求平均即为所求阈值,用该阈值对图像进行阈值分割实现裂缝的标记。
与现有技术相比,本发明具有如下技术效果:
本发明通过构建基于曲线拟合的对比度增强优化模型实现对道路裂缝的检测和识别,把不同拟合曲线得到的优化算法与传统的阈值分割算法对明亮的道路裂缝图像与昏暗的道路裂缝图像进行对比,通过准确率、相似度指数、相关系数和结构性度量等主客观评价指标对算法进行优劣评价。本发明提供的检测方法的准确率相较于传统的裂缝检测算法均有明显提高,三种优化算法的相似度指数几乎持平,而且本发明提出的优化算法则较好地适应各个环境条件下的裂缝检测,具有更高的可行性和适用性;
在本发明的三种曲线拟合算法中,基于傅里叶曲线拟合的检测算法最适用于对昏暗环境条件下道路裂缝的检测;基于指数曲线拟合的检测算法最适用于对光亮环境条件下的道路裂缝检测,并且其灵活性也最高,能够适用于包括光亮环境和昏暗环境的整体道路裂缝检测。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1是本发明的流程图;
图2为本发明中五种算法对光亮道路的裂缝检测结果示意图;
图3为本发明中五种算法对昏暗道路的裂缝检测结果示意图。
具体实施方式
如图1所示,一种曲线拟合对比度增强的道路裂缝检测方法,其特征在于,它包括以下步骤:
步骤1:以若干组道路裂缝图像的灰度均值参数为自变量,其对应的最优对比度增强参数gamma值为因变量,构造线性拟合法、指数拟合法、以及傅里叶级数拟合法等三种曲线拟合,得到函数关系式;
步骤2:对道路裂缝图像进行预处理;包括图像灰度化、直方图均衡化、图像中值滤波、对步骤1中通过三种曲线拟合构造的函数关系式进行对比度增强;
步骤3:对经过步骤2对比度增强后的图像进行二值化处理,获得二值图像,并进行阈值分割;
步骤4:用所获得的阈值对图像进行阈值分割以实现裂缝的标记;
通过以上步骤获得裂缝的标记、检测。
在步骤1中,在构造函数关系式时,采用以下子步骤:
步骤1-1:对输入的多组道路裂缝图像进行YUV亮度灰度化处理得到其灰度均值,其公式为:
Gray=0.299R+0.578G+0.114B (5)
其中,在以YUV为颜色编码方式的编码空间之中,Y的分量所代表的物理意义是该点的亮度,由Y值反映亮度等级并且由其来表达图像的灰度值;建立亮度Y与R、G、B三个颜色分量的函数关系,就能得到灰度值。
步骤1-2:对比度增强,运用基于伽马Gamma变换的图像增强算法,此算法主要应用于图像校正,从调节灰度图像的亮度这一方面,来增强图像的对比度,其公式为:
s=crγ (6)
其中,s为伽马变换后的图像的像素值,r是原图像的对应位置的像素值,c和γ为正常数;该公式对应于Matlab中的函数则为imadjust函数,一般的调用格式的公式为:
f1=imadjust(f,[low_inhigh_in],[low_outhigh_out],gamma) (7)
针对每一幅灰度图像,改变其对比度增强函数中的gamma值,并对比不同的gamma值对应得到的检测结果,选取最优的检测结果,使其对应的gamma值为最优gamma值;
步骤1-3:以步骤1-1中的灰度均值作为自变量,步骤1-2中最优的对比度增强参数gamma值为因变量,构造线性拟合法、指数拟合法、以及傅里叶级数拟合法等三种曲线拟合,得到函数关系式:
在步骤2中,具体包括以下子步骤:
在步骤2中,对道路裂缝图像进行预处理包含以下步骤:
步骤2.1:图像灰度化;
步骤2.2:对图像进行中值滤波,滤除干扰噪声,中值滤波公式如下所示:
g(x,y)=med{f(x-i,y-j)},(i,j)∈S (7)
其中g(x,y)为处理后的图像,f(x,y)为处理前的图像,S为二维模板;
步骤2-3:直方图均衡化,所得的灰度图像相比均衡化之前,图像的对比更加强烈,并且各灰度级所占比也将趋于相同,直方图均衡化公式如下:
其中,rk和sk分别代表变换前后的图像灰度,L为灰度级总数,MN是待处理图像中的总像素,nj表示第j个灰度级出现的个数;
步骤2-4:利用步骤1-2中的对比度增强函数增强图像的对比度,此时,参数gamma不再是固定值,而是通过步骤1.3不同曲线拟合构造的三种函数关系式,将输入图像的灰度值作为自变量而得到的值,是一个动态值。
在步骤3中,运用最大类间方差法进行阈值分割,通过判别二值图像的连通区域,设置连通区域面积阈值,具体包含以下子步骤:
步骤3-1:计算图像的全局平均灰度μ,其公式如下所示:
其中,ni为灰度级i的像素总数,N为图像的总像素,L为灰度级总数;
步骤3-2:对于灰度级k=0一直到L-1,可以分别计算出每一个k值所对应的类间方差σ2(k),其中所需要的计算方法如下公式所示:
σ2(k)=ω0(μ0-μ)2+ω1(μ1-μ)2 (12)
其中,ω0和ω1分别为目标C0区域和背景C1区域所占的比例,μ0和μ1分别为目标C0区域和背景C1区域的平均灰度;
步骤3-3:将所有的k值所得到的σ2(k)进行比较,得到最大的类间方差,其对应的k即为所求的阈值,若最大值不唯一,则将检测到的各个最大值所对应的k值求平均即为所求阈值,用该阈值对图像进行阈值分割实现裂缝的标记。
实施例:
本发明分别研究了传统的阈值分割算法,即迭代法和最大类间方差法对道路裂缝的检测实验,以及研究了在最大类间方差法的基础上加入了三种不同的曲线拟合函数的优化算法对道路裂缝检测实验。
对上述五种方法采用了两类裂缝图像进行对比测试,分别是明亮的道路裂缝图像与昏暗的道路裂缝图像,对于其两类道路裂缝图像的五种算法检测实验结果,分别如图2及图3所示。
其中,(a)为裂缝图像,(b)为迭代法的结果,(c)为最大类间方差法的结果,(d)为线性拟合优化的结果,(e)为指数拟合优化的结果,(f)为傅里叶拟合的检优化的结果。
基于上述实验结果,为保证实验的合理性,本设计利用主客观评价指标对其进行分类评价,对于不同环境下得到的实验结果分开评价,即分为光亮环境和昏暗环境,最后再进行整体评价。这样评价的好处是,既可以在不同的环境下分析各个算法的检测效果优劣,也可以综合考虑各方面因素对五种算法进行整体评价,五种算法的整体评价结果如表1所示,光亮环境下和昏暗环境下的道路裂缝评价指标结果分别如表2和表3所示。
表1所有道路裂缝图像的评价结果对比
表2光亮环境下的道路裂缝图像的评价结果对比
表3昏暗环境下的道路裂缝图像的评价结果对比
通过对比图1与图2的实验结果可以得出以下结论。
迭代法适合检测昏暗道路的裂缝,对于阳光比较强烈下拍摄的道路裂缝,该方法因为没办法滤除干扰,所以得不到理想的检测效果。最大类间方差法则与之相反,其更适合检测明亮的道路裂缝,对于裂缝与背景相差不明显图像,也就是昏暗的场景拍摄的图像检测效果很差,原因是该方法会过度滤除图像信息,导致最后得到的裂缝不完整。
相比于上述两种方法,基于曲线拟合的道路裂缝检测算法的检测效果更好,从上述检测结果来看,无论是在昏暗的场景和光亮的场景拍摄的裂缝图片,三种优化算法都可以很好的检测并标记出裂缝,相较于传统的检测算法,检测效果和灵活性都有了很大的提升。
通过表1所有的道路裂缝评价结果可以得出,传统的道路裂缝检测算法准确率只有50~60%,迭代法最低,而三种优化算法的准确率提高了25%左右,达到了80%。对于相似度指数,迭代法最高有1.365,效果最差,三种优化算法也是几乎持平,其中指数拟合最优,达到0.451。在相关系数一栏中,最大类间方差法最低,三种优化算法中依然是指数拟合法最高。在结构性度量这一指标中,虽然五种算法相差不多,主要是因为是与原图的灰度图像进行对比,其中含有很多不需要的信息,而五种算法的检测结果都为二值图像,所以导致整体不高,但是依然可以看出迭代法与最大类间方差法不如三种优化算法,并且依旧是指数拟合法最好。
对于表2评价指标结果可以得出,对于光亮道路的裂缝检测,迭代法的准确率只有14.29%,其它四种算法的准确率都高达85.71%。相似度指数也是迭代法最高有3.642,效果最差,其他四种算法则都接近0.25左右。对于相关系数,五种算法都差不多在0.56上下浮动,结构性相似度也表示只有0.591的迭代法是效果最差的。综合四种评价指标可以得出迭代法对于明亮的道路裂缝检测效果最差,其它四种算法检测效果都非常不错。
对于表3评价指标结果可以得出,对于昏暗道路的裂缝检测,最大类间方差法的准确率只有37.5%,迭代法效果最好达到87.5%,三种优化算法则都为75%。对于相似度指数,曲线拟合算法效果相较于传统算法效果更好,并且傅里叶拟合优化算法效果最好为0.479。五种算法的相关系数中只有最大类间方差法最小为0.372,其他四种方法结果接近。傅里叶拟合优化算法的结构性度量指标值为0.6705,相较于其他算法高出0.2。通过上述指标分析综合得出,对于昏暗的道路裂缝图像傅里叶拟合优化算法效果最优,最大类间方差法效果最差。
由上,本发明通过构建基于曲线拟合的对比度增强优化模型实现对道路裂缝的检测和识别,把不同拟合曲线得到的优化算法与传统的阈值分割算法对明亮的道路裂缝图像与昏暗的道路裂缝图像进行对比,通过准确率、相似度指数、相关系数和结构性度量等主客观评价指标对算法进行优劣评价。传统的道路裂缝检测算法准确率只有50至60%,而曲线拟合的三种优化方法包括线性拟合优化法、指数拟合优化法、傅里叶拟合优化法,这三种优化法的准确率相较于传统的裂缝检测算法提高了25%左右。三种优化算法的相似度指数几乎持平,其中,基于指数拟合优化算法的检测算法最优,达到0.451;而基于迭代法的检测算法为1.365,其效果最差;针对相关系数指标,最大类间方差法只有0.459,而三种优化算法几乎维持在0.5左右;对于结构性度量这一指标,虽然五种算法相差不多,传统的裂缝检测算法在0.53~0.55之间,而三种优化算法达0.56,高于传统的检测方法。此外,迭代法和最大类间方差法针对不同环境裂缝检测各有利弊,对明亮环境的裂缝,迭代法检测效果差;对于昏暗环境下的裂缝,最大类间方差法效果不好;
本发明提出的优化算法则较好地适应各个环境条件下的裂缝检测,具有更高的可行性和适用性。无论是光亮道路的裂缝,还是昏暗道路的裂缝,三种优化算法检测效果都很不错,具有很强的灵活性。对于整体而言,三种优化算法中,基于指数曲线拟合的方法最优。
Claims (4)
1.一种曲线拟合对比度增强的道路裂缝检测方法,其特征在于,它包括以下步骤:
步骤1:以若干组道路裂缝图像的灰度均值参数为自变量,其对应的最优对比度增强参数gamma值为因变量,构造线性拟合法、指数拟合法、以及傅里叶级数拟合法等三种曲线拟合,得到函数关系式;
步骤2:对道路裂缝图像进行预处理;包括图像灰度化、直方图均衡化、图像中值滤波、对步骤1中通过三种曲线拟合构造的函数关系式进行对比度增强;
步骤3:对经过步骤2对比度增强后的图像进行二值化处理,获得二值图像,并进行阈值分割;
步骤4:用所获得的阈值对图像进行阈值分割以实现裂缝的标记;
通过以上步骤获得裂缝的标记、检测。
2.根据权利要求1所述的方法,其特征在于,在步骤1中,在构造函数关系式时,采用以下子步骤:
步骤1-1:对输入的多组道路裂缝图像进行YUV亮度灰度化处理得到其灰度均值,其公式为:
Gray=0.299R+0.578G+0.114B (5)
其中,在以YUV为颜色编码方式的编码空间之中,Y的分量所代表的物理意义是该点的亮度,由Y值反映亮度等级并且由其来表达图像的灰度值;建立亮度Y与R、G、B三个颜色分量的函数关系,就能得到灰度值;
步骤1-2:对比度增强,运用基于伽马Gamma变换的图像增强算法,此算法主要应用于图像校正,从调节灰度图像的亮度这一方面,来增强图像的对比度,其公式为:
s=crγ (6)
其中,s为伽马变换后的图像的像素值,r是原图像的对应位置的像素值,c和γ为正常数;该公式对应于Matlab中的函数则为imadjust函数,一般的调用格式的公式为:
f1=imadjust(f,[low_in high_in],[low_out high_out],gamma) (7)
针对每一幅灰度图像,改变其对比度增强函数中的gamma值,并对比不同的gamma值对应得到的检测结果,选取最优的检测结果,使其对应的gamma值为最优gamma值;
步骤1-3:以步骤1-1中的灰度均值作为自变量,步骤1-2中最优的对比度增强参数gamma值为因变量,构造线性拟合法、指数拟合法、以及傅里叶级数拟合法三种曲线拟合,得到函数关系式如下:
y=b1sin(x-π)+b2(x-10)2+b3 (8)
y=aebx (9)
y=a0+a1sin(ωx)+a2cos(ωx) (10)
通过把步骤1-1求得灰度均值代入上式中的x,步骤1-2选取的最优gamma值代入上式中的y,便可以确定其余参数值;其中式(8)为线性拟合公式;式(9)为指数拟合公式;式(10)为傅里叶拟合公式。
3.根据权利要求1所述的方法,其特征在于,在步骤2中,对道路裂缝图像进行预处理包含以下步骤:
步骤2.1:图像灰度化;
步骤2.2:对图像进行中值滤波,滤除干扰噪声,中值滤波公式如下所示:
g(x,y)=med{f(x-i,y-j)},(i,j)∈S (7)
其中g(x,y)为处理后的图像,f(x,y)为处理前的图像,5为二维模板;
步骤2-3:直方图均衡化,直方图均衡化公式如下:
其中,rk和sk分别代表变换前后的图像灰度,L为灰度级总数,MN是待处理图像中的总像素,nj表示第j个灰度级出现的个数;
步骤2-4:将经过步骤2-1、步骤2-2、步骤2-3处理之后的图像通过步骤1-1中公式(7)求得其灰度均值,再代入步骤1-3中得到的函数关系式求得gamma值;
步骤2-5:将步骤2-4求得的gamma值代入步骤1-2中的公式(7)来增强图像的对比度。
4.根据权利要求1所述的方法,其特征在于,在步骤3中,运用最大类间方差法进行阈值分割,通过判别二值图像的连通区域,设置连通区域面积阈值,具体包含以下子步骤:
步骤3-1:计算图像的全局平均灰度μ,其公式如下所示:
其中,ni为灰度级i的像素总数,N为图像的总像素,L为灰度级总数;
步骤3-2:对于灰度级k=0一直到L-1,可以分别计算出每一个k值所对应的类间方差σ2(k),其中所需要的计算方法如下公式所示:
σ2(k)=ω0(μ0-μ)2+ω1(μ1-μ)2 (12)
其中,ω0和ω1分别为目标C0区域和背景C1区域所占的比例,μ0和μ1分别为目标C0区域和背景C1区域的平均灰度;
步骤3-3:将所有的k值所得到的σ2(k)进行比较,得到最大的类间方差,其对应的k即为所求的阈值,若最大值不唯一,则将检测到的各个最大值所对应的k值求平均即为所求阈值,用该阈值对图像进行阈值分割实现裂缝的标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191533.3A CN115512224A (zh) | 2022-09-28 | 2022-09-28 | 一种曲线拟合对比度增强的道路裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191533.3A CN115512224A (zh) | 2022-09-28 | 2022-09-28 | 一种曲线拟合对比度增强的道路裂缝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115512224A true CN115512224A (zh) | 2022-12-23 |
Family
ID=84506464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211191533.3A Pending CN115512224A (zh) | 2022-09-28 | 2022-09-28 | 一种曲线拟合对比度增强的道路裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115512224A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797225A (zh) * | 2023-01-06 | 2023-03-14 | 山东环宇地理信息工程有限公司 | 一种水下地形测量用无人船采集图像增强方法 |
CN116109526A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市昂星科技有限公司 | 基于车辆后视镜的显示画面增强方法及系统 |
CN117078233A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于路网养护综合评价指标的养护决策方法 |
CN117670874A (zh) * | 2024-01-31 | 2024-03-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于图像处理的箱型梁内部裂缝检测方法 |
-
2022
- 2022-09-28 CN CN202211191533.3A patent/CN115512224A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797225A (zh) * | 2023-01-06 | 2023-03-14 | 山东环宇地理信息工程有限公司 | 一种水下地形测量用无人船采集图像增强方法 |
CN116109526A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市昂星科技有限公司 | 基于车辆后视镜的显示画面增强方法及系统 |
CN116109526B (zh) * | 2023-04-12 | 2023-06-30 | 深圳市昂星科技有限公司 | 基于车辆后视镜的显示画面增强方法及系统 |
CN117078233A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于路网养护综合评价指标的养护决策方法 |
CN117078233B (zh) * | 2023-10-17 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于路网养护综合评价指标的养护决策方法 |
CN117670874A (zh) * | 2024-01-31 | 2024-03-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于图像处理的箱型梁内部裂缝检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115512224A (zh) | 一种曲线拟合对比度增强的道路裂缝检测方法 | |
CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN108765336A (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN107705254B (zh) | 一种基于街景图的城市环境评估方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
CN106503638A (zh) | 用于颜色识别的图像处理、车辆颜色识别方法和系统 | |
Gao et al. | A novel UAV sensing image defogging method | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN111986222A (zh) | 基于自适应混合阈值的智能电表芯片图像二值化处理方法 | |
CN110807406B (zh) | 一种雾天检测方法及装置 | |
CN114463211A (zh) | 一种基于浑浊度分级的水下图像增强方法 | |
Ma et al. | An all-weather lane detection system based on simulation interaction platform | |
CN114359323A (zh) | 一种基于视觉注意机制的图像目标区域检测方法 | |
CN112991348A (zh) | 一种车辆底盘异物检测方法、装置及存储介质 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN106815602B (zh) | 一种基于多层次特征描述的跑道fod图像探测方法及装置 |
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 |