CN115690106B - 一种基于计算机视觉的深埋锚具封闭检测方法 - Google Patents

Abstract

本发明涉及图像数据处理领域，提出了一种基于计算机视觉的深埋锚具封闭检测方法，包括：将振动信号转化为封闭灰度图像，根据灰度图像得到每个像素点对应的梯度剧烈度，获取每个像素点到每个初始种子点的梯度距离和路径距离；根据每个像素点与每个初始种子点之间的梯度距离和路径距离得到每个像素点与初始种子点之间的距离度量，计算每个虚拟种子点和超像素块区域内其余像素点的种子点选取值，根据每轮迭代后的种子点确定种子点更新规则，根据种子点更新规则与每轮迭代中每个像素点与每个种子点之间的距离度量对图像进行分割得到异常区域。本发明改进后的超像素分割算法在深埋锚具封闭过程中的产生的不规则区域具有精准的分割结果。

Description

一种基于计算机视觉的深埋锚具封闭检测方法

技术领域

本发明涉及图像数据处理领域，具体涉及一种基于计算机视觉的深埋锚具封闭检测方法。

背景技术

深埋锚具工艺主要用于制作简支梁和连续梁的两端的简支端，在预应力筋张拉、孔道注浆等工艺后，端模具和锚具将会被封堵在一起，即可作为简支端使用。另一方面，由于深埋锚工艺的进行不会影响通道建筑的进程，因此深埋锚具工艺得以广泛使用。

在通道工程中，锚具放入到深埋模具中灌浆时常采用普通的混凝土进行注入孔道内实现灌浆封闭，但是混凝土的流动性较差，一旦深埋模具内壁存在细小空隙时，锚具封闭过程中不能完全填充，就会导致深埋锚具的封闭性很差，容易发生松动，一旦出现锚具松动现象，不仅影响到通道工程质量，还会危及人车安全。为了达到锚具完全封闭在混凝土内，保证通道工程的质量。如果端模具内壁是平整的，封装过程中才会保证混凝土在锚具和端模具之间均匀流动，锚具受力均匀，不会轻易脱落，能够满足混凝土浇筑后的端模具和锚具封闭性。因此对深埋锚具的封闭情况进行快速有效的检测，检测的目的是为了查验锚具与端模板之间在浇筑后是否完全封闭，保证通道工程中深埋锚具的质量。

发明内容

本发明提供一种基于计算机视觉的深埋锚具封闭检测方法，以解决现有的无法快速精确检测锚具封闭状态的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于计算机视觉的深埋锚具封闭检测方法，该方法包括以下步骤：

利用传感器获取深埋锚具的振动信号，将振动信号转化为灰度图像；

根据灰度图像中每个像素点的梯度值与其周围四邻域之间的差值得到每个像素点的梯度剧烈度；

获取灰度图像内每个超像素块对应的初始种子点与Lab颜色空间，根据每个像素点与每个初始种子点在Lab颜色空间中的差异得到颜色空间距离，根据每个像素点和每个初始种子点的颜色空间距离、欧式距离以及每个像素点的梯度剧烈度得到每个像素点到每个初始种子点的梯度距离；

根据每个像素点与每个初始种子点连线上的像素点梯度剧烈度得到每个像素点到每个初始种子点之间的路径距离；

根据每个像素点与每个初始种子点之间的梯度距离和路径距离得到每个像素点与初始种子点之间的距离度量；

对于每个超像素块的区域，将初始种子点周围邻域像素点作为虚拟种子点，根据每个超像素块的区域内所有像素点与初始种子点颜色空间距离得到每个像素点的迭代权重，根据迭代权重和所有像素点与虚拟种子点的颜色空间距离计算每个虚拟种子点的种子点选取值；

根据虚拟种子点的种子点选取值得到下轮每个超像素块内的初始种子点，确定种子点更新规则，根据种子点更新规则与每轮迭代中每个像素点与每个种子点之间的距离度量对图像进行分割得到异常区域，根据异常区域进行封闭检测。

优选的，所述根据灰度图像中每个像素点的梯度值与其周围四邻域之间的差值方差得到每个像素点对应的梯度剧烈度的步骤为:

式中，

是以像素点i为中心的四邻域，j是

内第j个像素点，

是像素点i和像素点j的灰度差值，

是像素点i与4个像素点j各自的灰度差值的方差表征像素点i周围的纹理变化，

是像素点i的梯度幅值，

就表示第i个像素点的梯度剧烈度，

、

分别是封闭灰度图中像素点梯度剧烈度的最大值和最小值，

表示归一化后的梯度剧烈度,exp()函数表示以自然常数为底的函数。

优选的，所述根据每个像素点和每个初始种子点的颜色空间距离、欧式距离以及每个像素点的梯度剧烈度得到每个像素点到每个初始种子点的梯度距离的方法为：

获取Lab颜色空间中像素点i的三个颜色空间分量

、

、

，颜色空间中初始种子点k的三个颜色空间分量

、

、

，计算像素点i与初始种子点k之间对应空间分量的差值记为第一差值，第二差值，第三差值，根据第一差值，第二差值，第三差值的平方和开方后的结果就是颜色空间距离；

每个像素点到每个种子点的梯度距离公式如下：

式中，

、

分别是像素点i和初始种子点k之间的欧式距离和颜色空间距离，

、

、

分别是像素点i在Lab颜色空间内的分量值，

、

、

分别是初始种子点k在Lab颜色空间内的分量值，

是像素点对应的梯度剧烈度，

表示像素点i到初始种子点k的梯度距离。

是指第i个像素点所在的超像素块内像素点的梯度剧烈度的均值。

优选的，所述每个像素点与初始种子点之间的距离度量的获取方法为：

获得像素点和初始种子点的连线，获得连线上所有像素点的梯度剧烈度，计算连线上所有像素点的梯度剧烈度之和来表示像素点i到初始种子点k的路径距离。

优选的，所述迭代权重的获取方法为：

式中，

是第x次迭代过程中初始种子点k对应的超像素块内像素点i的权重，

是Lab颜色空间内像素点i与初始种子点k的分量差值,exp()函数表示以自然常数为底的函数，分量差值表示像素点i与初始种子点k的三个分量归一化后均值的差值,H是像素点i所在的超像素块内的像素点数量。

所述计算每个虚拟种子点的种子点选取值的方法为：

式中，

是第x次迭代过程后下一轮的种子点选取值，

表示下一轮的种子点，

是第x次迭代过程中种子点

对应的超像素块内像素点i的权重，

是以

为种子点的超像素块内像素点i和虚拟种子点g的距离度量，H为第i个超像素块内的像素点数量，min()表示最小值函数。

本发明的有益效果是：本发明提出一种基于计算机视觉的深埋锚具封闭检测方法，首先为消除针对传感器数据信息有限的局限性将其转换成深埋锚具采集位置的内部封闭图，由于混凝土浇筑时产生的细小空隙上边缘像素点的梯度变化剧烈，现有分割技术对梯度变化剧烈区域聚类形成的超像素块非常不规则，分割效果较差，本发明结合像素点的梯度信息构建新的距离度量和种子点的更新规则，新的距离度量根据像素点的梯度信息自动获取那些信息在聚类过程中更应该被关注。本发明改进后的超像素分割算法在深埋锚具封闭过程中的产生的不规则区域具有精准的分割结果。

考虑到异常区域的梯度变化，分割过程中距离度量不能仅通过颜色距离和位置距离，像素点是否位于梯度变化剧烈的区域边缘也应该作为种子点的度量因素。考虑到梯度剧烈度越大，说明越靠近超像素块的边缘，此时给定颜色空间距离和空间距离不同的权重，提高计算梯度距离的精确度。考虑到了像素点和种子点之间像素点的影响计算了路径距离。

迭代过程通过对种子点的自适应选取，增强了算法效率，提高了精确度。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一个实施例所提供一种基于计算机视觉的深埋锚具封闭检测方法的流程示意图；

图2为信号转图像过程的示意图；

图3为本发明一个实施例所提供的一种封闭灰度图像；

图4为常规超像素分割算法处理封闭灰度图像的效果图；

图5为本发明一个实施例所提供的改进后的超像素分割算法处理封闭灰度图像的效果图。

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。

请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的深埋锚具封闭检测方法流程图，该方法包括以下步骤：

步骤S001、根据传感器采集深埋锚具的内部信号，将采集信号转换成对应的封闭灰度图像。

深埋锚技术是将混凝土通过端模具的孔洞注入使得锚具和端模具封闭在一起，由于混凝土的流动性较差，由于漏浆或者石子架空等因素，锚具会与端模具内壁之间存在细小空隙影响封闭的稳定性，因此可以通过振动信号对封闭后情况进行检测，在锚具外壳部分放置激振器产生振动信号。但是由于混凝土本身就是一种非均匀材料，振动信号会受到混凝土内部结构的影响，信号会在一定范围内波动，因此需要从振动信号中分辨出哪些异常数据是内部封闭空隙造成的，哪些是混凝土本身造成的类似异常的数据。如果没有细小空隙的存在，振动信号在封闭的深埋锚具中的数据是符合正态分布的，相应的内部封闭图中像素点满足一定的纹理周期，然而如果在封闭的深埋锚具中存在空隙，振动信号的数据将会超出统计范围，内部封闭图中的纹理复杂度较高，部分像素点与邻域像素点具有较大的图像信息差。

由于检测对象是封闭的深埋锚具，因此无法直接获取端模具与锚具内部图像，因此在本发明中，首先利用传感器采集封闭的深埋锚具内部信号，所述传感器为振动传感器，将采集的振动信号作为内部信号，基于振动信号得到内部封闭图像。

利用传感器在混凝土浇筑后的深埋锚具外围间隔一定的距离进行连续的采样，在本发明中，间隔一定距离是在端模具外围设置多个传感器采集深埋锚具内多个位置的振动信号，这样做的目的是为了保证振动信号的范围能够覆盖整个深埋锚具内部。

采样脉冲序列对声振信号进行采样得到的数字信号，每个时刻的数据就是采样点，一个时刻对应一个采样点，利用香农定理完成采样。

声振信号是一维形式，为了将所有振动信号都转化成内部封闭图像，首先利用香农定理对声振信号进行采样，获取多个时刻的采样点和每个采样点对应的幅值，香农定理为公知技术，在此不做赘述，然后将每个采样点的幅值后转化成像素归一化值，转化方式如下：

式中，

是指对第e个采样点的幅值u进行归一化处理，

是采样点e对应的像素值。

如图2所示，在转换的过程中，每个采样点对应一个像素点,根据传感器采集到的信号进行分行，设共有每个信号采样点有M个，共有N个传感器，则图像的大小为

，保证内部结构图中像素点的数量与振动信号中采样点数量必须是相等的，转换后的内部封闭图像如图3所示，记为封闭图灰度图。

步骤S002、根据细小空隙中出现的像素点特征计算像素点的梯度距离和路径距离，基于此得到超像素分割的距离度量。

如果深埋锚具内部存在细小空隙，那么振动信号在整个细小空隙的范围内的采集数据都是异常的，对应到内部封闭图中，表现出一个区域内像素点与周围像素点之间具有较大的梯度差，这些像素点与周围像素点之间的关联性较差。

请参阅图4，由图4可知在现有的超像素分割算法中，梯度变化剧烈的图像区域在聚类过程中产生的超像素块非常不规则，导致部分像素点被错误分割，获取的细小空隙的检测结果也会存在误差，因此需要根据封闭灰度图像获取本发明中超像素分割算法的超像素数量K和距离度量D。

如果深埋锚具内部存在异常，那么对应的封闭灰度图中存在纹理变化缓慢的区域和梯度变化剧烈的异常区域，也就是说如果能够将初始种子点设置在梯度值得到较小的像素点，即可以避免种子点落在图像边界上，又可以加快更新速度。

对于尺寸为M*N的封闭图，将图像均匀的划分成K个小区域，在本实施例中K=400，获取每个小区域内梯度值最小的点作为初始种子点,这K个小区域称为初始的超像素块。

在本实施例中，考虑到异常区域的梯度变化，分割过程中距离度量不能仅通过颜色距离和位置距离来确定，像素点是否位于梯度变化剧烈的区域边缘也应该作为与种子点的度量因素。

首先，利用灰度图像中每个像素点的梯度值与其周围四邻域之间的差值方差构建梯度剧烈度，该梯度剧烈度用于表征像素点位于封闭灰度图中梯度剧烈边缘的可能性，计算方式如下：

式中，

是以像素点i为中心的四邻域，j是

内第j个像素点，

是像素点i和像素点j的灰度差值，

是像素点i与4个像素点j各自的灰度差值的方差，

的作用是为了表征像素点i周围的纹理变化，

是像素点i的梯度幅值，计算梯度值的方式为Sobel算子，该方法为公知技术，在此不做详细赘述，

就表示第i个像素点的梯度剧烈度，

、

分别是封闭灰度图中像素点梯度剧烈度的最大值和最小值，

表示归一化后的梯度剧烈度,exp()函数表示以自然常数为底的函数。

梯度剧烈度反映了像素点i位于封闭图Fig中异常区域梯度剧烈变化处的可能性，像素点i周围的纹理复杂度越高，像素点i本身的梯度值越大，

越大，像素点i位于异常区域边缘线上的概率越大,为了方便计算对

进行归一化处理。

进一步的，在聚类的过程中，当像素点i位于异常区域的边界线的概率越大时，那么对于位于异常区域的种子点，在聚类过程中更应该考虑像素点i与初始种子点k之间的颜色距离，反之，如果像素点位于边界线的概率很小，说明此类像素点与种子点聚类过程中应该考虑更多的位置信息，这样才能使得分割的超像素块更贴合封闭灰度图内的区域边缘，反映到采集信号的采样时刻也会更加精准，获取的深埋锚具内细小空隙的检测结果也更准确。基于上述特点，将灰度图像额外复制两份，三张相同的灰度图构成3通道图像，之后再将3通道图像转换到Lab颜色空间中，由此得到每个像素点的颜色空间分量，构建像素点对应的梯度距离

，计算像素点i到初始种子点k的梯度距离

：

式中，

、

分别是像素点i和初始种子点k之间的欧式距离和颜色空间距离，

、

、

分别是像素点i在Lab颜色空间内的分量值，

、

、

分别是种子点k在Lab颜色空间内的分量值，

是像素点对应的梯度剧烈度，

表示像素点i到初始种子点k的梯度距离。

是指第i个像素点所在的超像素块内像素点的梯度剧烈度的均值，如果

，认为像素点i更靠近超像素块的边缘，此时度量相似性考虑更多的颜色空间距离，反之如果

，认为像素点i更靠近超像素块的种子点，此时度量相似性考虑更多的空间距离。

进一步的，在形成超像素块的过程中，为了避免在聚类过程中，存在与种子点距离也近，颜色空间距离也较近的不同像素点被划分到种子点所在的类簇中，此处构建路径距离

，用于表征像素点i与初始种子点k聚类到一个超像素块时的距离远近，计算像素点i对应的路径距离

:

式中，

表示像素点i与初始种子点k的连线线段

上的第n个像素点，

是像素点n的梯度剧烈度，ik是指像素点i与初始种子点k的连线，n是线段ik上第n个像素点，线段ik上共有C个像素点。路径距离反映了将像素点i划分到初始种子点k所在类簇经过像素点是梯度变化剧烈处像素点的数量，

越大，线段ik上边缘像素点越多，路径距离

越大，像素点i划分到初始种子点k所在类簇的可能性就越小，这是因为如果真实属于初始种子点k所在类簇，附近的像素点划分到初始种子点k所在超像素块应该仅通过少量边界线。

至此，将像素点i对应的梯度距离和路径距离融合得到像素点i到初始种子点k的距离度量

：

式中，

是指第i个像素点和第k个初始种子点的梯度距离，

是指第i个像素点和第k个初始种子点的路径距离，

是指第i个像素点与第k个初始种子点的距离度量。

步骤S003、根据种子点和像素点的相似性，获取像素点的更新权重已经种子点的迭代过程。

超像素块的种子点应该受到周围同类像素点的影响大，受不同类别像素点的影响小，因此为了避免在更新过程中受到与种子点周围相似度较低的像素点的干扰，应该根据像素点与种子点的相似程度赋予相应的权重，对于相似度较低的像素点，应该赋予其较小的权重值，这样处理的目的是为了降低相似度低的像素点在迭代过程中对种子点选取的影响。

首先，获得初始种子点，以初始种子点的8邻域像素点作为虚拟种子点，下轮的种子点从这8个像素点中选取，将8个虚拟种子点分别与超像素块区域内所有像素点计算每个像素点的迭代权重，迭代权重的公式如下：

式中，

是第x次迭代过程中初始种子点k对应的超像素块内像素点i的权重，

是Lab颜色空间内像素点i与初始种子点k的分量差值,exp()函数表示以自然常数为底的函数，分量差值表示像素点i与初始种子点k的三个分量归一化后均值的差值,H是像素点i所在的超像素块内的像素点数量。

进一步的，获得超像素块内所有像素点与虚拟种子点的距离度量，获得每个虚拟种子点的选取值，从中选择选取值最小的虚拟种子点作为下一轮的种子点，计算公式如下：

式中，

是第x次迭代过程后下一轮的种子点选取值，

表示下一轮的种子点，

是第x次迭代过程中种子点

对应的超像素块内像素点i的权重，

是以

为种子点的超像素块内像素点i和虚拟种子点g的距离度量，H为第i个超像素块内的像素点数量，min()表示最小值函数。

由此，完成一轮迭代，之后以当前种子点继续上述过程，迭代50轮后，停止迭代。

步骤S004、根据超像素分割算法的距离度量和种子点更新规则将灰度图像进行分割获取深埋锚具封闭图中的异常区域，得到深埋锚具内部细小空隙的相关信息。

经上述步骤得到超像素分割算法在深埋锚具的封闭灰度图中的输入参数和更新规则，所述输入参数是指像素点和种子点之间的度量距离，更新规则是指种子点的更新规则。将封闭图作为分割算法的对象，获取在初始种子后，进行聚类分割，得到多个超像素块。请参阅图5，由图5可知，通过上述步骤处理后，深埋锚具的封闭灰度图像被规则的分为多个超像素块，相对于图4而言，图5中的各个超像素块形状规则，避免了像素点的错误分割，能够更准确的进行异常分析。由于细小空隙处的采集点的幅值较小，对应的像素点的灰度值也会偏小，此时将任意一个超像素块记为第一超像素块，计算得到第一超像素块内所有像素点的灰度均值，根据第一超像素块内所有像素点的灰度均值与第一超像素块相邻的所有超像素块的灰度均值差异区分异常区域和非异常区域，第一超像素块内所有的像素点的灰度均值记为第一灰度均值，第一超像素块相邻的所有超像素块所有像素点的均值记为第二灰度均值，当第一灰度均值小于第二灰度均值且第一超像素块内每个边缘点的梯度剧烈度

的大小满足

的超像素块是细小空隙对应的异常区域，

是第一超像素块内像素点对应的梯度剧烈度最大值。

得到异常区域后，将异常区域内像素点对应到振动信号的采样点上，由于每个传感器在从不同方位采集振动信号，因此当一个异常区域存在时，得到该异常区域每行在图像上最左侧的像素点和最右侧的像素点，将这两个像素点对应到信号的时间，由于越靠近传感器的位置，采集信号的时间越短，假如是锚具表面的点，传感器可以直接采集，锚具内部的点，信号从内部传输到传感器需要耗费额外的时间，若是锚具存在孔隙，传感器信号在经过孔隙时会出现变化，反应在图像中就是异常区域，其中异常区域的每一行可以看作是信号传输经过孔隙的时刻，因此可以通过该时刻确定孔隙的位置和面积，根据传感器时间间隔和传输速度可以得到在传感器方位的面积和位置，之后通过同样的方法得到异常区域每一行对应的传感器的所找到的细小孔隙面积和位置，多个传感器相交的部分就是细小孔隙的位置和面积。之后与行业的生产标准进行对照，若是不满足行业生产标准，则说明该锚具在后续使用时会出现混凝土浇筑过程中不均匀流动从而影响通道工程质量，因此当检测完成后，将不满足行业标准即存在安全隐患的深埋锚具进行替换，使得剩余的锚具保证混凝土在浇筑过程中不存在明显的不均匀流动从而影响到通道工程的质量，保证通道工程的安全性。

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 (5)

1.一种基于计算机视觉的深埋锚具封闭检测方法，其特征在于，该方法包括以下步骤：

利用传感器获取深埋锚具的振动信号，将振动信号转化为灰度图像；

根据灰度图像中每个像素点的梯度值与其周围四邻域之间的差值得到每个像素点的梯度剧烈度；

获取灰度图像内每个超像素块对应的初始种子点与Lab颜色空间，根据每个像素点与每个初始种子点在Lab颜色空间中的差异得到颜色空间距离，根据每个像素点和每个初始种子点的颜色空间距离、欧式距离以及每个像素点的梯度剧烈度得到每个像素点到每个初始种子点的梯度距离；

根据每个像素点与每个初始种子点连线上的像素点梯度剧烈度得到每个像素点到每个初始种子点之间的路径距离；

根据每个像素点与每个初始种子点之间的梯度距离和路径距离得到每个像素点与初始种子点之间的距离度量；

对于每个超像素块的区域，将初始种子点周围邻域像素点作为虚拟种子点，根据每个超像素块的区域内所有像素点与初始种子点颜色空间距离得到每个像素点的迭代权重，根据迭代权重和所有像素点与虚拟种子点的颜色空间距离计算每个虚拟种子点的种子点选取值；

根据虚拟种子点的种子点选取值得到下轮每个超像素块内的初始种子点，确定种子点更新规则，根据种子点更新规则与每轮迭代中每个像素点与每个种子点之间的距离度量对图像进行分割得到异常区域，根据异常区域进行封闭检测；

所述梯度剧烈度的获取步骤为：

式中，

是以像素点i为中心的四邻域，j是

内第j个像素点，

是像素点i和像素点j的灰度差值，

是像素点i与4个像素点j各自的灰度差值的方差表征像素点i周围的纹理变化，

是像素点i的梯度幅值，

就表示第i个像素点的梯度剧烈度，

、

分别是封闭灰度图中像素点梯度剧烈度的最大值和最小值，

表示归一化后的梯度剧烈度,exp()函数表示以自然常数为底的函数。

2.根据权利要求1所述的一种基于计算机视觉的深埋锚具封闭检测方法，其特征在于，所述根据每个像素点和每个初始种子点的颜色空间距离、欧式距离以及每个像素点的梯度剧烈度得到每个像素点到每个初始种子点的梯度距离的方法为：

获取Lab颜色空间中像素点i的三个颜色空间分量

、

、

，颜色空间中初始种子点k的三个颜色空间分量

、

、

，计算像素点i与初始种子点k之间对应空间分量的差值记为第一差值，第二差值，第三差值，根据第一差值，第二差值，第三差值的平方和开方后的结果就是颜色空间距离；

每个像素点到每个种子点的梯度距离公式如下：

式中，

、

分别是像素点i和初始种子点k之间的欧式距离和颜色空间距离，

、

、

分别是像素点i在Lab颜色空间内的分量值，

、

、

分别是初始种子点k在Lab颜色空间内的分量值，

是像素点对应的梯度剧烈度，

表示像素点i到初始种子点k的梯度距离，

是指第i个像素点所在的超像素块内像素点的梯度剧烈度的均值。

3.根据权利要求1所述的一种基于计算机视觉的深埋锚具封闭检测方法，其特征在于，所述每个像素点与初始种子点之间的距离度量的获取方法为：

获得像素点和初始种子点的连线，获得连线上所有像素点的梯度剧烈度，计算连线上所有像素点的梯度剧烈度之和来表示像素点i到初始种子点k的路径距离。

4.根据权利要求1所述的一种基于计算机视觉的深埋锚具封闭检测方法，其特征在于，所述迭代权重的获取方法为：

式中，

是第x次迭代过程中初始种子点k对应的超像素块内像素点i的权重，

是Lab颜色空间内像素点i与初始种子点k的分量差值，exp()函数表示以自然常数为底的函数，分量差值表示像素点i与初始种子点k的三个分量归一化后均值的差值,H是像素点i所在的超像素块内的像素点数量。

5.根据权利要求1所述的一种基于计算机视觉的深埋锚具封闭检测方法，其特征在于，所述计算每个虚拟种子点的种子点选取值的方法为：

式中，

是第x次迭代过程后下一轮的种子点选取值，

表示下一轮的种子点，

是第x次迭代过程中种子点

对应的超像素块内像素点i的权重，

是以

为种子点的超像素块内像素点i和虚拟种子点g的距离度量，H为第i个超像素块内的像素点数量，min()表示最小值函数。

Images