CN115797649A - 一种复杂背景下的裂缝提取方法 - Google Patents
一种复杂背景下的裂缝提取方法 Download PDFInfo
- Publication number
- CN115797649A CN115797649A CN202211313293.XA CN202211313293A CN115797649A CN 115797649 A CN115797649 A CN 115797649A CN 202211313293 A CN202211313293 A CN 202211313293A CN 115797649 A CN115797649 A CN 115797649A
- Authority
- CN
- China
- Prior art keywords
- crack
- pixel
- line
- cracks
- pixels
- 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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种复杂背景下的裂缝提取方法,包括:1.构建裂缝测度并对图像进行二值化;2.细化裂缝二值图,生成骨架图,并提取关键点;3.用直线将关键点相连生成裂缝结构线图;4.根据裂缝长度、方向、像素相似度等条件将距离较近的裂缝连接;5.剔除骨架长度较短的裂缝;6.根据相邻结构线的方位角、结构线长度等特征对结构图进行分级,提取主结构线和各次级结构线;7.将上级结构线作为基准,以上下级结构线的交点为分界,对上级结构线和下级结构线周围的像素做假设检验,像素分布具有一致性时合并;8.对分级裂缝进行筛选,剔除不符合条件的假裂缝,最终提取图像中的裂缝。与三种不同的经典或最先进的算法进行对比,本发明的裂缝提取效果更优。
Description
技术领域
本发明属于摄影测量影像处理方法,具体涉及一种复杂背景下的裂缝提取方法。
背景技术
在工程维护中,裂缝检测是一项重要的工作内容。但是在利用视觉手段进行裂缝检测时,常常会面临因裂缝影像的背景过于复杂而无法完整、准确的提取裂缝的问题。因此,开展复杂背景下的裂缝提取方法的研究至关重要。
随着计算机视觉、图像处理技术等相关领域的快速发展,越来越多的裂缝提取方法被相继提出,这些方法大致可分为两类:传统方法及深度学习方法。对于传统方法,其重要步骤之一是将图像进行二值化,即把可能的裂缝区域保留,把其余像素的灰度赋值为0。该过程多为利用阈值分割或边缘提取算法进行二值化:阈值分割方法时常会因为干扰物灰度低于裂缝而使阈值过低,使二值化结果保留干扰物并使裂缝不连续;边缘提取算法会因为裂缝宽度变化而造成裂缝的两条边缘不一致,从而带来歧义性。这使得传统方法的二值化结果不准确。获得二值图后,需要对裂缝进行甄别,不同的方法采用不同的方式,效果不一。受干扰物的影响,二值图中残留着许多的错误识别,因此在后续处理中,需要考虑在二值化结果中进行错误剔除。对于深度学习方法,该类方法泛化性较弱,比较依赖训练集,在纹理与训练集不一致的图像上难以检测裂缝。而在实际情况中,图像背景复杂多变,难以寻找一个可以表征所有情况的训练集,因此深度学习方法难以适应复杂多变的工程应用场景。
综上所述,复杂场景下的裂缝提取技术仍有待研究,对检测方法的挑战主要包括以下三点:1.需要提出一种稳健的图像二值化方法;2.需要具有较强的抗差能力;3.应具备较强的泛化能力,可应用于不同的图像背景。针对以上问题,本发明提出了一种由结构线引导的裂缝提取方法,并实现在复杂背景下的裂缝提取。
发明内容
本发明提出一种复杂背景下的裂缝提取方法,用来解决复杂背景下的图像裂缝提取问题。本发明主要包括以下步骤:
步骤1,首先对裂缝图像进行二值化处理,计算每个像素的裂缝测度,对裂缝测度大于0的像素,以像素为中点,以其裂缝测度的宽度为长,沿宽度方向画直线,并将直线上的像素点赋值为“1”,把其余未赋值的像素赋值为“0”,生成二值化的裂缝映射图;
步骤2,将裂缝映射图细化为1像素宽度的裂缝骨架图;
步骤3,提取裂缝骨架图的关键点,包括交点和端点,并根据原有连通性用结构线将关键点相连以生成裂缝结构线图;
步骤4,搜寻所有裂缝的端点附近从属于另一裂缝的关键点,将距离小于dthr个像素、和端点的连线与端点所在结构线的夹角τ小于π-τthr的关键点与该端点进行假设检验,两者周围像素点灰度分布一致时相连;
步骤5,剔除连接后骨架长度小于Lthr的裂缝;
步骤6,以结构线为路径,计算各单独裂缝的关键点之间的最短路径;在最短路径条件下,以每级结构线的路径长度最长且相邻结构线之间的夹角τ小于π-τhhr为分级条件,对各单独裂缝的结构线进行分级;
步骤7,在各分级结构线的交点处进行假设检验,合并检验结果为真的两条不同级但具有相同交点的结构线;
步骤8,提取各级结构线对应的裂缝像素,称为分级裂缝,根据分级裂缝与其外接矩形的面积比和外接矩形的长宽比进行筛选,剔除面积比大于Sthr且长宽比小于Athr的裂缝,并获得最终裂缝提取结果。
进一步的,步骤1中裂缝测度的详细定义如下,
设高斯函数及其一次、二次导数为:
其中,高斯导数的归一化形式表示为:
由此,可定义两个二维基:
其中x和y是像素坐标,根据以上两个基,可定义两个对称分子:
其中,
t=[x,y]T,t0=[x0,y0]T为坐标偏移量,b=0.0001为坐标缩放因子,j为尺度因子,θ为对称分子的角度,a和ρ为待设置参数;令函数为
fe(x)=Ge(ajx), (8)设为函数fe(x)在j=0时两个零点的距离,并称w0为j=0时的裂缝测度的宽度;设wj=w0×a-j为式(26)在不同j值所对应的裂缝测度的宽度;设为灰度图I与对称分子卷积值最大时对应的j和θ,其中,J是j的集合,Θ是角度θ的集合;同时,定义一个随wj变化而变化的阈值参数为:
其中,jo是尺度参数j的偏移量,β为软阈值,裂缝与背景的对比度越大,β越大。
进一步的,步骤2中利用Hilditch算法或其他细化方法把裂缝映射图细化成1像素宽度的裂缝骨架,除骨架外,其余像素赋值为0。
进一步的,步骤2中将骨架图中的关键点按其原有的拓扑关系相连生成裂缝结构线图,关键点的连线称为结构线,结构线组成的图称为裂缝结构线图;其中,关键点分为端点和交点,端点为骨架上邻接像素中只有一个非0值的点,交点为骨架上邻接像素中有大于两个非0值的点,当两个邻接像素均满足交点条件时,取“01”模式最大的点为交点,“01”模式表示某一像素的邻接像素的值按顺时针方向由0变为1的次数。
进一步的,步骤4中,建立两个判断函数来判断是否连接裂缝,详细定义为:设p0和p1是某一裂缝上同一结构线上的两个关键点,其中p1为端点,其结构线方向为设p2为另一裂缝距p1小于dthr个像素的关键点,与p1的连线的方向为可定义如下函数:
其中,,thr为角度阈值,
设Pcm(Cj)为某一序号为j的裂缝在裂缝映射图中的像素集,Pcls(Cj,p,n)∈Pcm(Cj)是Pcm(cj)中距离p像素距离最近的n个像素组成的集合,可以定义一个假设检验函数验证两个像素集和的像素的灰度分布是否具有一致性:
其中,显著水平α=0.05,假设检验函数包含两个过程:首先利用Levene检验测试两样本方差的一致性,然后顾及方差一致性,利用t检验测试两个样本灰度分布的一致性;对每个端点,搜寻周围距离小于dthr像素的另一裂缝的关键点,并利用式(30)检验方向一致性;然后利用式(31)检验两个点周围像素灰度的一致性,若两个函数的结果均为真,则连接两个裂缝。
进一步的,步骤5中长度筛选函数及使用方法如下,设Ps(Cj)为裂缝Cj的骨架的像素集,可定义长度筛选函数为:
其中,Lthr为长度阈值,对每条单独的裂缝执行函数(32),只保留结果为真的裂缝。
进一步的,步骤6中以结构线为路径,使用弗洛伊德算法或者其他最短路径算法,计算所有关键点之间的最短路径。
然后对结构线进行分级,其特征为:分级的过程如下,设X={χ0,χ1,χ2,…,χn}为某一裂缝所有关键点之间的按路径长度降序排列的最短路径集,其中χn指第n条结构线路径;设判断路径χi和χj是否有重复线段的函数为:
bool=fre(χi,χj); (15)
并设Φ={φ0,φ1,φ2,…,φm}为当前已被分级的结构线路径的集合,其中φm指序号为m的路径;则可以通过执行以下步骤对裂缝的所有结构线进行分级:
1.遍历X,存取每一条最短路径χn;
2.对χn中除两端点外的每个点,利用式(29)对其相连的两条结构线使进行角度判断;
3.若所有点的相连的两条结构线均满足式(29),则遍历Φ利用式(33)执行fre(χ,φ),来判断χn与Φ中的路径φm是否具有重复片段;
4.若χn与Φ中的所有路径均无重复片段,则将χn存入Φ;
5.将X遍历结束后,所得Φ即为裂缝分级结果;
分级结束后,每条裂缝的结构线会被分割成一条主级结果线和若干条次级结构线,每条不同等级的结构线对应的裂缝像素被视为是不同的裂缝,称为分级裂缝。
进一步的,步骤7中根据交点附近的两条不同级的结构线所属的裂缝像素的灰度分布,来判断是否合并结构线;
设线段及组成的一级结构线AOC和线段组成的二级结构线BO存在一个共同交叉点pO,设pO′为沿着骨架从pO移动到pB的动点,设⊙O′为以pO′为圆心,以OO′的长为直径的圆,其直径随着pO′的移动而增大,当⊙O′的直径的两端同时触碰到裂缝映射图中的“0”像素时,pO′停止移动,以OO′的长为直径,以pO为圆心作圆⊙O,并分别提取两个圆中在裂缝映射图上的n个“1”像素,n取两个圆中“1”像素较少的圆内所含有的“1”像素的个数,利用式(31)执行T(Pcls(⊙O,pO,n),Pcls(⊙O′,pO′,n)),若结果为真,则合并BO和AOC,并视作同一条结构线。
进一步的,利用步骤7中的圆,从结构线对应的骨架的一端点移动到另一端点,并提取其中裂缝映射图中的“1”像素,然后将重复像素剔除,可以获得分级后的裂缝像素;设是分级裂缝Cj的外接矩形;是矩形的长宽比;是裂缝与外接矩形的面积比;则可定义如下两个函数:
对每条分级裂缝,计算式(34)和(35),若两个式子的结果均为假,则认为该裂缝为假裂缝并剔除,通过将剩余像素和原图合并,可获得裂缝提取结果图。
进一步的,还包括步骤9,利用公开数据集对最终裂缝提取结果进行测试,并和现有的方法进行裂缝提取效果比较,性能对比指标包括:
其中TP为正确识别的像素点,FP为错误识别的像素点,FN为未被识别的正确像素点。
与现有技术相比,本发明的优点和有益效果如下:
1.本发明具有较强的抗差能力,可在复杂的图像背景下准确识别裂缝,可满足实际工程需要。
2.本发明为传统方法,不依赖于训练集,具有较强的泛化性,可被用于不同场景下的不同对象的裂缝识别。
3.本发明需要调整的参数较少,且各参数意义明晰,可以很容易的被不同人群应用。
附图说明
图1为发明方法流程图;
图2为本发明实施例中w0示意图;
图3为本发明实施例中三维裂缝、以及裂缝测度示意图;其中,(a)为三维裂缝的子片段,(b)为的示意图,(c)为(a)和(b)的叠加。当为最大值时,对应于的j*的对称分子的基ψe的宽度等于裂缝宽度,而角度θ*使对齐裂缝;因裂缝测度是在像素pm上计算的,因此真正的裂缝像素为以pm为中点,以为长度,θ*为方向的直线上的像素。
图4为本发明实施例中结构线示意图;图(a)中,灰色格子为骨架图,空白格子为裂缝映射图,p1,p4,p7和p8为关键点,其中p3,p4和p5都满足在骨架图中邻接像素非0值个数大于2,而它们的“01”模式分别和(b),(c),(d)相同,分别等于2,3,2(黑色箭头的个数),因此认为p4为交叉点,通过连接三条结构线p1-p4,p7-p4,p8-p4,可以生成图(a)的结构线图(黑色直线)。
图5为本发明实施例中分级结构线合并示意图;图中,AOC为一级结构线,BO为次级结构线,两条结构线有一共同的交叉点pO,因裂缝映射图在pO处连续,无法分辨pO附近的像素属于哪条结构线,因此定义两个直径等于OO′的圆⊙O′和⊙O提取不同等级的裂缝像素作假设检验。
图6为本发明实施例中裂缝提取效果图;(a)为原图;(b)为提取的裂缝;(c)为(a)和(b)的叠加图。
图7为本发明实施例中裂缝识别效果对比图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,就附图及实施案例对本发明各步骤作详细描述,本发明的实施流程请见图1。此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明提出的一种复杂背景下的裂缝提取方法,主要包括以下步骤:
步骤1:图像二值化。计算每个像素的裂缝测度,对裂缝测度大于0的像素,以像素为中点,以其裂缝测度的宽度为长,沿宽度方向画直线,并将直线上的像素点赋值为“1”。把其余未赋值的像素赋值为“0”,生成二值化的裂缝映射图。
步骤2:骨架提取。将裂缝映射图细化为1像素宽度的裂缝骨架图。
步骤3:结构线提取。提取裂缝骨架图的关键点(交点和端点),并根据原有连通性用直线(称为结构线)将关键点相连以生成裂缝结构线图。
步骤4:裂缝连接。搜寻所有裂缝的端点附近从属于另一裂缝的关键点,将距离小于dthr个像素、和端点的连线与端点所在结构线的夹角τ小于π-τthr的关键点与该端点进行周围像素分布的假设检验,两者周围像素点灰度分布一致时相连(当τ<π时,取τ=2π-τ)。
步骤5:长度筛选。剔除连接后骨架长度小于Lthr的裂缝。
步骤6:裂缝分级。以结构线为路径,计算各单独裂缝中所有关键点之间的最短路径;在最短路径条件下,以每级结构线的路径长度最长且相邻结构线之间的夹角τ小于π-τthr为分级条件,对各单独裂缝的结构线进行分级(当τ<π时,取τ=2π-τ);
步骤7:结构线合并。在各分级结构线的交点处进行假设检验,合并检验结果为真的两条不同级但具有相同交点的结构线。
步骤8:裂缝筛选。提取各级结构线对应的裂缝像素,称为分级裂缝。根据分级裂缝与其外接矩形的面积比和外接矩形的长宽比进行筛选,剔除面积比大于Sthr且长宽比小于Athr的裂缝,并获得最终裂缝提取结果。
步骤1中,需计算各像素的裂缝测度,裂缝测度的详细定义如下,设高斯函数及其一次、二次导数为:
其中,G0(x)为高斯函数,Go(x)为高斯函数的一次导数,Ge(x)为高斯函数的二次导数。Go(x)和Ge(x)的归一化形式表示为:
由此,可定义两个二维基:
其中x和y是像素坐标,根据以上两个基,可定义两个对称分子(见图3):
其中,
t=[x,y]T,t0=[x0,y0]T为坐标偏移量,b=0.0001为坐标缩放因子,j为尺度因子,θ为对称分子的角度,a和ρ为待设置参数。令函数为
fe(x)=Ge(ajx), (26)
并设为函数fe(x)在j=0时两个零点的距离,并称w0为j=0时的裂缝测度的宽度(见图2);设wj=w0×a-j为式(26)在不同j值所对应的裂缝测度的宽度;设为灰度图I与对称分子卷积值最大时对应的j和θ,其中,J是j的集合,Θ是角度θ的集合。同时,定义一个随wj变化而变化的阈值参数为:
其中,jo是尺度参数j的偏移量,β为软阈值,裂缝与背景的对比度越大,β越大。
在计算各像素的裂缝测度时,和θ*会被同时计算,在裂缝测度大于0的像素上,以像素为中点,以长度方向θ*画直线,并把线上的像素标记为“1”(详情见图3)。最后将其余未标记的像素标记为“0”以生成裂缝映射图。
步骤2中,使用Hilditch算法对裂缝映射图进行细化,获取1像素宽度的裂缝骨架图。在骨架图中,除骨架外,其余像素赋值为0。
步骤3中,定义骨架图中周围邻接像素中只有一个非0值的像素点为端点,有大于两个非0值的点为交点。当两个邻接像素满足交点条件时,设“01”模式表示某一像素的邻接像素的值按顺时针方向由0变为1的次数,选取两像素中“01”模式最大的点作为交叉点。根据骨架原有的拓扑连通关系,将各关键点相连以提取结构线,生成裂缝结构线图(见图4)。
步骤4中,建立两个判断函数来判断是否连接裂缝。设p0和p1是某一裂缝上同一结构线上的两个关键点,其中p1为端点,其结构线方向为设p2为另一裂缝的距p1小于dthr(一般条件下取5)个像素的关键点,与p1的连线的方向为可定义如下函数:
其中,τthr为角度阈值,
设Pcm(Cj)为第j条裂缝在裂缝映射图中的像素集,Pcls(Cj,p,n)∈Pcm(Cj)是Pcm(Cj)中与像素P距离最近的n个像素的集合,可定义一个假设检验函数验证两个像素集和的像素灰度分布是否具有一致性:
其中,显著水平α=0.05。式(31)包含两个过程:首先利用Levene检验测试两样本方差的一致性;然后顾及方差一致性,利用t检验测试两个样本灰度分布的一致性。对每个端点,搜寻周围距离小于dtht像素的另一裂缝的关键点,并利用式(30)检验方向一致性;然后利用式(31)检验两个点周围像素灰度的一致性,若两个函数的结果均为真,则连接两个裂缝。
步骤5中,对连接后的裂缝图的骨架进行长度筛选,设Ps(Cj)为裂缝Cj的骨架的像素集,可定义长度筛选函数为:
其中,Lthr为长度阈值。对每条单独的裂缝执行式(32),只保留结果为真的裂缝。
步骤6中,以长度筛选后的裂缝映射图的结构线为路径,利用弗洛伊德最短路径算法计算各点之间的最短路径。设χ(a,b)=[pa,p1,p2,…pb]∈X为pa到pb的最短路径,在χ中,除两端点pa和pb外,每个点均和两条结构线相连;设X={χ0,χ1,χ2,…,χn}为某一裂缝所有关键点之间的按路径长度降序排列的最短路径集,其中χn指第n条结构线路径;设判断路径χi和χj是否有重复线段的函数为:
bool=fre(χi,χj); (33)
并设Φ={φ0,φ1,φ2,…,φm}为当前已被分级的结构线路径的集合,其中φm指序号为m的路径;则可以通过执行以下步骤对裂缝的所有结构线进行分级:
1.遍历X,存取每一条最短路径χn;
2.对χn中除两端点外的每个点,利用式(29)对其相连的两条结构线进行角度判断;
3.若所有点的相连的两条结构线均满足式(29),则遍历Φ利用式(33)执行fre(χ,φ),来判断χn与Φ中的路径φm是否具有重复片段;
4.若χn与Φ中的所有路径均无重复片段,则将χn存入Φ;
5.将X遍历结束后,所得Φ即为裂缝分级结果。
分级结束后,每条裂缝的结构线会被分割成一条主级结果线和若干条次级结构线,每条不同等级的结构线(包括步骤7中合并之后的结构线)对应的裂缝像素被视为是不同的裂缝,称为分级裂缝。
步骤7中,如图5所示,由线段及组成的一级结构线AOC和线段组成的二级结构线BO存在一个共同交叉点pO,对两条结构线所属的裂缝在交叉点附近的像素进行假设检验来判断是否合并两条结构线。设pO′为沿着骨架从pO移动到pB的动点;设⊙O′为以pO′为圆心,以OO′的长为直径的圆,其直径随着pO′的移动而增大。当⊙O′的直径(EF)的两端同时触碰到裂缝映射图中的“0”像素时,pO′停止移动。以OO′的长为直径,以pO为圆心作圆⊙O,并分别提取两个圆中在裂缝映射图上的n个“1”像素,n取两个圆中“1”像素较少的圆内所含有的“1”像素的个数。利用式(31)执行T(Pcls(⊙O,pO,n),Pcls(⊙O′,pO′,n)),若结果为真,则合并BO和AOC,并视作同一条结构线。
步骤8中,每条分级、合并后的分级结构线,其两端点对应于一段裂缝骨架的两端点。利用形如图5中的两端触碰到“0”像素的圆⊙O′,从一端点移动到另一端点,提取其中裂缝映射图中的“1”像素,并将重复像素剔除,可以获得分级后的裂缝像素。设是分级裂缝Cj的外接矩形;是矩形的长宽比;是裂缝与外接矩形的面积比;则可定义如下两个函数:
对每条分级裂缝,计算式(34)和(35),若两个式子的结果均为假,则认为该裂缝为假裂缝并剔除,通过将剩余像素和原图合并,可获得裂缝提取结果图(见图6)。
在整个发明中,包含以下6个主要参数,分别为β,Lthr,Athr,Sthr,τthr和J。本发明将提出的裂缝提取方法命名为CDSL,利用公开数据集对CDSL进行测试,并和三个不同的方法进行了裂缝提取效果比较。三个方法分别为CrackForest,FCN和TPTN。CrackForest是传统方法,FCN是深度学习方法,这两个方法常被用于方法对比;TPTN是2022年提出的新方法。测试数据集为FCN方法提供的FCN-set裂缝数据集。在对比测试中,将CDSL中的参数设置为:β=15,Lthr=15,Athr=4,Sthr=0.25,τthr=π/4,J=[16,17,18,19,20,21,22,23,24,25,26];性能对比指标为:
其中TP为正确识别的像素点,FP为错误识别的像素点,FN为未被识别的正确像素点,比较结果见表1,效果对比图见图7。
表1各方法性能指标对比
由表1可知,CDSL的综合性能优于其他三个方法,其综合性能指标F1分数最高,且召回率最高。而TPTN的精度要高于CDSL,但它无法识别裂缝宽度的变化,这将影响最后的裂缝影像判读。从图7中也可以从直观的看出,CDSL的识别结果比其他三个方法更连续、更完整、错误更少。
在实际应用时,参数可根据实际需要进行设置,当裂缝与背景对比较大时,β可以适当增大,反之亦然。而参数J由一组整数j组成,它影响着CDSL可识别的裂缝的宽度范围,值越小,对应的裂缝宽度越大。当j=0,b=0.0001时,则由wj=w0×a-j可算出j等于16至26时对应的wj,而wj对应着CDSL可识别的裂缝的宽度,如表2所示:
表2不同的j对应的wj(单位:像素)
在裂缝宽度变化明显时,可选择大范围的J,如J=[16,17,18,19,20,21,22,23,24,25,26],当裂缝宽度相对一致时,可根据表2选择合适的j来组成J,可进一步提高裂缝识别的精度。例如,当观察发现获取的数据中裂缝的宽度大致在2至10像素变化时,因w21=10,w26=2,因此可以选择J=[21,22,23,24,25,26]来识别裂缝。
本说明书中未详尽说明的部分均为现有成熟技术。本说明书中对用例的说明并非对本发明专利保护范围的限制;同时本领域技术人员在本发明专利要求的权利保护范围内对本发明专利的替换、变形等,均落入本发明专利的权利保护范围,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种复杂背景下的裂缝提取方法,其特征在于,包括以下步骤:
步骤1,首先对裂缝图像进行二值化处理,计算每个像素的裂缝测度,对裂缝测度大于0的像素,以像素为中点,以其裂缝测度的宽度为长,沿宽度方向画直线,并将直线上的像素点赋值为“1”,把其余未赋值的像素赋值为“0”,生成二值化的裂缝映射图;
步骤2,将裂缝映射图细化为1像素宽度的裂缝骨架图;
步骤3,提取裂缝骨架图的关键点,包括交点和端点,并根据原有连通性用结构线将关键点相连以生成裂缝结构线图;
步骤4,搜寻所有裂缝的端点附近从属于另一裂缝的关键点,将距离小于dthr个像素、和端点的连线与端点所在结构线的夹角τ小于π-τthr的关键点与该端点进行假设检验,两者周围像素点灰度分布一致时相连;
步骤5,剔除连接后骨架长度小于Lthr的裂缝;
步骤6,以结构线为路径,计算各单独裂缝的关键点之间的最短路径;在最短路径条件下,以每级结构线的路径长度最长且相邻结构线之间的夹角τ小于π-τthr为分级条件,对各单独裂缝的结构线进行分级;
步骤7,在各分级结构线的交点处进行假设检验,合并检验结果为真的两条不同级但具有相同交点的结构线;
步骤8,提取各级结构线对应的裂缝像素,称为分级裂缝,根据分级裂缝与其外接矩形的面积比和外接矩形的长宽比进行筛选,剔除面积比大于Sthr且长宽比小于Athr的裂缝,并获得最终裂缝提取结果。
2.根据权利要求1所述的一种复杂背景下的裂缝提取方法,其特征在于:步骤1中裂缝测度的详细定义如下,
设高斯函数及其一次、二次导数为:
其中,高斯导数的归一化形式表示为:
由此,可定义两个二维基:
其中x和y是像素坐标,根据以上两个基,可定义两个对称分子:
其中,
t=[x,y]T,t0=[x0,y0]T为坐标偏移量,b=0.0001为坐标缩放因子,j为尺度因子,θ为对称分子的角度,a和ρ为待设置参数;令函数为
fe(x)=Ge(ajx), (8)
设为函数fe(x)在j=0时两个零点的距离,并称w0为j=0时的裂缝测度的宽度;设wj=w0×a-j为式(8)在不同j值所对应的裂缝测度的宽度;设为灰度图I与对称分子卷积值最大时对应的j和θ,其中,J是j的集合,Θ是角度θ的集合;同时,定义一个随wj变化而变化的阈值参数为:
其中,jo是尺度参数j的偏移量,β为软阈值,裂缝与背景的对比度越大,β越大。
3.根据权利要求1所述的一种复杂背景下的裂缝提取方法,其特征在于:步骤2中利用Hilditch算法或其他细化方法把裂缝映射图细化成1像素宽度的裂缝骨架,除骨架外,其余像素赋值为0。
4.根据权利要求1所述的一种复杂背景下的裂缝提取方法,其特征在于:步骤2中将骨架图中的关键点按其原有的拓扑关系相连生成裂缝结构线图,关键点的连线称为结构线,结构线组成的图称为裂缝结构线图;其中,关键点分为端点和交点,端点为骨架上邻接像素中只有一个非0值的点,交点为骨架上邻接像素中有大于两个非0值的点,当两个邻接像素均满足交点条件时,取“01”模式最大的点为交点,“01”模式表示某一像素的邻接像素的值按顺时针方向由0变为1的次数。
5.根据权利要求1所述的一种复杂背景下的裂缝提取方法,其特征在于:步骤4中,建立两个判断函数来判断是否连接裂缝,详细定义为:设p0和p1是某一裂缝上同一结构线上的两个关键点,其中p1为端点,其结构线方向为设p2为另一裂缝距p1小于dthr个像素的关键点,与p1的连线的方向为可定义如下函数:
其中,,τthr为角度阈值,
设Pcm(Cj)为某一序号为j的裂缝在裂缝映射图中的像素集,Pcls(Cj,p,n)∈Pcm(Cj)是Pcm(Cj)中距离p像素距离最近的n个像素组成的集合,可以定义一个假设检验函数验证两个像素集和的像素的灰度分布是否具有一致性:
其中,显著水平α=0.05,假设检验函数包含两个过程:首先利用Levene检验测试两样本方差的一致性,然后顾及方差一致性,利用t检验测试两个样本灰度分布的一致性;对每个端点,搜寻周围距离小于dthr像素的另一裂缝的关键点,并利用式(12)检验方向一致性;然后利用式(13)检验两个点周围像素灰度的一致性,若两个函数的结果均为真,则连接两个裂缝。
7.根据权利要求1所述的一种复杂背景下的裂缝提取方法,其特征在于:步骤6中以结构线为路径,使用弗洛伊德算法或者其他最短路径算法,计算所有关键点之间的最短路径。
然后对结构线进行分级,其特征为:分级的过程如下,设X={χ0,χ1,χ2,…,χn}为某一裂缝所有关键点之间的按路径长度降序排列的最短路径集,其中χn指第n条结构线路径;设判断路径χi和χj是否有重复线段的函数为:
bool=fre(χi,χj); (15)
并设Φ={φ0,φ1,φ2,…,φm}为当前已被分级的结构线路径的集合,其中φm指序号为m的路径;则可以通过执行以下步骤对裂缝的所有结构线进行分级:
1.遍历X,存取每一条最短路径χn;
2.对χn中除两端点外的每个点,利用式(11)对其相连的两条结构线使进行角度判断;
3.若所有点的相连的两条结构线均满足式(11),则遍历Φ利用式(15)执行fre(χ,φ),来判断χn与Φ中的路径φm是否具有重复片段;
4.若χn与Φ中的所有路径均无重复片段,则将χn存入Φ;
5.将X遍历结束后,所得Φ即为裂缝分级结果;
分级结束后,每条裂缝的结构线会被分割成一条主级结果线和若干条次级结构线,每条不同等级的结构线对应的裂缝像素被视为是不同的裂缝,称为分级裂缝。
8.根据权利要求5所述的一种复杂背景下的裂缝提取方法,其特征在于:步骤7中根据交点附近的两条不同级的结构线所属的裂缝像素的灰度分布,来判断是否合并结构线;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211313293.XA CN115797649A (zh) | 2022-10-25 | 2022-10-25 | 一种复杂背景下的裂缝提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211313293.XA CN115797649A (zh) | 2022-10-25 | 2022-10-25 | 一种复杂背景下的裂缝提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115797649A true CN115797649A (zh) | 2023-03-14 |
Family
ID=85433775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211313293.XA Pending CN115797649A (zh) | 2022-10-25 | 2022-10-25 | 一种复杂背景下的裂缝提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797649A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173433A (zh) * | 2023-07-31 | 2023-12-05 | 苏州城市学院 | 一种小径管焊缝射线图像相似度评估方法 |
-
2022
- 2022-10-25 CN CN202211313293.XA patent/CN115797649A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173433A (zh) * | 2023-07-31 | 2023-12-05 | 苏州城市学院 | 一种小径管焊缝射线图像相似度评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN111626146B (zh) | 一种基于模板匹配的合并单元格表格分割识别方法 | |
CN107392141B (zh) | 一种基于显著性检测和lsd直线检测的机场提取方法 | |
Louloudis et al. | A block-based Hough transform mapping for text line detection in handwritten documents | |
CN104766084B (zh) | 一种多目标匹配的近复制图像检测方法 | |
Garz et al. | Binarization-free text line segmentation for historical documents based on interest point clustering | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN108921163A (zh) | 一种基于深度学习的包装喷码检测方法 | |
JP2017107543A (ja) | 細胞画像の自動分析方法及びシステム | |
CN114140679A (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
CN107622271B (zh) | 手写文本行提取方法及系统 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN115184380B (zh) | 基于机器视觉的印刷电路板焊点异常检测方法 | |
CN110738216A (zh) | 基于改进surf算法的药品识别方法 | |
Louloudis et al. | Text line detection in unconstrained handwritten documents using a block-based Hough transform approach | |
CN114863492B (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
WO2019019250A1 (zh) | 倾斜图像的倾斜值获取方法、装置、终端及存储介质 | |
Boussellaa et al. | Unsupervised block covering analysis for text-line segmentation of Arabic ancient handwritten document images | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN104282001A (zh) | 增强图像特征二值描述子性能的方法 | |
CN115797649A (zh) | 一种复杂背景下的裂缝提取方法 | |
CN109409211A (zh) | 汉字骨架笔段的处理方法和系统 | |
Abdo et al. | An approach to analysis of Arabic text documents into text lines, words, and characters | |
CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
Massa et al. | Cuneiform detection in vectorized raster 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 |