CN116051992A - 一种裂缝识别方法 - Google Patents
一种裂缝识别方法 Download PDFInfo
- Publication number
- CN116051992A CN116051992A CN202310025689.2A CN202310025689A CN116051992A CN 116051992 A CN116051992 A CN 116051992A CN 202310025689 A CN202310025689 A CN 202310025689A CN 116051992 A CN116051992 A CN 116051992A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- neighborhood
- point
- formula
- 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
- G06V20/176—Urban or other man-made structures
-
- 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
-
- 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
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
Abstract
本发明提供一种裂缝识别方法,本设计可以有效地避免光照不均匀的情况,但是匀光后同时增强了噪声纹理,为后期裂缝提取带来误判断,并且采用直接分割无法除去图像中存在的大量噪声,可以较好地去除噪声影响,对图像的背景灰度进行了有效滤除,最大程度保留图像中的裂缝特征,虽然出现一定的噪声干扰,但同时也增大了裂缝纹理的识别率,其包括以下步骤:S1:基于图像的处理对隧道表面裂缝进行检测;其包括:裂缝图像提取、裂缝图像预处理、连通区域的多级滤波算法对图像进行处理;S2:对裂缝宽度进行测量;其包括:裂缝图像细化、裂缝骨架图毛刺滤除、裂缝宽度计算;S3:收集裂缝图像进行检测分析。
Description
技术领域
本发明涉及隧道施工中裂缝识别技术领域,尤其涉及一种裂缝识别方法。
背景技术
隧道裂缝是隧道在建设和使用过程中由于岩层性质、温度应力、外界环境变化等原因而产生的。裂缝的产生不可避免并且会影响隧道的稳定性,对列车的正常运行产生负面影响,因此必须对其进行有效地检测。目前检测裂缝的方法主要有超声波检测法、冲击弹性波检测法、声发射检测法、光纤传感检测法以及图像处理检测法。图像处理检测法具有非接触、效率高、便捷直观等优点,对隧道裂缝的有效检测至关重要,
但是隧道裂缝图像普遍存在着低对比度、光照不均匀、噪声污染严重等问题,利用传统图像处理算法无法很好地检测隧道裂缝,容易受到影响。
发明内容
针对现有技术中存在的缺陷,本发明解决的技术问题为:提供一种裂缝识别方法。
为达到以上目的,本发明提供的:
一种裂缝识别方法,包括以下步骤:
S1:基于图像的处理对隧道表面裂缝进行检测;其包括:裂缝图像提取、裂缝图像预处理、连通区域的多级滤波算法对图像进行处理;
S2:对裂缝宽度进行测量;其包括:裂缝图像细化、裂缝骨架图毛刺滤除、裂缝宽度计算;
S3:收集裂缝图像进行检测分析。
优选的,所述S1中,裂缝图像提取包括以下步骤:图像灰度变化、灰度给腐蚀、局部图像直方图拉伸、局部图像大律法分割、求二值图像连通区域、裂缝特征判断、区域零阶矩、区域矩形度、特殊区域、裂缝特征标准。
优选的,所述S1中,裂缝图像预处理包括灰度腐蚀和局部直方图拉伸两个预处理方式:
第一,设原始图像为,I(x,y),灰度腐蚀的过程如式(1),所示:
G(x,y)=min{I(x+x′,y+y′)-S(x′,y′)|(x′,y′)∈Ds} (1)
式中:S(x′,y′)为结构元素,Ds为S(x′,y′)的定义域;G(x,y)为灰度腐蚀后的图像;灰度腐蚀计算在结构元素定义域内原始图像与结构元素之差的最小值,将其作为新的灰度值,通过增加裂缝的宽度和深度以达到增强裂缝对比度的目的。
第二,局部直方图拉伸首先需要将图像分割成块,设子图像的宽度为W,高度为H,对于边界不满足边长条件的子图像,在图像中选取一个包含该区域且宽度为W、高度为H的区域,将该区域作为新的边界子图像。该算法使用到了图像的归一化,设值图像为Ui(x,y),Vi(x,y)为归一化后的子图像,则归一化过程如式(2)所示:
式中:K为子图像的个数。归一化将图像变换到[0,1]范围内,这样可以大大减少计算量,同时在小尺度范围内处理可以更好地保护图像的细节;设Mi为归一化子图像的均值,定义如式(3)所示:
对每个子图像进行直方图拉伸变换,设Li(x,y)为归一化输出结果,变幻过程如式(4)所示,根据经验去λ=4;
对得到的归一化结果进行反归一化操作,得到最终的拉伸结果;设反归一化的结果为Qi(x,y),其处理过程如式(5)所示;
Qi(x,y)=Li(x,y)×255 (5)
经过上述两步预处理后,对每个子图像利用0tsu分割法得到其最佳分割阈值ti,然后根据该阈值将灰度图像转化为二值图像,设二值化后的图像为P(x,y),分割过程如式(6)所示:
优选的,所述S1中,基于连通区域的多级滤波算法,隧道裂缝图像中存在着大量不同种类,不同形状,且分布无规律的噪声,这些噪声严重影响了裂缝的检测,而传统的滤波算法无法有效滤除各种噪声,因此需要进行噪音处理,具体步骤如下:
第一,求取二值图像的连通区域及外接矩形;设Ck(x,y)为P(x,y)的连通区域,P为Ck(x,y)中的一个已知点,B是一个边长为三的正方形结构元素,计算过程如式(7)所述:
第二,基于连通区域的零阶矩滤波,裂缝是一种具有空间连通性的结构,而且一条裂缝会有一定的长度,采用连通区域的零阶矩进行滤波;滤波过程如式(8)和式(9)所示:
式中,nk为每个连通区域的零阶矩,以连通区域中目标像素点的个数来表示,Nn为连通区域的个数,F(x,y)为滤波之后的图像,Tn为设定的一个阀值。
第三,基于连通区域矩形度滤波,由于光照不均匀以及表面纹理的影响,二值图像中存在着大量的块状噪声。而裂缝是一种细长的结构,因此可以利用连通区域的矩形度进行滤波,首先计算F(x,y)中的连通区域Dk(x,y),然后计算每个连通区域的矩形度,如式(10)所示:
式中:SM为边长与坐标轴平行的外接矩形的面积,设NR为连通区域的个数,Y(x,y)为滤波之后的图像,设定一个阈值TR,滤波过程如式(11)所示:
第四,特殊噪声滤波,经过上述两步滤波后,图像中还存在这一些特殊的噪声,这些噪声的形状不规则,并且不满足上述滤波的条件,如图2所示,对于这种噪声,首先在Y(x,y)中计算连通区域Ek(x,y),然后逐行逐行扫描图像计算连通区域的最大宽度wmax,逐列扫描图像计算连通区域的最大高度hmax,如图2所示,利用这两个参数以及连通区域的矩形度共三个参数进行滤波;设Nw为连通区域的个数,设定3个阈值Tw、Th和Tr,滤波过程如式(12)所示:
式中:k=1,2,…,Nw。
优选的,所述S2中,隧道裂缝检测的目的在于定量地计算裂缝的参数,从而判断一条裂缝是否超出了安全范围。
裂缝图像细化的目的在于得到裂缝的骨架图,为后续宽度计算做准备,裂缝图像细化,从裂缝两侧的边缘开始,将满足条件的像素点除掉,层层向内剥离,最终得到裂缝的骨架;设裂缝像素值为0,背景值为1。图3所示为细化算法的示意图。
取一个像素点的3X3邻域,设中心点为P1,其坐标为(i,j),邻域中其余各像素点分别为P2,P3,…,P9,则如果邻域像素点满足下面四个条件,就将中心点删除;
1)2≤Z(P1)≤6
2)T(P1)=1
3)(1-P2)×(1-P4)×(1-P8)=0或T(P1)≠1;
4)(1-P2)×(1-P4)×(1-P6)=0或T(P4)≠1;
其中,Z(P1)为P2,P3,…,P9中像素值为0的点个数,T(P)为P点的8邻域点按逆时针方向排列后像素值从0到1变化的次数。
优选的,所述S2中,裂缝骨架图毛刺滤除,经过上述细化操作后就可以得到裂缝的骨架图。通过检测发现,骨架图中存在大量的毛刺。毛刺是一些短小的分支,这些毛刺严重干扰了裂缝宽度的计算,因此必须进行滤除。
毛刺滤除主要有三个过程:端点和节点检测,分支编码以及长度计算,设定长度阈值进行滤除。
第一,节点及端点检测:节点是裂缝骨架上开始产生分支的点,端点是分支最末端的点,也是分支结束的点,从节点到端点即为一条完整的分支,取骨架图上像素点的3X3邻域,如果邻域范围内至少有三个像素点与中心点相连,则中心点为一个节点,对于端点检测,构造八个模板遍历整幅图像,将满足模板条件的骨架点作为端点,能够检测任意形状,任意方向的端点;
图4模板中,0位置为黑色像素点,即像素值为0,×位置为白色像素点,即像素值为1。扫描整幅图像,如果骨架点的3×3邻域满足上述之一的条件,则该骨架点为端点。
第二,分支编码以及长度计算:从端点开始跟踪裂缝骨架,到节点结束,即为一条完整的分支,设为N(x,y),利用方向向链码对分支进行编码,最后采用式(13)计算分支的长度m,
L=ANe+BNo+CNc (13)
第三,毛刺滤除:根据隧道现场的条件以及细化算法选择合适的长度阈值Tl,将长度低于该阈值的分支作为毛刺滤除,滤波过程如式(14)所示:
式中,NT为所有分支的个数。
优选的,所述S2中,裂缝宽度计算包括:裂缝点邻域法线计算和灰度图中选取邻域并计算裂缝宽度;
第一,裂缝点邻域法线计算:首先在裂缝骨架图中选取裂缝点的一个正方形邻域,然后计算该邻域的扩展线,所谓邻域扩展线,就是在邻域范围内,相距最远的2个像素点之间的连线。如图5中实线所示。根据2条垂直直线的斜率乘积为-1可以计算出裂缝点的法线斜率,进而得到该点的法线,如图5中的虚线所述。
第二,邻域选取及宽度计算;骨架图上裂缝点方形邻域的大小需要根据骨架图的具体情形来选取;邻域选取过大,则计算的扩展线斜率无法很好地代表该点的实际斜率。而选取过小,则以像素点连线斜率代表实际裂缝点斜率可能会出现极大偏差。根据对大量骨架图的分析,本文选取该方形邻域大小为5×5。根据骨架图中的裂缝点坐标,在灰度图I(x,y)中找到该点,沿着法线方向选取该点的一个直线型邻域。该邻域宽度为一个像素,并且以裂缝点为中心,两个方向上长度相同,以保证宽度计算的准确性;
设D为邻域半径,A为直线型邻域,则其定义如式(15)所述:
A=(I(x0,y0),I(x1,y1),…,I(xD,yD),…,I(x2D-1,y2D-1),I(x2D,y2D)) (15)
式中:I(xD,yD)为裂缝点,(xi,yi)为邻域像素点的坐标,获取裂缝宽度。
优选的,所述获取处理后的图像进行检测和分析,对比前后图像的差异,获得较好的裂缝图像。
与现有技术相比,本发明的优点在于:
本发明利用Mask匀光算法可以有效地避免光照不均匀的情况,但是匀光后同时增强了噪声纹理,为后期裂缝提取带来误判断,并且采用直接分割无法除去图像中存在的大量噪声;
本发明可以较好地去除噪声影响,对图像的背景灰度进行了有效滤除,最大程度保留图像中的裂缝特征,虽然出现一定的噪声干扰,但同时也增大了裂缝纹理的识别率。
附图说明
图1为本设计的主体结构示意图;
图2为本设计的特殊形状噪声图;
图3为本设计细化算法示意图;
图4为本设计端点检测模板图;
图5为本设计裂缝点法线计算图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
参见图1-5所示,一种裂缝识别方法,包括以下步骤:
S1:基于图像的处理对隧道表面裂缝进行检测;其包括:裂缝图像提取、裂缝图像预处理、连通区域的多级滤波算法对图像进行处理;
S2:对裂缝宽度进行测量;其包括:裂缝图像细化、裂缝骨架图毛刺滤除、裂缝宽度计算;
S3:收集裂缝图像进行检测分析。
本实施例中,S1中,裂缝图像提取包括以下步骤:图像灰度变化、灰度给腐蚀、局部图像直方图拉伸、局部图像大律法分割、求二值图像连通区域、裂缝特征判断、区域零阶矩、区域矩形度、特殊区域、裂缝特征标准。
本实施例中,在工程实际应用中,由于拍摄条件的限制,隧道裂缝图像存在对比度低、光照不均匀的问题;这极大地影响了隧道裂缝的检测;为此,裂缝图像预处理包括灰度腐蚀和局部直方图拉伸两个预处理方式:
第一,设原始图像为,I(x,y),灰度腐蚀的过程如式(1),所示:
G(x,y)=min{I(x+x′,y+y′)-S(x′,y′)|(x′,y′)∈Ds} (1)
式中:S(x′,y′)为结构元素,Ds为S(x′,y′)的定义域;G(x,y)为灰度腐蚀后的图像;灰度腐蚀计算在结构元素定义域内原始图像与结构元素之差的最小值,将其作为新的灰度值,通过增加裂缝的宽度和深度以达到增强裂缝对比度的目的,由于只在小范围内改变了像素灰度值,可以更好地保护图像细节。
第二,局部直方图拉伸首先需要将图像分割成块,设子图像的宽度为W,高度为H,对于边界不满足边长条件的子图像,在图像中选取一个包含该区域且宽度为W、高度为H的区域,将该区域作为新的边界子图像。该算法使用到了图像的归一化,设值图像为Ui(x,y),Vi(x,y)为归一化后的子图像,则归一化过程如式(2)所示:
式中:K为子图像的个数。归一化将图像变换到[0,1]范围内,这样可以大大减少计算量,同时在小尺度范围内处理可以更好地保护图像的细节;设Mi为归一化子图像的均值,定义如式(3)所示:
对每个子图像进行直方图拉伸变换,设Li(x,y)为归一化输出结果,
变幻过程如式(4)所示,根据经验去λ=4;
对得到的归一化结果进行反归一化操作,得到最终的拉伸结果;设反归一化的结果为Qi(x,y),其处理过程如式(5)所示;
Qi(x,y)=Li(x,y)×255 (5)
局部直方图拉伸能够平衡每个子图像的光照强度,由于使用到了每个子图像的均值,在平衡光照强度上优于直方图均衡化和亮度范围拉伸,能够较好地减弱光照不均匀的影响,同时较好地保护图像的细节,经过上述两步预处理后,对每个子图像利用0tsu分割法得到其最佳分割阈值ti,然后根据该阈值将灰度图像转化为二值图像,设二值化后的图像为P(x,y),分割过程如式(6)所示:
本实施例中,S1中,基于连通区域的多级滤波算法,隧道裂缝图像中存在着大量不同种类,不同形状,且分布无规律的噪声,这些噪声严重影响了裂缝的检测,而传统的滤波算法无法有效滤除各种噪声,因此需要进行噪音处理,具体步骤如下:
第一,求取二值图像的连通区域及外接矩形;设Ck(x,y)为P(x,y)的连通区域,P为Ck(x,y)中的一个已知点,B是一个边长为三的正方形结构元素,计算过程如式(7)所述:
第二,基于连通区域的零阶矩滤波,裂缝是一种具有空间连通性的结构,而且一条裂缝会有一定的长度,采用连通区域的零阶矩进行滤波;滤波过程如式(8)和式(9)所示:
式中,nk为每个连通区域的零阶矩,以连通区域中目标像素点的个数来表示,Nn为连通区域的个数,F(x,y)为滤波之后的图像,Tn为设定的一个阀值。
第三,基于连通区域矩形度滤波,由于光照不均匀以及表面纹理的影响,二值图像中存在着大量的块状噪声。而裂缝是一种细长的结构,因此可以利用连通区域的矩形度进行滤波,首先计算F(x,y)中的连通区域Dk(x,y),然后计算每个连通区域的矩形度,如式(10)所示:
式中:SM为边长与坐标轴平行的外接矩形的面积,设NR为连通区域的个数,Y(x,y)为滤波之后的图像,设定一个阈值TR,滤波过程如式(11)所示:
第四,特殊噪声滤波,经过上述两步滤波后,图像中还存在这一些特殊的噪声,这些噪声的形状不规则,并且不满足上述滤波的条件,如图2所示,对于这种噪声,首先在Y(x,y)中计算连通区域Ek(x,y),然后逐行逐行扫描图像计算连通区域的最大宽度wmax,逐列扫描图像计算连通区域的最大高度hmax,如图2所示,利用这两个参数以及连通区域的矩形度共三个参数进行滤波;设Nw为连通区域的个数,设定3个阈值Tw、Th和Tr,滤波过程如式(12)所示:
式中:k=1,2,…,Nw。
本实施例中,S2中,隧道裂缝检测的目的在于定量地计算裂缝的参数,从而判断一条裂缝是否超出了安全范围。
裂缝图像细化的目的在于得到裂缝的骨架图,为后续宽度计算做准备,裂缝图像细化,从裂缝两侧的边缘开始,将满足条件的像素点除掉,层层向内剥离,最终得到裂缝的骨架;设裂缝像素值为0,背景值为1。图3所示为细化算法的示意图。
取一个像素点的3X3邻域,设中心点为P1,其坐标为(i,j),邻域中其余各像素点分别为P2,P3,…,P9,则如果邻域像素点满足下面四个条件,就将中心点删除;
1)2≤Z(P1)≤6
2)T(P1)=1
3)(1-P2)×(1-P4)×(1-P8)=0或T(P1)≠1;
4)(1-P2)×(1-P4)×(1-P6)=0或T(P4)≠1;
其中,Z(P1)为P2,P3,…,P9中像素值为0的点个数,T(P)为P点的8邻域点按逆时针方向排列后像素值从0到1变化的次数。
本实施例中,裂缝骨架图毛刺滤除,经过上述细化操作后就可以得到裂缝的骨架图。通过检测发现,骨架图中存在大量的毛刺。毛刺是一些短小的分支,这些毛刺严重干扰了裂缝宽度的计算,因此必须进行滤除。
毛刺滤除主要有三个过程:端点和节点检测,分支编码以及长度计算,设定长度阈值进行滤除。
第一,节点及端点检测:节点是裂缝骨架上开始产生分支的点,端点是分支最末端的点,也是分支结束的点,从节点到端点即为一条完整的分支,取骨架图上像素点的3X3邻域,如果邻域范围内至少有三个像素点与中心点相连,则中心点为一个节点,对于端点检测,构造八个模板遍历整幅图像,将满足模板条件的骨架点作为端点,能够检测任意形状,任意方向的端点;
图4模板中,O位置为黑色像素点,即像素值为0,×位置为白色像素点,即像素值为1。扫描整幅图像,如果骨架点的3×3邻域满足上述之一的条件,则该骨架点为端点。
第二,分支编码以及长度计算:从端点开始跟踪裂缝骨架,到节点结束,即为一条完整的分支,设为N(x,y),利用方向向链码对分支进行编码,最后采用式(13)计算分支的长度m,
L=ANe+BNo+CNc (13)
第三,毛刺滤除:根据隧道现场的条件以及细化算法选择合适的长度阈值Tl,将长度低于该阈值的分支作为毛刺滤除,滤波过程如式(14)所示:
式中,NT为所有分支的个数。
本实施例中,裂缝宽度计算包括:裂缝点邻域法线计算和灰度图中选取邻域并计算裂缝宽度;
第一,裂缝点邻域法线计算:首先在裂缝骨架图中选取裂缝点的一个正方形邻域,然后计算该邻域的扩展线,所谓邻域扩展线,就是在邻域范围内,相距最远的2个像素点之间的连线。如图5中实线所示。根据2条垂直直线的斜率乘积为一1可以计算出裂缝点的法线斜率,进而得到该点的法线,如图5中的虚线所述。
第二,邻域选取及宽度计算;骨架图上裂缝点方形邻域的大小需要根据骨架图的具体情形来选取;邻域选取过大,则计算的扩展线斜率无法很好地代表该点的实际斜率。而选取过小,则以像素点连线斜率代表实际裂缝点斜率可能会出现极大偏差。根据对大量骨架图的分析,本文选取该方形邻域大小为5×5。根据骨架图中的裂缝点坐标,在灰度图I(x,y)中找到该点,沿着法线方向选取该点的一个直线型邻域。该邻域宽度为一个像素,并且以裂缝点为中心,两个方向上长度相同,以保证宽度计算的准确性;
设D为邻域半径,A为直线型邻域,则其定义如式(15)所述:
A=(I(x0,y0),I(x1,y1),…,I(xD,yD),…,I(x2D-1,y2D-1),I(x2D,y2D)) (15)
式中:I(xD,yD)为裂缝点,(xi,yi)为邻域像素点的坐标,获取裂缝宽度。
本实施例中,获取处理后的图像进行检测和分析,对比前后图像的差异,获得较好的裂缝图像。
本实施例中,。
本发明不仅局限于上述最佳实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本发明相同或相近似的技术方案,均在其保护范围之内。
Claims (8)
1.一种裂缝识别方法,其特征在于:包括以下步骤:
S1:基于图像的处理对隧道表面裂缝进行检测;其包括:裂缝图像提取、裂缝图像预处理、连通区域的多级滤波算法对图像进行处理;
S2:对裂缝宽度进行测量;其包括:裂缝图像细化、裂缝骨架图毛刺滤除、裂缝宽度计算;
S3:收集裂缝图像进行检测分析。
2.如权利要求1所述的一种裂缝识别方法,其特征在于:所述S1中,裂缝图像提取包括以下步骤:图像灰度变化、灰度给腐蚀、局部图像直方图拉伸、局部图像大律法分割、求二值图像连通区域、裂缝特征判断、区域零阶矩、区域矩形度、特殊区域、裂缝特征标准。
3.如权利要求1所述的一种裂缝识别方法,其特征在于:所述S1中,裂缝图像预处理包括灰度腐蚀和局部直方图拉伸两个预处理方式:
第一,设原始图像为,I(x,y),灰度腐蚀的过程如式(1),所示:
G(x,y)=min{I(x+x′,y+y′)-S(x′,y′)|(x',y')∈Ds} (1)
式中:S(x′,y′)为结构元素,Ds为S(x′,y′)的定义域;G(x,y)为灰度腐蚀后的图像;灰度腐蚀计算在结构元素定义域内原始图像与结构元素之差的最小值,将其作为新的灰度值,通过增加裂缝的宽度和深度以达到增强裂缝对比度的目的;
第二,局部直方图拉伸首先需要将图像分割成块,设子图像的宽度为W,高度为H,在图像中选取一个包含该区域且宽度为W、高度为H的区域,将该区域作为新的边界子图像。该算法使用到了图像的归一化,设值图像为Ui(x,y),Vi(x,y)为归一化后的子图像,则归一化过程如式(2)所示:
式中:K为子图像的个数,归一化将图像变换到[0,1]范围内,这样可以大大减少计算量,同时在小尺度范围内处理可以更好地保护图像的细节;设Mi为归一化子图像的均值,定义如式(3)所示:
对每个子图像进行直方图拉伸变换,设Li(x,y)为归一化输出结果,变幻过程如式(4)所示,根据经验去λ=4;
对得到的归一化结果进行反归一化操作,得到最终的拉伸结果;设反归一化的结果为Qi(x,y),其处理过程如式(5)所示;
Qi(x,y)=Li(x,y)×255 (5)
经过上述两步预处理后,对每个子图像利用Otsu分割法得到其最佳分割阈值ti,然后根据该阈值将灰度图像转化为二值图像,分割过程如式(6)所示:
式中,P(x,y)为二值化后的图像。
4.如权利要求1所述的一种裂缝识别方法,其特征在于:所述S1中,基于连通区域的多级滤波算法,进行噪音处理,具体步骤如下:
第一,求取二值图像的连通区域及外接矩形;设Ck(x,y)为P(x,y)的连通区域,P为Ck(x,y)中的一个已知点,B是一个边长为三的正方形结构元素,计算过程如式(7)所述:
第二,基于连通区域的零阶矩滤波,滤波过程如式(8)和式(9)所示:
式中,nk为每个连通区域的零阶矩,以连通区域中目标像素点的个数来表示,Nn为连通区域的个数,F(x,y)为滤波之后的图像,Tn为设定的一个阀值。
第三,基于连通区域矩形度滤波,首先计算F(x,y)中的连通区域Dk(x,y),然后计算每个连通区域的矩形度,如式(10)所示:
式中:SM为边长与坐标轴平行的外接矩形的面积,设NR为连通区域的个数,Y(x,y)为滤波之后的图像,设定一个阈值TR,滤波过程如式(11)所示:
第四,特殊噪声滤波,首先在Y(x,y)中计算连通区域Ek(x,y),然后逐行逐行扫描图像计算连通区域的最大宽度wmax,逐列扫描图像计算连通区域的最大高度hmax,设Nw为连通区域的个数,设定3个阈值Tw、Th和Tr,滤波过程如式(12)所示:
式中:k=1,2,…,Nw。
5.如权利要求1所述的一种裂缝识别方法,其特征在于:所述S2中,裂缝图像细化,从裂缝两侧的边缘开始,将满足条件的像素点除掉,层层向内剥离,最终得到裂缝的骨架;设中心点为P1,其坐标为(i,j),邻域中其余各像素点分别为P2,P3,…,P9,则如果邻域像素点满足下面四个条件,就将中心点删除;
1)2≤Z(P1)≤6
2)T(P1)=1
3)(1-P2)×(1-P4)×(1-P8)=0或T(P1)≠1;
4)(1-P2)×(1-P4)×(1-P6)=0或T(P4)≠1;
其中,Z(P1)为P2,P3,…,P9中像素值为0的点个数,T(P)为P点的8邻域点按逆时针方向排列后像素值从0到1变化的次数。
6.如权利要求1所述的一种裂缝识别方法,其特征在于:所述S2中,裂缝骨架图毛刺滤除,毛刺滤除主要有三个过程:端点和节点检测,分支编码以及长度计算,设定长度阈值进行滤除。
第一,节点及端点检测:对于端点检测,构造八个模板遍历整幅图像,将满足模板条件的骨架点作为端点,能够检测任意形状,任意方向的端点;
第二,分支编码以及长度计算:从端点开始跟踪裂缝骨架,到节点结束,即为一条完整的分支,设为N(x,y),利用方向向链码对分支进行编码,最后采用式(13)计算分支的长度m,
L=ANe+BNo+CNc (13)
第三,毛刺滤除:选择长度阈值Tl,将长度低于该阈值的分支作为毛刺滤除,滤波过程如式(14)所示:
式中,NT为所有分支的个数。
7.如权利要求1所述的一种裂缝识别方法,其特征在于:所述S2中,裂缝宽度计算包括:裂缝点邻域法线计算和灰度图中选取邻域并计算裂缝宽度;
第一,裂缝点邻域法线计算:首先在裂缝骨架图中选取裂缝点的一个正方形邻域,然后计算该邻域的扩展线,
第二,邻域选取及宽度计算;骨架图上裂缝点方形邻域的大小需要根据骨架图的具体情形来选取;根据骨架图中的裂缝点坐标,在灰度图I(x,y)中找到该点,沿着法线方向选取该点的一个直线型邻域。该邻域宽度为一个像素,并且以裂缝点为中心,两个方向上长度相同,以保证宽度计算的准确性;
设D为邻域半径,A为直线型邻域,则其定义如式(15)所述:
A=(I(x0,y0),I(x1,y1),…,I(xD,yD),…,I(x2D-1y2D-1)I(x2Dy2D)) 15)
式中:I(xD,yD)为裂缝点,(xi,yi)为邻域像素点的坐标,获取裂缝宽度。
8.如权利要求1所述的一种裂缝识别方法,其特征在于:所述获取处理后的图像进行检测和分析,对比前后图像的差异,获得较好的裂缝图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025689.2A CN116051992A (zh) | 2023-01-09 | 2023-01-09 | 一种裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025689.2A CN116051992A (zh) | 2023-01-09 | 2023-01-09 | 一种裂缝识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051992A true CN116051992A (zh) | 2023-05-02 |
Family
ID=86115960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310025689.2A Pending CN116051992A (zh) | 2023-01-09 | 2023-01-09 | 一种裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051992A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117308794A (zh) * | 2023-11-30 | 2023-12-29 | 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 |
-
2023
- 2023-01-09 CN CN202310025689.2A patent/CN116051992A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117308794A (zh) * | 2023-11-30 | 2023-12-29 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839268B (zh) | 一种地铁隧道表面裂缝的检测方法 | |
CN101430763B (zh) | 遥感图像中水上桥梁目标检测方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
WO2017161636A1 (zh) | 一种基于指纹的终端支付方法及装置 | |
CN111127498B (zh) | 一种基于边缘自生长的Canny边缘检测方法 | |
CN116051992A (zh) | 一种裂缝识别方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN103942809A (zh) | 检测岩石图像中节理裂隙的方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN114863492B (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN116452589A (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN115223211A (zh) | 一种将静脉图像转化为指纹图像的识别方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN117689655A (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN106952236B (zh) | 基于bp神经网络的鱼眼镜头拍摄图像畸变矫正方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN102509265A (zh) | 基于灰度值差和局部能量的数字图像去噪方法 | |
CN109919942B (zh) | 基于高精度降噪理论的桥梁裂缝智能化检测方法 | |
CN109242819B (zh) | 一种基于图像处理的表面擦伤缺陷联通的算法 | |
CN111105408B (zh) | 一种基于图像处理的建筑物表面裂缝检测方法及系统 | |
CN110705568B (zh) | 一种图像特征点提取的优化方法 | |
CN108171771A (zh) | 一种结合外部边缘信息和内部聚合笔道的线描画生成算法 | |
CN104504702A (zh) | 基于方格搜索法的水泥刻槽路面裂缝识别方法 |
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 |