CN116092015A - 一种道路施工状态监测方法 - Google Patents
一种道路施工状态监测方法 Download PDFInfo
- Publication number
- CN116092015A CN116092015A CN202310356332.2A CN202310356332A CN116092015A CN 116092015 A CN116092015 A CN 116092015A CN 202310356332 A CN202310356332 A CN 202310356332A CN 116092015 A CN116092015 A CN 116092015A
- Authority
- CN
- China
- Prior art keywords
- area
- noise
- gray level
- degree
- gray
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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 by the use of local operators
-
- G06T5/70—
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. 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
- G06T2207/10—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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30232—Surveillance
Abstract
本发明涉及图像处理技术领域,具体涉及一种道路施工状态监测方法,包括:获取路面灰度图像,将路面灰度图像划分为第一区域,获取第一区域的灰度变化程度,根据灰度变化程度获取第二区域,获取第二区域的噪声程度,构建噪声程度曲线,根据噪声程度曲线的第二个区间获取疑似噪声灰度值,对第二区域中疑似噪声灰度值进行剔除,重复疑似噪声剔除操作,得到目标曲线,根据目标曲线以及所有噪声程度曲线获取正则化参数,根据目标曲线获取第三区域,根据第三区域与第二区域的灰度变化程度获取引导图像,根据引导图像以及正则化参数对路面灰度图像进行引导滤波,进而识别路面的凹坑。本发明去噪时可保留路面灰度图像的纹理信息,去噪效果更好。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种道路施工状态监测方法。
背景技术
随着经济的快速发展,高速交通成为城市发展的必要影响因素。因为高速公路上行驶的汽车速度快、车流多、使用年限长,因此在建设时需要较高的标准。在高速路上行驶时,很小幅度的颠簸都会反馈到汽车内,给人们带来不好的行驶体验,因此路面的颠簸程度要很小,才能保证汽车平稳的行驶。因此在高速公路在进行建设时,需要对道路施工的状态进行监测,工程状态包括:新建、升级、扩容、调测四种状态。目前通常对调测状态进行监测以识别铺设的路面是否平整,现有方法通常由人工进行目测巡检或利用计算机视觉的方法对道路进行监测,人工观察不容易发现不平的小凹坑,造成漏检。利用计算机视觉的方法对道路进行监测,需要采集路面图像,但由于施工环境复杂等原因会产生噪声,会影响对路面平整程度的判断,因此首先需要对获得的图像进行去噪处理。
现有技术中,图像去噪的算法较多,采集的路面图像中,路面的灰度差异较小,为了能够准确的识别道路凹坑等问题,去噪后需要尽可能的保留图像中的细节信息。引导滤波是一种能够很好的保持图像边缘信息,对图像细节损失小的去噪方法,但由于拍摄的路面图像存在视野的畸变,直接进行引导滤波去噪会导致远处的路面过度平滑,导致远处图像细节的丢失,造成无法完全识别道路凹坑等问题的情况。
本发明根据路面图像中细节信息的变化来控制平滑程度,使得去噪后的图像能够清晰的识别出图像中的凹坑信息。
发明内容
本发明提供一种道路施工状态监测方法,以解决现有的问题。
本发明的一种道路施工状态监测方法采用如下技术方案:
本发明一个实施例提供了一种道路施工状态监测方法,该方法包括以下步骤:
采集路面图像,获取路面灰度图像;将路面灰度图像划分为多个大小相同的第一区域,根据每个第一区域的所有像素点的灰度值获取每个第一区域的灰度变化程度;
根据所有第一区域的灰度变化程度将所有第一区域划分为多个类别,将每个类别中所有第一区域合并,作为第二区域;获取每个第二区域的灰度变化程度;
对所有第二区域进行疑似噪声剔除操作,获取噪声程度曲线以及更新第二区域,包括:
根据每个第二区域的最大灰度值获取每个第二区域的噪声程度;获取所有第二区域的噪声程度的均值和标准差,根据均值和标准差获取所有第二区域的噪声程度的高斯分布曲线,作为噪声程度曲线;将噪声程度曲线分为两个区间,将第二个区间对应每个第二区域中的最大灰度值作为疑似噪声灰度值,将路面灰度图像的所有第二区域中灰度值与疑似噪声灰度值相同的像素点从每个第二区域中剔除,将剔除后第二区域记为更新第二区域;
重复对更新第二区域进行疑似噪声剔除操作,直到最终得到的噪声程度曲线的标准差参数小于预设标准差阈值时停止迭代;将标准差参数小于预设标准差阈值的噪声程度曲线作为目标曲线,根据目标曲线以及所有噪声程度曲线获取正则化参数;
将目标曲线对应的每个更新第二区域作为第三区域,获取每个第三区域的灰度变化程度,根据每个第二区域的灰度变化程度以及每个第三区域的灰度变化程度获取每个第二区域的优选度;将优选度最大的第二区域作为引导图像;
结合引导图像以及正则化参数对路面灰度图像进行引导滤波,得到去噪后的路面灰度图像,根据去噪后的路面灰度图像识别路面的凹坑。
优选的,所述根据每个第一区域的所有像素点的灰度值获取每个第一区域的灰度变化程度,包括的具体步骤如下:
其中表示第个第一区域的灰度变化程度,表示第个第一区域中第个像素点的归一化后的灰度值,表示第个第一区域的归一化后的平均灰度值,表示每个第一区域中像素点的数量,为绝对值符号。
优选的,所述根据所有第一区域的灰度变化程度将所有第一区域划分为多个类别,包括的具体步骤如下:
获取任意两个相邻的第一区域的灰度变化程度的差值的绝对值,当差值的绝对值小于预设阈值时,将两个相邻的第一区域作为同一个类别,通过比较路面灰度图像中所有相邻的第一区域之间的灰度变化程度,将路面灰度图像中所有第一区域划分为多个类别。
优选的,所述根据每个第二区域的最大灰度值获取每个第二区域的噪声程度,包括的具体步骤如下:
将每个第二区域中所有像素点的灰度值中的最大值作为每个第二区域的最大灰度值,将每个第二区域的归一化后的最大灰度值与每个第二区域的归一化后的平均灰度值的差异的平方作为每个第二区域的噪声程度。
优选的,所述将噪声程度曲线分为两个区间,包括的具体步骤如下:
获取噪声程度曲线的标准差参数,将噪声程度曲线划为以及两个区间。
优选的,所述根据目标曲线以及所有噪声程度曲线获取正则化参数,包括的具体步骤如下:
其中为正则化参数;为第条噪声程度曲线的均值参数;为目标曲线的均值参数;M为噪声程度曲线的个数。
优选的,所述根据每个第二区域的灰度变化程度以及每个第三区域的灰度变化程度获取每个第二区域的优选度,包括的具体步骤如下:
其中为第j个第二区域的优选度;为第j个第二区域的灰度变化程度;为第j第三区域的灰度变化程度;为所有第二区域与对应的第三区域的灰度变化程度差异的最大值;为以自然常数为底的指数函数,为绝对值符号。
本发明的技术方案的有益效果是:本发明结合路面灰度图像每个第二区域的噪声程度,对第二区域不断进行更新,使得更新后的第二区域尽可能排除疑似噪声的影响,根据排除疑似噪声前后的第二区域的噪声程度曲线的偏移程度来反应噪声对整个路面灰度图像的影响,从而获得正则化参数,使得根据正则化参数对路面灰度图像进行去噪时根据噪声对整个路面灰度图像的影响进行,既不会过多的滤波使得路面灰度图像的纹理消失,又不会过少的滤波使得路面灰度图像的噪声仍然存在,对后续凹坑的检测造成影响。同时本发明利用灰度变化程度来衡量路面灰度图像每个区域的纹理清晰程度,根据排除疑似噪声前后的第二区域的灰度变化程度的变化情况,以及灰度变化程度的大小来获取每个第二区域的优选度,从而选择合适的第二区域作为引导图像,使得引导图像既包含清晰的路面纹理,受到噪声的影响程度又小,根据引导图像对路面灰度图像进行引导滤波时更能保留路面灰度图像的纹理信息,去噪效果更好。使得去噪后的路面灰度图像能够清晰的识别出凹坑信息。
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为本发明的一种道路施工状态监测方法的步骤流程图;
图2为路面图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种道路施工状态监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种道路施工状态监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种道路施工状态监测方法的步骤流程图,该方法包括以下步骤:
S001.采集路面图像。
需要说明的是,在高速路上行驶时,很小幅度的颠簸都会反馈到汽车内,给人们带来不好的行驶体验,因此路面的颠簸程度要很小,才能保证汽车平稳的行驶。因此在高速公路在进行建设时,需要对道路施工的状态进行监测,去识别铺设的路面是否平整。为了准确识别铺设的道路是否平整,首先需要采集路面图像。
在本发明实施例中,通过安装在巡检车顶部的高清相机在汽车的慢速行驶过程中不断采集路面的RGB图像,如图2所示,将采集得到的路面图像进行区域分割,具体为:
由于路面的颜色特征较为明显,都是近似黑色的沥青路面,因此可通过颜色直接识别路面的范围,将路面图像中R、G、B三个通道的像素值分别位于路面的R、G、B的范围内的像素点作为路面像素点。在本发明实施例中,路面的R、G、B的范围的经验值分别为[0,30]、[0,10]、[0,30],在其他实施例中,实施人员可根据实际情况设置路面的R、G、B的范围。
需要说明的是,路面上还存在颜色不同于路面的车道线的区域,本发明实施例对于车道线的区域不关注。
将路面像素点所构成的区域分割出来,并进行灰度化处理,得到路面灰度图像。
至此,获取了路面灰度图像。
S002.对路面灰度图像进行区域划分。
需要说明的是,现有的去噪方法在对图像进行去噪时,首先根据图像中像素点之间的关系来确定噪声的影响程度,灰度变化程度越大的区域,图像灰度变化越剧烈。但拍摄视角会造成路面图像上存在近大远小的现象,例如路面上的黄实线宽度均匀,但在图2中黄实线下侧的宽度大,上侧宽度小。由于噪声对近处和远处的影响程度不同,远处的路面如果存在凹坑,凹坑在图像上显示会变小,在对路面图像进行去噪时,若使用相同的去噪参数,则会导致远处的画面变得模糊,无法识别不平整的路面。现有的引导滤波算法根据预先给的一幅图像作为(即引导图像)对输入图像平滑滤波,使去噪后的输出图像既能保留输入图像的特征又可以获取引导图像的细节。在引导滤波对输入图像进行滤波的过程中,正则化系数决定了去噪的效果,正则化系数的值越大,滤波程度越大,输入图像的去噪效果越好,但同时使得输入图像中的纹理信息损失越多;相反,正则化系数的值越小,去噪效果越差,对输入图像中纹理信息保留越多。因此选择合适的正则化参数直接关系到图像的去噪效果。本发明所采集的路面图像中,存在视野的变化,越近处的区域能够看到的细节越丰富,而越远处的区域所观察到的细节损失会越大,那么在进行去噪时,噪声对远处的区域的细节影响会越大。因此为了能够对远处的区域有很好的去噪效果,需要以近处噪声程度较小的区域作为引导图像。为了获取引导图像,首先需获取路面灰度图像中每个区域的灰度变化程度,根据灰度变化程度衡量路面灰度图像的近处和远处。
在本发明实施例中,灰度变化程度的获取方法如下:
本发明实施例首先对路面灰度图像进行区域划分,将路面灰度图像划分为预设个数个大小相同的区域,称为第一区域,在本发明实施例中预设个数为5050,在其他实施例中,实施人员可根据实际实施情况设置预设个数,所划分的第一区域越小越好,即预设个数越大越好。需要说明的是,当预设个数为5050时,将路面灰度图像行分为50等份,列分为50等份,最终形成2500个第一区域。
为了便于后续数据的处理,首先将路面灰度图像中所有像素点的灰度值除以255进行归一化,后续本发明中出现的灰度值、平均灰度值、最大灰度值均为归一化后的灰度值。
获取每个第一区域的灰度变化程度:
其中表示第个第一区域的灰度变化程度,表示第个第一区域中第个像素点的灰度值,表示第个第一区域的平均灰度值,表示每个第一区域中像素点的数量,为绝对值符号。灰度变化程度可以反应该区域的纹理信息,在拍摄的图像中,图像近处与远处纹理表现不同,远处的区域较为模糊、平滑,灰度值较为统一,近处的区域纹理细节较多,灰度值之间存在差异。
根据每个第一区域的灰度变化程度对第一区域进行合并,具体为:
预设一个数值k,记作预设阈值。获取任意两个相邻的第一区域的灰度变化程度的差值的绝对值,当差值的绝对值小于预设阈值k时,则表示此两个相邻第一区域的灰度变化程度差异较小,此时将此两个相邻的第一区域作为同一个类别。如此,通过比较路面灰度图像中所有相邻的第一区域之间的灰度变化程度,可将路面灰度图像中所有第一区域划分为多个类别,将每个类别中所有第一区域合并,作为第二区域。在本发明实施例中,预设阈值k=2,在其他实施例中,实施人员可根据需要设置k的值。
利用第一区域的灰度变化程度的获取方法获取每个第二区域的灰度变化程度。
至此,将路面灰度图像划分为了多个第二区域,并获取了每个第二区域的灰度变化程度。
S003.获取每个第二区域的噪声程度以及噪声程度曲线。
需要说明的是,由于需要选择路面灰度图像中一个合适的区域来作为其他区域的引导图像,所选择的区域应为纹理清晰、且无噪声的区域。因此需要对每个第二区域的噪声程度进行衡量。
在本发明实施例中,获取每个第二区域的噪声程度:
其中表示第个第二区域的噪声程度,表示第个第二区域的平均灰度值,表示第个第二区域中的最大灰度值,即第个第二区域中所有像素点的灰度值中的最大值,表示每个第二区域中像素点的数量。噪声程度可以一定程度上反应噪声对该第二区域的影响程度,由于路面的灰度值较小,因此,对于路面来说,噪声的灰度值较大,因此当第二区域中的最大灰度值与平均灰度值的差异越大时,第二区域中的最大灰度值越可能为噪声。
需要说明的是,图像的噪声是服从高斯分布的,用来衡量噪声对第二区域的影响程度的噪声程度也近似符合高斯分布。在高斯分布模型中,99%的数据分布在高斯分布的范围内,为高斯分布模型的标准差参数。因此可根据高斯分布模型的“”准则,来进行噪声的剔除。
在本发明实施例中,首先获取所有第二区域的噪声程度的均值和标准差,根据均值和标准差获取所有第二区域的噪声程度的高斯分布曲线,作为噪声程度曲线。
噪声程度曲线的不同分布区域区间内噪声的影响程度不同,首先根据高斯分布模型的“”准则,将噪声程度曲线划为两个区间,分别为、,其中为噪声程度曲线的标准差参数。区间对应的第二区域的噪声程度相对来说较小,区间对应的第二区域的噪声程度最大,区间对应的第二区域中的最大灰度值大概率为噪声。
获取区间对应的每个第二区域中的最大灰度值,将此些最大灰度值作为疑似噪声灰度值。获取路面灰度图像的所有第二区域中灰度值与疑似噪声灰度值相同的像素点,作为疑似噪声点,将疑似噪声点从每个第二区域中剔除,将更新后的第二区域记为更新第二区域。
需要说明的是,基于上述步骤剔除的疑似噪声点为部分第二区域中与均值差异最大的灰度值,剔除的疑似噪声点并不能完全涵盖所有的噪声点。
在本发明实施例中,获取更新第二区域的噪声程度,根据所有更新第二区域的噪声程度重新获取噪声程度曲线,将噪声程度曲线划为两个区间,分别为、,其中为新的噪声程度曲线的标准差参数,获取区间对应的每个更新第二区域中的最大灰度值,作为疑似噪声灰度值。获取所有更新第二区域中灰度值与疑似噪声灰度值相同的像素点,作为疑似噪声点,将疑似噪声点从每个更新第二区域中剔除,得到再次更新后的第二区域。重复以上操作,直到得到的噪声程度曲线的标准差参数小于预设标准差阈值T时,停止迭代。当噪声程度曲线的标准差参数越小时,每个更新第二区域内最大灰度值与更新第二区域内灰度均值越相似,噪声程度越小,噪声对更新第二区域的影响程度越小。在本发明实施例中预设标准差阈值T=10,在其他实施例中,实施人员可根据需要设置T的值。
至此,获取了噪声程度曲线。
S004.获取最佳正则化参数。
需要说明的是,步骤S003获取了不同疑似噪声点影响下的噪声程度曲线,通过不断剔除疑似噪声点,使得最终得到的每个更新第二区域剔除了疑似噪声的影响,最终得到的标准差参数小于预设方差阈值的噪声影响程度曲线可近似认为无噪声影响。通过步骤S003获取的所有的噪声程度曲线相对与最后得到的噪声程度曲线的偏移程度,可获取路面灰度图像中所有噪声对路面灰度图像的影响,根据噪声的影响获取正则化参数。
在本发明实施例中,将步骤S003最终得到的标准差参数小于预设方差阈值的噪声影响程度曲线作为目标曲线,根据所有噪声程度曲线相较于目标曲线的偏移程度来获取正则化参数:
其中为正则化参数;为第条噪声程度曲线的均值参数;为目标曲线的均值参数;M为噪声程度曲线的个数;为第条噪声程度曲线相对于目标曲线的偏移程度,目标曲线近似认为无噪声影响,每条噪声程度曲线都有不同程度的噪声影响,当噪声程度曲线相对于目标曲线的偏移程度越大时,噪声对路面灰度图像的影响越大,此时正则化参数越大,后续根据正则化参数对路面灰度图像进行引导滤波时,滤波程度越大;当噪声程度曲线相对于目标曲线的偏移程度越小时,噪声对路面灰度图像的影响越小,此时正则化参数越小,后续根据正则化参数对路面灰度图像进行引导滤波时,滤波程度越小。
至此,获取了正则化参数。
S005.获取引导图像。
需要说明的是,本发明实施例为了能够对远处的区域有很好的去噪效果,需要以近处噪声影响程度较小的区域作为引导图像,而灰度变化程度可以一定程度上区分路面灰度图像的近处和远处。
在本发明实施例中,目标曲线对应的所有更新第二区域尽可能剔除了所有疑似噪声点,将目标曲线对应的所有更新第二区域分别作为第三区域,利用步骤S002中的方法获取每个第三区域的灰度变化程度。
需要说明的是,步骤S002中获得的第二区域为未去除疑似噪声点的区域,第二区域与第三区域一一对应,可根据第二区域和第三区域的灰度变化程度的差异获取引导图像。
在本发明实施例中,获取每个第二区域的优选度:
其中为第j个第二区域的优选度;为第j个第二区域的灰度变化程度;为第j第三区域的灰度变化程度;为第j个第二区域与对应的第三区域的灰度变化程度差异;为所有第二区域与对应的第三区域的灰度变化程度差异的最大值,用作对进行归一化;为以自然常数为底的指数函数;当第j个第二区域的灰度变化程度与对应的第三区域的灰度变化程度差异越小时,第j个第二区域受噪声影响的程度越小,当第j第三区域的灰度变化程度越大时,对应的第j个第二区域越可能为路面灰度图像纹理清晰的近处。当第j个第二区域受噪声影响的程度越小且第j个第二区域越可能为路面灰度图像纹理清晰的近处时,以第j个第二区域作为引导图像对路面灰度图像进行引导滤波的效果越好,此时第j个第二区域的优选度越大。
将优选度最大的第二区域作为引导图像。需要说明的是,本发明实施例不直接以灰度变化程度最大的第三区域作为引导图像,是因为第三区域不完整。
至此,获取了引导图像。
S006.对路面灰度图像进行去噪。
根据步骤S005获得的引导图像对路面灰度图像进行引导滤波,得到去噪后的路面灰度图像,引导滤波所采用的正则化参数为步骤S004获得的正则化参数。引导滤波进行去噪为公知技术,本发明实施例不再详细赘述。
需要说明的是,本发明实施例结合路面灰度图像每个第二区域的噪声程度,对第二区域不断进行更新,使得更新后的第二区域尽可能排除疑似噪声的影响,根据排除疑似噪声前后的第二区域的噪声程度曲线的偏移程度来反应噪声对整个路面灰度图像的影响,从而获得正则化参数,使得根据正则化参数对路面灰度图像进行去噪时根据噪声对整个路面灰度图像的影响进行,既不会过多的滤波使得路面灰度图像的纹理消失,又不会过少的滤波使得路面灰度图像的噪声仍然存在,对后续凹坑的检测造成影响。同时本发明实施例利用灰度变化程度来衡量路面灰度图像每个区域的纹理清晰程度,根据排除疑似噪声前后的第二区域的灰度变化程度的变化情况,以及灰度变化程度的大小来获取每个第二区域的优选度,从而选择合适的第二区域作为引导图像,使得引导图像既包含清晰的路面纹理,受到噪声的影响程度又小,根据引导图像对路面灰度图像进行引导滤波时更能保留路面灰度图像的纹理信息,去噪效果更好。使得去噪后的路面灰度图像能够清晰的识别出凹坑信息。
至此,实现了对路面灰度图像的去噪。
S007.根据去噪后的路面灰度图像进行路面平整程度监测。
需要说明的是,路面上的凹坑区域相对与路面来说灰度值较小,路面的灰度值相对较大。因此可结合去噪后的路面灰度图像获取凹坑区域。
在本发明实施例中,对去噪后的路面灰度图像进行otsu阈值分割,小于阈值的区域即为凹坑区域。获取凹坑区域的面积大小,当单个凹坑的面积大于0.01时,说明凹坑较大,需要对其进行处理,此时提醒相关技术人员对路面的凹坑进行填补等处理。
通过以上步骤,完成了道路施工状态的监测。
本发明实施例结合路面灰度图像每个第二区域的噪声程度,对第二区域不断进行更新,使得更新后的第二区域尽可能排除疑似噪声的影响,根据排除疑似噪声前后的第二区域的噪声程度曲线的偏移程度来反应噪声对整个路面灰度图像的影响,从而获得正则化参数,使得根据正则化参数对路面灰度图像进行去噪时根据噪声对整个路面灰度图像的影响进行,既不会过多的滤波使得路面灰度图像的纹理消失,又不会过少的滤波使得路面灰度图像的噪声仍然存在,对后续凹坑的检测造成影响。同时本发明实施例利用灰度变化程度来衡量路面灰度图像每个区域的纹理清晰程度,根据排除疑似噪声前后的第二区域的灰度变化程度的变化情况,以及灰度变化程度的大小来获取每个第二区域的优选度,从而选择合适的第二区域作为引导图像,使得引导图像既包含清晰的路面纹理,受到噪声的影响程度又小,根据引导图像对路面灰度图像进行引导滤波时更能保留路面灰度图像的纹理信息,去噪效果更好。使得去噪后的路面灰度图像能够清晰的识别出凹坑信息。
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 (7)
1.一种道路施工状态监测方法,其特征在于,该方法包括以下步骤:
采集路面图像,获取路面灰度图像;将路面灰度图像划分为多个大小相同的第一区域,根据每个第一区域的所有像素点的灰度值获取每个第一区域的灰度变化程度;
根据所有第一区域的灰度变化程度将所有第一区域划分为多个类别,将每个类别中所有第一区域合并,作为第二区域;获取每个第二区域的灰度变化程度;
对所有第二区域进行疑似噪声剔除操作,获取噪声程度曲线以及更新第二区域,包括:
根据每个第二区域的最大灰度值获取每个第二区域的噪声程度;获取所有第二区域的噪声程度的均值和标准差,根据均值和标准差获取所有第二区域的噪声程度的高斯分布曲线,作为噪声程度曲线;将噪声程度曲线分为两个区间,将第二个区间对应每个第二区域中的最大灰度值作为疑似噪声灰度值,将路面灰度图像的所有第二区域中灰度值与疑似噪声灰度值相同的像素点从每个第二区域中剔除,将剔除后第二区域记为更新第二区域;
重复对更新第二区域进行疑似噪声剔除操作,直到最终得到的噪声程度曲线的标准差参数小于预设标准差阈值时停止迭代;将标准差参数小于预设标准差阈值的噪声程度曲线作为目标曲线,根据目标曲线以及所有噪声程度曲线获取正则化参数;
将目标曲线对应的每个更新第二区域作为第三区域,获取每个第三区域的灰度变化程度,根据每个第二区域的灰度变化程度以及每个第三区域的灰度变化程度获取每个第二区域的优选度;将优选度最大的第二区域作为引导图像;
结合引导图像以及正则化参数对路面灰度图像进行引导滤波,得到去噪后的路面灰度图像,根据去噪后的路面灰度图像识别路面的凹坑。
2.根据权利要求1所述的一种道路施工状态监测方法,其特征在于,所述根据每个第一区域的所有像素点的灰度值获取每个第一区域的灰度变化程度,包括的具体步骤如下:
其中表示第个第一区域的灰度变化程度,表示第个第一区域中第个像素点的归一化后的灰度值,表示第个第一区域的归一化后的平均灰度值,表示每个第一区域中像素点的数量,为绝对值符号。
3.根据权利要求1所述的一种道路施工状态监测方法,其特征在于,所述根据所有第一区域的灰度变化程度将所有第一区域划分为多个类别,包括的具体步骤如下:
获取任意两个相邻的第一区域的灰度变化程度的差值的绝对值,当差值的绝对值小于预设阈值时,将两个相邻的第一区域作为同一个类别,通过比较路面灰度图像中所有相邻的第一区域之间的灰度变化程度,将路面灰度图像中所有第一区域划分为多个类别。
4.根据权利要求1所述的一种道路施工状态监测方法,其特征在于,所述根据每个第二区域的最大灰度值获取每个第二区域的噪声程度,包括的具体步骤如下:
将每个第二区域中所有像素点的灰度值中的最大值作为每个第二区域的最大灰度值,将每个第二区域的归一化后的最大灰度值与每个第二区域的归一化后的平均灰度值的差异的平方作为每个第二区域的噪声程度。
5.根据权利要求1所述的一种道路施工状态监测方法,其特征在于,所述将噪声程度曲线分为两个区间,包括的具体步骤如下:
获取噪声程度曲线的标准差参数,将噪声程度曲线划为以及两个区间。
6.根据权利要求1所述的一种道路施工状态监测方法,其特征在于,所述根据目标曲线以及所有噪声程度曲线获取正则化参数,包括的具体步骤如下:
其中为正则化参数;为第条噪声程度曲线的均值参数;为目标曲线的均值参数;M为噪声程度曲线的个数。
7.根据权利要求1所述的一种道路施工状态监测方法,其特征在于,所述根据每个第二区域的灰度变化程度以及每个第三区域的灰度变化程度获取每个第二区域的优选度,包括的具体步骤如下:
其中为第j个第二区域的优选度;为第j个第二区域的灰度变化程度;为第j第三区域的灰度变化程度;为所有第二区域与对应的第三区域的灰度变化程度差异的最大值;为以自然常数为底的指数函数,为绝对值符号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310356332.2A CN116092015B (zh) | 2023-04-06 | 2023-04-06 | 一种道路施工状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310356332.2A CN116092015B (zh) | 2023-04-06 | 2023-04-06 | 一种道路施工状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116092015A true CN116092015A (zh) | 2023-05-09 |
CN116092015B CN116092015B (zh) | 2023-06-27 |
Family
ID=86212340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310356332.2A Active CN116092015B (zh) | 2023-04-06 | 2023-04-06 | 一种道路施工状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116092015B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116520915A (zh) * | 2023-06-28 | 2023-08-01 | 泰山学院 | 基于热红外图像的网络中心机房温度预警控制系统 |
CN116580032A (zh) * | 2023-07-14 | 2023-08-11 | 青岛西海岸城市建设集团有限公司 | 一种用于道路施工的质量监控方法 |
CN117368920A (zh) * | 2023-12-06 | 2024-01-09 | 山东三矿地质勘查有限公司 | 基于D-insar的采煤区沉陷监测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050472A (zh) * | 2014-06-12 | 2014-09-17 | 浙江工业大学 | 一种灰度图像二值化的自适应全局阈值方法 |
US20160140725A1 (en) * | 2013-06-28 | 2016-05-19 | Koninklijke Philips N.V. | Methods of utilizing image noise information |
CN106355561A (zh) * | 2016-08-30 | 2017-01-25 | 天津大学 | 基于噪点先验约束的全变分图像去噪方法 |
US20180336663A1 (en) * | 2017-05-19 | 2018-11-22 | Uih America, Inc. | System and method for image denoising |
US20200160490A1 (en) * | 2018-11-20 | 2020-05-21 | Idemia Identity & Security France | Method for deblurring an image |
CN114445814A (zh) * | 2022-04-06 | 2022-05-06 | 深圳市华汉伟业科技有限公司 | 一种字符区域提取方法、计算机可读存储介质 |
CN115239704A (zh) * | 2022-09-19 | 2022-10-25 | 南通友联新材料科技有限公司 | 一种木材表面缺陷的精准检测修复方法 |
CN115346126A (zh) * | 2022-10-18 | 2022-11-15 | 南通振亿科技发展有限公司 | 一种边坡裂纹识别方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
-
2023
- 2023-04-06 CN CN202310356332.2A patent/CN116092015B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140725A1 (en) * | 2013-06-28 | 2016-05-19 | Koninklijke Philips N.V. | Methods of utilizing image noise information |
CN104050472A (zh) * | 2014-06-12 | 2014-09-17 | 浙江工业大学 | 一种灰度图像二值化的自适应全局阈值方法 |
CN106355561A (zh) * | 2016-08-30 | 2017-01-25 | 天津大学 | 基于噪点先验约束的全变分图像去噪方法 |
US20180336663A1 (en) * | 2017-05-19 | 2018-11-22 | Uih America, Inc. | System and method for image denoising |
US20200160490A1 (en) * | 2018-11-20 | 2020-05-21 | Idemia Identity & Security France | Method for deblurring an image |
CN114445814A (zh) * | 2022-04-06 | 2022-05-06 | 深圳市华汉伟业科技有限公司 | 一种字符区域提取方法、计算机可读存储介质 |
CN115239704A (zh) * | 2022-09-19 | 2022-10-25 | 南通友联新材料科技有限公司 | 一种木材表面缺陷的精准检测修复方法 |
CN115346126A (zh) * | 2022-10-18 | 2022-11-15 | 南通振亿科技发展有限公司 | 一种边坡裂纹识别方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
Non-Patent Citations (5)
Title |
---|
SUNIL KHATRI,ET AL: "Quality assessment of Median filtering techniques for impulse noise removal from digital images", 2016 3RD INTERNATIONAL CONFERENCE ON ADVANCED COMPUTING AND COMMUNICATION SYSTEMS (ICACCS), pages 1 - 4 * |
王春歆,等: "基于疑似目标区域提取的空间图像降噪", 电光与控制, no. 09, pages 55 - 59 * |
郑成林等: "基于灰度梯度正则化去噪的改进数字图像相关法", 光学学报, vol. 38, no. 8, pages 359 - 365 * |
钱琨,等: "基于引导滤波与时空上下文的红外弱小目标跟踪", 光子学报, no. 09, pages 157 - 162 * |
龙鹏,等: "LoG边缘算子改进的加权引导滤波算法", 计算机应用, no. 09, pages 253 - 257 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116229335B (zh) * | 2023-05-10 | 2023-07-21 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116520915A (zh) * | 2023-06-28 | 2023-08-01 | 泰山学院 | 基于热红外图像的网络中心机房温度预警控制系统 |
CN116520915B (zh) * | 2023-06-28 | 2023-09-05 | 泰山学院 | 基于热红外图像的网络中心机房温度预警控制系统 |
CN116580032A (zh) * | 2023-07-14 | 2023-08-11 | 青岛西海岸城市建设集团有限公司 | 一种用于道路施工的质量监控方法 |
CN116580032B (zh) * | 2023-07-14 | 2023-09-26 | 青岛西海岸城市建设集团有限公司 | 一种用于道路施工的质量监控方法 |
CN117368920A (zh) * | 2023-12-06 | 2024-01-09 | 山东三矿地质勘查有限公司 | 基于D-insar的采煤区沉陷监测方法及系统 |
CN117368920B (zh) * | 2023-12-06 | 2024-02-27 | 山东三矿地质勘查有限公司 | 基于D-insar的采煤区沉陷监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116092015B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116092015B (zh) | 一种道路施工状态监测方法 | |
CN115457041B (zh) | 一种道路质量识别检测方法 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN108921089A (zh) | 车道线检测方法、装置和系统及存储介质 | |
US20110002516A1 (en) | Method and device for dividing area of image of particle in urine | |
CN107578386A (zh) | 一种无人机拍摄图像的优化去雾处理方法 | |
CN113034442B (zh) | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN115018765A (zh) | 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法 | |
CN112465852A (zh) | 一种用于电力设备红外图像分割的改进区域生长方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
CN116051543B (zh) | 一种用于钢材剥皮的缺陷识别方法 | |
CN116524196B (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
CN109341524A (zh) | 一种基于机器视觉的光纤几何参数检测方法 | |
CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN117173661B (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
CN116612110B (zh) | 用于渐变印染效果的质量智能评估方法 | |
CN116402823B (zh) | 基于图像增强的路面垃圾滴漏检测方法 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN109146863A (zh) | 一种路面标志线缺陷检测装置 | |
CN116934761A (zh) | 一种乳胶手套缺陷自适应检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |