CN116152239B - 一种高速公路路面病害检测方法及系统 - Google Patents
一种高速公路路面病害检测方法及系统 Download PDFInfo
- Publication number
- CN116152239B CN116152239B CN202310412389.XA CN202310412389A CN116152239B CN 116152239 B CN116152239 B CN 116152239B CN 202310412389 A CN202310412389 A CN 202310412389A CN 116152239 B CN116152239 B CN 116152239B
- Authority
- CN
- China
- Prior art keywords
- influence
- image
- value
- pixel
- noise
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims description 16
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 230000002146 bilateral effect Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000007547 defect Effects 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 4
- 239000010426 asphalt Substances 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 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
- 239000008188 pellet Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Classifications
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20028—Bilateral 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
- G06T2207/30232—Surveillance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及用于图像数据处理技术领域,具体涉及一种高速公路路面病害检测方法及系统,包括:根据图像中像素点在局部范围中的分布特征获取每个像素点的自适应的影响范围和影响程度系数,综合每个像素点的局部范围内的不同图像区域的分布特征的影响,获取不同图像区域对每个像素点的窗口信息的影响值,进而得到每个像素点局部范围内的噪声影响强度,进而利用分析结果构建对照表对图像进行自适应重力叠加模型的双边滤波去噪。本发明避免了传统的重力叠加模型的双边滤波使用固定范围和系数会产生较大的误差会使得增强后的图像丢失信息的缺点,获得更好的双边滤波去噪效果,保证公路路面病害区域特征保留完整。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种高速公路路面病害检测方法及系统。
背景技术
在通过采集高速公路路面图像进行路面病害检测过程中,由于采集的图像很容易受到光照的影响,不可避免的会造成获取的路面病害出现偏差,因此往往会对采集的路面图像进行预处理来进行滤波以及光照补偿。在参考专利“CN107464220B”中,通过重力叠加模型与双边滤波结合的方式,对采集的高速公路路面图像进行增强,来滤除大量的噪声并保证病害区域特征保留完整。然而在实际的增强过程中,由于图像中的不同位置受到光照的影响下以及采集图像中的噪声下,干扰像素点在图像中不同区域的分布程度不同,例如车道线的区域的噪声分布和沥青区域的噪声分布不相同,因此在重力叠加模型的双边滤波算法中,每个像素点的影响范围和影响程度系数是不同的,若对所有像素点都使用固定范围和系数会产生较大的误差,进而使得增强后的图像丢失信息,基于此,本实施例提出一种根据采集的高速公路的路面图像中个像素点的分布特征来自适应增强图像,进而进行路面病害检测的方法。
发明内容
本发明提供一种高速公路路面病害检测方法及系统,以解决现有的问题。
本发明的一种高速公路路面病害检测方法及系统采用如下技术方案:
本发明一个实施例提供了一种高速公路路面病害检测方法及系统,该方法包括以下步骤:
获取高速公路路面图像的路面灰度图像;
建立预设大小的滑动窗口,将任意像素点与滑动窗口邻域范围内像素点的灰度值差异小于预设阈值的邻域范围内像素点记为第一相似像素点,将滑动窗口内所有第一相似像素点中灰度值最小的像素点记为干扰像素点,将滑动窗口范围内干扰像素点的数量与滑动窗口所包含像素点数量的比值记为第一密度分布特征值;
对路面灰度图像栅格化,获得栅格窗口,对路面灰度图像进行分割获得分割区域,将栅格窗口和分割区域共同包括的像素点记为共同点,将共同点与滑动窗口内像素点的数量比值记为第二密度分布特征值,并获取任意栅格窗口与相邻的栅格窗口中的干扰像素点与目标栅格窗口的中心点之间的最小欧式距离,根据干扰像素点与分割区域像素点的灰度值均值的差异、第二密度分布特征值以及最小欧氏距离获得影响值;
将影响值与分割区域的灰度均值的乘积记为第一影响强度因子,根据像素点灰度值与第一影响强度因子之间的差异获得第二影响强度因子,根据第二影响强度因子与第一密度分布特征值的累加乘积获得噪声影响强度;
将噪声影响程度数值相近的部分进行聚类,获得多个噪声影响强度类型以及平均噪声影响强度,将噪声影响强度类型的所有栅格窗口中心点之间的平均欧式距离与平均噪声影响强度之间的比例关系记为影响参数值;
利用不同预设参数对影响参数值进行乘积调整,分别获得每个噪声影响强度类型的影响范围和影响程度系数,利用影响范围和影响程度系数值对灰度路面图像进行双边滤波和阈值分割操作,得到去噪后的图像以及路面病害裂缝区域。
进一步的,所述将栅格窗口和分割区域共同包括的像素点记为共同点的具体步骤如下:
将路面灰度图像按照预设大小的窗口进行栅格化分割,将每个栅格化分割后的区域记为栅格窗口,同时,对图像进行超像素分割获取的分割后的区域记为分割区域,将路面灰度图像中同时位于栅格窗口和分割区域中时的像素点记为共同点。
进一步的,所述影响值,获取方法如下:
式中,表示在第/>个栅格窗口中位于第/>个分割区域的像素点的个数,即共同点的数量;/>表示第/>个栅格窗口中像素点的个数;/>表示第/>个栅格窗口的在第/>个分割区域的最邻近栅格窗口中的干扰像素点的灰度值均值;/>表示在第/>个栅格窗口中位于第/>个分割区域像素点的灰度值均值;/>表示在第/>个分割区域中第/>个栅格窗口的最邻近栅格窗口内干扰像素点与第/>个栅格窗口中心点的最小欧式距离;/>为以自然数为底的指数函数。
进一步的,所述噪声影响强度,获取方法如下:
式中,表示第/>个栅格窗口中干扰像素点的第一密度分布特征值;/>表示第/>个栅格窗口中第/>个像素点的灰度值,/>表示第/>个栅格窗口中第/>个图像区域对栅格窗口信息的影响值;/>表示第/>个栅格窗口中第/>个像素点所属的第/>个分割区域内像素点的灰度均值,/>表示第/>个栅格窗口中像素点的个数,/>表示第/>个栅格窗口的噪声影响强度;表示第一影响强度因子,/>表示第二影响强度因子。
进一步的,所述影响参数值,获取方法如下:
式中,表示第/>种噪声影响强度类型所对应的栅格窗口的个数;/>表示第/>种噪声影响强度类型的第/>个栅格窗口的噪声影响强度;/>表示第/>种噪声影响强度类型的所有栅格窗口中心点之间的平均欧式距离。
进一步的,所述影响范围和影响程度系数,获取方法如下:
影响范围:
影响程度系数:
其中,和/>表示对影响范围/>和影响程度系数/>的预设参数,/>表示第/>种噪声影响强度类型的影响参数值。
进一步的,所述路面病害裂缝区域,获取方法如下:
将每种噪声影响强度类型的影响范围和影响程度系数作为图像中的对应类型的栅格窗口的影响范围和影响程度系数值,进而构建灰度值-距离叠加权重对照表,并对路面灰度图像进行双边滤波操作,得到滤波结果图像;
对滤波结果图像进行OTSU阈值分割,将滤波结果图像中小于阈值的像素点的像素值设置为0,大于阈值的像素点的像素值设置为1,进而获取的二值图像中像素值为0的区域即为对应的路面病害裂缝区域。
一种高速公路路面病害检测系统包括以下模块:
路面图像采集模块:利用高清CCD工业相机采集高速公路路面图像;
图像传输模块:用于图像数据的无线通讯传输,将采集的高速公路路面图像利用5G通信网络传输给服务器;
图像存储模块:用于将图像传输模块所传输过来的高速公路路面图像进行存储;
图像处理分析模块:由服务器的图像处理软件对图像进行处理分析,用于执行上述所述的一种高速公路路面病害检测方法;
雷达探测模块:用于检测道路内部病害;
运动控制模块:用于控制道路巡检机器人的全向移动。
本发明的技术方案的有益效果是:通过获取图像中每个像素点的局部范围内噪声点的分布特征和采集的整体图像中的局部范围内的分布特征,来获取每个像素点的自适应的影响范围和影响程度系数。其中在获取像素点的局部范围内的噪声点的分布特征时,对图像中所有像素点进行的局部范围进行分析,获取受到干扰最小的像素点的密度分布特征来表征滑动窗口内的信息的真实程度,并综合每个像素点的局部范围内的不同图像区域的分布特征的影响,获取不同图像区域对每个像素点的滑动窗口信息的影响值,进而得到每个像素点局部范围内的噪声影响强度。根据获取的每个像素点局部范围内的噪声影响强度来量化每个像素点的自适应的影响范围和影响程度系数,进而进行自适应重力叠加模型的双边滤波去噪。避免了传统的重力叠加模型的双边滤波的去噪过程中不考虑由于图像中的不同位置受到光照的影响下以及采集图像中的噪声下,干扰像素点在图像中不同区域的分布程度不同,使用固定范围和系数会产生较大的误差会使得增强后的图像丢失信息的缺点,使得本实施例方法去噪后的图像去噪效果较好,且保证病害区域特征保留完整。
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为本发明一种高速公路路面病害检测系统的模块流程图;
图2为本发明一种高速公路路面病害检测方法的步骤流程图。
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应用于安全运维系统的数据管理方法一种高速公路路面病害检测方法及系统,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高速公路路面病害检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种高速公路路面病害检测方法及系统的模块流程图,该系统包括以下模块:
路面图像采集模块:利用高清CCD工业相机采集路面图像;
图像传输模块:用于图像数据的无线通讯传输,将采集的道路图像数据利用5G通信网络传输给服务器;
图像存储模块:用于将图像传输模块所传输过来的高速公路路面图像进行存储;
图像处理分析模块:由服务器的图像处理软件对图像进行处理分析,根据对图像的处理分析结果对图像进行双边滤波以及OTSU阈值分割提取路面灰度图中的路面病害裂缝区域,如图2所示为图像处理分析模块的步骤流程图;
雷达探测模块:用于检测道路内部病害;
运动控制模块:用于控制道路巡检机器人的全向移动。
进一步的,图像处理分析模块包括以下具体步骤:
步骤S001:对道路巡检机器人采集的高速公路的路面图像进行预处理。
对道路巡检机器人采集的高速公路路面图像进行灰度化处理,获得路面灰度图像。
步骤S002:根据图像中每个像素点的局部范围内的最小值像素点的密度分布特征来获取受到噪声影响下的密度分布特性,进而获取每个像素点的局部范围的噪声影响强度。
传统的重力叠加模型中将图像中每个像素点作为一个小球,像素点的灰度值越小,代表该小球的质量越大,则对应该小球对承压面的影响越大,也即对图像的影响越大(影响作用近似看作高斯曲线);而相邻范围内的小球之间也存在相互影响,它们之间的影响是可以线性叠加的,(详情可参考专利“CN107464220B”)。
在进行重力叠加模型的双边滤波对图像进行增强时,由于光照对图像不同区域的影响不同,以及图像中各个区域的噪声分布特征也不同,因此在重力叠加模型的双边滤波算法中,每个像素点的影响范围和影响程度系数是不同的,若对所有像素点都使用固定范围和系数会产生较大的误差,进而使得增强后的图像丢失信息。因此本实施例根据每个像素点的局部范围内噪声点的分布特征和采集的整体图像中的局部范围内的分布特征,来获取每个像素点的自适应的影响范围和影响程度系数。
图像中受到噪声的影响下的像素点的像素值为:像素值=真实像素值+噪声值,是较原来的像素值的基础上叠加部分像素值,并且图像中每个像素点的局部范围内含有与该像素点的表征信息的内容相似的像素点(例如,在路面上的沥青区域内部的像素点,该像素点的局部范围内有的所有像素点都表现的为沥青,路面上沥青与车道线的边缘区域的像素点,该像素点的局部范围内也存在部分像素点为沥青区域,一部分为车道线区域),因此为了获取噪声的密度分布特征,本实施例通过计算每个像素点的局部范围内的相同特性下的最小值分布特征来作为该范围内受到可能噪声干扰最小的像素点的密度分布特征以及整体图像区域分布特征来综合获取不同范围内的噪声影响强度。
对图像中所有像素点进行的局部范围进行分析,获取受到噪声影响下的像素点的密度分布特征来从表征噪声的密度分布特性。具体的过程为:以图像中的任意一个像素点为例,记为第个目标像素点,以目标像素点为滑动窗口中心像素点建立/>滑动窗口,设置灰度值差值阈值/>,可根据实施者具体实施情况而定,本实施例给出的为经验参考值,若滑动窗口内除目标像素点外的其余像素点的灰度值,与目标像素点的灰度值差值绝对值小于设置的阈值,则表明该像素点与目标像素点为表征信息的内容相似的像素点,记为第一相似像素点。
然后,计算目标像素点以及滑动窗口内所有第一相似像素点之间的最小灰度值对应的像素点,将灰度值最小的像素点作为目标像素点在局部范围内受到噪声干扰最小的像素点。类似此操作,得到图像中所有像素点在局部范围内受到噪声干扰最小的像素点,记为干扰像素点。
另外,以大小为基础单元,将路面灰度图像栅格化,在从上到下每隔5行作为一个划分线,从左到右每隔5列作为一个划分线,当不足5行或5列时,停止划分,获得路面灰度图像的若干个栅格窗口。
根据获取的图像中所有栅格窗口内的干扰最小的像素点来获取每个栅格窗口内的干扰像素点的密度分布特征,统计该栅格窗口范围内同样为干扰像素点的个数,则对应的第个栅格窗口中的干扰像素点的第一密度分布特征值/>为:/>,其中/>表示第/>个栅格窗口中的像素点的个数,/>表示第/>个栅格窗口中的干扰像素点的个数(需要说明的是:存在部分干扰像素点不具备位于该栅格窗口范围内的条件,则对应的将该干扰像素点的第一密度分布特征值设置为所有干扰像素点的第一密度分布特征值中的最小值)。其中干扰像素点的密度分布越稀疏,表征为像素点的局部范围内的灰度值最小值的像素点都是此干扰最小的像素点,则对应的该受干扰最小点的周围都是受到噪声干扰的像素点,因此图像中受干扰最小点的密度分布越稀疏,其周围受到的噪声影响就越大。
根据上述步骤计算得到图像中所有栅格窗口内的第一密度分布特征值,由于图像中的不同位置受到光照的影响下以及采集图像中的噪声下,干扰像素点在图像中不同区域的分布程度不同,例如车道线的区域的噪声分布和沥青区域的噪声分布不相同,因此本实施例需要考虑像素点所在局部范围内的在整体图像区域分布特征的量化:因此本实施例对原图像进行超像素分割,获得若干个超像素块,共有U个超像素块,每一个超像素块记为一个分割区域,其中超像素分割为公知技术,在本实施例中不再赘述,其中初始种子点个数设置为30个,平均分布在图像中的各个位置内,进而得到原图像的进行超像素分割的粗分割图像(受到噪声的影响下的),各个分割区域表现为同一类内容(即沥青、裂缝、车道线等)。
将上述步骤获取的每个栅格窗口以及每个栅格窗口内的干扰最小的像素点在粗分割图像中进行分析,会出现两种情况:第一种情况栅格窗口所包含的所有像素点(包含干扰最小的像素点)均在同一个分割区域中,第二种情况栅格窗口所包含的所有像素点在不同分割图区域中。对以上两种情况进行噪声影响强度的分析,在获取噪声影响强度的过程中,对于第一种情况,仅需要分析该栅格窗口所在区域的图像特征获取即可,但对于第二种情况,需要分析同一个栅格窗口的像素点受到不同分割区域的影响程度,而该影响程度与最邻近栅格窗口的同种分割区域的干扰最小的像素点的灰度值对该栅格窗口的像素点的差异和距离该栅格窗口的距离有关,其中若栅格窗口中分割区域在栅格窗口中的像素点越多,表明该栅格窗口中该分割区域的像素点灰度分布特征占主导因素,则对应的越需要考虑最邻近栅格窗口的同种分割区域的干扰最小的像素点的灰度值于栅格窗口内的中心像素点的差异(即获取分割区域中最接近的受到噪声干扰小的像素点灰度值作为栅格窗口内的分割区域的真实灰度值特征);若栅格窗口中分割区域在栅格窗口中的像素点越小,表明该栅格窗口中该分割区域的像素点灰度分布特征占次要因素,则对应的越需要考虑最邻近栅格窗口的同种分割区域的干扰最小的像素点的距离栅格窗口内的中心像素点的距离影响。
另外,统计获取栅格窗口在滑动过程中与分割区域所产生交集部分的像素点个数,即栅格窗口和分割区域共同包括的像素点的数量,记为共同点数,表示第/>个栅格窗口中第/>个分割区域的像素点的个数,同时在同一个分割区域中,获取第/>个栅格窗口相邻的栅格窗口中的干扰像素点,并计算相邻的栅格窗口中的干扰像素点与第/>个栅格窗口的中心点之间的欧式距离,当存在干扰像素点与第/>个栅格窗口的中心点之间的欧式距离最小时,将该干扰像素点对应的栅格窗口记为第/>个栅格窗口的最近邻栅格窗口,当相邻的栅格窗口中的干扰像素点与第/>个栅格窗口的中心点之间的最小欧式距离相等时,分别计算相邻的栅格窗口中的干扰像素点与第/>个栅格窗口的中心点之间的欧式距离的均值,将距离均值最小时对应的相邻的栅格窗口作为最近邻栅格窗口,而当距离均值也都相等时,选取任意相邻的栅格窗口作为第/>个栅格窗口的最近邻栅格窗口;
需要说明的是,在最邻近窗口的获取过程中,获取第个栅格窗口的最邻近栅格窗口时,如果该最邻近栅格窗口完全在第/>个分割区域内,则获取该最近邻栅格窗口内干扰像素点的灰度值均值/>,而当最近邻窗口与第/>个栅格窗口不同时在第/>个分割区域或者部分处于第/>个分割区域内时,则对应的将位于第/>个分割区域中第/>个栅格窗口的最邻近栅格窗口内干扰像素点的灰度值均值/>设定为0;
另外,将栅格窗口和分割区域共同包括的像素点记为共同点。
则对应的第二种情况下的第个栅格窗口中第/>个分割区域对栅格窗口信息的影响值/>的计算表达式为:
式中,表示第/>个栅格窗口中第/>个分割区域内的像素点的个数,即共同点的数量;/>表示第/>个栅格窗口中像素点的个数;/>表示位于第/>个分割区域中第/>个栅格窗口的最邻近栅格窗口内干扰像素点的灰度值均值;/>表示在第/>个栅格窗口中且位于第/>个分割区域内的像素点的灰度值均值;/>表示第/>个栅格窗口的在第/>个分割区域的最邻近栅格窗口中的干扰像素点与第/>个栅格窗口中心点的最小欧式距离;/>为以自然数为底的指数函数。
另外,该公式对第一种情况同样适用,本实施例中不再赘述。其中对所有栅格窗口的分割区域对栅格窗口的影响值进行线性归一化处理。其中分割区域对栅格窗口信息的影响值,表征的为该分割区域对栅格窗口中像素点灰度值的影响值,若该值越大,则表明对栅格窗口中像素点灰度值的影响值越大,则对应的在后续计算栅格窗口内分割区域的灰度均值时参考程度越大。
则对应的第个栅格窗口中的噪声影响强度/>的计算表达式为:
式中,表示第/>个栅格窗口中的干扰像素点的第一密度分布特征值;/>表示第/>个栅格窗口中的第/>个像素点的灰度值,/>表示第/>个栅格窗口中第/>个分割区域对栅格窗口信息的影响值;/>表示第/>个栅格窗口中第/>个像素点所属的第/>个分割区域的像素点的灰度均值,/>表示第/>个栅格窗口中像素点的个数,/>表示第/>个栅格窗口中的噪声影响强度。
将记为第一影响程度因子,将/>记为第二影响强度因子。
式中,噪声影响强度可以作为该像素点减去灰度均值(其中将灰度均值作为可能的真实像素值)来获取,然而在不同栅格窗口中,可能存在不同的区域,则对应的不同区域对栅格窗口内的信息表征程度不同即为本实施例获取的图像区域对栅格窗口信息的影响值。
其中影响值越大,表明栅格窗口中各个像素点的综合噪声影响程度与栅格窗口中的每个像素点在各自所属图像区域的灰度均值有关,其中图像区域对栅格窗口信息的影响值可作为灰度均值的参考程度值,若影响值越大,则表明该部分的灰度均值的参考程度越大。而对于栅格窗口中干扰最小的像素点的第一密度分布特征值,该第一密度分布特征值表征着栅格窗口内的真实程度,若该值越大,则表明栅格窗口中含有干扰最小的像素点的个数较多,则对应的该栅格窗口整体的噪声影响强度较小。
至此,根据图像中每个像素点的局部范围内的最小值像素点的密度分布特征来获取受到噪声影响下的密度分布特性,进而获取每个像素点的局部范围(即为栅格窗口的)的噪声影响强度。
步骤S003,对所有局部范围的噪声影响强度聚类,获取栅格窗口的影响范围和影响程度系数,进而自适应重力叠加模型的双边滤波去噪。
根据上述步骤,得到所有局部范围的噪声影响强度,为了获取同类型的噪声影响强度的分布情况来获取影响范围,其中每种类型的噪声影响强度表征着为不同的噪声程度,因此本实施例为了进行后续的分析影响范围的分析,将图像中所有局部范围的噪声影响强度按照从小到大进行排列,对排列后的噪声影响强度值进行数据聚类,可采用现有的数据聚类方法,本实施例采用K-Means聚类,根据经验将初始聚类中心数量K的值预设为6,可根据实施者具体实施情况而定,得到多个噪声影响强度类型,需要说明的是说明:该聚类仅是数据上的聚类,并非位置上的聚类。进而获取每种类型的分布程度,若该种噪声影响强度类型的强度越大,且分布程度弱小,则表明该种噪声影响强度类型的影响范围较大,其中第种噪声影响强度类型的影响参数值/>的计算表达式为:
式中,表示第/>种噪声影响强度类型所对应的栅格窗口的个数;/>表示第/>种噪声影响强度类型的第/>个栅格窗口的噪声影响强度;/>表示第/>种噪声影响强度类型的所有栅格窗口中心点之间的平均欧式距离。
则对应的第种噪声影响强度类型的影响范围/>为:
以及对应的影响程度系数为:
其中,和/>表示影响范围和影响程度系数的超参数值,可根据实施者具体实施情况而定,本实施例给出的为经验参考值/>,/>;/>表示第/>种噪声影响强度类型的影响参数值。
将上述计算得到的每种噪声影响强度类型的影响范围和影响程度系数作为图像中的对应类型的栅格窗口的影响范围和影响程度系数值(也即对应的每个栅格窗口的中心像素点的),进而构建改进后的基于重力叠加模型的灰度值-距离叠加权重对照表,制作灰度值-距离的叠加权重对照表,大小为/>,/>的行值/>表示公路路面灰度图像的灰度阶大小,对于/>比特路面灰度图像则取/>,取/>,则/>,列值/>表示公路路面灰度图像中像素点所在栅格窗口的对角线长度:
式中,和/>表示灰度值-距离叠加权重对照表的二维横纵坐标,/>,;/>表示第/>种噪声影响强度类型的影响范围,/>表示第/>种噪声影响强度类型的影响程度系数;/>表示在位于基于重力叠加模型的灰度值-距离叠加权重对照表中第/>行、第/>列对应的第/>种噪声影响强度类型的对照表值。
利用构建完成的基于重力叠加模型的灰度值-距离叠加权重对照表,对路面灰度图像进行双边滤波,获得自适应重力叠加模型的双边滤波去噪后的滤波结果图像(该过程为公知技术,在本实施例中不再赘述,具体可参考专利“CN107464220B”)。
至此,对所有局部范围的噪声影响强度聚类,获取栅格窗口的影响范围和影响程度系数,进而自适应重力叠加模型的双边滤波去噪。
步骤S004:对去噪后的图像进行阈值分割以及高速公路路面病害检测。
根据上述获取的自适应重力叠加模型的双边滤波去噪后的滤波结果图像,利用OTSU算法获取滤波结果图像的分割阈值,将滤波结果图像中小于分割阈值的像素点的像素值设置为0,大于分割阈值的像素点的像素值设置为1,进而获取的二值图像中像素值为0的区域即为对应的路面病害裂缝区域。
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 (6)
1.一种高速公路路面病害检测方法,其特征在于,该方法包括以下步骤:
获取高速公路路面图像的路面灰度图像;
建立预设大小的滑动窗口,将任意像素点与滑动窗口邻域范围内像素点的灰度值差异小于预设阈值的邻域范围内像素点记为第一相似像素点,将滑动窗口内所有第一相似像素点中灰度值最小的像素点记为干扰像素点,将滑动窗口范围内干扰像素点的数量与滑动窗口所包含像素点数量的比值记为第一密度分布特征值;
对路面灰度图像栅格化,获得栅格窗口,对路面灰度图像进行分割获得分割区域,将栅格窗口和分割区域共同包括的像素点记为共同点,将共同点与滑动窗口内像素点的数量比值记为第二密度分布特征值,并获取任意栅格窗口与相邻的栅格窗口中的干扰像素点与目标栅格窗口的中心点之间的最小欧式距离,根据干扰像素点与分割区域像素点的灰度值均值的差异、第二密度分布特征值以及最小欧氏距离获得影响值;
将影响值与分割区域的灰度均值的乘积记为第一影响强度因子,根据像素点灰度值与第一影响强度因子之间的差异获得第二影响强度因子,根据第二影响强度因子与第一密度分布特征值的累加乘积获得噪声影响强度;
将噪声影响程度数值相近的部分进行聚类,获得多个噪声影响强度类型以及平均噪声影响强度,将噪声影响强度类型的所有栅格窗口中心点之间的平均欧式距离与平均噪声影响强度之间的比例关系记为影响参数值;
利用不同预设参数对影响参数值进行乘积调整,分别获得每个噪声影响强度类型的影响范围和影响程度系数,利用影响范围和影响程度系数值对路面灰度图像进行双边滤波和阈值分割操作,得到去噪后的图像以及路面病害裂缝区域;
所述影响值,获取方法如下:
式中,表示在第/>个栅格窗口中位于第/>个分割区域的像素点的个数,即共同点的数量;/>表示第/>个栅格窗口中像素点的个数;/>表示第/>个栅格窗口的在第/>个分割区域的最邻近栅格窗口中的干扰像素点的灰度值均值;/>表示在第/>个栅格窗口中位于第/>个分割区域像素点的灰度值均值;/>表示在第/>个分割区域中第/>个栅格窗口的最邻近栅格窗口内干扰像素点与第/>个栅格窗口中心点的最小欧式距离;/>为以自然数为底的指数函数;
所述噪声影响强度,获取方法如下:
式中,表示第/>个栅格窗口中干扰像素点的第一密度分布特征值;/>表示第/>个栅格窗口中第/>个像素点的灰度值,/>表示第/>个栅格窗口中第/>个图像区域对栅格窗口信息的影响值;/>表示第/>个栅格窗口中第/>个像素点所属的第/>个分割区域内像素点的灰度均值,/>表示第/>个栅格窗口中像素点的个数,/>表示第/>个栅格窗口的噪声影响强度;/>表示第一影响强度因子,/>表示第二影响强度因子。
2.根据权利要求1所述一种高速公路路面病害检测方法,其特征在于,所述将栅格窗口和分割区域共同包括的像素点记为共同点的具体步骤如下:
将路面灰度图像按照预设大小的窗口进行栅格化分割,将每个栅格化分割后的区域记为栅格窗口,同时,对图像进行超像素分割获取的分割后的区域记为分割区域,将路面灰度图像中同时位于栅格窗口和分割区域中时的像素点记为共同点。
3.根据权利要求1所述一种高速公路路面病害检测方法,其特征在于,所述影响参数值,获取方法如下:
式中,表示第/>种噪声影响强度类型所对应的栅格窗口的个数;/>表示第/>种噪声影响强度类型的第/>个栅格窗口的噪声影响强度;/>表示第/>种噪声影响强度类型的所有栅格窗口中心点之间的平均欧式距离。
4.根据权利要求1所述一种高速公路路面病害检测方法,其特征在于,所述影响范围和影响程度系数,获取方法如下:
影响范围:
影响程度系数:
其中,和/>表示对影响范围/>和影响程度系数/>的预设参数,/>表示第/>种噪声影响强度类型的影响参数值,/>表示第/>种噪声影响强度类型的影响范围,/>表示第/>种噪声影响强度类型的影响程度系数。
5.根据权利要求1所述一种高速公路路面病害检测方法,其特征在于,所述路面病害裂缝区域,获取方法如下:
将每种噪声影响强度类型的影响范围和影响程度系数作为图像中的对应类型的栅格窗口的影响范围和影响程度系数值,进而构建灰度值-距离叠加权重对照表,并对路面灰度图像进行双边滤波操作,得到滤波结果图像;
对滤波结果图像进行OTSU阈值分割,将滤波结果图像中小于阈值的像素点的像素值设置为0,大于阈值的像素点的像素值设置为1,进而获取的二值图像中像素值为0的区域即为对应的路面病害裂缝区域。
6.一种高速公路路面病害检测系统,其特征在于,该系统包括以下模块:
路面图像采集模块:利用高清CCD工业相机采集高速公路路面图像;
图像传输模块:用于图像数据的无线通讯传输,将采集的高速公路路面图像利用5G通信网络传输给服务器;
图像存储模块:用于将图像传输模块所传输过来的高速公路路面图像进行存储;
图像处理分析模块:由服务器的图像处理软件对图像进行处理分析,用于执行如权利要求1-5任一项所述的一种高速公路路面病害检测方法;
雷达探测模块:用于检测道路内部病害;
运动控制模块:用于控制道路巡检机器人的全向移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310412389.XA CN116152239B (zh) | 2023-04-18 | 2023-04-18 | 一种高速公路路面病害检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310412389.XA CN116152239B (zh) | 2023-04-18 | 2023-04-18 | 一种高速公路路面病害检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152239A CN116152239A (zh) | 2023-05-23 |
CN116152239B true CN116152239B (zh) | 2023-08-01 |
Family
ID=86358518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310412389.XA Active CN116152239B (zh) | 2023-04-18 | 2023-04-18 | 一种高速公路路面病害检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152239B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485832B (zh) * | 2023-06-25 | 2023-08-29 | 山东九思新材料科技有限责任公司 | 用于废硅片回收的不均布流体杂质边缘精准检测方法 |
CN116630899B (zh) * | 2023-07-21 | 2023-10-20 | 四川公路工程咨询监理有限公司 | 一种高速公路边坡病害监测预警系统 |
CN116684687B (zh) * | 2023-08-01 | 2023-10-24 | 蓝舰信息科技南京有限公司 | 基于数字孪生技术的增强可视化教学方法 |
CN116935199B (zh) * | 2023-09-18 | 2023-11-28 | 铁正检测科技有限公司 | 一种公路施工水平度智能检测方法及系统 |
CN117233754A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 基于雷达图像和人工智能的道路地下病害体检测系统 |
CN117974492A (zh) * | 2024-03-28 | 2024-05-03 | 陕西中环机械有限责任公司 | 一种智能铣刨机优化控制方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795693A (zh) * | 2019-09-24 | 2020-02-14 | 集美大学 | 一种噪声监测数据自动校正方法、装置及计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464220B (zh) * | 2017-07-03 | 2020-07-28 | 西安电子科技大学 | 一种基于重力叠加模型的公路面层病害图像增强方法 |
CN114266892A (zh) * | 2021-12-20 | 2022-04-01 | 江苏燕宁工程科技集团有限公司 | 一种多源数据深度学习的路面病害识别方法及系统 |
CN115661164A (zh) * | 2022-09-08 | 2023-01-31 | 武汉光谷卓越科技股份有限公司 | 一种基于精密三维路面的病害三维信息提取方法 |
-
2023
- 2023-04-18 CN CN202310412389.XA patent/CN116152239B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795693A (zh) * | 2019-09-24 | 2020-02-14 | 集美大学 | 一种噪声监测数据自动校正方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116152239A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116152239B (zh) | 一种高速公路路面病害检测方法及系统 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
CN109784204B (zh) | 一种用于并联机器人的堆叠串类水果主果梗识别和提取方法 | |
CN111862194B (zh) | 基于计算机视觉的深度学习植物生长模型分析方法及系统 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
Senthilkumar et al. | A novel region growing segmentation algorithm for the detection of breast cancer | |
CN110428450B (zh) | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
CN109087283B (zh) | 基于细胞团的宫颈细胞病理切片病变细胞识别方法及系统 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
CN113298181A (zh) | 基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统 | |
CN116228780A (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN108765463B (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
CN117593193A (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN111667509B (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及系统 | |
CN116934761A (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN110287752B (zh) | 一种点阵码检测方法及装置 | |
CN112800968B (zh) | 一种基于hog分块的特征直方图融合对饮水区域猪的身份识别办法 | |
CN112532938B (zh) | 一种基于大数据技术的视频监控系统 |
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 |