CN116452613A - 一种地质调查中裂缝轮廓提取方法 - Google Patents
一种地质调查中裂缝轮廓提取方法 Download PDFInfo
- Publication number
- CN116452613A CN116452613A CN202310701149.1A CN202310701149A CN116452613A CN 116452613 A CN116452613 A CN 116452613A CN 202310701149 A CN202310701149 A CN 202310701149A CN 116452613 A CN116452613 A CN 116452613A
- Authority
- CN
- China
- Prior art keywords
- block
- central
- superpixel
- super
- super pixel
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000011835 investigation Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract description 6
- 239000004575 stone Substances 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011002 quantification Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T7/12—Edge-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
- G06T7/13—Edge 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/30181—Earth observation
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种地质调查中裂缝轮廓提取方法,包括:获取地质图像,对其进行预处理,将预处理后包含的噪声超像素块去除,确定中心超像素块,获取延展后的中心超像素块,并得到延展后的中心超像素块的归属参数,根据归属参数进行归类并得到裂缝区域。本发明通过对采集到的裂缝图像进行超像素分割后,排除噪声超像素块对裂缝轮廓检测的影响,而后排除杂草和小石块的超像素块对中心超像素块的干扰,得到中心超像素块,并得到中心超像素块的延展中心超像素块,使得对裂缝轮廓延展量化更准确,而后通过确定归属参数进一步得到属于裂缝轮廓区域的超像素块,使得最终对裂缝轮廓提取更加准确。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种地质调查中裂缝轮廓提取方法。
背景技术
裂缝是地质构造中重要的地质现象,包括断裂、裂隙、节理等,它们对地质工程和环境工程等具有重要的影响,裂缝轮廓图的获取对于地质灾害的预防、地下水资源的管理和地质环境的保护等具有重要意义。在一般地质测绘图像中,由于环境的特殊性,不可避免地除了裂缝之外,还有一些杂草、小石块等。这些环境的不规则性,导致环境噪声对裂缝轮廓的提取会产生一定程度上的影响,从而导致误判。
对图像使用SLIC算法分割后,将超像素块进行分类,分为属于裂缝区域的像素块和其它区域像素块,在这个过程中,会因为杂草、石块区域像素块的灰度值等特征与裂缝区域相近,导致分类结果产生误差,影响轮廓的提取效果,需要消除在此场景下杂草、石块等对于裂缝轮廓提取的影响,并确定中心超像素块和中心超像素块归属参数。
发明内容
本发明提供一种地质调查中裂缝轮廓提取方法,以解决现有的问题。
本发明的一种地质调查中裂缝轮廓提取方法采用如下技术方案:
本发明一个实施例提供了一种地质调查中裂缝轮廓提取方法,该方法包括以下步骤:
获取地质图像,将地质图像进行超像素分割得到多个超像素块;
根据超像素块内像素点的灰度值分散程度将噪声超像素块去除;
获取去除噪声超像素块后的超像素块的超像素块梯度,根据超像素块梯度数量和超像素块梯度得到中心超像素块;
根据中心超像素块与其相邻的中心超像素块之间的灰度值差异得到延展后的中心超像素块;
根据任意一个中心超像素块和延展后的中心超像素块的灰度值差异以及延展步长得到任意一个中心超像素块和延展后的中心超像素块的归属参数;
根据归属参数对延展后的中心超像素块进行归类得到归类结果,根据归类结果得到裂缝轮廓区域。
进一步地,所述根据超像素块内像素点的灰度值分散程度将噪声超像素块去除,包括的具体步骤如下:
计算超像素块内像素点的灰度标准差,并对灰度标准差进行线性归一化,预设噪声阈值,将归一化后超像素块内像素点的灰度标准差大于噪声阈值的超像素块进行去除。
进一步地,所述超像素块的超像素块梯度的具体获取步骤如下:
将每个超像素块内像素点的灰度均值作为超像素块的灰度值,将任意一个超像素块作为目标超像素块,根据目标超像素块和其相邻的超像素块的灰度值差值作为目标超像素块的超像素块梯度。
进一步地,所述根据超像素块梯度数量和超像素块梯度得到中心超像素块,包括的具体步骤如下:
将与每个超像素块相邻的超像素块个数作为每个超像素块的超像素块梯度数量,预设梯度数量阈值,将每个超像素块的超像素块梯度数量小于梯度数量阈值的超像素块去除,获取剩余超像素块的超像素块梯度,预设梯度阈值,在剩余的超像素块内将超像素块梯度小于等于梯度阈值的超像素块去除得到中心超像素块。
进一步地,所述根据中心超像素块与其相邻的中心超像素块之间的灰度值差异得到延展后的中心超像素块,包括的具体步骤如下:
将所有中心超像素块中任意一个中心超像素块记为第一中心超像素块,将第一中心超像素块中相邻的任意一个中心超像素块记为第二中心超像素块,获取第一中心超像素块和第二中心超像素块的灰度值,当第一中心超像素块和第二中心超像素块的灰度值差值小于第一梯度阈值时,将第二中心超像素块作为第一中心超像素块延展后的中心超像素块,将延展后的中心超像素块记为A,再获取A的延展后的中心超像素块,通过不断对中心超像素块进行延展,得到第一中心超像素块的所有延展后的中心超像素块。
进一步地,所述根据任意一个中心超像素块和延展后的中心超像素块的灰度值差异以及延展步长得到任意一个中心超像素块和延展后的中心超像素块的归属参数,包括的具体步骤如下:
,
其中,为自然常数为底的指数函数,/>为第/>个中心超像素块灰度值和任意一个延展后的中心超像素块灰度值的差值,/>为第/>个中心超像素块到任意一个延展后的中心超像素块的延展步长,/>为正切函数,/>为取绝对值,/>为第/>个中心超像素块到任意一个延展后的中心超像素块的延展步长映射到角度后的取值,/>为第/>个中心超像素块和任意一个延展后的中心超像素块的归属参数。
进一步地,所述延展步长,具体获取步骤如下:
在第个中心超像素块以及第/>个中心超像素块的所有延展后的中心超像素块中,将相邻的两个超像素块的几何中心进行连接,得到相邻的两个超像素块之间的一条连接路径,第/>个中心超像素块到任意一个延展后的中心超像素块之间存在连接路径个数的最小值作为延展步长。
进一步地,所述根据归属参数对延展后的中心超像素块进行归类得到归类结果,包括的具体步骤如下:
将任意一个中心超像素块记为目标中心超像素块,当目标中心超像素块和任意一个延展后的中心超像素块的归属参数取值范围为时,将任意一个延展后的中心超像素块归类到目标中心超像素块,获取所有延展后的中心超像素块归类到目标中心超像素块的归类结果,当目标中心超像素块和任意一个延展后的中心超像素块的归属参数取值范围不在/>时,不参与归类。
进一步地,所述根据归类结果得到裂缝轮廓区域,包括的具体步骤如下:
计算每一个中心超像素块的归类结果中所有超像素块的灰度值均值,将灰度值均值取最小值所对应的归类结果包含的区域作为裂缝轮廓区域。
本发明的技术方案的有益效果是:通过SLIC算法对采集到的裂缝图像进行超像素分割后,排除噪声超像素块对裂缝轮廓检测的影响,而后排除杂草和小石块的超像素块对中心超像素块的干扰,得到中心超像素块,并得到中心超像素块的延展中心超像素块,使得对裂缝轮廓延展量化更准确,而后通过确定归属参数进一步得到属于裂缝轮廓区域的超像素块,使得最终对裂缝轮廓提取更加准确。
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为本发明一种地质调查中裂缝轮廓提取方法的步骤流程图。
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地质调查中裂缝轮廓提取方法,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地质调查中裂缝轮廓提取方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种地质调查中裂缝轮廓提取方法的步骤流程图,该方法包括以下步骤:
步骤S001、获取地质图像,对其进行预处理。
具体的,利用遥感卫星获取地质图像,对地质图像进行灰度化,并对其进行SLIC算法预处理,得到多个超像素块。
至此,通过SLIC算法对地质图像进行预处理,得到多个超像素块。
步骤S002、将预处理后包含的噪声超像素块去除。
需要说明的是,因为预处理算法的特殊性,会导致地质图像中部分超像素块内像素点的灰度值分布不规律,为了避免超像素块内像素点的灰度值波动较大,即分布不规律,从而导致超像素块内囊括算法噪声信息,出现无法判断的情况,因此需要将SLIC算法分割后得到的包含算法噪声超像素块去除。SLIC算法分割后得到的超像素块可以理解为一个连通域,通过分析连通域中像素点的灰度值信息,将包含算法噪声超像素块进行去除。
具体的,计算超像素块内像素点的灰度均值进而计算超像素块内像素点的灰度标准差,并对其进行线性归一化,设置噪声阈值,将归一化后超像素块内像素点的灰度标准差大于噪声阈值的超像素块进行去除。本实施例中以噪声阈值为0.9进行叙述,实施时可以设置为其他值,在此不进行固定限制。
需要说明的是,超像素块内像素点的灰度标准差可以描述超像素块内像素点的灰度值分散程度,超像素块内像素点的灰度标准差越大,说明当前超像素块内像素点的灰度值波动较大,即分布不规律,因此,通过分析超像素块内像素点的灰度标准差将噪声超像素块去除。
至此,将包含算法噪声超像素块进行了去除。
步骤S003、确定中心超像素块,获取延展后的中心超像素块,并得到延展后的中心超像素块的归属参数。
需要说明的是,去除噪声超像素块对检测裂缝区域和地面区域后,需要进一步通过量化剩余块之前的基本关系得到每个超像素块的归属参数,归属参数表述每个块隶属于哪一类即裂缝区域或是地面区域,除此之外还有可能是杂草、小石块引起的噪声区域,为了获取剩余超像素块之间的基本信息,需要通过归纳其灰度信息和距离信息,灰度信息的获取方式为规定超像素块之间的超像素梯度,距离信息为计算不同超像素块几何中心之间的具体像素距离。为了进一步量化超像素块与超像素块之间的距离关系,此处规定中心超像素块,中心超像素块指其周围存在着与其灰度值近似,且距离较近的超像素块,并将其包裹。通过以上基本信息可得到如下逻辑:归属参数与距离成反比,与超像素块梯度大小成反比。
具体的,灰度信息的获取方式为规定超像素块之间的超像素梯度,超像素梯度具体定义如下:一个超像素块可以有多个超像素块梯度,这取决于其周围有多少相邻的超像素块,相邻的超像素块越多则超像素块梯度越多。因为每个超像素块在步骤S001预处理的时候已经被分割出来,将每个超像素块理解为一个像素点,则每个超像素块的灰度值为每个超像素块内像素点的灰度均值。任意一个超像素块作为目标超像素块,获取目标超像素块和其相邻的超像素块的灰度值差值作为目标超像素块的超像素块梯度。
需要说明的是,这里定义超像素块梯度目的是便于后续分析。
具体的,将每个超像素块与周围超像素块相邻的个数作为每个超像素块的超像素块梯度数量,规定梯度数量阈值,将每个超像素块的超像素块梯度数量小于梯度数量阈值的超像素块去除,目的是消除经过预处理后地质图像中图像边缘处的超像素块,因为图像边缘处的超像素块不满足超像素块梯度数量小于梯度数量阈值,便于后续获得地面中心超像素块和裂缝中心超像素块,获取剩余超像素块的超像素块梯度,规定梯度阈值,在剩余的超像素块内将超像素块梯度小于等于梯度阈值的超像素块去除,需要说明的是,剩余超像素块中任意一个超像素块有多个超像素块梯度,这里要求小于等于梯度阈值是多个超像素块梯度中有一个超像素块梯度小于等于梯度阈值时就去除,目的是消除经过预处理后地质图像中存在超像素块梯度值较大的伪中心块,如杂草、小石块的超像素块,经过进一步去除剩余的超像素块为中心超像素块,包括地面中心超像素块和裂缝中心超像素块。
需要说明的是,由于无法通过先验知识确定那些超像素块为裂缝中心超像素块,通过计算中心超像素的归属参数进行确定,归属参数与超像素块梯度和不同超像素块的距离均成反比,为了更准确量化这种反比关系得到准确的归属参数,需要分析经过预处理后地质图像中裂缝区域的先验特征。先验特征包括:在裂缝区域的裂缝中心超像素块总是延展的。通过量化不同中心超像素块之间的超像素块梯度来判断超像素块是否延展。
具体的,为了便于说明,将所有中心超像素块中任意一个中心超像素块记为第一中心超像素块,将第一中心超像素块中相邻的任意一个中心超像素块记为第二中心超像素块,获取第一中心超像素块和第二中心超像素块的灰度值,当第一中心超像素块和第二中心超像素块的灰度值差值小于第一梯度阈值时认为第二中心超像素块为第一中心超像素块延展后的中心超像素块,将延展后的中心超像素块记为A,再获取A的延展后的中心超像素块,通过不断对中心超像素块进行延展,得到第一中心超像素块的所有延展后的中心超像素块,本实施例中以第一梯度阈值为15进行叙述,实施时可以设置为其他值,在此不进行固定限制。
进一步需要说明的是,为了防止相邻中心超像素块满足第一梯度阈值即延展,但多次延展后最后一个中心超像素块和初始中心超像素块的超像素块梯度不满足第一梯度阈值,从而造成归属参数的误判,导致地面中心超像素块被归类到裂缝中心超像素块,或者裂缝中心超像素块被归类到地面中心超像素块,因此需要引入不同中心超像素块的距离,距离与归属参数也成反比,但相较于超像素块梯度对归属参数的影响,距离的影响权重应当小一些。
具体的,根据不同中心超像素块灰度值差异和延展步长得到任意一个中心超像素块的归属参数,具体如下:
,
其中,为自然常数为底的指数函数,/>为第/>个中心超像素块灰度值和任意一个延展后的中心超像素块灰度值的差值,/>为第/>个中心超像素块到任意一个延展后的中心超像素块的延展步长,延展步长具体为:在第/>个中心超像素块以及第/>个中心超像素块的所有延展后的中心超像素块中,将相邻的两个超像素块的几何中心进行连接,得到相邻的两个超像素块之间的一条连接路径,第/>个中心超像素块到任意一个延展后的中心超像素块之间存在连接路径个数的最小值作为延展步长。/>为正切函数,/>为取绝对值,/>为第/>个中心超像素块到任意一个延展后的中心超像素块的延展步长映射到角度后的取值,如延展步长/>的取值范围为/>将其映射到/>,/>为延展步长的最大值,为第/>个中心超像素块和任意一个延展后的中心超像素块的归属参数。
需要说明的是,将延展步长的取值范围映射为角度,例如当,若有,那么此时映射的角度为/>,则/>。当归属参数/>时,说明任意一个中心超像素块到延展后的中心超像素块的延展步长为0,即任意一个中心超像素块本身,任意一个中心超像素块与自身的归属参数最高,当映射角度为/>时,说明延展步长最大,此时延展后的中心超像素块与任意一个中心超像素块的归属参数为0。对于/>与的比值,使用反比关系,当/>为/>时,证明延展后的中心超像素块与任意一个中心超像素块高度相似,/>与/>的比值为/>。
进一步的,获取第个中心超像素块和所有延展后的中心超像素块的归属参数,即任意一个中心超像素块和所有延展后的中心超像素块的归属参数。
步骤S004、根据归属参数进行归类并得到裂缝区域。
步骤S003获得了任意一个中心超像素块和所有延展后的中心超像素块的归属参数,根据归属参数进行归类,具体如下:
将任意一个中心超像素块记为目标中心超像素块,当目标中心超像素块和任意一个延展后的中心超像素块的归属参数取值范围为时,将任意一个延展后的中心超像素块归类到目标中心超像素块,获取所有延展后的中心超像素块归类到目标中心超像素块的归类结果,当目标中心超像素块和任意一个延展后的中心超像素块的归属参数取值范围不在/>时,不参与归类和后续分析。
获取所有目标中心超像素块的归类结果,计算每一个目标中心超像素块的归类结果中所有超像素块的灰度值均值,将灰度值均值取最小值所对应的归类结果包含的区域作为裂缝轮廓区域。
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 (9)
1.一种地质调查中裂缝轮廓提取方法,其特征在于,该方法包括以下步骤:
获取地质图像,将地质图像进行超像素分割得到多个超像素块;
根据超像素块内像素点的灰度值分散程度将噪声超像素块去除;
获取去除噪声超像素块后的超像素块的超像素块梯度,根据超像素块梯度数量和超像素块梯度得到中心超像素块;
根据中心超像素块与其相邻的中心超像素块之间的灰度值差异得到延展后的中心超像素块;
根据任意一个中心超像素块和延展后的中心超像素块的灰度值差异以及延展步长得到任意一个中心超像素块和延展后的中心超像素块的归属参数;
根据归属参数对延展后的中心超像素块进行归类得到归类结果,根据归类结果得到裂缝轮廓区域。
2.根据权利要求1所述一种地质调查中裂缝轮廓提取方法,其特征在于,所述根据超像素块内像素点的灰度值分散程度将噪声超像素块去除,包括的具体步骤如下:
计算超像素块内像素点的灰度标准差,并对灰度标准差进行线性归一化,预设噪声阈值,将归一化后超像素块内像素点的灰度标准差大于噪声阈值的超像素块进行去除。
3.根据权利要求1所述一种地质调查中裂缝轮廓提取方法,其特征在于,所述超像素块的超像素块梯度的具体获取步骤如下:
将每个超像素块内像素点的灰度均值作为超像素块的灰度值,将任意一个超像素块作为目标超像素块,根据目标超像素块和其相邻的超像素块的灰度值差值作为目标超像素块的超像素块梯度。
4.根据权利要求1所述一种地质调查中裂缝轮廓提取方法,其特征在于,所述根据超像素块梯度数量和超像素块梯度得到中心超像素块,包括的具体步骤如下:
将与每个超像素块相邻的超像素块个数作为每个超像素块的超像素块梯度数量,预设梯度数量阈值,将每个超像素块的超像素块梯度数量小于梯度数量阈值的超像素块去除,获取剩余超像素块的超像素块梯度,预设梯度阈值,在剩余的超像素块内将超像素块梯度小于等于梯度阈值的超像素块去除得到中心超像素块。
5.根据权利要求1所述一种地质调查中裂缝轮廓提取方法,其特征在于,所述根据中心超像素块与其相邻的中心超像素块之间的灰度值差异得到延展后的中心超像素块,包括的具体步骤如下:
将所有中心超像素块中任意一个中心超像素块记为第一中心超像素块,将第一中心超像素块中相邻的任意一个中心超像素块记为第二中心超像素块,获取第一中心超像素块和第二中心超像素块的灰度值,当第一中心超像素块和第二中心超像素块的灰度值差值小于第一梯度阈值时,将第二中心超像素块作为第一中心超像素块延展后的中心超像素块,将延展后的中心超像素块记为A,再获取A的延展后的中心超像素块,通过不断对中心超像素块进行延展,得到第一中心超像素块的所有延展后的中心超像素块。
6.根据权利要求1所述一种地质调查中裂缝轮廓提取方法,其特征在于,所述根据任意一个中心超像素块和延展后的中心超像素块的灰度值差异以及延展步长得到任意一个中心超像素块和延展后的中心超像素块的归属参数,包括的具体步骤如下:
,
其中,为自然常数为底的指数函数,/>为第/>个中心超像素块灰度值和任意一个延展后的中心超像素块灰度值的差值,/>为第/>个中心超像素块到任意一个延展后的中心超像素块的延展步长,/>为正切函数,/>为取绝对值,/>为第/>个中心超像素块到任意一个延展后的中心超像素块的延展步长映射到角度后的取值,/>为第/>个中心超像素块和任意一个延展后的中心超像素块的归属参数。
7.根据权利要求6所述一种地质调查中裂缝轮廓提取方法,其特征在于,所述延展步长,具体获取步骤如下:
在第个中心超像素块以及第/>个中心超像素块的所有延展后的中心超像素块中,将相邻的两个超像素块的几何中心进行连接,得到相邻的两个超像素块之间的一条连接路径,第/>个中心超像素块到任意一个延展后的中心超像素块之间存在连接路径个数的最小值作为延展步长。
8.根据权利要求1所述一种地质调查中裂缝轮廓提取方法,其特征在于,所述根据归属参数对延展后的中心超像素块进行归类得到归类结果,包括的具体步骤如下:
将任意一个中心超像素块记为目标中心超像素块,当目标中心超像素块和任意一个延展后的中心超像素块的归属参数取值范围为时,将任意一个延展后的中心超像素块归类到目标中心超像素块,获取所有延展后的中心超像素块归类到目标中心超像素块的归类结果,当目标中心超像素块和任意一个延展后的中心超像素块的归属参数取值范围不在时,不参与归类。
9.根据权利要求1所述一种地质调查中裂缝轮廓提取方法,其特征在于,所述根据归类结果得到裂缝轮廓区域,包括的具体步骤如下:
计算每一个中心超像素块的归类结果中所有超像素块的灰度值均值,将灰度值均值取最小值所对应的归类结果包含的区域作为裂缝轮廓区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701149.1A CN116452613B (zh) | 2023-06-14 | 2023-06-14 | 一种地质调查中裂缝轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701149.1A CN116452613B (zh) | 2023-06-14 | 2023-06-14 | 一种地质调查中裂缝轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452613A true CN116452613A (zh) | 2023-07-18 |
CN116452613B CN116452613B (zh) | 2023-08-29 |
Family
ID=87125970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310701149.1A Active CN116452613B (zh) | 2023-06-14 | 2023-06-14 | 一种地质调查中裂缝轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452613B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152187A (zh) * | 2023-10-30 | 2023-12-01 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007026255A (ja) * | 2005-07-20 | 2007-02-01 | East Japan Railway Co | 画像中の変状点の進展状況を抽出する方法 |
JP2013238449A (ja) * | 2012-05-14 | 2013-11-28 | Taisei Corp | ひび割れ検出方法 |
CN103871062A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种基于超像素描述的月面岩石检测方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN108765386A (zh) * | 2018-05-16 | 2018-11-06 | 中铁科学技术开发公司 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
CN109166093A (zh) * | 2018-07-09 | 2019-01-08 | 西北大学 | 一种图像显著区域检测方法 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
US20200034972A1 (en) * | 2018-07-25 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image segmentation method and device, computer device and non-volatile storage medium |
JP2020154397A (ja) * | 2019-03-18 | 2020-09-24 | 株式会社安藤・間 | ひび割れ抽出システム、及びひび割れ抽出方法 |
US20210041588A1 (en) * | 2019-08-09 | 2021-02-11 | Petrochina Company Limited | Method for identifying boundary of sedimentary facies, computer device and computer readable storage medium |
CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
WO2021147387A1 (zh) * | 2020-01-21 | 2021-07-29 | 上海万物新生环保科技集团有限公司 | 屏幕划痕碎裂检测方法及设备 |
CN113362296A (zh) * | 2021-05-31 | 2021-09-07 | 山东大学 | 一种隧道裂缝提取方法及系统 |
US20210319547A1 (en) * | 2020-04-08 | 2021-10-14 | Zhejiang University | Method and apparatus for identifying concrete crack based on video semantic segmentation technology |
CN113838061A (zh) * | 2021-07-28 | 2021-12-24 | 中科云谷科技有限公司 | 用于图像标注的方法、装置及存储介质 |
CN114219773A (zh) * | 2021-11-30 | 2022-03-22 | 西北工业大学 | 一种桥梁裂缝检测数据集预筛选与标定方法 |
CN114998310A (zh) * | 2022-07-11 | 2022-09-02 | 道格特半导体科技(江苏)有限公司 | 基于图像处理的显著性检测方法及系统 |
CN115018838A (zh) * | 2022-08-08 | 2022-09-06 | 和诚精密管业(南通)有限公司 | 用于被氧化钢管材料表面麻点瑕疵的识别方法 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
CN115457031A (zh) * | 2022-10-27 | 2022-12-09 | 江苏集宿智能装备有限公司 | 基于x射线的集成箱体内部缺陷识别方法 |
CN115661173A (zh) * | 2022-11-10 | 2023-01-31 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
CN115909079A (zh) * | 2023-01-09 | 2023-04-04 | 深圳大学 | 结合深度特征和自注意力模型的裂缝检测方法及相关设备 |
-
2023
- 2023-06-14 CN CN202310701149.1A patent/CN116452613B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007026255A (ja) * | 2005-07-20 | 2007-02-01 | East Japan Railway Co | 画像中の変状点の進展状況を抽出する方法 |
JP2013238449A (ja) * | 2012-05-14 | 2013-11-28 | Taisei Corp | ひび割れ検出方法 |
CN103871062A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种基于超像素描述的月面岩石检测方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN108765386A (zh) * | 2018-05-16 | 2018-11-06 | 中铁科学技术开发公司 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
CN109166093A (zh) * | 2018-07-09 | 2019-01-08 | 西北大学 | 一种图像显著区域检测方法 |
US20200034972A1 (en) * | 2018-07-25 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image segmentation method and device, computer device and non-volatile storage medium |
JP2020154397A (ja) * | 2019-03-18 | 2020-09-24 | 株式会社安藤・間 | ひび割れ抽出システム、及びひび割れ抽出方法 |
US20210041588A1 (en) * | 2019-08-09 | 2021-02-11 | Petrochina Company Limited | Method for identifying boundary of sedimentary facies, computer device and computer readable storage medium |
WO2021147387A1 (zh) * | 2020-01-21 | 2021-07-29 | 上海万物新生环保科技集团有限公司 | 屏幕划痕碎裂检测方法及设备 |
US20210319547A1 (en) * | 2020-04-08 | 2021-10-14 | Zhejiang University | Method and apparatus for identifying concrete crack based on video semantic segmentation technology |
CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
CN113362296A (zh) * | 2021-05-31 | 2021-09-07 | 山东大学 | 一种隧道裂缝提取方法及系统 |
CN113838061A (zh) * | 2021-07-28 | 2021-12-24 | 中科云谷科技有限公司 | 用于图像标注的方法、装置及存储介质 |
CN114219773A (zh) * | 2021-11-30 | 2022-03-22 | 西北工业大学 | 一种桥梁裂缝检测数据集预筛选与标定方法 |
CN114998310A (zh) * | 2022-07-11 | 2022-09-02 | 道格特半导体科技(江苏)有限公司 | 基于图像处理的显著性检测方法及系统 |
CN115018838A (zh) * | 2022-08-08 | 2022-09-06 | 和诚精密管业(南通)有限公司 | 用于被氧化钢管材料表面麻点瑕疵的识别方法 |
CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115457031A (zh) * | 2022-10-27 | 2022-12-09 | 江苏集宿智能装备有限公司 | 基于x射线的集成箱体内部缺陷识别方法 |
CN115661173A (zh) * | 2022-11-10 | 2023-01-31 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
CN115909079A (zh) * | 2023-01-09 | 2023-04-04 | 深圳大学 | 结合深度特征和自注意力模型的裂缝检测方法及相关设备 |
Non-Patent Citations (4)
Title |
---|
张小凤;刘向阳;: "基于图像超像素分析的图像分割方法", 计算机技术与发展, no. 07 * |
李啸宇;张秋菊;: "融合局部纹理特征的颗粒图像SLIC超像素分割方法", 食品与机械, no. 12 * |
杨洲;陈莉;贾建;: "基于超像素分割的非局部均值去噪方法", 计算机应用研究, no. 05 * |
颜雨;孙尽尧;: "基于区域再分割的改进型SLIC超像素生成算法", 激光杂志, no. 08 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152187A (zh) * | 2023-10-30 | 2023-12-01 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
CN117152187B (zh) * | 2023-10-30 | 2024-01-26 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116452613B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023185B (zh) | 一种输电设备故障诊断方法 | |
CN109743879B (zh) | 一种基于动态红外热像图处理的地下管廊渗漏检测方法 | |
Iakovidou et al. | Content-aware detection of JPEG grid inconsistencies for intuitive image forensics | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN109446894B (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN109447068A (zh) | 一种从图像中分离印章并校准印章的方法 | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN115564771A (zh) | 一种基于建筑物基柱的混凝土裂纹识别方法 | |
CN109146888A (zh) | 一种基于差商分析的土裂隙分形维数计算方法 | |
CN117036737A (zh) | 基于信息熵、gms与lc显著检测的特征提取与匹配方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN117710399A (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
Gupta et al. | Fast single image haze removal method for inhomogeneous environment using variable scattering coefficient | |
CN117253150A (zh) | 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统 | |
CN113066041A (zh) | 一种基于栈稀疏自编码深度学习的路面裂缝检测方法 | |
CN115965796A (zh) | 一种基于图像识别的金属锈蚀检测方法及系统 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
Li et al. | Crack Detection and Recognition Model of Parts Based on Machine Vision. | |
CN109949273B (zh) | 一种基于纹理对称性的皮肤图像纹理分割方法及系统 | |
CN114638805A (zh) | 一种轨道板裂缝检测方法、系统及存储介质 | |
CN114119569A (zh) | 基于机器学习的成像测井图像裂缝分割与识别方法和系统 | |
CN109035217B (zh) | 一种基于图像二维熵的土体裂隙定量评价方法 |
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 |