CN116630225B - 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备 - Google Patents

一种铁路桥梁水下基础损伤识别方法、装置以及处理设备 Download PDF

Info

Publication number
CN116630225B
CN116630225B CN202310232996.8A CN202310232996A CN116630225B CN 116630225 B CN116630225 B CN 116630225B CN 202310232996 A CN202310232996 A CN 202310232996A CN 116630225 B CN116630225 B CN 116630225B
Authority
CN
China
Prior art keywords
image
underwater
damage
underwater foundation
optical
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
Application number
CN202310232996.8A
Other languages
English (en)
Other versions
CN116630225A (zh
Inventor
张刚
谈遂
孙连峰
王翔
陈刚
毛建锋
彭旭民
李云友
周枫
马远刚
赵龙
江淦
王梓宇
李鸿猷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Engineering Research Center Of High Speed Railway Construction Technology
China Railway Major Bridge Engineering Group Co Ltd MBEC
China Railway Bridge Science Research Institute Ltd
Original Assignee
National Engineering Research Center Of High Speed Railway Construction Technology
China Railway Major Bridge Engineering Group Co Ltd MBEC
China Railway Bridge Science Research Institute Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Engineering Research Center Of High Speed Railway Construction Technology, China Railway Major Bridge Engineering Group Co Ltd MBEC, China Railway Bridge Science Research Institute Ltd filed Critical National Engineering Research Center Of High Speed Railway Construction Technology
Priority to CN202310232996.8A priority Critical patent/CN116630225B/zh
Publication of CN116630225A publication Critical patent/CN116630225A/zh
Application granted granted Critical
Publication of CN116630225B publication Critical patent/CN116630225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20172—Image enhancement details
    • 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)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种铁路桥梁水下基础损伤识别方法、装置以及处理设备，用于通过对水下基础光学图像进行有效的图像增强，从而可以为后续的损失识别效果提供强有力的数据支持，促使损失识别效果得到显著的提升。本申请提供的铁路桥梁水下基础损伤识别方法，包括：获取铁路桥梁水下基础的水下基础光学图像P；提取水下基础光学图像P的光谱谱间方差V、局部特征L和图像全局特征O；在水下基础光学图像P的基础上，融合光谱谱间方差V、局部特征L和图像全局特征O，得到光学增强图像M；在光学增强图像M中识别水下基础损伤，得到铁路桥梁水下基础的水下基础损伤识别结果。

Description

一种铁路桥梁水下基础损伤识别方法、装置以及处理设备
技术领域
本申请涉及铁路桥梁领域，具体涉及一种铁路桥梁水下基础损伤识别方法、装置以及处理设备。
背景技术
铁路桥梁水下基础的健康状态诊断，是铁路环境评价的重要基础。铁路桥梁水下基础的使用条件和使用环境比水上结构更为恶劣，极易造成损伤和发生病害，从而导致桥梁承载力和耐久性降低，严重时危及铁路行车安全和运营寿命，部分铁路桥梁水下基础因使用年限长、周边环境变化大、人为采砂等原因，尤其是受暴雨、洪水、浮冰撞击等影响，不同程度地存在着安全隐患。此外，随着铁路行车速度的不断提高和轴重的加大，列车对桥梁水下基础的动载作用明显增大，从而严重影响了既有桥梁水下基础的工作状态，加速了水下基础病害的发生。也因此，铁路桥梁水下基础的表面损伤的探测，具有其重要意义。
与声学方法等其他技术手段相比，基于光学成像的损伤检测是最近发展起来的一种先进技术，具有许多优点，例如高分辨率和丰富的信息。
然而，本申请发明人发现，尽管光学成像方法可以捕捉水下结构物的水工结构，但由于河流、湖泊和水库中的水环境高浊度、复杂性和时变性等水下环境的复杂性，严重影响光学图像的成像质量，会出现模糊、对比度比较低等现象，且还会存在很多假损伤信息，这增大了后续损伤识别的难度；此外，传统识别算法旨在直接提取光学图像中的裂纹，但容易失真，这也导致检测效率低和高虚警概率，这两方面的情况都会导致铁路桥梁水下基础的损伤识别效果不佳的问题。
发明内容
本申请提供了一种铁路桥梁水下基础损伤识别方法、装置以及处理设备，用于通过对水下基础光学图像进行有效的图像增强，从而可以为后续的损失识别效果提供强有力的数据支持，促使损失识别效果得到显著的提升。
第一方面，本申请提供了一种铁路桥梁水下基础损伤识别方法，方法包括：
获取铁路桥梁水下基础的水下基础光学图像P；
提取水下基础光学图像P的光谱谱间方差V、局部特征L和图像全局特征O；
在水下基础光学图像P的基础上，融合光谱谱间方差V、局部特征L和图像全局特征O，得到光学增强图像M；
在光学增强图像M中识别水下基础损伤，得到铁路桥梁水下基础的水下基础损伤识别结果。
第二方面，本申请提供了一种铁路桥梁水下基础损伤识别装置，装置包括：
获取单元，用于获取铁路桥梁水下基础的水下基础光学图像P；
提取单元，用于提取水下基础光学图像P的光谱谱间方差V、局部特征L和图像全局特征O；
融合单元，用于在水下基础光学图像P的基础上，融合光谱谱间方差V、局部特征L和图像全局特征O，得到光学增强图像M；
识别单元，用于在光学增强图像M中识别水下基础损伤，得到铁路桥梁水下基础的水下基础损伤识别结果。
第三方面，本申请提供了一种处理设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
从以上内容可得出，本申请具有以下的有益效果：
针对于铁路桥梁水下基础的损伤识别处理，本申请在获取到铁路桥梁水下基础的水下基础光学图像P后，提取其光谱谱间方差V、局部特征L和图像全局特征O，并由四者融合得到光学增强图像M，如此通过三个方面的图像特征来增强水下基础光学图像P的图像细节，有效避免光吸收和光散射带来的影响，为后续的水下基础损伤识别提供强有力的数据支持，进而可以获得损失识别效果显著提升的水下基础损伤识别结果，有助于实现更为稳定、高效、精确的铁路桥梁水下基础的健康诊断工作。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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为本申请铁路桥梁水下基础损伤识别方法的一种流程示意图；
图2为本申请光在水中衰减特征的一种场景示意图；
图3为现有技术水下光学图像的一种场景示意图；
图4为本申请不同波长对应的分量图像的一种场景示意图；
图5为本申请光学增强图像的一种场景示意图；
图6为本申请图像特征的一种场景示意图；
图7为本申请光学增强图像M的一种场景示意图；
图8为本申请图像评价指标对比柱状图的一种场景示意图；
图9为本申请方位角区间划分的一种场景示意图；
图10为本申请水下基础损伤识别结果的一种场景示意图；
图11为本申请铁路桥梁水下基础损伤识别装置的一种结构示意图；
图12为本申请处理设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。
本申请中所出现的模块的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
在介绍本申请提供的铁路桥梁水下基础损伤识别方法之前，首先介绍本申请所涉及的背景内容。
本申请提供的铁路桥梁水下基础损伤识别方法、装置以及计算机可读存储介质，可应用于处理设备，用于通过对水下基础光学图像进行有效的图像增强，从而可以为后续的损失识别效果提供强有力的数据支持，促使损失识别效果得到显著的提升。
本申请提及的铁路桥梁水下基础损伤识别方法，其执行主体可以为铁路桥梁水下基础损伤识别装置，或者集成了该铁路桥梁水下基础损伤识别装置的服务器、物理主机或者用户设备(User Equipment，UE)等不同类型的处理设备。其中，铁路桥梁水下基础损伤识别装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、台式电脑或者个人数字助理(Personal Digital Assistant，PDA)等终端设备，处理设备可以通过设备集群的方式设置。
其中，应当理解，本申请所涉及处理设备既可以是铁路桥梁现场的设备，从而可以在现场通过本申请所提供的铁路桥梁水下基础损伤识别方法，来实现相关的数据支持工作，或者，处理设备也可以位于铁路桥梁现以外的实验室等场所，从而可以通过本申请所提供的铁路桥梁水下基础损伤识别方法并以远程的方式，为铁路桥梁现场来实现相关的数据支持工作，其具体设备形式是较为灵活的，随实际需要调整即可。
下面，开始介绍本申请提供的铁路桥梁水下基础损伤识别方法。
首先，参阅图1，图1示出了本申请铁路桥梁水下基础损伤识别方法的一种流程示意图，本申请提供的铁路桥梁水下基础损伤识别方法，具体可包括如下步骤S101至步骤S104：
步骤S101，获取铁路桥梁水下基础的水下基础光学图像P；
可以理解，本申请涉及的是铁路桥梁水下基础的损伤识别场景，具体是通过光学图像来展开水下基础表面损伤的图像识别的，对此，首选要获取的数据就是铁路桥梁水下基础的水下基础光学图像，本申请将此时获取的图像记为水下基础光学图像P。
在前面已经提及了，现有技术中也是存在基于水下基础光学图像来进行损伤识别的，因此此处水下基础光学图像P的获取处理，可以直接采用现有技术的获取手段，当然，也不排除进行进一步的优化设计。
其中，此处的获取处理，既可以是现成图像的调取、接收、输入，也可以是实时的图像采集处理，随实际情况进行调整即可。
步骤S102，提取水下基础光学图像P的光谱谱间方差V、局部特征L和图像全局特征O；
可以理解，对应于现有技术中所采集的、为后续损伤识别提供图像数据的光学图像，存在了由于水环境高浊度、复杂性和时变性而影响了光学图像的成像质量的问题，本申请对前面所获取到的水下基础光学图像P，配置了相关的图像增强策略，其也可以用图像预处理来理解，以此对应于后续的损伤识别，来加强图像的细节/质量。
具体来说，在水下环境中，光衰减主要是由于水对光的吸收和水中的悬浮介质对光的散射作用引起的，水对光的吸收在不同的光谱区域具有明显的选择性，在可见光区域吸收较大的分别是红光、黄光和淡绿光谱区域，而在波长为462～475nm范围内的蓝绿光衰减最少，光在水中典型的衰减情况可以参考图2示出的本申请光在水中衰减特征的一种场景示意图，水下光吸收造成的光能量损失使水下基础光学成像变得较为困难，水中的散射现象主要是由于水本身和水中的悬浮粒子而引起的，使光偏离原来直线传播的方向，严重影响了水下基础的光学成像质量，因此如何去除散射造成的背景噪声是提高水下基础成像质量的关键。
在该情况下，常规的水下基础光学图像的情况，可以参考图3示出的现有技术水下光学图像的一种场景示意图，即使是清澈透明的海水，60％的衰减都是由散射引起的。因此，若是能有效减小水下散射造成的光损耗，则能够提高水下基础成像的清晰度和成像效果。
由于在水下基础所在的水域中，大部分光衰减都是由水中的悬浮颗粒和微生物的散射作用引起的，水下基础成像光线在传播过程中会发生严重的光谱选择性衰减。波长长的光穿透力强，容易被水吸收，具体而言，随着光线传播距离的延伸，波长长的光线面临的衰减性最强；波长短的光穿透力弱，易发生散射和反射，短波长光线的衰减性最弱。红光的中心波长是660纳米；红光的波长范围是760～622纳米；绿光的中心波长是550纳米；绿光的波长范围是577～492纳米；蓝光的中心波长是440纳米；蓝光的波长范围是450～435纳米。
针对不同波长的光源在不同水质环境下衰减不同这一特点，本申请将所采集到的水下基础图像用P来表示，水下基础图像P包含红色分量Pr、绿色分量Pg和蓝色分量Pb，前面图3所举例的图像对应的红色、绿色和蓝色分量图像，可以参考图4示出的本申请不同波长对应的分量图像的一种场景示意图，从图4中可以看出不同波长对应的分量图像存在明显的图像差异性特征。
在该情况下，本申请针对所发现的不同波长对应的分量图像存在明显的图像差异性特征的情况，认为需要有效区分水下基础光学图像波长差异性特征，且水下基础图像中的红色、绿色和蓝色分量图像的光谱存在明显差异，在光学成像距离越远时，不同波段间的强度差异逐渐增强，这就形成了光谱谱间强度差异，因此可以通过该光谱谱间方差V来反映水下基础损伤特征与水下基础表面之间的距离差异。
其次，在水下基础光学图像P中，本申请还认为，图像的局部特征也能够反映水下基础表面损伤的边缘形态特征。
此外，在水下基础光学图像P中，本申请还认为，图像的全局特征能够反映水下基础表面损伤的区域形态。
对此，对应于光学图像增强需求，本申请可以提取水下基础光学图像P的光谱谱间方差V、局部特征L和图像全局特征O，以为后面的具体图像增强来提供数据参考。
可以看到的是，本申请在此处所提取的光谱谱间方差V，针对的是图像采集时涉及的波长因素，局部特征L和图像全局特征O针对的是识别目标-水下基础的损伤因素，对于铁路桥梁水下基础的损伤识别场景而言具有高度的针对性，并非是传统图像增强处理所关注的内容。
步骤S103，在水下基础光学图像P的基础上，融合光谱谱间方差V、局部特征L和图像全局特征O，得到光学增强图像M；
而在得到了水下基础光学图像P及其相关的光谱谱间方差V、局部特征L和图像全局特征O者三种图像特征后，则可以将这四者进行融合，得到细节获得了明显增强的图像，本申请将此时的图像记为光学增强图像M。
步骤S104，在光学增强图像M中识别水下基础损伤，得到铁路桥梁水下基础的水下基础损伤识别结果。
而在获得了图像细节得到了显著增强的光学增强图像M后，则可以通过配置的图像识别策略，来识别图像中包含的水下基础损伤，从而可以获得铁路桥梁水下基础的水下基础损伤识别结果。
其中，应当理解，此处的识别处理，是可以直接采用现有技术的识别方案的，当然，也可以采用进行进一步优化设计后的识别方案。
从以上的实施例内容可以看出，针对于铁路桥梁水下基础的损伤识别处理，本申请在获取到铁路桥梁水下基础的水下基础光学图像P后，提取其光谱谱间方差V、局部特征L和图像全局特征O，并由四者融合得到光学增强图像M，如此通过三个方面的图像特征来增强水下基础光学图像P的图像细节，有效避免光吸收和光散射带来的影响，为后续的水下基础损伤识别提供强有力的数据支持，进而可以获得损失识别效果显著提升的水下基础损伤识别结果，有助于实现更为稳定、高效、精确的铁路桥梁水下基础的健康诊断工作。
继续对上述图1所示实施例的各个步骤及其在实际应用中可能的实现方式进行详细阐述。
在图像增强过程中，为了更直观地观察光学增强图，本申请还可具体进一步的图像增强处理，具体的，作为一种适于实用的实现方式，步骤S104之前，本申请方法还可以包括如下步骤：
将像素级的能量差特性与光学增强图M的三维等高线图相结合。
可以理解，通过此处等高线特征的设置，采用光学三维(3D)高程技术进行处理后，可以有效地突出和澄清损伤区域的高程位置，如此可以为水下基础的损伤识别需求获得更为针对性的、丰富的图像细节。
为更为形象地理解此处设置，还可以参考图5示出的本申请光学增强图像的一种场景示意图，对应于前面图3的光学图像，在图5中，a为常规水下基础光学图像对应的光学增强图像，b为对应的伪彩色图，c则是本申请增强后的光学增强图像M，可以清晰地看到，本申请光学增强图像M能够明显观察损伤区域的凸起或者凹陷状态。
此外，对于前面图像增强过程中涉及的三种图像特征，即光谱谱间方差V、局部特征L和图像全局特征O三者，结合图6示出的本申请图像特征的一种场景示意图，三者各自具体的实现方式，可以通过以下内容来实现。
1.光谱谱间方差V，即每个点红绿蓝光谱信道强度的方差，具体可以采用下式进行量化：
其中，Sr(i,j)为图像中第i行第j列个像素点对应的红色信道强度，S(i,j)为水下基础光学图像中第i行第j列个像素点对应的红色信道强度、绿色信道强度和蓝色信道强度之和，Sg(i,j)为图像中第i行第j列个像素点对应的绿色信道强度，Sb(i,j)为图像中第i行第j列个像素点对应的蓝色信道强度。
对应于前面图3的光学图像，通过此处的具体量化方式所获得的光谱谱间方差V，可以参考图6中的a部分。
2.局部特征L具体可以采用下式进行量化：
其中，Ω为搜索窗，Ω以单像素为步长扫描整个图像，Sr(i,j)为图像中第i行第j列个像素点对应的红色信道强度。
此处设置中，本申请具体利用水下基础光学图像P中的长波长信息，来表征图像的局部特征，并通过建立图像搜索窗口Ω，来搜索扫描整个水下基础光学图像P在搜索窗区域内长波长(红光)信息强度最大值与最小值的差。
对应于前面图3的光学图像，通过此处的具体量化方式所获得的局部特征L，可以参考图6中的b部分。
3.图像全局特征O具体可以采用下式进行量化：
其中，I为图像像素点的行数，J为图像像素点的列数，Sb(i,j)为图像中第i行第j列个像素点对应的蓝色信道强度。
在此处设置中，本申请具体利用短波长光学信息的衰减性最弱的特点，提取水下基础场景中短波长(蓝光)信息，来计算短波长信息的全局对比度，形成显著的全局差异性特征。
对应于前面图3的光学图像，通过此处的具体量化方式所获得的图像全局特征O，可以参考图6中的c部分。
可以看到，对于上述三种特征量化方案，本申请针对了不同波长分量图像的明显图像差异特征，构建了水下光学图像结构的光谱方差、局部特征和全局特征的表示方案，如此后续则可以通过多元数据融合方案，将这几种图像特征有机融合，以对应于水下基础的损伤识别需求，增强水下结构的光学图像细节/质量。
为进一步方便理解本申请图像增强所取得的优异性能，还可以借助以下一组实例进行理解。
参阅图7示出的本申请光学增强图像M的一种场景示意图，其示出了某一个实际水下基础项目中通过本申请所获得的6组光学增强图像M，接着，通过客观评价图像质量指标来对处理后的图像进行定量分析，合理充分地验证本文增强算法的有效性常用的评价指标有：均方根误差(MSE)、峰值信噪比(PSNR)、结构相似性(SSIM)和图像信息熵(IIE)。为了验证本申请(图像以“本文方法”指代)的优越性，选取常规图像识别中的直方均衡增强法和对比度增强法处理后的结果作为对比数据，与本申请处理后的结果进行对比，其结果可以参考图8示出的本申请图像评价指标对比柱状图的一种场景示意图。
通常情况下，均方根误差MSE越小，峰值信噪比PSNR越大，说明图像处理效果越好；对于结构相似性SSIM来说，越接近1,表明两幅图像的相似性越大，图像信息熵IIE的数值越大说明图像包含的信息量越大；图像信息熵IIE的数值越大说明图像包含的信息量越大。
从图8中可以看出，本申请图像增强处理后的均方根误差均小于传统的直方均衡增强法和对比度增强法，本申请图像增强处理后的峰值信噪比均大于传统的直方均衡增强法和对比度增强法，说明本申请考虑多种图像特征构建的增强图像模型增强图像效果更好。另外，采用本申请图像增强处理后的结构相似性更接近1，且图像信息熵的数值更大，说明本申请考虑多种图像特征构建的增强图像与原始图像更近，形似性更高，且包含的信息量更大。
这进一步说明了采用本申请图像增强处理在改善水下图像对比度、色偏等方面更具有优势。从图8中可以看出，本申请图像增强处理比传统算法的干扰噪声更小，更加接近真实情况，说明本申请图像增强处理更能够有效地实现损伤区域的精准识别。如此，通过测试分析表明，本申请能够有效避免光吸收和光散射带来的影响，改善水下光学图像中损伤区域的识别能力，提高水下基础表面损伤的可辨认度，能够为铁路桥梁水下基础的健康诊断提供更有效的数据支撑。
此外，在光学增强图像处理之后的水下基础损伤识别，本申请也提供了具体的实现方式。
作为又一种适于实用的实现方式，为了从水下基础图像M中识别出基础损伤，首先需要将水下基础图像M中的损伤区域和非损伤区域划分开，该处理可以通过图像分割处理实现，此处本申请引入了灰度阈值变换分割图像处理，用灰度阈值变换分割图像，即阈值分割，它的基本思想是确定一个阈值，然后把每个像素点的灰度值和阈值进行比较，根据比较结果把像素点划分为前景或者背景。
具体的，步骤S104在光学增强图像M中识别水下基础损伤，得到铁路桥梁水下基础的水下基础损伤识别结果的过程中，可以包括：
利用灰度阈值变换分割图像处理，在光学增强图像M中识别水下基础损伤，其中，灰度阈值变换分割图像处理包括以下内容：
将灰度值M(i，j)＜T的图像像素点(i，j)记为背景点，将灰度值M(i，j)＜T的图像像素点(i，j)记为对象点(即孔壁上的损伤)，每个通道上的阈值分割为：
其中，G(i，j)为阈值处理后的图像，标注为0的像素点对应背景，标注为1的像素点对应于检测对象，T为像素阈值；
最大类间方差法是阈值分割中较为常用的方法之一，最大类间方差法原理简单、处理速度较快，但是对于实际图像并不能够很好的适应。水下基础光学图像中的损伤灰度值与非损伤区域的灰度值存在一定差异，损伤的分界边缘处相邻像素点灰度值变化较大，因此，可以利用梯度来表示损伤边缘处的不连续性，梯度定义为：
其中，Gx，Gy为近似的一阶偏导数，幅度值大小为：
为了锐化结构面区域以及更好的实现图像分割，本申请将梯度算子与最大类间方差法相结合进行图像分割，来实现基础损伤区域的识别。首先通过Canny算子初步确定图像的边缘点，再根据x方向和y方向，使用下式所示的Sobel卷积模板Px、Py对图像的灰度图进行卷积，得到x方向的梯度Gx以及y方向的梯度Gy，
继续通过下式得到每个像素点的方位角γ(x,y)：
其中，atan2(Gx，Gy)表示四象限反正切函数；
将方位角γ(x,y)划分到D1～D8的8个方向区间，此处8个方向区间可以参考图9示出的本申请方位角区间划分的一种场景示意图，并利用最大类间方差法获取阈值T，针对每一个边缘点Q(x,y)，沿其方位角反向延长线的区间方向获取L个点，当Q(x,y)满足下式时，则边缘抑制：
其中，255T为阈值T的反归一化结果，上式表示当边缘点Q(x,y)对应区间内获取L个点的灰度值均小于255T时，判定其为干扰物边缘点，完成整张图像的二值化处理后得到水下基础损伤识别结果。
为方便理解此处的水下基础损伤识别效果，对应于前面图3的光学图像，还可以参考图10示出的本申请水下基础损伤识别结果的一种场景示意图，其中，本申请总共能从背景中分离出53个对象区域。
此外，在识别出损伤区域的水下基础损伤识别结果中，还可以进行具体损伤类型的内容，而这就意味着还可以涉及到损伤类型的识别。
例如，损伤区域主要包含了裂缝损伤和孔洞型损伤这两种类型，在具体分析中，可以将损伤分为裂缝型损伤和孔洞型损伤，若图像中的损伤区域的长宽比大于某一固定值，则认为该损伤为裂缝型损伤，其对应的表达式为：
其中，DA为背景图像中分离出来的对象区域，DAi表示第i个需要分析的对象区域，Li表示第i个区域的最大外接圆半径，Wi表示第i个区域的最小外接圆半径，T为阈值，需要根据实际情况进行选择，若将T选为20，图8示出的水下基础损伤区域，则可以分成上面的裂缝型损伤区域和下面的孔洞型损伤区域。
此外，作为水下基础损伤识别又一种适于实用的实现方式，提取光学图像的损伤区域是对表示水下结构的光学图像进行二值化的过程，该二值化过程涉及根据不同的阈值选择方法(直方图阈值法、迭代法和大津法)对图像进行阈值分割。
对应的，步骤S104在光学增强图像M中识别水下基础损伤，得到铁路桥梁水下基础的水下基础损伤识别结果的过程中，可以包括：
利用基于阈值选择方法的二值化处理，在光学增强图像M中识别水下基础损伤，基于阈值选择方法的二值化处理依赖于小波变换和大津方法，其中，小波变换可以检测局部突变，这对边缘检测很有吸引力，大津方法则是阈值分割中常用的算法，核心思想是最大化类之间的差异。
具体的，包括以下内容：
通过小波变换结合多尺度信息来检测边缘，平滑函数的一阶导数用作小波函数，设二维平滑函数及二维平滑函数沿x1和x2方向的一阶导数为两个基本小波，对于任何二维函数f(x1，x2)∈L2(R2)，小波变换有两个分量：
沿X1方向，
沿X2方向，
其中，**表示二维卷积，具体含义为以下向量形式：
其中，fs(x1，x2)是f(x1，x2)的图像，通过θa(x1，x2)，上式表明WT(1)和WT(2)分别反映了沿x1和x2方向的图像梯度，通常，a为2j(j∈z)，对应的向量公式为：
其中，此式表示f(x1，x2)的二进小波变换，f(x1，x2)的模量为：
Mod[WTf(2j,x1,x2)]＝[|WT(1)f(2j,x1,x2)|2+|WT(2)f(2j,x1,x2)|2]，
f(x1，x2)与x1方向的角度为：
大津方法根据图像自动生成最佳分割阈值。
此外，为了在光学增强图像M中搜索和可视化水下结构的损伤区域，实际情况下还有必要缩放感兴趣的区域。而在量化损伤区域必须校准光学图像大小，即每个像素的大小，以便在损伤区域的定量表征期间在像素级获得实际大小。
在校准过程中，通常选择光学图像的特征尺寸或易于识别的位置，并将其与尺寸为m的实际设计数据结构进行比较，通过选择水下基础光学图像P中多个位置的平均值来获得表示物体宽度的像素数，这些平均值与从实际尺寸s的真实图像中获得的像素进行比较，使用相同的方法。考虑到实际观测的图像缩放和变形，必须考虑实际缩放值以获得缩放像素大小值Sx，表示为：
而对于水下基础损伤识别结果，其具体还可以涉及估计最大连续长度L、平均宽度K和损伤面积A，三者的处理过程中可以包括以下内容：
缩放感兴趣的区域时采用的缩放像素大小值记为Sx；
统计计算受损区域外轮廓上最远两点之间的像素数Nl，受损图像中第e个区域的最大连续长度表示为：
L(e)＝Nl·Sx；
通过最大圆搜索法计算损伤区域的平均半径，然后获得最大圆直径的平均值，损伤区域的中心轴节点考虑在圆的中心，通过增加搜索圆的半径，直到弧的边界接触损伤区域的像素，搜索圆是损伤区域的最大内接圆，如果最大内切圆半径涉及Nr个像素，则损伤图像中第e个区域的平均宽度表示为：
其中，E是损伤区域的总数；
如果损伤区域是某个陷阱区域内的闭合区域，在填充损伤区域轮廓后，对每个特征参数进行标记，损伤区域是划分为n×n个区域的相应损伤区域网格中的像素总和，每行最左边的点是P(xi，yij)，最右边的点是Q(xi，yij′)，则网格中包含的像素是yij-yij′+1，损伤区域的总面积为：
计算损伤区域的面积时不考虑最左侧和最左侧点之间的对应关系，因此可以分别计算网格中每行最左侧和最右侧的像素坐标。
因此，面积计算过程中最关键的步骤是判断边界点类型，边界点类型可以由等高线的入口和出口确定链码，其中根据顺时针轮廓设置左右边界确定表。
以上是本申请提供的铁路桥梁水下基础损伤识别方法的介绍，为便于更好的实施本申请提供的铁路桥梁水下基础损伤识别方法，本申请还从功能模块角度提供了一种铁路桥梁水下基础损伤识别装置。
参阅图11，图11为本申请铁路桥梁水下基础损伤识别装置的一种结构示意图，在本申请中，铁路桥梁水下基础损伤识别装置1100具体可包括如下结构：
获取单元1101，用于获取铁路桥梁水下基础的水下基础光学图像P；
提取单元1102，用于提取水下基础光学图像P的光谱谱间方差V、局部特征L和图像全局特征O；
融合单元1103，用于在水下基础光学图像P的基础上，融合光谱谱间方差V、局部特征L和图像全局特征O，得到光学增强图像M；
识别单元1104，用于在光学增强图像M中识别水下基础损伤，得到铁路桥梁水下基础的水下基础损伤识别结果。
在一种示例性的实现方式中，融合单元1103，还用于：
将像素级的能量差特性与光学增强图M的三维等高线图相结合。
在又一种示例性的实现方式中，光谱谱间方差V采用下式进行量化：
其中，Sr(i,j)为图像中第i行第j列个像素点对应的红色信道强度，S(i,j)为水下基础光学图像中第i行第j列个像素点对应的红色信道强度、绿色信道强度和蓝色信道强度之和，Sg(i,j)为图像中第i行第j列个像素点对应的绿色信道强度，Sb(i,j)为图像中第i行第j列个像素点对应的蓝色信道强度。
在又一种示例性的实现方式中，局部特征L采用下式进行量化：
其中，Ω为搜索窗，Ω以单像素为步长扫描整个图像，Sr(i,j)为图像中第i行第j列个像素点对应的红色信道强度。
在又一种示例性的实现方式中，图像全局特征O采用下式进行量化：
其中，I为图像像素点的行数，J为图像像素点的列数，Sb(i,j)为图像中第i行第j列个像素点对应的蓝色信道强度。
在又一种示例性的实现方式中，识别单元1104，具体用于：
利用灰度阈值变换分割图像处理，在光学增强图像M中识别水下基础损伤，灰度阈值变换分割图像处理包括以下内容：
将灰度值M(i，j)＜T的图像像素点(i，j)记为背景点，将灰度值M(i，j)＜T的图像像素点(i，j)记为对象点，每个通道上的阈值分割为：
其中，G(i，j)为阈值处理后的图像，标注为0的像素点对应背景，标注为1的像素点对应于检测对象，T为像素阈值；
利用梯度来表示损伤边缘处的不连续性，梯度定义为：
其中，Gx，Gy为近似的一阶偏导数，幅度值大小为：
首先通过Canny算子初步确定图像的边缘点，再根据x方向和y方向，使用下式所示的Sobel卷积模板Px、Py对图像的灰度图进行卷积，得到x方向的梯度Gx以及y方向的梯度Gy，
继续通过下式得到每个像素点的方位角γ(x,y)：
其中，atan2(Gx，Gy)表示四象限反正切函数；
将方位角γ(x,y)划分到D1～D8的8个方向区间，并利用最大类间方差法获取阈值T，针对每一个边缘点Q(x,y)，沿其方位角反向延长线的区间方向获取L个点，当Q(x,y)满足下式时，则边缘抑制：
其中，255T为阈值T的反归一化结果，上式表示当边缘点Q(x,y)对应区间内获取L个点的灰度值均小于255T时，判定其为干扰物边缘点，完成整张图像的二值化处理后得到水下基础损伤识别结果。
在又一种示例性的实现方式中，识别单元1104，具体用于：
利用基于阈值选择方法的二值化处理，在光学增强图像M中识别水下基础损伤，其中，基于阈值选择方法的二值化处理依赖于小波变换和大津方法，包括以下内容：
通过小波变换结合多尺度信息来检测边缘，平滑函数的一阶导数用作小波函数，设二维平滑函数及二维平滑函数沿x1和x2方向的一阶导数为两个基本小波，对于任何二维函数f(x1，x2)∈L2(R2)，小波变换有两个分量：
沿X1方向，
沿X2方向，
其中，**表示二维卷积，具体含义为以下向量形式：
其中，fs(x1，x2)是f(x1，x2)的图像，通过θa(x1，x2)，WT(1)和WT(2)分别反映了沿x1和x2方向的图像梯度，a为2j(j∈z)，对应的向量公式为：
其中，表示f(x1，x2)的二进小波变换，f(x1，x2)的模量为：
Mod[WTf(2j，x1，x2)]＝[|WT(1)f(2j,x1，x2)|2+|WT(2)f(2j，x1，x2)|2]，
f(x1，x2)与x1方向的角度为：
大津方法根据图像自动生成最佳分割阈值。
本申请还从硬件结构角度提供了一种处理设备，参阅图12，图12示出了本申请处理设备的一种结构示意图，具体的，本申请处理设备可包括处理器1201、存储器1202以及输入输出设备1203，处理器1201用于执行存储器1202中存储的计算机程序时实现如图1对应实施例中铁路桥梁水下基础损伤识别方法的各步骤；或者，处理器1201用于执行存储器1202中存储的计算机程序时实现如图11对应实施例中各单元的功能，存储器1202用于存储处理器1201执行上述图1对应实施例中铁路桥梁水下基础损伤识别方法所需的计算机程序。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1202中，并由处理器1201执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
处理设备可包括，但不仅限于处理器1201、存储器1202、输入输出设备1203。本领域技术人员可以理解，示意仅仅是处理设备的示例，并不构成对处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如处理设备还可以包括网络接入设备、总线等，处理器1201、存储器1202、输入输出设备1203等通过总线相连。
处理器1201可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是处理设备的控制中心，利用各种接口和线路连接整个设备的各个部分。
存储器1202可用于存储计算机程序和/或模块，处理器1201通过运行或执行存储在存储器1202内的计算机程序和/或模块，以及调用存储在存储器1202内的数据，实现计算机装置的各种功能。存储器1202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据处理设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1201用于执行存储器1202中存储的计算机程序时，具体可实现以下功能：
获取铁路桥梁水下基础的水下基础光学图像P；
提取水下基础光学图像P的光谱谱间方差V、局部特征L和图像全局特征O；
在水下基础光学图像P的基础上，融合光谱谱间方差V、局部特征L和图像全局特征O，得到光学增强图像M；
在光学增强图像M中识别水下基础损伤，得到铁路桥梁水下基础的水下基础损伤识别结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的铁路桥梁水下基础损伤识别装置、处理设备及其相应单元的具体工作过程，可以参考如图1对应实施例中铁路桥梁水下基础损伤识别方法的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1对应实施例中铁路桥梁水下基础损伤识别方法的步骤，具体操作可参考如图1对应实施例中铁路桥梁水下基础损伤识别方法的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(Read Only Memory，ROM)、随机存取记忆体(Random Access Memory，RAM)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1对应实施例中铁路桥梁水下基础损伤识别方法的步骤，因此，可以实现本申请如图1对应实施例中铁路桥梁水下基础损伤识别方法所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请提供的铁路桥梁水下基础损伤识别方法、装置、处理设备以及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (7)

1.一种铁路桥梁水下基础损伤识别方法，其特征在于，所述方法包括：
获取铁路桥梁水下基础的水下基础光学图像P；
提取所述水下基础光学图像P的光谱谱间方差V、局部特征L和图像全局特征O；
在所述水下基础光学图像P的基础上，融合所述光谱谱间方差V、所述局部特征L和所述图像全局特征O，得到光学增强图像M；
在所述光学增强图像M中识别水下基础损伤，得到所述铁路桥梁水下基础的水下基础损伤识别结果；
所述在所述光学增强图像M中识别水下基础损伤，得到所述铁路桥梁水下基础的水下基础损伤识别结果之前，所述方法还包括：
将像素级的能量差特性与所述光学增强图像M的三维等高线图相结合；
所述在所述光学增强图像M中识别水下基础损伤，得到所述铁路桥梁水下基础的水下基础损伤识别结果，包括：
利用灰度阈值变换分割图像处理，在所述光学增强图像M中识别水下基础损伤，所述灰度阈值变换分割图像处理包括以下内容：
将灰度值M(i，j)＜T的图像像素点(i，j)记为背景点，将所述灰度值M(i，j)＜T的图像像素点(i，j)记为对象点，每个通道上的阈值分割为：
其中，G(i，j)为阈值处理后的图像，标注为0的像素点对应背景，标注为1的像素点对应于检测对象，T为像素阈值；
利用梯度来表示损伤边缘处的不连续性，梯度定义为：
其中，Gx，Gy为近似的一阶偏导数，幅度值大小为：
首先通过Canny算子初步确定图像的边缘点，再根据x方向和y方向，使用下式所示的Sobel卷积模板Px、Py对图像的灰度图进行卷积，得到x方向的梯度Gx以及y方向的梯度Gy，
继续通过下式得到每个像素点的方位角γ(x,y)：
其中，atan2(Gx，Gy)表示四象限反正切函数；
将所述方位角γ(x,y)划分到D1～D8的8个方向区间，并利用最大类间方差法获取阈值T，针对每一个边缘点Q(x,y)，沿其方位角反向延长线的区间方向获取L个点，当Q(x,y)满足下式时，则边缘抑制：
其中，255T为阈值T的反归一化结果，上式表示当所述边缘点Q(x,y)对应区间内获取L个点的灰度值均小于255T时，判定其为干扰物边缘点，完成整张图像的二值化处理后得到所述水下基础损伤识别结果；
或者，所述在所述光学增强图像M中识别水下基础损伤，得到所述铁路桥梁水下基础的水下基础损伤识别结果，包括：
利用基于阈值选择方法的二值化处理，在所述光学增强图像M中识别水下基础损伤，其中，所述基于阈值选择方法的二值化处理依赖于小波变换和大津方法，包括以下内容：
通过所述小波变换结合多尺度信息来检测边缘，平滑函数的一阶导数用作小波函数，设二维平滑函数及所述二维平滑函数沿x1和x2方向的一阶导数为两个基本小波，对于任何二维函数f(x1，x2)∈L2(R2)，所述小波变换有两个分量：
沿X1方向，
沿X2方向，
其中，**表示二维卷积，具体含义为以下向量形式：
其中，WT(1)和WT(2)分别反映了沿x1和x2方向的图像梯度，a为2j(j∈z)，对应的向量公式为：
其中，表示f(x1，x2)的二进小波变换，f(x1，x2)的模量为：
f(x1，x2)与x1方向的角度为：
大津方法根据图像自动生成最佳分割阈值。
2.根据权利要求1所述的方法，其特征在于，所述光谱谱间方差V采用下式进行量化：
其中，Sr(i,j)为图像中第i行第j列个像素点对应的红色信道强度，S(i,j)为水下基础光学图像中第i行第j列个像素点对应的红色信道强度、绿色信道强度和蓝色信道强度之和，Sg(i,j)为图像中第i行第j列个像素点对应的绿色信道强度，Sb(i,j)为图像中第i行第j列个像素点对应的蓝色信道强度。
3.根据权利要求1所述的方法，其特征在于，所述局部特征L采用下式进行量化：
其中，Ω为搜索窗，Ω以单像素为步长扫描整个图像，Sr为图像中第i行第j列个像素点对应的红色信道强度。
4.根据权利要求1所述的方法，其特征在于，所述图像全局特征O采用下式进行量化：
其中，I为图像像素点的行数，J为图像像素点的列数，Sb(i,j)为图像中第i行第j列个像素点对应的蓝色信道强度。
5.一种铁路桥梁水下基础损伤识别装置，其特征在于，所述装置包括：
获取单元，用于获取铁路桥梁水下基础的水下基础光学图像P；
提取单元，用于提取所述水下基础光学图像P的光谱谱间方差V、局部特征L和图像全局特征O；
融合单元，用于在所述水下基础光学图像P的基础上，融合所述光谱谱间方差V、所述局部特征L和所述图像全局特征O，得到光学增强图像M；
识别单元，用于在所述光学增强图像M中识别水下基础损伤，得到所述铁路桥梁水下基础的水下基础损伤识别结果；
所述融合单元，还用于：
将像素级的能量差特性与所述光学增强图像M的三维等高线图相结合；
所述识别单元，具体用于：
利用灰度阈值变换分割图像处理，在所述光学增强图像M中识别水下基础损伤，所述灰度阈值变换分割图像处理包括以下内容：
将灰度值M(i，j)＜T的图像像素点(i，j)记为背景点，将所述灰度值M(i，j)＜T的图像像素点(i，j)记为对象点，每个通道上的阈值分割为：
其中，G(i，j)为阈值处理后的图像，标注为0的像素点对应背景，标注为1的像素点对应于检测对象，T为像素阈值；
利用梯度来表示损伤边缘处的不连续性，梯度定义为：
其中，Gx，Gy为近似的一阶偏导数，幅度值大小为：
首先通过Canny算子初步确定图像的边缘点，再根据x方向和y方向，使用下式所示的Sobel卷积模板Px、Py对图像的灰度图进行卷积，得到x方向的梯度Gx以及y方向的梯度Gy，
继续通过下式得到每个像素点的方位角γ(x,y)：
其中，atan2(Gx，Gy)表示四象限反正切函数；
将所述方位角γ(x,y)划分到D1～D8的8个方向区间，并利用最大类间方差法获取阈值T，针对每一个边缘点Q(x,y)，沿其方位角反向延长线的区间方向获取L个点，当Q(x,y)满足下式时，则边缘抑制：
其中，255T为阈值T的反归一化结果，上式表示当所述边缘点Q(x,y)对应区间内获取L个点的灰度值均小于255T时，判定其为干扰物边缘点，完成整张图像的二值化处理后得到所述水下基础损伤识别结果；
或者，所述识别单元，具体用于：
利用基于阈值选择方法的二值化处理，在所述光学增强图像M中识别水下基础损伤，其中，所述基于阈值选择方法的二值化处理依赖于小波变换和大津方法，包括以下内容：
通过所述小波变换结合多尺度信息来检测边缘，平滑函数的一阶导数用作小波函数，设二维平滑函数及所述二维平滑函数沿x1和x2方向的一阶导数为两个基本小波，对于任何二维函数f(x1，x2)∈L2(R2)，所述小波变换有两个分量：
沿X1方向，
沿X2方向，
其中，**表示二维卷积，具体含义为以下向量形式：
其中，WT(1)和WT(2)分别反映了沿x1和x2方向的图像梯度，a为2j(j∈z)，对应的向量公式为：
其中，表示f(x1，x2)的二进小波变换，f(x1，x2)的模量为：
f(x1，x2)与x1方向的角度为：
大津方法根据图像自动生成最佳分割阈值。
6.一种处理设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至4任一项所述的方法。
CN202310232996.8A 2023-03-13 2023-03-13 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备 Active CN116630225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310232996.8A CN116630225B (zh) 2023-03-13 2023-03-13 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310232996.8A CN116630225B (zh) 2023-03-13 2023-03-13 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备

Publications (2)

Publication Number Publication Date
CN116630225A CN116630225A (zh) 2023-08-22
CN116630225B true CN116630225B (zh) 2024-05-14

Family

ID=87640593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310232996.8A Active CN116630225B (zh) 2023-03-13 2023-03-13 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备

Country Status (1)

Country Link
CN (1) CN116630225B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117053852B (zh) * 2023-10-11 2024-01-12 中交第一航务工程局有限公司 一种水下结构的光学测量矫正方法及系统
CN117733819B (zh) * 2024-02-21 2024-05-14 太原工业学院 一种用于电厂的智能巡检机器人运行方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020605A (zh) * 2012-12-28 2013-04-03 北方工业大学 基于决策层融合的桥梁识别方法
CN109410228A (zh) * 2018-08-22 2019-03-01 南京理工大学 基于多尺度数学形态学特征融合的海洋内波检测算法
CN109523479A (zh) * 2018-11-10 2019-03-26 东莞理工学院 一种桥墩表面缝隙视觉检测方法
CN111948215A (zh) * 2020-08-11 2020-11-17 水利部交通运输部国家能源局南京水利科学研究院 基于光学成像的水下构筑物探伤方法
CN114926387A (zh) * 2022-01-27 2022-08-19 中北大学 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020605A (zh) * 2012-12-28 2013-04-03 北方工业大学 基于决策层融合的桥梁识别方法
CN109410228A (zh) * 2018-08-22 2019-03-01 南京理工大学 基于多尺度数学形态学特征融合的海洋内波检测算法
CN109523479A (zh) * 2018-11-10 2019-03-26 东莞理工学院 一种桥墩表面缝隙视觉检测方法
CN111948215A (zh) * 2020-08-11 2020-11-17 水利部交通运输部国家能源局南京水利科学研究院 基于光学成像的水下构筑物探伤方法
CN114926387A (zh) * 2022-01-27 2022-08-19 中北大学 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于数学形态学和小波变换的图像边缘检测的研究;孙涛;《中国优秀硕士学位论文全文数据库信息科技辑》(第03期);正文第2、4章 *
孔壁钻孔图像的结构面参数提取方法研究;汪进超等;《岩土力学》;第38卷(第10期);第3074-3080页 *

Also Published As

Publication number Publication date
CN116630225A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN116630225B (zh) 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
WO2018107939A1 (zh) 一种基于边缘完备度的图像分割最优识别方法
Mustafa et al. A SVM-based diagnosis of melanoma using only useful image features
Sun et al. Fast linear feature detection using multiple directional non‐maximum suppression
Shu et al. Shoreline extraction from RADARSAT-2 intensity imagery using a narrow band level set segmentation approach
CN104809452A (zh) 一种指纹识别方法
CN104540445A (zh) 图像处理装置、图像处理方法、程序和图像处理系统
CN107808161A (zh) 一种基于光视觉的水下目标识别方法
CN109492543A (zh) 红外图像的小目标检测方法与系统
Wang et al. Multi‐modal image fusion based on saliency guided in NSCT domain
Abdulkareem et al. Mapping and Deep Analysis of Image Dehazing: Coherent Taxonomy, Datasets, Open Challenges, Motivations, and Recommendations.
Lijun et al. Geo‐information mapping improves Canny edge detection method
Adu-Gyamfi et al. Functional evaluation of pavement condition using a complete vision system
CN104504711A (zh) 一种基于圆形轮廓图极性的血管图像处理方法
Akther et al. Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm
Muzammil et al. Application of image processing techniques for the extraction of vehicle number plates over ARM target board
Kumar et al. An efficient algorithm for text localization and extraction in complex video text images
Abraham et al. Unsupervised building extraction from high resolution satellite images irrespective of rooftop structures
CN110472472B (zh) 基于sar遥感图像的机场检测方法与装置
Pécot et al. Non parametric cell nuclei segmentation based on a tracking over depth from 3d fluorescence confocal images
CN110689549B (zh) 对象提取方法、装置和设备
Tripathi et al. Shape and color features based airport runway detection
CN118097581B (zh) 一种道路边缘识别控制方法及装置
Anari et al. Automatic extraction of positive cells in pathology images of meningioma based on the maximal entropy principle and HSV color space

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Gang

Inventor after: Ma Yuangang

Inventor after: Zhao Long

Inventor after: Jiang Gan

Inventor after: Wang Ziyu

Inventor after: Li Hongyou

Inventor after: Tan Sui

Inventor after: Sun Lianfeng

Inventor after: Wang Xiang

Inventor after: Chen Gang

Inventor after: Mao Jianfeng

Inventor after: Peng Xumin

Inventor after: Li Yunyou

Inventor after: Zhou Feng

Inventor before: Zhang Gang

Inventor before: Ma Yuangang

Inventor before: Zhao Long

Inventor before: Jiang Gan

Inventor before: Wang Ziyu

Inventor before: Li Hongyou

Inventor before: Chen Gang

Inventor before: Sun Lianfeng

Inventor before: Wang Xiang

Inventor before: Tan Sui

Inventor before: Mao Jianfeng

Inventor before: Peng Xumin

Inventor before: Li Yunyou

Inventor before: Zhou Feng

GR01 Patent grant
GR01 Patent grant