CN116703754A - 用于检测建筑供水管道裂痕的图像增强方法 - Google Patents

用于检测建筑供水管道裂痕的图像增强方法 Download PDF

Info

Publication number
CN116703754A
CN116703754A CN202310540754.5A CN202310540754A CN116703754A CN 116703754 A CN116703754 A CN 116703754A CN 202310540754 A CN202310540754 A CN 202310540754A CN 116703754 A CN116703754 A CN 116703754A
Authority
CN
China
Prior art keywords
target
region
area
pixel point
pipeline
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310540754.5A
Other languages
English (en)
Inventor
范丰
詹海霞
吕为军
谭春清
张恩菊
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.)
Jining Zhicheng Property Management Co ltd
Original Assignee
Jining Zhicheng Property Management Co 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 Jining Zhicheng Property Management Co ltd filed Critical Jining Zhicheng Property Management Co ltd
Priority to CN202310540754.5A priority Critical patent/CN116703754A/zh
Publication of CN116703754A publication Critical patent/CN116703754A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10116—X-ray image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及用于检测建筑供水管道裂痕的图像增强方法，该方法包括：获取待检测裂痕情况的目标供水管道的X射线探伤图像，并对X射线探伤图像进行阈值分割；对目标管道区域图像进行自适应均匀分割；对分割区域集合进行高斯模糊处理；对目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理；确定目标分割区域对应的增强系数；对各个目标分割区域进行增强，生成目标增强图像。本发明通过对X射线探伤图像进行图像数据处理，实现了对X射线探伤图像的增强，并解决了图像增强效果低下的技术问题，提高了图像增强效果，主要应用于图像增强。

Description

用于检测建筑供水管道裂痕的图像增强方法
本发明是名称为“用于检测建筑供水管道裂痕的图像增强方法”的发明专利申请的分案申请，母案的申请号为202310009477.5，申请日为2023年01月05日。
技术领域
本发明涉及图像数据处理技术领域，具体涉及用于检测建筑供水管道裂痕的图像增强方法。
背景技术
由于建筑供水管道主要是安装在墙体内部，所以对建筑内的供水管道进行裂痕检测的方法主要是：通过X射线探伤，采集供水管道图像，并根据采集到的供水管道图像，判断供水管道是否存在裂痕。采集的供水管道图像由于受到噪声和墙体结构的影响，往往不能清晰的体现供水管道的细节信息，从而导致根据供水管道图像，对供水管道进行裂痕判断的准确度低下。因此，往往需要对供水管道图像进行图像增强。目前，在进行图像增强时，通常采用的方式为：利用灰度直方图均衡化，对图像进行增强。
然而，当采用灰度直方图均衡化，对供水管道图像进行图像增强时，经常会存在如下技术问题：
由于灰度直方图均衡化往往是按照图像的灰度值分布进行统计学上的图像增强，因此，进行灰度直方图均衡化后的供水管道图像的灰度级往往会减少，往往导致供水管道的一些细节损失，从而导致图像增强效果低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决图像增强效果低下的技术问题，本发明提出了用于检测建筑供水管道裂痕的图像增强方法。
本发明提供了用于检测建筑供水管道裂痕的图像增强方法，该方法包括：
获取目标供水管道的X射线探伤图像；其中，所述目标供水管道是待检测裂痕情况的建筑内的用于供水的管道；
对X射线探伤图像进行阈值分割，得到目标管道区域图像；
根据所述目标管道区域图像中的像素点对应的灰度值，对所述目标管道区域图像进行自适应均匀分割，得到分割区域集合；
对所述分割区域集合进行高斯模糊处理，得到目标分割区域集合；
对所述目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理，得到所述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标；
对于所述目标分割区域集合中的每个目标分割区域，根据所述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，确定所述目标分割区域对应的增强系数；
根据所述目标分割区域集合中的各个目标分割区域对应的增强系数，对各个目标分割区域进行增强，生成目标增强图像；
所述对所述目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理，得到所述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，包括：
根据所述目标分割区域集合中的目标分割区域内各个像素点对应的灰度值，确定每个目标分割区域对应的相关亮度指标；
根据每个目标分割区域中的每个像素点对应的灰度值和预先设置的参考邻域内的各个邻域像素点对应的灰度值的标准差，确定所述像素点对应的像素混乱度；
将所述目标分割区域中的像素点对应的像素混乱度的均值，确定为所述目标分割区域对应的混乱指标；
从所述目标管道区域图像中筛选出目标管道区域的边缘，作为目标管道边缘；
确定所述目标分割区域中的每个像素点与所述目标管道边缘之间的欧式距离，作为所述像素点对应的像素管道距离；
将所述目标分割区域中的像素点对应的像素管道距离的均值，确定为目标分割区域对应的管道距离指标。
进一步的，所述根据所述目标管道区域图像中的像素点对应的灰度值，对所述目标管道区域图像进行自适应均匀分割，得到分割区域集合，包括：
将所述目标管道区域图像等分为预设数目个初始区域，得到初始区域集合；
根据所述初始区域集合中的每个初始区域内像素点对应的灰度值，确定所述初始区域对应的离散程度；
当初始区域对应的离散程度小于或等于预先设置的离散阈值时，将初始区域，确定为分割区域；
当初始区域对应的离散程度大于离散阈值时，将初始区域等分为预设数目个子区域，确定每个子区域对应的离散程度，当子区域对应的离散程度小于或等于离散阈值时，将子区域确定为分割区域，当子区域对应的离散程度大于离散阈值时，将子区域确定为初始区域，重复本步骤，直至初始区域对应的离散程度小于或等于离散阈值，并将初始区域，确定为分割区域。
进一步的，确定所述初始区域对应的离散程度的公式为：
其中，μn是初始区域集合中的第n个初始区域对应的离散程度，N是初始区域集合中的第n个初始区域中像素点的数量，n是初始区域集合中初始区域的序号，是初始区域集合中的第n个初始区域中的第i个像素点对应的灰度值，i是初始区域集合中的第n个初始区域中像素点的序号，/>是初始区域集合中的第n个初始区域中的像素点对应的灰度值的均值。
进一步的，所述根据所述目标分割区域集合中的目标分割区域内各个像素点对应的灰度值，确定每个目标分割区域对应的相关亮度指标，包括：
对于所述目标分割区域集合中的每个目标分割区域，根据目标分割区域与所述目标分割区域集合中除了该目标分割区域之外的目标分割区域之间的欧式距离，从所述目标分割区域集合中筛选出满足距离条件的目标分割区域，作为相邻分割区域，得到该目标分割区域对应的相邻分割区域集合，其中，距离条件为两个目标分割区域之间的欧式距离小于或等于预先设置的距离阈值；
对于所述目标分割区域集合中的每个目标分割区域，将所述目标分割区域对应的相邻分割区域集合中的各个像素点对应的灰度值的均值，确定为所述目标分割区域对应的相邻灰度均值；
将所述目标分割区域集合中的每个目标分割区域内各个像素点对应的灰度值的均值，确定为所述目标分割区域对应的目标灰度均值；
根据所述目标分割区域集合中的每个目标分割区域对应的相邻灰度均值和目标灰度均值，确定所述目标分割区域对应的相关亮度指标。
进一步的，所述根据所述目标分割区域集合中的目标分割区域内各个像素点对应的灰度值，确定每个目标分割区域对应的相关亮度指标，包括：
根据每个目标分割区域中的每个像素点对应的灰度值和预先设置的目标邻域内的各个邻域像素点对应的灰度值，确定所述像素点对应的相对亮度指标；
根据每个目标分割区域中的各个像素点对应的相对亮度指标，确定所述目标分割区域对应的相关亮度指标。
进一步的，所述根据每个目标分割区域中的每个像素点对应的灰度值和预先设置的目标邻域内的各个邻域像素点对应的灰度值，确定所述像素点对应的相对亮度指标，包括：
将所述像素点对应的目标邻域内的邻域像素点对应的灰度值的均值，确定为所述像素点对应的邻域均值；
将所述像素点对应的灰度值和目标邻域均值的比值，确定为所述像素点对应的相对亮度指标，其中，像素点对应的目标邻域均值为该像素点对应的邻域均值与预先设置的大于0的灰度值的和。
进一步的，确定所述目标分割区域对应的增强系数的公式为：
其中，εt是目标分割区域集合中的第t个目标分割区域对应的增强系数，t是目标分割区域集合中目标分割区域的序号，e是自然常数，Lt是目标分割区域集合中的第t个目标分割区域对应的相关亮度指标，δt是目标分割区域集合中的第t个目标分割区域对应的混乱指标，dt是目标分割区域集合中的第t个目标分割区域对应的管道距离指标。
进一步的，所述根据所述目标分割区域集合中的各个目标分割区域对应的增强系数，对各个目标分割区域进行增强，生成目标增强图像，包括：
根据所述目标分割区域中的每个像素点对应的灰度值，确定每个像素点对应的增强灰度值；
确定每个像素点对应的增强灰度值的公式为：
ft,a＝εt×ht,a
其中，ft,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的增强灰度值，t是目标分割区域集合中目标分割区域的序号，a是目标分割区域集合中的第t个目标分割区域中像素点的序号，εt是目标分割区域集合中的第t个目标分割区域对应的增强系数，ht,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的灰度值；
将所述目标分割区域集合中的每个像素点对应的灰度值，更新为每个像素点对应的增强灰度值，得到目标增强图像。
本发明具有如下有益效果：
本发明的用于检测建筑供水管道裂痕的图像增强方法，通过对X射线探伤图像进行图像数据处理，实现了对X射线探伤图像的增强，并解决了图像增强效果低下的技术问题，提高了图像增强效果。首先，获取待检测裂痕情况的目标供水管道的X射线探伤图像，并对X射线探伤图像进行阈值分割，得到目标管道区域图像。由于建筑供水管道往往安装在墙体内部，因此，通过X射线探伤，获取的X射线探伤图像上往往包含目标供水管道的信息，可以便于后续检测目标供水管道的裂痕情况。接着，根据上述目标管道区域图像中的像素点对应的灰度值，对上述目标管道区域图像进行自适应均匀分割，得到分割区域集合。实际情况中，目标管道区域图像各个位置的清晰度往往不同，需要增强的程度往往也不同，因此，对目标管道区域图像进行自适应均匀分割，得到分割区域集合，可以便于后续对分割区域集合中的各个分割区域进行分析，可以便于后续对各个分割区域进行精确的图像增强。然后，对上述分割区域集合进行高斯模糊处理，得到目标分割区域集合。实际情况中，对分割区域集合进行高斯模糊处理，往往可以大幅度的去除分割区域集合中的噪声，可以减少噪声对分割区域集合的影响。之后，对上述目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理，得到上述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标。由于，对目标分割区域的增强程度往往与该目标分割区域的相关亮度、混乱程度和距离管道的远近有关。因此，确定目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，可以便于后续确定该目标分割区域对应的增强系数。而后，对于上述目标分割区域集合中的每个目标分割区域，根据上述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，确定上述目标分割区域对应的增强系数。综合考虑目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，可以提高目标分割区域对应的增强系数确定的准确度。最后，根据上述目标分割区域集合中的各个目标分割区域对应的增强系数，对各个目标分割区域进行增强，生成目标增强图像。因此，本发明通过对X射线探伤图像进行图像数据处理，实现了对X射线探伤图像的增强，相较于现有的直方图均衡化算法来说，对目标管道区域图像进行自适应均匀分割，并进行高斯模糊处理，综合考虑了目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，可以精确的确定不同位置的目标分割区域的增强系数，可以实现对各个目标分割区域进行自适应细节增强，减少了细节损失，从而可以提高图像增强效果。
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和优点，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的介绍，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它附图。
图1为根据本发明的用于检测建筑供水管道裂痕的图像增强方法的流程图；
图2为根据本发明的目标管道区域图像等分示意图；
图3为根据本发明的相邻分割区域示意图。
其中，附图标记包括：目标管道区域图像201、第一初始区域202、第二初始区域203、第三初始区域204、第四初始区域205、第一目标分割区域301、第二目标分割区域302、第三目标分割区域303、第四目标分割区域304、第五目标分割区域305和第六目标分割区域306。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。
本发明提供了用于检测建筑供水管道裂痕的图像增强方法，该方法包括以下步骤：
获取待检测裂痕情况的目标供水管道的X射线探伤图像，并对X射线探伤图像进行阈值分割，得到目标管道区域图像；
根据目标管道区域图像中的像素点对应的灰度值，对目标管道区域图像进行自适应均匀分割，得到分割区域集合；
对分割区域集合进行高斯模糊处理，得到目标分割区域集合；
对目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理，得到目标分割区域对应的相关亮度指标、混乱指标和管道距离指标；
对于目标分割区域集合中的每个目标分割区域，根据目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，确定目标分割区域对应的增强系数；
根据目标分割区域集合中的各个目标分割区域对应的增强系数，对各个目标分割区域进行增强，生成目标增强图像。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的用于检测建筑供水管道裂痕的图像增强方法的一些实施例的流程。该用于检测建筑供水管道裂痕的图像增强方法，包括以下步骤：
步骤S1，获取待检测裂痕情况的目标供水管道的X射线探伤图像，并对X射线探伤图像进行阈值分割，得到目标管道区域图像。
在一些实施例中，可以获取待检测裂痕情况的目标供水管道的X射线探伤图像，并对X射线探伤图像进行阈值分割，得到目标管道区域图像。
其中，目标供水管道可以是待检测裂痕情况的建筑内的用于供水的管道。X射线探伤图像可以是通过X射线探伤得到的目标供水管道的图像。目标管道区域图像可以是目标供水管道所在区域的图像。
作为示例，本步骤可以包括以下步骤：
第一步，获取目标供水管道的X射线探伤图像。
例如，可以通过X射线探伤设备，采集建筑内的目标供水管道的X射线探伤图像。
第二步，对X射线探伤图像进行阈值分割，得到目标管道区域图像。
例如，可以通过大津阈值法，对X射线探伤图像进行分割，分割出的前景，即为目标管道区域图像。
步骤S2，根据目标管道区域图像中的像素点对应的灰度值，对目标管道区域图像进行自适应均匀分割，得到分割区域集合。
在一些实施例中，可以根据上述目标管道区域图像中的像素点对应的灰度值，对上述目标管道区域图像进行自适应均匀分割，得到分割区域集合。
作为示例，本步骤可以包括以下步骤：
第一步，将上述目标管道区域图像等分为预设数目个初始区域，得到初始区域集合。
其中，预设数目可以是预先设置的数目。比如，预设数目可以是4。
例如，当预设数目为4时，如图2所示，可以将目标管道区域图像201等分为4个初始区域，分别为第一初始区域202、第二初始区域203、第三初始区域204和第四初始区域205。
第二步，根据上述初始区域集合中的每个初始区域内像素点对应的灰度值，确定上述初始区域对应的离散程度。
例如，确定初始区域对应的离散程度对应的公式可以为：
其中，μn是初始区域集合中的第n个初始区域对应的离散程度。N是初始区域集合中的第n个初始区域中像素点的数量。n是初始区域集合中初始区域的序号。是初始区域集合中的第n个初始区域中的第i个像素点对应的灰度值。i是初始区域集合中的第n个初始区域中像素点的序号。/>是初始区域集合中的第n个初始区域中的像素点对应的灰度值的均值。
实际情况，初始区域对应的离散程度可以表征该初始区域中的像素点的离散情况。初始区域对应的离散程度越大，往往说明该初始区域中的像素点越离散、混乱、不均匀。因此，可以用初始区域中的像素点对应的灰度值的方差表征该初始区域对应的离散程度。并且，目标管道区域图像中某处区域中的像素点越均匀，往往说明该区域中的像素点越相似，往往可以为该区域中的像素点设置相同的增强系数，因此，确定初始区域对应的离散程度，可以便于得到包含的各个像素点对应的增强系数相同的分割区域。
第三步，当初始区域对应的离散程度小于或等于预先设置的离散阈值时，将初始区域，确定为分割区域。
其中，离散阈值可以是预先设置的初始区域均匀时，所允许的最大的离散程度。例如，离散阈值可以是0.4。
第四步，当初始区域对应的离散程度大于离散阈值时，将初始区域等分为预设数目个子区域，确定每个子区域对应的离散程度，当子区域对应的离散程度小于或等于离散阈值时，将子区域确定为分割区域，当子区域对应的离散程度大于离散阈值时，将子区域确定为初始区域，重复本步骤，直至初始区域对应的离散程度小于或等于离散阈值，并将初始区域，确定为分割区域。
其中，确定子区域对应的离散程度时可以参考确定初始区域对应的离散程度的方法，即可以将子区域确定为初始区域，确定的初始区域对应的离散程度，即为子区域对应的离散程度。
步骤S3，对分割区域集合进行高斯模糊处理，得到目标分割区域集合。
在一些实施例中，可以对上述分割区域集合进行高斯模糊处理，得到目标分割区域集合。
作为示例，可以对分割区域集合中的每个分割区域进行高斯模糊，得到每个分割区域对应的目标分割区域。
作为又一示例，可以对目标管道区域图像进行高斯模糊，得到目标高斯模糊图像。其中，目标管道区域图像中的分割区域，则被高斯模糊为目标分割区域。
步骤S4，对目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理，得到目标分割区域对应的相关亮度指标、混乱指标和管道距离指标。
在一些实施例中，可以对上述目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理，得到上述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述目标分割区域集合中的目标分割区域内各个像素点对应的灰度值，确定每个目标分割区域对应的相关亮度指标。
例如，根据上述目标分割区域集合中的目标分割区域内各个像素点对应的灰度值，确定每个目标分割区域对应的相关亮度指标可以包括以下子步骤：
第一子步骤，对于上述目标分割区域集合中的每个目标分割区域，根据目标分割区域与上述目标分割区域集合中除了该目标分割区域之外的目标分割区域之间的欧式距离，从上述目标分割区域集合中筛选出满足距离条件的目标分割区域，作为相邻分割区域，得到该目标分割区域对应的相邻分割区域集合。
其中，距离条件为两个目标分割区域之间的欧式距离小于或等于预先设置的距离阈值。距离阈值可以是预先设置的两个目标分割区域相邻时，所允许的最大的欧式距离。如，距离阈值可以是0.01。
如图3所示，图3中的矩形可以表征目标分割区域。图3中共有6个目标分割区域，分别为：第一目标分割区域301、第二目标分割区域302、第三目标分割区域303、第四目标分割区域304、第五目标分割区域305和第六目标分割区域306。其中，第一目标分割区域301对应的相邻分割区域集合可以包括：第二目标分割区域302、第三目标分割区域303和第四目标分割区域304。
第二子步骤，对于上述目标分割区域集合中的每个目标分割区域，将上述目标分割区域对应的相邻分割区域集合中的各个像素点对应的灰度值的均值，确定为上述目标分割区域对应的相邻灰度均值。
第三子步骤，将上述目标分割区域集合中的每个目标分割区域内各个像素点对应的灰度值的均值，确定为上述目标分割区域对应的目标灰度均值。
第四子步骤，根据上述目标分割区域集合中的每个目标分割区域对应的相邻灰度均值和目标灰度均值，确定上述目标分割区域对应的相关亮度指标。
比如，确定目标分割区域对应的相关亮度指标对应的公式可以为：
其中，Lt是目标分割区域集合中的第t个目标分割区域对应的相关亮度指标。t是目标分割区域集合中目标分割区域的序号。ht是目标分割区域集合中的第t个目标分割区域对应的目标灰度均值。Ht是目标分割区域集合中的第t个目标分割区域对应的相邻灰度均值。γ是预先设置的大于0的灰度值。γ主要用于防止分母为0。如，γ可以为0.05。
实际情况中，目标分割区域对应的相关亮度指标可以表征该目标分割区域的相对亮度。通过目标分割区域对应的目标灰度均值和相邻灰度均值，确定的相关亮度指标可以表征该目标分割区域相对于相邻分割区域的亮度。目标分割区域相对于相邻分割区域越亮，往往说明该目标分割区域越不需要进行增强，因此，后续该目标分割区域对应的增强系数往往越小。
又如，根据上述目标分割区域集合中的目标分割区域内各个像素点对应的灰度值，确定每个目标分割区域对应的相关亮度指标可以包括以下子步骤：
第一子步骤，根据每个目标分割区域中的每个像素点对应的灰度值和预先设置的目标邻域内的各个邻域像素点对应的灰度值，确定上述像素点对应的相对亮度指标。
其中，目标邻域可以是预先设置的邻域。如，目标邻域可以是八邻域。邻域像素点可以是邻域内的像素点。
比如，根据每个目标分割区域中的每个像素点对应的灰度值和预先设置的目标邻域内的各个邻域像素点对应的灰度值，确定上述像素点对应的相对亮度指标可以包括以下步骤：
首先，将上述像素点对应的目标邻域内的邻域像素点对应的灰度值的均值，确定为上述像素点对应的邻域均值。
接着，将上述像素点对应的灰度值和目标邻域均值的比值，确定为上述像素点对应的相对亮度指标。
其中，像素点对应的目标邻域均值可以为该像素点对应的邻域均值与预先设置的大于0的灰度值的和。
如，确定像素点对应的相对亮度指标对应的公式可以为：
其中，Lt,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的相对亮度指标。t是目标分割区域集合中目标分割区域的序号。a是目标分割区域集合中的第t个目标分割区域中像素点的序号。ht,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的灰度值。Ht,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的邻域均值。γ1是预先设置的大于0的灰度值。γ1主要用于防止分母为0。如，γ1可以为0.02。
实际情况中，像素点对应的相对亮度指标可以表征该像素点的相对亮度。通过像素点对应的灰度值和目标邻域均值，确定的相对亮度指标可以表征该像素点相对于相邻像素点的亮度。像素点相对于相邻像素点的越亮，往往说明该像素点对应的灰度值越不需要进行增强，因此，后续该像素点对应的增强系数往往越小。当目标分割区域中的各个像素点对应的增强系数均越小时，后续该目标分割区域对应的增强系数往往越小。
又如，当目标邻域为八邻域时，可以根据每个目标分割区域中的每个像素点对应的灰度值和八邻域内的各个邻域像素点对应的灰度值，确定上述像素点对应的相对亮度指标对应的公式可以为：
其中，Lij是横坐标为i，纵坐标为j处的像素点对应的相对亮度指标。akl是横坐标为k，纵坐标为l处的像素点对应的灰度值。
实际情况中，像素点对应的相对亮度指标可以表征该像素点的相对亮度。通过像素点对应的灰度值和八邻域内的各个邻域像素点对应的灰度值，确定的相对亮度指标可以表征该像素点所在周围区域的亮度。像素点所在周围区域越亮，往往说明该像素点对应的灰度值越不需要进行增强，因此，后续该像素点对应的增强系数往往越小。当目标分割区域中的各个像素点对应的增强系数均越小时，后续该目标分割区域对应的增强系数往往越小。
第二子步骤，根据每个目标分割区域中的各个像素点对应的相对亮度指标，确定上述目标分割区域对应的相关亮度指标。
比如，确定目标分割区域对应的相关亮度指标对应的公式可以为：
其中，Lt是目标分割区域集合中的第t个目标分割区域对应的相关亮度指标。t是目标分割区域集合中目标分割区域的序号。a是目标分割区域集合中的第t个目标分割区域中像素点的序号。A是目标分割区域集合中的第t个目标分割区域中像素点的数量。Lt,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的相对亮度指标。
实际情况中，当目标分割区域中的各个像素点对应的相对亮度指标越大时，该目标分割区域对应的相关亮度指标往往越大，该目标分割区域对应的增强系数往往越小。
第二步，根据每个目标分割区域中的每个像素点对应的灰度值和预先设置的参考邻域内的各个邻域像素点对应的灰度值，确定上述像素点对应的像素混乱度。
其中，参考邻域可以是预先设置的邻域。比如，参考邻域可以是八邻域。
例如，可以将上述像素点对应的灰度值和上述像素点对应的参考邻域内的各个邻域像素点对应的灰度值的标准差，确定为上述像素点对应的像素混乱度。
又如，当参考邻域可以是八邻域时，确定像素点对应的像素混乱度对应的公式可以为：
其中，δij是横坐标为i，纵坐标为j处的像素点对应的像素混乱度。akl是横坐标为k，纵坐标为l处的像素点对应的灰度值。是横坐标为i，纵坐标为j处的像素点对应的八邻域内像素点对应的灰度值的均值。
实际情况中，像素点对应的像素混乱度越大，往往说明该像素点所在周围往往越混乱，往往说明该像素点所在周围的灰度值越可以体现该像素点所在周围的区别特征，往往说明该像素点对应的灰度值越不需要进行增强，因此，后续该像素点对应的增强系数往往越小。
第三步，根据每个目标分割区域中的各个像素点对应的像素混乱度，确定上述目标分割区域对应的混乱指标。
例如，确定目标分割区域对应的混乱指标对应的公式可以为：
其中，δt是目标分割区域集合中的第t个目标分割区域对应的混乱指标。t是目标分割区域集合中目标分割区域的序号。a是目标分割区域集合中的第t个目标分割区域中像素点的序号。A是目标分割区域集合中的第t个目标分割区域中像素点的数量。δt,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的像素混乱度。
实际情况中，当目标分割区域中的各个像素点对应的像素混乱度越大时，该目标分割区域对应的混乱指标往往越大，该目标分割区域对应的增强系数往往越小。
第四步，从上述目标管道区域图像中筛选出目标管道区域的边缘，作为目标管道边缘。
例如，从目标管道区域图像中筛选出目标管道区域的边缘可以是步骤S1通过大津阈值法，对X射线探伤图像进行分割，分割出的前景的边缘。
第五步，根据上述目标管道边缘，确定上述目标分割区域集合中的每个目标分割区域对应的管道距离指标。
例如，根据上述目标管道边缘，确定上述目标分割区域集合中的每个目标分割区域对应的管道距离指标可以包括以下子步骤：
第一子步骤，确定上述目标分割区域中的每个像素点与上述目标管道边缘之间的欧式距离，作为上述像素点对应的像素管道距离。
第二子步骤，将上述目标分割区域中的像素点对应的像素管道距离的均值，确定为目标分割区域对应的管道距离指标。
比如，确定目标分割区域对应的管道距离指标对应的公式可以为：
其中，dt是目标分割区域集合中的第t个目标分割区域对应的管道距离指标。t是目标分割区域集合中目标分割区域的序号。a是目标分割区域集合中的第t个目标分割区域中像素点的序号。A是目标分割区域集合中的第t个目标分割区域中像素点的数量。dt,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的像素管道距离。
实际情况中，当目标分割区域中的像素点越靠近目标管道边缘时，由于受到目标管道边缘的影响，该目标分割区域中的像素点往往越不清晰，该目标分割区域对应的管道距离指标往往越小，往往说明该目标分割区域中的像素点对应的灰度值越需要被增强，因此，该目标分割区域对应的增强系数往往越大。当目标分割区域中的像素点越远离目标管道边缘时，该目标分割区域中的像素点往往越靠近管道中间，往往越不易受到目标管道边缘的影响，该目标分割区域中的像素点往往越清晰，该目标分割区域对应的管道距离指标往往越大，往往说明该目标分割区域中的像素点对应的灰度值越不需要被增强，因此，该目标分割区域对应的增强系数往往越小。其次，如果目标分割区域中存在裂痕缺陷，并且该目标分割区域靠近目标管道边缘，可能导致裂痕缺陷边缘与目标管道边缘产生重叠，进而导致该目标分割区域中的像素点的灰度差异往往较小，所以，对该目标分割区域进行增强时应使用较大的增强系数，提高边缘差异之间的对比度。因此，将靠近目标管道边缘的目标分割区域对应的增强系数设置的较大，可以避免由于裂痕缺陷边缘与目标管道边缘产生重叠导致的问题。
步骤S5，对于目标分割区域集合中的每个目标分割区域，根据目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，确定目标分割区域对应的增强系数。
在一些实施例中，对于上述目标分割区域集合中的每个目标分割区域，可以根据上述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，确定上述目标分割区域对应的增强系数。
作为示例，确定目标分割区域对应的增强系数对应的公式可以为：
其中，εt是目标分割区域集合中的第t个目标分割区域对应的增强系数。t是目标分割区域集合中目标分割区域的序号。e是自然常数。Lt是目标分割区域集合中的第t个目标分割区域对应的相关亮度指标。δt是目标分割区域集合中的第t个目标分割区域对应的混乱指标。dt是目标分割区域集合中的第t个目标分割区域对应的管道距离指标。
实际情况中，当目标分割区域对应的相关亮度指标、混乱指标和管道距离指标越大时，往往说明该目标分割区域对应的增强系数往往越小。并且进行归一化，可以便于后续处理。
步骤S6，根据目标分割区域集合中的各个目标分割区域对应的增强系数，对各个目标分割区域进行增强，生成目标增强图像。
在一些实施例中，可以根据上述目标分割区域集合中的各个目标分割区域对应的增强系数，对各个目标分割区域进行增强，生成目标增强图像。
作为示例，本步骤可以包括以下步骤：
第一步，根据目标分割区域中的每个像素点对应的灰度值，确定每个像素点对应的增强灰度值。
例如，确定每个像素点对应的增强灰度值对应的公式可以为：
ft,a＝εt×ht,a
其中，ft,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的增强灰度值。t是目标分割区域集合中目标分割区域的序号。a是目标分割区域集合中的第t个目标分割区域中像素点的序号。εt是目标分割区域集合中的第t个目标分割区域对应的增强系数。ht,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的灰度值。
将目标分割区域对应的增强系数与该目标分割区域中的像素点对应的灰度值的乘积，确定为该目标分割区域中的像素点对应的增强灰度值，可以实现对该目标分割区域中的像素点进行精确增强。
第二步，将目标分割区域集合中的每个像素点对应的灰度值，更新为每个像素点对应的增强灰度值，得到目标增强图像。
可选地，首先，可以通过阈值分割算法，对目标增强图像进行分割，可以将目标增强图像中灰度值大于阈值的像素点对应的灰度值更新为1，将目标增强图像中灰度值小于或等于阈值的像素点对应的灰度值更新为0，得到二值图像。接着，可以对二值图像进行裂痕缺陷分析，可以判断目标供水管道是否存在裂痕缺陷。例如，有些裂痕缺陷的形状特征为中间宽两端较窄，可以对二值图像中的闭合连通域的特征进行分析，判断目标供水管道是否存在裂痕缺陷。
由于目标增强图像往往可以清晰的体现目标供水管道的信息，因此，通过目标增强图像对目标供水管道进行裂痕检测，可以提高对目标供水管道进行裂痕检测的准确度。
本发明的用于检测建筑供水管道裂痕的图像增强方法，通过对X射线探伤图像进行图像数据处理，实现了对X射线探伤图像的增强，并解决了图像增强效果低下的技术问题，提高了图像增强效果。首先，获取待检测裂痕情况的目标供水管道的X射线探伤图像，并对X射线探伤图像进行阈值分割，得到目标管道区域图像。由于建筑供水管道往往安装在墙体内部，因此，通过X射线探伤，获取的X射线探伤图像上往往包含目标供水管道的信息，可以便于后续检测目标供水管道的裂痕情况。接着，根据上述目标管道区域图像中的像素点对应的灰度值，对上述目标管道区域图像进行自适应均匀分割，得到分割区域集合。实际情况中，目标管道区域图像各个位置的清晰度往往不同，需要增强的程度往往也不同，因此，对目标管道区域图像进行自适应均匀分割，得到分割区域集合，可以便于后续对分割区域集合中的各个分割区域进行分析，可以便于后续对各个分割区域进行精确的图像增强。然后，对上述分割区域集合进行高斯模糊处理，得到目标分割区域集合。实际情况中，对分割区域集合进行高斯模糊处理，往往可以大幅度的去除分割区域集合中的噪声，可以减少噪声对分割区域集合的影响。之后，对上述目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理，得到上述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标。由于，对目标分割区域的增强程度往往与该目标分割区域的相关亮度、混乱程度和距离管道的远近有关。因此，确定目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，可以便于后续确定该目标分割区域对应的增强系数。而后，对于上述目标分割区域集合中的每个目标分割区域，根据上述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，确定上述目标分割区域对应的增强系数。综合考虑目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，可以提高目标分割区域对应的增强系数确定的准确度。最后，根据上述目标分割区域集合中的各个目标分割区域对应的增强系数，对各个目标分割区域进行增强，生成目标增强图像。因此，本发明通过对X射线探伤图像进行图像数据处理，实现了对X射线探伤图像的增强，相较于现有的直方图均衡化算法来说，对目标管道区域图像进行自适应均匀分割，并进行高斯模糊处理，综合考虑了目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，可以精确的确定不同位置的目标分割区域的增强系数，可以实现对各个目标分割区域进行自适应细节增强，减少了细节损失，从而可以提高图像增强效果。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种用于检测建筑供水管道裂痕的图像增强方法，其特征在于，包括以下步骤：
获取目标供水管道的X射线探伤图像；其中，所述目标供水管道是待检测裂痕情况的建筑内的用于供水的管道；
对X射线探伤图像进行阈值分割，得到目标管道区域图像；
根据所述目标管道区域图像中的像素点对应的灰度值，对所述目标管道区域图像进行自适应均匀分割，得到分割区域集合；
对所述分割区域集合进行高斯模糊处理，得到目标分割区域集合；
对所述目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理，得到所述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标；
对于所述目标分割区域集合中的每个目标分割区域，根据所述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，确定所述目标分割区域对应的增强系数；
根据所述目标分割区域集合中的各个目标分割区域对应的增强系数，对各个目标分割区域进行增强，生成目标增强图像；
所述对所述目标分割区域集合中的每个目标分割区域进行相关亮度、混乱和管道距离特征分析处理，得到所述目标分割区域对应的相关亮度指标、混乱指标和管道距离指标，包括：
根据所述目标分割区域集合中的目标分割区域内各个像素点对应的灰度值，确定每个目标分割区域对应的相关亮度指标；
根据每个目标分割区域中的每个像素点对应的灰度值和预先设置的参考邻域内的各个邻域像素点对应的灰度值的标准差，确定所述像素点对应的像素混乱度；
将所述目标分割区域中的像素点对应的像素混乱度的均值，确定为所述目标分割区域对应的混乱指标；
从所述目标管道区域图像中筛选出目标管道区域的边缘，作为目标管道边缘；
确定所述目标分割区域中的每个像素点与所述目标管道边缘之间的欧式距离，作为所述像素点对应的像素管道距离；
将所述目标分割区域中的像素点对应的像素管道距离的均值，确定为目标分割区域对应的管道距离指标。
2.根据权利要求1所述的一种用于检测建筑供水管道裂痕的图像增强方法，其特征在于，所述根据所述目标管道区域图像中的像素点对应的灰度值，对所述目标管道区域图像进行自适应均匀分割，得到分割区域集合，包括：
将所述目标管道区域图像等分为预设数目个初始区域，得到初始区域集合；
根据所述初始区域集合中的每个初始区域内像素点对应的灰度值，确定所述初始区域对应的离散程度；
当初始区域对应的离散程度小于或等于预先设置的离散阈值时，将初始区域，确定为分割区域；
当初始区域对应的离散程度大于离散阈值时，将初始区域等分为预设数目个子区域，确定每个子区域对应的离散程度，当子区域对应的离散程度小于或等于离散阈值时，将子区域确定为分割区域，当子区域对应的离散程度大于离散阈值时，将子区域确定为初始区域，重复本步骤，直至初始区域对应的离散程度小于或等于离散阈值，并将初始区域，确定为分割区域。
3.根据权利要求2所述的一种用于检测建筑供水管道裂痕的图像增强方法，其特征在于，确定所述初始区域对应的离散程度的公式为：
其中，μn是初始区域集合中的第n个初始区域对应的离散程度，N是初始区域集合中的第n个初始区域中像素点的数量，n是初始区域集合中初始区域的序号，是初始区域集合中的第n个初始区域中的第i个像素点对应的灰度值，i是初始区域集合中的第n个初始区域中像素点的序号，/>是初始区域集合中的第n个初始区域中的像素点对应的灰度值的均值。
4.根据权利要求1-3任一项所述的一种用于检测建筑供水管道裂痕的图像增强方法，其特征在于，所述根据所述目标分割区域集合中的目标分割区域内各个像素点对应的灰度值，确定每个目标分割区域对应的相关亮度指标，包括：
对于所述目标分割区域集合中的每个目标分割区域，根据目标分割区域与所述目标分割区域集合中除了该目标分割区域之外的目标分割区域之间的欧式距离，从所述目标分割区域集合中筛选出满足距离条件的目标分割区域，作为相邻分割区域，得到该目标分割区域对应的相邻分割区域集合，其中，距离条件为两个目标分割区域之间的欧式距离小于或等于预先设置的距离阈值；
对于所述目标分割区域集合中的每个目标分割区域，将所述目标分割区域对应的相邻分割区域集合中的各个像素点对应的灰度值的均值，确定为所述目标分割区域对应的相邻灰度均值；
将所述目标分割区域集合中的每个目标分割区域内各个像素点对应的灰度值的均值，确定为所述目标分割区域对应的目标灰度均值；
根据所述目标分割区域集合中的每个目标分割区域对应的相邻灰度均值和目标灰度均值，确定所述目标分割区域对应的相关亮度指标。
5.根据权利要求1-3任一项所述的一种用于检测建筑供水管道裂痕的图像增强方法，其特征在于，所述根据所述目标分割区域集合中的目标分割区域内各个像素点对应的灰度值，确定每个目标分割区域对应的相关亮度指标，包括：
根据每个目标分割区域中的每个像素点对应的灰度值和预先设置的目标邻域内的各个邻域像素点对应的灰度值，确定所述像素点对应的相对亮度指标；
根据每个目标分割区域中的各个像素点对应的相对亮度指标，确定所述目标分割区域对应的相关亮度指标。
6.根据权利要求5所述的一种用于检测建筑供水管道裂痕的图像增强方法，其特征在于，所述根据每个目标分割区域中的每个像素点对应的灰度值和预先设置的目标邻域内的各个邻域像素点对应的灰度值，确定所述像素点对应的相对亮度指标，包括：
将所述像素点对应的目标邻域内的邻域像素点对应的灰度值的均值，确定为所述像素点对应的邻域均值；
将所述像素点对应的灰度值和目标邻域均值的比值，确定为所述像素点对应的相对亮度指标，其中，像素点对应的目标邻域均值为该像素点对应的邻域均值与预先设置的大于0的灰度值的和。
7.根据权利要求1所述的一种用于检测建筑供水管道裂痕的图像增强方法，其特征在于，确定所述目标分割区域对应的增强系数的公式为：
其中，εt是目标分割区域集合中的第t个目标分割区域对应的增强系数，t是目标分割区域集合中目标分割区域的序号，e是自然常数，Lt是目标分割区域集合中的第t个目标分割区域对应的相关亮度指标，δt是目标分割区域集合中的第t个目标分割区域对应的混乱指标，dt是目标分割区域集合中的第t个目标分割区域对应的管道距离指标。
8.根据权利要求1所述的一种用于检测建筑供水管道裂痕的图像增强方法，其特征在于，所述根据所述目标分割区域集合中的各个目标分割区域对应的增强系数，对各个目标分割区域进行增强，生成目标增强图像，包括：
根据所述目标分割区域中的每个像素点对应的灰度值，确定每个像素点对应的增强灰度值；
确定每个像素点对应的增强灰度值的公式为：
ft,a＝εt×ht,a
其中，ft,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的增强灰度值，t是目标分割区域集合中目标分割区域的序号，a是目标分割区域集合中的第t个目标分割区域中像素点的序号，εt是目标分割区域集合中的第t个目标分割区域对应的增强系数，ht,a是目标分割区域集合中的第t个目标分割区域中的第a个像素点对应的灰度值；
将所述目标分割区域集合中的每个像素点对应的灰度值，更新为每个像素点对应的增强灰度值，得到目标增强图像。
CN202310540754.5A 2023-01-05 2023-01-05 用于检测建筑供水管道裂痕的图像增强方法 Pending CN116703754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310540754.5A CN116703754A (zh) 2023-01-05 2023-01-05 用于检测建筑供水管道裂痕的图像增强方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202310540754.5A CN116703754A (zh) 2023-01-05 2023-01-05 用于检测建筑供水管道裂痕的图像增强方法
CN202310009477.5A CN115689948B (zh) 2023-01-05 2023-01-05 用于检测建筑供水管道裂痕的图像增强方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202310009477.5A Division CN115689948B (zh) 2023-01-05 2023-01-05 用于检测建筑供水管道裂痕的图像增强方法

Publications (1)

Publication Number Publication Date
CN116703754A true CN116703754A (zh) 2023-09-05

Family

ID=85057011

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310009477.5A Active CN115689948B (zh) 2023-01-05 2023-01-05 用于检测建筑供水管道裂痕的图像增强方法
CN202310540754.5A Pending CN116703754A (zh) 2023-01-05 2023-01-05 用于检测建筑供水管道裂痕的图像增强方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310009477.5A Active CN115689948B (zh) 2023-01-05 2023-01-05 用于检测建筑供水管道裂痕的图像增强方法

Country Status (1)

Country Link
CN (2) CN115689948B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385315B (zh) * 2023-05-31 2023-09-08 日照天一生物医疗科技有限公司 用于肿瘤治疗仪模拟消融的图像增强方法及系统
CN116596924B (zh) * 2023-07-17 2023-10-20 山东唐乐生物科技股份有限公司 基于机器视觉的甜菊糖苷质量检测方法及系统
CN117830300B (zh) * 2024-03-04 2024-05-14 新奥新能源工程技术有限公司 一种基于视觉的燃气管道外观质量检测方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040208385A1 (en) * 2003-04-18 2004-10-21 Medispectra, Inc. Methods and apparatus for visually enhancing images
JP2008051617A (ja) * 2006-08-24 2008-03-06 Advanced Mask Inspection Technology Kk 画像検査装置、その方法、及びその記録媒体
JP2009010636A (ja) * 2007-06-27 2009-01-15 Sony Deutsche Gmbh 適応ヒストグラム等化方法及び適応ヒストグラム等化装置
CN104034795A (zh) * 2014-06-12 2014-09-10 东北大学 基于区域遗传四叉树算法的油气管道缺陷检测方法及系统
CN110163219B (zh) * 2019-04-17 2023-05-16 安阳师范学院 基于图像边缘识别的目标检测方法
CN111192358A (zh) * 2019-12-25 2020-05-22 五邑大学 基于三维的管道裂痕检测方法、装置、设备和存储介质
CN113361541A (zh) * 2021-06-01 2021-09-07 桂林理工大学 一种地下排水管道缺陷的特征提取方法
CN114486934B (zh) * 2022-01-25 2024-08-23 陕西理工大学 一种用于管道内部裂纹图像识别系统
CN114708272A (zh) * 2022-03-16 2022-07-05 杭州知衣科技有限公司 一种服装图像分割模型建立方法及服装图像分割方法
CN114937055B (zh) * 2022-03-31 2024-05-03 厦门市虹约产品设计有限公司 基于人工智能的图像自适应分割方法与系统
CN114972203A (zh) * 2022-04-29 2022-08-30 南通市立新机械制造有限公司 基于分水岭分割的机械零件轧制异常检测方法
CN115063404B (zh) * 2022-07-27 2022-11-08 建首(山东)钢材加工有限公司 基于x射线探伤的耐候钢焊缝质量检测方法
CN114994102B (zh) * 2022-08-04 2022-10-25 武汉钰品研生物科技有限公司 基于x光的食品异物无痕快速检测方法
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法
CN115345802B (zh) * 2022-10-18 2023-03-24 苏州迈创信息技术有限公司 一种机电设备运行状态远程监控方法

Also Published As

Publication number Publication date
CN115689948B (zh) 2023-03-17
CN115689948A (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN116703754A (zh) 用于检测建筑供水管道裂痕的图像增强方法
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN118037722B (zh) 一种铜管生产缺陷检测方法及系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
US6993187B2 (en) Method and system for object recognition using fractal maps
CN112200826B (zh) 一种工业弱缺陷分割方法
CN117611563B (zh) 一种基于图像处理的塑胶模具生产缺陷检测方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN118279304B (zh) 基于图像处理的异型金属件异常识别方法、装置及介质
US20040161161A1 (en) Method and system for image segmentation
CN113781515A (zh) 细胞图像分割方法、装置和计算机可读存储介质
CN113469921A (zh) 图像缺陷修复方法、系统、计算机设备及存储介质
CN116309649A (zh) 一种基于ct影像的喉部病变异常区域分割系统
CN108022219B (zh) 一种二维图像灰度修正方法
CN110648330A (zh) 摄像头玻璃的缺陷检测方法
CN117830139B (zh) 一种高强度冲压件缺陷检测方法
CN117274216B (zh) 基于水平集分割的超声下颈动脉斑块检测方法及系统
CN114463310A (zh) 一种dr图像增强方法及装置
CN117237350A (zh) 一种铸钢件质量实时检测方法
CN116934761A (zh) 一种乳胶手套缺陷自适应检测方法
CN115511819A (zh) 一种x射线焊缝边界识别方法、装置、设备及存储介质
CN107818292B (zh) 一种基于背散射扫描电镜的矿物颗粒识别方法及系统

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