CN116718599A - 一种基于三维点云数据的表观裂缝长度测量方法 - Google Patents
一种基于三维点云数据的表观裂缝长度测量方法 Download PDFInfo
- Publication number
- CN116718599A CN116718599A CN202310674378.9A CN202310674378A CN116718599A CN 116718599 A CN116718599 A CN 116718599A CN 202310674378 A CN202310674378 A CN 202310674378A CN 116718599 A CN116718599 A CN 116718599A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- point
- dimensional point
- centerline
- 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
Links
- 238000000691 measurement method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013138 pruning Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明公开了一种基于三维点云数据的表观裂缝长度测量方法,涉及表观裂缝长度测量领域,包括包括以下步骤:S1:获取图像并对图像进行预处理;S2:对预处理后的裂缝二值图I进行裂缝中心线优化;S3:提取有效裂缝中心线;S4:边缘识别裂缝中心线坐标,根据坐标视差反算得裂缝长度。本发明采用上述的一种基于三维点云数据的表观裂缝长度测量方法,快速精准识别裂缝图像,定位裂缝缺陷位置,获取裂缝中心线结构坐标,计算裂缝长度,解决裂缝问题。
Description
技术领域
本发明涉及表观裂缝长度测量技术领域,尤其是涉及一种基于三维点云数据的表观裂缝长度测量方法。
背景技术
桥梁建设蓬勃发展。在大跨桥梁建设蓬勃发展的同时,大跨桥梁施工质量与安全尤为重要。人工巡检和目视判断方法,发现混凝土构件的开裂和剥落问题局限性太大。因此,针对传统大跨桥梁施工监控技术中的高风险、低效率、存在盲区、操作繁琐等问题,有必要研究一种高精度、全方位、低风险、高效率、易操作的桥梁施工智能监控技术,建立大跨桥梁施工监控的智能管理平台。想要建立智能管理平台,就需将三维精细模型损伤表观缺陷智能测量进行数据处理、数据传输、数据共享。因此三维点云数据的表观裂缝长度测量方法至关重要。
已有研究表明通过无人机倾斜摄影测量技术能实现大范围、多数据、高效率的地理空间数据采集,再通过软件对采集到的图像进行缺陷边缘分析处理,缺陷定位测量以及缺陷纵深测量等。例如,用搭无人机桥梁检测方案,利用八方向的Sobel算子对所获图像进行边缘检测,统计裂缝的特征;接着构造BP神经网络,根据分类结果与实际情况的对比可知,裂缝分类识别正确率在90%以上。
但是,目前方法对于表观裂缝长度测量尚有不足之处:(1)现有研究未能提出快速识别检测裂缝的具体方法,现有研究仅提出理论上的三维点云模型裂缝尺寸测量方法,未能实际应用;(2)针对获得三维点云模型,现有研究未能提出降噪处理和细化模型处理,得到裂缝模型较为粗糙,难以测量得到精准尺寸,如何识别三维点云模型裂缝尺寸数据是一个亟待解决的关键问题。
因此,有必要提供一种基于三维点云数据的表观裂缝长度测量方法来解决上述问题。
发明内容
本发明的目的是提供一种基于三维点云数据的表观裂缝长度测量方法,快速精准识别裂缝图像,定位裂缝缺陷位置,获取裂缝中心线结构坐标,计算裂缝长度,解决裂缝问题。
为实现上述目的,本发明提供了一种基于三维点云数据的表观裂缝长度测量方法,包括以下步骤:
S1:获取图像并对图像进行预处理;
S2:对预处理后的裂缝二值图I进行裂缝中心线优化;
S3:提取有效裂缝中心线;
S4:边缘识别裂缝中心线坐标,根据坐标视差反算得裂缝长度。
优选的,在步骤S1中,
S11:将图像灰度化并进行灰度拉伸得到图像Ia;
S12:对图像进行底帽变换和二值化处理得到图像Ib;
S13:对二值化后的图进行降噪、细化与连接,得到裂缝图Ic;
S14:对裂缝图Ic提取骨架线并进行剪枝得到预处理完成的裂缝二值图I。
优选的,在步骤S2中,
S21:优化裂缝中心线结构,裂缝二值图I中,以像素点为分析对象,按照八方向邻域相邻原则,通过以下公式对裂缝中心线进行优化:
[t,pn]=fneigh(pi(xi,yi)) (1)
式中,pi(xi,yi)为中心线二值图内第i个中心线坐标点,其中xi,yi分别为中心线二值图中pi点的x轴和y轴坐标大小,fneigh为通过洪水算法中的DFS算法求当前点p邻域情况的函数,将其汇总成坐标矩阵,t为返回邻域数和,pn是大小为t*2的邻域坐标矩阵;
函数fpdist求邻域点之间的相互距离,fpdist为观测点对之间的欧氏距离,pn为t*2矩阵得到的fpdist(pn)是一个长度为t*1的距离向量;
Di表示任意两点之间的距离:
将各自任意两点之前的距离填入到长度为t*1的距离向量中,完成函数fpdist(pn)的计算;
V表示判断fpdist(pn)与的大小,fpdist(pn)不大于/>V=1;fpdist(pn)大于/>V=0;符号∑累计距离不大于/>个数的和,结果为n;
I(pi)=0,if n>t-1 (4)
n>t-1,将裂缝二值图I中pi位置的像素值变为0;
S22:断开裂缝交叉点;优化后的裂缝中心线图像按式(5)判断每个像素点的邻域情况,
断开裂缝交叉点;优化后的裂缝中心线图像按式(5)判断每个像素点的邻域情况,
I(pi)=0,I(pn)=0,if n>2 (5)
邻域数大于2,该点为交叉点,将该交叉点及其邻域点的像素值变为0,完成多分支裂缝分割。
优选的,在步骤S3中,遍历裂缝中心线图像每个位置,视差图相同位置的视差有效,保留该裂缝点,视差图相同位置的视差无效,裂缝中心线该位置的值为0,有效裂缝中心线提取如下:
其中DI为视差图pi的集合。
优选的,在步骤S4中,包括以下步骤:
S41:借助MATLAB提供的bwboundaries()函数联合Moore邻点跟踪算法标记裂缝像素顺序;
S42:裂缝像素匹配;
S43:将有效二维裂缝中心线图像中坐标点pi(xi,yi)进行根据视差图DI和具体参数反算三维点得到pi′(xi,yi,zi);
S44:裂缝中心线图像中反算求得任意点的三维坐标,计算三维点之间的距离,表示第i个裂缝中心线三维点到第i-1个裂缝中心线三维点之间的距离:
S45:裂缝距离叠加:裂缝中心线图像进一步优化,每条分割的裂缝像素点均被有序记录,视差图反算三维点后测量每段裂缝的长度,
其中m为有效裂缝中心线图中坐标的总数。
优选的,在步骤S42中,第一步,匹配代价计算,通过计算像素之间的相关性,填充三维代价空间;
第二步,代价聚合,信噪比高的区域的视差传播到信噪比低的区域;
第三步,视差计算,使用赢家通吃算法将代价聚合之后的代价矩阵来确定每个像素的最优视差值;
第四步,视差优化。
因此,本发明采用上述一种基于三维点云数据的表观裂缝长度测量方法,快速精准识别裂缝图像,定位裂缝缺陷位置,获取裂缝中心线结构坐标,计算裂缝长度,解决裂缝问题。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明一种基于三维点云数据的表观裂缝长度测量方法的流程图;
图2是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝灰度化图;
图3是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝灰度拉伸图;
图4是本发明一种基于三维点云数据的表观裂缝长度测量方法的Ia底帽变换图;
图5是本发明一种基于三维点云数据的表观裂缝长度测量方法的大津阈值法转换二值图;
图6是本发明一种基于三维点云数据的表观裂缝长度测量方法的自适应阈值法转换二值图;
图7是本发明一种基于三维点云数据的表观裂缝长度测量方法的八方向邻域图;
图8是本发明一种基于三维点云数据的表观裂缝长度测量方法的Ib图;
图9是本发明一种基于三维点云数据的表观裂缝长度测量方法的Ib去噪图;
图10是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝连接图;
图11是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝反转图;
图12是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝识别展示图;
图13是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝骨架剪枝图;
图14是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝中心线一般点优化图;
图15是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝中心线交叉点优化图;
图16是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝分割展示图;
图17是本发明一种基于三维点云数据的表观裂缝长度测量方法的中心线邻域跟踪展示图;
图18是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝标注图;
图19是本发明一种基于三维点云数据的表观裂缝长度测量方法的裂缝中心线点云图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例
如图1所示,本发明提供了一种基于三维点云数据的表观裂缝长度测量方法,包括以下步骤:
S1:获取图像并对图像进行预处理;在步骤S1中,
S11:将图像灰度化并进行灰度拉伸得到图像Ia;根据YUV与RGB颜色空间的变换关系建立亮度与颜色分量的变换等式,其中Y表示明亮度,U和V表示色度,R表示红色,G表示绿色,B表示蓝色。通过消除图像色调和饱和度信息同时保留亮度实现将RGB图像或彩色图转换为灰度图像,由MATLAB提供的rgb2gray()函数进行灰度处理,得到结果如图2所示,再由MATLAB提供的imadjust()函数进行灰度拉伸将原灰度图中较小的灰度值变化区间扩展为较大的灰度值变化区间,提高原图像对比度,改善图像的视觉效果,突出图像中的关键的信息,如图3所示得到图像Ia;
S12:对图像进行底帽变换和二值化处理得到图像Ib;由MATLAB提供的imbothat()函数进行底帽变换,底帽变换能够检测图像中的谷值,适用于处理具有亮背景、暗物体特征的图像,如图4所示,能明显区分裂缝区域与周围其他区域。采用MATLAB提供的imbinarize()函数将图像进行二值化,可采用以下两种常用的方法来对图像进行二值化处理:(1)大津阈值法:用一个阈值U将图像中的数据分为两类,一类中图像的像素点的灰度均小于这个阈值,另一类中的图像的像素点的灰度均大于或者等于该阈值。如果这两个类中像素点的灰度的方差越大,说明获取到的阈值就是最佳的阈值,利用大津阈值法得到的二值化图像如图5所示。
(2)自适应阈值法也叫做局部阈值法,对每一个像素点的阈值Ti都是不一样的,其中Ti表示为第i个局部阈值,Ti可取T1,T2,T3,......Tn,n为区域内像素点总个数,计算量比较大,以目标像素点为中心选择一个块,然后对块区域里面的像素点进行高斯或者均值计算,将得到的平均值或者高斯值作为目标像素点的阈值利用平均值可得,以此来对目标像素格进行二值化。对图像每一个像素格进行如此操作就完成了对整个图像的二值化处理,得到二值化图像如图6所示。分别对图像进行二值化处理,选取阈值时,尽可能多的让裂缝区域分离出来,在两种方法中选取合适的阈值,来保证噪音区域与裂缝区域无连接,得到处理后的图像Ib。
S13:对二值化后的图进行降噪、细化与连接,得到裂缝图Ic;对二值图像中连通区域进行筛选并去除噪音部分只保留裂缝区域图像,通过MATLAB中,函数bwareaopen()通过设置面积阈值,保留连通区域面积大于阈值的图像,保证噪音全部去除。再借助MATLAB的imclose()函数实现连接。图像识别裂缝区域不仅边缘要连续,其内部也需要连续,仅通过上面的方法不能做到精细的连接,采用图像反转连通去噪的方法,遍历细化二值图,可以得到细化后连接完整的裂缝图Ic。
S14:对裂缝图Ic提取骨架线并进行剪枝得到预处理完成的裂缝二值图I。计算裂缝长度,需要提取裂缝区域的中心线。在图像处理中,借助MATLAB函数bwmorph()来完成,可以基于最大圆盘算法提取裂缝图像骨架线,其中最大圆盘算法为根据目标区域所有内切圆盘的圆心连接成为骨架线。由于得到的骨架线有多处不必要的分支的方法,将二维二进制图像Ic中的所有对象缩小为像素更窄的曲线,而无需更改图像的基本结构。利用MATLAB函数bwskel()对骨架线进行剪枝,完成上述步骤将骨架线成功提取出来得到最终优化后的裂缝二值图I。
S2:对预处理后的裂缝二值图I进行裂缝中心线优化;在步骤S2中,包括以下步骤,S21:优化裂缝中心线结构,裂缝二值图I中,以像素点为分析对象,如图7所示,按照八方向邻域相邻原则,当前点的性质可分为端点(只有一个邻域点)、一般点(两个邻域点)和交叉点(三个以上邻域点)。理想的裂缝中心线,端点位置只有一个邻域点,交叉点应有不少3个领域点,而一般点有且只有两个邻域点。记垂直方向上相邻点距离为1,则邻域点之间的距离情况有1、2、/>然而距离小于等于/>的邻域点也相邻,对于一般点而言,若其两邻域点相邻,则这个一般点失去意义,如图8所示,1左上的点为一般点,有“1”方向的邻域点,则另一个邻域点不能在“2”和“8”方向上;对于有3方向相邻的交叉点,则最多只能有一种组合之间的距离能小于等于/>如图7“☆”为交叉点,有“1”方向的邻域点,其他两个相邻点可以是“25”、“26”、“27”、“34”、“35”、“36”、“37”、“38”、“45”、“46”、“47”和“48”,对称方向组合类似,若出现“23”等情况,则该交叉点失去意义,不能被称为交叉点。裂缝二值图I中,以像素点为分析对象,按照八方向邻域相邻原则,通过以下公式对裂缝中心线进行优化:
[t,pn]=fneigh(pi(xi,yi)) (1)
式中,pi(xi,yi)为中心线二值图内第i个中心线坐标点,其中xi,yi分别为中心线二值图中pi点的x轴和y轴坐标大小,fneigh为通过洪水算法中的DFS算法求当前点p邻域情况的函数,将其汇总成坐标矩阵,t为返回邻域数和,pn是大小为t*2的邻域坐标矩阵;
函数fpdist求邻域点之间的相互距离,fpdist为观测点对之间的欧氏距离,pn为t*2矩阵得到的fpdist(pn)是一个长度为t*1的距离向量;
Di表示任意两点之间的距离:
将各自任意两点之前的距离填入到长度为t*1的距离向量中,完成函数fpdist(pn)的计算;
V表示判断fpdist(pn)与的大小,fpdist(pn)不大于/>V=1;fpdist(pn)大于/>V=0;符号Σ累计距离不大于/>个数的和,结果为n;
I(pi)=0,if n>t-1 (4)
n>t-1,将裂缝二值图I中pi位置的像素值变为0;
S22:断开裂缝交叉点;优化后的裂缝中心线图像按式(5)判断每个像素点的邻域情况,断开裂缝交叉点;优化后的裂缝中心线图像按式(5)判断每个像素点的邻域情况,
I(pi)=0,I(pn)=0,if n>2 (5)
邻域数大于2,该点为交叉点,将该交叉点及其邻域点的像素值变为0,完成多分支裂缝分割。
S3:提取有效裂缝中心线;在步骤S3中,遍历裂缝中心线图像每个位置,视差图相同位置的视差有效,保留该裂缝点,视差图相同位置的视差无效,裂缝中心线该位置的值为0,有效裂缝中心线提取如下:
其中DI为视差图pi的集合。
S4:边缘识别裂缝中心线坐标,根据坐标视差反算得裂缝长度。
在步骤S4中,包括以下步骤:
S41:借助MATLAB提供的bwboundaries()函数联合Moore邻点跟踪算法标记裂缝像素顺序;Moore邻点跟踪算法是设定一个黑色像素为起始像素,每次遇到黑色像素,将设置为当前边界像素点,然后原路返回到先前到达的白色像素,以顺时针方向搜索的摩尔邻域内的每一个像素,直到遇到下一个黑色像素。重复这个过程,当起始像素被第二次访问时算法终止,在整个运行过程走过的黒色像素就是目标的边界像素。Moore邻点跟踪算法可借助MATLAB提供的bwboundaries()函数,对于中心线这种曲线图像,该算法识别的邻域跟踪路径重复走过裂缝中心线(边界重合)。某条裂缝有5个相邻点,编号1~5,按照Moore邻点跟踪算法记录得到的路径为:1→2→3→4→5→4→3→2→1,以此方法标记所有裂缝中心线坐标顺序。
S42:裂缝像素匹配;在步骤S42中,第一步,匹配代价计算,通过计算像素之间的相关性,填充三维代价空间;第二步,代价聚合,信噪比高的区域的视差传播到信噪比低的区域;第三步,视差计算,使用赢家通吃算法将代价聚合之后的代价矩阵来确定每个像素的最优视差值;第四步,视差优化。
S43:将有效二维裂缝中心线图像中坐标点pi(xi,yi)进行根据视差图DI和具体参数反算三维点得到pi′(xi,yi,zi);
S44:裂缝中心线图像中反算求得任意点的三维坐标,计算三维点之间的距离,表示第i个裂缝中心线三维点到第i-1个裂缝中心线三维点之间的距离:
S45:裂缝距离叠加:裂缝中心线图像进一步优化,每条分割的裂缝像素点均被有序记录,视差图反算三维点后测量每段裂缝的长度,
其中m为有效裂缝中心线图中坐标的总数。
实施例一
以桥梁裂缝为例,说明本发明的具体实施过程:
(1)检测到物体裂缝后,利用双目相机扫描裂缝得到双目图像;用MATLAB的rgb2gray()函数进行灰度化,imadjust()函数进行灰度拉伸得到图像Ia;由MATLAB提供的imbothat()函数进行底帽变换,再用imbinarize()函数将图像进行二值化,利用大津阈值法得到的二值化图像如图5,利用局部阈值法得到的二值化图像如图6。对比两类方法二值化处理的结果均不理想,故只能动态调整全局阈值,选取阈值0.31,得到处理后的图像Ib效果如图8;
(2)对二值图像中连通区域进行筛选并去除噪音部分只保留裂缝区域图像,通过MATLAB中,函数bwareaopen()通过设置面积阈值,保留连通区域面积大于阈值的图像,设置阈值10000,处理结果如图9,保证噪音全部去除。再借助MATLAB的imclose()函数实现连接。因内部需连接区域面较小,设置阈值500,裂缝连内部连接结果如图10,内部连接完成后,再将图像反转,得到完整的裂缝识别图像如图11所示,为验证上述图像处理的裂缝识别效果,在待处理图像上标记识别的裂缝区域,结果如图12得到裂缝图Ic。
(3)设置剪枝最大长度为100,借助MATLAB函数bwmorph()和MATLAB函数bwskel()对骨架线进行剪枝,进行2~3次剪枝处理,剪枝结果如图13所示,完成上述步骤将骨架线成功提取出来得到最终优化后的裂缝二值图I。裂缝二值图I中,以像素点为分析对象,按照8方向邻域相邻原则。通过公式(1)对裂缝中心线进行优化:执行步骤S21,根据以上优化理论,可将图14-图15中所示的两个点删除,进一步简化中心线;再进行断开交叉点多分支裂缝分割,裂缝分割效果如图16。
(4)执行步骤S41得到图17,将此裂缝进行分段标记如图18,执行步骤S43得到图19,执行步骤S44,计算如表1所示,其中6号裂缝最长,有618.9mm,3号裂缝最短,只有5.2mm;在各分支裂缝长度已知的情况下,可通过累加求出原复杂裂缝任意起终点裂缝的长度。
表1各裂缝测量长度1
裂缝编号 | 1 | 2 | 3 | 4 | 5 | 6 |
测量长度/mm | 446.2 | 18.9 | 21.6 | 5.2 | 618.9 | 189.6 |
因此,本发明采用上述一种基于三维点云数据的表观裂缝长度测量方法,快速精准识别裂缝图像,定位裂缝缺陷位置,获取裂缝中心线结构坐标,计算裂缝长度,解决裂缝问题。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于三维点云数据的表观裂缝长度测量方法,其特征在于:包括以下步骤:
S1:获取图像并对图像进行预处理;
S2:对预处理后的裂缝二值图I进行裂缝中心线优化;
S3:提取有效裂缝中心线;
S4:边缘识别裂缝中心线坐标,根据坐标视差反算得裂缝长度。
2.根据权利要求1所述的一种基于三维点云数据的表观裂缝长度测量方法,其特征在于:在步骤S1中,
S11:将图像灰度化并进行灰度拉伸得到图像Ia;
S12:对图像进行底帽变换和二值化处理得到图像Ib;
S13:对二值化后的图进行降噪、细化与连接,得到裂缝图Ic;
S14:对裂缝图Ic提取骨架线并进行剪枝得到预处理完成的裂缝二值图I。
3.根据权利要求2所述的一种基于三维点云数据的表观裂缝长度测量方法,其特征在于:在步骤S2中,包括以下步骤:
S21:优化裂缝中心线结构,裂缝二值图I中,以像素点为分析对象,按照八方向邻域相邻原则,通过以下公式对裂缝中心线进行优化:
[t,pn]=fneigh(pi(xi,yi)) (1)
式中,pi(xi,yi)为中心线二值图内第i个中心线坐标点,其中xi,yi分别为中心线二值图中pi点的x轴和y轴坐标大小,fneigh为通过洪水算法中的DFS算法求当前点p邻域情况的函数,将其汇总成坐标矩阵,t为返回邻域数和,pn是大小为t*2的邻域坐标矩阵;
函数fpdist求邻域点之间的相互距离,fpdist为观测点对之间的欧氏距离,pn为t*2矩阵得到的fpdist(pn)是一个长度为t*1的距离向量;
Di表示任意两点之间的距离:
将各自任意两点之前的距离填入到长度为t*1的距离向量中,完成函数fpdist(pn)的计算;
V表示判断fpdist(pn)与的大小,fpdist(pn)不大于/>V=1;fpdist(pn)大于/>V=0;符号∑累计距离不大于/>个数的和,结果为n;
I(pi)=0,if n>t-1 (4)
n>t-1,将裂缝二值图I中pi位置的像素值变为0;
S22:断开裂缝交叉点;优化后的裂缝中心线图像按式(5)判断每个像素点的邻域情况,
I(pi)=0,I(pn)=0,if n>2 (5)
邻域数大于2,该点为交叉点,将该交叉点及其邻域点的像素值变为0,完成多分支裂缝分割。
4.根据权利要求3所述的一种基于三维点云数据的表观裂缝长度测量方法,其特征在于:在步骤S3中,遍历裂缝中心线图像每个位置,视差图相同位置的视差有效,保留该裂缝点,视差图相同位置的视差无效,裂缝中心线该位置的值为0,有效裂缝中心线提取如下:
其中DI为视差图pi的集合。
5.根据权利要求4所述的一种基于三维点云数据的表观裂缝长度测量方法,其特征在于:在步骤S4中,包括以下步骤:
S41:借助MATLAB提供的bwboundaries()函数联合Moore邻点跟踪算法标记裂缝像素顺序;
S42:裂缝像素匹配;
S43:将有效二维裂缝中心线图像中坐标点pi(xi,yi)进行根据视差图DI和具体参数反算三维点得到pi′(xi,yi,zi);
S44:裂缝中心线图像中反算求得任意点的三维坐标,计算三维点之间的距离,表示第i个裂缝中心线三维点到第i-1个裂缝中心线三维点之间的距离:
S45:裂缝距离叠加:裂缝中心线图像进一步优化,每条分割的裂缝像素点均被有序记录,视差图反算三维点后测量每段裂缝的长度,
其中m为有效裂缝中心线图中坐标的总数。
6.根据权利要求5所述的一种基于三维点云数据的表观裂缝长度测量方法,其特征在于:在步骤S42中,第一步,匹配代价计算,通过计算像素之间的相关性,填充三维代价空间;
第二步,代价聚合,信噪比高的区域的视差传播到信噪比低的区域;
第三步,视差计算,使用赢家通吃算法将代价聚合之后的代价矩阵来确定每个像素的最优视差值;
第四步,视差优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310674378.9A CN116718599A (zh) | 2023-06-08 | 2023-06-08 | 一种基于三维点云数据的表观裂缝长度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310674378.9A CN116718599A (zh) | 2023-06-08 | 2023-06-08 | 一种基于三维点云数据的表观裂缝长度测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116718599A true CN116718599A (zh) | 2023-09-08 |
Family
ID=87865447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310674378.9A Pending CN116718599A (zh) | 2023-06-08 | 2023-06-08 | 一种基于三维点云数据的表观裂缝长度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116718599A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115140A (zh) * | 2023-09-25 | 2023-11-24 | 重庆大学溧阳智慧城市研究院 | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 |
-
2023
- 2023-06-08 CN CN202310674378.9A patent/CN116718599A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115140A (zh) * | 2023-09-25 | 2023-11-24 | 重庆大学溧阳智慧城市研究院 | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 |
CN117115140B (zh) * | 2023-09-25 | 2024-04-05 | 重庆大学溧阳智慧城市研究院 | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
Chung et al. | Jigsaw puzzle solver using shape and color | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
WO2019228063A1 (zh) | 商品检测终端、方法、系统以及计算机设备、可读介质 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN108447016B (zh) | 基于直线交点的光学图像和sar图像的匹配方法 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN116718599A (zh) | 一种基于三维点云数据的表观裂缝长度测量方法 | |
CN111932506B (zh) | 一种提取图像中非连续直线的方法 | |
JP2020038132A (ja) | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
Koutaki et al. | Automatic road extraction based on cross detection in suburb | |
CN109766850B (zh) | 基于特征融合的指纹图像匹配方法 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN109815961B (zh) | 一种基于局部纹理二值模式的路面修补类病害检测方法 | |
CN108182700B (zh) | 一种基于两次特征检测的图像配准方法 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
CN110378337B (zh) | 金属切削刀具图纸标识信息视觉输入方法及系统 | |
CN111241911A (zh) | 一种自适应的车道线检测方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 |
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 |