CN117036341A - 一种基于图像处理的路面裂缝检测方法 - Google Patents
一种基于图像处理的路面裂缝检测方法 Download PDFInfo
- Publication number
- CN117036341A CN117036341A CN202311278265.3A CN202311278265A CN117036341A CN 117036341 A CN117036341 A CN 117036341A CN 202311278265 A CN202311278265 A CN 202311278265A CN 117036341 A CN117036341 A CN 117036341A
- Authority
- CN
- China
- Prior art keywords
- pavement
- gray
- image
- pixel point
- area
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000005286 illumination Methods 0.000 claims abstract description 113
- 238000000034 method Methods 0.000 claims description 74
- 238000004458 analytical method Methods 0.000 claims description 44
- 238000010606 normalization Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 241000255969 Pieris brassicae Species 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/13—Edge detection
Abstract
本发明涉及图像增强技术领域,具体涉及一种基于图像处理的路面裂缝检测方法。该方法将路面灰度图像划分为光照背景区域与路面混合区域,基于路面混合区域中边缘像素点与其周围像素点的灰度差异,将路面混合区域区分为光照裂缝区域与阴影区域,进一步将阴影区域分为阴影裂缝区域与阴影背景区域;根据光照裂缝区域内灰度值对阴影裂缝区域内灰度值进行优化,光照背景区域内灰度值对阴影背景区域内灰度值进行优化,得到优化路面图像,基于优化路面图像检测路面裂缝。本发明基于光照裂缝区域与光照背景区域对阴影裂缝区域与阴影背景区域进行图像增强,提高路面裂缝检测的准确性。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及一种基于图像处理的路面裂缝检测方法。
背景技术
通车里程的增加与机动车数量的迅速增长,导致道路老化路面出现裂缝,检测路面裂缝是判断路面损坏程度的重要依据。道路两侧种植的树木遮挡光线导致路面出现光照区域与阴影区域,阴影区域的视觉效果较差,需要对获取的图像进行图像增强。
现有的自适应对比度增强算法对图像中灰度变化剧烈的部分的增强较好,但是无法有效增强图像中阴影区域,使得图像增强效果不佳,导致阴影区域内裂缝识别不准确,降低路面裂缝检测的准确性。
发明内容
为了解决自适应对比度增强算法无法对图像中阴影部分进行有效增强,降低路面裂缝检测准确率的技术问题,本发明的目的在于提供一种基于图像处理的路面裂缝检测方法,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的路面裂缝检测方法,该方法包括:
获取路面灰度图像;根据路面灰度图像中像素点的灰度分布,将路面灰度图像划分为光照背景区域与路面混合区域;
基于路面灰度图像中每个路面混合区域的边缘像素点与其周围像素点的灰度差异,从路面混合区域中筛选出光照裂缝区域;将路面灰度图像中除光照裂缝区域外的路面混合区域作为路面灰度图像的阴影区域;
获取每个路面混合区域内每个像素点的灰度相关像素点;根据路面灰度图像中每个阴影区域内每个像素点与光照裂缝区域内像素点的灰度相关像素点的数量之间差异,以及对应阴影区域内每个像素点与其灰度相关像素点的灰度差异,将路面灰度图像的阴影区域分为阴影裂缝区域与阴影背景区域;
根据路面灰度图像中光照裂缝区域内像素点的灰度值对阴影裂缝区域内像素点的灰度值进行优化,光照背景区域内像素点的灰度值对阴影背景区域内像素点的灰度值进行优化,获取优化路面图像;
基于优化路面图像检测路面裂缝。
进一步地,所述路面灰度图像划分为光照背景区域与路面混合区域的方法,包括:
利用大津二值化法获取路面灰度图像的初始路面二值图像;
根据初始路面灰度图像中像素点的灰度分布,将初始路面二值图像划分为至少两个初始区域;
根据初始区域内像素点的数量筛选出初始区域中的噪声区域;在初始路面二值图像中将噪声区域剔除,得到去噪路面二值图像;
将去噪路面二值图像中灰度值为255的像素点构成的连通域在路面灰度图像中相同位置对应的区域作为路面灰度图像的光照背景区域,灰度值为0的像素点构成的连通域在路面灰度图像中相同位置对应的区域作为路面灰度图像的路面混合区域。
进一步地,所述初始区域的获取方法,包括:
在初始路面二值图像中任选一个像素点作为待分析像素点,获取到分析像素点的连通域作为初始区域。
进一步地,所述噪声区域的获取方法,包括:
统计初始路面二值图像中每个初始区域内像素点的数量作为每个初始区域的面积;对每个初始区域的面积进行归一化,得到初始路面二值图像中每个初始区域的噪声特征值;
将噪声特征值小于预设噪声阈值的初始区域作为噪声区域。
进一步地,所述光照裂缝区域的获取方法,包括:
将去噪路面二值图像中灰度值为0的像素点构成的连通域作为去噪路面二值图像的去噪混合区域,所述去噪混合区域与所述路面混合区域一一对应;
将所述去噪路面二值图像进行边缘检测得到所述去噪混合区域的边缘在路面灰度图像中对应路面混合区域的相同位置的边缘作为该路面混合区域的分析边缘;
获取路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点的梯度方向;
对于路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点,将边缘像素点与其梯度方向上前一个像素点的灰度值之间的差值绝对值进行归一化,得到路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点的归一灰度差异度;
将分析边缘上每个边缘像素点的归一灰度差异度均大于预设差异阈值的路面混合区域作为光照裂缝区域。
进一步地,所述获取每个路面混合区域内每个像素点的灰度相关像素点的方法,包括:
选取路面灰度图像中任意一个路面混合区域内任意一个像素点作为分析像素点,分析像素点的预设窗口内任意一个像素点作为目标像素点,将分析像素点与目标像素点的灰度值的差值绝对值进行归一化,作为目标像素点的灰度差特征值;
将分析像素点的预设窗口内灰度差特征值小于追踪阈值的像素点,作为分析像素点的追踪像素点;
对于分析像素点的每个追踪像素点,获取追踪像素点的预设窗口内每个像素点的灰度差特征值;将追踪像素点的预设窗口内灰度差特征值小于追踪阈值的像素点,作为分析像素点的灰度相关像素点。
进一步地,所述将路面灰度图像的阴影区域分为阴影裂缝区域与阴影背景区域的方法,包括:
将路面灰度图像中每个路面混合区域内每个像素点的灰度相关像素点的数量与追踪像素点的乘积,作为路面灰度图像中每个路面混合区域内每个像素点的连续度;
将路面灰度图像中所有光照裂缝区域内像素点的所述连续度的均值作为光照裂缝连续值;
将路面灰度图像中所有光照裂缝区域内像素点的灰度值的均值作为理想裂缝灰度值;将路面灰度图像中每个阴影区域内每个像素点的灰度值与理想裂缝灰度值的差值绝对值进行负相关并归一化,得到路面灰度图像中每个阴影区域内每个像素点的理想差异度;
根据路面灰度图像中每个阴影区域内每个像素点与其灰度相关像素点的灰度值之间的差异,以及该像素点的理想差异度,获取路面灰度图像中每个阴影区域内每个像素点的裂缝特征值;
将路面灰度图像中每个阴影区域内所述裂缝特征值大于裂缝阈值的像素点构成连通域作为阴影裂缝区域;将路面灰度图像中每个阴影区域内所述裂缝特征值小于或者等于裂缝阈值的像素点构成连通域作为阴影背景区域。
进一步地,所述根据路面灰度图像中每个阴影区域内每个像素点与其灰度相关像素点的灰度值之间的差异,以及该像素点的理想差异度,获取路面灰度图像中每个阴影区域内每个像素点的裂缝特征值的方法,包括:
路面灰度图像中每个阴影区域内每个像素点的裂缝特征值的计算公式如下:
式中,为路面灰度图像中每个阴影区域内第i个像素点的裂缝特征值;/>为路面灰度图像中每个阴影区域内第i个像素点的理想差异度;/>为路面灰度图像中每个阴影区域内第i个像素点的连续度;/>为光照裂缝连续值;/>为路面灰度图像中每个阴影区域内第i个像素点的灰度值;/>为路面灰度图像中每个阴影区域内第i个像素点的第n个灰度相关像素点的灰度值;N为路面灰度图像中每个阴影区域内第i个像素点的灰度相关像素点的总数量;/>为极小正数;Norm为归一化函数;/>为绝对值函数。
进一步地,所述优化路面图像的获取方法,包括:
将路面灰度图像中所有光照背景区域内像素点的灰度值的均值作为理想背景灰度值;
将路面灰度图像中所有阴影裂缝区域内像素点的灰度值的均值作为阴影裂缝灰度值,所有阴影背景区域内像素点的灰度值的均值作为阴影背景灰度值;
将理想背景灰度值与阴影背景灰度值的比值作为阴影背景调节系数;将阴影背景区域内每个像素点的灰度值与所述阴影背景调节系数的乘积,作为阴影背景区域内每个像素点的优化灰度值;
将理想裂缝灰度值与阴影裂缝灰度值的比值作为阴影裂缝调节系数;将阴影裂缝区域内每个像素点的灰度值与所述阴影裂缝调节系数的乘积,作为阴影裂缝区域内每个像素点的优化灰度值;
由路面灰度图像中阴影背景区域内每个像素点的优化灰度值、阴影裂缝区域内每个像素点的优化灰度值、光照背景区域内每个像素点的灰度值以及光照裂缝区域内每个像素点的灰度值构成优化路面图像。
进一步地,所述基于优化路面图像检测路面裂缝的方法,包括:
对优化路面图像中像素点的灰度值使用最大类间方差法获取分割阈值,将优化路面图像中灰度值小于分割阈值的像素点构成的连通域作为路面裂缝区。
本发明具有如下有益效果:
在本发明实施例中,路面灰度图像中光照区域中路面背景与周围区域差异较为明显,将路面灰度图像划分为光照背景区域与路面混合区域,由于裂缝区域的边缘像素点与其周围像素点之间灰度差异较大,根据该特征从路面混合区域中筛选出光照裂缝区域,将路面灰度图像中除光照裂缝区域外的路面混合区域作为路面灰度图像的阴影区域;因阴影区域内路面背景与裂缝之间的灰度差异较小,无法区分阴影区域内的路面背景与裂缝,但裂缝具有独特的纹理走势且呈条状分布,即裂缝的像素点与其周围像素点较为相似,将的阴影区域分为阴影裂缝区域与阴影背景区域;由于光照区域内路面背景与裂缝之间差异较大,能较为轻易区分,则光照区域内路面背景与裂缝对阴影区域中的路面背景与裂缝进行图像增强,提高图像的增强效果,获取优化路面图像,增加路面裂缝检测的准确度。
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为本发明一个实施例所提供的一种基于图像处理的路面裂缝检测方法的方法流程图。
图2为本发明一个实施例所提供的一种路面灰度图像局部示意图。
图3为本发明一个实施例所提供的一种初始路面二值图像局部示意图。
具体实施方式
一种基于图像处理的路面裂缝检测方法实施例:
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基于图像处理的路面裂缝检测方法,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基于图像处理的路面裂缝检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的路面裂缝检测方法的方法流程图,该方法包括:
步骤S1:获取路面灰度图像;根据路面灰度图像中像素点的灰度分布,将路面灰度图像划分为光照背景区域与路面混合区域。
具体的,在阳光照射下,因道路两侧树木遮挡,导致路面上阴影区域与光照区域并存,利用工业相机采集路面图像得到路面RGB图像,对路面RGB图像进行灰度化处理得到路面灰度图像。图2为本发明一个实施例所提供的一种路面灰度图像局部示意图。需要说明的是,本发明实施例中选用加权平均灰度化算法对路面RGB图像进行灰度化处理,具体方法在此不做介绍,为本领域技术人员熟知的技术手段。
路面灰度图像中光照区域中路面背景与周围区域差异较为明显,将路面灰度图像划分为光照背景区域与路面混合区域。
优选地,将路面灰度图像划分为光照背景区域与路面混合区域的具体方法为:利用大津二值化法获取路面灰度图像的初始路面二值图像;根据初始路面灰度图像中像素点的灰度分布,将初始路面二值图像划分为至少两个初始区域;根据初始区域内像素点的数量筛选出初始区域中的噪声区域;在初始路面二值图像中将噪声区域剔除,得到去噪路面二值图像;将去噪路面二值图像中灰度值为255的像素点构成的连通域在路面灰度图像中相同位置对应的区域作为路面灰度图像的光照背景区域,灰度值为0的像素点构成的连通域在路面灰度图像中相同位置对应的区域作为路面灰度图像的路面混合区域。
作为一个示例,利用大津二值化法获取初始路面二值图像的具体过程如下:
对路面灰度图像中像素点的灰度值使用大津法获取分割阈值,将路面灰度图像中灰度值小于分割阈值的像素点的灰度值设置为0,灰度值大于或者等于分割阈值的像素点的灰度值设置为255,得到初始路面二值图像。图3为本发明一个实施例所提供的一种初始路面二值图像局部示意图。其中,大津二值化法为本领域技术人员公知技术,在此不再赘述。
初始路面二值图像可以粗略被分为光照区域与阴影区域,光照区域为图3中大片白色区域,阴影区域为图3中大片的黑色区域。道路铺装材料包括:沥青、砖、砂土与混凝土等,利用路面灰度图像识别裂缝的过程中容易出现因道路材质产生的噪声,图3中大片白色区域中的黑色小点与大片黑色区域中的白色小点为道路材质产生的噪声。为避免道路材质对路面灰度图像中裂缝识别的影响,获取道路材质产生的噪声区域。噪声区域的具体获取过程如下:
根据初始路面二值图像中灰度分布,将初始路面二值图像精确划分区域即初始区域。
初始路面二值图像中的初始区域的具体获取方法为:在初始路面二值图像中任选一个像素点作为待分析像素点,获取到分析像素点的连通域作为初始区域。
作为一个示例,在初始路面二值图像中任选一个像素点作为待分析像素点,将待分析像素点作为生长点进行区域生长,在生长点的预设邻域内灰度值与生长点的灰度值相等的像素点作为新的生长点进行区域生长,直至所有的新的生长点的预设邻域内像素点的灰度值均不等于新的生长点的灰度值时停止区域生长,得到初始区域。需要说明的是,初始路面二值图像中的初始区域可能为光照区域、阴影区域、裂缝区域与道路材质导致的噪声区域。本发明实施例中预设邻域的尺寸取经验值,实施者可根据实际情况自行设置。
已知路面材质产生的噪声的面积较小,路面上阴影区域、光照区域与裂缝区域的面积较小,则根据初始区域内像素点的数量筛选噪声区域。
优选地,噪声区域的具体筛选方法为:统计初始路面二值图像中每个初始区域内像素点的数量作为每个初始区域的面积;对每个初始区域的面积进行归一化,得到初始路面二值图像中每个初始区域的噪声特征值;将噪声特征值小于预设噪声阈值的初始区域作为噪声区域。
将初始区域内像素点的数量作为初始区域的面积。本发明实施例中选用最大最小规范化对初始区域的面积进行归一化处理,得到初始区域的噪声特征值,呈现初始区域为噪声区域的可能性。在本发明其他实施例中可以选用其他对初始区域的面积进行归一化的方法,例如函数转换与Sigmoid函数等归一化方法,在此不做限定。
将噪声特征值小于预设噪声阈值的初始区域作为噪声区域,即道路材质产生的噪声,噪声特征值大于或者等于预设噪声阈值的初始区域可能为光照区域、阴影区域或者裂缝区域。本发明实施例中预设噪声阈值取经验值0.3,实施者可根据实际情况自行设置。
为了避免道路材质对裂缝判断的影响,去除初始路面二值图像中的噪声,由于初始路面二值图中像素点的灰度值为0或者255,初始路面二值图像中噪声区域内像素点为0或255,即图3中大片白色区域中噪声区域内像素点的灰度值为0,大片黑色区域中噪声区域内像素点的灰度值为255,则噪声区域与其周围区域内像素点的灰度值相差255。因此,将初始路面二值图像中噪声区域内每个像素点的灰度值与255之间的差值绝对值,作为噪声区域内每个像素点的去噪灰度值,以去除初始路面二值图像中道路材质产生的噪声影响。
由初始路面二值图像中所有噪声区域内每个像素点的去噪灰度值,与初始路面二值图像中除噪声区域外其他像素点的灰度值构成去噪路面二值图像,去噪路面二值图像中初始区域为阴影区域、光照区域或者裂缝区域。需要说明的是路面灰度图像、初始路面二值图像与去噪路面图像三张图像中像素点一一对应。
将去噪路面二值图像中灰度值为255的像素点构成的连通域在路面灰度图像中相同位置对应的区域作为路面灰度图像的光照背景区域,灰度值为0的像素点构成的连通域在路面灰度图像中相同位置对应的区域作为路面灰度图像的路面混合区域。需要说明的是,路面灰度图像中存在多个路面混合区域。由图3可知,光照区域中裂缝区域内像素点的灰度值为0,即去噪路面二值图像中灰度值为0的像素点构成的连通域可能为光照区域中的裂缝或者阴影区域。
步骤S2:基于路面灰度图像中每个路面混合区域的边缘像素点与其周围像素点的灰度差异,从路面混合区域中筛选出光照裂缝区域;将路面灰度图像中除光照裂缝区域外的路面混合区域作为路面灰度图像的阴影区域。
不论阴影区域中裂缝区域的边缘与路面背景的灰度值差异,还是光照区域中裂缝区域的边缘与路面背景的灰度差异,相较于光照区域与阴影区域的接壤边缘灰度值差异较大,路面混合区域中边缘像素点与其周围像素点的灰度差异的大小呈现路面混合区域是否光照裂缝区域。
优选地,光照裂缝区域的具体获取方法为:将去噪路面二值图像中灰度值为0的像素点构成的连通域作为去噪路面二值图像的去噪混合区域,去噪混合区域与路面混合区域一一对应;将去噪路面二值图像进行边缘检测得到去噪混合区域的边缘在路面灰度图像中对应路面混合区域的相同位置的边缘作为该路面混合区域的分析边缘;获取路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点的梯度方向;对于路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点,将边缘像素点与其梯度方向上前一个像素点的灰度值之间的差值绝对值进行归一化,得到路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点的归一灰度差异度;将分析边缘上每个边缘像素点的归一灰度差异度均大于预设差异阈值的路面混合区域作为光照裂缝区域。
作为一个示例,将去噪路面二值图像中灰度值为0的像素点构成的连通域作为去噪路面二值图像的去噪混合区域,去噪混合区域与路面混合区域一一对应。选用Canny边缘检测算子对去噪路面二值图像进行边缘检测,将获取去噪路面二值图像中每个去噪混合区域的边缘在路面灰度图像中相同位置对应的边缘,作为路面灰度图像中对应路面混合区域的分析边缘。由于去噪路面二值图像中灰度值为0的像素点构成的连通域可能为光照区域中的裂缝或者阴影区域,则路面灰度图像中的分析边缘为光照区域中裂缝的边缘或者阴影与光照交界产生的边缘。
利用Sobel算子获取路面灰度图像中每个路面混合区域的分析边缘上每个像素点的梯度方向。以路面灰度图像中任意一个路面混合区域的分析边缘上第b个边缘像素点为例进行分析,边缘像素点/>的梯度方向上存在多个像素点,若像素点/>位于边缘像素点/>的梯度方向上,且像素点/>与边缘像素点/>之间的欧式距离是边缘像素点/>的梯度方向上所有像素点分别与边缘像素点/>之间的欧式距离中的最小值,则像素点/>为边缘像素点/>的梯度方向上前一个像素点。利用归一化函数对边缘像素点/>的灰度值/>与像素点/>的灰度值/>之间的差值绝对值/>进行归一化处理,得到边缘像素点/>的归一灰度差异度。根据上述方法,获取路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点的归一灰度差异度。
在本发明实施例中可以选用其他对进行归一化的方法,例如函数转换与最大最小规范化等归一化方法,在此不做限定。其中,Canny边缘检测算子与Sobel算子均为本领域技术人员公知技术,在此不再赘述。
对于每个路面混合区域,当路面混合区域的分析边缘上每个边缘像素点的归一灰度差异度均大于预设差异阈值时,将该路面混合区域作为光照裂缝区域。本发明实施例中预设差异阈值取经验值0.7,实施者可根据实际情况自行设置。
根据上述方法,获取路面灰度图像中所有的光照裂缝区域。
步骤S3:获取每个路面混合区域内每个像素点的灰度相关像素点;根据路面灰度图像中每个阴影区域内每个像素点与光照裂缝区域内像素点的灰度相关像素点的数量之间差异,以及对应阴影区域内每个像素点与其灰度相关像素点的灰度差异,将路面灰度图像的阴影区域分为阴影裂缝区域与阴影背景区域。
路面灰度图像中阴影区域的视觉效果较差,无法区分阴影区域中的路面背景与裂缝,但裂缝具有独特的纹理走势且呈条状分布,裂缝位于光照区域或者阴影区域,这种特性均较为明显,基于裂缝的连续程度将阴影区域分为阴影裂缝区域与阴影背景区域。
路面混合区域内像素点的连续程度通过像素点的灰度相关像素点的数量呈现。
优选地,路面混合区域中像素点的灰度相关像素点的具体获取方法为:将路面灰度图像中所有光照裂缝区域内像素点的灰度值的均值作为理想裂缝灰度值;选取路面灰度图像中任意一个路面混合区域内任意一个像素点作为分析像素点,分析像素点的预设窗口内任意一个像素点作为目标像素点,将分析像素点与目标像素点的灰度值的差值绝对值进行归一化,作为目标像素点的灰度差特征值;将分析像素点的预设窗口内灰度差特征值小于追踪阈值的像素点,作为分析像素点的追踪像素点;对于分析像素点的每个追踪像素点,获取追踪像素点的预设窗口内每个像素点的灰度差特征值;将追踪像素点的预设窗口内灰度差特征值小于追踪阈值的像素点,作为分析像素点的灰度相关像素点。
作为一个示例,以路面灰度图像中任意一个路面混合区域内第d个像素点,将像素点/>的预设窗口内第e个像素点/>为例进行分析,将像素点/>的灰度值/>与像素点/>的灰度值/>之间的差值绝对值/>进行归一化处理,得到像素点/>的灰度差特征值。当像素点/>的灰度差特征值小于追踪阈值时,将像素点/>作为像素点/>的追踪像素点。根据上述方法,获取像素点/>所有的追踪像素点。在本发明实施例中可以选用函数转换与最大最小规范化等归一化方法对/>进行归一化,在此不做限定。
若像素点为像素点/>的追踪像素点,获取像素点/>的预设窗口的每个像素点的灰度差特征值,将像素点/>的预设窗口内灰度差特征值小于追踪阈值的像素点作为像素点/>的灰度相关像素点,该灰度相关像素点的数量为/>。需要说明的是,像素点/>的预设窗口内每个像素点的灰度差特征值的获取方法与像素点/>的预设窗口内每个像素点的灰度差特征值的获取方法相同。
本发明实施例中预设窗口的尺寸取经验值,追踪阈值取经验值0.3,实施者可根据实际情况自行设置。像素点的预设窗口为以像素点为中心建立的/>的窗口。
若像素点的追踪像素点为像素点/>与/>,由像素点/>得到的像素点/>的灰度相关像素点的数量为/>,素点/>得到的像素点/>的灰度相关像素点的数量为/>,则像素点/>的灰度相关像素点的总数量等于/>。
至此,得到路面灰度图像中每个路面混合区域内每个像素点的灰度相关像素点。
路面灰度图像中每个阴影区域内每个像素点与光照裂缝区域内像素点的灰度相关像素点的数量之间差异,呈现阴影区域内像素点为裂缝的可能性;阴影区域内每个像素点与其灰度相关像素点的灰度差异反映像素点的连续程度,结合分析使阴影区域分为阴影裂缝区域与阴影背景区域更加准确。
优选地,将路面灰度图像中的阴影区域分为阴影裂缝区域与阴影背景区域的具体方法为:将路面灰度图像中每个路面混合区域内每个像素点的灰度相关像素点的数量与追踪像素点的乘积,作为路面灰度图像中每个路面混合区域内每个像素点的连续度;将路面灰度图像中所有光照裂缝区域内像素点的连续度的均值作为光照裂缝连续值;将路面灰度图像中所有光照裂缝区域内像素点的灰度值的均值作为理想裂缝灰度值;将路面灰度图像中每个阴影区域内每个像素点的灰度值与理想裂缝灰度值的差值绝对值进行负相关并归一化,得到路面灰度图像中每个阴影区域内每个像素点的理想差异度;根据路面灰度图像中每个阴影区域内每个像素点与其灰度相关像素点的灰度值之间的差异,以及该像素点的理想差异度,获取路面灰度图像中每个阴影区域内每个像素点的裂缝特征值;将路面灰度图像中每个阴影区域内裂缝特征值大于裂缝阈值的像素点构成连通域作为阴影裂缝区域;将路面灰度图像中每个阴影区域内裂缝特征值小于或者等于裂缝阈值的像素点构成连通域作为阴影背景区域。
根据路面混合区域内每个像素点的追踪像素点与其灰度相关像素点的数量,获取像素点的连续度,路面灰度图像中每个路面混合区域内每个像素点的连续度的计算公式如下:
式中,为路面灰度图像中每个路面混合区域内第h个像素点的连续度;/>为路面灰度图像中每个路面混合区域内第h个像素点的追踪像素点的数量;/>为路面灰度图像中每个路面混合区域内第h个像素点的灰度相关像素点的数量。
需要说明的是,当越大时,说明像素点与预设窗口内像素点的灰度值越相近,灰度相关像素点分布连续程度较高,则连续度/>越大;当/>越大时,说明像素点其周围像素点的灰度值越相似,体现灰度相关像素点分布连续程度相较于/>更加准确,则连续度/>越大。
将路面灰度图像中所有光照裂缝区域内像素点的连续度的均值作为光照裂缝连续值。
路面灰度图像中存在多个光照裂缝区域,将路面灰度图像中所有光照裂缝区域内所有像素点的灰度值的均值,作为理想裂缝灰度值。
本发明实施例中通过路面灰度图像中阴影区域内像素点与理想裂缝灰度值之间的差异,呈现阴影区域内像素点为裂缝的可能性,路面灰度图像中每个阴影区域内每个像素点的理想差异度的计算公式如下:
式中,为路面灰度图像中每个阴影区域内第i个像素点的理想差异度;/>为路面灰度图像中每个阴影区域内第i个像素点的灰度值;/>为理想裂缝灰度值;/>为绝对值函数。
需要说明的是,当越小时,说明阴影区域内像素点与裂缝中像素点的灰度值越相似,阴影区域内像素点为裂缝的可能性越大,则理想差异度/>越大。
结合路面灰度图像中每个阴影区域内每个像素点与其灰度相关像素点的灰度值之间的差异,以及该像素点的理想差异度,获取路面灰度图像中每个阴影区域内每个像素点的裂缝特征值。路面灰度图像中每个阴影区域内每个像素点的裂缝特征值的计算公式如下:
式中,为路面灰度图像中每个阴影区域内第i个像素点的裂缝特征值;/>为路面灰度图像中每个阴影区域内第i个像素点的理想差异度;/>为路面灰度图像中每个阴影区域内第i个像素点的连续度;/>为光照裂缝连续值;/>为路面灰度图像中每个阴影区域内第i个像素点的灰度值;/>为路面灰度图像中每个阴影区域内第i个像素点的第n个灰度相关像素点的灰度值;N为路面灰度图像中每个阴影区域内第i个像素点的灰度相关像素点的总数量;/>为极小正数,取经验值0.01,作用为防止分母为0使得分式无意义;Norm为归一化函数;为绝对值函数。
需要说明的是,当理想差异度越大时,说明阴影区域内像素点为裂缝的可能性越大,则裂缝特征值/>越大;当/>越小时,说明阴影区域内像素点的连续程度与光在裂缝区域内像素点的连续程度越相似,阴影区域内像素点为裂缝的可能性越大,则裂缝特征值越大;当/>越小时,说明阴影区域内像素点与周围像素点的灰度越相似,阴影区域内像素点越连续,则阴影区域内像素点为裂缝的可能性越大,裂缝特征值/>越大。
至此,获取路面灰度图像中每个阴影区域内每个像素点的裂缝特征值。
将路面灰度图像中每个阴影区域内裂缝特征值大于裂缝阈值的像素点构成连通域作为阴影裂缝区域;将路面灰度图像中每个阴影区域内裂缝特征值小于或者等于裂缝阈值的像素点构成连通域作为阴影背景区域。本发明实施例中裂缝阈值取经验值0.7,实施者可根据具体情况自行设置。
步骤S4:根据路面灰度图像中光照裂缝区域内像素点的灰度值对阴影裂缝区域内像素点的灰度值进行优化,光照背景区域内像素点的灰度值对阴影背景区域内像素点的灰度值进行优化,获取优化路面图像。
已知光照区域中裂缝与路面背景之间差异明显,而阴影区域中裂缝与路面背景之间的差异较小,本发明将光照背景区域与光照裂缝区域内像素点的灰度值分别设置期望值,根据期望值对阴影区域中的路面背景和裂缝分别进行增强得到优化路面图像,实现对路面灰度图像的优化。
优选地,优化路面图像的相似获取过程如下:将路面灰度图像中所有光照背景区域内像素点的灰度值的均值作为理想背景灰度值;将路面灰度图像中所有阴影裂缝区域内像素点的灰度值的均值作为阴影裂缝灰度值,所有阴影背景区域内像素点的灰度值的均值作为阴影背景灰度值;将理想背景灰度值与阴影背景灰度值的比值作为阴影背景调节系数;将阴影背景区域内每个像素点的灰度值与阴影背景调节系数的乘积,作为阴影背景区域内每个像素点的优化灰度值;将理想裂缝灰度值与阴影裂缝灰度值的比值作为阴影裂缝调节系数;将阴影裂缝区域内每个像素点的灰度值与阴影裂缝调节系数的乘积,作为阴影裂缝区域内每个像素点的优化灰度值;由路面灰度图像中阴影背景区域内每个像素点的优化灰度值、阴影裂缝区域内每个像素点的优化灰度值、光照背景区域内每个像素点的灰度值以及光照裂缝区域内每个像素点的灰度值构成优化路面图像。
作为一个示例,将路面灰度图像中所有光照背景区域内所有像素点的灰度值的均值作为理想背景灰度值。步骤S3中获取的理想裂缝灰度值/>。将路面灰度图像中所有阴影裂缝区域内所有像素点的灰度值的均值作为阴影裂缝灰度值/>,所有阴影背景区域内所有像素点的灰度值的均值作为阴影背景灰度值/>。将理想背景灰度值/>与阴影背景灰度值/>的比值作为阴影背景调节系数/>,理想裂缝灰度值/>与阴影裂缝灰度值/>的比值作为阴影裂缝调节系数/>。需要说明的是,阴影背景调节系数/>与阴影裂缝调节系数/>均大于1,以实现根据光照区域内像素点的灰度分布对阴影区域内像素点的灰度分布进行调整。需要说明的是,由于路面灰度图像存在道路材质产生的噪声,则阴影背景灰度值/>与阴影裂缝灰度值/>不可能为0。
路面灰度图像中每个阴影区域内每个像素点的优化灰度值的计算公式如下:
式中,为路面灰度图像中每个阴影背景区域内第j个像素点的优化灰度值;/>为路面灰度图像中每个阴影背景区域内第j个像素点的灰度值;/>为理想背景灰度值;/>为阴影背景灰度值;/>为阴影背景调节系数;/>为路面灰度图像中每个阴影裂缝区域内第k个像素点的优化灰度值;/>为路面灰度图像中每个阴影裂缝区域内第k个像素点的灰度值;为理想裂缝灰度值;/>为阴影裂缝灰度值;/>为阴影裂缝调节系数。
需要说明的是,当阴影背景调节系数越大,说明光照背景区域与阴影背景区域内灰度分布差异较大,需要对阴影背景区域内像素点的灰度值进行较大程度地调整,则阴影背景区域内像素点的优化灰度值/>越大;当阴影裂缝调节系数/>越大时,说明光照裂缝区域与阴影裂缝区域内灰度分布差异较大,需要对阴影裂缝区域内像素点的灰度值进行较大程度地调整,则阴影裂缝区域内像素点的优化灰度值/>越大。
由路面灰度图像中阴影背景区域内每个像素点的优化灰度值、阴影裂缝区域内每个像素点的优化灰度值、光照背景区域内每个像素点的灰度值以及光照裂缝区域内每个像素点的灰度值构成优化路面图像,完成了对路面灰度图像中阴影区域的增强。
步骤S5:基于优化路面图像检测路面裂缝。
优化路面图像是路面灰度图像的阴影区域经过线性增强后的图像,避免了阴影区域对裂缝的干扰,利用优化路面图像检测路面裂缝。
对优化路面图像中像素点的灰度值使用最大类间方差法获取分割阈值,将优化路面图像中灰度值小于分割阈值的像素点构成的连通域作为路面裂缝区。其中,最大类间方差法为本领域技术人员公知技术,在此不再赘述。
在本发明其他实施例中可以利用训练后的神经网络,获取优化路面图像中的路面裂缝区。
至此,本发明完成。
综上所述,本发明实施例将路面灰度图像划分为光照背景区域与路面混合区域,基于路面混合区域中边缘像素点与其周围像素点的灰度差异,将路面混合区域区分为光照裂缝区域与阴影区域,进一步将阴影区域分为阴影裂缝区域与阴影背景区域;根据光照裂缝区域内灰度值对阴影裂缝区域内灰度值进行优化,光照背景区域内灰度值对阴影背景区域内灰度值进行优化,得到优化路面图像,基于优化路面图像检测路面裂缝。本发明基于光照裂缝区域与光照背景区域对阴影裂缝区域与阴影背景区域进行图像增强,提高路面裂缝检测的准确性。
一种基于图像处理的路面裂缝图像增强方法实施例:
现有的自适应对比度增强算法根据图像中像素点周围灰度分布自适应对像素点进行增强,但是阴影区域内像素点基于其周围灰度分布进行增强的效果不佳。
为了解决阴影区域内像素点基于其周围灰度分布进行增强,导致图像效果不佳的技术问题,本发明的目的在于提供一种基于图像处理的路面裂缝图像增强方法,所采用的技术方案具体如下:
步骤S1:获取路面灰度图像;根据路面灰度图像中像素点的灰度分布,将路面灰度图像划分为光照背景区域与路面混合区域;
步骤S2:基于路面灰度图像中每个路面混合区域的边缘像素点与其周围像素点的灰度差异,从路面混合区域中筛选出光照裂缝区域;将路面灰度图像中除光照裂缝区域外的路面混合区域作为路面灰度图像的阴影区域;
步骤S3:获取每个路面混合区域内每个像素点的灰度相关像素点;根据路面灰度图像中每个阴影区域内每个像素点与光照裂缝区域内像素点的灰度相关像素点的数量之间差异,以及对应阴影区域内每个像素点与其灰度相关像素点的灰度差异,将路面灰度图像的阴影区域分为阴影裂缝区域与阴影背景区域;
步骤S4:根据路面灰度图像中光照裂缝区域内像素点的灰度值对阴影裂缝区域内像素点的灰度值进行优化,光照背景区域内像素点的灰度值对阴影背景区域内像素点的灰度值进行优化,获取优化路面图像。
本发明实施例提供种基于图像处理的路面裂缝图像增强方法具有如下技术效果:
在本发明实施例中,路面灰度图像中光照区域中路面背景与周围区域差异较为明显,将路面灰度图像划分为光照背景区域与路面混合区域,由于裂缝区域的边缘像素点与其周围像素点之间灰度差异较大,根据该特征从路面混合区域中筛选出光照裂缝区域,将路面灰度图像中除光照裂缝区域外的路面混合区域作为路面灰度图像的阴影区域;因阴影区域内路面背景与裂缝之间的灰度差异较小,无法区分阴影区域内的路面背景与裂缝,但裂缝具有独特的纹理走势且呈条状分布,即裂缝的像素点与其周围像素点较为相似,将的阴影区域分为阴影裂缝区域与阴影背景区域;由于光照区域内路面背景与裂缝之间差异较大,能较为轻易区分,则光照区域内路面背景与裂缝对阴影区域中的路面背景与裂缝进行图像增强,提高图像的增强效果。
其中,步骤S1-S4在上述一种基于图像处理的路面裂缝检测方法实施例中已给出了详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于图像处理的路面裂缝检测方法,其特征在于,该方法包括:
获取路面灰度图像;根据路面灰度图像中像素点的灰度分布,将路面灰度图像划分为光照背景区域与路面混合区域;
基于路面灰度图像中每个路面混合区域的边缘像素点与其周围像素点的灰度差异,从路面混合区域中筛选出光照裂缝区域;将路面灰度图像中除光照裂缝区域外的路面混合区域作为路面灰度图像的阴影区域;
获取每个路面混合区域内每个像素点的灰度相关像素点;根据路面灰度图像中每个阴影区域内每个像素点与光照裂缝区域内像素点的灰度相关像素点的数量之间差异,以及对应阴影区域内每个像素点与其灰度相关像素点的灰度差异,将路面灰度图像的阴影区域分为阴影裂缝区域与阴影背景区域;
根据路面灰度图像中光照裂缝区域内像素点的灰度值对阴影裂缝区域内像素点的灰度值进行优化,光照背景区域内像素点的灰度值对阴影背景区域内像素点的灰度值进行优化,获取优化路面图像;
基于优化路面图像检测路面裂缝。
2.根据权利要求1所述的一种基于图像处理的路面裂缝检测方法,其特征在于,所述路面灰度图像划分为光照背景区域与路面混合区域的方法,包括:
利用大津二值化法获取路面灰度图像的初始路面二值图像;
根据初始路面灰度图像中像素点的灰度分布,将初始路面二值图像划分为至少两个初始区域;
根据初始区域内像素点的数量筛选出初始区域中的噪声区域;在初始路面二值图像中将噪声区域剔除,得到去噪路面二值图像;
将去噪路面二值图像中灰度值为255的像素点构成的连通域在路面灰度图像中相同位置对应的区域作为路面灰度图像的光照背景区域,灰度值为0的像素点构成的连通域在路面灰度图像中相同位置对应的区域作为路面灰度图像的路面混合区域。
3.根据权利要求2所述的一种基于图像处理的路面裂缝检测方法,其特征在于,所述初始区域的获取方法,包括:
在初始路面二值图像中任选一个像素点作为待分析像素点,获取到分析像素点的连通域作为初始区域。
4.根据权利要求2所述的一种基于图像处理的路面裂缝检测方法,其特征在于,所述噪声区域的获取方法,包括:
统计初始路面二值图像中每个初始区域内像素点的数量作为每个初始区域的面积;对每个初始区域的面积进行归一化,得到初始路面二值图像中每个初始区域的噪声特征值;
将噪声特征值小于预设噪声阈值的初始区域作为噪声区域。
5.根据权利要求2所述的一种基于图像处理的路面裂缝检测方法,其特征在于,所述光照裂缝区域的获取方法,包括:
将去噪路面二值图像中灰度值为0的像素点构成的连通域作为去噪路面二值图像的去噪混合区域,所述去噪混合区域与所述路面混合区域一一对应;
将所述去噪路面二值图像进行边缘检测得到所述去噪混合区域的边缘在路面灰度图像中对应路面混合区域的相同位置的边缘作为该路面混合区域的分析边缘;
获取路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点的梯度方向;
对于路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点,将边缘像素点与其梯度方向上前一个像素点的灰度值之间的差值绝对值进行归一化,得到路面灰度图像中每个路面混合区域的分析边缘上每个边缘像素点的归一灰度差异度;
将分析边缘上每个边缘像素点的归一灰度差异度均大于预设差异阈值的路面混合区域作为光照裂缝区域。
6.根据权利要求1所述的一种基于图像处理的路面裂缝检测方法,其特征在于,所述获取每个路面混合区域内每个像素点的灰度相关像素点的方法,包括:
选取路面灰度图像中任意一个路面混合区域内任意一个像素点作为分析像素点,分析像素点的预设窗口内任意一个像素点作为目标像素点,将分析像素点与目标像素点的灰度值的差值绝对值进行归一化,作为目标像素点的灰度差特征值;
将分析像素点的预设窗口内灰度差特征值小于追踪阈值的像素点,作为分析像素点的追踪像素点;
对于分析像素点的每个追踪像素点,获取追踪像素点的预设窗口内每个像素点的灰度差特征值;将追踪像素点的预设窗口内灰度差特征值小于追踪阈值的像素点,作为分析像素点的灰度相关像素点。
7.根据权利要求6所述的一种基于图像处理的路面裂缝检测方法,其特征在于,所述将路面灰度图像的阴影区域分为阴影裂缝区域与阴影背景区域的方法,包括:
将路面灰度图像中每个路面混合区域内每个像素点的灰度相关像素点的数量与追踪像素点的乘积,作为路面灰度图像中每个路面混合区域内每个像素点的连续度;
将路面灰度图像中所有光照裂缝区域内像素点的所述连续度的均值作为光照裂缝连续值;
将路面灰度图像中所有光照裂缝区域内像素点的灰度值的均值作为理想裂缝灰度值;将路面灰度图像中每个阴影区域内每个像素点的灰度值与理想裂缝灰度值的差值绝对值进行负相关并归一化,得到路面灰度图像中每个阴影区域内每个像素点的理想差异度;
根据路面灰度图像中每个阴影区域内每个像素点与其灰度相关像素点的灰度值之间的差异,以及该像素点的理想差异度,获取路面灰度图像中每个阴影区域内每个像素点的裂缝特征值;
将路面灰度图像中每个阴影区域内所述裂缝特征值大于裂缝阈值的像素点构成连通域作为阴影裂缝区域;将路面灰度图像中每个阴影区域内所述裂缝特征值小于或者等于裂缝阈值的像素点构成连通域作为阴影背景区域。
8.根据权利要求7所述的一种基于图像处理的路面裂缝检测方法,其特征在于,所述根据路面灰度图像中每个阴影区域内每个像素点与其灰度相关像素点的灰度值之间的差异,以及该像素点的理想差异度,获取路面灰度图像中每个阴影区域内每个像素点的裂缝特征值的方法,包括:
路面灰度图像中每个阴影区域内每个像素点的裂缝特征值的计算公式如下:
式中,为路面灰度图像中每个阴影区域内第i个像素点的裂缝特征值;/>为路面灰度图像中每个阴影区域内第i个像素点的理想差异度;/>为路面灰度图像中每个阴影区域内第i个像素点的连续度;/>为光照裂缝连续值;/>为路面灰度图像中每个阴影区域内第i个像素点的灰度值;/>为路面灰度图像中每个阴影区域内第i个像素点的第n个灰度相关像素点的灰度值;N为路面灰度图像中每个阴影区域内第i个像素点的灰度相关像素点的总数量;/>为极小正数;Norm为归一化函数;/>为绝对值函数。
9.根据权利要求7所述的一种基于图像处理的路面裂缝检测方法,其特征在于,所述优化路面图像的获取方法,包括:
将路面灰度图像中所有光照背景区域内像素点的灰度值的均值作为理想背景灰度值;
将路面灰度图像中所有阴影裂缝区域内像素点的灰度值的均值作为阴影裂缝灰度值,所有阴影背景区域内像素点的灰度值的均值作为阴影背景灰度值;
将理想背景灰度值与阴影背景灰度值的比值作为阴影背景调节系数;将阴影背景区域内每个像素点的灰度值与所述阴影背景调节系数的乘积,作为阴影背景区域内每个像素点的优化灰度值;
将理想裂缝灰度值与阴影裂缝灰度值的比值作为阴影裂缝调节系数;将阴影裂缝区域内每个像素点的灰度值与所述阴影裂缝调节系数的乘积,作为阴影裂缝区域内每个像素点的优化灰度值;
由路面灰度图像中阴影背景区域内每个像素点的优化灰度值、阴影裂缝区域内每个像素点的优化灰度值、光照背景区域内每个像素点的灰度值以及光照裂缝区域内每个像素点的灰度值构成优化路面图像。
10.根据权利要求1所述的一种基于图像处理的路面裂缝检测方法,其特征在于,所述基于优化路面图像检测路面裂缝的方法,包括:
对优化路面图像中像素点的灰度值使用最大类间方差法获取分割阈值,将优化路面图像中灰度值小于分割阈值的像素点构成的连通域作为路面裂缝区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278265.3A CN117036341A (zh) | 2023-10-07 | 2023-10-07 | 一种基于图像处理的路面裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278265.3A CN117036341A (zh) | 2023-10-07 | 2023-10-07 | 一种基于图像处理的路面裂缝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117036341A true CN117036341A (zh) | 2023-11-10 |
Family
ID=88641337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311278265.3A Withdrawn CN117036341A (zh) | 2023-10-07 | 2023-10-07 | 一种基于图像处理的路面裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036341A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408890A (zh) * | 2023-12-14 | 2024-01-16 | 武汉泽塔云科技股份有限公司 | 一种视频图像传输质量增强方法及系统 |
CN117422705A (zh) * | 2023-11-24 | 2024-01-19 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
CN117557572A (zh) * | 2024-01-12 | 2024-02-13 | 大连傲盈科技有限公司 | 基于计算机视觉的公路施工质量检测方法 |
CN117557569A (zh) * | 2024-01-12 | 2024-02-13 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008039533A (ja) * | 2006-08-04 | 2008-02-21 | Hitachi High-Technologies Corp | 欠陥検査方法及びその装置 |
EP2811423A1 (en) * | 2013-06-03 | 2014-12-10 | Ricoh Company, Ltd. | Method and apparatus for detecting target |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
KR101717613B1 (ko) * | 2016-12-27 | 2017-03-17 | 주식회사한맥아이피에스 | 에지 정보 기반의 객체 추적 알고리즘을 통한 이동 차량 탐지 시스템 및 방법 |
CN114118144A (zh) * | 2021-11-11 | 2022-03-01 | 陈稷峰 | 抗干扰的航空遥感图像阴影精准检测方法 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115205227A (zh) * | 2022-06-22 | 2022-10-18 | 中国人民解放军国防科技大学 | 一种基于变化检测的sar图像阴影区域检测方法 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
-
2023
- 2023-10-07 CN CN202311278265.3A patent/CN117036341A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008039533A (ja) * | 2006-08-04 | 2008-02-21 | Hitachi High-Technologies Corp | 欠陥検査方法及びその装置 |
EP2811423A1 (en) * | 2013-06-03 | 2014-12-10 | Ricoh Company, Ltd. | Method and apparatus for detecting target |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
KR101717613B1 (ko) * | 2016-12-27 | 2017-03-17 | 주식회사한맥아이피에스 | 에지 정보 기반의 객체 추적 알고리즘을 통한 이동 차량 탐지 시스템 및 방법 |
CN114118144A (zh) * | 2021-11-11 | 2022-03-01 | 陈稷峰 | 抗干扰的航空遥感图像阴影精准检测方法 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115205227A (zh) * | 2022-06-22 | 2022-10-18 | 中国人民解放军国防科技大学 | 一种基于变化检测的sar图像阴影区域检测方法 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
Non-Patent Citations (1)
Title |
---|
韩锟;韩洪飞;: "基于区域级和像素级特征的路面裂缝检测方法", 铁道科学与工程学报, no. 05, pages 90 - 98 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422705A (zh) * | 2023-11-24 | 2024-01-19 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
CN117422705B (zh) * | 2023-11-24 | 2024-04-05 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
CN117408890A (zh) * | 2023-12-14 | 2024-01-16 | 武汉泽塔云科技股份有限公司 | 一种视频图像传输质量增强方法及系统 |
CN117408890B (zh) * | 2023-12-14 | 2024-03-08 | 武汉泽塔云科技股份有限公司 | 一种视频图像传输质量增强方法及系统 |
CN117557572A (zh) * | 2024-01-12 | 2024-02-13 | 大连傲盈科技有限公司 | 基于计算机视觉的公路施工质量检测方法 |
CN117557569A (zh) * | 2024-01-12 | 2024-02-13 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及系统 |
CN117557572B (zh) * | 2024-01-12 | 2024-03-19 | 大连傲盈科技有限公司 | 基于计算机视觉的公路施工质量检测方法 |
CN117557569B (zh) * | 2024-01-12 | 2024-04-02 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117036341A (zh) | 一种基于图像处理的路面裂缝检测方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
Li et al. | Novel approach to pavement image segmentation based on neighboring difference histogram method | |
CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
CN112950508A (zh) | 一种基于计算机视觉的排水管道视频数据修复方法 | |
CN107945200B (zh) | 图像二值化分割方法 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
CN111415363A (zh) | 一种图像边缘识别方法 | |
CN110956183B (zh) | 一种沥青路面裂缝形态提取方法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
CN116152115A (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
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 | |
CN114821158A (zh) | 一种基于图像处理的干枣质量分类方法及系统 | |
CN113053164A (zh) | 一种利用环视图像的车位识别方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231110 |