CN117058129A - 基于图像处理的桥梁表观病害自动识别方法 - Google Patents
基于图像处理的桥梁表观病害自动识别方法 Download PDFInfo
- Publication number
- CN117058129A CN117058129A CN202311294050.0A CN202311294050A CN117058129A CN 117058129 A CN117058129 A CN 117058129A CN 202311294050 A CN202311294050 A CN 202311294050A CN 117058129 A CN117058129 A CN 117058129A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- crack
- points
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 201000010099 disease Diseases 0.000 title claims abstract description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000003708 edge detection Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 17
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 16
- 230000003993 interaction Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 11
- 230000018109 developmental process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 238000009432 framing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003860 storage Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本发明公开了基于图像处理的桥梁表观病害自动识别方法,属于建筑裂缝检测技术领域,包括如下步骤:S1:获取桥梁裂缝原始图像;S2:使用高斯滤波对获取的桥梁裂缝原始图像进行一次去噪处理;S3:对滤波处理后的图像依次进行分割、二次去噪处理;S4:对经过分割、二次去噪处理的图像中的裂缝断裂区域进行连接;S5:利用八方向算子对连接后的裂缝进行边缘检测;S6:获取裂缝条数并标记;S7:对裂缝条数识别结果进行可视化展示。本发明通过滤波、去噪、图像分割处理,实现了噪声点去除、人机交互式裂缝连接、边缘检测、裂缝条数判别,提高了建筑裂缝病害检测效率、准确性和自动化程度。
Description
技术领域
本发明涉及建筑裂缝检测技术领域,具体涉及基于图像处理的桥梁表观病害自动识别方法。
背景技术
随着经济的发展,公路交通在国民经济和人民生活中扮演越来越重要的角色。尤其是公路与交通,作为推动国家经济发展的公共设施,拥有广阔的未来。桥梁的建造对物资运送发展,国家间密切的联系,便利日常的生活都有着极其重要的作用。
现有的桥梁裂缝检测有两种:
一、技术人员在实地进行检测,这种方法的效率很低,测量的准确性受主观因素的影响,更重要的是,往往有很多裂缝的所在的位置让人工检测受到了极大的制约。
二、基于人工视觉检测裂缝,也越来越不能适应于当今建筑的发展,速度慢,效率低下,成本高等缺点。利用计算机对图像进行处理能加快处理速度和减少成本。对于采集到的裂缝图像,因为采集设备的不同,建筑材料的影响等,图像中包含大量的噪音,需要对图像进行去噪处理以方便对图像中的裂缝进行提取。
基于这些问题,研究更加有效的桥梁裂缝检测方法尤为重要,为此,提出基于图像处理的桥梁表观病害自动识别方法。
发明内容
本发明所要解决的技术问题在于:如何解决现有技术中人工实地检测存在的准确性易受主观因素影响,以及人工视觉检测存在的速度慢、效率低下、成本高等问题,提供了基于图像处理的桥梁表观病害自动识别方法,通过采用高斯滤波来降噪,结合二值化处理,并对高斯滤波后的图像进行最佳阈值的自动选择,获取清晰完整的裂缝图像,解决了现有的裂缝识别的智能化程度低、检测效率低、检测成本高的问题。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:获取桥梁裂缝原始图像;
S2:使用高斯滤波对获取的桥梁裂缝原始图像进行一次去噪处理;
S3:对滤波处理后的图像依次进行分割、二次去噪处理;
S4:对经过分割、二次去噪处理的图像中的裂缝断裂区域进行连接;
S5:利用八方向算子对连接后的裂缝进行边缘检测;
S6:获取裂缝条数并标记;
S7:对裂缝条数识别结果进行可视化展示。
更进一步地,在所述步骤S2中,使用高斯滤波对图像进行一次去噪处理,采用离散化二维高斯滤波函数作为高斯核中的权值系数,利用高斯模板将二维连续正态分布函数离散化,得到权值矩阵;
二维高斯滤波函数公式为:
其中,表示标准差,/>表示像素点坐标,且为整数。
更进一步地,在所述步骤S3中,对图像进行分割的具体过程如下:
S301:计算图像的总平均灰度,公式为:
其中,前景点数占图像比例为,平均灰度为/>;背景点数占图像比例为/>,平均灰度为/>;
S302:计算前景和背景图像的方差,公式为:
;
S303:寻找满足方差最大的分割阈值t作为图像二值化的阈值,利用分割阈值t对图像进行二值化处理,实现图像分割。
更进一步地,在所述步骤S3中,对图像进行二次去噪的具体过程如下:
S311:在分割后的图像上选取两点作为矩形的两个对角点构造一个对应的矩阵;
S312:再将矩阵中的噪声点的值从1改变到0;
S313:在矩阵的四个方向上创建四个元素均为0的矩阵并将其融合成与原图像矩阵相同阶数的矩阵;
S314:将两个矩阵相加,得到结果矩阵,将结果矩阵的所有1的值改为0,再将所有2的值改为1,得到二次去噪后的图像。
更进一步地,在所述步骤S311中,具体处理过程如下:
S3111:利用ginput函数确定所要框选范围两对角点的坐标和/>;
S3112:根据和的像素点坐标值来计算出所框选部分的长宽大小;
S3113:读取出原二值化图像的长宽分别为L、H;
S3114:利用、/>、L、H计算出以框选部分为中心的四个方向上的矩阵的长度和宽度,框选部分的上方矩阵/>、左侧矩阵/>、右侧矩阵/>、下方矩阵/>的长度、与宽度计算公式分别如下:
其中,表示矩阵的长度,/>表示矩阵的宽度;
S3115:得到四个元素全为0的矩阵、/>、/>、/>和元素为1的中心矩阵,然后将这五个矩阵对应的排列方式组合起来,构造出矩阵/>。
更进一步地,在所述步骤S4中,像素点坐标表示的像素点在图像中的位置,像素点的值表示像素点二值化后的数值;对裂缝断裂区域进行连接时,利用断裂处的两个端点的像素点坐标确定经过两点的直线,利用直线公式找到直线上断裂点之间的像素点坐标,并将像素点的值改为1,进而将直线连接起来;接着判定两个断裂端点上下非0点的个数再对其取平均值,让直线上的点上下所对应的n个点的值改为1,对原始裂缝宽度进行模拟。
更进一步地,在所述步骤S4中,在裂缝断裂区域进行连接时,具体过程如下:通过ginput命令人为识别断裂端点和/>,计算两点的斜率k并采用点斜式拟合出两点之间的直线,具体公式如下:
计算在斜率k后,在matlab中利用循环语句和点斜式求出直线上的点,并将其数值从1改为0。
更进一步地,在所述步骤S5中,八方向算子利用0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°八个方向的模板进行边缘检测。
更进一步地,在所述步骤S6中,将经过边缘检测后的图像,获取裂缝条数并标记;标记时,在图像中通过连通区域分析将具有相同像素值且相邻像素找出并进行标记,利用two-pass算法遍历两次图像,第一次遍历给图像所有的像素设置一个标记,并记录各个标记属于对应的连通区域,第二次遍历将每个像素标记为所属的连通区域,进而计算出裂缝的条数且将裂缝标记出来。
本发明相比现有技术具有以下优点:该基于图像处理的桥梁表观病害自动识别方法,通过滤波、去噪、图像分割处理,实现了噪声点去除、人机交互式裂缝连接、边缘检测、裂缝条数判别,提高了建筑裂缝病害检测效率、准确性和自动化程度。
附图说明
图1是本发明实施例一中基于图像处理的桥梁表观病害自动识别方法的流程示意图;
图2a是本发明实施例一中均值滤波对裂缝处理效果图;
图2b是本发明实施例一中中值滤波对裂缝处理效果图;
图2c是本发明实施例一中高斯滤波对裂缝处理效果图;
图3是图2中高斯滤波处理后的图像经Otsu算法处理的结果图;
图4为对图3进行去噪后的效果对比图,其中,a是去噪前图像,b是去噪后图像;
图5图3中进行噪声点框选的结果示意图;
图6为图5中框选后构造矩阵的结果示意图;
图7为对图4的b中的裂缝进行连接的效果图,其中,a是连接前图像,b是连接后图像;
图8是本发明实施例一中在MATLAB中断裂处的图像二值化示意图;
图9是本发明实施例一中在MATLAB中断裂处的裂缝连接示意图;
图10是对图3的b中的裂缝进行边缘检测效果图(局部);
图11为本发明实施例二中裂缝图像检测系统的可视化界面图;
图12为本发明实施例二中可视化软件开发流程图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
如图1所示,本实施例提供一种技术方案:基于图像处理的桥梁表观病害自动识别方法,包括如下步骤:
步骤S1:获取桥梁裂缝原始图像;
步骤S2:使用滤波对获取的桥梁裂缝原始图像进行处理;
步骤S3:对滤波处理后的图像进行分割、去噪;
步骤S4:对图片中裂缝断裂区域进行连接;
步骤S5:对连接后的裂缝进行边缘检测;
步骤S6:获取裂缝条数并标记;
步骤S7:裂缝图像检测系统进行可视化展示。
在步骤S2中,在采集桥梁裂缝图像的过程中以及传输过程中,经常会有各种原因使图像被噪声干扰或出现数据丢失的情况,使图像的质量降低了,这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。
现有一般通过三种滤波处理方式对图像进行平滑处理,分别:均值滤波处理、中值滤波处理以及高斯滤波处理。本实施例对三种滤波方式进行反复试验,比对试验结果;最终选取了高斯滤波对图像进行处理;三种滤波对图片进行平滑处理效果如图2a、2b、2c所示。
图像高斯平滑(高斯滤波)是邻域平均的思想对图像进行平滑的一种方法,将不同权值赋予不同位置的像素。公式(1)为二维高斯函数:
(1)
其中,表示标准差,/>表示像素点坐标,且为整数;
离散化二维高斯滤波函数,得到的函数值作为高斯核中的权值系数。高斯模板是将二维连续正态分布函数离散化,得到一个阶权值矩阵。
(2)
邻域内每一个像素值可由公式(2)来确定,方差的大小对于高斯模板的权值影响很大。选择合适的模板尤为重要,本实施例选用了3*3的高斯模板对图像进行了处理。
使用均值滤波时,会将图像中的边缘信息以及特征信息“模糊”掉,会丢失很多特征。高斯滤波在各个方向上平滑程度相同,不会改变原图像的边缘走向,保证了特征点和边缘的特性。中值滤波处理效果和高斯滤波相差不大,但是在MATLAB中运算时间对比高斯滤波过长。因此,本实施例择优选取了高斯滤波对图像进行平滑处理。
在步骤S3中,依次对滤波处理后的图像进行分割处理和去噪处理。
1、图像分割处理是取一个最优阈值把原图像分为前景色(A部分)与背景色(B部分),两部分的类间方差,记t为前景与背景的分割阈值,前景点数占图像比例为,平均灰度为/>;背景点数占图像比例为/>,平均灰度为/>,则图像的总平均灰度为:
(3)
前景和背景图像的方差为:
(4)
公式(4)为方差公式,寻找满足方差最大的分割阈值t作为图像二值化的阈值,在MATLAB中编程实现Otsu算法,运行的结果如图3所示。
2、由于不同的工程项目会遇到不同的实际情况,以上几种去噪的方法难以满足所有项目要求。为此,本实施例提出了人机交互式去除噪声点和裂缝连接的方法。人工去除噪声点的方法是基于二值化后的图像对特定位置的像素值进行改变。首先在图像上选取两点作为矩形的两个对角点构建一个对应的矩阵,再将矩阵中的噪声点的值从1改变到0;随后在此矩阵的四个方向上创建四个元素都为0的矩阵并将其融合成与原图像矩阵相同阶数的矩阵;最后将两个矩阵相加,得到结果矩阵,将结果矩阵的所有1的值改为0,再将所有2的值改为1。这样就得到了去除噪声点之后的图像,如图4中的b所示。
在MATLAB中图像二值化之后已确定的长宽值(图像),每一个像素点对应一个矩阵位置。其中1代表的是白色,0代表的是黑色。
交互式的去噪方式是通过人工进行框选,将不需要的噪声点框选出来。首先利用ginput函数确定所要框选范围两对角的坐标,其中,为左上角点,/>为右下角点,如图5所示。
再利用、/>的像素点坐标值值来计算出所框选部分的长宽大小。利用szie命令读取出原本二值化图像的长宽分别为L、H。利用这两组数值计算出以框选部分为中心的四个方向上的矩阵大小。如图6所示的/>、/>、/>、/>这四个方框的长宽大小,具体公式如下:
(5)
其中,表示矩阵的长度,/>表示矩阵的宽度;
这样就可以得到四个元素全为0的、/>、/>、/>(全为黑色)矩阵和元素全为1(白色)的中心矩阵。再将这五个矩阵对应的排列方式组合起来,构造出矩阵/>。
在步骤S4中,像素点坐标表示的像素点在照片中的位置,像素点的值表示像素点二值化后的数值。对裂缝断裂区域进行连接时,利用断裂处的两个端点的像素点坐标确定经过两点的直线,利用直线公式找到直线上断裂点之间的像素点坐标,并将像素点的值改为1,从而使得裂缝连接起来。对于裂缝宽度,应判定两个端点上下非0点的个数再对其取平均值,让直线上的点上下所对应的n个点的值也改为1,达到模拟原始裂缝宽度的作用,如图7中a、b所示。
如图8所示,在MATLAB中图像二值化之后已确定的长宽值(图像),每一个像素点对应一个矩阵位置。其中1代表的是白色,0代表的是黑色。此·图为断裂处数据情况。
在MATLAB中通过ginput命令人为识别断裂端点和/>,计算两点的斜率k并采用点斜式拟合出两点之间的直线,具体公式如下:
(6);
计算在斜率k后,在MATLAB中利用循环语句和点斜式求出直线上的点,并将其数值从1改为0,实现人工交互式的裂缝连接。
步骤S5中,边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识出数字图像中亮度变化明显的点。从图5中得到一条相对完整的裂缝。为了后续能够获取到裂缝的面积等数据,需对裂缝的边缘轮廓进行提取,本实施例采用了八方向算子对裂缝边缘进行提取。边缘检测算子对像素灰度值做了加权平均,提供了较为连续的边缘方向信息。
由于传统图像边缘检测方法达不到理想效果,本实施例提出一种基于八方向算子的边缘检测算法,采用0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°八个方向的模板进行检测,能较好地检测出不同方向的边缘。在检测过程中,因为邻域内像素到中心像素距离的不同,其对中心像素的贡献便不一样,算法根据邻域内像素到中心像素的欧氏距离的不同对像素进行加权,越近权值就越大。实验结果表明,算法得出裂缝边缘图像较为完整,轮廓线条清晰且连续性较好。通过MATLAB编程运行的结果如图10所示。
步骤S6中,经过边缘检测后的图像,就可以利用MATLAB解求出裂缝条数,并对裂缝进行标记。在二值化图像中通过连通区域分析将具有相同像素值且相邻像素找出并进行标记。利用two-pass算法,遍历两次图像,第一次遍历给图像所有的像素设置一个标记,并记录各个标记属于对应的连通域,第二次遍历将每个像素标记为所属的连通域。通过此方法计算连通区域的数量并对连通区域进行标记,等同于计算出了裂缝的数量且将裂缝标记出来。
实施例二
本实施例提供了一种基于图像桥梁表观病害自动识别系统,可用于执行完成实施例一种的方法内容,其中的裂缝图像检测系统是基于matlab app designer实现程序编写和软件制作。软件主要分为图像处理、裂缝连接、边缘检测、裂缝数量统计等功能,包含显示面板和控制面板两个模块,其系统界面图如图11所示。
裂缝自动识别软件启动之后,首先需要进行图像数据的导入,然后对图像进行灰度化处理。在此基础上利用Otsu算法、高斯滤波等方法对图像进行预处理。在完成图像预处理之后进行人机交互式的裂缝连接与噪声点去除。最后利用Soble边缘检测算子(八方向算子)实现对裂缝的边缘检测并在此基础上实现裂缝条数读取与标记。软件开发流程图如图12所示。
结合实施例一和实施例二可知,本发明为了解决图像中建筑裂缝识别与提取,进行了图像滤波降噪、图像分割、边缘检测等技术的研究。比较了均值滤波、中值滤波、高斯滤波去除多余的噪声点的好坏,确定采用高斯滤波来降噪,结合二值化处理,并利用算法对高斯滤波后的图像进行最佳阈值的自动选择,获取清晰完整的裂缝图像,为八方向算子提取裂缝边缘提供了图像基础,对于裂缝数据的获取尤为重要。此外,本发明实现了图像分割、裂缝连接、八方向算子检测,提取了裂缝并标记裂缝个数,这些成果对于自动化提取图像建筑裂缝具有积极的意义,将会在建筑物维护和裂缝加固修缮中发挥重要的作用。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.基于图像处理的桥梁表观病害自动识别方法,其特征在于,包括以下步骤:
S1:获取桥梁裂缝原始图像;
S2:使用高斯滤波对获取的桥梁裂缝原始图像进行一次去噪处理;
S3:对滤波处理后的图像依次进行分割、二次去噪处理;
S4:对经过分割、二次去噪处理的图像中的裂缝断裂区域进行连接;
S5:利用八方向算子对连接后的裂缝进行边缘检测;
S6:获取裂缝条数并标记;
S7:对裂缝条数识别结果进行可视化展示。
2.根据权利要求1所述的基于图像处理的桥梁表观病害自动识别方法,其特征在于:在所述步骤S2中,使用高斯滤波对图像进行一次去噪处理,采用离散化二维高斯滤波函数作为高斯核中的权值系数,利用高斯模板将二维连续正态分布函数离散化,得到权值矩阵;
二维高斯滤波函数公式为:
其中,表示标准差,/>表示像素点坐标,且为整数。
3.根据权利要求1所述的基于图像处理的桥梁表观病害自动识别方法,其特征在于:在所述步骤S3中,对图像进行分割的具体过程如下:
S301:计算图像的总平均灰度,公式为:
其中,前景点数占图像比例为,平均灰度为/>;背景点数占图像比例为/>,平均灰度为/>;
S302:计算前景和背景图像的方差,公式为:
;
S303:寻找满足方差最大的分割阈值t作为图像二值化的阈值,利用分割阈值t对图像进行二值化处理,实现图像分割。
4.根据权利要求3所述的基于图像处理的桥梁表观病害自动识别方法,其特征在于:在所述步骤S3中,对图像进行二次去噪的具体过程如下:
S311:在分割后的图像上选取两点作为矩形的两个对角点构造一个对应的矩阵;
S312:再将矩阵中的噪声点的值从1改变到0;
S313:在矩阵的四个方向上创建四个元素均为0的矩阵并将其融合成与原图像矩阵相同阶数的矩阵;
S314:将两个矩阵相加,得到结果矩阵,将结果矩阵的所有1的值改为0,再将所有2的值改为1,得到二次去噪后的图像。
5.根据权利要求4所述的基于图像处理的桥梁表观病害自动识别方法,其特征在于:在所述步骤S311中,具体处理过程如下:
S3111:利用ginput函数确定所要框选范围两对角点的坐标和/>;
S3112:根据和/>的像素点坐标值来计算出所框选部分的长宽大小;
S3113:读取出原二值化图像的长宽分别为L、H;
S3114:利用、/>、L、H计算出以框选部分为中心的四个方向上的矩阵的长度和宽度,框选部分的上方矩阵/>、左侧矩阵/>、右侧矩阵/>、下方矩阵/>的长度、与宽度计算公式分别如下:
其中,表示矩阵的长度,/>表示矩阵的宽度;
S3115:得到四个元素全为0的矩阵、/>、/>、/>和元素为1的中心矩阵,然后将这五个矩阵对应的排列方式组合起来,构造出矩阵/>。
6.根据权利要求1或5所述的基于图像处理的桥梁表观病害自动识别方法,其特征在于:在所述步骤S4中,像素点坐标表示的像素点在图像中的位置,像素点的值表示像素点二值化后的数值;对裂缝断裂区域进行连接时,利用断裂处的两个端点的像素点坐标确定经过两点的直线,利用直线公式找到直线上断裂点之间的像素点坐标,并将像素点的值改为1,进而将直线连接起来;接着判定两个断裂端点上下非0点的个数再对其取平均值,让直线上的点上下所对应的n个点的值改为1,对原始裂缝宽度进行模拟。
7.根据权利要求1或5所述的基于图像处理的桥梁表观病害自动识别方法,其特征在于:在所述步骤S4中,在裂缝断裂区域进行连接时,具体过程如下:通过ginput命令人为识别断裂端点和/>,计算两点的斜率k并采用点斜式拟合出两点之间的直线,具体公式如下:
计算在斜率k后,在matlab中利用循环语句和点斜式求出直线上的点,并将其数值从1改为0。
8.根据权利要求1所述的基于图像处理的桥梁表观病害自动识别方法,其特征在于:在所述步骤S5中,八方向算子利用0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°八个方向的模板进行边缘检测。
9.根据权利要求1所述的基于图像处理的桥梁表观病害自动识别方法,其特征在于:在所述步骤S6中,将经过边缘检测后的图像,获取裂缝条数并标记;标记时,在图像中通过连通区域分析将具有相同像素值且相邻像素找出并进行标记,利用two-pass算法遍历两次图像,第一次遍历给图像所有的像素设置一个标记,并记录各个标记属于对应的连通区域,第二次遍历将每个像素标记为所属的连通区域,进而计算出裂缝的条数且将裂缝标记出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294050.0A CN117058129B (zh) | 2023-10-09 | 2023-10-09 | 基于图像处理的桥梁表观病害自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294050.0A CN117058129B (zh) | 2023-10-09 | 2023-10-09 | 基于图像处理的桥梁表观病害自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058129A true CN117058129A (zh) | 2023-11-14 |
CN117058129B CN117058129B (zh) | 2024-01-12 |
Family
ID=88666542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311294050.0A Active CN117058129B (zh) | 2023-10-09 | 2023-10-09 | 基于图像处理的桥梁表观病害自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058129B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700395A (zh) * | 2014-11-11 | 2015-06-10 | 长安大学 | 一种构造物外观裂缝检测方法及系统 |
CN108764251A (zh) * | 2018-05-03 | 2018-11-06 | 四川斐讯信息技术有限公司 | 一种工件表面裂缝检测方法及系统 |
CN109754368A (zh) * | 2019-01-23 | 2019-05-14 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝拼接方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN111310558A (zh) * | 2019-12-28 | 2020-06-19 | 北京工业大学 | 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 |
CN112785579A (zh) * | 2021-01-26 | 2021-05-11 | 西京学院 | 基于图像处理技术的混凝土裂缝识别方法 |
CN115311240A (zh) * | 2022-08-16 | 2022-11-08 | 同济大学 | 一种适用于移动机器视觉的桥梁表观裂缝智能辨识方法 |
-
2023
- 2023-10-09 CN CN202311294050.0A patent/CN117058129B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700395A (zh) * | 2014-11-11 | 2015-06-10 | 长安大学 | 一种构造物外观裂缝检测方法及系统 |
CN108764251A (zh) * | 2018-05-03 | 2018-11-06 | 四川斐讯信息技术有限公司 | 一种工件表面裂缝检测方法及系统 |
CN109754368A (zh) * | 2019-01-23 | 2019-05-14 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝拼接方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN111310558A (zh) * | 2019-12-28 | 2020-06-19 | 北京工业大学 | 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 |
CN112785579A (zh) * | 2021-01-26 | 2021-05-11 | 西京学院 | 基于图像处理技术的混凝土裂缝识别方法 |
CN115311240A (zh) * | 2022-08-16 | 2022-11-08 | 同济大学 | 一种适用于移动机器视觉的桥梁表观裂缝智能辨识方法 |
Non-Patent Citations (1)
Title |
---|
高俊祥: ""基于图像处理和机器学习的桥梁检测新技术研究"" * |
Also Published As
Publication number | Publication date |
---|---|
CN117058129B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
EP4071665A1 (en) | Character segmentation method and apparatus, and computer-readable storage medium | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
CN110969620A (zh) | 一种磁瓦波纹类缺陷的检测方法及装置 | |
CN106682665A (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
CN109829910A (zh) | 一种基于邻域查找的pcb缺陷检测方法 | |
CN112465852A (zh) | 一种用于电力设备红外图像分割的改进区域生长方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN109766892A (zh) | 一种基于边缘检测的射线检测图像标记信息字符分割方法 | |
CN110263778A (zh) | 一种基于图像识别的抄表方法及装置 | |
CN117115171B (zh) | 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法 | |
CN110378862A (zh) | 一种提高输电线路外破目标识别准确度的数据增强方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN117058129B (zh) | 基于图像处理的桥梁表观病害自动识别方法 | |
CN113642570A (zh) | 一种昏暗环境下矿车车牌识别的方法 | |
CN116630321A (zh) | 基于人工智能的桥梁健康智能监测系统 | |
Gao et al. | Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection | |
CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN113870299A (zh) | 一种基于边缘检测和形态学图像处理的3d打印故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |