CN117152187A - 一种地质测绘中裂缝轮廓提取方法 - Google Patents
一种地质测绘中裂缝轮廓提取方法 Download PDFInfo
- Publication number
- CN117152187A CN117152187A CN202311411911.9A CN202311411911A CN117152187A CN 117152187 A CN117152187 A CN 117152187A CN 202311411911 A CN202311411911 A CN 202311411911A CN 117152187 A CN117152187 A CN 117152187A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- target
- degree
- pixel point
- target 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
- 238000013507 mapping Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 title claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/10—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种地质测绘中裂缝轮廓提取方法,包括:获取地面的灰度图像,根据灰度图像中每个像素点邻域内的灰度分布获取每个像素点的初始目标程度,进而筛选出多个目标像素点,对灰度图像中的目标像素点进行连通域分析,对于每个连通域,根据连通域的大小以及形状为连通域中每个目标像素点设置目标程度权值,将每个目标像素点的目标程度权值作为初始目标程度的权重,获取加权目标程度,根据加权目标程度筛选多个初始种子点,根据初始种子点对梯度图像进行区域生长获取地裂缝轮廓。本发明提高了地裂缝轮廓提取的效率,提高了地裂缝轮廓提取的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种地质测绘中裂缝轮廓提取方法。
背景技术
在地质测绘过程中,地裂缝的存在会大大影响测绘结果。地裂缝的出现不但造成了较大经济损失,也给居民生活带来不便,因此,在地质测绘中提前确定地裂缝的位置就显得尤为重要。随着图像处理以及遥感技术的发展,目前通常通过拍摄地面图像,根据地面图像进行裂缝轮廓的识别定位。
现有方法通过区域生长算法进行地裂缝轮廓的提取,传统的区域生长算法通过等距选点或随机选点的方式确定初始种子点的位置,然而在地裂缝图像中,地裂缝轮廓往往占有较少的像素点,通过传统种子点选取办法,选取点数过少容易造成地裂缝轮廓分割不完全,选取点数过多又会带来巨大的计算量,影响裂缝轮廓的提取效率。
发明内容
为了解决上述问题,本发明提供一种地质测绘中裂缝轮廓提取方法,该方法包括以下步骤:
获取地面的灰度图像;根据灰度图像中每个像素点邻域内的灰度分布获取每个像素点的初始目标程度,所述初始目标程度表示像素点与邻域像素点的灰度差异;根据初始目标程度筛选多个目标像素点;
对灰度图像中的目标像素点进行连通域分析,得到多个连通域;对于每个连通域,根据连通域的大小以及形状为连通域中每个目标像素点设置目标程度权值;
将每个目标像素点的目标程度权值作为初始目标程度的权重,获取加权目标程度;
根据加权目标程度筛选多个初始种子点;获取灰度图像的梯度图像,根据初始种子点对梯度图像进行区域生长,将通过区域生长得到的区域作为地裂缝轮廓。
优选的,所述根据灰度图像中每个像素点邻域内的灰度分布获取每个像素点的初始目标程度,包括的具体步骤如下:
其中,表示灰度图像中第/>个像素点的初始目标程度,/>取遍[1,/>]中每个整数,/>表示灰度图像中包含的像素点个数;/>表示灰度图像中第/>个像素点的灰度值;/>表示灰度图像中第/>个像素点的邻域内第/>个像素点的灰度值;/>表示灰度图像中第/>个像素点的邻域范围内包含的像素点个数。
优选的,所述根据连通域的大小以及形状为连通域中每个目标像素点设置目标程度权值,包括的具体步骤如下:
根据连通域的大小获取连通域中每个目标像素点的连通性因子;根据连通域在各个方向的延伸程度获取连通域的线性程度,所述线性程度用来表示连通域的形状呈线性的程度;根据目标像素点的连通性因子以及目标像素点所属连通域的线性程度获取目标像素点的目标程度权值。
优选的,所述根据连通域的大小获取连通域中每个目标像素点的连通性因子,包括的具体步骤如下:
其中,表示多个连通域中第j个连通域中各目标像素点的连通性因子,j取遍[1,J]中的整数,J表示多个连通域的数量;/>表示多个连通域中第j个连通域中包含的目标像素点个数,/>表示多个连通域中包含目标像素点个数最多的连通域中包含的目标像素点个数。
优选的,所述连通域在各个方向的延伸程度的获取方法为:
获取连通域的端点,从连通域的端点开始,获取连通域的链码;根据连通域的链码中每个方向编码的数量获取连通域在各个方向的延伸程度。
优选的,所述获取连通域的端点,包括的具体步骤如下:
统计连通域中每个目标像素点的邻域内包含的目标像素点个数,获取连通域中邻域内包含的目标像素点个数最少的一个目标像素点,作为连通域的端点。
优选的,所述根据连通域的链码中每个方向编码的数量获取连通域在各个方向的延伸程度,包括的具体步骤如下:
其中,为方向编码,/>取遍[0,7]中每个整数,/>表示多个连通域中的第j个连通域在方向编码为/>的方向上的延伸程度,j取遍[1,J]中的整数,J表示多个连通域的数量;/>表示第j个连通域的链码中方向编码为/>的个数;/>为取余符号;/>表示第j个连通域的链码中方向编码为/>的个数;/>表示第j个连通域的链码中方向编码为的个数;/>表示多个连通域中的第j个连通域中包含的目标像素点个数。
优选的,所述根据连通域在各个方向的延伸程度获取连通域的线性程度,包括的具体步骤如下:
对于每个连通域,将连通域在各个方向的延伸程度中的最大值作为连通域的线性程度。
优选的,所述根据目标像素点的连通性因子以及目标像素点所属连通域的线性程度获取目标像素点的目标程度权值,包括的具体步骤如下:
将目标像素点的连通性因子与目标像素点所属连通域的线性程度的乘积作为目标像素点的目标程度权值。
优选的,所述获取加权目标程度,包括的具体步骤如下:
其中,为多个连通域中第j个连通域中第/>个目标像素点的加权目标程度,j取遍[1,J]中的整数,J表示多个连通域的数量,k取遍[1,/>]中每个整数,/>为第j个连通域中包含的目标像素点的个数;/>为多个连通域中第j个连通域的各个目标像素点的目标程度权值,/>表示多个连通域中第j个连通域中第k个目标像素点的初始目标程度。
本发明的技术方案的有益效果是:本发明通过像素点与邻域像素点的灰度差异获取像素点的初始目标程度,通过初始目标程度筛选所有可能为地裂缝轮廓的像素点作为目标像素点,根据目标像素点所属的连通域的大小以及形状为目标像素点设置目标程度权值,对初始目标程度进行修正,获取加权目标程度,根据加权目标程度筛选出明显为地裂缝轮廓上的像素点作为初始种子点,由于初始种子点为地裂缝轮廓上的像素点,根据地裂缝轮廓上的像素点进行区域生长,避免了随机选取种子点过多造成计算量大的问题,提高了地裂缝轮廓提取的效率,同时使得根据初始种子点进行区域生长得到的地裂缝轮廓更加准确。
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,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地介绍,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他的附图。
图1为本发明的一种地质测绘中裂缝轮廓提取方法的步骤流程图;
图2为链码八方向示意图。
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一种地质测绘中裂缝轮廓提取方法,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地质测绘中裂缝轮廓提取方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种地质测绘中裂缝轮廓提取方法的步骤流程图,该方法包括以下步骤:
S001.采集地质测绘中的地面图像,将地面图像转换为灰度图像。
在地质测绘过程中,需要采集地面图像,地面图像包含了地质地貌、地质特征,可以帮助地质测绘人员更好地进行地质调查和研究工作。通过航空摄影、地面扫描等方式采集地面图像,采集地面图像时应尽可能保证地面图像中地面各类特征清晰,以便后续对地面图像进行分析可以达到更好的效果。
为了节省存储空间,降低图像的复杂度,提升图像处理效率,对采集的地面图像进行灰度化,得到灰度图像。
S002.根据灰度图像中每个像素点邻域内的灰度分布获取灰度图像中每个像素点的初始目标程度,根据初始目标程度筛选目标像素点。
需要说明的是,在存在地裂缝的灰度图像中,地裂缝轮廓像素点在灰度图像上与周围像素点的灰度差异较大,可根据像素点与周围像素点的灰度差异获取像素点的初始目标程度。
对于灰度图像中的每个像素点,根据每个像素点邻域内的灰度分布获取每个像素点的初始目标程度:
其中,表示灰度图像中第/>个像素点的初始目标程度,/>取遍[1,/>]中每个整数,/>表示灰度图像中包含的像素点个数;/>表示灰度图像中第/>个像素点的灰度值;/>表示灰度图像中第/>个像素点的邻域内第/>个像素点的灰度值;/>表示灰度图像中第/>个像素点的邻域范围内包含的像素点个数,在本发明实施例中,邻域范围大小为八邻域,此时/>,在其他实施例中,实施人员可根据实际实施情况设置邻域范围大小;像素点的初始目标程度为像素点与邻域内每个像素点的差值绝对值的平均值,由于地裂缝轮廓像素点处于地裂缝和正常地面的交界处,轮廓像素点相比于其他区域像素点有着更大的梯度,而仅仅只用梯度容易将灰度图像中其他边缘(如路面纹理、路面上石子的边缘等)与地裂缝轮廓混淆,故采用像素点与邻域内像素点灰度值差异的形式作为初始目标程度,从而对地裂缝轮廓像素点与灰度图像中其他边缘做出大致区分。
至此,获取了灰度图像中每个像素点的初始目标程度。
在本发明实施例中,预设初始目标程度阈值,将灰度图像中初始目标程度大于初始目标程度阈值/>的像素点作为目标像素点。需要说明的是,初始目标程度阈值的取值应较小,使全部地裂缝轮廓像素点都能被选取为目标像素点,但又不能太小,否则会导致初始目标程度无法将大部分正常区域像素点排除,实施人员可根据实际实施情况设置初始目标程度阈值,例如/>。
至此,获取了灰度图像中所有目标像素点。
S003.对灰度图像中的目标像素点进行连通域分析,根据连通域的大小以及形状为连通域中每个目标像素点设置目标程度权值,将每个目标像素点的目标程度权值作为初始目标程度的权重,获取每个目标像素点的加权目标程度。
需要说明的是,地裂缝轮廓上的像素点与其他区域像素点的主要差异主要体现在灰度差异和连通性上,初始目标程度排除了大部分不可能是地裂缝轮廓的像素点。地裂缝轮廓像素点有着较强的连通性,且地裂缝连通域的形状更加接近线性。
对灰度图像中的目标像素点进行连通域分析,得到多个连通域。
根据每个目标像素点所属连通域的大小获取目标像素点的连通性因子:
其中,表示多个连通域中第j个连通域中各目标像素点的连通性因子,j取遍[1,J]中的整数,J表示多个连通域的数量,/>表示多个连通域中第j个连通域中包含的目标像素点个数,/>表示多个连通域中包含目标像素点个数最多的连通域中包含的目标像素点个数,地裂缝轮廓为一些初始目标程度较高的像素点连通而成的连通域,当目标像素点之间的连通域越大,越有可能为地裂缝区域,利用/>除以/>用作对/>进行归一化,/>表示了多个连通域中第j个连通域的连通程度,包含目标像素点越少的连通域的连通程度越低。在连通程度/>上加一使连通性因子在后续计算过程中达到对目标程度正向调整的目的。
对于各个连通域,统计连通域中每个目标像素点的邻域内包含的目标像素点个数,获取连通域中,邻域内包含的目标像素点个数最少的一个目标像素点,作为连通域的端点。需要说明的是,当连通域中存在多个目标像素点的邻域内包含的目标像素点个数最少且相同时,随机选择其中的一个作为连通域的端点。在本发明实施例中,邻域大小为八邻域,在其他实施例中,实施人员可根据实际实施情况设置邻域大小。
从连通域的端点开始,获取连通域的链码。需要说明的是,本发明实施例采用的是弗里曼链码,在其他实施例中,实施人员也可根据实际实施情况选择链码算法。
弗里曼链码为八方向链码,弗里曼链码的八个方向参见图2。图2中每个方向上对应的数字表示该方向的方向编码,方向编码为0到7。弗里曼链码为公知技术,在本发明实施例中不再详细赘述。
需要说明的是,连通域的链码中每个方向编码所占的比例可以反应连通域的延伸方向以及形状,例如当连通域的链码中某个方向编码所占比例非常大,其余方向编码所占比例非常小,说明连通域沿着比例非常大的方向编码对应的方向延伸,此时连通域呈现线性分布的特征,当连通域的链码中每个方向编码所占比例较为一致时,说明连通域沿着八个方向的延伸程度基本一致,此时连通域呈现块状分布的特征。地裂缝呈现线性分布的特性,因此可根据连通域的链码中每个方向编码所占的比例确定连通域的形状,进而筛选出地裂缝。但由于地裂缝本身的蜿蜒特性,也会存在地裂缝像素点向相邻方向延伸的情况,故根据每个方向编码所占比例对连通域各个方向的延伸情况进行分析时,还需要结合相邻方向编码的数量。
在本发明实施例中,获取各个连通域在各个方向的延伸程度:
其中,为方向编码,由于弗里曼链码包含/>个方向,因此/>取遍[0,7]中每个整数,表示多个连通域中的第j个连通域在方向编码为/>的方向上的延伸程度,/>取遍[1,J]中的整数,J表示多个连通域的数量;/>表示第j个连通域的链码中方向编码为/>的个数;/>为取余符号,/>表示利用/>除以/>取余数,用来表示/>个链码方向中与方向编码/>对应的方向顺时针相邻的下一个方向对应的方向编码,采用取余数是为了防止/>超出了方向编码的取值范围,例如当/>时,/>,图2中方向编码7对应的方向顺时针相邻的下一个方向的方向编码为0。同理,/>表示利用/>除以/>取余数,用来表示/>个链码方向中与方向编码/>对应的方向顺时针相邻的前一个方向对应的方向编码;/>表示第j个连通域的链码中方向编码为/>的个数;/>表示第j个连通域的链码中方向编码为/>的个数;/>表示第j个连通域中包含的目标像素点个数,根据链码的计算方式,链码中包含数字的数量为连通域中目标像素点数量减一,故公式中的分母用/>表示第j个连通域的链码中方向编码的数量;当方向编码为/>的个数以及相邻两个方向的方向编码的个数之和占链码中所有方向编码的比例越大时,连通域在方向编码/>对应的方向的延伸程度越大。
在本发明实施例中,根据各个连通域在各个方向的延伸程度获取各个连通域的线性程度:
其中,为多个连通域中第j个连通域的线性程度,j取遍[1,J]中的整数,J表示多个连通域的数量;/>为方向编码,/>取遍[0,7]中每个整数;/>为多个连通域中的第j个连通域在方向编码为/>的方向上的延伸程度;/>表示最大值函数,/>表示获取多个连通域中的第j个连通域在所有不同的方向上的延伸程度中最大延伸程度,最大延伸程度可以反映该连通域整体向某一方向延伸情况,如果最大延伸程度较大,说明连通域中大部分像素点都在向一个方向延伸,该连通域更可能是线性的,相反如果最大延伸程度较小,说明连通域中各个方向都有相当程度的延伸,连通域更可能为块状分布。
根据目标像素点所属连通域的连通性因子以及线性程度获取目标像素点的目标程度权值:
其中,为多个连通域中第j个连通域的各个目标像素点的目标程度权值,j取遍[1,J]中的整数,J表示多个连通域的数量;/>表示多个连通域中第j个连通域中各目标像素点的连通性因子;/>为多个连通域中第j个连通域的线性程度;连通域的连通性因子以及线性程度都反映了连通域作为地裂缝一部分的可能性,连通域中包含越多的目标像素点,越可能为地裂缝轮廓,如果连通域中包含较多目标像素点但其不呈现线性,其作为地裂缝轮廓像素点的可能性也会降低,故通过连通域的线性程度对连通性因子进行削减,获取连通域中所有像素点的目标程度权值。
将每个目标像素点的目标程度权值作为权重,根据目标像素点的初始目标程度值获取目标像素点的加权目标程度:
其中,为多个连通域中第j个连通域中第k个目标像素点的加权目标程度,j取遍[1,J]中的整数,J表示多个连通域的数量,k取遍[1,/>]中每个整数,/>为第j个连通域中包含的目标像素点的个数;/>为多个连通域中第j个连通域的各个目标像素点的目标程度权值,/>表示多个连通域中第j个连通域中第k个目标像素点的初始目标程度。
至此,获取了各个目标像素点的加权目标程度。
S004.根据加权目标程度筛选初始种子点,根据初始种子点进行区域生长,获取地裂缝轮廓。
需要说明的是,加权目标程度反映了灰度图像中目标像素点作为地裂缝轮廓的可能性,加权目标程度越高,其目标像素点作为地裂缝轮廓的可能性就越大,因此可根据加权目标程度选取初始种子点,减少区域生长因为种子点选取不当造成的计算量过大以及对地裂缝轮廓生长不准确的问题。
在本发明实施例中,预设加权目标程度阈值,将灰度图像中加权目标程度大于加权目标程度阈值/>的目标像素点作为初始种子点。实施人员可根据实际实施情况设置加权目标程度阈值,例如/>。
获取灰度图像的梯度图像,根据初始种子点对梯度图像进行区域生长,将通过区域生长得到的区域作为地裂缝轮廓。需要说明的是,通过加权目标程度选取的初始种子点为地裂缝轮廓上的点,根据初始种子点进行区域生长得到的地裂缝轮廓更加准确。
通过以上步骤,完成了地裂缝轮廓的提取。
本发明实施例通过像素点与邻域像素点的灰度差异获取像素点的初始目标程度,通过初始目标程度筛选所有可能为地裂缝轮廓的像素点作为目标像素点,根据目标像素点所属的连通域的大小以及形状为目标像素点设置目标程度权值,对初始目标程度进行修正,获取加权目标程度,根据加权目标程度筛选出明显为地裂缝轮廓上的像素点作为初始种子点,由于初始种子点为地裂缝轮廓上的像素点,根据地裂缝轮廓上的像素点进行区域生长,避免了随机选取种子点过多造成计算量大的问题,提高了地裂缝轮廓提取的效率,同时使得根据初始种子点进行区域生长得到的地裂缝轮廓更加准确。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种地质测绘中裂缝轮廓提取方法,其特征在于,该方法包括以下步骤:
获取地面的灰度图像;根据灰度图像中每个像素点邻域内的灰度分布获取每个像素点的初始目标程度,所述初始目标程度表示像素点与邻域像素点的灰度差异;根据初始目标程度筛选多个目标像素点;
对灰度图像中的目标像素点进行连通域分析,得到多个连通域;对于每个连通域,根据连通域的大小以及形状为连通域中每个目标像素点设置目标程度权值;
将每个目标像素点的目标程度权值作为初始目标程度的权重,获取加权目标程度;
根据加权目标程度筛选多个初始种子点;获取灰度图像的梯度图像,根据初始种子点对梯度图像进行区域生长,将通过区域生长得到的区域作为地裂缝轮廓。
2.根据权利要求1所述的一种地质测绘中裂缝轮廓提取方法,其特征在于,所述根据灰度图像中每个像素点邻域内的灰度分布获取每个像素点的初始目标程度,包括的具体步骤如下:
其中,表示灰度图像中第/>个像素点的初始目标程度,/>取遍[1,/>]中每个整数,/>表示灰度图像中包含的像素点个数;/>表示灰度图像中第/>个像素点的灰度值;/>表示灰度图像中第/>个像素点的邻域内第/>个像素点的灰度值;/>表示灰度图像中第/>个像素点的邻域范围内包含的像素点个数。
3.根据权利要求1所述的一种地质测绘中裂缝轮廓提取方法,其特征在于,所述根据连通域的大小以及形状为连通域中每个目标像素点设置目标程度权值,包括的具体步骤如下:
根据连通域的大小获取连通域中每个目标像素点的连通性因子;根据连通域在各个方向的延伸程度获取连通域的线性程度,所述线性程度用来表示连通域的形状呈线性的程度;根据目标像素点的连通性因子以及目标像素点所属连通域的线性程度获取目标像素点的目标程度权值。
4.根据权利要求3所述的一种地质测绘中裂缝轮廓提取方法,其特征在于,所述根据连通域的大小获取连通域中每个目标像素点的连通性因子,包括的具体步骤如下:
其中,表示多个连通域中第j个连通域中各目标像素点的连通性因子,j取遍[1,J]中的整数,J表示多个连通域的数量;/>表示多个连通域中第j个连通域中包含的目标像素点个数,/>表示多个连通域中包含目标像素点个数最多的连通域中包含的目标像素点个数。
5.根据权利要求3所述的一种地质测绘中裂缝轮廓提取方法,其特征在于,所述连通域在各个方向的延伸程度的获取方法为:
获取连通域的端点,从连通域的端点开始,获取连通域的链码;根据连通域的链码中每个方向编码的数量获取连通域在各个方向的延伸程度。
6.根据权利要求5所述的一种地质测绘中裂缝轮廓提取方法,其特征在于,所述获取连通域的端点,包括的具体步骤如下:
统计连通域中每个目标像素点的邻域内包含的目标像素点个数,获取连通域中邻域内包含的目标像素点个数最少的一个目标像素点,作为连通域的端点。
7.根据权利要求5所述的一种地质测绘中裂缝轮廓提取方法,其特征在于,所述根据连通域的链码中每个方向编码的数量获取连通域在各个方向的延伸程度,包括的具体步骤如下:
其中,为方向编码,/>取遍[0,7]中每个整数,/>表示多个连通域中的第j个连通域在方向编码为/>的方向上的延伸程度,/>取遍[1,J]中的整数,J表示多个连通域的数量;/>表示第j个连通域的链码中方向编码为/>的个数;/>为取余符号;/>表示第j个连通域的链码中方向编码为/>的个数;/>表示第j个连通域的链码中方向编码为的个数;/>表示多个连通域中的第j个连通域中包含的目标像素点个数。
8.根据权利要求3所述的一种地质测绘中裂缝轮廓提取方法,其特征在于,所述根据连通域在各个方向的延伸程度获取连通域的线性程度,包括的具体步骤如下:
对于每个连通域,将连通域在各个方向的延伸程度中的最大值作为连通域的线性程度。
9.根据权利要求3所述的一种地质测绘中裂缝轮廓提取方法,其特征在于,所述根据目标像素点的连通性因子以及目标像素点所属连通域的线性程度获取目标像素点的目标程度权值,包括的具体步骤如下:
将目标像素点的连通性因子与目标像素点所属连通域的线性程度的乘积作为目标像素点的目标程度权值。
10.根据权利要求1所述的一种地质测绘中裂缝轮廓提取方法,其特征在于,所述获取加权目标程度,包括的具体步骤如下:
其中,为多个连通域中第j个连通域中第k个目标像素点的加权目标程度,j取遍[1,J]中的整数,J表示多个连通域的数量,k取遍[1,/>]中每个整数,/>为第j个连通域中包含的目标像素点的个数;/>为多个连通域中第j个连通域的各个目标像素点的目标程度权值,/>表示多个连通域中第j个连通域中第k个目标像素点的初始目标程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411911.9A CN117152187B (zh) | 2023-10-30 | 2023-10-30 | 一种地质测绘中裂缝轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411911.9A CN117152187B (zh) | 2023-10-30 | 2023-10-30 | 一种地质测绘中裂缝轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152187A true CN117152187A (zh) | 2023-12-01 |
CN117152187B CN117152187B (zh) | 2024-01-26 |
Family
ID=88884661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311411911.9A Active CN117152187B (zh) | 2023-10-30 | 2023-10-30 | 一种地质测绘中裂缝轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152187B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689637A (zh) * | 2023-12-14 | 2024-03-12 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117689637B (zh) * | 2023-12-14 | 2024-06-07 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960104A (en) * | 1996-08-16 | 1999-09-28 | Virginia Polytechnic & State University | Defect detection system for lumber |
US20100309315A1 (en) * | 2009-06-03 | 2010-12-09 | Flir Systems, Inc. | Infrared camera systems and methods for dual sensor applications |
CN103870833A (zh) * | 2014-03-31 | 2014-06-18 | 武汉工程大学 | 基于凹性测度的路面裂缝提取与测评方法 |
JP2016018463A (ja) * | 2014-07-10 | 2016-02-01 | 株式会社日立製作所 | 状態変化管理システム及び状態変化管理方法 |
CA3006240A1 (en) * | 2015-04-27 | 2016-11-03 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN106803253A (zh) * | 2017-01-17 | 2017-06-06 | 四川大学 | 岩石三维图像裂缝提取方法 |
WO2017113422A1 (zh) * | 2015-12-31 | 2017-07-06 | 深圳配天智能技术研究院有限公司 | 图像的斑点处理方法 |
CN108469377A (zh) * | 2018-03-22 | 2018-08-31 | 九江学院 | 一种裂纹张开应力的测量方法 |
JP2019133433A (ja) * | 2018-01-31 | 2019-08-08 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、およびプログラム |
CN111145161A (zh) * | 2019-12-28 | 2020-05-12 | 北京工业大学 | 一种路面裂缝数字图像处理和识别的方法 |
CN114037691A (zh) * | 2021-11-15 | 2022-02-11 | 浙江理工大学 | 一种基于图像处理的碳纤维板裂纹检测方法 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
CN115829990A (zh) * | 2022-12-15 | 2023-03-21 | 吉林大学 | 一种基于成像测井图像处理的天然裂缝识别方法 |
WO2023045299A1 (zh) * | 2021-09-26 | 2023-03-30 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
CN116342635A (zh) * | 2023-05-26 | 2023-06-27 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116704209A (zh) * | 2023-08-08 | 2023-09-05 | 山东顺发重工有限公司 | 一种法兰轮廓快速提取方法及系统 |
CN116823811A (zh) * | 2023-08-25 | 2023-09-29 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
-
2023
- 2023-10-30 CN CN202311411911.9A patent/CN117152187B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960104A (en) * | 1996-08-16 | 1999-09-28 | Virginia Polytechnic & State University | Defect detection system for lumber |
US20100309315A1 (en) * | 2009-06-03 | 2010-12-09 | Flir Systems, Inc. | Infrared camera systems and methods for dual sensor applications |
CN103870833A (zh) * | 2014-03-31 | 2014-06-18 | 武汉工程大学 | 基于凹性测度的路面裂缝提取与测评方法 |
JP2016018463A (ja) * | 2014-07-10 | 2016-02-01 | 株式会社日立製作所 | 状態変化管理システム及び状態変化管理方法 |
CA3006240A1 (en) * | 2015-04-27 | 2016-11-03 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 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 |
WO2017113422A1 (zh) * | 2015-12-31 | 2017-07-06 | 深圳配天智能技术研究院有限公司 | 图像的斑点处理方法 |
CN106803253A (zh) * | 2017-01-17 | 2017-06-06 | 四川大学 | 岩石三维图像裂缝提取方法 |
JP2019133433A (ja) * | 2018-01-31 | 2019-08-08 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、およびプログラム |
CN108469377A (zh) * | 2018-03-22 | 2018-08-31 | 九江学院 | 一种裂纹张开应力的测量方法 |
CN111145161A (zh) * | 2019-12-28 | 2020-05-12 | 北京工业大学 | 一种路面裂缝数字图像处理和识别的方法 |
WO2023045299A1 (zh) * | 2021-09-26 | 2023-03-30 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
CN114037691A (zh) * | 2021-11-15 | 2022-02-11 | 浙江理工大学 | 一种基于图像处理的碳纤维板裂纹检测方法 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
CN115829990A (zh) * | 2022-12-15 | 2023-03-21 | 吉林大学 | 一种基于成像测井图像处理的天然裂缝识别方法 |
CN116342635A (zh) * | 2023-05-26 | 2023-06-27 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116704209A (zh) * | 2023-08-08 | 2023-09-05 | 山东顺发重工有限公司 | 一种法兰轮廓快速提取方法及系统 |
CN116823811A (zh) * | 2023-08-25 | 2023-09-29 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
Non-Patent Citations (4)
Title |
---|
于泳波;李万恒;张劲泉;聂建国;: "基于图像连通域的桥梁裂缝提取方法", 公路交通科技, no. 07 * |
王道峰;周传林;: "图像分析技术在混凝土桥梁裂缝识别与计算中的应用", 筑路机械与施工机械化, no. 11 * |
郭全民;张海先;: "基于图像处理技术的混凝土路面裂缝检测方法", 传感器与微系统, no. 04 * |
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 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689637A (zh) * | 2023-12-14 | 2024-03-12 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117689637B (zh) * | 2023-12-14 | 2024-06-07 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117152187B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
CN107730527B (zh) | 一种基于遥感卫星影像的高原地区冰湖提取方法 | |
CN111860336B (zh) | 基于位置感知的高分辨遥感图像倾斜船舶目标检测方法 | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
CN103578110A (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN110009653A (zh) | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 | |
CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
CN109359533B (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
CN113298777A (zh) | 一种基于颜色特征和超像素聚类的棉花叶枯病检测方法及系统 | |
CN116342635B (zh) | 一种地质测绘中裂缝轮廓提取方法 | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN113706492A (zh) | 一种基于胸部ct影像的肺实质自动分割方法 | |
CN117152187B (zh) | 一种地质测绘中裂缝轮廓提取方法 | |
CN109741337B (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN117291843B (zh) | 一种图像数据库高效管理方法 | |
CN113762070A (zh) | 用于深度学习的地表覆盖分类样本采集方法 | |
CN108986079A (zh) | 一种复杂裂隙网络的裂缝提取及优化方法 | |
CN117292137A (zh) | 一种航拍遥感影像优化分割处理方法 | |
CN112580595A (zh) | 一种基于Shapelet的双季稻田遥感识别方法 | |
CN113408370B (zh) | 基于自适应参数遗传算法的森林变化遥感检测方法 | |
CN114241303B (zh) | 一种基于计算机视觉技术的流域下垫面特征提取方法 | |
CN113177441A (zh) | 面向对象与物候知识相融合的遥感互花米草制图方法 | |
CN117274820B (zh) | 一种测绘地理信息地图数据采集方法及系统 | |
CN117392155B (zh) | 基于图像处理的高通量基因测序数据处理方法 |
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 |