CN117455800B - 基于计算机视觉的煤矿钻探定位方法 - Google Patents
基于计算机视觉的煤矿钻探定位方法 Download PDFInfo
- Publication number
- CN117455800B CN117455800B CN202311773782.8A CN202311773782A CN117455800B CN 117455800 B CN117455800 B CN 117455800B CN 202311773782 A CN202311773782 A CN 202311773782A CN 117455800 B CN117455800 B CN 117455800B
- Authority
- CN
- China
- Prior art keywords
- preset
- point
- pixel point
- coal mine
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 181
- 238000005553 drilling Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 23
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
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
本发明涉及图像增强处理技术领域，具体涉及基于计算机视觉的煤矿钻探定位方法，该方法包括：获取的煤矿钻探图像，并确定煤矿钻探图像中每个像素点对应的灰度分布特征；根据每个像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，确定每个像素点对应的边缘可能指标；从煤矿钻探图像中筛选出候选噪声点；确定每个候选噪声点对应的窗口扩张指标；对每个候选噪声点对应的预设窗口进行自适应扩张调整；根据每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理；根据目标增强图像进行煤矿钻探定位。本发明通过对煤矿钻探图像进行去噪处理，以实现图像增强，并实现了煤矿钻探定位，提高了煤矿钻探定位的准确度。
Description
技术领域
本发明涉及图像增强处理技术领域，具体涉及基于计算机视觉的煤矿钻探定位方法。
背景技术
煤矿钻探定位可以提供关于煤矿地质情况的详细信息，包括煤层的厚度、分布、煤质特征等。这些信息对于煤矿的开采和管理至关重要，可以帮助确定煤炭资源储量，制定合理的开采方案，提高矿井的产出和效益。并且钻探定位还可以提供地层构造和岩层稳定性等信息，有助于评估矿井的稳定性和安全性。因此，煤矿钻探定位非常重要。由于环境等因素的影响，在煤矿钻探过程中采集的用于煤矿钻探定位的图像中往往存在较多的噪声，使得图像质量较差，并且干扰后续的煤矿钻探定位，因此进行煤矿钻探定位时往往需要对采集的图像进行去噪，以实现图像的增强。目前，对图像去噪时，通常采用的方法为：通过预设窗口，对采集图像中的每个像素点进行中值滤波处理，其中，预设窗口可以是预先设置的用于中值滤波处理的滤波窗口。
然而，当通过预设窗口，对采集图像中的每个像素点进行中值滤波处理时，经常会存在如下技术问题：
图像中不同像素点的特征往往不同，从而导致需要的去噪程度往往不同，比如，噪声点往往需要较强的去噪程度，由于滤波窗口的大小与去噪程度有关，滤波窗口的尺寸越大，其对像素点的去噪程度往往越大，因此当通过预设窗口，对采集图像中的每个像素点进行中值滤波处理时，往往导致对采集图像中的所有像素点的去噪程度相同，从而可能造成为了保留图像边缘细节将预设窗口设置较小而导致图像去噪效果较差，也可能造成为了更好地去除噪声将预设窗口设置较大而导致图像边缘细节丢失，进而导致图像去噪效果较差，从而导致图像增强效果较差，进而导致煤矿钻探定位的准确度较差。
发明内容
为了解决由于图像去噪效果较差而导致的煤矿钻探定位的准确度较差的技术问题，本发明提出了基于计算机视觉的煤矿钻探定位方法。
本发明提供了基于计算机视觉的煤矿钻探定位方法，该方法包括：
获取煤矿钻探图像，根据所述煤矿钻探图像中每个像素点对应的预设邻域内的灰度分布，确定每个像素点对应的灰度分布特征；
确定每个像素点在每个预设方向上的梯度幅值，并根据每个像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，确定每个像素点对应的边缘可能指标；
根据像素点对应的灰度分布特征，从所述煤矿钻探图像中筛选出候选噪声点；
根据每个候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，确定每个候选噪声点对应的窗口扩张指标；
根据每个候选噪声点对应的窗口扩张指标，对每个候选噪声点对应的预设窗口进行自适应扩张调整，得到每个候选噪声点对应的目标窗口；
根据所述煤矿钻探图像中每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理，得到目标增强图像；
根据所述目标增强图像进行煤矿钻探定位。
可选地，所述根据所述煤矿钻探图像中每个像素点对应的预设邻域内的灰度分布，确定每个像素点对应的灰度分布特征，包括：
将所述煤矿钻探图像中的任意一个像素点，确定为标记像素点，将所述标记像素点对应的灰度值与其对应的预设邻域内每个邻域像素点对应的灰度值的差值的绝对值，确定为灰度差异，得到所述标记像素点对应的灰度差异集合；
从所述灰度差异集合中筛选出最小的灰度差异，作为所述标记像素点对应的最小灰度差异；
在所述标记像素点对应的预设邻域内，将所述标记像素点在每个预设选择方向上的所有邻域像素点，组合为所述标记像素点在每个预设选择方向上的邻域像素点序列；
根据所述标记像素点在所有预设选择方向上的邻域像素点序列中所有邻域像素点对应的灰度值，以及其对应的灰度值和最小灰度差异，确定所述标记像素点对应的灰度分布特征。
可选地，像素点对应的灰度分布特征对应的公式为：
；其中，/>是煤矿钻探图像中第x个像素点对应的灰度分布特征；x是煤矿钻探图像中像素点的序号；/>是取绝对值函数；/>是煤矿钻探图像中第x个像素点对应的预设邻域内所有邻域像素点对应的灰度值的均值；/>是煤矿钻探图像中第x个像素点对应的灰度值；/>是以自然常数为底的指数函数；/>是煤矿钻探图像中第x个像素点对应的最小灰度差异；n是预设选择方向的数量；i和j是预设选择方向的序号；/>是煤矿钻探图像中第x个像素点在第i个预设选择方向上的邻域像素点序列中所有邻域像素点对应的灰度值的均值；/>是煤矿钻探图像中第x个像素点在第j个预设选择方向上的邻域像素点序列中所有邻域像素点对应的灰度值的均值；/>是预先设置的大于0的因子。
可选地，所述确定每个像素点在每个预设方向上的梯度幅值，包括：
将任意一个预设方向确定为标记方向，并将所述煤矿钻探图像中的任意一个像素点，确定为标记像素点；
将所述标记方向与水平方向之间的逆时针夹角，确定为所述标记方向对应的目标夹角；
根据sobel算子，确定所述标记像素点对应的水平梯度幅值和竖直梯度幅值；
根据所述标记方向对应的目标夹角，以及所述标记像素点对应的水平梯度幅值和竖直梯度幅值，确定所述标记像素点在所述标记方向上的梯度幅值。
可选地，所述根据每个像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，确定每个像素点对应的边缘可能指标，包括：
将所述煤矿钻探图像中的任意一个像素点，确定为标记像素点，从所述标记像素点在的所有预设方向上筛选出梯度幅值最大的预设方向，作为所述标记像素点对应的第一参考方向；
从所述标记像素点在的所有预设方向上筛选出梯度幅值最小的预设方向，作为所述标记像素点对应的第二参考方向；
根据所述标记像素点在所有预设方向上的梯度幅值中的最大值和最小值、所述标记像素点对应的第一参考方向和第二参考方向之间的夹角、以及所述标记像素点对应的灰度分布特征，确定所述标记像素点对应的边缘可能指标。
可选地，像素点对应的边缘可能指标对应的公式为：
；其中，/>是煤矿钻探图像中第x个像素点对应的边缘可能指标；x是煤矿钻探图像中像素点的序号；/>是煤矿钻探图像中第x个像素点在所有预设方向上的梯度幅值中的最大值；/>是煤矿钻探图像中第x个像素点在所有预设方向上的梯度幅值中的最小值；/>是/>的正弦值；/>是煤矿钻探图像中第x个像素点对应的第一参考方向和第二参考方向之间的夹角；/>是煤矿钻探图像中第x个像素点对应的灰度分布特征；/>是预先设置的大于0的因子。
可选地，所述根据像素点对应的灰度分布特征，从所述煤矿钻探图像中筛选出候选噪声点，包括：
对每个像素点对应的灰度分布特征进行归一化，得到每个像素点对应的归一化特征；
从所述煤矿钻探图像中筛选出归一化特征大于预设噪声特征阈值的像素点，作为候选噪声点。
可选地，所述根据每个候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，确定每个候选噪声点对应的窗口扩张指标，包括：
将任意一个候选噪声点确定为标记噪声点，按照灰度值从小到大的顺序，对标记噪声点对应的预设窗口内所有像素点进行排序，得到标记噪声点对应的像素点组；
将标记噪声点对应的像素点组的中心位置处的像素点，确定为参考像素点，并将所述参考像素点对应的灰度值，确定为标记噪声点对应的参考灰度指标，将所述参考像素点对应的灰度分布特征，确定为标记噪声点对应的代表分布指标；
将标记噪声点对应的预设窗口内所有像素点对应的边缘可能指标，构建为标记噪声点对应的边缘可能矩阵；
将标记噪声点对应的预设窗口内所有像素点对应的灰度分布特征，构建为标记噪声点对应的灰度分布矩阵；
根据标记噪声点对应的参考灰度指标、代表分布指标、边缘可能矩阵和灰度分布矩阵，以及其对应的预设窗口内候选噪声点的数量，确定标记噪声点对应的窗口扩张指标。
可选地，候选噪声点对应的窗口扩张指标对应的公式为：
；其中，/>是第y个候选噪声点对应的窗口扩张指标；y是候选噪声点的序号；/>是第y个候选噪声点对应的代表分布指标；/>是取绝对值函数；/>是第y个候选噪声点对应的灰度值；/>是第y个候选噪声点对应的参考灰度指标；是以自然常数为底的指数函数；/>是第y个候选噪声点对应的预设窗口内像素点的数量；/>是第y个候选噪声点对应的预设窗口内候选噪声点的数量；/>是第y个候选噪声点对应的灰度分布矩阵的二范数；/>是第y个候选噪声点对应的边缘可能矩阵的二范数。
可选地，所述根据每个候选噪声点对应的窗口扩张指标，对每个候选噪声点对应的预设窗口进行自适应扩张调整，得到每个候选噪声点对应的目标窗口，包括：
对所述候选噪声点对应的窗口扩张指标进行归一化，得到所述候选噪声点对应的目标扩张指标；
当所述候选噪声点对应的目标扩张指标小于或等于预设扩张阈值时，将所述候选噪声点对应的预设窗口，确定为所述候选噪声点对应的目标窗口；
当所述候选噪声点对应的目标扩张指标大于预设扩张阈值时，将预设窗口的尺寸更新为预设窗口的尺寸与预设尺寸的和，并根据所述候选噪声点对应的最新更新得到的预设窗口，确定所述候选噪声点对应的最新更新得到的目标扩张指标，当所述候选噪声点对应的最新的目标扩张指标大于预设扩张阈值时，重复所述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程，直至所述候选噪声点对应的最新更新得到的目标扩张指标小于或等于预设扩张阈值，或者所述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程的重复次数大于预设数量；当所述候选噪声点对应的最新更新得到的目标扩张指标小于或等于预设扩张阈值时，将所述候选噪声点对应的最新更新得到的预设窗口，确定为所述候选噪声点对应的目标窗口；当所述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程的重复次数大于预设数量时，将所述候选噪声点对应的最小目标扩张指标对应的预设窗口，确定为所述候选噪声点对应的目标窗口。
本发明具有如下有益效果：
本发明的基于计算机视觉的煤矿钻探定位方法，通过对煤矿钻探图像进行去噪处理，以实现图像增强，并实现了煤矿钻探定位，解决了由于图像去噪效果较差而导致的煤矿钻探定位的准确度较差的技术问题，提高了煤矿钻探定位的准确度。首先，由于噪声点周围的灰度分布往往与非噪声点不同，因此基于煤矿钻探图像中像素点对应的预设邻域内的灰度分布，量化的灰度分布特征可以用于筛选噪声点，以便于后续对噪声点进行精确地去噪。接着，基于像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，量化的像素点对应的边缘可能指标越大，往往说明该像素点越可能是边缘像素点，往往说明该像素点的细节信息越需要被保留。然后，基于像素点对应的灰度分布特征，从煤矿钻探图像中筛选出的候选噪声点可以是疑似噪声点。继续，预设窗口内候选噪声点的数量越多，往往说明越需要对预设窗口进行扩张，因此基于候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，量化的候选噪声点对应的窗口扩张指标越大，往往说明越需要对候选噪声点对应的预设窗口进行扩张，以增强其对应的去噪程度。之后，基于候选噪声点对应的窗口扩张指标，对候选噪声点对应的预设窗口进行自适应扩张调整，可以比较精确地得到候选噪声点对应的目标窗口。而后，基于煤矿钻探图像中每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理，可以得到去噪效果较好的目标增强图像，并且相较于通过预设窗口，对采集图像中的每个像素点进行中值滤波处理，本发明基于灰度分布特征，从煤矿钻探图像中筛选出需要去噪处理的候选噪声点，并综合考虑了多个与去噪效果相关的特征，比如，边缘可能指标和窗口扩张指标等，并对每个候选噪声点对应的预设窗口进行自适应扩张调整，相对精确地得到了每个候选噪声点对应的目标窗口，实现了对每个候选噪声点的精确去噪，可以在一定程度上防止边缘模糊，从而提高了煤矿钻探定位的准确度。最后，根据目标增强图像进行煤矿钻探定位，实现了煤矿钻探定位。
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为本发明的基于计算机视觉的煤矿钻探定位方法的流程图。
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。
基于计算机视觉的煤矿钻探定位方法实施例：
本发明提供了基于计算机视觉的煤矿钻探定位方法，该方法包括以下步骤：
获取煤矿钻探图像，根据煤矿钻探图像中每个像素点对应的预设邻域内的灰度分布，确定每个像素点对应的灰度分布特征；
确定每个像素点在每个预设方向上的梯度幅值，并根据每个像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，确定每个像素点对应的边缘可能指标；
根据像素点对应的灰度分布特征，从煤矿钻探图像中筛选出候选噪声点；
根据每个候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，确定每个候选噪声点对应的窗口扩张指标；
根据每个候选噪声点对应的窗口扩张指标，对每个候选噪声点对应的预设窗口进行自适应扩张调整，得到每个候选噪声点对应的目标窗口；
根据煤矿钻探图像中每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理，得到目标增强图像；
根据目标增强图像进行煤矿钻探定位。
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基于计算机视觉的煤矿钻探定位方法的一些实施例的流程。该基于计算机视觉的煤矿钻探定位方法，包括以下步骤：
步骤S1，获取煤矿钻探图像，根据煤矿钻探图像中每个像素点对应的预设邻域内的灰度分布，确定每个像素点对应的灰度分布特征。
在一些实施例中，可以获取煤矿钻探图像，根据上述煤矿钻探图像中每个像素点对应的预设邻域内的灰度分布，确定每个像素点对应的灰度分布特征。
其中，煤矿钻探图像可以是在煤矿钻探过程中拍摄的图像。煤矿钻探是指在煤矿地下进行的一种探测活动，主要是通过钻探地下岩层来获取煤矿的地质信息。煤矿钻探常用的钻探方法有旋转钻探和冲击钻探等。煤矿钻探的目的是为了确定煤矿的煤层分布、煤层厚度、煤质特征以及地层构造等地质信息，为煤矿的开采和管理提供依据。预设邻域可以是预先设置的邻域。例如，预设邻域可以是3×3的邻域。像素点位于其对应的预设邻域的中心位置。
需要说明的是，由于噪声点周围的灰度分布往往与非噪声点不同，因此基于煤矿钻探图像中像素点对应的预设邻域内的灰度分布，量化的灰度分布特征可以用于筛选噪声点，以便于后续对噪声点进行精确地去噪。
作为示例，本步骤可以包括以下步骤：
第一步，获取煤矿钻探图像。
例如，可以通过安装在煤矿钻探设备上的矿用摄像机，采集钻探过程中的图像，作为煤矿钻探图像，并对煤矿钻探图像进行灰度化，得到煤矿钻探图像中每个像素点对应的灰度值。其中，像素点对应的灰度值可以是对像素点进行灰度化得到的灰度值。煤矿钻探设备可以是用于煤矿钻探的设备。矿用摄像机可以是用于在煤矿等工业环境中进行图像采集和监控的摄像机设备，具有抗震、耐高温、防爆等特点，能够适应恶劣的矿井等环境。
第二步，将上述煤矿钻探图像中的任意一个像素点，确定为标记像素点，将上述标记像素点对应的灰度值与其对应的预设邻域内每个邻域像素点对应的灰度值的差值的绝对值，确定为灰度差异，得到上述标记像素点对应的灰度差异集合。
其中，邻域像素点可以是预设邻域内的像素点。标记像素点对应的灰度差异集合可以包括：标记像素点与它所有邻域像素点对应的灰度值的差值绝对值。
第三步，从上述灰度差异集合中筛选出最小的灰度差异，作为上述标记像素点对应的最小灰度差异。
第四步，在上述标记像素点对应的预设邻域内，将上述标记像素点在每个预设选择方向上的所有邻域像素点，组合为上述标记像素点在每个预设选择方向上的邻域像素点序列。
其中，预设选择方向可以是预先设置的选择方向。预设选择方向对应的角度的取值范围可以为[0°，360°）。例如，预设选择方向对应的角度可以为0°、45°、90°、135°、180°、225°、270°或315°。比如，0°的预设选择方向可以是水平向右的方向。一个预设选择方向可以是一个预设射线的延伸方向。标记像素点的预设射线可以是预先设置的以标记像素点为端点的射线。标记像素点在各个预设选择方向上的邻域像素点序列中邻域像素点的数量往往相同。邻域像素点序列可以是按照距离标记像素点从近到远的顺序进行排序得到的序列。
第五步，根据上述标记像素点在所有预设选择方向上的邻域像素点序列中所有邻域像素点对应的灰度值，以及其对应的灰度值和最小灰度差异，确定上述标记像素点对应的灰度分布特征。
例如，像素点对应的灰度分布特征对应的公式可以为：
；其中，/>是煤矿钻探图像中第x个像素点对应的灰度分布特征。x是煤矿钻探图像中像素点的序号。/>是取绝对值函数。/>是煤矿钻探图像中第x个像素点对应的预设邻域内所有邻域像素点对应的灰度值的均值。/>是煤矿钻探图像中第x个像素点对应的灰度值。/>是以自然常数为底的指数函数。/>是煤矿钻探图像中第x个像素点对应的最小灰度差异。n是预设选择方向的数量。i和j是预设选择方向的序号。/>是煤矿钻探图像中第x个像素点在第i个预设选择方向上的邻域像素点序列中所有邻域像素点对应的灰度值的均值。/>是煤矿钻探图像中第x个像素点在第j个预设选择方向上的邻域像素点序列中所有邻域像素点对应的灰度值的均值。/>是预先设置的大于0的因子，主要用于防止分母为0，比如，/>可以为0.01。
需要说明的是，煤矿钻探作业的环境往往比较复杂，比如煤尘、岩石碎片等细小的杂质容易拍摄进图像中，导致图像出现明显偏暗的噪声点，该噪声点的灰度往往与周围像素点的灰度之间的差异相对较大。由于通道中的光照射到尖锐的煤矿、碎石上，可能导致图像中拍摄到的尖端部分出现过强的反光现象，从而导致图像中出现明显过亮的噪声点，该噪声点的灰度往往与周围像素点的灰度之间的差异相对较大。当越大时，往往说明第x个像素点与其对应的预设邻域内的灰度之间的差异越大，往往说明第x个像素点越可能是噪声点。当/>越小时，往往说明第x个像素点对应的最小灰度差异越小，往往说明在第x个像素点对应的预设邻域内越可能存在与第x个像素点灰度相近的邻域像素点，往往说明第x个像素点表现为边缘像素点的可能性相对越大，表现为噪声点的可能性相对越小。当越大时，往往说明第x个像素点与其对应的预设邻域内的灰度之间的差异越大，并且在第x个像素点对应的预设邻域内越可能不存在与第x个像素点灰度相近的邻域像素点；往往说明第x个像素点越可能不是需要进行细节信息保留的边缘像素点，往往说明第x个像素点越可能是需要进行噪声去除的噪声点。当越大时，往往说明第x个像素点对应的预设邻域内在不同的预设选择方向上的灰度分布越相近，往往说明第x个像素点对应的预设邻域内在不同的预设选择方向上的灰度变化越一致，并且/>可以作为的权重。因此，当/>越大时，往往说明第x个像素点越可能是需要进行噪声去除的噪声点。
步骤S2，确定每个像素点在每个预设方向上的梯度幅值，并根据每个像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，确定每个像素点对应的边缘可能指标。
在一些实施例中，可以确定每个像素点在每个预设方向上的梯度幅值，并根据每个像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，确定每个像素点对应的边缘可能指标。
其中，梯度幅值又称梯度大小。预设方向可以是预先设置的方向。预设方向对应的角度的取值范围可以为[0°，180°）。例如，预设方向对应的角度可以为0°、45°、90°或135°。比如，0°的预设方向可以是水平方向。一个预设方向可以是一个预设直线的延伸方向。标记像素点的预设直线可以是预先设置的过标记像素点的直线。
需要说明的是，基于像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，量化的像素点对应的边缘可能指标越大，往往说明该像素点越可能是边缘像素点，往往说明该像素点的细节信息越需要被保留。
作为示例，本步骤可以包括以下步骤：
第一步，将任意一个预设方向确定为标记方向，并将上述煤矿钻探图像中的任意一个像素点，确定为标记像素点。
第二步，将上述标记方向与水平方向之间的逆时针夹角，确定为上述标记方向对应的目标夹角。
其中，标记方向与水平方向之间的逆时针夹角可以是从水平方向开始，向标记方向逆时针旋转所形成的夹角。
第三步，根据sobel算子，确定上述标记像素点对应的水平梯度幅值和竖直梯度幅值。
其中，水平梯度幅值也就是水平方向的梯度大小。竖直梯度幅值也就是竖直方向的梯度大小。
第四步，根据上述标记方向对应的目标夹角，以及上述标记像素点对应的水平梯度幅值和竖直梯度幅值，确定上述标记像素点在上述标记方向上的梯度幅值。
例如，确定像素点在预设方向上的梯度幅值对应的公式可以为：
；其中，/>是煤矿钻探图像中第x个像素点在第b个预设方向上的梯度幅值。x是煤矿钻探图像中像素点的序号。b是预设方向的序号；/>是/>的余弦值。/>是/>的正弦值。/>是第b个预设方向对应的目标夹角。/>是煤矿钻探图像中第x个像素点对应的水平梯度幅值。/>是煤矿钻探图像中第x个像素点对应的竖直梯度幅值。
需要说明的是，可以表征第x个像素点在第b个预设方向上的梯度大小。
第五步，将上述煤矿钻探图像中的任意一个像素点，确定为标记像素点，从上述标记像素点在的所有预设方向上筛选出梯度幅值最大的预设方向，作为上述标记像素点对应的第一参考方向。
其中，标记像素点在第一参考方向上的梯度幅值最大。
第六步，从上述标记像素点在的所有预设方向上筛选出梯度幅值最小的预设方向，作为上述标记像素点对应的第二参考方向。
其中，标记像素点在第二参考方向上的梯度幅值最小。
第七步，根据上述标记像素点在所有预设方向上的梯度幅值中的最大值和最小值、上述标记像素点对应的第一参考方向和第二参考方向之间的夹角、以及上述标记像素点对应的灰度分布特征，确定上述标记像素点对应的边缘可能指标。
其中，标记像素点在所有预设方向上的梯度幅值中的最大值对应的预设方向为第一参考方向。标记像素点在所有预设方向上的梯度幅值中的最小值对应的预设方向为第二参考方向。
例如，像素点对应的边缘可能指标对应的公式可以为：
；其中，/>是煤矿钻探图像中第x个像素点对应的边缘可能指标。x是煤矿钻探图像中像素点的序号。/>是煤矿钻探图像中第x个像素点在所有预设方向上的梯度幅值中的最大值。/>是煤矿钻探图像中第x个像素点在所有预设方向上的梯度幅值中的最小值。/>是/>的正弦值。/>是煤矿钻探图像中第x个像素点对应的第一参考方向和第二参考方向之间的夹角。/>是煤矿钻探图像中第x个像素点对应的灰度分布特征。/>是预先设置的大于0的因子，主要用于防止分母为0，比如，/>可以为0.01。
需要说明的是，由于边缘像素点沿边缘方向的梯度幅值相对较小，而垂直边缘方向的梯度幅值相对较大，并且两者之间的差异相对较大。当越大时，往往说明第x个像素点在所有预设方向上梯度幅值之间的变化程度相对越大，往往说明第x个像素点越可能是边缘像素点。由于/>的取值范围为[0°，90°]，所以当/>越接近于90°时，越大，往往说明第x个像素点对应的梯度幅值变化最大的两个预设方向之间的夹角越接近90°，往往说明第x个像素点越可能是边缘像素点。当/>越大时，往往说明第x个像素点越可能是需要进行噪声去除的噪声点。因此，当/>越大时，往往说明第x个像素点越可能是需要进行细节信息保留的边缘像素点，而非是需要进行噪声去除的噪声点。
步骤S3，根据像素点对应的灰度分布特征，从煤矿钻探图像中筛选出候选噪声点。
在一些实施例中，可以根据像素点对应的灰度分布特征，从上述煤矿钻探图像中筛选出候选噪声点。
需要说明的是，基于像素点对应的灰度分布特征，从煤矿钻探图像中筛选出的候选噪声点可以是疑似噪声点。
作为示例，本步骤可以包括以下步骤：
第一步，对每个像素点对应的灰度分布特征进行归一化，得到每个像素点对应的归一化特征。
例如，可以通过sigmod函数，对像素点对应的灰度分布特征进行归一化，并将归一化后的灰度分布特征，作为像素点对应的归一化特征。
第二步，从上述煤矿钻探图像中筛选出归一化特征大于预设噪声特征阈值的像素点，作为候选噪声点。
其中，预设噪声特征阈值可以是预先设置的阈值。例如，预设噪声特征阈值可以是0.8。
步骤S4，根据每个候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，确定每个候选噪声点对应的窗口扩张指标。
在一些实施例中，可以根据每个候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，确定每个候选噪声点对应的窗口扩张指标。
其中，预设窗口可以是预先设置的窗口。例如，预设窗口可以是5×5的窗口。候选噪声点可以位于其对应的预设窗口的中心。由于后续会对候选噪声点对应的预设窗口进行一定的扩张，因此初始设置的预设窗口的尺寸可以略小。
需要说明的是，预设窗口内候选噪声点的数量越多，往往说明越需要对预设窗口进行扩张，因此基于候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，量化的候选噪声点对应的窗口扩张指标越大，往往说明越需要对候选噪声点对应的预设窗口进行扩张，以增强其对应的去噪程度。
作为示例，本步骤可以包括以下步骤：
第一步，将任意一个候选噪声点确定为标记噪声点，按照灰度值从小到大的顺序，对标记噪声点对应的预设窗口内所有像素点进行排序，得到标记噪声点对应的像素点组。
第二步，将标记噪声点对应的像素点组的中心位置处的像素点，确定为参考像素点，也就是将标记噪声点对应的像素点组中处于中位数位置处的像素点作为参考像素点，并将上述参考像素点对应的灰度值，确定为标记噪声点对应的参考灰度指标，将上述参考像素点对应的灰度分布特征，确定为标记噪声点对应的代表分布指标。
第三步，将标记噪声点对应的预设窗口内所有像素点对应的边缘可能指标，构建为标记噪声点对应的边缘可能矩阵。
例如，可以将标记噪声点对应的预设窗口内的所有像素点替换为其对应的边缘可能指标，得到标记噪声点对应的边缘可能矩阵。
第四步，将标记噪声点对应的预设窗口内所有像素点对应的灰度分布特征，构建为标记噪声点对应的灰度分布矩阵。
例如，可以将标记噪声点对应的预设窗口内的所有像素点替换为其对应的灰度分布特征，得到标记噪声点对应的灰度分布矩阵。
第五步，根据标记噪声点对应的参考灰度指标、代表分布指标、边缘可能矩阵和灰度分布矩阵，以及其对应的预设窗口内候选噪声点的数量，确定标记噪声点对应的窗口扩张指标。
例如，候选噪声点对应的窗口扩张指标对应的公式可以为：
；其中，/>是第y个候选噪声点对应的窗口扩张指标。y是候选噪声点的序号。/>是第y个候选噪声点对应的代表分布指标。/>是取绝对值函数。/>是第y个候选噪声点对应的灰度值。/>是第y个候选噪声点对应的参考灰度指标。/>是以自然常数为底的指数函数。/>是第y个候选噪声点对应的预设窗口内像素点的数量。/>是第y个候选噪声点对应的预设窗口内候选噪声点的数量。/>是第y个候选噪声点对应的灰度分布矩阵的二范数。/>是第y个候选噪声点对应的边缘可能矩阵的二范数。矩阵的二范数也就是矩阵中所有元素的平方和的开平方。
需要说明的是，当越大时，往往说明第y个候选噪声点对应的灰度值越接近第y个候选噪声点对应的预设窗口内灰度值的中位数，并且第y个候选噪声点对应的预设窗口内灰度值的中位数对应的像素点的灰度分布特征越大；往往说明第y个候选噪声点灰度接近的像素点越可能是噪声点，往往说明第y个候选噪声点越可能是噪声点，往往说明越需要扩张对第y个候选噪声点进行去噪的窗口尺寸。当/>越大时，往往说明第y个候选噪声点对应的预设窗口内候选噪声点的占比越大，往往说明直接采用预设窗口对第y个候选噪声点进行中值滤波处理的效果越差，往往说明越需要扩张对第y个候选噪声点进行去噪的窗口尺寸。当/>越大时，往往说明第y个候选噪声点对应的预设窗口内像素点对应的灰度分布特征相对越大，往往说明第y个候选噪声点对应的预设窗口内的噪声点可能越多，往往说明直接采用预设窗口对第y个候选噪声点进行中值滤波处理的效果越差，往往说明越需要扩张对第y个候选噪声点进行去噪的窗口尺寸。当/>越大时，往往说明第y个候选噪声点对应的预设窗口内像素点对应的边缘可能指标相对越大，往往说明第y个候选噪声点对应的预设窗口内的边缘像素点可能越多，往往说明越需要保留第y个候选噪声点对应的预设窗口内的边缘细节信息，往往说明越不需要扩张对第y个候选噪声点进行去噪的窗口尺寸。因此，当/>越大时，往往说明直接采用预设窗口对第y个候选噪声点进行中值滤波处理的效果越差，往往说明越需要扩张对第y个候选噪声点进行去噪的窗口尺寸。
步骤S5，根据每个候选噪声点对应的窗口扩张指标，对每个候选噪声点对应的预设窗口进行自适应扩张调整，得到每个候选噪声点对应的目标窗口。
在一些实施例中，可以根据每个候选噪声点对应的窗口扩张指标，对每个候选噪声点对应的预设窗口进行自适应扩张调整，得到每个候选噪声点对应的目标窗口。
需要说明的是，基于候选噪声点对应的窗口扩张指标，对候选噪声点对应的预设窗口进行自适应扩张调整，可以比较精确地得到候选噪声点对应的目标窗口。
作为示例，本步骤可以包括以下步骤：
第一步，对上述候选噪声点对应的窗口扩张指标进行归一化，得到上述候选噪声点对应的目标扩张指标。
例如，可以采用sigmod函数，对候选噪声点对应的窗口扩张指标进行归一化，并将归一化后的窗口扩张指标，作为候选噪声点对应的目标扩张指标。
第二步，当上述候选噪声点对应的目标扩张指标小于或等于预设扩张阈值时，将上述候选噪声点对应的预设窗口，确定为上述候选噪声点对应的目标窗口。
其中，预设扩张阈值可以是预先设置的阈值。例如，预设扩张阈值可以是0.4。
第三步，当上述候选噪声点对应的目标扩张指标大于预设扩张阈值时，将预设窗口的尺寸更新为预设窗口的尺寸与预设尺寸的和，并根据上述候选噪声点对应的最新更新得到的预设窗口，确定上述候选噪声点对应的最新更新得到的目标扩张指标，当上述候选噪声点对应的最新的目标扩张指标大于预设扩张阈值时，重复上述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程，直至上述候选噪声点对应的最新更新得到的目标扩张指标小于或等于预设扩张阈值，或者上述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程的重复次数大于预设数量；当上述候选噪声点对应的最新更新得到的目标扩张指标小于或等于预设扩张阈值时，将上述候选噪声点对应的最新更新得到的预设窗口，确定为上述候选噪声点对应的目标窗口；当上述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程的重复次数大于预设数量时，将上述候选噪声点对应的最小目标扩张指标对应的预设窗口，确定为上述候选噪声点对应的目标窗口。
其中，预设尺寸可以是预先设置的尺寸。例如，预设尺寸可以是2。若预设窗口是5×5的窗口，预设尺寸是1，则将预设窗口的尺寸更新为预设窗口的尺寸与预设尺寸的和之后，得到的更新后的预设窗口可以为7×7的窗口。预设数量可以是预先设置的数量。例如，预设数量可以为7。根据候选噪声点对应的最新更新得到的预设窗口，确定候选噪声点对应的最新更新得到的目标扩张指标可以包括：将候选噪声点对应的最新更新得到的预设窗口作为预设窗口，执行步骤S4，得到的窗口扩张指标的归一化值，即为候选噪声点对应的最新更新得到的目标扩张指标。
上述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程可以包括：将预设窗口的尺寸更新为上述候选噪声点对应的最新更新得到的预设窗口的尺寸与预设尺寸的和，并根据上述候选噪声点对应的最新更新得到的预设窗口，确定上述候选噪声点对应的最新更新得到的目标扩张指标。
候选噪声点对应的最小目标扩张指标对应的预设窗口，也就是在对候选噪声点对应的预设窗口进行更新过程中计算的目标扩张指标最小时的预设窗口。
步骤S6，根据煤矿钻探图像中每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理，得到目标增强图像。
在一些实施例中，可以根据上述煤矿钻探图像中每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理，得到目标增强图像。
需要说明的是，基于煤矿钻探图像中每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理，可以得到去噪效果较好的目标增强图像。
作为示例，可以将每个候选噪声点对应的灰度值更新为其对应的目标窗口内灰度值的中位数，并将对所有候选噪声点的灰度值进行更新完成后的煤矿钻探图像，作为目标增强图像。
步骤S7，根据目标增强图像进行煤矿钻探定位。
在一些实施例中，可以根据目标增强图像进行煤矿钻探定位。
作为示例，可以利用surf特征匹配算法，实现对目标增强图像的煤矿钻探定位。
综上，相较于通过预设窗口，对采集图像中的每个像素点进行中值滤波处理，本发明基于灰度分布特征，从煤矿钻探图像中筛选出需要去噪处理的候选噪声点，并综合考虑了多个与去噪效果相关的特征，比如，边缘可能指标和窗口扩张指标等，并对每个候选噪声点对应的预设窗口进行自适应扩张调整，相对精确地得到了每个候选噪声点对应的目标窗口，实现了对每个候选噪声点的精确去噪，可以在一定程度上防止边缘模糊，从而提高了煤矿钻探定位的准确度。
至此，本发明完成。
一种用于煤矿钻探定位的图像去噪方法实施例：
由于环境等因素的影响，在煤矿钻探过程中采集的用于煤矿钻探定位的图像中往往存在较多的噪声，使得图像质量较差，并且干扰后续的煤矿钻探定位，因此进行煤矿钻探定位时往往需要对采集的图像进行去噪。目前，对图像去噪时，通常采用的方法为：通过预设窗口，对采集图像中的每个像素点进行中值滤波处理，其中，预设窗口可以是预先设置的用于中值滤波处理的滤波窗口。
然而，当通过预设窗口，对采集图像中的每个像素点进行中值滤波处理时，经常会存在如下技术问题：
图像中不同像素点的特征往往不同，从而导致需要的去噪程度往往不同，比如，噪声点往往需要较强的去噪程度，由于滤波窗口的大小与去噪程度有关，滤波窗口的尺寸越大，其对像素点的去噪程度往往越大，因此当通过预设窗口，对采集图像中的每个像素点进行中值滤波处理时，往往导致对采集图像中的所有像素点的去噪程度相同，从而可能造成为了保留图像边缘细节将预设窗口设置较小而导致图像去噪效果较差，也可能造成为了更好地去除噪声将预设窗口设置较大而导致图像边缘细节丢失，进而导致图像去噪效果较差。
为了解决图像去噪效果较差的技术问题，本发明的目的在于提供一种用于煤矿钻探定位的图像去噪方法，所采用的技术方案具体如下：
步骤S1，获取煤矿钻探图像，根据煤矿钻探图像中每个像素点对应的预设邻域内的灰度分布，确定每个像素点对应的灰度分布特征。
步骤S2，确定每个像素点在每个预设方向上的梯度幅值，并根据每个像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，确定每个像素点对应的边缘可能指标。
步骤S3，根据像素点对应的灰度分布特征，从煤矿钻探图像中筛选出候选噪声点。
步骤S4，根据每个候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，确定每个候选噪声点对应的窗口扩张指标。
步骤S5，根据每个候选噪声点对应的窗口扩张指标，对每个候选噪声点对应的预设窗口进行自适应扩张调整，得到每个候选噪声点对应的目标窗口。
步骤S6，根据煤矿钻探图像中每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理，得到目标增强图像。
本发明实施例提供的一种用于煤矿钻探定位的图像去噪方法具有如下技术效果：
通过对煤矿钻探图像进行去噪处理，解决了图像去噪效果较差的技术问题，提高了图像去噪效果。首先，由于噪声点周围的灰度分布往往与非噪声点不同，因此基于煤矿钻探图像中像素点对应的预设邻域内的灰度分布，量化的灰度分布特征可以用于筛选噪声点，以便于后续对噪声点进行精确地去噪。接着，基于像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，量化的像素点对应的边缘可能指标越大，往往说明该像素点越可能是边缘像素点，往往说明该像素点的细节信息越需要被保留。然后，基于像素点对应的灰度分布特征，从煤矿钻探图像中筛选出的候选噪声点可以是疑似噪声点。继续，预设窗口内候选噪声点的数量越多，往往说明越需要对预设窗口进行扩张，因此基于候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，量化的候选噪声点对应的窗口扩张指标越大，往往说明越需要对候选噪声点对应的预设窗口进行扩张，以增强其对应的去噪程度。之后，基于候选噪声点对应的窗口扩张指标，对候选噪声点对应的预设窗口进行自适应扩张调整，可以比较精确地得到候选噪声点对应的目标窗口。而后，基于煤矿钻探图像中每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理，可以得到去噪效果较好的目标增强图像，并且相较于通过预设窗口，对采集图像中的每个像素点进行中值滤波处理，本发明基于灰度分布特征，从煤矿钻探图像中筛选出需要去噪处理的候选噪声点，并综合考虑了多个与去噪效果相关的特征，比如，边缘可能指标和窗口扩张指标等，并对每个候选噪声点对应的预设窗口进行自适应扩张调整，相对精确地得到了每个候选噪声点对应的目标窗口，实现了对每个候选噪声点的精确去噪，可以在一定程度上防止边缘模糊。
其中，步骤S1-S6在上述基于计算机视觉的煤矿钻探定位方法实施例中已给出了详细说明，不再赘述。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述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发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于计算机视觉的煤矿钻探定位方法，其特征在于，包括以下步骤：
获取煤矿钻探图像，根据所述煤矿钻探图像中每个像素点对应的预设邻域内的灰度分布，确定每个像素点对应的灰度分布特征；
确定每个像素点在每个预设方向上的梯度幅值，并根据每个像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，确定每个像素点对应的边缘可能指标；
根据像素点对应的灰度分布特征，从所述煤矿钻探图像中筛选出候选噪声点；
根据每个候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，确定每个候选噪声点对应的窗口扩张指标；
根据每个候选噪声点对应的窗口扩张指标，对每个候选噪声点对应的预设窗口进行自适应扩张调整，得到每个候选噪声点对应的目标窗口；
根据所述煤矿钻探图像中每个候选噪声点对应的目标窗口，对每个候选噪声点进行中值滤波处理，得到目标增强图像；
根据所述目标增强图像进行煤矿钻探定位；
根据每个候选噪声点对应的预设窗口内所有像素点对应的边缘可能指标和灰度分布特征，以及其对应的预设窗口内候选噪声点的数量，确定每个候选噪声点对应的窗口扩张指标，包括：
将任意一个候选噪声点确定为标记噪声点，按照灰度值从小到大的顺序，对标记噪声点对应的预设窗口内所有像素点进行排序，得到标记噪声点对应的像素点组；
将标记噪声点对应的像素点组的中心位置处的像素点，确定为参考像素点，并将所述参考像素点对应的灰度值，确定为标记噪声点对应的参考灰度指标，将所述参考像素点对应的灰度分布特征，确定为标记噪声点对应的代表分布指标；
将标记噪声点对应的预设窗口内所有像素点对应的边缘可能指标，构建为标记噪声点对应的边缘可能矩阵；
将标记噪声点对应的预设窗口内所有像素点对应的灰度分布特征，构建为标记噪声点对应的灰度分布矩阵；
根据标记噪声点对应的参考灰度指标、代表分布指标、边缘可能矩阵和灰度分布矩阵，以及其对应的预设窗口内候选噪声点的数量，确定标记噪声点对应的窗口扩张指标；
候选噪声点对应的窗口扩张指标对应的公式为：
；其中，/>是第y个候选噪声点对应的窗口扩张指标；y是候选噪声点的序号；/>是第y个候选噪声点对应的代表分布指标；/>是取绝对值函数；/>是第y个候选噪声点对应的灰度值；/>是第y个候选噪声点对应的参考灰度指标；/>是以自然常数为底的指数函数；/>是第y个候选噪声点对应的预设窗口内像素点的数量；/>是第y个候选噪声点对应的预设窗口内候选噪声点的数量；/>是第y个候选噪声点对应的灰度分布矩阵的二范数；/>是第y个候选噪声点对应的边缘可能矩阵的二范数。
2.根据权利要求1所述的一种基于计算机视觉的煤矿钻探定位方法，其特征在于，所述根据所述煤矿钻探图像中每个像素点对应的预设邻域内的灰度分布，确定每个像素点对应的灰度分布特征，包括：
将所述煤矿钻探图像中的任意一个像素点，确定为标记像素点，将所述标记像素点对应的灰度值与其对应的预设邻域内每个邻域像素点对应的灰度值的差值的绝对值，确定为灰度差异，得到所述标记像素点对应的灰度差异集合；
从所述灰度差异集合中筛选出最小的灰度差异，作为所述标记像素点对应的最小灰度差异；
在所述标记像素点对应的预设邻域内，将所述标记像素点在每个预设选择方向上的所有邻域像素点，组合为所述标记像素点在每个预设选择方向上的邻域像素点序列；
根据所述标记像素点在所有预设选择方向上的邻域像素点序列中所有邻域像素点对应的灰度值，以及其对应的灰度值和最小灰度差异，确定所述标记像素点对应的灰度分布特征。
3.根据权利要求2所述的一种基于计算机视觉的煤矿钻探定位方法，其特征在于，像素点对应的灰度分布特征对应的公式为：
；其中，/>是煤矿钻探图像中第x个像素点对应的灰度分布特征；x是煤矿钻探图像中像素点的序号；/>是取绝对值函数；/>是煤矿钻探图像中第x个像素点对应的预设邻域内所有邻域像素点对应的灰度值的均值；是煤矿钻探图像中第x个像素点对应的灰度值；/>是以自然常数为底的指数函数；/>是煤矿钻探图像中第x个像素点对应的最小灰度差异；n是预设选择方向的数量；i和j是预设选择方向的序号；/>是煤矿钻探图像中第x个像素点在第i个预设选择方向上的邻域像素点序列中所有邻域像素点对应的灰度值的均值；/>是煤矿钻探图像中第x个像素点在第j个预设选择方向上的邻域像素点序列中所有邻域像素点对应的灰度值的均值；/>是预先设置的大于0的因子。
4.根据权利要求1所述的一种基于计算机视觉的煤矿钻探定位方法，其特征在于，所述确定每个像素点在每个预设方向上的梯度幅值，包括：
将任意一个预设方向确定为标记方向，并将所述煤矿钻探图像中的任意一个像素点，确定为标记像素点；
将所述标记方向与水平方向之间的逆时针夹角，确定为所述标记方向对应的目标夹角；
根据sobel算子，确定所述标记像素点对应的水平梯度幅值和竖直梯度幅值；
根据所述标记方向对应的目标夹角，以及所述标记像素点对应的水平梯度幅值和竖直梯度幅值，确定所述标记像素点在所述标记方向上的梯度幅值。
5.根据权利要求1所述的一种基于计算机视觉的煤矿钻探定位方法，其特征在于，所述根据每个像素点对应的灰度分布特征和其在所有预设方向上的梯度幅值，确定每个像素点对应的边缘可能指标，包括：
将所述煤矿钻探图像中的任意一个像素点，确定为标记像素点，从所述标记像素点在的所有预设方向上筛选出梯度幅值最大的预设方向，作为所述标记像素点对应的第一参考方向；
从所述标记像素点在的所有预设方向上筛选出梯度幅值最小的预设方向，作为所述标记像素点对应的第二参考方向；
根据所述标记像素点在所有预设方向上的梯度幅值中的最大值和最小值、所述标记像素点对应的第一参考方向和第二参考方向之间的夹角、以及所述标记像素点对应的灰度分布特征，确定所述标记像素点对应的边缘可能指标。
6.根据权利要求5所述的一种基于计算机视觉的煤矿钻探定位方法，其特征在于，像素点对应的边缘可能指标对应的公式为：
；其中，/>是煤矿钻探图像中第x个像素点对应的边缘可能指标；x是煤矿钻探图像中像素点的序号；/>是煤矿钻探图像中第x个像素点在所有预设方向上的梯度幅值中的最大值；/>是煤矿钻探图像中第x个像素点在所有预设方向上的梯度幅值中的最小值；/>是/>的正弦值；/>是煤矿钻探图像中第x个像素点对应的第一参考方向和第二参考方向之间的夹角；/>是煤矿钻探图像中第x个像素点对应的灰度分布特征；/>是预先设置的大于0的因子。
7.根据权利要求1所述的一种基于计算机视觉的煤矿钻探定位方法，其特征在于，所述根据像素点对应的灰度分布特征，从所述煤矿钻探图像中筛选出候选噪声点，包括：
对每个像素点对应的灰度分布特征进行归一化，得到每个像素点对应的归一化特征；
从所述煤矿钻探图像中筛选出归一化特征大于预设噪声特征阈值的像素点，作为候选噪声点。
8.根据权利要求1所述的一种基于计算机视觉的煤矿钻探定位方法，其特征在于，所述根据每个候选噪声点对应的窗口扩张指标，对每个候选噪声点对应的预设窗口进行自适应扩张调整，得到每个候选噪声点对应的目标窗口，包括：
对所述候选噪声点对应的窗口扩张指标进行归一化，得到所述候选噪声点对应的目标扩张指标；
当所述候选噪声点对应的目标扩张指标小于或等于预设扩张阈值时，将所述候选噪声点对应的预设窗口，确定为所述候选噪声点对应的目标窗口；
当所述候选噪声点对应的目标扩张指标大于预设扩张阈值时，将预设窗口的尺寸更新为预设窗口的尺寸与预设尺寸的和，并根据所述候选噪声点对应的最新更新得到的预设窗口，确定所述候选噪声点对应的最新更新得到的目标扩张指标，当所述候选噪声点对应的最新的目标扩张指标大于预设扩张阈值时，重复所述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程，直至所述候选噪声点对应的最新更新得到的目标扩张指标小于或等于预设扩张阈值，或者所述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程的重复次数大于预设数量；当所述候选噪声点对应的最新更新得到的目标扩张指标小于或等于预设扩张阈值时，将所述候选噪声点对应的最新更新得到的预设窗口，确定为所述候选噪声点对应的目标窗口；当所述候选噪声点对应的预设窗口尺寸和目标扩张指标的更新过程的重复次数大于预设数量时，将所述候选噪声点对应的最小目标扩张指标对应的预设窗口，确定为所述候选噪声点对应的目标窗口。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311773782.8A CN117455800B (zh) | 2023-12-22 | 2023-12-22 | 基于计算机视觉的煤矿钻探定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311773782.8A CN117455800B (zh) | 2023-12-22 | 2023-12-22 | 基于计算机视觉的煤矿钻探定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117455800A CN117455800A (zh) | 2024-01-26 |
| CN117455800B true CN117455800B (zh) | 2024-03-15 |
Family
ID=89591287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311773782.8A Active CN117455800B (zh) | 2023-12-22 | 2023-12-22 | 基于计算机视觉的煤矿钻探定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455800B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060055776A (ko) * | 2004-11-19 | 2006-05-24 | 삼성전자주식회사 | 잡음 제거 기능을 가지는 적응형 에지-보존 평활 필터 및필터링 방법 |
| CN105913415A (zh) * | 2016-04-06 | 2016-08-31 | 吴晓军 | 一种具有广泛适应性的图像亚像素边缘提取方法 |
| CN111815660A (zh) * | 2020-06-16 | 2020-10-23 | 北京石油化工学院 | 危化品仓库中货物边缘检测方法、装置及终端设备 |
| CN113793277A (zh) * | 2021-09-07 | 2021-12-14 | 上海浦东发展银行股份有限公司 | 一种图像去噪方法、装置和设备 |
| CN114170228A (zh) * | 2022-02-14 | 2022-03-11 | 西南石油大学 | 一种计算机图像边缘检测方法 |
| CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
| WO2022252442A1 (zh) * | 2021-05-31 | 2022-12-08 | 齐鲁工业大学 | 一种针对皮革纤维mct断层扫描图像的智能去噪方法及应用 |
| CN115661147A (zh) * | 2022-12-26 | 2023-01-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 基于机器视觉的计量检测数据识别方法 |
| CN116205823A (zh) * | 2023-05-05 | 2023-06-02 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 一种基于空域滤波的超声影像去噪方法 |
| CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及系统 |
| CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
| CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
| WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
| CN116485884A (zh) * | 2023-06-28 | 2023-07-25 | 四川君安天源精酿啤酒有限公司 | 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统 |
| CN116777941A (zh) * | 2023-08-22 | 2023-09-19 | 山东明达圣昌铝业集团有限公司 | 一种基于机器视觉的型材轮廓检测方法及系统 |
| CN117011195A (zh) * | 2023-10-07 | 2023-11-07 | 慧医谷中医药科技(天津)股份有限公司 | 一种辅助中医的人体红外成像数据处理系统 |
| CN117251087A (zh) * | 2023-11-17 | 2023-12-19 | 济宁市金桥煤矿 | 基于虚拟现实的煤矿安全模拟交互方法 |
-
2023
- 2023-12-22 CN CN202311773782.8A patent/CN117455800B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060055776A (ko) * | 2004-11-19 | 2006-05-24 | 삼성전자주식회사 | 잡음 제거 기능을 가지는 적응형 에지-보존 평활 필터 및필터링 방법 |
| CN105913415A (zh) * | 2016-04-06 | 2016-08-31 | 吴晓军 | 一种具有广泛适应性的图像亚像素边缘提取方法 |
| CN111815660A (zh) * | 2020-06-16 | 2020-10-23 | 北京石油化工学院 | 危化品仓库中货物边缘检测方法、装置及终端设备 |
| WO2022252442A1 (zh) * | 2021-05-31 | 2022-12-08 | 齐鲁工业大学 | 一种针对皮革纤维mct断层扫描图像的智能去噪方法及应用 |
| CN113793277A (zh) * | 2021-09-07 | 2021-12-14 | 上海浦东发展银行股份有限公司 | 一种图像去噪方法、装置和设备 |
| CN114170228A (zh) * | 2022-02-14 | 2022-03-11 | 西南石油大学 | 一种计算机图像边缘检测方法 |
| CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
| WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
| CN115661147A (zh) * | 2022-12-26 | 2023-01-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 基于机器视觉的计量检测数据识别方法 |
| CN116205823A (zh) * | 2023-05-05 | 2023-06-02 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 一种基于空域滤波的超声影像去噪方法 |
| CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及系统 |
| CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
| CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
| CN116485884A (zh) * | 2023-06-28 | 2023-07-25 | 四川君安天源精酿啤酒有限公司 | 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统 |
| CN116777941A (zh) * | 2023-08-22 | 2023-09-19 | 山东明达圣昌铝业集团有限公司 | 一种基于机器视觉的型材轮廓检测方法及系统 |
| CN117011195A (zh) * | 2023-10-07 | 2023-11-07 | 慧医谷中医药科技(天津)股份有限公司 | 一种辅助中医的人体红外成像数据处理系统 |
| CN117251087A (zh) * | 2023-11-17 | 2023-12-19 | 济宁市金桥煤矿 | 基于虚拟现实的煤矿安全模拟交互方法 |
Non-Patent Citations (3)
| Title |
|---|
| Modified Median Filter for Image Denoising;Narendra Kumar 等;International Journal of Advanced Science and Technology;20201231;第29卷(第4s期);1495-1502 * |
| 基于亚像素边缘的椭圆中心检测方法研究;杨险峰 等;光学仪器;20141231;第36卷(第6期);481-485 * |
| 矿山遥感图像自适应加权改进中值滤波算法;姚薇;钱玲玲;;金属矿山;20160415(04);101-105 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117455800A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7844402B2 (en) | System and method for fault identification | |
| CN105184822A (zh) | 一种目标跟踪模板更新方法 | |
| CA2044871A1 (en) | Method for determining dip and strike angles in borehole tv data | |
| CN111290021A (zh) | 基于梯度结构张量谱分解的碳酸盐岩缝洞增强识别方法 | |
| CN117710399B (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
| US8855440B2 (en) | Structure-independent analysis of 3-D seismic random noise | |
| GB2437152A (en) | Image compression in downhole applications | |
| Yuan et al. | Digital image processing-based automatic detection algorithm of cross joint trace and its application in mining roadway excavation practice | |
| Jiang et al. | Application of canny operator threshold adaptive segmentation algorithm combined with digital image processing in tunnel face crevice extraction | |
| CN117455800B (zh) | 基于计算机视觉的煤矿钻探定位方法 | |
| US10152783B2 (en) | Method and system for two dimensional sediment particle shape characterization based on borehole image | |
| CN108460419B (zh) | 钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 | |
| CN114155378A (zh) | 采煤沉陷地裂缝自动提取方法、装置及存储介质 | |
| CN109948291A (zh) | 一种砂体不连续界线方向自适应识别方法 | |
| CN111402158A (zh) | 一种综采工作面低照度雾尘图像清晰化方法 | |
| CN114089418B (zh) | 高地层倾角条件下低序级断层的地震识别方法 | |
| Florio et al. | Terracing of potential fields by clustering methods | |
| CN109884701B (zh) | 地质体散射角度导向深度成像方法 | |
| Tingjiang et al. | Research and application of downhole drilling depth based on computer vision technique | |
| Yang et al. | An automatic method for discontinuity recognition in coal-measure strata borehole images | |
| CN115343763B (zh) | 基于地震同相轴零相位判别的蚂蚁体属性倾角校正方法 | |
| CN109447944B (zh) | 碳酸盐岩的岩相识别方法及系统 | |
| CN112324422B (zh) | 一种电成像测井缝洞识别方法、系统及孔隙结构表征方法 | |
| CN112561806B (zh) | 一种微电阻率扫描测井仪图像增强方法及系统 | |
| CN117455908B (zh) | 一种皮带机跑偏视觉检测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |