CN117710399B - 一种基于视觉的地质调查中裂缝轮廓提取方法 - Google Patents
一种基于视觉的地质调查中裂缝轮廓提取方法 Download PDFInfo
- Publication number
- CN117710399B CN117710399B CN202410165990.8A CN202410165990A CN117710399B CN 117710399 B CN117710399 B CN 117710399B CN 202410165990 A CN202410165990 A CN 202410165990A CN 117710399 B CN117710399 B CN 117710399B
- Authority
- CN
- China
- Prior art keywords
- crack
- point
- gray
- value
- points
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000011835 investigation Methods 0.000 claims abstract description 18
- 239000003550 marker Substances 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 238000012216 screening Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及地质图像轮廓提取技术领域,具体涉及一种基于视觉的地质调查中裂缝轮廓提取方法。该方法获得地质图像;获得疑似裂缝连通域,并获得其中每个像素点的灰度曲线;利用曲线上像素点的灰度分布特征获得疑似裂缝连通域的裂缝程度值,进而获得其他区域裂缝程度值;以地质图像每个像素点为中心建立搜索窗口找到所有标记点,划分获得标记点区域进而获得标记点区域的得分值,筛选出最优标记点区域;对该区域标记点进行聚类,获得自适应中心点;利用自适应中心点进行非局部均值滤波,获得增强地质图像,并进行裂缝轮廓提取。本发明获得去噪效果良好,且图像特征清晰的增强地质图像,提高了裂缝轮廓提取的准确性。
Description
技术领域
本发明涉及地质图像轮廓提取技术领域,具体涉及一种基于视觉的地质调查中裂缝轮廓提取方法。
背景技术
地质调查是研究地球表面地质结构和地质演化的基础性工作。裂缝是地壳中常见的构造特征,对地质调查具有重要意义。裂缝轮廓提取是地质调查中的一个关键步骤,可以有效地识别出裂缝的位置、形态和长度等信息,为后续的地质研究提供重要的数据支持。然而,传统的地质调查方法往往需要耗费大量的人力、物力和时间,且无法实现对大规模地质区域的快速、高效、准确的勘探。因此,如何利用计算机视觉技术实现裂缝轮廓提取,提高地质调查的效率和精度,具有重要的理论和实际意义。
采集的地质图像除了噪声以外,还会出现由于地壳挤压导致裂缝周围产生一定程度的截面,而截面不属于正常的裂缝特征。又因为截面的灰度值特征与裂缝的灰度值特征比较相似,如果对地质图像直接进行轮廓提取,会导致轮廓提取结果有较大误差。因此首先需要对地质图像进行去噪处理,现有技术中常用非局部均值滤波进行去噪,它在计算过程中每一个待滤波点的搜素窗口的中心值都是待滤波点本身。对于地质图像而言,如果待滤波点位于裂缝区域的边缘时,以待滤波点本身构建搜索窗口时会导致正常地面的大部分像素点划分在搜索窗口中,待滤波点和正常地面的灰度值混合,进而导致边缘模糊,影响轮廓提取结果。
发明内容
为了解决利用非局部均值滤波算法对地质图像进行增强时,会出现截面与裂缝像素点被划分在搜索窗口中,导致增强后的图像边缘模糊,进而影响裂缝轮廓提取效果的技术问题,本发明的目的在于提供一种基于视觉的地质调查中裂缝轮廓提取方法,所采用的技术方案具体如下:
一种基于视觉的地质调查中裂缝轮廓提取方法,所述方法包括:
获取地质调查过程中的地质图像;
根据所述地质图像内像素点的灰度特征获得疑似裂缝连通域;获取所述疑似裂缝连通域中每个像素点在预设不同方向上的灰度曲线;根据不同方向所述灰度曲线上像素点的灰度分布特征,获得所述疑似裂缝连通域中每个像素点作为裂缝区域像素点的裂缝程度值;获得地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值;
以所述地质图像中每个像素点为中心预设搜索窗口;根据所述搜索窗口中像素点的裂缝程度值获得所述搜索窗口中的所有标记点;将所述搜索窗口进行划分获得标记点区域;根据所述搜索窗口中标记点的分布特征,获得每个搜索窗口内所有所述标记点区域的得分值;根据所述得分值获得最优标记点区域;将所述最优标记点区域内的所有标记点进行聚类,根据聚类结果获得所述地质图像中每个像素点的自适应中心点;
以所述地质图像中每个像素点的自适应中心点建立搜索窗口对所述地质图像进行非局部均值滤波,获得增强地质图像;
对所述增强地质图像进行裂缝轮廓提取。
进一步地,所述灰度曲线的获取方法包括:
将每个疑似裂缝连通域中的每个像素点作为基准像素点;获取每个疑似裂缝连通域中的每个基准像素点预设不同方向上的所有像素点的灰度值;以每个方向上每个像素点的位置作为横轴,每个方向上每个像素点的灰度值作为纵轴,获得疑似裂缝连通域内不同方向上所有像素点灰度值组成的灰度曲线。
进一步地,疑似裂缝连通域中每个像素点的所述裂缝程度值的获取方法包括:
以所述基准像素点为中心,在两个相反方向上的两个灰度波动曲线中,将灰度值均值最小的灰度波动曲线作为目标灰度波动曲线,另一个作为非目标灰度波动曲线;所述基准像素点同时存在于目标灰度波动曲线与非目标灰度波动曲线;
将目标灰度曲线与非目标灰度曲线组成每个基准像素点的灰度曲线;根据每条灰度曲线上目标灰度波动曲线与非目标灰度波动曲线的像素点灰度变化特征,计算所述基准像素点在每条灰度曲线上的灰度特征值;
将所述基准像素点在每条灰度曲线的灰度特征值求平均并进行归一化处理,获得疑似裂缝连通域中每个像素点的所述裂缝程度值。
进一步地,灰度特征值的获取方法包括:
根据灰度特征值计算公式获取所述灰度特征值,所述灰度特征值计算公式如下所示:
;式中,/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上的灰度特征值;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上目标灰度波动曲线像素点的灰度值均值;/>表示疑似裂缝连通域内第/>个像素点的灰度值;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上非目标灰度波动曲线像素点的灰度值均值;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上目标灰度波动曲线两个端点的灰度值差异;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上目标灰度波动曲线两个端点连接直线的斜率;表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上非目标灰度波动曲线两个端点的灰度值差异;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上非目标灰度波动曲线两个端点连接直线的斜率;/>表示以自然常数为底的指数函数。
进一步地,获得地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值,包括:
将地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值设置为所述疑似裂缝连通域中像素点的最小裂缝程度值的。
进一步地,所述标记点的获取方法包括:
计算每个搜索窗口中所有像素点的裂缝程度值的均值作为程度阈值;
当搜索窗口中心点的裂缝程度值大于所述程度阈值时,将所述搜索窗口中裂缝程度值大于所述程度阈值的所有像素点作为标记点;
当搜索窗口中心点的裂缝程度值小于所述程度阈值时,将所述搜索窗口中裂缝程度值小于所述程度阈值的所有像素点作为标记点。
进一步地,将所述搜索窗口划分为标记点区域,包括:
以搜索窗口中心点为中心将所述搜索窗口平均分为8个区域,将每个区域作为每个标记点区域。
进一步地,获得每个搜索窗口内所有所述标记点区域的得分值,包括:
计算搜索窗口内每个所述标记点区域的像素点裂缝程度值的平均值作为第一平均值;计算每个所述标记点区域的第一平均值与所有标记点区域内第一平均值总和之间的比值作为程度比例;
当搜索窗口中心点的裂缝程度值大于所述程度阈值时,将每个所述标记点区域内的标记点数量与所述程度比例之间的乘积作为每个所述标记点区域的得分值;
当搜索窗口中心点的裂缝程度值小于所述程度阈值时,将每个所述标记点区域的所述程度比例进行负相关映射,并与每个所述标记点区域内的标记点数量进行相乘,作为每个所述标记点区域的得分值。
进一步地,最优标记点区域的获取方法包括:
将搜索窗口中得分值最高的所述标记点区域作为最优标记点区域。
进一步地,根据聚类结果获得所述地质图像中每个像素点的自适应中心点,包括:
利用聚类算法将所述最优标记点区域内的所有标记点分为两类;将标记点数量大的聚类簇作为目标簇;将所述目标簇中标记点的裂缝程度值的平均值作为基准值;
将所述最优标记点区域内与所述基准值差异最小的裂缝程度值对应的标记点作为地质图像中每个像素点的自适应中心点。
本发明具有如下有益效果:
本发明获取地质调查过程中的地质图像;由于裂缝区域、截面区域与正常地质区域的灰度特征存在不同,所以根据地质图像内像素点的灰度特征对地质图像进行阈值分割,获得疑似裂缝连通域;为了对裂缝区域与截面区域作出区分,需要对每个疑似裂缝连通域的每个像素点有关的灰度波动情况进行分析,所以获取疑似裂缝连通域中每个像素点在预设不同方向上的灰度曲线;获得地质图像中每个像素点的裂缝程度值,裂缝程度值能够直接反映不同区域像素点的灰度特征;以地质图像中每个像素点为中心预设搜索窗口;将与搜索窗口中心点的裂缝程度值的特征相似的像素点作为标记点,根据搜索窗口中像素点的裂缝程度值获得搜索窗口中的所有标记点;将搜索窗口进行划分获得标记点区域;根据搜索窗口中标记点的分布特征,获得每个搜索窗口内所有标记点区域的得分值,不同标记点区域的得分值可以通过搜索窗口中心点的裂缝程度值的特征以及与中心点裂缝程度值特征相似的像素点分布,寻找到最有可能存在自适应中心点的最优标记点区域;将最优标记点区域内的所有标记点进行聚类,根据聚类结果获得地质图像中每个像素点的自适应中心点,自适应中心点可以保证搜索窗口中可以尽可能多地包含裂缝区域的灰度信息,降低截面区域像素点与裂缝区域像素点融合的概率,提高滤波的效果;以地质图像中每个像素点的自适应中心点建立搜索窗口对地质图像进行非局部均值滤波,获得增强地质图像;对增强地质图像进行裂缝轮廓提取。本发明能够获得地质图像中每个像素点的自适应中心点来建立搜索窗口以获得去噪效果良好,且图像特征清晰的增强地质图像,提高了裂缝轮廓提取的准确性。
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视觉的地质调查中裂缝轮廓提取方法流程图;
图2为本发明一个实施例所提供的地质图像中裂缝区域、截面区域与正常区域示意图;
图3为本发明一个实施例所提供的标记点区域示意图。
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基于视觉的地质调查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基于视觉的地质调查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基于视觉的地质调查中裂缝轮廓提取方法流程图,该方法包括:
步骤S1:获取地质调查过程中的地质图像。
本发明实施例提供一种基于视觉的地质调查中裂缝轮廓提取方法,针对裂缝轮廓的提取,需要首先获取地质调查过程中的地质图像。本发明一个实施例中,使用CCD工业相机采集地质调查过程中的地质图像,考虑到图像采集过程中可能会出现拍摄角度不同,导致图像某些区域的图像信息有所遗漏的问题。本发明一个实施例为了保证获取地质图像完整的图像信息,将相机的拍摄角度设置为垂直于地面。需要说明的是,为了保证后续图像处理过程的图像质量,获得地质图像后还需要进行图像预处理操作,具体图像预处理操作为本领域技术人员熟知的技术手段,在此不做赘述以及限定。在本发明实施例中图像预处理操作为灰度化。
步骤S2:根据地质图像内像素点的灰度特征获得疑似裂缝连通域;获取疑似裂缝连通域中每个像素点在预设不同方向上的灰度曲线;根据不同方向灰度曲线上像素点的灰度分布特征,获得疑似裂缝连通域中每个像素点作为裂缝区域像素点的裂缝程度值;获得地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值。
在地质图像中,裂缝区域、截面区域与正常地质区域的灰度特征存在不同,具体如图2所示,提供了一种地质图像中裂缝区域、截面区域与正常区域示意图,如图所示地质裂缝在灰度图像中通常表现为较低的灰度值,并且由于地质裂缝可能会出现不平整的情况,导致灰度图像中会存在一定程度的截面,截面区域的灰度值略高于裂缝区域,而正常地质区域表现为最高的灰度值。为了对裂缝区域与正常地质区域和截面区域作出区分,需要首先对地质图像进行阈值分割以获得疑似裂缝连通域,方便后续进行进一步的裂缝轮廓提取。由于实际情况中截面区域像素点灰度值与裂缝区域像素点灰度值较为相似,在对地质图像进行阈值分割之后,疑似裂缝连通域内会存在部分截面区域像素点,在非局部均值滤波的过程中,可能出现截面区域像素点与裂缝区域像素点发生融合的现象,为了对疑似裂缝连通域内的裂缝区域像素点与截面区域像素点进行区分,需要获得每种区域像素点作为裂缝区域像素点的裂缝程度值。
本发明一个实施例中,利用大津阈值法将地质图像进行阈值分割,获得多个疑似裂缝连通域。需要说明的是,大津阈值法为本领域技术人员熟知的技术手段,在此不做赘述。且在本发明其他实施例中,还可以采用其他阈值分割算法获得疑似裂缝连通域,在此不做限定。
由于在现实情况中截面区域内像素点的灰度值略大于裂缝区域内像素点的灰度值,若疑似裂缝区域中既包含截面区域,又包括裂缝区域,则疑似裂缝连通域内不同区域的像素点周围灰度波动情况不同,为了对裂缝区域与截面区域作出区分,需要对每个疑似裂缝连通域的每个像素点有关的灰度波动情况进行分析,所以本发明实施例中,获取疑似裂缝连通域中每个像素点在预设不同方向上的灰度曲线。
优选地,本发明一个实施例中,灰度曲线的获取方法包括:
获取每个疑似裂缝连通域中的每个像素点预设不同方向上的所有像素点的灰度值;以每个方向上每个像素点的位置作为横轴,每个方向上每个像素点的灰度值作为纵轴,获得不同方向上所有像素点灰度值组成的灰度曲线,不同方向的灰度曲线可以反映出每个基准像素点在整个疑似裂缝连通域中的数据波动情况。
需要说明的是,在本发明其他实施例中,预设不同方向的设置可以由实施人员自行设置,在此不做限定。
优选地,本发明一个实施例中,疑似裂缝连通域中每个像素点的裂缝程度值的获取方法包括:
由于裂缝区域像素点灰度值小于截面区域像素点的灰度值,所以以基准像素点为中心,在两个相反方向上的两个灰度波动曲线中,将灰度值均值最小的灰度波动曲线作为目标灰度波动曲线,另一个作为非目标灰度波动曲线;基准像素点同时存在于灰度曲线的目标灰度波动曲线与非目标灰度波动曲线;将目标灰度曲线与非目标灰度曲线组成每个基准像素点的灰度曲线;根据每条灰度曲线上目标灰度波动曲线与非目标灰度波动曲线的像素点灰度变化特征,计算基准像素点在每条灰度曲线上的灰度特征值;将基准像素点在每条灰度曲线的灰度特征值求平均并进行归一化处理,获得疑似裂缝连通域中每个像素点的裂缝程度值,裂缝程度值可以反映每个基准像素点不同方向的灰度波动情况,通过灰度波动情况可以得到每个基准像素点为裂缝区域像素点的可能性。
其中,优选地,本发明一个实施例中,灰度特征值的获取方法包括:
根据灰度特征值计算公式获取灰度特征值,灰度特征值计算公式如下所示:
,
式中,表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上的灰度特征值;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上目标灰度波动曲线像素点的灰度值均值;/>表示疑似裂缝连通域内第/>个像素点的灰度值;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上非目标灰度波动曲线像素点的灰度值均值;表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上目标灰度波动曲线两个端点之间的灰度值差异;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上目标灰度波动曲线两个端点连接直线的斜率;/>表示疑似裂缝连通域内第/>个像素点在第条灰度曲线上非目标灰度波动曲线两个端点之间的灰度值差异;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上非目标灰度波动曲线两个端点连接直线的斜率;表示以自然常数为底的指数函数。
在灰度特征值计算公式中,目标灰度波动曲线像素点的灰度值均值与基准像素点灰度值之间的差值越大,说明基准像素点的灰度值越小,此时基准像素点在目标灰度波动曲线中作为裂缝区域像素点的可能性越大;基准像素点灰度值与非目标灰度波动曲线像素点的灰度值均值之间的差值越小,说明基准像素点相较于非目标灰度波动曲线像素点整体的灰度值越小,此时基准像素点的灰度值越接近裂缝区域,即基准像素点为裂缝区域像素点的可能性越大,第个像素点在第/>条灰度曲线上的灰度特征值越大;由于截面区域像素点的灰度值要略大于裂缝区域,所以灰度曲线的波动并不剧烈,此时/>与的值都比较小,其中若灰度曲线的整体波动越大,灰度曲线越有可能经过截面区域,当/>越小时,目标灰度波动曲线两个端点灰度值越接近,此时若目标灰度波动曲线端点连接直线的斜率越小,说明目标灰度波动曲线整体波动越小,此时目标灰度波动曲线经过截面区域的可能性越小,目标灰度波动曲线为裂缝区域的可能性越大;同时当越小时,非目标灰度波动曲线两个端点灰度值越接近,此时若目标灰度波动曲线端点连接直线的斜率越小,说明非目标灰度波动曲线的曲线波动情况与目标灰度波动曲线曲线波动情况越相似,非目标灰度波动曲线越有可能属于裂缝区域,此时越小,第/>个像素点在第/>条灰度曲线上的灰度特征值越大。
利用基准像素点在每条灰度曲线灰度特征值求平均,获得每个基准像素点的裂缝程度值。本发明一个实施例中,疑似裂缝连通域内每个像素点的裂缝程度值计算公式如下所示:
,
式中,表示疑似裂缝连通域内第/>个像素点的裂缝程度值;/>表示疑似裂缝连通域内第/>个像素点的灰度曲线数量;/>表示疑似裂缝连通域内第/>个像素点在第条灰度曲线上的灰度特征值;/>表示归一化函数。
优选地,本发明一个实施例中,获得地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值,包括:
由于正常地质区域的灰度值远高于疑似裂缝连通域的灰度值,且裂缝区域像素点只有可能出现于疑似裂缝连通域,为了对疑似裂缝区域与其他区域作出区分,所以将地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值设置为疑似裂缝连通域中像素点的最小裂缝程度值的。
至此,获得地质图像中每个像素点的裂缝程度值。
步骤S3:以地质图像中每个像素点为中心预设搜索窗口;根据搜索窗口中像素点的裂缝程度值获得搜索窗口中的所有标记点;将搜索窗口进行划分获得标记点区域;根据搜索窗口中标记点的分布特征,获得每个搜索窗口内所有标记点区域的得分值;根据得分值获得最优标记点区域;将最优标记点区域内的所有标记点进行聚类,根据聚类结果获得地质图像中每个像素点的自适应中心点。
在非局部均值滤波过程中,一般是以每个像素点为中心建立搜索窗口。如果像素点位于地质图像中的裂缝区域,则理想中的搜索窗口中心点要尽可能地靠近裂缝区域的内部,以保证搜索窗口中可以尽可能多地包含裂缝区域的灰度信息,降低截面区域像素点与裂缝区域像素点融合的概率,提高滤波的效果。所以本发明实施例中,需要获得地质图像中每个像素点的自适应中心点以建立搜索窗口进行非局部均值滤波。
本发明一个实施例中,搜索窗口设置为的正方形。需要说明的是,在本发明其他实施例中,搜索窗口的参数可以由实施人员自行设置,在此不做限定。
由于要获取地质图像中每个像素点在非局部均值滤波中的自适应中心点,而自适应中心点需要与原搜索窗口中心点具备相似的灰度变化特征,所以需要对与搜索窗口中心点周围灰度变化特征相似的像素点进行标记,以便于进行下一步筛选自适应中心点,所以本发明实施例中,根据搜索窗口中像素点的裂缝程度值获得搜索窗口中的所有标记点。
优选地,本发明一个实施例中,标记点的获取方法包括:
计算每个搜索窗口中所有像素点的裂缝程度值的均值作为程度阈值;当搜索窗口中心点的裂缝程度值大于程度阈值时,此时需要在搜索窗口中获取较大裂缝程度值的像素点,所以将搜索窗口中裂缝程度值大于程度阈值的所有像素点作为标记点;当搜索窗口中心点的裂缝程度值小于程度阈值时,此时需要在搜索窗口中获取较小裂缝程度值的像素点,所以将搜索窗口中裂缝程度值小于程度阈值的所有像素点作为标记点。
在实际情况中,搜索窗口内标记点的分布并不均匀,为了确定自适应中心点的选取方向,可以对搜索窗口进行均匀划分,获得不同标记点区域,而标记点区域中标记点的分布特征能够判断出自适应中心点的选取方向,所以本发明实施例中,将搜索窗口进行划分获得标记点区域。
优选地,本发明一个实施例中,将搜索窗口划分为标记点区域,包括:
以搜索窗口中心点为中心将搜索窗口平均分为8个区域,将每个区域作为每个标记点区域。需要说明的是,在本发明其他实施例中,标记点区域的数量均可以由实施人员自行设置,在此不做限定。
具体如图3所示,提供了一种标记点区域示意图,将每个搜索窗口进行划分,获得标记点区域1、标记点区域2、标记点区域3、标记点区域4、标记点区域5、标记点区域6、标记点区域7和标记点区域8。在地质图像以每个像素点为中心建立的搜索窗口中,将与搜索窗口中心点的裂缝程度值的特征相似的像素点作为标记点,可以通过搜索窗口中心点的裂缝程度值的特征以及与中心点裂缝程度值特征相似的像素点分布,寻找到最有可能存在自适应中心点的最优标记点区域。
在以每个像素点为中心建立的搜索窗口中,不同标记点区域内标记点的分布特征不同,在实际情况中,标记点分布越集中的区域越有可能出现自适应中心点,由于需要获得自适应中心点的选取方向,需要对不同标记点区域内标记点的分布特征进行量化,即得到不同标记点区域的得分值,通过得分值的大小关系获得最优标记点区域。所以本发明实施例中,根据搜索窗口中标记点的分布特征,获得每个搜索窗口内所有标记点区域的得分值;根据得分值获得最优标记点区域。
优选地,本发明一个实施例中,获得每个搜索窗口内所有标记点区域的得分值,包括:
计算搜索窗口内每个标记点区域的像素点裂缝程度值的平均值作为第一平均值;计算每个标记点区域的第一平均值与所有标记点区域内第一平均值总和之间的比值作为程度比例;搜索窗口中心点的裂缝程度值反映出搜索窗口中心点为裂缝区域像素点的可能性,当搜索窗口中心点的裂缝程度值大于程度阈值时,搜索窗口中心点作为裂缝区域像素点的可能性越大,即标记点的裂缝程度值都比较大,此时搜索窗口内的标记点在某个标记点区域分布越集中,该标记点区域整体的裂缝程度值越大;而当搜索窗口中心点的裂缝程度值小于程度阈值时,搜索窗口中心点作为裂缝区域像素点的可能性越小,即标记点的裂缝程度值都比较小,此时搜索窗口内的标记点在某个标记点区域分布越集中,该标记点区域整体的裂缝程度值越小,所以需要分两种情况进行讨论;当搜索窗口中心点的裂缝程度值大于程度阈值时,将每个标记点区域内的标记点数量与程度比例之间的乘积作为每个标记点区域的得分值,若某个标记点区域程度比例越高,说明该标记点区域内标记点的裂缝程度值与基准像素点裂缝特征值相似的标记点比例越高,若此时搜索窗口内标记点数量越多,则该标记点区域含有越多标记点,得分值越高;当搜索窗口中心点的裂缝程度值小于程度阈值时,将每个标记点区域的程度比例进行负相关映射,并与每个标记点区域内的标记点数量进行相乘,作为每个标记点区域的得分值,若某个标记点区域程度比例越低,说明该标记点区域内标记点的裂缝程度值与基准像素点裂缝特征值相似的标记点比例越高,若此时搜索窗口内标记点数量越多,则该标记点区域含有越多标记点,得分值越高。本发明一个实施例中,标记点区域的得分值计算公式如下所示:
当搜索窗口中心点的裂缝程度值大于程度阈值时:
,
式中,表示第/>个标记点区域的得分值;/>表示第/>个标记点区域内标记点的数量;/>表示第/>个标记点区域内标记点的裂缝程度均值;/>表示搜索窗口内标记点区域的数量;/>表示搜索窗口内标记点区域的序号;/>表示搜索窗口内第/>个标记点区域内标记点的裂缝程度均值。
当搜索窗口中心点的裂缝程度值小于程度阈值时:
,
式中,表示第/>个标记点区域的得分值;/>表示第/>个标记点区域内标记点的数量;/>表示第/>个标记点区域内标记点的裂缝程度均值;/>表示搜索窗口内标记点区域的数量;/>表示搜索窗口内标记点区域的序号;/>表示搜索窗口内第/>个标记点区域内标记点的裂缝程度均值。
优选地,本发明一个实施例中,将搜索窗口中得分值最高的标记点区域作为最优标记点区域。
至此,获得地质图像每个像素点搜索窗口中的最优标记点区域。
地质图像中每个像素点的自适应中心点都出现在最优标记点区域中,所以可以在最优标记点区域中利用聚类算法确定地质图像中每个像素点的自适应中心点,以便于后续进行非局部均值滤波。
优选地,本发明一个实施例中,根据聚类结果获得地质图像中每个像素点的自适应中心点,包括:
由于在最优标记点区域内标记点的分布并不均匀,随意选择自适应中心点无法保证最好的效果,聚类算法能够找到最优标记点区域中标记点分布最密集的区域,在该区域中选择自适应中心点能够保证自适应中心点的搜索窗口内会尽可能的包含与基准像素点灰度特征相似的像素点,所以利用聚类算法将最优标记点区域内的所有标记点分为两类;标记点数量多的聚类簇标记点分布越集中,越有可能出现自适应中心点,所以将标记点数量大的聚类簇作为目标簇;将目标簇中标记点的裂缝程度值的平均值作为基准值,基准值能够反映目标簇的整体灰度变化特征;因为自适应中心点的搜索窗口内所有像素点的灰度特征与自适应中心点的灰度特征越相似,后续进行非局部均值滤波的效果越好,所以与目标簇整体灰度变化特征越相似的标记点越有可能是自适应中心点,将最优标记点区域内与基准值差异最小的裂缝程度值对应的标记点作为地质图像中每个像素点的自适应中心点。
本发明一个实施例中,使用K-means聚类算法对最优标记点区域内的标记点进行聚类。需要说明的是,在本发明其他实施例中,还可以采用其他聚类算法进行聚类,且上述聚类算法均为本领域技术人员所熟知的技术手段,在此不做限定及赘述。
至此,获得地质图像中每个像素点的自适应中心点。
步骤S4:以地质图像中每个像素点的自适应中心点建立搜索窗口对地质图像进行非局部均值滤波,获得增强地质图像。
根据步骤S3获得的地质图像中每个像素点的自适应中心点之后,以自适应中心点为中心建立搜索窗口进行非局部均值滤波时,搜索窗口的灰度值特征与自适应中心点对应的地质图像中的像素点灰度值特征更加接近。本发明一个实施例中,遍历地质图像中每个像素点,获得每个像素点的自适应中心点进行非局部均值滤波,从而获得去噪且图像裂缝区域特征清晰的增强地质图像。
步骤S5:对增强地质图像进行裂缝轮廓提取。
本发明实施例中,对增强地质图像使用Canny边缘检测算法提取裂缝轮廓。需要说明的是,在本发明其他实施例中,还可以采用Sobel边缘检测算法等其他边缘检测算法进行裂缝轮廓提取,在此不做限定。且上述边缘检测算法为本领域技术人员所熟知的技术手段,在此不做赘述。
综上:本发明获取地质调查过程中的地质图像;根据地质图像内像素点的灰度特征对地质图像进行阈值分割,获得疑似裂缝连通域;以获取疑似裂缝连通域中每个像素点在预设不同方向上的灰度曲线;获得地质图像中每个像素点的裂缝程度值,裂缝程度值能够直接反映不同区域像素点的灰度特征;以地质图像中每个像素点为中心预设搜索窗口;根据搜索窗口中像素点的裂缝程度值获得搜索窗口中的所有标记点;将搜索窗口进行划分获得标记点区域;根据搜索窗口中标记点的分布特征,获得每个搜索窗口内所有标记点区域的得分值,不同标记点区域的得分值可以通过搜索窗口中心点的裂缝程度值的特征以及与中心点裂缝程度值特征相似的像素点分布,寻找到最有可能存在自适应中心点的最优标记点区域;将最优标记点区域内的所有标记点进行聚类,根据聚类结果获得地质图像中每个像素点的自适应中心点;以地质图像中每个像素点的自适应中心点建立搜索窗口对地质图像进行非局部均值滤波,获得增强地质图像;对增强地质图像进行裂缝轮廓提取。本发明能够获得地质图像中每个像素点的自适应中心点来建立搜索窗口以获得去噪效果良好,且图像特征清晰的增强地质图像,提高了裂缝轮廓提取的准确性。
一种地质图像的图像增强方法实施例:
在地质图像中,除了噪声以外,还会出现由于地壳挤压导致裂缝周围产生一定程度的截面,而截面不属于正常的裂缝特征。利用非局部均值滤波进行图像增强时,又因为截面的灰度值特征与裂缝的灰度值特征比较相似,如果待滤波点位于裂缝区域的边缘时,以待滤波点本身构建搜索窗口时会导致正常地址区域与截面区域的部分像素点划分在搜索窗口中,会导致待滤波点和正常地面的灰度值混合,从而导致增强后的地质图像特征不清晰的技术问题,为了解决该技术问题,提供了一种地质图像的图像增强方法实施例,具体包括:
步骤S1:获取地质调查过程中的地质图像。
步骤S2:根据地质图像内像素点的灰度特征获得疑似裂缝连通域;获取疑似裂缝连通域中每个像素点在预设不同方向上的灰度曲线;根据不同方向灰度曲线上像素点的灰度分布特征,获得疑似裂缝连通域中每个像素点作为裂缝区域像素点的裂缝程度值;获得地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值。
步骤S3:以地质图像中每个像素点为中心预设搜索窗口;根据搜索窗口中像素点的裂缝程度值获得搜索窗口中的所有标记点;将搜索窗口进行划分获得标记点区域;根据搜索窗口中标记点的分布特征,获得每个搜索窗口内所有标记点区域的得分值;根据得分值获得最优标记点区域;将最优标记点区域内的所有标记点进行聚类,根据聚类结果获得地质图像中每个像素点的自适应中心点。
步骤S4:以地质图像中每个像素点的自适应中心点建立搜索窗口对地质图像进行非局部均值滤波,获得增强地质图像。
由于步骤S1-步骤S4在上述的一种基于视觉的地质调查中裂缝轮廓提取方法已经提及,在此不做赘述。
本实施例的技术效果:本实施例获取地质调查过程中的地质图像;由于裂缝区域、截面区域与正常地质区域的灰度特征存在不同,所以根据地质图像内像素点的灰度特征对地质图像进行阈值分割,获得疑似裂缝连通域;为了对裂缝区域与截面区域作出区分,需要对每个疑似裂缝连通域的每个像素点有关的灰度波动情况进行分析,所以获取疑似裂缝连通域中每个像素点在预设不同方向上的灰度曲线;获得地质图像中每个像素点的裂缝程度值,裂缝程度值能够直接反映不同区域像素点的灰度特征;以地质图像中每个像素点为中心预设搜索窗口;将与搜索窗口中心点的裂缝程度值的特征相似的像素点作为标记点,根据搜索窗口中像素点的裂缝程度值获得搜索窗口中的所有标记点;将搜索窗口进行划分获得标记点区域;根据搜索窗口中标记点的分布特征,获得每个搜索窗口内所有标记点区域的得分值,不同标记点区域的得分值可以通过搜索窗口中心点的裂缝程度值的特征以及与中心点裂缝程度值特征相似的像素点分布,寻找到最有可能存在自适应中心点的最优标记点区域;将最优标记点区域内的所有标记点进行聚类,根据聚类结果获得地质图像中每个像素点的自适应中心点,自适应中心点可以保证搜索窗口中可以尽可能多地包含裂缝区域的灰度信息,降低截面区域像素点与裂缝区域像素点融合的概率,提高滤波的效果;以地质图像中每个像素点的自适应中心点建立搜索窗口对地质图像进行非局部均值滤波,获得增强地质图像。本实施例能够在非局部均值滤波过程中,获得地质图像中每个像素点的自适应中心点来建立搜索窗口以获得去噪效果良好,且图像特征清晰的增强地质图像。
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 (7)
1.一种基于视觉的地质调查中裂缝轮廓提取方法,其特征在于,所述方法包括:
获取地质调查过程中的地质图像;
根据所述地质图像内像素点的灰度特征获得疑似裂缝连通域;获取所述疑似裂缝连通域中每个像素点在预设不同方向上的灰度曲线;根据不同方向所述灰度曲线上像素点的灰度分布特征,获得所述疑似裂缝连通域中每个像素点作为裂缝区域像素点的裂缝程度值;获得地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值;
以所述地质图像中每个像素点为中心预设搜索窗口;根据所述搜索窗口中像素点的裂缝程度值获得所述搜索窗口中的所有标记点;将所述搜索窗口进行划分获得标记点区域;根据所述搜索窗口中标记点的分布特征,获得每个搜索窗口内所有所述标记点区域的得分值;根据所述得分值获得最优标记点区域;将所述最优标记点区域内的所有标记点进行聚类,根据聚类结果获得所述地质图像中每个像素点的自适应中心点;
以所述地质图像中每个像素点的自适应中心点建立搜索窗口对所述地质图像进行非局部均值滤波,获得增强地质图像;
对所述增强地质图像进行裂缝轮廓提取;
所述灰度曲线的获取方法包括:
将每个疑似裂缝连通域中的每个像素点作为基准像素点;获取每个疑似裂缝连通域中的每个基准像素点预设不同方向上的所有像素点的灰度值;以每个方向上每个像素点的位置作为横轴,每个方向上每个像素点的灰度值作为纵轴,获得疑似裂缝连通域内不同方向上所有像素点灰度值组成的灰度曲线;
疑似裂缝连通域中每个像素点的所述裂缝程度值的获取方法包括:
以所述基准像素点为中心,在两个相反方向上的两个灰度波动曲线中,将灰度值均值最小的灰度波动曲线作为目标灰度波动曲线,另一个作为非目标灰度波动曲线;所述基准像素点同时存在于目标灰度波动曲线与非目标灰度波动曲线;
将目标灰度曲线与非目标灰度曲线组成每个基准像素点的灰度曲线;根据每条灰度曲线上目标灰度波动曲线与非目标灰度波动曲线的像素点灰度变化特征,计算所述基准像素点在每条灰度曲线上的灰度特征值;
将所述基准像素点在每条灰度曲线的灰度特征值求平均并进行归一化处理,获得疑似裂缝连通域中每个像素点的所述裂缝程度值;
灰度特征值的获取方法包括:
根据灰度特征值计算公式获取所述灰度特征值,所述灰度特征值计算公式如下所示:
;式中,/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上的灰度特征值;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上目标灰度波动曲线像素点的灰度值均值;/>表示疑似裂缝连通域内第/>个像素点的灰度值;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上非目标灰度波动曲线像素点的灰度值均值;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上目标灰度波动曲线两个端点的灰度值差异;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上目标灰度波动曲线两个端点连接直线的斜率;/>表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上非目标灰度波动曲线两个端点的灰度值差异;表示疑似裂缝连通域内第/>个像素点在第/>条灰度曲线上非目标灰度波动曲线两个端点连接直线的斜率;/>表示以自然常数为底的指数函数。
2.根据权利要求1所述的一种基于视觉的地质调查中裂缝轮廓提取方法,其特征在于,获得地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值,包括:
将地质图像中除疑似裂缝连通域以外的其他区域中每个像素点的裂缝程度值设置为所述疑似裂缝连通域中像素点的最小裂缝程度值的。
3.根据权利要求1所述的一种基于视觉的地质调查中裂缝轮廓提取方法,其特征在于,所述标记点的获取方法包括:
计算每个搜索窗口中所有像素点的裂缝程度值的均值作为程度阈值;
当搜索窗口中心点的裂缝程度值大于所述程度阈值时,将所述搜索窗口中裂缝程度值大于所述程度阈值的所有像素点作为标记点;
当搜索窗口中心点的裂缝程度值小于所述程度阈值时,将所述搜索窗口中裂缝程度值小于所述程度阈值的所有像素点作为标记点。
4.根据权利要求1所述的一种基于视觉的地质调查中裂缝轮廓提取方法,其特征在于,将所述搜索窗口划分为标记点区域,包括:
以搜索窗口中心点为中心将所述搜索窗口平均分为8个区域,将每个区域作为每个标记点区域。
5.根据权利要求3所述的一种基于视觉的地质调查中裂缝轮廓提取方法,其特征在于,获得每个搜索窗口内所有所述标记点区域的得分值,包括:
计算搜索窗口内每个所述标记点区域的像素点裂缝程度值的平均值作为第一平均值;计算每个所述标记点区域的第一平均值与所有标记点区域内第一平均值总和之间的比值作为程度比例;
当搜索窗口中心点的裂缝程度值大于所述程度阈值时,将每个所述标记点区域内的标记点数量与所述程度比例之间的乘积作为每个所述标记点区域的得分值;
当搜索窗口中心点的裂缝程度值小于所述程度阈值时,将每个所述标记点区域的所述程度比例进行负相关映射,并与每个所述标记点区域内的标记点数量进行相乘,作为每个所述标记点区域的得分值。
6.根据权利要求1所述的一种基于视觉的地质调查中裂缝轮廓提取方法,其特征在于,最优标记点区域的获取方法包括:
将搜索窗口中得分值最高的所述标记点区域作为最优标记点区域。
7.根据权利要求1所述的一种基于视觉的地质调查中裂缝轮廓提取方法,其特征在于,根据聚类结果获得所述地质图像中每个像素点的自适应中心点,包括:
利用聚类算法将所述最优标记点区域内的所有标记点分为两类;将标记点数量大的聚类簇作为目标簇;将所述目标簇中标记点的裂缝程度值的平均值作为基准值;
将所述最优标记点区域内与所述基准值差异最小的裂缝程度值对应的标记点作为地质图像中每个像素点的自适应中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410165990.8A CN117710399B (zh) | 2024-02-06 | 2024-02-06 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410165990.8A CN117710399B (zh) | 2024-02-06 | 2024-02-06 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710399A CN117710399A (zh) | 2024-03-15 |
CN117710399B true CN117710399B (zh) | 2024-04-30 |
Family
ID=90144673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410165990.8A Active CN117710399B (zh) | 2024-02-06 | 2024-02-06 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710399B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893543B (zh) * | 2024-03-18 | 2024-05-10 | 辽宁云也智能信息科技有限公司 | 基于视觉辅助的路面裂缝智能检测方法及系统 |
CN117974652A (zh) * | 2024-03-29 | 2024-05-03 | 大连智驱科技有限公司 | 基于机器视觉的超声影像辅助定位方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2031423A1 (en) * | 2007-08-31 | 2009-03-04 | Services Pétroliers Schlumberger | Identifying geological features in an image of an underground formation surrounding a borehole |
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
KR20200025480A (ko) * | 2018-08-30 | 2020-03-10 | 한국철도기술연구원 | 경계선 기반 구조물의 균열 검출 장치 및 방법 |
JP2020056254A (ja) * | 2018-10-03 | 2020-04-09 | 株式会社大林組 | 地質評価システム、地質評価方法及び地質評価プログラム |
CN112837290A (zh) * | 2021-02-03 | 2021-05-25 | 中南大学 | 一种基于种子填充算法的裂缝图像自动识别方法 |
WO2021245563A1 (en) * | 2020-06-02 | 2021-12-09 | Matrix Jvco Ltd | Borehole image interpretation and analysis |
CN113916894A (zh) * | 2021-10-08 | 2022-01-11 | 福州大学 | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 |
CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
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 |
CN116128880A (zh) * | 2023-04-18 | 2023-05-16 | 东莞市京品精密模具有限公司 | 一种极耳模具表面开裂的识别方法 |
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 |
CN116934780A (zh) * | 2023-09-13 | 2023-10-24 | 西南石油大学 | 一种基于深度学习的电成像测井图像裂缝分割方法及系统 |
-
2024
- 2024-02-06 CN CN202410165990.8A patent/CN117710399B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2031423A1 (en) * | 2007-08-31 | 2009-03-04 | Services Pétroliers Schlumberger | Identifying geological features in an image of an underground formation surrounding a borehole |
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
KR20200025480A (ko) * | 2018-08-30 | 2020-03-10 | 한국철도기술연구원 | 경계선 기반 구조물의 균열 검출 장치 및 방법 |
JP2020056254A (ja) * | 2018-10-03 | 2020-04-09 | 株式会社大林組 | 地質評価システム、地質評価方法及び地質評価プログラム |
WO2021245563A1 (en) * | 2020-06-02 | 2021-12-09 | Matrix Jvco Ltd | Borehole image interpretation and analysis |
CN112837290A (zh) * | 2021-02-03 | 2021-05-25 | 中南大学 | 一种基于种子填充算法的裂缝图像自动识别方法 |
CN113916894A (zh) * | 2021-10-08 | 2022-01-11 | 福州大学 | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 |
CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
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 |
CN116128880A (zh) * | 2023-04-18 | 2023-05-16 | 东莞市京品精密模具有限公司 | 一种极耳模具表面开裂的识别方法 |
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 |
CN116934780A (zh) * | 2023-09-13 | 2023-10-24 | 西南石油大学 | 一种基于深度学习的电成像测井图像裂缝分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
Multi-Scale Deep Pixel Distribution Learning for Concrete Crack Detection;Xuanyi Wu,Jianfei Ma,Yu Sun,Chenqiu Zhao;IEEE/Multi-Scale Deep Pixel Distribution Learning for Concrete Crack Detection;20210115;全文 * |
基于直线段特征单元提取的隧道砼衬砌接缝去除算法;安世全;白羚;瞿中;;计算机科学;20170715(第07期);全文 * |
射线检测中胶片焊缝缺陷定位与识别;王 鹏,杜卫东;西安工业大学学报;20110425;第32卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710399A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117710399B (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN110490913B (zh) | 基于角点与单线段编组的特征描述算子进行影像匹配方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN110619146B (zh) | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 | |
CN110348289B (zh) | 一种基于二值图的手指静脉识别方法 | |
CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN111091111A (zh) | 一种车底危险目标识别方法 | |
CN106650580A (zh) | 基于图像处理的货架快速清点方法 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN104268550A (zh) | 特征提取方法及装置 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 |
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 |