CN118014881A - 基于计算机视觉的盾构机导向系统 - Google Patents
基于计算机视觉的盾构机导向系统 Download PDFInfo
- Publication number
- CN118014881A CN118014881A CN202410410647.5A CN202410410647A CN118014881A CN 118014881 A CN118014881 A CN 118014881A CN 202410410647 A CN202410410647 A CN 202410410647A CN 118014881 A CN118014881 A CN 118014881A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- gradient
- super
- representing
- 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
- 238000001914 filtration Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000009499 grossing Methods 0.000 claims abstract description 45
- 230000005641 tunneling Effects 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 239000003673 groundwater Substances 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 5
- 230000001965 increasing effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 16
- 230000006870 function Effects 0.000 description 17
- 230000008859 change Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像增强技术领域，具体涉及一种基于计算机视觉的盾构机导向系统。该系统首先获得更为容易处理的灰度地质图像，然后将图像进行初步分割为不同超像素区域，以便更好的保护图像细节信息；进一步根据图像梯度信息控制平滑滤波算法，使梯度信息损失最小化；进一步对噪声值进行估计，去除图像中的明显噪声；最后再进行滤波，使得去噪地质图像在尽可能减少损失的前提下，提供了可靠的图像信息依据，为盾构机安全决策提供保障。本发明充分考虑了盾构机工作时采集到的地质图像的噪声特点，并有效的避免了图像信息在滤波过程中被过度平滑，造成信息丢失，为盾构机行进决策提供了可靠的数据支持，保障工作的安全性和稳定性。
Description
技术领域
本发明涉及图像增强技术领域，具体涉及一种基于计算机视觉的盾构机导向系统。
背景技术
盾构机导向系统是一种用于控制盾构机在隧道开挖过程中的方向和位置的关键技术，它的精度和稳定性对于隧道工程的质量和安全性至关重要。因此，它通常需要使用先进的测量技术和控制算法。近年来，随着计算机视觉、AI等技术的发展，盾构机导向系统也在不断地进行升级和改进。
基于计算机视觉的盾构机导向系统是一个具有创新性的概念，它可以提高盾构机在隧道施工中的导向精度和效率，安装在盾构机上的摄像头或其它类型的图像采集设备用来捕获前方地质结构的实时图像，通过搭载的图形处理算法实现地面裂缝检测、围岩等级识别、地下水位判断等，并通过导向决策模块调整盾构机行进方案，然而，这样的技术也面临一些挑战和问题，图像采集设备需要能够在恶劣环境下稳定工作，计算机视觉算法需要有足够好的性能来处理复杂和模糊的地质图像。
传统窗口平滑滤波面对较大噪声的图像，在平滑图像噪声时，存在噪声干扰相似度计算过程，导致滤波权重不准确，图像被过度平滑，丢失图像信息，不能为盾构机行进提供准确的数据支持，影响隧道工程的质量和安全性。
发明内容
为了解决传统窗口平滑滤波算法对高噪声图像处理不够准确，影响盾构机行进方案的技术问题，本发明的目的在于提供一种基于计算机视觉的盾构机导向系统，所采用的技术方案具体如下：
图像采集模块：获取灰度地质图像；
图像降噪模块：获取所述灰度地质图像的超像素区域；在所述超像素区域内，以每个像素点为中心建立预设窗口尺寸的滑窗；分析每个滑窗区域内的梯度特征，获取每个滑窗区域内中心像素点的梯度幅值参数；在所有所述超像素区域中根据所述梯度幅值参数控制平滑滤波算法，获取最小平滑损失的平滑超像素区域；根据所述超像素区域和所述平滑超像素区域内像素点像素值的差异，获得每个像素点的初始噪声估计值；根据选择的平滑滤波算法特征，设定调整方向，调整所述初始噪声估计值，分析不同超像素区域之间的噪声功率差异的变化特征以及初始噪声估计值的高斯性变化特征，获得每个像素点的最优噪声估计值；根据所述最优噪声估计值去除所有超像素区域内的估计噪声，获得待处理图像；利用窗口平滑滤波算法对待处理图像进行滤波，获得去噪地质图像；
导向决策模块：识别所述去噪地质图像中的地质信息，调整盾构机行进方案。
进一步地，所述梯度幅值参数的获取方法包括：
利用图像分割算法将每个滑窗区域分为第一部分和第二部分，分析所述第一部分和所述第二部分内像素点数量、外接面积以及灰度值的差异，利用梯度幅值参数计算公式获取每个滑窗区域中心像素点的梯度幅值参数；
所述梯度幅值参数计算公式包括：；其中表示中心像素点序号；/>表示第/>个中心像素点的梯度幅值参数；/>表示第一部分像素点集合；/>表示第二部分像素点集合；/>表示第一部分像素点的序号；/>表示第二部分像素点的序号；/>表示第一部分像素点中第/>个像素点的灰度值；/>表示第二部分像素点中第/>个像素点的灰度值；/>表示第一部分像素点数量；/>表示第二部分像素点数量；/>表示第一部分像素点在滑窗区域内的最小外接面积；/>表示第二部分像素点在滑窗区域内的最小外接面积；/>表示以自然常数/>为底数的指数函数。
进一步地，所述平滑超像素区域的获取方法包括：
将所述梯度幅值参数大于预设阈值的中心像素点作为梯度像素点；根据每个所述梯度像素点的滑窗区域内其他像素点与梯度像素点的灰度值差异，结合对应的所述梯度幅值参数，获得每个梯度像素点的替换灰度值，从而对每个梯度像素点进行替换；对于所述梯度幅值参数小于等于预设阈值的其他中心像素点直接利用平滑滤波算法进行平滑处理，获得平滑超像素区域。
进一步地，所述梯度像素点的替换灰度值的获取方法包括：
将所述梯度像素点滑窗区域范围内灰度值小于梯度像素点灰度值的邻域像素点进行提取，并按照像素值进行由小到大的排序构建排序队列；利用映射函数筛选所提取的邻域像素点，进而获得梯度像素点的替换灰度值；
所述映射函数包括：；其中/>表示排序队列中像素点的序号；/>表示梯度像素点的灰度值；/>表示排序队列中第/>个邻域像素点的灰度值；/>表示沿着序列由小到大依次遍历至第h-1个邻域像素点时，已遍历的邻域像素点平均灰度值；/>表示第/>个邻域像素点的映射值；
取所有映射值中最小的邻域像素点的灰度值作为梯度像素点的替换灰度值。
进一步地，所述最优噪声估计值的获取方法包括：
根据所述初始噪声估计值获取每个超像素区域的噪声功率；根据平均灰度值最低的超像素区域与其他所有所述超像素区域的噪声功率的差异，获得第一目标子函数；根据所述初始噪声估计值的类别数量特征，第二目标子函数；将第一子函数与第二目标子函数相减作为目标函数；
增大初始噪声估计值，当所述目标函数最小时，获得每个像素点的最优噪声估计值。
进一步地，所述第一目标子函数包括：，其中/>表示超像素区域的数量；/>表示除去平均灰度值最低的超像素区域后的超像素区域序号；/>代表第/>个超像素区域初始噪声估计值的方差；/>表示第/>个超像素区域的面积；/>表示第/>个超像素区域的噪声功率；/>表示平均灰度值最低的超像素区域内初始噪声估计值的方差；/>表示平均灰度值最低的超像素区域的面积；/>表示平均灰度值最低的超像素区域的噪声功率。
进一步地，所述第二目标子函数的获取方法包括：
将所述初始噪声估计值数值相同的像素点作为一类初始噪声估计值；获得每类噪声估计值对应的像素点在所述灰度地质图像中的分布概率，将分布概率的峭度公式作为第二目标子函数；
所述峭度公式包括：；其中/>表示初始噪声估计值的类别的数量；/>表示初始噪声估计值的类别的序号；/>表示第/>类初始噪声估计值的分布概率；/>表示所有类初始噪声估计值分布概率的均值；/>表示所有类初始噪声估计值分布概率的标准差。
进一步地，所述去噪地质图像的获取方法包括：
获取每个像素点在所述平滑超像素区域对应的平滑图像的灰度梯度；获取滑窗区域内每个非中心像素点与中心像素点的均方误差；利用非中心像素点与中心像素点的灰度梯度差异对所述均方误差进行加权，获得加权均方误差；
将所述加权均方误差进行反比例归一化，获得滑窗区域内每个像素点的滤波平滑权重；根据所述滤波平滑权重利用平滑滤波算法获得去噪地质图像。
进一步地，所述识别所述去噪地质图像中的地质信息包括：裂缝信息、围岩等级和地下水位。
进一步地，所述预设阈值为0.45。
本发明具有如下有益效果：
首先获得更为容易处理的灰度地质图像，减少了图像处理分析所需要的计算资源，从而降低系统的决策延迟、提升系统的反应速度；进一步将灰度地质图像进行划分，便于根据不同的超像素区域进行分别处理，提高系统的准确性；进一步分析像素点的梯度特征，以获得最小平滑损失的平滑超像素区域对噪声估计值进行初步评估，为寻找最优噪声估计值做准备；进一步结合盾构机工作环境图像噪声的特点，分析不同超像素区域之间的噪声功率差异以及噪声估计值的高斯性随着调整初始噪声估计值的变化特征，获得最优噪声估计值，从而能够去除灰度地质图像中的部分噪声，使得待处理图像中噪声更少，为后续图像滤波提供更可靠的依据，提升系统的准确性；最后获得去噪地质图像，识别图像中的地质信息，对盾构机进行调整，保证了盾构机工作的稳定性和安全性。本发明充分考虑了盾构机工作时采集到的地质图像的噪声特点，并有效的避免了图像信息在滤波过程中被过度平滑，造成信息丢失，为盾构机行进决策提供了可靠的数据支持，保障工作的安全性和稳定性。
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计算机视觉的盾构机导向系统的系统框图；
图2为本发明一个实施例所提供的一种处理前的灰度地质图像；
图3为本发明一个实施例所提供的一种去噪地质图像。
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计算机视觉的盾构机导向系统，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计算机视觉的盾构机导向系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的盾构机导向系统的系统框图，具体包括：图像采集模块101、图像降噪模块102和导向决策模块103。
图像采集模块101：获取灰度地质图像。
为了向后续操作步骤提供图像信息，首先需要获取盾构机工作时的实时图像，并且为了降低算法的复杂程度、减少图像处理分析所需要的计算资源、减少系统的决策延迟、提升系统的反应速度，在本发明一个实施例中，通过图像采集设备采集灰度地质图像，同时为了提升后续图像处理的准确性，还将灰度地质图像进行初步的增强以及去噪，预处理后输入图像降噪模块102。
需要说明的是，对地质图像的初步预处理使用的灰度化、增强、去噪均是本领域技术人员人员所熟知的技术手段，在此不再进行限定。
图像降噪模块102：获取灰度地质图像的超像素区域；在超像素区域内，以每个像素点为中心建立预设窗口尺寸的滑窗；分析每个滑窗区域内的梯度特征，获取每个滑窗区域内中心像素点的梯度幅值参数；在所有超像素区域中根据梯度幅值参数控制平滑滤波算法，获取最小平滑损失的平滑超像素区域；根据超像素区域和平滑超像素区域内像素点像素值的差异，获得每个像素点的初始噪声估计值；根据选择的平滑滤波算法特征，设定调整方向，调整初始噪声估计值，分析不同超像素区域之间的噪声功率差异的变化特征以及初始噪声估计值的高斯性变化特征，获得每个像素点的最优噪声估计值；根据最优噪声估计值去除所有超像素区域内的估计噪声，获得待处理图像；利用窗口平滑滤波算法对待处理图像进行滤波，获得去噪地质图像。
盾构机的工作的光线环境不稳定，白噪声问题严峻，并且由振动、灰尘等因素引起的图像清晰度较低、传统常规平滑滤波算法又存在无差别平滑丢失图像信息的问题，导致最后获得的去噪地质图像信息损失严重，需要先去除图像中明显的噪声，才能进行滤波。
基于此，本发明在图像降噪模块102中首先根据图像梯度信息控制平滑滤波算法，使梯度信息损失最小化；进一步对噪声值进行估计，去除图像中的明显噪声；最后再进行滤波，使得去噪地质图像在尽可能减少损失的前提下，提供了可靠的图像信息依据，为盾构机安全决策提供保障。
在本发明实施例中，面对隧道中光线分布不均匀、地质结构存在差异的工作环境特点，首先对灰度地质图像进行语义分割，以便对灰度地质图像进行分区域处理，保护图像纹理信息；在本发明一个实施例中，采用SEEDS算法获取超像素区域，在本发明其他实施例中，也可采用Graph-Cut-Based方法、基于FCN（Fully Convolutional Networks）和DeepLab的深度学习方法等其他方法获取超像素区域。
为了保护图像中的梯度信息，避免平滑滤波算法造成过多的梯度信息损失，所以需要对像素点的梯度信息进行分析，获得梯度信息评价依据的梯度幅值参数，进而调控平滑滤波算法，以达到梯度信息损失最小化的目的，又考虑到噪声环境的影响，简单的获取像素点与其邻域像素点的灰度值差异不能判断该像素点是否具有梯度特征，所以通过建立滑窗，分析滑窗区域内的梯度特征来对中心点的梯度特征进行评估。
优选地，在本发明实施例中，考虑到图像分割可以将图像分割为不同区域，区域的连通性越好、区域之间的灰度值差异越大时，滑窗区域内的梯度特征就越明显，同时考虑到系统需要的低时延性，仅把滑窗区域分割为两部分，所以梯度幅值参数的获取方法包括：
利用图像分割算法将每个滑窗区域分为第一部分和第二部分，分析第一部分和第二部分内像素点数量、外接面积以及灰度值的差异，利用梯度幅值参数计算公式获取每个滑窗区域中心像素点的梯度幅值参数；
梯度幅值参数计算公式包括：；其中/>表示中心像素点序号；/>表示第/>个中心像素点的梯度幅值参数；/>表示第一部分像素点集合；表示第二部分像素点集合；/>表示第一部分像素点的序号；/>表示第二部分像素点的序号；表示第一部分像素点中第/>个像素点的灰度值；/>表示表示第二部分像素点中第/>个像素点的灰度值；/>表示第一部分像素点数量；/>表示第二部分像素点数量；/>表示第一部分像素点在滑窗区域内的最小外接面积；/>表示第二部分像素点在滑窗区域内的最小外接面积；/>表示以自然常数/>为底数的指数函数。
梯度幅值参数计算公式中，代表了两部分像素点集合的灰度值之差，/>代表了两部分像素点集合的数量之差，所以/>中，分子越大，分母越小，说明所在滑窗的梯度越明显，中心像素点越有可能处于梯度区域，梯度幅值参数就越大；/>和/>代表了两个像素点集合在滑窗内的连通性，比值越接近于1，连通性越好，梯度特征越明显，梯度幅值参数就越大。
在本发明一个实施例中，图像分割算法选择大津阈值算法，滑窗尺寸设置为，在本发明其他实施例中，实施者可采用其他如半局部阈值法等其他图像分割算法，也可将滑窗分为多块，比较多块区域间的差异和连通性，滑窗尺寸也可以自行设定；需要说明的是，滑窗区域内像素点数量为奇数，/>不会为0。
优选地，在本发明一个实施例中，由于需要对梯度信息进行保护，所以不能对所有像素点直接平滑处理，需要将梯度特征明显的像素点特殊处理，基于此，设定梯度幅值参数的阈值0.45，对于大于此阈值的像素点特殊处理，平滑超像素区域的获取方法包括：
将梯度幅值参数大于预设阈值的中心像素点作为梯度像素点；根据每个梯度像素点的滑窗区域内其他像素点与梯度像素点的灰度值差异，结合对应的梯度幅值参数，获得每个梯度像素点的替换灰度值，从而对每个梯度像素点进行替换；对于梯度幅值参数小于等于预设阈值的其他中心像素点直接利用平滑滤波算法进行平滑处理，获得平滑超像素区域。
由于白噪声是叠加在原图形上的随机数，因此噪声存在时的像素点灰度值偏大，所以可以从滑窗区域内灰度值比中心像素点小的其他像素点中寻找，当像素点表现出与中心像素点差异小、与其他像素点差异大时，越可能是与中心像素点具有相同纹理特征的像素点，基于此，在本发明一个优选实施例中，梯度像素点的替换灰度值的获取方法包括：
将梯度像素点滑窗区域范围内灰度值小于梯度像素点灰度值的邻域像素点进行提取，并按照像素值进行由小到大的排序构建排序队列；利用映射函数筛选所提取的邻域像素点，进而获得梯度像素点的替换灰度值；
映射函数包括：；其中/>表示排序队列中像素点的序号；/>表示梯度像素点的灰度值；/>表示排序队列中第/>个邻域像素点的灰度值；/>表示沿着序列由小到大依次遍历至第h-1个邻域像素点时，已遍历的邻域像素点平均灰度值；/>表示第/>个邻域像素点的映射值；
取所有映射值中最小的邻域像素点的灰度值作为梯度像素点的替换灰度值。
映射函数中，越小，说明第/>个邻域/>像素点与中心像素点即梯度像素点的差异越小，相似程度越高；/>越大，说明第/>个邻域/>像素点灰度值大于排序队列上已遍历像素点的灰度值，梯度特征越明显；所以/>越小，映射函数越小，对应的像素点越适合作为替换点，其灰度值越适合作为替换灰度值。
在本发明其他实施例中，也可以通过聚类操作，将中心像素点所在的聚类簇中像素点灰度值的均值或众数或最小值作为替换灰度值；也可以采用其他数学映射关系，分析邻域像素点与中心像素点的相似性，获得替换灰度值。
需要说明的是，在本发明一个实施例中，平滑滤波算法选择最小值滤波，以保持将映射函数最小时的替换灰度值的一致性，这会导致对噪声的估计偏小，因此后续调整处理噪声估计值时，需要增大初始噪声估计值。在本发明其他实施例中，如果选择最大值滤波，同时替换像素点从大于中心像素点的邻域像素点中选取，则需要减小初始噪声估计值。
对灰度地质图像进行最小损失的平滑处理后，就可以获得平滑超像素区域，从而对叠加在每个像素点的噪声值进行初步评估，在本发明一个实施例中，根据超像素区域和平滑超像素区域内像素点像素值的差异，获得每个像素点的初始噪声估计值的方法具体包括：将超像素区域内每个像素点的像素值减去对应的平滑超像素区域内相同位置像素点的像素值，将获得的差值作为对应像素点的初始噪声估计值，以此为基础寻找最优噪声估计值，对灰度地质图像中的噪声进行进一步去除，为最后获得去噪地质图像做准备；因为盾构机工作环境复杂的特性，不同超像素区域受到的噪声影响几乎一致，所以需要分析噪声功率的差异以及噪声估计值高斯性的变化，获取最优噪声估计值。
优选地，在本发明一个实施例中，考虑到越暗的超像素区域有效信息越少，噪声信息越突出；而白噪声属于均匀噪声，其在任意单位面积区域内的功率几乎相同，因此在估测局部超像素区域内的噪声时，越暗的超像素区域内估测噪声可信度越高，基于此最优噪声估计值的获取方法包括：
根据初始噪声估计值获取每个超像素区域的噪声功率；根据平均灰度值最低的超像素区域与其他所有超像素区域的噪声功率的差异，获得第一目标子函数；根据初始噪声估计值的类别数量特征，第二目标子函数；将第一子函数与第二目标子函数相减作为目标函数；
增大初始噪声估计值，当目标函数最小时，获得每个像素点的最优噪声估计值。
目标函数包括：；其中/>表示第一目标子函数，/>越小，说明不同超像素区域的噪声差异越小，越符合实际情景，目标函数就越小；/>表示第二目标子函数，/>越大，说明噪声的高斯性越强，越符合场景中噪声特征，目标函数就越小。
优选地，在本发明一个实施例中，考虑到图像处理中，噪声方差是更常用的噪声特性度量，因为它更直接地与图像中的像素值相关，可以帮助了解图像中的噪声级别和强度，因此用单位面积的噪声方差表征噪声功率，所以第一目标子函数包括：，其中/>表示超像素区域的数量；/>表示除去平均灰度值最低的超像素区域后的超像素区域序号；/>代表第/>个超像素区域初始噪声估计值的方差；/>表示第/>个超像素区域的面积；/>表示第/>个超像素区域的噪声功率；/>表示平均灰度值最低的超像素区域内初始噪声估计值的方差；/>表示平均灰度值最低的超像素区域的面积；/>表示平均灰度值最低的超像素区域的噪声功率。
为分析估计噪声值的高斯特性，判断估计噪声值对场景理想噪声的符合程度，以此评价噪声估计值的优劣，而峭度公式是高斯性分析较为简便的方式，所以第二目标子函数的获取方法包括：
将初始噪声估计值数值相同的像素点作为一类初始噪声估计值；获得每类噪声估计值对应的像素点在灰度地质图像中的分布概率，将分布概率的峭度公式作为第二目标子函数；
峭度公式包括：；其中/>表示初始噪声估计值的类别的数量；/>表示初始噪声估计值的类别的序号；/>表示第/>类初始噪声估计值的分布概率；/>表示所有类初始噪声估计值分布概率的均值；/>表示所有类初始噪声估计值分布概率的标准差。峭度越大，代表所有超像素区域内得到的噪声估计值的高斯性越强，越符合实际情景，说明噪声估计值越准确。
在本发明其他实施例中，实施者可以使用Lilliefors检验、频率域分析等其他方法分析噪声估计值的高斯性，同时需要考虑对计算量的需求变化，保证盾构机导向系统的反应速率。
获得最优噪声估计值后，就可以简单的通过像素值之差获得待处理图像，使得待处理图像中的噪声得到较好的抑制，提升图像质量，并且减少了图像信息损失，从而利用窗口平滑滤波算法对待处理图像进一步处理，以获得质量更高的图像信息。
优选地，在本发明一个实施例中，考虑到不同灰度梯度的像素点的噪声估计的精准度不同，因此利用梯度差异对滤波平滑权重进行优化，基于此，去噪地质图像的获取方法包括：
获取每个像素点在平滑超像素区域对应的平滑图像的灰度梯度；获取滑窗区域内每个非中心像素点与中心像素点的均方误差；利用非中心像素点与中心像素点的灰度梯度差异对均方误差进行加权，获得加权均方误差；
将加权均方误差进行反比例归一化，获得滑窗区域内每个像素点的滤波平滑权重；根据滤波平滑权重利用平滑滤波算法获得去噪地质图像。
加权均方误差的计算公式包括：；其中，/>表示滤波窗口的中心像素点；/>表示滤波窗口的非中心像素点序号；/>表示中心像素点/>与第/>个非中心像素点的加权均方误差；/>表示预设邻域窗口尺寸参数；/>表示邻域窗口内像素点的总数；/>表示邻域窗口内像素点的序号；/>为自然常数；/>表示中心像素点/>邻域窗口内的第/>个像素点灰度梯度；/>表示非中心像素点/>邻域窗口内的第/>个像素点灰度梯度；/>表示中心像素点/>邻域窗口内的第/>个像素点的灰度值；/>表示中心像素点/>邻域窗口内的第/>个像素点的最优噪声估计值；/>表示非中心像素点/>邻域窗口内的第/>个像素点的灰度值；/>表示非中心像素点/>邻域窗口内的第/>个像素点的最优噪声估计值。
加权均方误差的计算公式中，越小，说明像素点之间的差异越小，相似度越高，加权均方误差就越小；/>越大，说明像素点之间的灰度梯度差异越大，而梯度差异较大的两个像素点上各自的噪声估计值的估测精度差异也会越大，所以需要赋予均方误差更小的权重，即/>越小。
需要说明的是，在本发明一个实施例中，选择非局部均值滤波对待处理图像进行处理，滤波窗口设置为，邻域窗口设置为/>；用Sobel算子获取每个像素点的灰度梯度。在本发明其他实施例中，实施者可采用Prewitt算子等其他方式获得像素点的灰度梯度，也可以选择双边滤波算法、自适应窗口滤波算法并设置合适参数进行图像处理，非局部均值滤波算法和Sobel算子以及根据加权均方误差获得滤波平滑权重均是本领域技术人员所熟知的方法，在此不再进行赘述。
请参阅图2和图3，图2为本发明一个实施例所提供的一种处理前的灰度地质图像；图3为本发明一个实施例所提供的一种去噪地质图像；通过对比图2和图3可以看出，处理前的灰度地质图像的亮度低、对比度差含有噪声，去噪地质图像更加清晰，图像纹理特征更加明显，更有利于后续识别去噪地质图像中的地质信息，调整盾构机行进方案。
导向决策模块103：识别去噪地质图像中的地质信息，调整盾构机行进方案。
图像降噪模块102将盾构机工作状态的实时环境图像完成了降噪，提供了清晰且图像信息保留程度较高的图像作为分析依据，接下来就需要提取图像中的地质信息，以调整盾构机运行方案。
优选地，在本发明一个实施例中，利用神经网络识别去噪地质图像中的地质信息，包括：裂缝信息、围岩等级和地下水位。在本发明其他实施例中，实施者可以选用其他图像信息提取方法识别地质信息，例如图像语义分割技术、特定的工具库、大数据相似性匹配等；对于特殊地段也可以采用去噪地质图像可视化，人为调整盾构机行进方案；地质信息种类也可以根据实际需要进行设置指标，不再进行限定。
综上所述，本发明针对盾构机工作环境复杂，噪声较大、图像难以处理，影响盾构机工作安全的问题，提出一种基于计算机视觉的盾构机导向系统。该系统首先获得更为容易处理的灰度地质图像，然后将图像进行初步分割为不同超像素区域，以便更好的保护图像细节信息；进一步根据图像梯度信息控制平滑滤波算法，使梯度信息损失最小化；进一步对噪声值进行估计，去除图像中的明显噪声；最后再进行滤波，使得去噪地质图像在尽可能减少损失的前提下，提供了可靠的图像信息依据，为盾构机安全决策提供保障。
基于计算机视觉的盾构机地质图像降噪系统实施例：
基于计算机视觉对盾构机调整是一个具有创新性的方向，它可以提高盾构机在隧道施工中的导向精度和效率，安装在盾构机上的摄像头或其它类型的图像采集设备用来捕获前方地质结构的实时图像，通过搭载的图形处理算法实现地面裂缝检测、围岩等级识别、地下水位判断等，然而，这样的技术也面临一些挑战和问题，图像采集设备需要能够在恶劣环境下稳定工作，计算机视觉算法需要有足够好的性能来处理复杂和模糊的地质图像。
传统窗口平滑滤波面对盾构机复杂工作环境中较大噪声的图像，在平滑图像噪声时，存在噪声干扰相似度计算过程，导致滤波权重不准确，图像被过度平滑，丢失图像信息，图像降噪效果不理想。
为了解决传统窗口平滑滤波算法对高噪声图像处理不够准确的技术问题，提出了种基于计算机视觉的盾构机地质图像降噪系统，包括图像采集模块101和图像降噪模块102。
图像采集模块101：获取灰度地质图像。
图像降噪模块102：获取灰度地质图像的超像素区域；在超像素区域内，以每个像素点为中心建立预设窗口尺寸的滑窗；分析每个滑窗区域内的梯度特征，获取每个滑窗区域内中心像素点的梯度幅值参数；在所有超像素区域中根据梯度幅值参数控制平滑滤波算法，获取最小平滑损失的平滑超像素区域；根据超像素区域和平滑超像素区域内像素点像素值的差异，获得每个像素点的初始噪声估计值；根据选择的平滑滤波算法特征，设定调整方向，调整初始噪声估计值，分析不同超像素区域之间的噪声功率差异的变化特征以及初始噪声估计值的高斯性变化特征，获得每个像素点的最优噪声估计值；根据最优噪声估计值去除所有超像素区域内的估计噪声，获得待处理图像；利用窗口平滑滤波算法对待处理图像进行滤波，获得去噪地质图像。
由于基于计算机视觉的盾构机地质图像降噪系统的具体实现过程在上述一种基于计算机视觉的盾构机导向系统中已给出详细说明，不再赘述。
综上所述，本发明针对盾构机工作环境复杂，噪声较大、图像难以处理的问题，提出一种基于计算机视觉的盾构机地质图像降噪系统。该系统首先获得更为容易处理的灰度地质图像，然后将图像进行初步分割为不同超像素区域，以便更好的保护图像细节信息；进一步根据图像梯度信息控制平滑滤波算法，使梯度信息损失最小化；进一步对噪声值进行估计，去除图像中的明显噪声；最后再进行滤波，使得去噪地质图像在尽可能减少损失的前提下，提供了可靠的图像信息依据。
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)
1.一种基于计算机视觉的盾构机导向系统，其特征在于，所述系统包括：
图像采集模块：获取灰度地质图像；
图像降噪模块：获取所述灰度地质图像的超像素区域；在所述超像素区域内，以每个像素点为中心建立预设窗口尺寸的滑窗；分析每个滑窗区域内的梯度特征，获取每个滑窗区域内中心像素点的梯度幅值参数；在所有所述超像素区域中根据所述梯度幅值参数控制平滑滤波算法，获取最小平滑损失的平滑超像素区域；根据所述超像素区域和所述平滑超像素区域内像素点像素值的差异，获得每个像素点的初始噪声估计值；根据选择的平滑滤波算法特征，设定调整方向，调整所述初始噪声估计值，分析不同超像素区域之间的噪声功率差异的变化特征以及初始噪声估计值的高斯性变化特征，获得每个像素点的最优噪声估计值；根据所述最优噪声估计值去除所有超像素区域内的估计噪声，获得待处理图像；利用窗口平滑滤波算法对待处理图像进行滤波，获得去噪地质图像；
导向决策模块：识别所述去噪地质图像中的地质信息，调整盾构机行进方案。
2.根据权利要求1中所述的一种基于计算机视觉的盾构机导向系统，其特征在于，所述梯度幅值参数的获取方法包括：
利用图像分割算法将每个滑窗区域分为第一部分和第二部分，分析所述第一部分和所述第二部分内像素点数量、外接面积以及灰度值的差异，利用梯度幅值参数计算公式获取每个滑窗区域中心像素点的梯度幅值参数；
所述梯度幅值参数计算公式包括：；其中/>表示中心像素点序号；/>表示第/>个中心像素点的梯度幅值参数；/>表示第一部分像素点集合；表示第二部分像素点集合；/>表示第一部分像素点的序号；/>表示第二部分像素点的序号；表示第一部分像素点中第/>个像素点的灰度值；/>表示第二部分像素点中第/>个像素点的灰度值；/>表示第一部分像素点数量；/>表示第二部分像素点数量；/>表示第一部分像素点在滑窗区域内的最小外接面积；/>表示第二部分像素点在滑窗区域内的最小外接面积；表示以自然常数/>为底数的指数函数。
3.根据权利要求1中所述的一种基于计算机视觉的盾构机导向系统，其特征在于，所述平滑超像素区域的获取方法包括：
将所述梯度幅值参数大于预设阈值的中心像素点作为梯度像素点；根据每个所述梯度像素点的滑窗区域内其他像素点与梯度像素点的灰度值差异，结合对应的所述梯度幅值参数，获得每个梯度像素点的替换灰度值，从而对每个梯度像素点进行替换；对于所述梯度幅值参数小于等于预设阈值的其他中心像素点直接利用平滑滤波算法进行平滑处理，获得平滑超像素区域。
4.根据权利要求3中所述的一种基于计算机视觉的盾构机导向系统，其特征在于，所述梯度像素点的替换灰度值的获取方法包括：
将所述梯度像素点滑窗区域范围内灰度值小于梯度像素点灰度值的邻域像素点进行提取，并按照像素值进行由小到大的排序构建排序队列；利用映射函数筛选所提取的邻域像素点，进而获得梯度像素点的替换灰度值；
所述映射函数包括：；其中/>表示排序队列中像素点的序号；/>表示梯度像素点的灰度值；/>表示排序队列中第/>个邻域像素点的灰度值；/>表示沿着序列由小到大依次遍历至第h-1个邻域像素点时，已遍历的邻域像素点平均灰度值；/>表示第/>个邻域像素点的映射值；
取所有映射值中最小的邻域像素点的灰度值作为梯度像素点的替换灰度值。
5.根据权利要求1中所述的一种基于计算机视觉的盾构机导向系统，其特征在于，所述最优噪声估计值的获取方法包括：
根据所述初始噪声估计值获取每个超像素区域的噪声功率；根据平均灰度值最低的超像素区域与其他所有所述超像素区域的噪声功率的差异，获得第一目标子函数；根据所述初始噪声估计值的类别数量特征，第二目标子函数；将第一子函数与第二目标子函数相减作为目标函数；
增大初始噪声估计值，当所述目标函数最小时，获得每个像素点的最优噪声估计值。
6.根据权利要求5中所述的一种基于计算机视觉的盾构机导向系统，其特征在于，所述第一目标子函数包括：，其中/>表示超像素区域的数量；/>表示除去平均灰度值最低的超像素区域后的超像素区域序号；/>代表第/>个超像素区域初始噪声估计值的方差；/>表示第/>个超像素区域的面积；/>表示第/>个超像素区域的噪声功率；/>表示平均灰度值最低的超像素区域内初始噪声估计值的方差；/>表示平均灰度值最低的超像素区域的面积；/>表示平均灰度值最低的超像素区域的噪声功率。
7.根据权利要求5中所述的一种基于计算机视觉的盾构机导向系统，其特征在于，所述第二目标子函数的获取方法包括：
将所述初始噪声估计值数值相同的像素点作为一类初始噪声估计值；获得每类噪声估计值对应的像素点在所述灰度地质图像中的分布概率，将分布概率的峭度公式作为第二目标子函数；
所述峭度公式包括：；其中/>表示初始噪声估计值的类别的数量；/>表示初始噪声估计值的类别的序号；/>表示第/>类初始噪声估计值的分布概率；/>表示所有类初始噪声估计值分布概率的均值；/>表示所有类初始噪声估计值分布概率的标准差。
8.根据权利要求1中所述的一种基于计算机视觉的盾构机导向系统，其特征在于，所述去噪地质图像的获取方法包括：
获取每个像素点在所述平滑超像素区域对应的平滑图像的灰度梯度；获取滑窗区域内每个非中心像素点与中心像素点的均方误差；利用非中心像素点与中心像素点的灰度梯度差异对所述均方误差进行加权，获得加权均方误差；
将所述加权均方误差进行反比例归一化，获得滑窗区域内每个像素点的滤波平滑权重；根据所述滤波平滑权重利用平滑滤波算法获得去噪地质图像。
9.根据权利要求1中所述的一种基于计算机视觉的盾构机导向系统，其特征在于，所述识别所述去噪地质图像中的地质信息包括：裂缝信息、围岩等级和地下水位。
10.根据权利要求3中所述的一种基于计算机视觉的盾构机导向系统，其特征在于，所述预设阈值为0.45。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410647.5A CN118014881B (zh) | 2024-04-08 | 2024-04-08 | 基于计算机视觉的盾构机导向系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410647.5A CN118014881B (zh) | 2024-04-08 | 2024-04-08 | 基于计算机视觉的盾构机导向系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118014881A true CN118014881A (zh) | 2024-05-10 |
| CN118014881B CN118014881B (zh) | 2024-06-28 |
Family
ID=90952763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410410647.5A Active CN118014881B (zh) | 2024-04-08 | 2024-04-08 | 基于计算机视觉的盾构机导向系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118014881B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
| CN104077754A (zh) * | 2014-07-03 | 2014-10-01 | 中国科学院自动化研究所 | 基于对称性的视网膜血管滤波增强方法 |
| CN115598025A (zh) * | 2022-12-13 | 2023-01-13 | 四川亿欣新材料有限公司（Cn） | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
| 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 |
| CN117689716A (zh) * | 2023-12-15 | 2024-03-12 | 广州赛志系统科技有限公司 | 板件视觉定位识别抓取方法、控制系统及板件生产线 |
-
2024
- 2024-04-08 CN CN202410410647.5A patent/CN118014881B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
| CN104077754A (zh) * | 2014-07-03 | 2014-10-01 | 中国科学院自动化研究所 | 基于对称性的视网膜血管滤波增强方法 |
| CN115598025A (zh) * | 2022-12-13 | 2023-01-13 | 四川亿欣新材料有限公司（Cn） | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
| 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 |
| CN117689716A (zh) * | 2023-12-15 | 2024-03-12 | 广州赛志系统科技有限公司 | 板件视觉定位识别抓取方法、控制系统及板件生产线 |
Non-Patent Citations (3)
| Title |
|---|
| BUJIN LI ET AL.: "Estimation of Mixed Noise Parameters in Hyperspectral Images Based on Super- pixel Segmentation and Multiple Linear Regression", 《2020 IEEE 5TH INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING》, 4 February 2021 (2021-02-04), pages 93 - 96 * |
| 尹晓珍: "基于特征分析的地铁隧道裂缝图像处理技术研究", 《中国优秀硕士学位论文全文数据库》, 15 March 2020 (2020-03-15), pages 1 - 57 * |
| 杨洲 等: "基于超像素分割的非局部均值去噪方法", 《计算机应用研究》, vol. 35, no. 5, 31 May 2018 (2018-05-31), pages 1573 - 1577 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118014881B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
| 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 | |
| CN106651908B (zh) | 一种多运动目标跟踪方法 | |
| CN111340824A (zh) | 一种基于数据挖掘的图像特征分割方法 | |
| CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
| CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
| CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
| CN109543686B (zh) | 基于自适应多阈值的字符识别预处理二值化方法 | |
| CN112883824A (zh) | 一种用于智能采血的手指静脉特征识别装置及其识别方法 | |
| CN116823824A (zh) | 基于机器视觉的井下带式输送机降尘检测系统 | |
| CN114998343A (zh) | 基于视觉的模具表面抛光程度检测方法 | |
| CN104867151B (zh) | 一种基于延展性主动轮廓模型的眼底图像血管分割方法 | |
| CN114494318B (zh) | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 | |
| CN117935177B (zh) | 基于注意力神经网络的道路车辆危险行为识别方法及系统 | |
| CN112164093A (zh) | 一种基于边缘特征和相关滤波的人物自动跟踪方法 | |
| Chandra et al. | A survey on advanced segmentation techniques in image processing applications | |
| CN114494704A (zh) | 二值化图像抗噪声提取骨架的方法及系统 | |
| CN118014881B (zh) | 基于计算机视觉的盾构机导向系统 | |
| CN117788448A (zh) | 一种基于拉普拉斯算法的锂电池增强方法 | |
| CN106778631B (zh) | 一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法 | |
| CN114913112A (zh) | 晶圆双边缘检测方法和装置及设备 | |
| CN116912102B (zh) | 一种基于非局部均值的保边图像去噪方法和系统 | |
| Manjula | Image edge detection and segmentation by using histogram thresholding method | |
| CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
| CN111429479A (zh) | 基于图像积分均值的空间目标识别方法 |
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 |