CN107220962B - 一种隧道裂纹的图像检测方法和装置 - Google Patents
一种隧道裂纹的图像检测方法和装置 Download PDFInfo
- Publication number
- CN107220962B CN107220962B CN201710227430.0A CN201710227430A CN107220962B CN 107220962 B CN107220962 B CN 107220962B CN 201710227430 A CN201710227430 A CN 201710227430A CN 107220962 B CN107220962 B CN 107220962B
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- saliency map
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 230000002146 bilateral effect Effects 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种隧道裂纹的图像检测方法和装置。该方法包括:对隧道裂纹的待检测图像进行双边滤波处理,得到滤波后图像;利用视觉显著性模型分别构建滤波后图像的亮度显著图和滤波后图像的纹理显著图;融合亮度显著图和纹理显著图,得到融合显著图;通过自适应阈值算法分割融合显著图,得到裂纹区域图像;在判定裂纹区域图像的裂纹为真实裂纹时,获得裂纹区域图像的裂纹参数。根据本发明实施例提供的图像检测方法,可以对连续性差、对比度低的裂纹进行有效检测。
Description
技术领域
本发明涉及图像处理和识别技术领域,尤其涉及一种隧道裂纹的图像检测方法和装置。
背景技术
随着数码相机、摄像头、超高速扫描仪等图像获取设备的广泛应用,工业化生产技术水平和生产效率的不断提高,对与之配套的生产检测能力也有着越来越高的要求。图像处理技术的日益发展,图像检测技术广泛运用在工业生产过程检测、日常生活安全检测等领域,极大的提升了企业的生产效率和人们的生活水平。
在图像处理和识别的技术领域中,一般地,工业安全的检测通常采用图像分割方法对图像中的特定区域进行检测和识别。现有的图像分割方法主要利用感兴趣区域和背景区域的整体灰度差异,选取适当的阈值分割图像得到感兴趣区域。在光照不均匀或者待检测区域和背景区域灰度差别较小时往往不能准确地分割出感兴趣区域。
发明内容
本发明实施例提供一种隧道裂纹的图像检测方法和装置,可以对连续性差、对比度低的裂纹进行有效检测。
根据本发明实施例的一方面,提供一种隧道裂纹的图像检测方法,该图像检测方法包括:对隧道裂纹的待检测图像进行双边滤波处理,得到滤波后图像;利用视觉显著性模型分别构建滤波后图像的亮度显著图和滤波后图像的纹理显著图;融合亮度显著图和纹理显著图,得到融合显著图;通过自适应阈值算法分割融合显著图,得到裂纹区域图像;在判定裂纹区域图像的裂纹为真实裂纹时,获得裂纹区域图像的裂纹参数。
根据本发明实施例的另一方面,提供一种隧道裂纹的图像检测装置,该图像检测装置包括:图像滤波模块,用于对隧道裂纹的待检测图像进行双边滤波处理,得到滤波后图像;显著图构建模块,用于利用视觉显著性模型分别构建滤波后图像的亮度显著图和滤波后图像的纹理显著图;显著图融合模块,用于融合亮度显著图和纹理显著图,得到融合显著图;显著图分割模块,用于通过自适应阈值算法分割融合显著图,得到裂纹区域图像;裂纹参数获取模块,用于在判定裂纹区域图像的裂纹为真实裂纹时,获得裂纹区域图像的裂纹参数。
本发明实施例中的图像检测方法和装置,通过构建待检测图像的亮度显著图和纹理显著图,并将亮度显著图和纹理显著图进行融合得到融合显著图,可以使连续性差、对比度低的裂纹在图像中得到突出和增强,对得到的融合显著图进行分割,判定并统计裂纹参数信息,从而使隧道裂纹得到有效检测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,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是示出根据本发明一实施例的隧道裂纹的图像检测方法的流程图;
图2是示出根据本发明一实施例的隧道裂纹的图像检测装置的结构示意图;
图3是示出了发明一实施例的能够实现根据本发明实施例的隧道裂纹的图像检测方法和装置的计算设备的示例性硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,详细描述根据本发明实施例提供的隧道裂纹的图像检测方法和装置。应注意,本发明中所描述实施例并不是用来限制本发明公开的范围。
图1是示出根据本发明一实施例的隧道裂纹的图像检测方法的流程图。如图1所示,本实施例中的隧道裂纹的图像检测方法100包括以下步骤:
步骤S110,对隧道裂纹的待检测图像进行双边滤波处理,得到滤波后图像。
步骤S120,利用视觉显著性模型分别构建滤波后图像的亮度显著图和滤波后图像的纹理显著图。
步骤S130,融合亮度显著图和纹理显著图,得到融合显著图。
步骤S140,通过自适应阈值算法分割融合显著图,得到裂纹区域图像。
步骤S150,在判定裂纹区域图像的裂纹为真实裂纹时,获得裂纹区域图像的裂纹参数。
根据本发明实施例的图像检测方法,可以对隧道裂纹进行有效检测,并获得较好的检测结果。
作为可选实施例,步骤S110中的双边滤波处理的步骤具体可以包括:
步骤S111,统计待检测图像中指定邻域内每个像素的灰度方差值。
在该步骤中,指定邻域例如可以是M×N像素尺寸的矩形窗口,M或N的取值可以是7至21之间的奇数。
步骤S112,通过每个像素的灰度方差值计算得到待检测图像的平均灰度方差值。
步骤S113,根据平均灰度方差值设定灰度方差参数,并基于灰度方差参数构建双边滤波器核函数。
步骤S114,利用构建的双边滤波器核函数,通过卷积模板公式对待检测图像进行双边滤波,将双边滤波后的待检测图像作为滤波后图像。
为了便于理解,作为一个示例,本发明实施例计算待检测图像的平均灰度方差σ,以σr=σ/2作为灰度方差参数,使用下面的公式(1)构建双边滤波器核函数。
在上述公式(1)中,ω(i,j,k,l)表示指定邻域内每个像素点的权重系数,参数i和参数j表示指定邻域内的图像像素点的坐标,参数k和参数1表示该参数k和该参数1所属的高斯模板对应的坐标,σd表示空域高斯模板的方差,σr表示值域高斯模板的方差。在双边滤波中,权重系数ω(i,j,k,l)是值域高斯模板ωr(i,j,k,l)和空域高斯模板ωd(i,j,k,l)的乘积,即ω(i,j,k,l)=ωd(i,j,k,l)×ωr(i,j,k,l),并且,值域高斯模板空域高斯模板
利用构建的双边滤波器核函数(1),使用下面的公式(2)进行双边滤波器滤波:
在上述公式(2)中,I′(i,j)表示双边滤波器滤波后得到的图像数据。
在该实施例中,采用双边滤波的方法对待检测图像进行预处理,可以在消除待检测图像的噪声的同时保持图像边缘信息,使待处理图像平滑,对图像细节具有明显的保护效果。
在本发明实施例中,视觉显著性模型是根据人类的视觉注意机制提出的一种算法,人类视觉注意机制指人类视觉的注意力通常集中在视觉信号中突变的亮度区域或者纹理区域。
在一些实施例中,步骤S120中构建滤波后图像的亮度显著图和滤波后图像的纹理显著图的步骤还可以包括:
步骤S121,根据视觉显著性模型,构建滤波后图像的亮度高斯金字塔,亮度高斯金字塔包括预定的层数。
在本发明实施例中,高斯金字塔作为一种图像的多尺度表示方法,可以高效地提取图像在不同尺度的特征,下面对本发明中构建亮度高斯金字塔的过程进行详细说明。
首先,提取待处理的原始图像中的亮度特征得到亮度特征原始图像,并将该原始图像作为金字塔的底层图像;然后,将该原始图像进行高斯函数滤波后的图像作为亮度高斯金字塔的第二层图像,并且该第二层图像的长度为底层图像长度的1/2,该第二层图像的宽度为底层图像宽度的1/2;再将第二层图像进行高斯函数滤波后的图像作为亮度高斯金字塔的第三层图像,并且该第三层图像的长度为第二层图像长度的1/2,第三层图像的宽度为第二层图像宽度的1/2,……,以此类推,构建出不断进行高斯滤波后的图像的亮度高斯金字塔。该亮度高斯金字塔除底层外,按照层数从高到低的每一层图像的长度为与该层相邻的下一层图像的长度的1/2,每一层图像的宽度为与该层相邻的下一层图像宽度的1/2。
作为一个示例,本发明实施例中构建的亮度高斯金字塔的层数为5层。
步骤S122,利用盖伯滤波器函数,通过计算亮度高斯金字塔的每一层图像在0、π/4、π/2、3π/4四个方向的盖伯滤波图像,得到滤波后图像的纹理高斯金字塔。
具体地,通过下述公式(3)计算亮度高斯金字塔的每一层在0、π/4、π/2、3π/4四个方向上的盖伯滤波影像,形成纹理金字塔:
步骤S123,按照亮度高斯金字塔的层数从高到低分别获取除底层外的每一层图像作为待处理图像,对待处理图像进行上采样得到分辨率与待处理图像相邻的下一层图像的分辨率相同的图像,并计算上采样得到的图像与相邻的下一层图像的图像相减运算的绝对值,得到亮度显著图。
步骤S124,按照纹理高斯金字塔的层数从高到低分别获取除底层外的每一层图像作为待处理图像,对待处理图像进行上采样得到分辨率与待处理图像相邻的下一层图像的分辨率相同的图像,并计算上采样得到的图像与相邻的下一层图像的图像相减运算的绝对值,得到纹理显著图。
在上述步骤S123或步骤S124中,利用如下公式(4)进行图像相减运算,并对图像相减运算的结果求取绝对值:
s(i,j)=|p(i)-pT(j)| (4)
在上述公式(4)中,p(i)表示第i层的金字塔影像,p↑(j)表示对第j层的金字塔图像进行上采样得到分辨率与第i层图像的分辨率相同的图像,并且i<j。
在本发明实施例中,图像相减运算是指两幅或多幅图像的像素点之间进行点对点的像素值的相减运算。以两幅图像进行图像相减运算为例,分别获取其中一幅图像的每个像素点作为第一像素点,并将该第一像素点的像素值与其中另一幅图像中的与该第一像素点位置相同的像素点的像素值进行相减运算,得到该其中一幅图像与该另一幅图像的图像相减运算结果。
通过本发明实施例中的图像相减运算,在对裂纹进行检测时可以去除待检测图像中不需要的叠加性图案,当裂纹对比度低、连续性差时,可以有效去除背景图像,使裂纹显示效果得到加强,从而在后续的裂纹检测中获得较好的检测效果。
在一些实施例中,步骤S130中融合亮度显著图和纹理显著图的步骤具体可以包括:
步骤S131,分别获取亮度显著图中像素点的最大像素值作为第一像素值,获取纹理显著图中像素点的最大像素值作为第二像素值,并将亮度显著图中像素点的像素值与第一像素值相除得到归一化亮度显著图,将纹理显著图中像素点的像素值与第二像素值相除得到归一化纹理显著图。
具体地,通过下述公式(5)进行亮度显著图或纹理显著图的归一化处理:
sn(i,j)=s(i,j)/M(i,j) (5)
在使用上述公式(5)对亮度显著图进行归一化处理时,sn(i,j)表示对亮度显著图归一化处理后的得到的归一化亮度显著图,s(i,j)为该亮度显著图中的像素点的像素值,M(i,j)为亮度显著图中像素点的最大像素值。
在使用上述公式(5)对纹理显著图进行归一化处理时,sn(i,j)表示对纹理显著图归一化处理后的得到的归一化纹理显著图,s(i,j)为该纹理显著图中的像素点的像素值,M(i,j)为纹理显著图中像素点的最大像素值。
步骤S132,将归一化亮度显著图中的每一个像素点,与归一化纹理显著图中和每一个像素点的位置相同的像素点进行像素值的对比,将对比得到的最大值作为融合显著图中与每一个像素点的位置相同的像素点的像素值,得到融合显著图。
具体地,通过下述公式(6)将亮度显著图和纹理显著图进行融合:
在一些实施例中,步骤S140中的自适应阈值算法为最大类间方差法,步骤S140还可以包括:
步骤S141,通过最大类间方差法,计算得到融合显著图的最优裂纹分割阈值。
在本发明实施例中,最大类间方差法也称OTSU算法或大津算法,最大类间方差法是一种使得分割后的前景图像区域与背景图像区域的类间方差最大化的方法。
具体地,可以通过下述公式(7)表示最优裂纹分割阈值的选择:
T=arg maxt(var(I<t)+var(I≥t)) (7)
在上述公式(7)中,var(I<t)表示灰度值比t值小的图像区域相对于整体灰度均值的方差,var(I≥t)表示灰度值不小于t值时的图像区域相对于整体灰度均值的方差,t表示分割阈值,T表示var(I<t)+var(I≥t)取最大值时t的取值。
也就是说,使用一个裂纹分割阈值将整个图像数据分成两个类,假如两个类之间的方差最大,那么这个裂纹分割阈值就是最优的裂纹分割阈值。
步骤S142,利用最优裂纹分割阈值分割融合显著图,得到融合显著图的候选裂纹区域图像。
在该实施例中,使用根据最大类间方差法获取最优裂纹分割阈值,可以使应用该最优裂纹分割阈值对待检测图像进行分割的错分概率最小,从而提高了图像分割后得到的候选裂纹区域图像的准确度。
在一些实施例中,步骤S150具体可以包括:
步骤S151,分别计算裂纹区域图像中像素点的灰度值的均值,以及与裂纹区域图像相邻的指定区域内像素点的灰度值的均值。
步骤S152,如果裂纹区域内像素点的灰度值的均值,小于指定区域内像素点的灰度值的均值,则判定裂纹区域的裂纹为真实裂纹。
在该步骤中,利用裂纹灰度较低的特点,统计分割得到的候选裂纹区域的临近区域的像素点的灰度均值,如果裂纹的灰度均值小于其临近影像的灰度均值,则判定此裂纹为真实裂纹。
步骤S153,二值分割裂纹区域图像得到裂纹区域图像的裂纹二值图像,并对裂纹二值图像进行骨架化操作得到裂纹区域图像的裂纹参数,裂纹参数包括裂纹长度和裂纹宽度。
图像骨架化是进行线条类图像分析的方法,通过对判定为真实裂纹的裂纹进行骨架提取,识别并统计裂纹的尺寸和形状信息,例如裂纹的长度和宽度。
根据本发明实施例提供的图像检测方法,可以准确的对图像中的裂纹区域进行检测和识别,并且在裂纹连续性差、对比度低时,也可以获得良好的检测效果。
下面结合附图详细介绍根据本发明实施例的隧道裂纹的图像检测装置。
图2示出了根据本发明一实施例提供的隧道裂纹的图像检测装置的结构示意图。如图2所示,本发明实施例中的图像检测装置200包括:
图像滤波模块310,用于对隧道裂纹的待检测图像进行双边滤波处理,得到滤波后图像。
显著图构建模块320,用于利用视觉显著性模型分别构建滤波后图像的亮度显著图和滤波后图像的纹理显著图。
显著图融合模块330,用于融合亮度显著图和纹理显著图,得到融合显著图。
显著图分割模块340,用于通过自适应阈值算法分割融合显著图,得到裂纹区域图像。
裂纹参数获取模块350,用于在判定裂纹区域图像的裂纹为真实裂纹时,获得裂纹区域图像的裂纹参数。
根据本发明实施例提供的图像检测装置,将待检测图像的亮度显著图和纹理显著图进行融合得到融合显著图,对得到的融合显著图进行分割,判定并统计裂纹参数信息,使隧道裂纹得到有效检测。
在一些实施例中,图像滤波模块310还可以包括:
灰度方差值统计单元311,用于统计待检测图像中指定邻域内每个像素的灰度方差值;
平均灰度方差值计算单元322,用于通过每个像素的灰度方差值计算得到待检测图像的平均灰度方差值;
双边滤波器核函数构建单元323,用于根据平均灰度方差值设定灰度方差参数,并基于灰度方差参数构建双边滤波器核函数;
双边滤波函数计算单元324,用于利用构建的双边滤波器核函数,通过卷积模板公式对待检测图像进行双边滤波,将双边滤波后的待检测图像作为滤波后图像。
在该实施例中,双边滤波可以消除待检测图像的噪声,同时保持图像边缘信息,使待处理图像平滑。
在一些实施例中,显著图构建模块320还可以包括:
亮度高斯金字塔构建单元321,用于根据视觉显著性模型,构建滤波后图像的亮度高斯金字塔,亮度高斯金字塔包括预定的层数;
纹理高斯金字塔构建单元322,用于利用盖伯滤波器函数,通过计算亮度高斯金字塔的每一层图像在0、π/4、π/2、3π/4四个方向的盖伯滤波图像,得到滤波后图像的纹理高斯金字塔;
亮度显著图构建单元323,用于按照亮度高斯金字塔的层数从高到低分别获取除底层外的每一层图像作为待处理图像,对待处理图像进行上采样得到分辨率与待处理图像相邻的下一层图像的分辨率相同的图像,并计算上采样得到的图像与相邻的下一层图像的图像相减运算的绝对值,得到亮度显著图;
纹理显著图构建单元324,用于按照纹理高斯金字塔的层数从高到低分别获取除底层外的每一层图像作为待处理图像,对待处理图像进行上采样得到分辨率与待处理图像相邻的下一层图像的分辨率相同的图像,并计算上采样得到的图像与相邻的下一层图像的图像相减运算的绝对值,得到纹理显著图。
在该实施例中,通过显著图的构建使得待检测图像中的裂纹得到加强,当当裂纹对比度低、连续性差时,可以有效去除背景图像,为后续裂纹检测和识别提供了良好的数据基础。
在一些实施例中,显著图融合模块330还可以包括:
特征图归一化处理单元331,用于分别获取亮度显著图中像素点的最大像素值作为第一像素值,获取纹理显著图中像素点的最大像素值作为第二像素值,并将亮度显著图中像素点的像素值与第一像素值相除得到归一化亮度特征图,将纹理显著图中像素点的像素值与第二像素值相除得到归一化纹理特征图;
融合显著图构建单元332,用于将归一化亮度显著图中的每一个像素点,与归一化纹理显著图中和每一个像素点的位置相同的像素点进行像素值的对比,将对比得到的最大值作为融合显著图中与每一个像素点的位置相同的像素点的像素值,得到融合显著图。
在一些实施例中,显著图分割模块340还可以包括:
最优裂纹分割阈值计算单元341,用于通过最大类间方差法,计算得到融合显著图的最优裂纹分割阈值;
显著图分割获取模块340利用最优裂纹分割阈值分割融合显著图,得到融合显著图的候选裂纹区域图像。
在该实施例中,图像分割所选取的分割阈值是由最大类间方差法获得的最优裂纹分割阈值,使用该最优裂纹分割阈值对融合的显著图进行分割,可以有效降低裂纹的错分率。
在一些实施例中,裂纹参数获取模块350还可以包括:
灰度值计算单元351,用于分别计算裂纹区域图像中像素点的灰度值的均值,以及与裂纹区域图像相邻的指定区域内像素点的灰度值的均值;
裂纹真实性判定单元352,用于如果裂纹区域内像素点的灰度值的均值,小于指定区域内像素点的灰度值的均值,则判定裂纹区域的裂纹为真实裂纹;
裂纹参数获取单元353,用于二值分割裂纹区域图像得到裂纹区域图像的裂纹二值图像,并对裂纹二值图像进行骨架化操作得到裂纹区域图像的裂纹参数,裂纹参数包括裂纹长度和裂纹宽度。
在该实施例中,利用裂纹灰度较低的特点对分割后得到的裂纹区域进行判定,并在判定为真实裂纹后,获取裂纹长度和裂纹宽度等参数信息。
根据本发明实施例的隧道裂纹的图像检测装置的其他细节与以上结合图1描述的根据本发明实施例的隧道裂纹的图像检测方法类似,在此不再赘述。
结合图1与图2描述的根据本发明实施例的隧道裂纹的图像检测方法和装置可以由可拆卸地或者固定地安装在应用服务端设备上的计算设备实现。图3是示出能够实现根据本发明实施例的隧道裂纹的图像检测方法和装置的计算设备的示例性硬件架构的结构图。如图3所示,计算设备300包括输入设备301、输入接口302、中央处理器303、存储器304、输出接口305、以及输出设备306。其中,输入接口302、中央处理器303、存储器304、以及输出接口305通过总线310相互连接,输入设备301和输出设备306分别通过输入接口302和输出接口305与总线310连接,进而与计算设备300的其他组件连接。具体地,输入设备301接收来自外部(例如,摄像设备或数码相机)的图像输入信息,并通过输入接口302将输入信息传送到中央处理器303;中央处理器303基于存储器304中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器304中,然后通过输出接口305将输出信息传送到输出设备306;输出设备306将输出信息输出到计算设备300的外部供用户使用。
也就是说,图3所示的计算设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合图1至图2描述的隧道裂纹的图像检测方法和装置。这里,处理器可以与图像管理***或安装在待检测装置上的图像传感器等图像获取模块进行通信,从而基于来自图像管理***和/或图像传感器的相关信息执行计算机可执行指令,从而实现结合图1至图2描述的隧道裂纹的图像检测方法和装置。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种隧道裂纹的图像检测方法,其特征在于,所述图像检测方法包括:
对隧道裂纹的待检测图像进行双边滤波处理,得到滤波后图像;
利用视觉显著性模型分别构建所述滤波后图像的亮度显著图和所述滤波后图像的纹理显著图;
融合所述亮度显著图和所述纹理显著图,得到融合显著图;
通过自适应阈值算法分割所述融合显著图,得到裂纹区域图像;
在判定所述裂纹区域图像的裂纹为真实裂纹时,获得所述裂纹区域图像的裂纹参数;
所述利用视觉显著性模型分别构建所述滤波后图像的亮度显著图和纹理显著图,包括:
根据视觉显著性模型,构建所述滤波后图像的亮度高斯金字塔,所述亮度高斯金字塔包括预定的层数;
利用盖伯滤波器函数,通过计算所述亮度高斯金字塔的每一层图像在0、π/4、π/2、3π/4四个方向的盖伯滤波图像,得到所述滤波后图像的纹理高斯金字塔;
按照所述亮度高斯金字塔的层数从高到低分别获取除底层外的每一层图像作为待处理图像,对所述待处理图像进行上采样得到分辨率与所述待处理图像相邻的下一层图像的分辨率相同的图像,并计算所述上采样得到的图像与所述相邻的下一层图像的图像相减运算的绝对值,得到所述亮度显著图;
按照所述纹理高斯金字塔的层数从高到低分别获取除底层外的每一层图像作为待处理图像,对所述待处理图像进行上采样得到分辨率与所述待处理图像相邻的下一层图像的分辨率相同的图像,并计算所述上采样得到的图像与所述相邻的下一层图像的图像相减运算的绝对值,得到所述纹理显著图。
2.根据权利要求1所述的图像检测方法,其特征在于,所述对隧道裂纹的待检测图像进行滤波处理,得到滤波后图像,包括:
统计所述待检测图像中指定邻域内每个像素的灰度方差值;
通过所述每个像素的灰度方差值计算得到所述待检测图像的平均灰度方差值;
根据所述平均灰度方差值设定灰度方差参数,并基于所述灰度方差参数构建双边滤波器核函数;
利用构建的双边滤波器核函数,通过卷积模板公式对所述待检测图像进行双边滤波,将所述双边滤波后的待检测图像作为所述滤波后图像。
3.根据权利要求1所述的图像检测方法,其特征在于,将所述亮度显著图和所述纹理显著图进行融合,得到融合显著图,包括:
分别获取所述亮度显著图中像素点的最大像素值作为第一像素值,获取所述纹理显著图中像素点的最大像素值作为第二像素值,并将所述亮度显著图中像素点的像素值与所述第一像素值相除得到归一化亮度显著图,将所述纹理显著图中像素点的像素值与所述第二像素值相除得到归一化纹理显著图;
将所述归一化亮度显著图中的每一个像素点,与所述归一化纹理显著图中和所述每一个像素点的位置相同的像素点进行像素值的对比,将对比得到的最大值作为所述融合显著图中与所述每一个像素点的位置相同的像素点的像素值,得到所述融合显著图。
4.根据权利要求1所述的图像检测方法,其特征在于,所述自适应阈值算法为最大类间方差法;
所述通过自适应阈值算法分割所述融合显著图,得到候选裂纹区域图像,包括:
通过所述最大类间方差法,计算得到所述融合显著图的最优裂纹分割阈值;
利用所述最优裂纹分割阈值分割所述融合显著图,得到所述融合显著图的候选裂纹区域图像。
5.根据权利要求1所述的图像检测方法,其特征在于,所述在判定所述裂纹区域图像的裂纹为真实裂纹时,获得所述裂纹区域图像的裂纹参数,包括:
分别计算所述裂纹区域图像中像素点的灰度值的均值,以及与所述裂纹区域图像相邻的指定区域内像素点的灰度值的均值;
如果所述裂纹区域内像素点的灰度值的均值,小于所述指定区域内像素点的灰度值的均值,则判定所述裂纹区域的裂纹为真实裂纹;
二值分割所述裂纹区域图像得到所述裂纹区域图像的裂纹二值图像,并对所述裂纹二值图像进行骨架化操作得到所述裂纹区域图像的裂纹参数,所述裂纹参数包括裂纹长度和裂纹宽度。
6.一种隧道裂纹的图像检测装置,其特征在于,所述图像检测装置包括:
图像滤波模块,用于对隧道裂纹的待检测图像进行双边滤波处理,得到滤波后图像;
显著图构建模块,用于利用视觉显著性模型分别构建所述滤波后图像的亮度显著图和所述滤波后图像的纹理显著图;
显著图融合模块,用于融合所述亮度显著图和所述纹理显著图,得到融合显著图;
显著图分割模块,用于通过自适应阈值算法分割所述融合显著图,得到裂纹区域图像;
裂纹参数获取模块,用于在判定所述裂纹区域图像的裂纹为真实裂纹时,获得所述裂纹区域图像的裂纹参数;
所述显著图构建模块包括:
亮度高斯金字塔构建单元,用于根据视觉显著性模型,构建所述滤波后图像的亮度高斯金字塔,所述亮度高斯金字塔包括预定的层数;
纹理高斯金字塔构建单元,用于利用盖伯滤波器函数,通过计算所述亮度高斯金字塔的每一层图像在0、π/4、π/2、3π/4四个方向的盖伯滤波图像,得到所述滤波后图像的纹理高斯金字塔;
亮度显著图构建单元,用于按照所述亮度高斯金字塔的层数从高到低分别获取除底层外的每一层图像作为待处理图像,对所述待处理图像进行上采样得到分辨率与所述待处理图像相邻的下一层图像的分辨率相同的图像,并计算所述上采样得到的图像与所述相邻的下一层图像的图像相减运算的绝对值,得到所述亮度显著图;
纹理显著图构建单元,用于按照所述纹理高斯金字塔的层数从高到低分别获取除底层外的每一层图像作为待处理图像,对所述待处理图像进行上采样得到分辨率与所述待处理图像相邻的下一层图像的分辨率相同的图像,并计算所述上采样得到的图像与所述相邻的下一层图像的图像相减运算的绝对值,得到所述纹理显著图。
7.根据权利要求6所述的图像检测装置,其特征在于,所述图像滤波模块包括:
灰度方差值统计单元,用于统计所述待检测图像中指定邻域内每个像素的灰度方差值;
平均灰度方差值计算单元,用于通过所述每个像素的灰度方差值计算得到所述待检测图像的平均灰度方差值;
双边滤波器核函数构建单元,用于根据所述平均灰度方差值设定灰度方差参数,并基于所述灰度方差参数构建双边滤波器核函数;
双边滤波函数计算单元,用于利用构建的双边滤波器核函数,通过卷积模板公式对所述待检测图像进行双边滤波,将所述双边滤波后的待检测图像作为所述滤波后图像。
8.根据权利要求6所述的图像检测装置,其特征在于,所述显著图融合模块包括:
显著图归一化处理单元,用于分别获取所述亮度显著图中像素点的最大像素值作为第一像素值,获取所述纹理显著图中像素点的最大像素值作为第二像素值,并将所述亮度显著图中像素点的像素值与所述第一像素值相除得到归一化亮度显著图,将所述纹理显著图中像素点的像素值与所述第二像素值相除得到归一化纹理显著图;
融合显著图构建单元,用于将所述归一化亮度显著图中的每一个像素点,与所述归一化纹理显著图中和所述每一个像素点的位置相同的像素点进行像素值的对比,将对比得到的最大值作为所述融合显著图中与所述每一个像素点的位置相同的像素点的像素值,得到所述融合显著图。
9.根据权利要求6所述的图像检测装置,其特征在于,所述显著图分割获取模块包括:
最优裂纹分割阈值计算单元,用于通过最大类间方差法,计算得到所述融合显著图的最优裂纹分割阈值;
所述显著图分割获取模块利用所述最优裂纹分割阈值分割所述融合显著图,得到所述融合显著图的候选裂纹区域图像。
10.根据权利要求6所述的图像检测装置,其特征在于,所述裂纹参数获取模块包括:
灰度值计算单元,用于分别计算所述裂纹区域图像中像素点的灰度值的均值,以及与所述裂纹区域图像相邻的指定区域内像素点的灰度值的均值;
裂纹真实性判定单元,用于如果所述裂纹区域内像素点的灰度值的均值,小于所述指定区域内像素点的灰度值的均值,则判定所述裂纹区域的裂纹为真实裂纹;
裂纹参数获取单元,用于二值分割所述裂纹区域图像得到所述裂纹区域图像的裂纹二值图像,并对所述裂纹二值图像进行骨架化操作得到所述裂纹区域图像的裂纹参数,所述裂纹参数包括裂纹长度和裂纹宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710227430.0A CN107220962B (zh) | 2017-04-07 | 2017-04-07 | 一种隧道裂纹的图像检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710227430.0A CN107220962B (zh) | 2017-04-07 | 2017-04-07 | 一种隧道裂纹的图像检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220962A CN107220962A (zh) | 2017-09-29 |
CN107220962B true CN107220962B (zh) | 2020-04-21 |
Family
ID=59927549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710227430.0A Active CN107220962B (zh) | 2017-04-07 | 2017-04-07 | 一种隧道裂纹的图像检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220962B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102650554B1 (ko) * | 2018-10-30 | 2024-03-22 | 삼성디스플레이 주식회사 | 표시 장치의 검사 장치 및 그 검사 방법 |
CN111289974A (zh) * | 2018-12-10 | 2020-06-16 | 中铁一局集团有限公司 | 一种隧道全断面台架法快速检测***及其运行控制方法 |
CN111833363B (zh) * | 2019-04-17 | 2023-10-24 | 南开大学 | 图像边缘和显著性检测方法及装置 |
CN110111711A (zh) * | 2019-04-30 | 2019-08-09 | 京东方科技集团股份有限公司 | 屏幕的检测方法及装置、计算机可读存储介质 |
CN111325724B (zh) * | 2020-02-19 | 2023-06-09 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
CN112668396A (zh) * | 2020-12-03 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种二维虚假目标识别方法、装置、设备和介质 |
CN114708226B (zh) * | 2022-04-01 | 2024-06-21 | 辽宁中科力勒检测技术服务有限公司 | 一种基于光照影响的铜管内壁裂纹检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175701A (zh) * | 2011-02-11 | 2011-09-07 | 王慧斌 | 工业x射线机在线探伤检测***及方法 |
CN102521595A (zh) * | 2011-12-07 | 2012-06-27 | 中南大学 | 一种基于眼动数据和底层特征的图像感兴趣区域提取方法 |
CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
CN104463847A (zh) * | 2014-08-05 | 2015-03-25 | 华南理工大学 | 一种水墨画特色渲染方法 |
CN105510350A (zh) * | 2016-01-28 | 2016-04-20 | 北京工业大学 | 隧道表面图像获取装置及隧道表面检测设备 |
CN105913413A (zh) * | 2016-03-31 | 2016-08-31 | 宁波大学 | 一种基于在线流形学习的彩色图像质量客观评价方法 |
-
2017
- 2017-04-07 CN CN201710227430.0A patent/CN107220962B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175701A (zh) * | 2011-02-11 | 2011-09-07 | 王慧斌 | 工业x射线机在线探伤检测***及方法 |
CN102521595A (zh) * | 2011-12-07 | 2012-06-27 | 中南大学 | 一种基于眼动数据和底层特征的图像感兴趣区域提取方法 |
CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
CN104463847A (zh) * | 2014-08-05 | 2015-03-25 | 华南理工大学 | 一种水墨画特色渲染方法 |
CN105510350A (zh) * | 2016-01-28 | 2016-04-20 | 北京工业大学 | 隧道表面图像获取装置及隧道表面检测设备 |
CN105913413A (zh) * | 2016-03-31 | 2016-08-31 | 宁波大学 | 一种基于在线流形学习的彩色图像质量客观评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107220962A (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220962B (zh) | 一种隧道裂纹的图像检测方法和装置 | |
CN107146217B (zh) | 一种图像检测方法和装置 | |
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
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 | |
CN109993744B (zh) | 一种海上逆光环境下的红外目标检测方法 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN113706523A (zh) | 基于人工智能技术的皮带跑偏及异常运行状态的监测方法 | |
CN111460917B (zh) | 基于多模态信息融合的机场异常行为检测***及方法 | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN111815660A (zh) | 危化品仓库中货物边缘检测方法、装置及终端设备 | |
CN114842213A (zh) | 一种障碍物轮廓检测方法、装置、终端设备和存储介质 | |
Othman et al. | Road crack detection using adaptive multi resolution thresholding techniques | |
CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
Bisht et al. | Integration of hough transform and inter-frame clustering for road lane detection and tracking | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN111754491A (zh) | 一种图片清晰度判定方法及装置 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN112329674B (zh) | 基于多纹理特征融合的结冰湖泊检测方法和装置 | |
Zhao et al. | IR saliency detection via a GCF-SB visual attention framework | |
Ch et al. | Image based Road distress detection | |
CN117368879B (zh) | 雷达图的生成方法、装置、终端设备及可读存储介质 | |
CN115187918B (zh) | 一种监控视频流中移动物体的识别方法及*** | |
CN117690096B (zh) | 一种适应不同场景的接触网安全巡检*** |
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 |