CN109035217A - 一种基于图像二维熵的土体裂隙定量评价方法 - Google Patents

一种基于图像二维熵的土体裂隙定量评价方法 Download PDF

Info

Publication number
CN109035217A
CN109035217A CN201810738424.6A CN201810738424A CN109035217A CN 109035217 A CN109035217 A CN 109035217A CN 201810738424 A CN201810738424 A CN 201810738424A CN 109035217 A CN109035217 A CN 109035217A
Authority
CN
China
Prior art keywords
crack
image
entropy
method based
dimensional
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
Application number
CN201810738424.6A
Other languages
English (en)
Other versions
CN109035217B (zh
Inventor
蔡奕
蔡万贤
石涛
吴乔枫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201810738424.6A priority Critical patent/CN109035217B/zh
Publication of CN109035217A publication Critical patent/CN109035217A/zh
Application granted granted Critical
Publication of CN109035217B publication Critical patent/CN109035217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种基于图像二维熵的土体裂隙定量评价方法，包括以下步骤：1)干缩裂隙提取，具体包括：11)对原始彩色裂隙图片进行灰度化处理，得到裂隙图片灰度图；12)对灰度图进行图像分割，得到裂隙二值图；2)计算裂隙二值图的二维熵值；3)基于二维熵对土裂隙几何特征进行定量评价。与现有技术相比，本发明具有计算量小且结果具有确定性等优点。

Description

一种基于图像二维熵的土体裂隙定量评价方法
技术领域
本发明涉及岩土工程技术领域，尤其是涉及一种基于图像二维熵的土体裂隙定量评价方法。
背景技术
受地表蒸发的影响，土体表面常常由于失水收缩而开裂。裂隙的出现会影响土体的压缩性、强度以及渗透性等工程性质。裂隙网络的几何形态特征在一定程度上反映了土体失水过程中应变场的演化规律。因此，定量分析裂隙表面的几何形态对研究裂隙发育过程有重要意义，为揭示裂隙开展机理提供了重要的研究手段。同时，也为土体开裂现象引起的边坡失稳、地基破坏等工程事故的预防和处理奠定基础。
一直以来，在众多裂隙评价指标中，分形维数常被用来表征裂隙几何特征的复杂程度。然而，自然界中的分形只是统计意义上的自相似，分形特征只存在于一定尺度范围，即所谓的“无标度区”。在分形研究中，无标度区间的确定是一个难点，至今仍然缺乏一个统一的、公认的标准用于判定无标度区。以往的研究中，土裂隙网络分形维数的计算常常忽略无标度区。这可能会使计算出的分形维数失去原有的意义。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图像二维熵的土体裂隙定量评价方法。
本发明的目的可以通过以下技术方案来实现：
一种基于图像二维熵的土体裂隙定量评价方法，包括以下步骤：
1)干缩裂隙提取，具体包括：
11)对原始彩色裂隙图片进行灰度化处理，得到裂隙图片灰度图；
12)对灰度图进行图像分割，得到裂隙二值图；
2)计算裂隙二值图的二维熵值；
3)基于二维熵对土裂隙几何特征进行定量评价。
所述的步骤11)中，在MATLAB软件中采用rgb2gray函数对原始图像R、G、B分量进行加权平均，权重分别为0.2989、0.5870、0.1140，计算出像素点的灰度值，得到原始裂隙图片的灰度图。
权值选取为rgb2gray函数内置，根据人眼对色彩的敏感度及色彩的重要性等指标设置，由于人眼对绿色敏感度最高，对蓝色敏感度最低，所以采用这一组权值对RGB分量进行加权平均能得到较合理的灰度图像。
所述的步骤12)中，采用局部阈值分割方法获取裂隙二值图，具体为：
将图像分为n2个区域，对每个区域分别用大津法进行阈值分割，提取裂隙部分，再整合得到新的二值图像。
所述的步骤2)中，裂隙二值图的二维熵值的计算式为：
Pij＝f(i,j)/M
其中，H为裂隙二值图的二维熵值，N为图像的像素值类别，二值化后取2，Pij为特征二元组(i,j)出现的频率，，f(i,j)为特征二元组(i,j)出现的频数，M为图像的总像素数。
选择二值化后裂隙图像的邻域像素均值作为裂隙分布的空间特征量，与图像的像素值组成特征二元组(i,j)，其中i表示像素值，j表示邻域像素均值。
所述的步骤3)中，裂隙二维熵表示裂隙图像信息量的大小，宏观上表示为裂隙的数量和裂隙的分布特征，反映了裂隙网络的复杂特性，二维熵越大，裂隙网络越复杂。
选择n值的条件为：
在局部区域尺寸不小于裂隙网络块区尺寸的前提下，保证每个区域都有裂隙存在，n值越大越好。
图像分割后会产生较多全局分布的杂点，在MATLAB中采用bwareaopen函数将面积小于阈值的杂点去掉。
在MATLAB中采用imclose函数对裂隙二值图进行桥接用以修复断裂和局部缺失的情况。
与现有技术相比，本发明具有以下优点：
一、本发明率先提出了将裂隙图像二维熵作为土裂隙几何特征评价指标，具有首创性。
二、与传统图像灰度熵的计算过程相比，本发明在计算二维熵前先对裂隙图像进行二值化处理，将裂隙网络单独提取出来，极大地避免了图像光照、干湿不均匀对裂隙灰度熵计算结果的影响，可以更好的反映裂隙的空间特征和发育情况。
三、与传统评价指标(分形维数)相比，二维熵计算不受无标度区的影响，具有确定性，且计算过程简单，对于土裂隙评价指标体系构建具有一定的参考价值。
附图说明
图1为将原始图片灰度化的过程图，其中，左图为原始图片，右图为灰度图。
图2为采用局部阈值分割方法提取裂隙网络的示意图，其中，左图为阈值分布图，右图为二值图。
图3为除杂、桥接过程示意图，其中，图(3a)为除噪前图像，图(3b)为除噪后图像，图(3c)为桥接修复后图像。
图4为3张裂隙网络复杂程度依次增大的图片及其对应的二维熵值，其中，图(4a)为二维熵值H＝0.120时的图片，图(4b)为二维熵值H＝0.354时的图片，图(4c)为二维熵值H＝0.869时的图片。
图5为本发明方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
下面结合附图对本发明作进一步的说明。
本发明的方法共包括3个阶段：土裂隙提取、裂隙图像二维熵的计算、基于二维熵的土裂隙定量评价。
第一阶段，土裂隙提取，基于数码相机拍摄的土体裂隙彩色图像，运用数字图像处理技术将裂隙提取出来。
试验中数码摄影获得的图像为彩色图像，一般不能直接用于定量分析，需先将图像灰度化，再进行二值化处理。在MATLAB软件中采用rgb2gray函数对原始图像R、G、B分量进行加权平均，权重分别为0.2989、0.5870、0.1140，计算出像素点的灰度值，得到原始裂隙图片的灰度图，如附图1所示。
由于裂隙和土块的灰度对比度较大，因此可以通过阈值分割法对图像进行分割处理将裂隙网络单独提取出来。采用局部阈值分割的思想，先将图像分为n2个区域(n为整数，根据实际情况挑选合适的n值)，对每个区域分别用大津法(Ostu法)进行阈值分割，提取裂隙部分，再整合得到新的二值图像；在挑选n值时，原则上n越大越好，但不应使划分的局部区域尺寸明显小于裂隙网络块区尺寸，本次计算中n值取5，图像分割过程见附图2。
图像分割后会产生较多全局分布的杂点，在MATLAB中采用bwareaopen函数将面积小于阈值的杂点去掉；分割、去杂操作后会出现一些细小裂隙断裂、缺失的情况，采用闭运算的方法，在MATLAB中使用imclose函数对裂隙二值图进行桥接修复，见附图3。
第二阶段，裂隙图像二维熵的计算。
选择二值化后裂隙图像的邻域(4邻域或8邻域)像素均值作为裂隙分布的空间特征量，与图像的像素值组成特征二元组，记为(i,j)，其中i表示像素值(i＝0或1)，j表示邻域像素均值(0≤j≤1)。二维熵计算方法如式(2)所示，本次计算中j取与该像素点相邻的4个像素点的平均值。
其中，H为裂隙图像二维熵；N为图像的像素值类别，二值化后取2；Pij＝f(i,j)/M，f(i,j)为特征二元组(i,j)出现的频数；M为图像的尺度(总像素)。
第三阶段，基于二维熵的土裂隙定量评价。
裂隙二维熵表示裂隙图像信息量的大小，宏观上表示为裂隙的数量和裂隙的分布特征，二者反映了土体表面裂隙的空间分布和复杂性。当裂隙图像确定时，二维熵具有确定的唯一值，二维熵越大，裂隙越发育，裂隙网络越复杂。附图4展示了3张复杂程度依次增大的裂隙图像，使用上述方法，基于MATLAB软件对这3张裂隙图像的二维熵进行计算，分别为0.120、0.354、0.869，与实际情况吻合。可见将二维熵作为土裂隙几何特征复杂程度的量度指标具有可行性。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于图像二维熵的土体裂隙定量评价方法，其特征在于，包括以下步骤：
1)干缩裂隙提取，具体包括：
11)对原始彩色裂隙图片进行灰度化处理，得到裂隙图片灰度图；
12)对灰度图进行图像分割，得到裂隙二值图；
2)计算裂隙二值图的二维熵值；
3)基于二维熵对土裂隙几何特征进行定量评价。
2.根据权利要求1所述的一种基于图像二维熵的土体裂隙定量评价方法，其特征在于，所述的步骤11)中，在MATLAB软件中采用rgb2gray函数对原始图像R、G、B分量进行加权平均，权重分别为0.2989、0.5870、0.1140，计算出像素点的灰度值，得到原始裂隙图片的灰度图。
3.根据权利要求1所述的一种基于图像二维熵的土体裂隙定量评价方法，其特征在于，所述的步骤12)中，采用局部阈值分割方法获取裂隙二值图，具体为：
将图像分为n2个区域，对每个区域分别用大津法进行阈值分割，提取裂隙部分，再整合得到新的二值图像。
4.根据权利要求1所述的一种基于图像二维熵的土体裂隙定量评价方法，其特征在于，所述的步骤2)中，裂隙二值图的二维熵值的计算式为：
Pij＝f(i,j)/M
其中，H为裂隙二值图的二维熵值，N为图像的像素值类别，二值化后取2，Pij为特征二元组(i,j)出现的频率，f(i,j)为特征二元组(i,j)出现的频数，M为图像的总像素数。
5.根据权利要求4所述的一种基于图像二维熵的土体裂隙定量评价方法，其特征在于，选择二值化后裂隙图像的邻域像素均值作为裂隙分布的空间特征量，与图像的像素值组成特征二元组(i,j)，其中i表示像素值，j表示邻域像素均值。
6.根据权利要求1所述的一种基于图像二维熵的土体裂隙定量评价方法，其特征在于，所述的步骤3)中，裂隙二维熵表示裂隙图像信息量的大小，宏观上表示为裂隙的数量和裂隙的分布特征，反映了裂隙网络的复杂特性，二维熵越大，裂隙网络越复杂。
7.根据权利要求3所述的一种基于图像二维熵的土体裂隙定量评价方法，其特征在于，选择n值的条件为：
在局部区域尺寸不小于裂隙网络块区尺寸的前提下，保证每个区域都有裂隙存在，n值越大越好。
8.根据权利要求1所述的一种基于差商分析的土裂隙分形维数计算方法，其特征在于，在MATLAB中采用imclose函数对裂隙二值图进行桥接用以修复断裂和局部缺失的情况。
CN201810738424.6A 2018-07-06 2018-07-06 一种基于图像二维熵的土体裂隙定量评价方法 Active CN109035217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810738424.6A CN109035217B (zh) 2018-07-06 2018-07-06 一种基于图像二维熵的土体裂隙定量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810738424.6A CN109035217B (zh) 2018-07-06 2018-07-06 一种基于图像二维熵的土体裂隙定量评价方法

Publications (2)

Publication Number Publication Date
CN109035217A true CN109035217A (zh) 2018-12-18
CN109035217B CN109035217B (zh) 2021-02-02

Family

ID=64640575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810738424.6A Active CN109035217B (zh) 2018-07-06 2018-07-06 一种基于图像二维熵的土体裂隙定量评价方法

Country Status (1)

Country Link
CN (1) CN109035217B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112014411A (zh) * 2020-08-05 2020-12-01 中国人民解放军空军工程大学 一种土样抗裂性能的研究方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540048A (zh) * 2009-04-21 2009-09-23 北京航空航天大学 一种基于支持向量机的图像质量评价方法
CN103226820A (zh) * 2013-04-17 2013-07-31 南京理工大学 改进的二维最大熵分割夜视图像融合目标检测算法
CN106203497A (zh) * 2016-07-01 2016-12-07 浙江工业大学 一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法
CN106651834A (zh) * 2016-10-20 2017-05-10 国网山东省电力公司电力科学研究院 无参考图像的变电设备红外热像图质量评价方法及装置
CN108053396A (zh) * 2017-12-15 2018-05-18 中国矿业大学 一种多失真图像质量的无参考评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540048A (zh) * 2009-04-21 2009-09-23 北京航空航天大学 一种基于支持向量机的图像质量评价方法
CN103226820A (zh) * 2013-04-17 2013-07-31 南京理工大学 改进的二维最大熵分割夜视图像融合目标检测算法
CN106203497A (zh) * 2016-07-01 2016-12-07 浙江工业大学 一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法
CN106651834A (zh) * 2016-10-20 2017-05-10 国网山东省电力公司电力科学研究院 无参考图像的变电设备红外热像图质量评价方法及装置
CN108053396A (zh) * 2017-12-15 2018-05-18 中国矿业大学 一种多失真图像质量的无参考评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张毅军: "二维嫡图像闭值分割的快速递推算法", 《模式识别与人工智能》 *
袁俊平: "膨胀土裂隙的量化指标与强度性质研究", 《水利学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112014411A (zh) * 2020-08-05 2020-12-01 中国人民解放军空军工程大学 一种土样抗裂性能的研究方法

Also Published As

Publication number Publication date
CN109035217B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN107480649B (zh) 一种基于全卷积神经网络的指纹汗孔提取方法
CN103345758B (zh) 基于dct统计特征的jpeg图像区域复制篡改盲检测方法
CN108898085A (zh) 一种基于手机视频的道路病害智能检测方法
CN109801292A (zh) 一种基于生成对抗网络的沥青公路裂缝图像分割方法
JP2023139099A (ja) 学習用データ収集装置、学習用データ収集方法、及びプログラム
CN110569730A (zh) 一种基于U-net神经网络模型的路面裂缝自动识别方法
Munawar Image and video processing for defect detection in key infrastructure
Zhao et al. A systematic extraction approach for mapping glacial lakes in high mountain regions of Asia
CN111767874B (zh) 一种基于深度学习的路面病害检测方法
CN110110675A (zh) 一种融合边缘信息的小波域分形红外卷云检测方法
CN109146888A (zh) 一种基于差商分析的土裂隙分形维数计算方法
CN111339948A (zh) 一种高分辨率遥感影像新增建筑自动识别方法
CN115641327A (zh) 一种基于大数据的建筑工程质量监理和预警***
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN109660814B (zh) 一种视频前景删除篡改的检测方法
CN110660048B (zh) 一种基于形状特征的皮革表面缺陷检测方法
CN106407975B (zh) 基于空间-光谱结构约束的多尺度分层目标检测方法
CN109035217A (zh) 一种基于图像二维熵的土体裂隙定量评价方法
CN111489333B (zh) 一种无参考夜间自然图像质量评价方法
CN108376401A (zh) 一种基于行方差的自动定位gpr信号病害位置方法
Li et al. Quality assessment of polarization analysis images in foggy conditions
CN104978745B (zh) 一种高分辨率可见光图像目标变化检测方法
Hong et al. Saliency-based feature learning for no-reference image quality assessment
CN107301399B (zh) 一种基于俯视图像的水面桥梁识别方法
JP4534599B2 (ja) 画像処理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant