CN109410205A - 一种复杂路面背景下的裂缝提取方法 - Google Patents
一种复杂路面背景下的裂缝提取方法 Download PDFInfo
- Publication number
- CN109410205A CN109410205A CN201811296420.3A CN201811296420A CN109410205A CN 109410205 A CN109410205 A CN 109410205A CN 201811296420 A CN201811296420 A CN 201811296420A CN 109410205 A CN109410205 A CN 109410205A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- block
- sub
- follows
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000000284 extract Substances 0.000 title claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims description 24
- 239000002245 particle Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
- G06T2207/20036—Morphological image processing
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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种复杂路面背景下的裂缝提取方法,采用基于形态学对路面图像进行处理,去除过暗和高亮的污渍及交通标志白线区域;然后对路面裂缝进行增强,突出裂缝特征;最后采用基于块特征的最小路径法,基于裂缝的连续性,剔除图像中残留的噪声点区域,实现裂缝的最终提取。本发明能够克服复杂背景干扰,实现对路面裂缝的快速有效提取,可辅助于助公路养护等方面。
Description
技术领域
本发明属于路面检测技术领域,具体涉及一种复杂路面背景下的裂缝提取方法。
背景技术
公路的发展标志着国家基础经济设施的建设程度。由于我国的人口和地理分布特征,高速公路在国民生活中起到重要的作用,这使公路的养护变得尤为重要。对路面裂缝有效地检测可及时检测到路面病害的初期,并进行养护。传统依靠人工的检测方法不仅费时耗力,其检测的效果也不理想,且不可被量化统计。随着成像技术和计算机技术的发展,基于图像的裂缝自动检测技术逐渐发展起来,并有学者对其进行了深入广泛的研究。
传统方法在路面裂缝较清晰,背景简单的情况下,检测效果均良好。然而,在实际的公路情况下,路面裂缝本身具有不规则和不均匀的特点,含有裂缝的路面图像也常伴有复杂的背景干扰,如交通标志白线,污渍,阴影及路面沥青本身的径向颗粒造成的噪声,这些严重影响裂缝的提取。同时,采集到的路面图像分辨率和尺寸均较大,当图像中裂缝较小时,更容易受背景干扰影响。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种复杂路面背景下的裂缝提取方法,能克服背景干扰,快速提取出有效裂缝。
本发明采用以下技术方案:
一种复杂路面背景下的裂缝提取方法,采用基于形态学对路面图像进行处理,去除过暗和高亮的污渍及交通标志白线区域;然后对路面裂缝进行增强,突出裂缝特征;最后采用基于块特征的最小路径法,基于裂缝的连续性,剔除图像中残留的噪声点区域,实现裂缝的最终提取。
具体的,对采集到的路面图像进行高亮及过暗区域的去除,包括以下步骤:
S101、采用线性方程逐行实现亮度调节,计算每一列的亮度调节系数kj,校正图像亮度,得到校正后的图像I′;
S102、结合形态学方法实现对图像高亮及较暗区域的去除,对校正后的图像I′进行高斯滤波,并二值化得Ibw,采用形态学的开、闭运算去除过小的噪声点,分割出图像中的高亮区域H和背景区域B,开、闭运算计算如下:
其中,S为模板,S=[1 0 1 0 0 0 1 0 1]。
进一步的,步骤S101中,每一列的亮度调节系数kj如下:
kj=Lj/LI
其中,LI=aver(I)为图像整体灰度均值;Lj=aver(I(j))为图像第j列的灰度均值;
校正后的图像I′如下:
I′(j)=I(j)/kj。
进一步的,步骤S102的具体步骤如下:
S1021、对校正后的图像I′进行等高线划分,建立高亮区域校准坐标GM,以去除原图中的因交通标志白线、沥青径向颗粒反射造成的高亮区域;
S1022、以步骤S1021建立校准坐标GM对校正后图像I′的高亮区域H划分等级,每个等级校正,得到高亮区域去除后的结果Ih′,对图像Ih′进行高斯滤波,采用不同的灰度等级统计阈值建立较暗区域灰度校准坐标GM′,以去除原图中的污渍斑点;
S1023、对经暗区校正得到的Id′进行灰度拉伸,采用横向亮度调节去除波纹的图像,进行基于图像均值的迭代校正,得到图像I″′。
进一步的,步骤S1021中,GM校准灰度坐标如下:
GM={gi|i=1,2,......,n}
hist(gi)≤Ng_l
其中,gi为第i个等级的灰度阈值,n为所分的总等级数;hist(gi)为第i个灰度等级的像素统计;Ng_l为统计阈值。
进一步的,步骤S1022中,高亮区域去除后的结果I′h计算如下:
I′h(gi)=I′gi(H)+mB-mgi
其中,mB为背景均值;mgi为GM中各级的灰度均值;
建立暗区域灰度校准坐标GM′如下:
GM′={g′i|i=1,2,......,n′}
其中,g′i为根据灰度直方图统计得到的灰度等级;
用暗区域灰度校准坐标GM′对去除高亮后的图像划分等级为{1,2,...,K,K+1,...,n′},取其中前K级为较暗区D,K+1到n′级为背景区B′,对较暗区域D校正,得暗区去除结果I′d如下:
I′d(i)=αI′h(i)+λ
其中,i∈{1,2,......,K},α为校准系数,是背景与第i级暗区方差的比值;补偿系数分别为背景与第i级暗区的均值。
进一步的,步骤S1023中,灰度拉伸方法的迭代校正方法如下:
其中,为暗区校正后图像I′d的均值;
均值的迭代校正方法如下:
其中,m(I”)为图像I”的均值。
具体的,采用基于块特征的最小路径法实现关键裂缝的提取包括以下步骤:
S301、将图像划分为子块,计算图像子块特征值T,根据图像设置特征阈值Tthre,提取特征值小于Tthre的子块为裂缝备选区域E;
S302、采用最小路径法,以子块为单位,在备选裂缝区域E中进一步提取裂缝区域;
S303、剔除孤立子块,连通裂缝子块,提取完整裂缝图像。
进一步的,步骤S301中,子块特征值如下:
T=mbl-k·stbl
其中,k为特征系数,k为1,mbl为子块均值,stbl为子块方差;
特征阈值如下:
Tthre=m-k·st-β
其中,m和st分别为所有图像子块均值的均值与方差的均值;β=mT/3为补偿系数,mT为所有图像子块的特征值均值。
进一步的,步骤S302中,备选裂缝区域E中任意两个子块ej和ei构成子块对,先剔除空间距离大的子块对,消除部分因噪声产生的孤立子块,获得新备选区域E′;
对新备选区域E′中的各子块对计算衰减值,最小路径计算中引入子块间的衰减计算如下:
其中,ei和ej为备选子块中任意两个子块组成的子块对,ei,ej∈E′,L为ei到ej的中心线性距离;
设定阈值Tdc,当dc(i,j)<Tdc时,对应的子块对(ei,ej)被保留,反之舍弃,在每个子块8个邻域范围内,连通衰减值最小的相应子块作为裂缝存在的最终备选区域。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种复杂路面背景下的裂缝提取方法,克服复杂环境下,路面污渍、阴影、交通标志白线及路面径向颗粒等因素对裂缝提取造成的影响,实现路面关键裂缝的提取。
进一步的,过暗区域去除是为去除路面污渍、阴影的影响;高亮区域去除是为去除交通标志白线和路面径向颗粒的影响。这些干扰因素均存在较明显的边缘,去除后可避免将干扰因素的边缘错误识别为路面裂缝。
进一步的,根据每幅图像自身的灰度统计结果建立高亮区域校准坐标,增强方法的适用性。
进一步的,根据每幅图像自身的灰度统计结果建立过暗区域校准坐标,增强方法的适用性。
进一步的,基于块特征的最小路径法能在原始图像中提取可能存在裂缝的备选区域,使进一步的完整裂缝提取仅在备选区域下,降低运算量的同时又进一步避免路面背景的干扰。
综上所述,本发明能够克服复杂背景干扰,实现对路面裂缝的快速有效提取,可辅助于助公路养护等方面。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程示意图;
图2为路面高亮、过暗区域去除过程示意图,其中,(a)为原图,(b)为高亮区域提取效果,(c)为高亮区去除,(d)为暗区去除效果,(e)为灰度拉伸效果,(f)为波纹校正;
图3为裂缝特征增强过程示意图,其中,(a)为原图,(b)为迭代去燥,(c)为形态学腐蚀;
图4为基于块特征的最小路径法的裂缝提取示意图,其中,(a)为裂缝备选区域提取,(b)为阈值比较结果,(c)为过大、过小区域去除,(d)为连接点选择,(e)为连接结果,(f)为裂缝最终提取效果。
具体实施方式
本发明提供了一种复杂路面背景下的裂缝提取方法,先对路面图像采用基于形态学的处理,去除较暗和较亮的污渍及交通标志白线区域,避免这类干扰区域因边缘清晰在提取过程中被误认为裂缝;然后,对路面裂缝进行增强,突出裂缝特征为提取裂缝做准备;最后,采用基于块特征的最小路径法,基于裂缝的连续性,剔除图像中残留的噪声点区域,实现裂缝的最终提取。与传统方法相比,本发明可在复杂背景环境对路面裂缝的提取,克服了包括交通标志白线和污渍等因素的干扰。
请参阅图1,本发明一种复杂路面背景下的裂缝提取方法,包括过高亮及过暗区域去除、裂缝图像增强和基于子块特征的裂缝提取过程,具体步骤如下:
S1、对采集到的路面图像进行高亮及过暗区域的去除
路面图像采集过程中因激光束分布不均匀导致图像整体出现亮度不平衡的现象,对图像进行亮度调节,并在此基础上去除过暗及高亮区域;
S101、采用线性方程逐行实现亮度调节,计算每一列的亮度调节系数kj如下:
kj=Lj/LI (1)
其中,LI=aver(I)为图像整体灰度均值;Lj=aver(I(j))为图像第j列的灰度均值。
按式(2)校正图像亮度,得到校正后的图像I′如下:
I′(j)=I(j)/kj (2)
S102、结合形态学方法实现对图像高亮及较暗区域的去除,克服路面图像中存在因水渍、油渍及阴影及交通标志白线的影响
去除过暗及高亮区域时,先对校正后的图像I′进行高斯滤波,并二值化得Ibw,采用形态学的开、闭运算去除过小的噪声点,分割出图像中的高亮区域H和背景区域B,
开、闭运算计算如下:
其中,S为模板,S=[1 0 1 0 0 0 1 0 1];
路面图像高亮及过暗区域的去除过程步骤如下:
S1021、对图像I′进行等高线划分,建立高亮区域校准坐标GM,以去除原图中的因交通标志白线、沥青径向颗粒反射造成的高亮区域;
GM校准灰度坐标如下:
GM={gi|i=1,2,......,n} (4)
hist(gi)≤Ng_l
其中,gi为第i个等级的灰度阈值,n为所分的总等级数(本发明的具体实施例中n=10);hist(gi)为第i个灰度等级的像素统计;Ng_l为统计阈值,对图像I′中高亮区域H的像素统计,并按采用等间隔法获得。
S1022、以校准坐标GM对I′的高亮区域H划分等级,每个等级按式(5)校正,得到高亮区域去除后的结果I′h,
I′h(gi)=I′gi(H)+mB-mgi (5)
其中,mB为背景均值;mgi为GM中各级的灰度均值。
对图像I′h进行高斯滤波(本发明的具体实施例中窗口尺寸为30×30,标准差为3),采用不同的灰度等级统计阈值建立较暗区域灰度校准坐标GM′如下:
GM′={g′i|i=1,2,......,n′}
其中,g′i为根据灰度直方图统计得到的灰度等级。
用暗区的校准坐标GM′对去高亮后的图像划分等级为{1,2,...,K,K+1,...,n′},取其中前K级为较暗区D,K+1到n′级为背景区B′,采用式(6)对较暗区域D校正,得暗区去除结果I′d如下:
I′d(i)=α·I′h(i)+λ (6)
其中,i∈{1,2,......,K},α为校准系数,是背景与第i级暗区方差的比值;补偿系数分别为背景与第i级暗区的均值。
S1023、对经暗区校正得到的Id′进行灰度拉伸,提高图像亮度
暗区去除后的图像往往偏暗,对图像进行灰度拉伸,及基于图像均值的迭代校正,滤除较弱噪声的影响;
灰度拉伸方法的迭代校正方法如下:
其中,为暗区校正后图像I′d的均值。
采用横向亮度调节去除波纹得图像,进行基于图像均值的迭代校正,得到图像I″′,滤除较弱噪声的影响,均值的迭代校正方法如下:
其中,m(I”)为图像I”的均值,本发明的具体实施利中迭代20次。
请参阅图2,图2(a)的原路面图像存在过暗的污渍区和高亮点状区;经高亮、过暗区域去除得到效果较好的图2(d),但图像偏暗;经灰度拉伸后的图2(e),并可见图像中存在因激光扫描过程中出现的波纹;经波纹校正后得图2(f),去除了采集过程引入的及路面的明显干扰因素。
S2、采用形态学腐蚀,对路面裂缝进行增强,突出裂缝信息;
请参阅图3,裂缝特征增强效果,图3(a)为原路面图,明显包含较多的干扰因素及因路面径向颗粒造成的噪声;采用迭代去燥后得图3(b),但裂缝特征不够明显;经形态学腐蚀后得图3(c),裂缝特征清晰;
S3、采用基于块特征的最小路径法实现关键裂缝的提取,具体步骤如下:
S301、将图像划分为15×15子块,计算每个子块的均值mbl和方差stbl,计算图像子块特征值T,根据图像设置特征阈值Tthre,提取特征值小于Tthre的子块为裂缝备选区域E;
子块特征值如下:
T=mbl-k·stbl (9)
其中,k为特征系数,k为1,mbl为子块均值,stbl为子块方差。
特征阈值如下:
Tthre=m-k·st-β
其中,m和st分别为所有图像子块均值的均值与方差的均值,β=mT/3为补偿系数,mT为所有图像子块的特征值的均值。
裂缝所在的图像块的灰度均值相对较小,而方差相对较大;噪声所在的图像块灰度均值相对较大,方差相对较小;残留污渍因面积往往比较大,因此所在的图像块灰度均值相对较小,方差也相对较小。因此,提取特征值小于阈值Tthre的块作为备选裂缝区域E。
S302、采用最小路径法,以子块为单位,在备选裂缝区域E中进一步提取最有可能为裂缝的区域;
E中任意两个子块ej和ei构成子块对,先剔除距离较大的子块对,消除部分因噪声产生的较小孤立子块,获得新备选区域E′。对E′中的各子块对计算衰减值,最小路径计算中引入子块间的衰减计算如下:
其中,ei和ej为备选子块中任意两个子块组成的子块对,ei,ej∈E′,L为ei到ej的中心线性距离,当衰减值较小,表明该子块对间的连续性好,符合裂缝特点。
设定阈值Tdc,当dc(i,j)<Tdc时,对应的子块对(ei,ej)被保留,反之舍弃。在每个子块8邻域范围内,连通衰减值最小的相应子块,作为裂缝存在的最终备选区域。
S303、剔除孤立子块,连通裂缝子块,提取完整裂缝图像。
针对备选区域,以像素为单位,根据式(10)重新设定阈值Tthre,在子块中去除非裂缝像素,并二值化图像,去掉面积较小的单连通区域。
进一步的,去除小面积的孤立单连通区域。本发明的具体实施例以重心为中心,半径为3,阈值面积为5。
进一步的,去除大面积的孤立单连通区域。本发明的具体实施例以重心为中心,半径为11,阈值面积为20。
进一步的,连接余下的单连通区域。
先计算每个单连通区域的趋势方向及8个边界点Pb={Pi|i=1,2,......,8},分别对应该单连通区域的上、下、左、右、左上、左下、右上、右下。结合单连通区域的趋势,在8个边界点中选择连接点,以保证连接后的裂缝符合裂缝原本的生长趋势。以连接点为中心在邻域范围内(本发明的具体实施例中为11),选取距离最短的对应的边界点和所连接的单连通区域并连接。
进一步的,再次去除小连通区域,提取最终裂缝图像。
基于块特征的最小路径法的裂缝提取如图4所示,图4(a)为裂缝备选区域提取,其中仍然包含较多的路面背景;经阈值比较后去除部分背景噪声,其中蓝色为去除区域,红色为保留区域,得图4(b);再经过大、过小区域去除仅一步提炼裂缝区域得图4(c);根据裂缝的连续性原理,连接图4(d)中邻近备选区的检测连接点,得图4(e);最终,再次去除小区域,最终提取裂缝得图4(f)。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种复杂路面背景下的裂缝提取方法,其特征在于,采用基于形态学对路面图像进行处理,去除过暗和高亮的污渍及交通标志白线区域;然后对路面裂缝进行增强,突出裂缝特征;最后采用基于块特征的最小路径法,基于裂缝的连续性,剔除图像中残留的噪声点区域,实现裂缝的最终提取。
2.根据权利要求1所述的复杂路面背景下的裂缝提取方法,其特征在于,对采集到的路面图像进行高亮及过暗区域的去除,包括以下步骤:
S101、采用线性方程逐行实现亮度调节,计算每一列的亮度调节系数kj,校正图像亮度,得到校正后的图像I′;
S102、结合形态学方法实现对图像高亮及较暗区域的去除,对校正后的图像I′进行高斯滤波,并二值化得Ibw,采用形态学的开、闭运算去除过小的噪声点,分割出图像中的高亮区域H和背景区域B,开、闭运算计算如下:
其中,S为模板,S=[1 0 1 0 0 0 1 0 1]。
3.根据权利要求2所述的复杂路面背景下的裂缝提取方法,其特征在于,步骤S101中,每一列的亮度调节系数kj如下:
kj=Lj/LI
其中,LI=aver(I)为图像整体灰度均值;Lj=aver(I(j))为图像第j列的灰度均值;
校正后的图像I′如下:
I′(j)=I(j)/kj。
4.根据权利要求2所述的复杂路面背景下的裂缝提取方法,其特征在于,步骤S102的具体步骤如下:
S1021、对校正后的图像I′进行等高线划分,建立高亮区域校准坐标GM,以去除原图中的因交通标志白线、沥青径向颗粒反射造成的高亮区域;
S1022、以步骤S1021建立校准坐标GM对校正后图像I′的高亮区域H划分等级,每个等级校正,得到高亮区域去除后的结果Ih′,对图像Ih′进行高斯滤波,采用不同的灰度等级统计阈值建立较暗区域灰度校准坐标GM′,以去除原图中的污渍斑点;
S1023、对经暗区校正得到的Id′进行灰度拉伸,采用横向亮度调节去除波纹的图像,进行基于图像均值的迭代校正,得到图像I″′。
5.根据权利要求4所述的复杂路面背景下的裂缝提取方法,其特征在于,步骤S1021中,GM校准灰度坐标如下:
GM={gi|i=1,2,......,n}
hist(gi)≤Ng_l
其中,gi为第i个等级的灰度阈值,n为所分的总等级数;hist(gi)为第i个灰度等级的像素统计;Ng_l为统计阈值。
6.根据权利要求4所述的复杂路面背景下的裂缝提取方法,其特征在于,步骤S1022中,高亮区域去除后的结果Ih′计算如下:
I′h(gi)=I′gi(H)+mB-mgi
其中,mB为背景均值;mgi为GM中各级的灰度均值;
建立暗区域灰度校准坐标GM′如下:
GM′={gi′|i=1,2,......,n′}
其中,gi′为根据灰度直方图统计得到的灰度等级;
用暗区域灰度校准坐标GM′对去除高亮后的图像划分等级为{1,2,...,K,K+1,...,n′},取其中前K级为较暗区D,K+1到n′级为背景区B′,对较暗区域D校正,得暗区去除结果Id′如下:
I′d(i)=α·I′h(i)+λ
其中,i∈{1,2,......,K},α为校准系数,是背景与第i级暗区方差的比值;补偿系数 和分别为背景与第i级暗区的均值。
7.根据权利要求5所述的复杂路面背景下的裂缝提取方法,其特征在于,步骤S1023中,灰度拉伸方法的迭代校正方法如下:
其中,为暗区校正后图像Id′的均值;
均值的迭代校正方法如下:
其中,m(I”)为图像I”的均值。
8.根据权利要求1所述的复杂路面背景下的裂缝提取方法,其特征在于,采用基于块特征的最小路径法实现关键裂缝的提取包括以下步骤:
S301、将图像划分为子块,计算图像子块特征值T,根据图像设置特征阈值Tthre,提取特征值小于Tthre的子块为裂缝备选区域E;
S302、采用最小路径法,以子块为单位,在备选裂缝区域E中进一步提取裂缝区域;
S303、剔除孤立子块,连通裂缝子块,提取完整裂缝图像。
9.根据权利要求8所述的复杂路面背景下的裂缝提取方法,其特征在于,步骤S301中,子块特征值如下:
T=mbl-k·stbl
其中,k为特征系数,k为1,mbl为子块均值,stbl为子块方差;
特征阈值如下:
Tthre=m-k·st-β
其中,m和st分别为所有图像子块均值的均值与方差的均值;β=mT/3为补偿系数,mT为所有图像子块的特征值均值。
10.根据权利要求8所述的复杂路面背景下的裂缝提取方法,其特征在于,步骤S302中,备选裂缝区域E中任意两个子块ej和ei构成子块对,先剔除空间距离大的子块对,消除部分因噪声产生的孤立子块,获得新备选区域E′;
对新备选区域E′中的各子块对计算衰减值,最小路径计算中引入子块间的衰减计算如下:
其中,ei和ej为备选子块中任意两个子块组成的子块对,ei,ej∈E′,L为ei到ej的中心线性距离;
设定阈值Tdc,当dc(i,j)<Tdc时,对应的子块对(ei,ej)被保留,反之舍弃,在每个子块8个邻域范围内,连通衰减值最小的相应子块作为裂缝存在的最终备选区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811296420.3A CN109410205B (zh) | 2018-11-01 | 2018-11-01 | 一种复杂路面背景下的裂缝提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811296420.3A CN109410205B (zh) | 2018-11-01 | 2018-11-01 | 一种复杂路面背景下的裂缝提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410205A true CN109410205A (zh) | 2019-03-01 |
CN109410205B CN109410205B (zh) | 2021-05-04 |
Family
ID=65471292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811296420.3A Active CN109410205B (zh) | 2018-11-01 | 2018-11-01 | 一种复杂路面背景下的裂缝提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410205B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956183A (zh) * | 2019-11-04 | 2020-04-03 | 东南大学 | 一种沥青路面裂缝形态提取方法 |
CN112330553A (zh) * | 2020-10-30 | 2021-02-05 | 武汉理工大学 | 一种裂缝图像去噪方法、设备及存储介质 |
CN112950665A (zh) * | 2021-02-01 | 2021-06-11 | 武汉大学 | 一种曲线状目标半自动提取方法及*** |
CN113066389A (zh) * | 2019-12-26 | 2021-07-02 | 杭州海康威视数字技术股份有限公司 | 发光二极管(led)灯板处理方法及装置 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6615648B1 (en) * | 1997-12-22 | 2003-09-09 | The Roads And Traffic Authority On New South Wales | Road pavement deterioration inspection system |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及*** |
-
2018
- 2018-11-01 CN CN201811296420.3A patent/CN109410205B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6615648B1 (en) * | 1997-12-22 | 2003-09-09 | The Roads And Traffic Authority On New South Wales | Road pavement deterioration inspection system |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及*** |
Non-Patent Citations (2)
Title |
---|
RABIH AMHAZ ET AL.: "Automatic Crack Detection on Two-Dimensional Pavement Images: An Algorithm Based on Minimal Path Selection", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
周建: "公路隧道裂缝检测***的研究与设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956183A (zh) * | 2019-11-04 | 2020-04-03 | 东南大学 | 一种沥青路面裂缝形态提取方法 |
CN110956183B (zh) * | 2019-11-04 | 2023-05-02 | 东南大学 | 一种沥青路面裂缝形态提取方法 |
CN113066389A (zh) * | 2019-12-26 | 2021-07-02 | 杭州海康威视数字技术股份有限公司 | 发光二极管(led)灯板处理方法及装置 |
CN112330553A (zh) * | 2020-10-30 | 2021-02-05 | 武汉理工大学 | 一种裂缝图像去噪方法、设备及存储介质 |
CN112330553B (zh) * | 2020-10-30 | 2022-07-01 | 武汉理工大学 | 一种裂缝图像去噪方法、设备及存储介质 |
CN112950665A (zh) * | 2021-02-01 | 2021-06-11 | 武汉大学 | 一种曲线状目标半自动提取方法及*** |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节*** |
CN116664584B (zh) * | 2023-08-02 | 2023-11-28 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节*** |
Also Published As
Publication number | Publication date |
---|---|
CN109410205B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410205A (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
Wang et al. | Research on crack detection algorithm of the concrete bridge based on image processing | |
WO2016172827A1 (zh) | 一种逐步求精的路面裂缝检测方法 | |
CN105975972A (zh) | 基于影像的桥梁裂缝检测与特征提取方法 | |
CN117078672B (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
CN110264459A (zh) | 一种土壤裂缝特征信息提取方法 | |
CN112419250A (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN106157323B (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN115294139B (zh) | 基于图像的边坡裂缝监测方法 | |
CN113592861A (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN108961230A (zh) | 结构表面裂缝特征的识别与提取方法 | |
CN110956183A (zh) | 一种沥青路面裂缝形态提取方法 | |
CN1702684A (zh) | 高噪声图像特征点自动提取方法 | |
CN103455985B (zh) | 基于Hessian结构分析的道路裂缝增强方法 | |
CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN105787912A (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 | |
CN116485719A (zh) | 一种用于裂缝检测的自适应canny方法 | |
CN110223332B (zh) | 一种桥梁裂缝标定方法 |
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 |