CN110060242A - 一种多雾天气下大坝邻接图像裂缝骨架提取方法 - Google Patents
一种多雾天气下大坝邻接图像裂缝骨架提取方法 Download PDFInfo
- Publication number
- CN110060242A CN110060242A CN201910289924.0A CN201910289924A CN110060242A CN 110060242 A CN110060242 A CN 110060242A CN 201910289924 A CN201910289924 A CN 201910289924A CN 110060242 A CN110060242 A CN 110060242A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- dam
- matrix
- crack
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 230000015556 catabolic process Effects 0.000 claims abstract description 11
- 238000006731 degradation reaction Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 238000012790 confirmation Methods 0.000 claims abstract description 4
- 238000002156 mixing Methods 0.000 claims abstract description 4
- 230000007850 degeneration Effects 0.000 claims abstract 2
- 238000000034 method Methods 0.000 claims description 19
- 235000013350 formula milk Nutrition 0.000 claims description 17
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- IHUHIFKVCBIAMM-QDSRYJPQSA-N (2s,3s,4s,5r,6s)-3,4,5-trihydroxy-6-[(6-hydroxy-3-methyl-2-oxo-4,7-diphenyl-1,3-benzothiazol-5-yl)oxy]oxane-2-carboxylic acid Chemical compound O([C@H]1[C@@H]([C@@H](O)[C@H](O)[C@H](O1)C(O)=O)O)C1=C(O)C(C=2C=CC=CC=2)=C2SC(=O)N(C)C2=C1C1=CC=CC=C1 IHUHIFKVCBIAMM-QDSRYJPQSA-N 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 229930187736 echoside Natural products 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 2
- 238000002834 transmittance Methods 0.000 description 5
- 239000003595 mist Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种多雾天气下大坝邻接图像裂缝骨架提取方法,属于图像处理领域。其技术方案为:对具有邻接裂缝的两幅大坝图像建立图像的雾天退化模型;通过求取雾天退化模型中的透射率以及大气光值两个参数,对图像进行雾天退化的逆操作;对邻接的两幅图像的每个像素进行矩阵计算;提取图像的特征点;完成邻接图像的特征点匹配,确认存在较多匹配的特征点,计算单应矩阵,进行图像融合将邻接的两幅图像融合成一副图像;运用遗传算法对融合后图像进行分割操作得到融合图像的裂缝骨架。本发明的有益效果为:在多雾天气下准确提取相邻图像间存在的共有裂缝的大坝邻接图像裂缝骨架提取方法。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种多雾天气下大坝邻接图像裂缝骨架提取方法。
背景技术
我国已建成各类水库97721座,占世界大坝总量的50%以上。不过大坝存在的问题同样严重。我国大坝大多建于上世纪50至70年代,土石结构的大坝占据主要部分,大坝的使用寿命约为50年,同时大坝设施的老化问题同意严重。大坝一旦决堤,冲毁房屋、田地、工业设施、铁道等等,会给国民经济造成巨大的影响。中国近半数大坝存在安全隐患。根据目前统计数据现有大型病险水库141座,约占大型水库的40%,中型病险水库1091座占中型水库的41%,小型病险水库共29146座,占小型水库36%,这些水库均未得到除险加固,防洪隐患依然十分严重,老化病害普遍存在,电站设备和管理都相对陈旧。其中绝大多数长期以来停留在人工现场操作状态,大多靠人工观测收集数据、报告运行情况、根据调度命令进行现地操作。数据受人为因素影响误差较大,而且运行维护劳动强度大,数据采集周期长,难以全面、适时地了解闸坝工况,1954至2005年,中国平均每年有68座大坝毁坝。中国大坝的年均溃坝率是世界平均溃坝率的4倍多。大坝裂缝,作为大坝最常见的一种病害,是大坝垮坝的最大安全隐患。裂缝不仅仅存在大坝表面,大坝的裂缝同时还会不断的像大坝结构体的内部延伸发展,可能会造成大坝更大的损害。
目前基于图像处理技术的裂缝检测取得了众多研究成果。总的来说主要有三个研究方向。第一个方向是完全使用传统的图像处理技术来进行检测。第二个方向是改进传统的图像处理技术来进行检测。第三个方向是将其他领域的技术引入图像处理领域或者设计新的图像处理技术。对于传统的裂缝图像,上述研究已经能够较好地检测出裂缝。而大坝裂缝有着很多复杂的情况,例如光照不均匀,噪声种类繁多、分布无规律,背景纹理复杂,大坝图像在多雾天气下对比度低,多幅图片连续处理存在图片间裂缝的可能,再准确定位裂缝大小以确保优先级维护时,现有检测方式很难准确提取相邻图像间存在的共有裂缝。
发明内容
本发明的目的在于提供一种在多雾天气下准确提取相邻图像间存在的共有裂缝的大坝邻接图像裂缝骨架提取方法。
本发明是通过如下措施实现的:一种多雾天气下大坝邻接图像裂缝骨架提取方法,其特征在于,该方法包括:
步骤(1):对具有邻接裂缝的两幅大坝图像建立图像的雾天退化模型;
步骤(2):通过求取雾天退化模型中的透射率以及大气光值两个参数,对图像进行雾天退化的逆操作,以取消空气中介质以及大气光对物体成像造成的信息损失,求得邻接的两幅图像的最终图像;
步骤(3):对邻接的两幅图像构建矩阵,对邻接的两幅图像的每个像素进行矩阵计算,从而得到图像的尺度不变特征,对图像进行特征提取;
步骤(4):提取图像的特征点;
步骤(5):完成邻接图像的特征点匹配,确认存在较多匹配的特征点,再筛选优质匹配特征点,计算单应矩阵,进行图像融合将邻接的两幅图像融合成一副图像;
步骤(6):运用遗传算法对融合后图像进行分割操作得到融合图像的裂缝骨架。
所述步骤(1)中雾天退化模型,具体如下:模拟大坝的反射光经过大气介质各种折射之后入射到成像设备中,雾天空气中的介质会导致成像信息的损失,导致最后成像呈现出的雾化效果。
该过程可以用公式来表达,其公式为:
Edt(d,λ)=E0e-β(λ)d;
Ea(d,λ)=A(1-e-β(λ)d);
E(d,λ)=Edt(d,λ)+Ea(d,λ);
其中,t(x)=e-βd((x)为场景点的透射率,表示的是光线透过雾的能力。A为环境光,表示的是为无穷远点处的大气光。β是大气散射的透射率系数,d(x)是图像所具有的景深,Edt(d,λ)为衰减模型,Ea(d,λ)为大气光模型;
对雾天退化模型进行进一步的简化,该模型可用公式来表达,其公式为:其公式为:
I(x)=J(x)t(x)+A(1-t(x));
其中,I(x)为输入的有雾图像I在像素点x处的值,J(x)为无雾图像,t(x)=e-βd(x)为场景点的透射率,表示的是光线透过雾的能力,A为环境光,表示的是为无穷远点处的大气光,β是大气散射的透射率系数,d(x)是图像所具有的景深,C指的是R G B三通道,Jc表示彩色图像的每个通道,Ω(x)表示以像素x为中心的一个窗口。
对透射率值进行预估,其公式为
是透射率的预估值,w为描述景深存在的0到1之间的一个因子;
然后将透射率的预估值利用图像信息对其进行一次修正增强,并利用图像的边缘信息对透射率进行优化,选择使用数学形态学的方法提取图像的边缘信息,进行膨胀化处理,得到图像的二值信息图;
确定最终透射率时,中心像素的透射率为周围像素透射率的加权和,权值为中心像素到周围周围像素欧式距离的倒数从而利用图像的空间信息进一步优化,最后利用去雾模型代入各个参数求得邻接的两幅图像的最终图像。
对邻接的两幅图像的最终图像构建矩阵,对最终图像的每个像素进行矩阵计算,从而得到图像的尺度不变特征,对图像进行特征提取;
具体包括:首先需要对图像的每个像素进行矩阵计算,从而得到该图像的特征,根据矩阵测量一个函数的局部曲率,其公式为:
矩阵中的各项为图像在各方向上的二阶导数;
曲率的强度由矩阵的行列式给出,其公式为:
角点为具有较高局部曲率的图像点,矩阵由二阶导数构成,不同尺度的LaplacianGaussian核可以用来计算,将矩阵转为三个变量的函数H(x,y,σ),求空间域和尺度域的局部极大值时,即可找到尺度不变的特征;
提取图像的特征点,具体包括:
首先构建图像的尺度空间,输入图像函数反复与高斯函数的核卷积,对其结果进行二次抽样;
然后精确定位特征点,预设极值,只选取高于预设极值的点,检测出少数的特征最强点;
检测过程中使用与该尺度层图像解析度相对应大小的滤波器进行检测;
特征点定位过程中首先选定滤波器,同时引入积分图像,识别局部最大极值,通过空间域及尺度域插值的方式获取特征点的位置;
最后,以特征点为中心,计算半径为6倍特征点所在的尺度值邻域内点个方向的Harr小波响应,设定Harr的小波边长为4倍的特征点所在的尺度值,根据响应值距离特征点的远近进行高斯加权赋值,靠近特征点的由于响应贡献大权重系数大,同理远离特征点的权重系数小,将60°范围内的响应相加以形成新的矢量,遍历整个圆形区域,选择最长矢量的方向为该特征点的主方向,通过特征点逐个进行计算,得到每一个特征点的主方向。
所述步骤(5),具体包括:运用RANSAC算法,在匹配点数据集中取样,采用8点算法进行基本矩阵初始估计,得到基本矩阵;
计算Sampson距离,划分局内点和局外点;
记录当前初始估计的基本矩阵和和局内点的数目并进行比较,保存局内点数目和最多的基本矩阵从而实现筛选过程;
接着计算单应矩阵完成图像融合。
所述步骤(1),具体为:步骤(a)读取每个像素点的灰度值f(x,y);
步骤(b)计算灰度均值,及某像素点附近八个像素点的平均灰度值g(x,y);
步骤(c)设图像中像素为(x,y)处的n*n邻域的平均灰度值为:
其中,n一般取奇数,[n/2]表示对n/2取整;
步骤(d)参数设置,种群中含有m条染色体,染色体长度n=16,最大循环代数den=200,变异概率p为0.006;
步骤(f)初始化种群Q(t0m),令t=0,随机产生一个在[0,1]内的数rand,根据t’ij=π/2*rand生成20个随机数tn,生成规模为m,基因位数为16的染色体作为初始种群Q(t0m);
步骤(g)解空间变换,解空间变换公式为:
其中,i=1,2,3…m,为量子态|1>的概率幅对应平方的优化解,为量子态|0>的概率幅对应平方的优化解,Ω=[ai,bi]为解空间范围,[αi,βi]表示第j条染色体中的第pj个元素;
步骤(h)计算各基因位的适应度值;
步骤(i)适应度值函数为熵函数,为φ(s,t)=H(A)+H(B);其中,H(A)为目标像素点集对应的熵,H(B)为背景像素点集对应的熵,(s,t)为阈值矢量,其中s为灰度值的阈值,t为灰度均值的阈值;
步骤(j)判断是否满足终止条件,如果满足条件则终止循环输出结果,对图像进行分割,得到裂缝骨架;不满足更新获得新的染色体继续循环优化。
与现有技术相比,本发明的有益效果是:在多雾天气下准确提取相邻图像间存在的共有裂缝的大坝邻接图像裂缝骨架提取方法,还原了更丰富的图像信息特征,加强了图像的对比度,对邻接图像的融合以及遗传算法分割操作完成了工业应用中相邻图像存在裂缝骨架难以准确提取的问题,提高了裂缝检测的准确性。
附图说明
图1为本发明提供的一种多雾天气下大坝邻接图像骨架提取方法流程图;
图2a为本发明提供的大坝邻接图像原始左图;
图2b为本发明提供的大坝邻接图像原始右图;
图3为本发明多雾天气下大坝邻接图像骨架提取方法提取的骨架图像。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,对本方案进行阐述。
参见图1-图3,一种多雾天气下大坝邻接图像裂缝骨架提取方法,该方法包括:
步骤(1):对具有邻接裂缝的两幅大坝图像建立图像的雾天退化模型;
步骤(2):通过求取雾天退化模型中的透射率以及大气光值两个参数,对图像进行雾天退化的逆操作,以取消空气中介质以及大气光对物体成像造成的信息损失,求得邻接的两幅图像的最终图像;
步骤(3):对邻接的两幅图像构建矩阵,对邻接的两幅图像的每个像素进行矩阵计算,从而得到图像的尺度不变特征,对图像进行特征提取;
步骤(4):提取图像的特征点;
步骤(5):完成邻接图像的特征点匹配,确认存在较多匹配的特征点,再筛选优质匹配特征点,计算单应矩阵,进行图像融合将邻接的两幅图像融合成一副图像;
步骤(6):运用遗传算法对融合后图像进行分割操作得到融合图像的裂缝骨架。
步骤(1)中雾天退化模型,具体如下:模拟大坝的反射光经过大气介质各种折射之后入射到成像设备中,其公式为:
I(x)=J(x)t(x)+A(1-t(x));
其中,I(x)为输入的有雾图像I在像素点x处的值,J(x)为无雾图像,t(x)=e-βd(x)为场景点的透射率,表示的是光线透过雾的能力,A为环境光,表示的是为无穷远点处的大气光,β是大气散射的透射率系数,d(x)是图像所具有的景深,C指的是R G B三通道,Jc表示彩色图像的每个通道,Ω(x)表示以像素x为中心的一个窗口。
对透射率值进行预估,其公式为
是透射率的预估值,w为描述景深存在的0到1之间的一个因子;
然后将透射率的预估值利用图像信息对其进行一次修正增强,并利用图像的边缘信息对透射率进行优化,选择使用数学形态学的方法提取图像的边缘信息,进行膨胀化处理,得到图像的二值信息图;
确定最终透射率时,中心像素的透射率为周围像素透射率的加权和,权值为中心像素到周围周围像素欧式距离的倒数从而利用图像的空间信息进一步优化,最后利用去雾模型代入各个参数求得邻接的两幅图像的最终图像。
对邻接的两幅图像的最终图像构建矩阵,对最终图像的每个像素进行矩阵计算,从而得到图像的尺度不变特征,对图像进行特征提取;
具体包括:首先需要对图像的每个像素进行矩阵计算,从而得到该图像的特征,根据矩阵测量一个函数的局部曲率,其公式为:
矩阵中的各项为图像在各方向上的二阶导数;
曲率的强度由矩阵的行列式给出,其公式为:
角点为具有较高局部曲率的图像点,矩阵由二阶导数构成,不同尺度的LaplacianGaussian核可以用来计算,将矩阵转为三个变量的函数H(x,y,σ),求空间域和尺度域的局部极大值时,即可找到尺度不变的特征;
提取图像的特征点,具体包括:
首先构建图像的尺度空间,输入图像函数反复与高斯函数的核卷积,对其结果进行二次抽样;
然后精确定位特征点,预设极值,只选取高于预设极值的点,检测出少数的特征最强点;
检测过程中使用与该尺度层图像解析度相对应大小的滤波器进行检测;
特征点定位过程中首先选定滤波器,同时引入积分图像,识别局部最大极值,通过空间域及尺度域插值的方式获取特征点的位置;
最后,以特征点为中心,计算半径为6倍特征点所在的尺度值邻域内点个方向的Harr小波响应,设定Harr的小波边长为4倍的特征点所在的尺度值,根据响应值距离特征点的远近进行高斯加权赋值,靠近特征点的由于响应贡献大权重系数大,同理远离特征点的权重系数小,将60°范围内的响应相加以形成新的矢量,遍历整个圆形区域,选择最长矢量的方向为该特征点的主方向,通过特征点逐个进行计算,得到每一个特征点的主方向。
所述步骤(5),具体包括:运用RANSAC算法,在匹配点数据集中取样,采用8点算法进行基本矩阵初始估计,得到基本矩阵;
计算Sampson距离,划分局内点和局外点;
记录当前初始估计的基本矩阵和和局内点的数目并进行比较,保存局内点数目和最多的基本矩阵从而实现筛选过程;
接着计算单应矩阵完成图像融合。
所述步骤(1),具体为:步骤(a)读取每个像素点的灰度值f(x,y);
步骤(b)计算灰度均值,及某像素点附近八个像素点的平均灰度值g(x,y);
步骤(c)设图像中像素为(x,y)处的n*n邻域的平均灰度值为:
其中,n一般取奇数,[n/2]表示对n/2取整;
步骤(d)参数设置,种群中含有m条染色体,染色体长度n=16,最大循环代数den=200,变异概率p为0.006;
步骤(f)初始化种群Q(t0m),令t=0,随机产生一个在[0,1]内的数rand,根据t’ij=π/2*rand生成20个随机数tn,生成规模为m,基因位数为16的染色体作为初始种群Q(t0m);
步骤(g)解空间变换,解空间变换公式为:
其中,i=1,2,3…m,为量子态|1>的概率幅对应平方的优化解,为量子态|0>的概率幅对应平方的优化解,Ω=[ai,bi]为解空间范围,[αi,βi]表示第j条染色体中的第pj个元素;
步骤(h)计算各基因位的适应度值;
步骤(i)适应度值函数为熵函数,为φ(s,t)=H(A)+H(B);其中,H(A)为目标像素点集对应的熵,H(B)为背景像素点集对应的熵,(s,t)为阈值矢量,其中s为灰度值的阈值,t为灰度均值的阈值;
步骤(j)判断是否满足终止条件,如果满足条件则终止循环输出结果,对图像进行分割,得到裂缝骨架;不满足更新获得新的染色体继续循环优化。
本发明未经描述的技术特征可以通过或采用现有技术实现,在此不再赘述,当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种多雾天气下大坝邻接图像裂缝骨架提取方法,其特征在于,该方法包括:
步骤(1):对具有邻接裂缝的两幅大坝图像建立图像的雾天退化模型;
步骤(2):通过求取雾天退化模型中的透射率以及大气光值两个参数,对图像进行雾天退化的逆操作,以取消空气中介质以及大气光对物体成像造成的信息损失,求得邻接的两幅图像的最终图像;
步骤(3):对邻接的两幅图像的每个像素进行矩阵计算,从而得到图像的尺度不变特征;
步骤(4):提取图像的特征点;
步骤(5):完成邻接图像的特征点匹配,确认存在较多匹配的特征点,再筛选优质匹配特征点,计算单应矩阵,进行图像融合将邻接的两幅图像融合成一副图像;
步骤(6):运用遗传算法对融合后图像进行分割操作得到融合图像的裂缝骨架。
2.根据权利要求1所述的多雾天气下大坝邻接图像裂缝骨架提取方法,其特征在于,对邻接的两幅图像的最终图像构建矩阵,对最终图像的每个像素进行矩阵计算,从而得到图像的尺度不变特征,对图像进行特征提取;
具体包括:首先需要对图像的每个像素进行矩阵计算,从而得到该图像的特征,根据矩阵测量一个函数的局部曲率,其公式为:
矩阵中的各项为图像在各方向上的二阶导数;
曲率的强度由矩阵的行列式给出,其公式为:
角点为具有较高局部曲率的图像点,矩阵由二阶导数构成,不同尺度的核可以用来计算,将矩阵转为三个变量的函数H(x,y,σ),求空间域和尺度域的局部极大值时,即可找到尺度不变的特征。
3.根据权利要求1所述的多雾天气下大坝邻接图像裂缝骨架提取方法,其特征在于,提取图像的特征点,具体包括:
首先构建图像的尺度空间,输入图像函数反复与高斯函数的核卷积,对其结果进行二次抽样;
然后精确定位特征点,预设极值,只选取高于预设极值的点,检测出少数的特征最强点;
检测过程中使用与该尺度层图像解析度相对应大小的滤波器进行检测;
特征点定位过程中首先选定滤波器,同时引入积分图像,识别局部最大极值,通过空间域及尺度域插值的方式获取特征点的位置;
最后,以特征点为中心,计算半径为6倍特征点所在的尺度值邻域内点个方向的Harr小波响应,设定Harr小波边长为4倍的特征点所在的尺度值,根据响应值距离特征点的远近进行高斯加权赋值,靠近特征点的由于响应贡献大权重系数大,同理远离特征点的权重系数小,将60°范围内的响应相加以形成新的矢量,遍历整个圆形区域,选择最长矢量的方向为该特征点的主方向,通过特征点逐个进行计算,得到每一个特征点的主方向。
4.根据权利要求1所述的多雾天气下大坝邻接图像裂缝骨架提取方法,其特征在于,所述步骤(5),具体包括:运用RANSAC算法,在匹配点数据集中取样,采用8点算法进行基本矩阵初始估计,得到基本矩阵;
计算Sampson距离,划分局内点和局外点;
记录当前初始估计的基本矩阵和和局内点的数目并进行比较,保存局内点数目和最多的基本矩阵从而实现筛选过程;
接着计算单应矩阵完成图像融合。
5.根据权利要求1所述的多雾天气下大坝邻接图像裂缝骨架提取方法,其特征在于,所述步骤(1),具体为:步骤(a)读取每个像素点的灰度值f(x,y);
步骤(b)计算灰度均值,及某像素点附近八个像素点的平均灰度值g(x,y);
步骤(c)设图像中像素为(x,y)处的n*n邻域的平均灰度值为:
其中,n一般取奇数,[n/2]表示对n/2取整;
步骤(d)参数设置,种群中含有m条染色体,染色体长度n=16,最大循环代数den=200,变异概率p为0.006;
步骤(f)初始化种群Q(t0m),令t=0,随机产生一个在[0,1]内的数rand,根据t’ij=π/2*rand生成20个随机数tn,生成规模为m,基因位数为16的染色体作为初始种群Q(t0m);
步骤(g)解空间变换,解空间变换公式为:
其中,i=1,2,3…m,为量子态|1>的概率幅对应平方的优化解,为量子态|0>的概率幅对应平方的优化解,Ω=[ai,bi]为解空间范围,[αi,βi]表示第j条染色体中的第pj个元素;
步骤(h)计算各基因位的适应度值;
步骤(i)适应度值函数为熵函数,为φ(s,t)=H(A)+H(B);其中,H(A)为目标像素点集对应的熵,H(B)为背景像素点集对应的熵,(s,t)为阈值矢量,其中s为灰度值的阈值,t为灰度均值的阈值;
步骤(j)判断是否满足终止条件,如果满足条件则终止循环输出结果,对图像进行分割,得到裂缝骨架;不满足更新获得新的染色体继续循环优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289924.0A CN110060242A (zh) | 2019-04-11 | 2019-04-11 | 一种多雾天气下大坝邻接图像裂缝骨架提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289924.0A CN110060242A (zh) | 2019-04-11 | 2019-04-11 | 一种多雾天气下大坝邻接图像裂缝骨架提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060242A true CN110060242A (zh) | 2019-07-26 |
Family
ID=67318633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910289924.0A Pending CN110060242A (zh) | 2019-04-11 | 2019-04-11 | 一种多雾天气下大坝邻接图像裂缝骨架提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060242A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701919A (zh) * | 2009-11-20 | 2010-05-05 | 长安大学 | 一种基于图像的路面裂缝检测***及检测方法 |
CN103290766A (zh) * | 2013-06-24 | 2013-09-11 | 广东惠利普路桥信息工程有限公司 | 路面裂缝检测*** |
CN106951901A (zh) * | 2017-03-06 | 2017-07-14 | 哈尔滨工程大学 | 一种基于b型双链量子遗传算法的二维最大熵图像分割方法 |
CN108332927A (zh) * | 2018-01-10 | 2018-07-27 | 深圳市晟达机械设计有限公司 | 一种桥梁表面裂缝检测装置 |
-
2019
- 2019-04-11 CN CN201910289924.0A patent/CN110060242A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701919A (zh) * | 2009-11-20 | 2010-05-05 | 长安大学 | 一种基于图像的路面裂缝检测***及检测方法 |
CN103290766A (zh) * | 2013-06-24 | 2013-09-11 | 广东惠利普路桥信息工程有限公司 | 路面裂缝检测*** |
CN106951901A (zh) * | 2017-03-06 | 2017-07-14 | 哈尔滨工程大学 | 一种基于b型双链量子遗传算法的二维最大熵图像分割方法 |
CN108332927A (zh) * | 2018-01-10 | 2018-07-27 | 深圳市晟达机械设计有限公司 | 一种桥梁表面裂缝检测装置 |
Non-Patent Citations (4)
Title |
---|
薄延茹: "改进的双链量子遗传算法在图像分割和去噪中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
赫更新等: "SURF与RANSAC组合图像拼接算法", 《应用科技》 * |
赫更新等: "改进暗通道的大坝图像去雾算法", 《应用科技》 * |
郝更新等: "基于自研巡检装置的大坝裂缝骨架检测***", 《电脑知识与技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023133B (zh) | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 | |
CN102592136B (zh) | 基于几何图像中中频信息的三维人脸识别方法 | |
CN109754377A (zh) | 一种多曝光图像融合方法 | |
CN108416353B (zh) | 基于深度全卷积神经网络的大田稻穗快速分割方法 | |
CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN107203989A (zh) | 基于全卷积神经网络的端对端胸部ct图像分割方法 | |
CN107622492A (zh) | 肺裂分割方法及*** | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
Machairas et al. | Waterpixels: Superpixels based on the watershed transformation | |
CN109615653A (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
CN111881816B (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
CN109272487A (zh) | 一种基于视频的公共区域内人群的数量统计方法 | |
CN110120071A (zh) | 一种面向光场图像的深度估计方法 | |
CN104021523B (zh) | 一种基于边缘分类的图像超分辨率放大的方法 | |
CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
CN107437068A (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
CN106709931A (zh) | 一种脸谱映射至人脸的方法、脸谱映射装置 | |
CN109886170A (zh) | 一种钉螺智能检测识别与统计*** | |
CN109447930A (zh) | 小波域光场全聚焦图像生成算法 | |
CN108230223A (zh) | 基于卷积神经网络的光场角度超分辨率方法及装置 | |
CN115861409B (zh) | 大豆叶面积测算方法、***、计算机设备及存储介质 | |
CN116342591B (zh) | 一种建筑物参数的视觉解析方法 | |
CN106709883A (zh) | 基于联合双边滤波和尖锐特征骨架提取的点云去噪方法 | |
CN109165658A (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN110717978B (zh) | 基于单张图像的三维头部重建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |