CN116245926A - 一种确定岩体表面粗糙度的方法及相关组件 - Google Patents
一种确定岩体表面粗糙度的方法及相关组件 Download PDFInfo
- Publication number
- CN116245926A CN116245926A CN202310173878.4A CN202310173878A CN116245926A CN 116245926 A CN116245926 A CN 116245926A CN 202310173878 A CN202310173878 A CN 202310173878A CN 116245926 A CN116245926 A CN 116245926A
- Authority
- CN
- China
- Prior art keywords
- rock mass
- value
- target rock
- point cloud
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003746 surface roughness Effects 0.000 title claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- 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
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种确定岩体表面粗糙度的方法及相关组件,涉及岩土工程领域。该方法包括基于预设的拍摄规则,对目标岩体进行拍摄,得到一组目标岩体图像;利用rectifyStereoImages函数对一组所述目标岩体图像进行校正,使得2个目标岩体图像上对应的点具有相同的坐标;对校正后的一组所述目标岩体图像执行立体匹配计算步骤,得到对应的视差图,在对所有计算的代价值进行更新,以得到视差图后创建三维点云,对所述目标岩体的感兴趣区域进行岩体提取,得到目标岩体在所述感兴趣区域表面的点云;基于所述目标岩体表面的点云,计算所述目标岩体的粗糙度系数。本申请可以快速且准确得到目标岩体的粗糙度系数。
Description
技术领域
本发明涉及岩土工程领域,尤其涉及一种确定岩体表面粗糙度的方法及相关组件。
背景技术
目前岩土工程涉及领域广泛,如边坡、隧道、采矿、水利水电等。在上述工程中,岩体的力学特性对构造物稳定性起到重要作用。评价边坡动力稳定性与地下隧道及洞室稳定性的根本出路在于定量评价岩体结构面的抗剪强度,而结构面的粗糙度是体现结构面强度的一个重要参数。
如今非接触式测量分为摄影测量法,三维激光扫描法,全站仪法,函数生成法。其中摄影测量法精度高,成本低,智能化程度高,可以对不同尺寸的岩体拍摄生成二维或三维模型提取结构面粗糙度。如公开号为CN111709924A的中国专利“一种3D岩石结构面粗糙度智能提取***及方法”中使用单个相机拍摄获取岩体结构面照片,通过深度学***面图形拉伸获得三维结构面模型。该方法获得的三维模型精度高,但步骤繁琐,需要将二维图像再转化为三维模型,不能通过相机拍照与计算机视觉算法直接得到岩体结构面的三维模型。
总而言之,现在急需一种可以精准快速地获取岩体结构面粗糙度的方法。
发明内容
本发明的目的是提供一种确定岩体表面粗糙度的方法及相关组件,旨在解决现有岩体表面粗糙度的测量方法无法准确快速计算得到的问题。
为解决上述技术问题,本发明的目的是通过以下技术方案实现的:提供一种确定岩体表面粗糙度的方法,其包括:
基于预设的拍摄规则,对目标岩体进行拍摄,得到一组目标岩体图像;
利用rectifyStereoImages函数对一组所述目标岩体图像进行校正,使得2个目标岩体图像上对应的点具有相同的坐标;
对校正后的一组所述目标岩体图像执行立体匹配计算步骤,得到对应的视差图,其中,所述立体匹配计算步骤包括:
按下式获取2个所述目标岩体图像所有像素对应的第一代价值F1:
F1(u,v,d)=Hamming(Fsl(u,v),Fsr(u-d,v))
其中,u代表像素在坐标轴中x方向上的值,v代表在像素在坐标轴中y方向上的值,d代表视差值,Fsl代表其中一个所述目标岩体图像的中心像素的变换值,Fs2代表另外一个所述目标岩体图像的中心像素的变换值,其中,按下式计算Fs:
按下式获取2个所述目标岩体图像所有像素对应的第二代价值F2:
在得到各像素的第一代价值和第二代价值后,将所述第一代价值和第二代价值相加得到总代价值F:
F(t,d)=α(F1(t,d),δ1)+α(F2(t,d),δ2)
其中,α(F,δ)代表变量F的鲁棒函数,δ,δ1,δ2均代表控制参数;
在得到各像素的总价值后,按下式对当前像素所对应的总价值进行代价聚合:
J1=Ψ1,J2=Ψ2,if L1<C,L2<C
J1=Ψ1/4,J2=Ψ2/4,if L1<C,L2>C
J1=Ψ1/4,J2=Ψ2/4,if L1>C,L2<C
J1=Ψ1/10,J2=Ψ2/10,if L1>C,L2>C
其中,Ψ1=1.0,Ψ2=3.0,C=15,L1=Lc(t,t-r),L2=Lc(td,td-r),其中,按下式获取Lc(x,y)的值:
Lc(x,y)=maxi=R,G,B|Ei(x)-Ei(y)|+σ2(x,y)
其中,t(f,g)代表像素值,G(x,y)代表邻域窗口h×h内的局部均值,σ2(x,y)为局部方差表示随机变量与其期望之间离散程度的一个量,|Ei L(t)-Ei R(td)|代表2个目标岩体图像中像素点的三个颜色分量E(t)之差的绝对值取最大值,t为像素值;
按下式对当前计算的代价值进行更新:
在对所有计算的代价值进行更新,以得到视差图后创建三维点云,其中,按下式计算三维坐标点深度Z:
其中,f为焦距,B为基线长度,d为视差值,X×Y代表目标岩体的尺寸,a×b代表相机靶面尺寸,D代表拍照距离,M×N代表相机分辨率,s代表相机精度;
对所述目标岩体的感兴趣区域进行岩体提取,得到目标岩体在所述感兴趣区域表面的点云;
基于所述目标岩体表面的点云,计算所述目标岩体的粗糙度系数。
另外,本发明要解决的技术问题是还在于提供一种确定岩体表面粗糙度的装置,其包括:
目标岩体图像获取单元,用于基于预设的拍摄规则,对目标岩体进行拍摄,得到一组目标岩体图像;
校正单元,用于利用rectifyStereoImages函数对一组所述目标岩体图像进行校正,使得2个目标岩体图像上对应的点具有相同的坐标;
视差图获取单元,用于对校正后的一组所述目标岩体图像执行立体匹配计算步骤,得到对应的视差图,其中,所述立体匹配计算步骤包括:
按下式获取2个所述目标岩体图像所有像素对应的第一代价值F1:
F1(u,v,d)=Hamming(Fsl(u,v),Fsr(u-d,v))
其中,u代表像素在坐标轴中x方向上的值,v代表在像素在坐标轴中y方向上的值,d代表视差值,Fsl代表其中一个所述目标岩体图像的中心像素的变换值,Fs2代表另外一个所述目标岩体图像的中心像素的变换值,其中,按下式计算Fs:
按下式获取2个所述目标岩体图像所有像素对应的第二代价值F2:
在得到各像素的第一代价值和第二代价值后,将所述第一代价值和第二代价值相加得到总代价值F:
F(t,d)=α(F1(t,d),δ1)+α(F2(t,d),δ2)
其中,α(F,δ)代表变量F的鲁棒函数,δ,δ1,δ2均代表控制参数;
在得到各像素的总价值后,按下式对当前像素所对应的总价值进行代价聚合:
其中,Fr(t,d)为上下左右其中一个扫描方向的代价值,F(t,d)为总价值,t-r是沿同一方向的前一个像素,mkin是在d[0,16]范围内逐一计算的总代价最小值,分别按照下式获取J1,J2的值:
J1=Ψ1,J2=Ψ2,if L1<C,L2<C
J1=Ψ1/4,J2=Ψ2/4,if L1<C,L2>C
J1=Ψ1/4,J2=Ψ2/4,if L1>C,L2<C
J1=Ψ1/10,J2=Ψ2/10,if L1>C,L2>C
其中,Ψ1=1.0,Ψ2=3.0,C=15,L1=Lc(t,t-r),L2=Lc(td,td-r),其中,按下式获取Lc(x,y)的值:
Lc(x,y)=maxi=R,G,B|Ei(x)-Ei(y)|+σ2(x,y)
其中,t(f,g)代表像素值,G(x,y)代表邻域窗口h×h内的局部均值,σ2(x,y)为局部方差表示随机变量与其期望之间离散程度的一个量,代表2个目标岩体图像中像素点的三个颜色分量E(t)之差的绝对值取最大值,t为像素值;
按下式对当前计算的代价值进行更新:
创建三维点云单元,用于在对所有像素的像素值进行更新,以得到视差图后,利用triangulatePoints函数创建三维点云,其中,按下式计算三维坐标点深度:
其中,f为焦距,B为基线长度,d为视差值,X×Y代表目标岩体的尺寸,a×b代表相机靶面尺寸,D代表拍照距离,M×N代表相机分辨率,s代表相机精度;
岩体提取单元,用于利用感兴趣区域ROI对所述目标岩体进行岩体提取,得到目标岩体表面的点云;
粗糙度系数计算单元,用于基于所述目标岩体表面的点云,计算所述目标岩体的粗糙度系数。
另外,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的确定岩体表面粗糙度的方法。
另外,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的确定岩体表面粗糙度的方法。
本发明实施例公开了一种确定岩体表面粗糙度的方法及相关组件,其中,方法包括:基于预设的拍摄规则,对目标岩体进行拍摄,得到一组目标岩体图像;利用rectifyStereoImages函数对一组所述目标岩体图像进行校正,使得2个目标岩体图像上对应的点具有相同的坐标;对校正后的一组所述目标岩体图像执行立体匹配计算步骤,得到对应的视差图,在对所有计算的代价值进行更新,以得到视差图后创建三维点云,对所述目标岩体的感兴趣区域进行岩体提取,得到目标岩体在所述感兴趣区域表面的点云;基于所述目标岩体表面的点云,计算所述目标岩体的粗糙度系数。该方法可以快速且准确得到目标岩体的粗糙度系数。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1为本发明实施例提供的确定岩体表面粗糙度的方法的流程示意图;
图2为本发明实施例提供的确定岩体表面粗糙度的方法采用的单相机双目拍摄装置的结构示意图;
图3为本发明实施例提供的确定岩体表面粗糙度的方法中优化后的视差图的示意图;
图4为本发明实施例提供的确定岩体表面粗糙度的方法中的目标岩体表面的点云的示意图;
图5为本发明实施例提供的确定岩体表面粗糙度的方法中的最小二乘法拟合平面计算粗糙度的示意图;
图6为本发明实施例提供的确定岩体表面粗糙度的装置的示意性框图;
图7为本发明实施例提供的计算机设备的示意性框图。
附图中标识说明:
1、相机;2、滑轨;3、云台;4、固定夹;5、岩体。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1为本发明实施例提供的确定岩体表面粗糙度的方法的流程示意图;
如图1所示,该方法包括步骤S101~S105。
S101、基于预设的拍摄规则,对目标岩体进行拍摄,得到一组目标岩体图像;
结合图2,在本实施例中,通过单相机1双目拍摄装置拍摄岩体5,具体的,单相机1双目拍摄装置包括数码相机1、三脚架、滑轨2、云台3和固定夹4,采用棋盘标定板对单相机1双目拍摄装置进行标定,其中,相机1的焦距为18mm,棋盘标定板的尺寸为210mm×297mm,棋盘格为10行×13列、且大小为10mm,基线长度为100mm,在安装的时候,将带有刻度的滑轨2固定在三脚架上,云台3固定在滑轨2上,相机1安装在云台3上,2个固定夹4工具不同岩体5尺寸的大小确定不同的基线长度,其中,基线长度即2个固定夹4之间的距离,本申请为了便于理解,将位于相机1左端的固定夹4的位置命名为左目,同理可知,将位于相机1右端的固定夹4的位置命名为右目,将棋盘标定板放置在相机1前,使得棋盘标定板占相机1取景器成像面积的2/3左右,相机1在左目位置对固定好的棋盘标定板拍照一次,然后滑动至右目处,以对同一位置的棋盘标定板再次拍照,这2次拍照获得的照片即为步骤S101中的1组目标岩体图像。
需要说明的是,在获取目标岩体图像之前,需要对不同角度和距离的棋盘标定板进行拍摄多次,例如拍摄60次,得到30组标定图片,利用Matlab标定工具箱对相机进行标定,并导出相机的内参数与外参数:有效焦距fx,fy,主点坐标cx,cy,畸变系数k,旋转矩阵R,平移矩阵T。该装置标定后的平均重投影误差满足以下条件0.22<0.5,则说明单相机双目拍摄装置可以正常使用。需要补充的是,拍摄组数宜为15-30组,组数太少误差会比较大,组数太多会造成累计误差。
S102、利用rectifyStereoImages函数对一组所述目标岩体图像进行校正,使得2个目标岩体图像上对应的点具有相同的坐标;
在本实施例中,根据标定获得的内参数和外参数,将目标岩体图像投影至同一张图像平面上,使得2个目标岩体图像对应的点具有相同的行坐标,即,使得2个目标岩体图像完全重叠在一起。
S103、对校正后的一组所述目标岩体图像执行立体匹配计算步骤,得到对应的视差图,其中,所述立体匹配计算步骤包括:
S10、按下式获取2个所述目标岩体图像所有像素对应的第一代价值F1:
F1(u,v,d)=Hamming(Fsl(u,v),Fsr(u-d,v))
其中,u代表像素在坐标轴中x方向上的值,v代表在像素在坐标轴中y方向上的值,d代表视差值,Fsl代表其中一个所述目标岩体图像的中心像素的变换值,Fs2代表另外一个所述目标岩体图像的中心像素的变换值;
其中,本申请的“Hamming”距离即两个比特串的对应位不相同的数量,计算方法为将两个比特串进行亦或运算,再统计亦或运算结果的比特位中不为1的个数。
需要说明的是,本申请的代价值是衡量像素之间的相似程度,当代价值的数值越大,则2个目标岩体图像对应的像素点越不相似。
其中,按下式计算Fs:
S11、按下式获取2个所述目标岩体图像所有像素对应的第二代价值F2:
S12、在得到各像素的第一代价值和第二代价值后,将所述第一代价值和第二代价值相加得到总代价值F:
F(t,d)=α(F1(t,d),δ1)+α(F2(t,d),δ2)
其中,α(F,δ)代表变量F的鲁棒函数,δ,δ1,δ2均代表控制参数;
S13、在得到各像素的总价值后,按下式对当前像素所对应的总价值进行代价聚合:
其中,Fr(t,d)为上下左右其中一个扫描方向的代价值,F(t,d)为总价值,t-r是沿同一方向的前一个像素,mkin是在d[0,16]范围内逐一计算的总代价最小值,分别按照下式获取J1,J2的值:
J1=Ψ1,J2=Ψ2,if L1<C,L2<C
J1=Ψ1/4,J2=Ψ2/4,if L1<C,L2>C
J1=Ψ1/4,J2=Ψ2/4,if L1>C,L2<C
J1=Ψ1/10,J2=Ψ2/10,if L1>C,L2>C
其中,Ψ1=1.0,Ψ2=3.0,C=15,L1=Lc(t,t-r),L2=Lc(td,td-r),其中,按下式获取Lc(x,y)的值:
Lc(x,y)=maxi=R,G,B|Ei(x)-Ei(y)|+σ2(x,y)
其中,t(f,g)代表像素值,G(x,y)代表邻域窗口h×h内的局部均值,σ2(x,y)为局部方差表示随机变量与其期望之间离散程度的一个量,代表2个目标岩体图像中像素点的三个颜色分量E(t)之差的绝对值取最大值,t为像素值;
S14、按下式对当前计算的代价值进行更新:
在本实施例中,采用十字交叉域代价聚合(Cross-Based Cost Aggregation),随后进行扫描线优化,即将像素所有视差下的匹配代价进行像素周围上下左右四个路径上的一维聚合得到路径下的路径代价值,然后将所有路径代价值相加得到该像素聚合后的匹配代价值。
同时,由于目标岩体图像中的岩体自身像素点的颜色分量差距不大,所以本申请优化的Lc(x,y)值的计算,即对进行Lc(x,y)增强,可以更好的适用于岩体表面的代价聚合。
S104、在对所有计算的代价值进行更新,以得到视差图(如图3所示)后,创建三维点云,其中,按下式计算三维坐标点深度Z:
其中,f为焦距,B为基线长度,d为视差值,X×Y代表目标岩体的尺寸,a×b代表相机靶面尺寸,D代表拍照距离,M×N代表相机分辨率,s代表相机精度;
在本实施例中,在对不同尺寸的岩体拍摄时,岩体表面可能存在凸起的部位,如果基线长度过大,则在右目处的拍摄的目标岩体图像没有与左目处拍摄的目标岩体图像对应的像素点,即,2个目标岩体图像没有能够匹配的同名点,从而会造成点云消失,进而无法计算岩体凸起部位的深度Z,同时,如果基线长度过小,在拍摄距离目标岩体很长的情况下视差值d会更小,此时如果有误差就会体现在与视察值d呈反比的深度Z上,造成深度Z的精确性下降,所以本申请的基线长度应该根据目标岩体的尺寸而进行相应调整,故本申请不对基线长度做过多限定。
S105、对所述目标岩体的感兴趣区域进行岩体提取,得到目标岩体在所述感兴趣区域表面的点云(如图5所示);
在本实施例中,所述步骤S105,包括以下步骤:
S30、获取所有点云对应的三维世界点坐标;
S31、遍历所有所述三维世界点坐标,在判断出当前所述三维世界点坐标无效后,将当前所述三维世界点坐标和对应的点云删除;
S32、基于输入的ROI范围指令,获取ROI范围内所有的三维世界点坐标,并将获得的所述三维世界点坐标所对应的点云作为目标岩体表面的点云并存储。
需要说明的是,在步骤S105中创建三维点云后,会自动生成一个点云ply格式文件,可以用Matlab软件导入点云ply格式文件,文件格式可以转换,从而得到每个点云的三维坐标(即三维世界点坐标)。
其中,在在步骤S31中,判断三维世界点坐标是否显示为NaN(即不存在值),若三维世界点坐标显示的为NaN,则说明该三维世界点坐标无效,即对应的点云无效,需要将该点云进行删除。
在步骤S32中,采用Matlab中感兴趣区域(Regions of Interest)roipoly函数进行岩体提取,在三维世界点坐标范围内指定长方体ROI,长方体ROI范围通过人工输入对应的参数(长宽高)进行限定大小。
S106、基于所述目标岩体表面的点云,计算所述目标岩体的粗糙度系数。
在本实施例中,所述步骤S106,包括以下步骤:
S40、基于所述目标岩体表面的点云,利用最小二乘法(SVD)拟合粗糙度基准平面;
S41、计算所述目标岩体表面的点云到所述粗糙度基准平面投影的点云距离;
在本实施例中,按下式计算点云距离:
其中,上述代表的就是点云中的一个点(x,y,z)与基准面(XYZ)对应,就是求点到平面的距离;
S42、按下式计算点云距离的均值,以得到算术平均粗糙度:
其中,R为算术平均粗糙度,dist(|Pm-Prjm|)为点云中某一个点到粗糙度基准平面投影点的距离绝对值,n为点云个数;
S43、按下式计算所述目标岩体的粗糙度系数:
JRC=20+26.34logZ
具体一实施例中,所述步骤S103之后,包括以下步骤:
S20、对所述视差图进行一致性检查(Left/Right Consistency Check),以剔除错误匹配的像素点;
S21、对所述视差图采用迭代局部投票(Iterative Region Voting),剔除离群的像素点,以达到降低算法的视差错误率;
S22、对所述视差图进行视察非连续区域调整(Depth DiscontinuityAdjustment),以减少视差非连续区域的视差错误;
S23、对所述视差图进行子像素拟合(Subpixel),以将像素精度提高到子像素精度,得到优化后的视差图(如图4所示)。
本申请采用双目摄影手段,相较于传统接触式测量,不需要与岩体接触就可以获得岩体粗糙度信息,大大减少了测量时间,可以满足在危险地区条件下的岩体特征提取,降低测量人员的安全风险;同时装置简单易操作,在现场布设不会过多干扰正常施工进度,大大提升施工效率,提升了岩体结构面识别智能化程度。
本申请根据一组目标岩体照片直接建立岩体三维点云模型,相较经典的SGM算法精度更高,一定程度上缓解重复纹理的歧义性问题,如较破碎的岩体或层状节理等;同样可以填充点云缺失区域,如具有较深的裂隙或大面积平整块石的岩体。
本申请用算术平均粗糙度R计算表面粗糙度系数JRC。相较传统的根据测线法二维转三维计算粗糙度系数,步骤简单,计算耗时大大减少,精确度高;并且可以计算指定区域的粗糙度或者整体宏观的粗糙度,不需要主观选取与巴顿法比较,量化公式简单可直接应用于工程实践。
本发明实施例还提供一种确定岩体表面粗糙度的装置,该确定岩体表面粗糙度的装置用于执行前述确定岩体表面粗糙度的方法的任一实施例。具体地,请参阅图6,图6是本发明实施例提供的确定岩体表面粗糙度的装置的示意性框图。
如图6所示,确定岩体表面粗糙度的装置500,包括:
目标岩体图像获取单元501,用于基于预设的拍摄规则,对目标岩体进行拍摄,得到一组目标岩体图像;
校正单元502,用于利用rectifyStereoImages函数对一组所述目标岩体图像进行校正,使得2个目标岩体图像上对应的点具有相同的坐标;
视差图获取单元503,用于对校正后的一组所述目标岩体图像执行立体匹配计算步骤,得到对应的视差图,其中,所述立体匹配计算步骤包括:
按下式获取2个所述目标岩体图像所有像素对应的第一代价值F1:
F1(u,v,d)=Hamming(Fsl(u,v),Fsr(u-d,v))
其中,u代表像素在坐标轴中x方向上的值,v代表在像素在坐标轴中y方向上的值,d代表视差值,Fsl代表其中一个所述目标岩体图像的中心像素的变换值,Fs2代表另外一个所述目标岩体图像的中心像素的变换值,其中,按下式计算Fs:
按下式获取2个所述目标岩体图像所有像素对应的第二代价值F2:
在得到各像素的第一代价值和第二代价值后,将所述第一代价值和第二代价值相加得到总代价值F:
F(t,d)=α(F1(t,d),δ1)+α(F2(t,d),δ2)
其中,α(F,δ)代表变量F的鲁棒函数,δ,δ1,δ2均代表控制参数;
在得到各像素的总价值后,按下式对当前像素所对应的总价值进行代价聚合:
J1=Ψ1,J2=Ψ2,if L1<C,L2<C
J1=Ψ1/4,J2=Ψ2/4,if L1<C,L2>C
J1=Ψ1/4,J2=Ψ2/4,if L1>C,L2<C
J1=Ψ1/10,J2=Ψ2/10,if L1>C,L2>C
其中,Ψ1=1.0,Ψ2=3.0,C=15,L1=Lc(t,t-r),L2=Lc(td,td-r),其中,按下式获取Lc(x,y)的值:
Lc(x,y)=maxi=R,G,B|Ei(x)-Ei(y)|+σ2(x,y)
其中,t(f,g)代表像素值,G(x,y)代表邻域窗口h×h内的局部均值,σ2(x,y)为局部方差表示随机变量与其期望之间离散程度的一个量,代表2个目标岩体图像中像素点的三个颜色分量E(t)之差的绝对值取最大值,t为像素值;
按下式对当前计算的代价值进行更新:
创建三维点云单元504,用于在对所有像素的像素值进行更新,以得到视差图后,利用triangulatePoints函数创建三维点云,其中,按下式计算三维坐标点深度:
其中,f为焦距,B为基线长度,d为视差值,X×Y代表目标岩体的尺寸,a×b代表相机靶面尺寸,D代表拍照距离,M×N代表相机分辨率,s代表相机精度;
岩体提取单元505,用于利用感兴趣区域ROI对所述目标岩体进行岩体提取,得到目标岩体表面的点云;
粗糙度系数计算单元506,用于基于所述目标岩体表面的点云,计算所述目标岩体的粗糙度系数。
具体一实施例中,确定岩体表面粗糙度的装置,还包括以下单元:
一致性检查单元,用于对所述视差图进行一致性检查,以剔除错误匹配的像素点;
迭代局部投票单元,用于对所述视差图采用迭代局部投票,剔除离群的像素点;
视察非连续区域调整单元,用于对所述视差图进行视察非连续区域调整;
子像素拟合单元,用于对所述视差图进行子像素拟合,得到优化后的视差图。
具体一实施例中,所述岩体提取单元,包括以下单元:
三维世界点坐标获取单元,用于获取所有点云对应的三维世界点坐标;
点云删除单元,用于遍历所有所述三维世界点坐标,在判断出当前所述三维世界点坐标无效后,将当前所述三维世界点坐标和对应的点云删除;
目标岩体表面的点云获取单元,用于基于预设的ROI范围,获取ROI范围内所有的三维世界点坐标,并将获得的所述三维世界点坐标所对应的点云作为目标岩体表面的点云。
具体一实施例中,所述粗糙度系数计算单元,包括以下单元:
粗糙度基准平面获取单元,用于基于所述目标岩体表面的点云,利用最小二乘法拟合粗糙度基准平面;
点云距离计算单元,用于计算所述目标岩体表面的点云到所述粗糙度基准平面投影的点云距离;
算术平均粗糙度计算单元,用于按下式计算点云距离的均值得到算术平均粗糙度:
其中,R为算术平均粗糙度,dist(|Pm-Prjm|)为点云中某一个点到基准平面投影点的距离绝对值,n为点云个数;
粗糙度系数计算子单元,用于按下式计算所述目标岩体的粗糙度系数:
JRC=20+26.34logZ
该装置采用双目摄影手段,相较于传统接触式测量,不需要与岩体接触就可以获得岩体粗糙度信息,大大减少了测量时间,可以满足在危险地区条件下的岩体特征提取,降低测量人员的安全风险;同时装置简单易操作,在现场布设不会过多干扰正常施工进度,大大提升施工效率,提升了岩体结构面识别智能化程度。
该装置根据一组目标岩体照片直接建立岩体三维点云模型,相较经典的SGM算法精度更高,一定程度上缓解重复纹理的歧义性问题,如较破碎的岩体或层状节理等;同样可以填充点云缺失区域,如具有较深的裂隙或大面积平整块石的岩体。
该装置用算术平均粗糙度R计算表面粗糙度系数JRC。相较传统的根据测线法二维转三维计算粗糙度系数,步骤简单,计算耗时大大减少,精确度高;并且可以计算指定区域的粗糙度或者整体宏观的粗糙度,不需要主观选取与巴顿法比较,量化公式简单可直接应用于工程实践。
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,上述描述的装置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。
上述确定岩体表面粗糙度的装置可以实现为计算机程序的形式,该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7,图7是本发明实施例提供的计算机设备的示意性框图。该计算机设备1100是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图7,该计算机设备1100包括通过***总线1101连接的处理器1102、存储器和网络接口1105,其中,存储器可以包括非易失性存储介质1103和内存储器1104。
该非易失性存储介质1103可存储操作***11031和计算机程序11032。该计算机程序11032被执行时,可使得处理器1102执行确定岩体表面粗糙度的方法。
该处理器1102用于提供计算和控制能力,支撑整个计算机设备1100的运行。
该内存储器1104为非易失性存储介质1103中的计算机程序11032的运行提供环境,该计算机程序11032被处理器1102执行时,可使得处理器1102执行确定岩体表面粗糙度的方法。
该网络接口1105用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图7中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备1100的限定,具体的计算机设备1100可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域技术人员可以理解,图7中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图7所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器1102可以是中央处理单元(CentralProcessing Unit,CPU),该处理器1102还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例的确定岩体表面粗糙度的方法。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
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,上述描述的设备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。
以上所述,仅为本发明的具体实施方式,但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。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种确定岩体表面粗糙度的方法,其特征在于,包括:
基于预设的拍摄规则,对目标岩体进行拍摄,得到一组目标岩体图像;
利用rectifyStereoImages函数对一组所述目标岩体图像进行校正,使得2个目标岩体图像上对应的点具有相同的坐标;
对校正后的一组所述目标岩体图像执行立体匹配计算步骤,得到对应的视差图,其中,所述立体匹配计算步骤包括:
按下式获取2个所述目标岩体图像所有像素对应的第一代价值F1:
F1(u,v,d)=Hamming(Fsl(u,v),Fsr(u-d,v))
其中,u代表像素在坐标轴中x方向上的值,v代表在像素在坐标轴中y方向上的值,d代表视差值,Fsl代表其中一个所述目标岩体图像的中心像素的变换值,Fs2代表另外一个所述目标岩体图像的中心像素的变换值,其中,按下式计算Fs:
按下式获取2个所述目标岩体图像所有像素对应的第二代价值F2:
在得到各像素的第一代价值和第二代价值后,将所述第一代价值和第二代价值相加得到总代价值F:
F(t,d)=α(Ft(t,d),δ1)+α(F2(t,d),δ2)
其中,α(F,δ)代表变量F的鲁棒函数,δ,δ1,δ2均代表控制参数;
在得到各像素的总价值后,按下式对当前像素所对应的总价值进行代价聚合:
J1=Ψ1,J2=Ψ2,if L1<C,L2<C
J1=Ψ1/4,J2=Ψ2/4,if L1<C,L2>C
J1=Ψ1/4,J2=Ψ2/4,if L1>C,L2<C
J1=Ψ1/10,J2=Ψ2/10,if L1>C,L2>C
其中,Ψ1=1.0,Ψ2=3.0,C=15,L1=Lc(t,t-r),L2=Lc(td,td-r),其中,按下式获取Lc(x,y)的值:
Lc(x,y)=maxi=R,G,B|Ei(x)-Ei(y)|+σ2(x,y)
其中,t(f,g)代表像素值,G(x,y)代表邻域窗口h×h内的局部均值,σ2(x,y)为局部方差表示随机变量与其期望之间离散程度的一个量,代表2个目标岩体图像中像素点的三个颜色分量E(t)之差的绝对值取最大值,t为像素值;
按下式对当前计算的代价值进行更新:
在对所有计算的代价值进行更新,以得到视差图后创建三维点云,其中,按下式计算三维坐标点深度Z:
其中,f为焦距,B为基线长度,d为视差值,X×Y代表目标岩体的尺寸,a×b代表相机靶面尺寸,D代表拍照距离,M×N代表相机分辨率,s代表相机精度;
对所述目标岩体的感兴趣区域进行岩体提取,得到目标岩体在所述感兴趣区域表面的点云;
基于所述目标岩体表面的点云,计算所述目标岩体的粗糙度系数。
2.根据权利要求1所述的确定岩体表面粗糙度的方法,其特征在于,所述对校正后的一组所述目标岩体图像执行立体匹配计算步骤,得到对应的视差图之后,包括:
对所述视差图进行一致性检查,以剔除错误匹配的像素点;
对所述视差图采用迭代局部投票,剔除离群的像素点;
对所述视差图进行视察非连续区域调整;
对所述视差图进行子像素拟合,得到优化后的视差图。
3.根据权利要求1所述的确定岩体表面粗糙度的方法,其特征在于,所述对所述目标岩体的感兴趣区域进行岩体提取,得到目标岩体在所述感兴趣区域表面的点云,包括:
获取所有点云对应的三维世界点坐标;
遍历所有所述三维世界点坐标,在判断出当前所述三维世界点坐标无效后,将当前所述三维世界点坐标和对应的点云删除;
基于输入的ROI范围指令,获取ROI范围内所有的三维世界点坐标,并将获得的所述三维世界点坐标所对应的点云作为目标岩体表面的点云并存储。
5.一种确定岩体表面粗糙度的装置,其特征在于,包括:
目标岩体图像获取单元,用于基于预设的拍摄规则,对目标岩体进行拍摄,得到一组目标岩体图像;
校正单元,用于利用rectifyStereoImages函数对一组所述目标岩体图像进行校正,使得2个目标岩体图像上对应的点具有相同的坐标;
视差图获取单元,用于对校正后的一组所述目标岩体图像执行立体匹配计算步骤,得到对应的视差图,其中,所述立体匹配计算步骤包括:
按下式获取2个所述目标岩体图像所有像素对应的第一代价值F1:
F1(u,v,d)=Hamming(Fsl(u,v),Fsr(u-d,v))
其中,u代表像素在坐标轴中x方向上的值,v代表在像素在坐标轴中y方向上的值,d代表视差值,Fsl代表其中一个所述目标岩体图像的中心像素的变换值,Fs2代表另外一个所述目标岩体图像的中心像素的变换值,其中,按下式计算Fs:
按下式获取2个所述目标岩体图像所有像素对应的第二代价值F2:
在得到各像素的第一代价值和第二代价值后,将所述第一代价值和第二代价值相加得到总代价值F:
F(t,d)=α(Ft(t,d),δi)+α(F2(t,d),δ2)
其中,α(F,δ)代表变量F的鲁棒函数,δ,δ1,δ2均代表控制参数;
在得到各像素的总价值后,按下式对当前像素所对应的总价值进行代价聚合:
J1=Ψ1,/2=Ψ2,ifL1<CL2<C
J1=Ψ1/4,J2=Ψ2/4,if L1<C,L2>C
J1=Ψ1/4,J2=Ψ2/4,if L1>C,L2<C
J1=Ψ1/10,J2=Ψ2/10,if L1>C,L2>C
其中,Ψ1=1.0,Ψ2=3.0,C=15,L1=Lc(t,t-r),L2=Lc(td,td-r),其中,按下式获取Lc(x,y)的值:
Lc(x,y)=maxi=R,G,B|Ei(x)-Ei(y)|+σ2(x,y)
其中,t(f,g)代表像素值,G(x,y)代表邻域窗口h×h内的局部均值,σ2(x,y)为局部方差表示随机变量与其期望之间离散程度的一个量,代表2个目标岩体图像中像素点的三个颜色分量E(t)之差的绝对值取最大值,t为像素值;
按下式对当前计算的代价值进行更新:
创建三维点云单元,用于在对所有像素的像素值进行更新,以得到视差图后,利用triangulatePoints函数创建三维点云,其中,按下式计算三维坐标点深度:
其中,f为焦距,B为基线长度,d为视差值,X×Y代表目标岩体的尺寸,a×b代表相机靶面尺寸,D代表拍照距离,M×N代表相机分辨率,s代表相机精度;
岩体提取单元,用于利用感兴趣区域ROI对所述目标岩体进行岩体提取,得到目标岩体表面的点云;
粗糙度系数计算单元,用于基于所述目标岩体表面的点云,计算所述目标岩体的粗糙度系数。
6.根据权利要求5所述的确定岩体表面粗糙度的装置,其特征在于,还包括:
一致性检查单元,用于对所述视差图进行一致性检查,以剔除错误匹配的像素点;
迭代局部投票单元,用于对所述视差图采用迭代局部投票,剔除离群的像素点;
视察非连续区域调整单元,用于对所述视差图进行视察非连续区域调整;
子像素拟合单元,用于对所述视差图进行子像素拟合,得到优化后的视差图。
7.根据权利要求5所述的确定岩体表面粗糙度的装置,其特征在于,所述岩体提取单元,包括:
三维世界点坐标获取单元,用于获取所有点云对应的三维世界点坐标;
点云删除单元,用于遍历所有所述三维世界点坐标,在判断出当前所述三维世界点坐标无效后,将当前所述三维世界点坐标和对应的点云删除;
目标岩体表面的点云获取单元,用于基于预设的ROI范围,获取ROI范围内所有的三维世界点坐标,并将获得的所述三维世界点坐标所对应的点云作为目标岩体表面的点云。
8.根据权利要求5所述的确定岩体表面粗糙度的装置,其特征在于,所述粗糙度系数计算单元,包括:
粗糙度基准平面获取单元,用于基于所述目标岩体表面的点云,利用最小二乘法拟合粗糙度基准平面;
点云距离计算单元,用于计算所述目标岩体表面的点云到所述粗糙度基准平面投影的点云距离;
算术平均粗糙度计算单元,用于按下式计算点云距离的均值得到算术平均粗糙度:
其中,R为算术平均粗糙度,dist(|Pm-Prjm|)为点云中某一个点到基准平面投影点的距离绝对值,n为点云个数;
粗糙度系数计算子单元,用于按下式计算所述目标岩体的粗糙度系数:
JRC=20+26.34logZ
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的确定岩体表面粗糙度的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至4任一项所述的确定岩体表面粗糙度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173878.4A CN116245926A (zh) | 2023-02-28 | 2023-02-28 | 一种确定岩体表面粗糙度的方法及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173878.4A CN116245926A (zh) | 2023-02-28 | 2023-02-28 | 一种确定岩体表面粗糙度的方法及相关组件 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116245926A true CN116245926A (zh) | 2023-06-09 |
Family
ID=86627493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310173878.4A Pending CN116245926A (zh) | 2023-02-28 | 2023-02-28 | 一种确定岩体表面粗糙度的方法及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245926A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630899A (zh) * | 2023-07-21 | 2023-08-22 | 四川公路工程咨询监理有限公司 | 一种高速公路边坡病害监测预警*** |
-
2023
- 2023-02-28 CN CN202310173878.4A patent/CN116245926A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630899A (zh) * | 2023-07-21 | 2023-08-22 | 四川公路工程咨询监理有限公司 | 一种高速公路边坡病害监测预警*** |
CN116630899B (zh) * | 2023-07-21 | 2023-10-20 | 四川公路工程咨询监理有限公司 | 一种高速公路边坡病害监测预警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khoshelham | Accuracy analysis of kinect depth data | |
KR102085228B1 (ko) | 깊이 센서의 깊이 보정을 위한 이미지 처리방법 및 그 장치 | |
Xu et al. | A simple calibration method for structured light-based 3D profile measurement | |
US8571303B2 (en) | Stereo matching processing system, stereo matching processing method and recording medium | |
KR20140027468A (ko) | 깊이 측정치 품질 향상 | |
KR20140053870A (ko) | 3d 거리 | |
GB2554796A (en) | Testing 3D imaging systems | |
US11898875B2 (en) | Method and apparatus for single camera optical measurements | |
WO2011145285A1 (ja) | 画像処理装置、画像処理方法およびプログラム | |
WO2023046211A1 (zh) | 摄影测量方法、装置、设备及存储介质 | |
WO2020119467A1 (zh) | 高精度稠密深度图像的生成方法和装置 | |
CN108182722B (zh) | 一种三维物体边缘优化的真正射影像生成方法 | |
KR101589167B1 (ko) | 깊이 정보를 이용한 원근 왜곡 영상의 보정 시스템 및 방법 | |
CN107610183A (zh) | 新型条纹投影相位高度转换映射模型及其标定方法 | |
US20190360220A1 (en) | Reinforcing bar placement angle specifying method, reinforcing bar placement angle specifying system, and recording medium that records reinforcing bar placement angle specifying program | |
CN111780678A (zh) | 一种轨道板预埋套管直径的测量方法 | |
CN102012213B (zh) | 单副图像测量前景高度的新方法 | |
CN116245926A (zh) | 一种确定岩体表面粗糙度的方法及相关组件 | |
CN107367245B (zh) | 光学三维轮廓测量中的无效点探测与剔除方法 | |
CN111105467A (zh) | 一种图像标定方法、装置及电子设备 | |
Zhu et al. | Triangulation of well-defined points as a constraint for reliable image matching | |
JP7183058B2 (ja) | 三次元計測装置および三次元計測プログラム | |
Kochi et al. | Development of 3D image measurement system and stereo‐matching method, and its archaeological measurement | |
CN114897959A (zh) | 基于光场多视角约束的相位展开方法及相关组件 | |
JPH10318732A (ja) | 形状測定装置及び形状測定用画像形成装置 |
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 |