CN116844142B - 一种桥梁基础冲刷的识别和评估方法 - Google Patents

Abstract

本发明公开了一种桥梁基础冲刷的识别和评估方法，包括以下步骤：采集多波束三维图像和地质雷达二维图像，对其进行预处理，得到预处理后的多波束三维图像和地质雷达二维图像；对预处理后的多波束三维图像和地质雷达二维图像进行局部特征提取，得到图像中的局部特征；对图像中的局部特征进行匹配，剔除匹配不佳以及异常值的特征，并完成几何验证，得到匹配后的局部特征；对匹配后的局部特征进行融合，得到融合后的新图像；对融合后的新图像进行分析和评估，确定桥梁基础是否存在冲刷现象，若存在冲刷现象则评估其冲刷程度，完成桥梁基础冲刷识别和评估，本方法解决了现有桥梁基础冲刷检测方法精度和准确性不高的问题。

Description

一种桥梁基础冲刷的识别和评估方法

技术领域

本发明涉及桥梁安全监测技术领域，特别是涉及一种桥梁基础冲刷的识别和评估方法。

背景技术

桥梁基础冲刷是桥梁使用过程中常见的问题之一，如果不能及时发现和处理，将会给桥梁的使用带来极大的风险和危害。

常用的桥梁基础冲刷检测方法包括：1、探杆探测：测试较快，费用较低，但无法准确给出河床断面和河床下方岩层特性。2、潜水探测：测试较快，但需要潜水相关经验，安全要求高。3、声呐检测：能连续测量，但需要天线浸入水中，检测设备相对昂贵，检测数据可能被测试环境噪音所影响，而且不能测试河床下方岩层特性。4、地震波反射检测：能连续且准确记录河床断面，同时给出河床下方岩层特性，但需要天线浸入水中，检测设备相对昂贵，检测数据可能被环境噪音所影响。5、地质雷达检测：具有精度高、影像直观、速度快、野外工作灵活等优点，能连续且准确记录河床断面，同时给出河床下方岩层特性，但检测设备相对昂贵，检测数据可能被噪音所影响，而且不能使用于盐水中。因此，需要进一步研究和改进桥梁基础冲刷检测方法，以更准确、可靠、高效地评价桥梁基础冲刷。

发明内容

针对现有技术中的上述不足，本发明提供的一种桥梁基础冲刷的识别和评估方法解决了现有桥梁基础冲刷检测方法精度和准确性不高的问题。

为了达到上述发明目的，本发明采用的技术方案为：提供一种桥梁基础冲刷的识别和评估方法，包括以下步骤：

S1、采集多波束三维图像和地质雷达二维图像，对其分别进行预处理，得到预处理后的三维图像和二维图像；

S2、对预处理后的多波束三维图像和地质雷达二维图像分别进行局部特征提取，得到三维图像和二维图像中的局部特征；

S3、对三维图像和二维图像中的局部特征进行匹配，剔除匹配不佳以及异常值的特征，并完成几何验证，得到匹配后的局部特征；

S4、对匹配后的局部特征进行融合，得到融合后的新图像；

S5、对融合后的新图像进行分析和评估，当识别到融合后的新图像中的桥梁基础存在冲刷现象时，评估其冲刷程度，完成桥梁基础冲刷识别和评估。

进一步地：所述步骤S1包括以下分步骤：

S11、对多波束三维图像和地质雷达二维图像进行去噪，得到去噪后的三维图像和二维图像；

S12、采用中值滤波去除去噪后的三维图像和二维图像中的椒盐噪声，得到中值滤波后的三维图像和二维图像；

S13、对中值滤波后的三维图像和二维图像进行校正，得到校正后的三维图像和二维图像；

S14、对校正后的三维图像和二维图像进行配准，使其在空间上对齐，得到配准后的三维图像和二维图像；

S15、对配准后的三维图像和二维图像的质量进行检测，达到质量标准则得到预处理后的三维图像和二维图像。

进一步地：所述步骤S15中质量检测包括图像异常值检测和图像缺失数据检测。

进一步地：所述步骤S2包括以下分步骤：

S21、使用高斯差分算子和高斯模糊函数检测预处理后的三维图像和二维图像中的关键点，并计算每个关键点的局部特征描述符；

S22、采用距离测度来计算预处理后的三维图像和二维图像中的局部特征描述符的匹配度，得到三维图像和二维图像中的局部特征。

进一步地：所述步骤S3包括以下分步骤：

S31、采用欧氏距离作为匹配方法，对图像中的局部特征进行匹配，得到初步匹配的局部特征，其公式如下：

其中，为预处理后的三维图像中第i个关键点的局部特征描述符，/>为预处理后的二维图像中第j个关键点的局部特征描述符，m为特征描述符的维度，dist(.)为欧式距离函数，k为匹配的个数，/>和/>分别为三维图像中第i个关键点的局部特征描述符的第k个元素和二维图像中第j个关键点的局部特征描述符的第k个元素；

S32、采用RANSAC算法对初步匹配的局部特征进行离群值剔除，得到剔除离群值的局部特征；

S33、使用R-Hough变换对剔除离群值的局部特征进行几何验证，完成局部特征的匹配，得到匹配后的局部特征。

进一步地：所述步骤S4采用基于加权平均法的融合方法，根据匹配后的局部特征中不同特征的重要性或可信度，赋予不同特征不同的权值，获得融合后的新图像，基于加权平均法的融合方法的数学表达式为：

其中，为融合后的图像像素值，/>为第b幅图像在/>处的像素值，为第b幅图像在/>处的权值，b为计数标识，n为待融合的图像数。

进一步地：所述步骤S5通过比较融合后的新图像中的不同区域的像素值，确定是否存在冲刷现象；

若某个区域的像素值与周围区域的像素值的差值高于预设值，则该区域存在冲刷现象，并对评估该冲刷的程度；

若某个区域的像素值与周围区域的像素值的差值不高于预设值，则该区域不存在冲刷现象。

进一步地：评估桥梁冲刷程度的方法包括以下步骤：

S51、计算融合后的新图像中冲刷区域的像素平均值，与正常区域的像素平均值进行比较，评估冲刷的严重程度；

S52、采用阈值法对融合后的新图像进行二值化处理，将融合后的新图像中的冲刷区域分割出来，确定冲刷的范围；

S53、将冲刷的严重程度和冲刷的范围作为冲刷程度，完成对冲刷程度的评估。

本发明的有益效果为：

附图说明

图1为本发明所述的桥梁基础冲刷的识别和评估方法的流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，在本发明的一个实施例中，提供一种桥梁基础冲刷的识别和评估方法，包括以下步骤：

S1、采集多波束三维图像和地质雷达二维图像，对其分别进行预处理，得到预处理后的三维图像和二维图像；

S2、对预处理后的多波束三维图像和地质雷达二维图像分别进行局部特征提取，得到三维图像和二维图像中的局部特征；

S3、对三维图像和二维图像中的局部特征进行匹配，剔除匹配不佳以及异常值的特征，并完成几何验证，得到匹配后的局部特征；

S4、对匹配后的局部特征进行融合，得到融合后的新图像；

S5、对融合后的新图像进行分析和评估，当识别到融合后的新图像中的桥梁基础存在冲刷现象时，评估其冲刷程度，完成桥梁基础冲刷识别和评估。

在本实施例中，所述步骤S1包括以下分步骤：

S11、对多波束三维图像和地质雷达二维图像进行去噪，得到去噪后的三维图像和二维图像；

去噪公式：

其中，表示去噪后的图像像素值，/>表示原始图像像素值，/>表示噪声；

S12、采用中值滤波去除去噪后的三维图像和二维图像中的椒盐噪声，得到中值滤波后的三维图像和二维图像；

中值滤波公式：

其中，表示中值滤波后的图像像素值，f(x-k:x+k,y-k:y+k)表示以(x,y)为中心的k×k的邻域像素值，median(.)表示对邻域像素值进行排序后取中间值；

S13、对中值滤波后的三维图像和二维图像进行校正，得到校正后的三维图像和二维图像；

校正公式：

其中，I_corrected表示校正后的图像像素值，dark和white分别表示黑色和白色参考标准，max和min分别表示校正后的像素值范围的最大值和最小值；

S14、对校正后的三维图像和二维图像进行配准，使其在空间上对齐，得到配准后的三维图像和二维图像；

配准公式：

其中，T(x,y)表示配准后的图像像素值，M表示旋转和缩放矩阵，T ₀表示平移矩阵；

S15、对配准后的三维图像和二维图像的质量进行检测，达到质量标准则得到预处理后的三维图像和二维图像；

所述步骤S15中质量检测包括图像异常值检测和图像缺失数据检测，

对图像的异常值检测采用离群点检测算法，其公式如下：

Z-score=(g-μ)/σ

其中，g是像素的灰度值，μ和σ分别是图像中所有像素的平均值和标准差；如果像素的Z-score大于某个阈值，就认为它是异常值；

在地质雷达二维图像中，还可以采用类似的方法来检测异常值，例如，计算每个像素周围像素值的方差，如果某个像素周围像素值的方差很大，就认为它是异常值；

在多波束三维图像中，缺失数据通常是指水深值未被记录的区域。在本实施例中，采用插值方法来填补缺失数据，例如双线性插值、三次样条插值等；在插值之前，需要先检测缺失数据的位置，常用的方法包括查找像素值为0的像素、查找像素值为NaN的像素；

其中，NaN表示缺失数据，即不可用的值。

在地质雷达二维图像中，缺失数据通常是指信号强度过低或过高而无法获取有效数据的区域，可以采用类似的方法来检测缺失数据的位置，例如查找像素值为0或超出合理范围的像素。

在本实施例中，所述步骤S2包括以下分步骤：

S21、使用高斯差分算子和高斯模糊函数检测预处理后的三维图像和二维图像中的关键点，并计算每个关键点的局部特征描述符；

S22、采用距离测度来计算预处理后的三维图像和二维图像中的局部特征描述符的匹配度，得到三维图像和二维图像中的局部特征。

在本实施例中，所述步骤S3包括以下分步骤：

S31、采用欧氏距离作为匹配方法，对图像中的局部特征进行匹配，得到初步匹配的局部特征，其公式如下：

其中，为预处理后的三维图像中第i个关键点的局部特征描述符，/>为预处理后的二维图像中第j个关键点的局部特征描述符，m为特征描述符的维度，dist(.)为欧式距离函数，k为匹配的个数，/>和/>分别为三维图像中第i个关键点的局部特征描述符的第k个元素和二维图像中第j个关键点的局部特征描述符的第k个元素；

S32、采用RANSAC算法对初步匹配的局部特征进行离群值剔除，得到剔除离群值的局部特征；

具体RANSAC算法步骤如下：

S3201、随机选择一组样本点，用这些点来拟合模型；

S3202、对于剩下的所有点，计算其到模型的距离，将距离小于阈值的点称为内点；

S3203、如果内点的数量大于一定比例的总点数，说明当前模型比较可靠，可以用所有的内点重新拟合一个更好的模型；

重复执行步骤S3201-S3203，直到达到预设的迭代次数，并将所有的内点都用来拟合最终的模型；

S33、使用R-Hough变换对剔除离群值的局部特征进行几何验证，完成局部特征的匹配，得到匹配后的局部特征；

在匹配两幅图像中的关键点时，需要确定这些关键点之间是否符合一定的几何关系。为了实现几何验证，可以采用R-Hough变换，即利用累加器来记录两幅图像中的关键点之间的几何关系；具体来说，对于每个关键点，我们都可以计算出它与其他关键点之间的一些几何关系，例如距离、角度、旋转等。然后，我们可以将这些几何关系转化为累加器中的一个点，并在R-Hough变换中，每个直线在参数空间中对应一个点，因此我们可以将这些几何关系转化为在参数空间中的一个点。累加器就是一个记录这些点的数据结构，可以用来找到最常出现的直线参数值，即对应于最强的峰值的点。

具体的实现过程中，可以通过以下公式来将直线转化为在参数空间中的一个点：

其中，和/>分别为直线的距离和角度，x和y分别表示直线上的一个点的坐标，在本实施例中，我们设定一组离散的/>和/>值，将每个点转化为最近的参数空间中的离散点，然后在累加器中将对应点的计数值加一。

在本实施例中，所述步骤S4采用基于加权平均法的融合方法，根据匹配后的局部特征中不同特征的重要性或可信度，赋予不同特征不同的权值，获得融合后的新图像，基于加权平均法的融合方法的数学表达式为：

其中，为融合后的图像像素值，/>为第b幅图像在/>处的像素值，为第b幅图像在/>处的权值，b为计数标识，n为待融合的图像数。

在本实施例中，所述步骤S5通过比较融合后的新图像中的不同区域的像素值，确定是否存在冲刷现象；

若某个区域的像素值与周围区域的像素值的差值高于预设值，则该区域存在冲刷现象，并对评估该冲刷的程度；

若某个区域的像素值与周围区域的像素值的差值不高于预设值，则该区域不存在冲刷现象；

评估桥梁冲刷程度的方法包括以下步骤：

S51、计算融合后的新图像中冲刷区域的像素平均值，与正常区域的像素平均值进行比较，评估冲刷的严重程度；

S52、采用阈值法对融合后的新图像进行二值化处理，将融合后的新图像中的冲刷区域分割出来，确定冲刷的范围；

阈值法公式为：

其中，H为阈值，sigma为图像的标准差，d为图像的平均值，a为一个可调参数，根据实际情况进行调整。

S53、将冲刷的严重程度和冲刷的范围作为冲刷程度，完成对冲刷程度的评估。

计算冲刷区域的像素平均值m ₁和周围正常区域的像素平均值m ₂，根据两者的差值来评估冲刷程度的严重程度，差值越大表示冲刷程度越严重，

差值公式为：

其中，delta为冲刷区域的像素平均值与周围正常区域的像素平均值点差值，m ₁为冲刷区域的像素平均值，m ₂为周围正常区域的像素平均值。

在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。

Claims (6)

1.一种桥梁基础冲刷的识别和评估方法，其特征在于，包括以下步骤：

S1、采集多波束三维图像和地质雷达二维图像，对其分别进行预处理，得到预处理后的三维图像和二维图像；

S2、对预处理后的多波束三维图像和地质雷达二维图像分别进行局部特征提取，得到三维图像和二维图像中的局部特征；

S3、对三维图像和二维图像中的局部特征进行匹配，剔除匹配不佳以及异常值的特征，并完成几何验证，得到匹配后的局部特征；

S4、对匹配后的局部特征进行融合，得到融合后的新图像；

S5、对融合后的新图像进行分析和评估，当识别到融合后的新图像中的桥梁基础存在冲刷现象时，评估其冲刷程度，完成桥梁基础冲刷识别和评估；

所述步骤S5通过比较融合后的新图像中的不同区域的像素值，确定是否存在冲刷现象；

若某个区域的像素值与周围区域的像素值的差值高于预设值，则该区域存在冲刷现象，并对评估该冲刷的程度；

若某个区域的像素值与周围区域的像素值的差值不高于预设值，则该区域不存在冲刷现象；

评估桥梁冲刷程度的方法包括以下步骤：

S51、计算融合后的新图像中冲刷区域的像素平均值，与正常区域的像素平均值进行比较，评估冲刷的严重程度；

S52、采用阈值法对融合后的新图像进行二值化处理，将融合后的新图像中的冲刷区域分割出来，确定冲刷的范围；

S53、将冲刷的严重程度和冲刷的范围作为冲刷程度，完成对冲刷程度的评估。

2.根据权利要求1所述的桥梁基础冲刷的识别和评估方法，其特征在于，所述步骤S1包括以下分步骤：

S11、对多波束三维图像和地质雷达二维图像进行去噪，得到去噪后的三维图像和二维图像；

S12、采用中值滤波去除去噪后的三维图像和二维图像中的椒盐噪声，得到中值滤波后的三维图像和二维图像；

S13、对中值滤波后的三维图像和二维图像进行校正，得到校正后的三维图像和二维图像；

S14、对校正后的三维图像和二维图像进行配准，使其在空间上对齐，得到配准后的三维图像和二维图像；

S15、对配准后的三维图像和二维图像的质量进行检测，达到质量标准则得到预处理后的三维图像和二维图像。

3.根据权利要求2所述的桥梁基础冲刷的识别和评估方法，其特征在于，所述步骤S15中质量检测包括图像异常值检测和图像缺失数据检测。

4.根据权利要求1所述的桥梁基础冲刷的识别和评估方法，其特征在于，所述步骤S2包括以下分步骤：

S21、使用高斯差分算子和高斯模糊函数检测预处理后的三维图像和二维图像中的关键点，并计算每个关键点的局部特征描述符；

S22、采用距离测度来计算预处理后的三维图像和二维图像中的局部特征描述符的匹配度，得到三维图像和二维图像中的局部特征。

5.根据权利要求1所述的桥梁基础冲刷的识别和评估方法，其特征在于，所述步骤S3包括以下分步骤：

S31、采用欧氏距离作为匹配方法，对图像中的局部特征进行匹配，得到初步匹配的局部特征，其公式如下：

其中，为预处理后的三维图像中第i个关键点的局部特征描述符，/>为预处理后的二维图像中第j个关键点的局部特征描述符，m为特征描述符的维度，dist(.)为欧式距离函数，k为匹配的个数，/>和/>分别为三维图像中第i个关键点的局部特征描述符的第k个元素和二维图像中第j个关键点的局部特征描述符的第k个元素；

S32、采用RANSAC算法对初步匹配的局部特征进行离群值剔除，得到剔除离群值的局部特征；

S33、使用R-Hough变换对剔除离群值的局部特征进行几何验证，完成局部特征的匹配，得到匹配后的局部特征。

6.根据权利要求1所述的桥梁基础冲刷的识别和评估方法，其特征在于：所述步骤S4采用基于加权平均法的融合方法，根据匹配后的局部特征中不同特征的重要性或可信度，赋予不同特征不同的权值，获得融合后的新图像，基于加权平均法的融合方法的数学表达式为：

其中，为融合后的图像像素值，/>为第b幅图像在/>处的像素值，为第b幅图像在/>处的权值，b为计数标识，n为待融合的图像数。