廊坊做网站教程,关于咖啡厅网站建设的论文,做饮食找工作哪个网站好,网络设计费收费标准本发明属于测绘科学与图像处理的交叉领域#xff0c;特别是涉及一种灰度图像中裂缝自动识别和检测方法。主要应用于桥墩表面裂缝自动识别和检测#xff0c;也可应用于隧道衬砌、大坝表面的裂缝检测和识别。背景技术#xff1a;桥墩在使用过程中在载荷和自然环境的共同作用下…本发明属于测绘科学与图像处理的交叉领域特别是涉及一种灰度图像中裂缝自动识别和检测方法。主要应用于桥墩表面裂缝自动识别和检测也可应用于隧道衬砌、大坝表面的裂缝检测和识别。背景技术桥墩在使用过程中在载荷和自然环境的共同作用下会形成多种破损表面裂缝是最常见的一种破损形式对桥墩危害很大。为了评价桥墩出现裂缝后的稳定性必须对裂缝进行必要的检查和测量为桥梁结构安全评估和病害治理提供依据。目前对裂缝的检测主要有两种方法一种是采用数显式裂缝观测仪人工读取数据并记录。但是这种方法费时费力不利于大规模的对桥墩进行安全检测评估。另一种方法是采用图像处理的方法检测和识别裂缝首先用CCD相机获取桥墩表面的灰度图像然后用图像处理算法识别出裂缝并从背景中把裂缝提取出来。这种方法具有便捷、直观、非接触、可再现、适应性强等优点具有很好的应用前景。混凝土表面的自动裂缝识别主要有下面几种图像识别算法第一阈值分割识别算法。这种方法假设裂缝和背景的灰度范围有较大差别同过自适应的寻找阈值将其分开从而提取裂缝。该方法计算简单但抗干扰性较差。第二边缘检测识别算法。这种方法假设裂缝具有较强的边缘特征即背景内部和裂缝内部的灰度变化缓慢从背景到裂缝灰度变换会产生跳跃。可以利用常用的边缘检测算子如Sobel算子、拉普拉斯算子、canny算子等检测裂缝的边缘。但这种方法对噪声较为敏感。第三基于区域生长的种子游走算法。这用方法是以一组“种子”像素点作为开始根据一定的规则判断相邻像素点与“种子”像素是否相似如果相似则将这些相邻像素点附加到“种子”像素上。最后根据图像的形态判断这些“生长”出来的图像是否为裂缝。这种方法的精确度仍然不高。第四基于神经网络的识别算法。这种方法是利用神经网络模拟大脑的工作模式。用神经网络进行裂缝识别需要训练样本对计算机进行训练这些样本如果有裂缝则是正样本如果没裂缝则是负样本。神经网络一般包括输入层、隐含层和输出层每一层有大量的权值和阈值通过训练来不断的调整这些权值和阈值以保证输出结果的正确率。这种方法计算复杂度高、速度慢、检测过程复杂还没有在工程实践中验证其价值。技术实现要素本发明克服现有技术存在的不足解决了现有自动裂缝识别的方法对噪声比较敏感导致检测准确度下降的问题旨在提供一种灰度图像中裂缝自动识别和检测方法该方法受噪声影响较小检测准确度高。为解决上述技术问题本发明采用的技术方案为灰度图像中裂缝自动识别和检测方法包括以下步骤步骤一读取图像对图像依次进行图像降噪处理和增强处理得到增强后的图像记为I0步骤二设计模板矩阵模板矩阵包括0度模板矩阵、45度模板矩阵、90度模板矩阵、135度模板矩阵共四个方向的矩阵步骤三使用四个模板矩阵对图像I0分别进行图像卷积运算得到4个卷积后的图像记为I10、I11、I12和I13步骤四对I10、I11、I12和I13进行限幅操作即在上述图像矩阵中如果一个元素的值小于零则将该元素的值置零如果一个元素的值大于给定的最大值则将该元素的值置最大值步骤五将I10、I11、I12和I13合并成图像矩阵I2合并公式为I2(x,y)max{I10(x,y),I11(x,y),I12(x,y),I13(x,y)}步骤六对图像矩阵I2进行二值化处理即给定一个阈值I2中所有大于阈值的元素置1小于阈值的元素置0二值化后的图像记为B0这些值为1的元素可以组成若干个连通域将连通域中元素的个数称为该连通域的面积删除那些面积小于给定阈值的连通域统计每个连通域的面积、长度、宽度和长宽比给定一组阈值如果有一个参数小于阈值则删除该连通域最后剩余的连通域则为检测出的裂缝。步骤一中图像降噪处理采用高斯滤波和中值滤波来去除噪声。步骤二中模板矩阵的设计原则为模版矩阵分成3个区域记为A区、B区、C区每个区域内部元素的值相等A、B、C区域中元素值记为abcA区域和C区域的元素个数相同记为N1B区域的元素个数记为N2要求N1×(ac)-N2×b≈0。步骤四中图像限幅操作可以根据额外获得的图像信息改变I10、I11、I12和I13中元素的值。本发明跟现有技术相比具有的有益效果为本发明的裂缝自动识别和检测方法能够快速准确地表达出裂缝结构信息从而得到可以正确度量的相关参数。为后面桥墩表面裂缝的修复提供可靠的参考数据具有十分重要的意义。本发明的方法也可以应用到隧道衬砌、大坝表面的裂缝检测和识别。附图说明下面结合附图对本发明做进一步详细的说明。图1为0度模版矩阵示意图。图2为45度模版矩阵示意图。图3为90度模版矩阵示意图。图4为135度模版矩阵示意图。图5为原始图像1。图6为原始图像1采用canny边缘检测算法检测到的裂缝图像。图7为原始图像1采用本发明检测到的裂缝。图8为原始图像2。图9为原始图像2采用canny边缘检测算法检测到的裂缝图像。图10为原始图像2本发明检测到的裂缝。具体实施方式为使本发明的目的、特征和优点能够更为明显易懂下面结合附图对本发明的具体实施方式做详细的说明。灰度图像中裂缝自动识别和检测方法包括以下步骤步骤一读取图像对图像进行高斯滤波和中值滤波来去除噪声使用幂次变换对图像进行增强处理得到增强后的图像记为I0。步骤二设计模板矩阵模板矩阵包括0度模板矩阵、45度模板矩阵、90度模板矩阵、135度模板矩阵共四个方向的矩阵模板矩阵的设计原则为模版矩阵分成3个区域记为A区、B区、C区如图1、图2、图3和图4所示每个区域内部元素的值相等A、B、C区域中元素值记为abcA区域和C区域的元素个数相同记为N1B区域的元素个数记为N2要求N1×(ac)-N2×b≈0。例如3x3模版9x9模版步骤三使用四个模板矩阵对图像I0分别进行图像卷积运算得到4个卷积后的图像记为I10、I11、I12和I13步骤四对I10、I11、I12和I13进行限幅操作即在上述图像矩阵中如果一个元素的值小于零则将该元素的值置零如果一个元素的值大于给定的最大值则将该元素的值置最大值如果知道一些额外的信息(如方向信息等)可以改变I10、I11、I12和I13中元素的值比如如果知道裂缝的方向以水平为主(没有垂直方向的裂缝)则可以让I12的每个元素等于零。该步骤是可选步骤通过该步骤可以进一步提升检测准确度。步骤五将I10、I11、I12和I13合并成图像矩阵I2合并公式为I2(x,y)max{I10(x,y),I11(x,y),I12(x,y),I13(x,y)}步骤六对图像矩阵I2进行二值化处理即给定一个阈值I2中所有大于阈值的元素置1小于阈值的元素置0二值化后的图像记为B0这些值为1的元素可以组成若干个连通域将连通域中元素的个数称为该连通域的面积删除那些面积小于给定阈值的连通域统计每个连通域的面积、长度、宽度和长宽比给定一组阈值如果有一个参数小于阈值则删除该连通域最后剩余的连通域则为检测出的裂缝。下面在通过实验比较本发明与现有技术的区别在背景中我们介绍了4中现有的算法方法1、2效果一般但计算量较小方法3、4效果较好但计算量很大不适合大规模应用。下面我们比较了canny边缘检测算法和本发明算法的比较图5为原始图像图6为canny边缘检测算法检测到的裂缝图7为本发明检测到的裂缝。可以明显的看到图6中裂缝检测不完整并且存在很多误检测。图7的检测结果完整且准确。从图8-图10也可以看出是同样的结果本发明的算法效果明显改善。综上所述本发明的检测方法灵敏度高抗噪声干扰性强能够快速准确地表达出裂缝结构信息。上面结合附图对本发明的实施例作了详细说明但是本发明并不限于上述实施例在本领域普通技术人员所具备的知识范围内还可以在不脱离本发明宗旨的前提下作出各种变化。
