一种基于高密度各向异性特征的机场道面裂缝检测方法技术

一种基于高密度各向异性特征的机场道面裂缝检测方法。其包括对机场跑道原始图像进行预处理，得到预处理后图像；遍历上述预处理后图像中的每个像素点，选取四个方向，并沿每个方向生成两个对称的窗口；获得每个窗口内灰度值之和最小的线段；将两个对称的窗口内两条灰度值之和最小的线段l1和l2连接成一条新线段，计算所有新线段的灰度值均值和方差；基于灰度值均值和方差，利用高密度各向异性特征公式计算出当前像素点的高密度各向异性特征值；遍历整幅预处理后图像，并将获得的所有高密度各向异性特征值转换成灰度值，同时分割出裂缝点并去除误检测像素点，最终获得机场跑道裂缝图像等步骤。本发明专利技术优点：准确性较高；不需要进行学习和训练。习和训练。习和训练。

【技术实现步骤摘要】
一种基于高密度各向异性特征的机场道面裂缝检测方法


[0001]本专利技术属于图像处理
，特别是涉及一种基于高密度各向异性特征的机场道面裂缝检测方法。

技术介绍

[0002]机场道面每天都在承担着航空器的起降工作，需要承受巨大的重量和航空器起降带来的重力加速度，因此，机场道面应时刻保持坚实平整。但是，机场道面会由于各种因素的影响而不可避免地出现裂缝，裂缝会严重影响机场道面的质量和寿命，同时这些裂缝会给航空器起降造成巨大的安全隐患，所以需要及时有效地检测并修复，以避免进一步恶化并造成更大损失。
[0003]目前，机场仍采用传统人工观测的方式定期对道面裂缝进行检测。然而，这种人工方式检测方式存在多种问题：1)人为检测的精度和覆盖面积均受检测人员的主观经验影响，很容易出现漏检；2)检测标准受人为主观因素影响，甚至不存在统一的检测标准，因此机场的人为检测结果很难复现；3)会耗费大量人力物力。因此，有必要研究一种自动化的机场道面裂缝检测方法。
[0004]机场道面裂缝与公路路面及桥梁路面的裂缝，在道面材质、周围环境方面有很大的相似性。现阶段，公路路面及桥梁路面的裂缝的自动化检测方法大多基于灰度的阈值分割方法和边缘检测方法。然而，这两类方法对于环境噪声敏感，无法用于具有高杂波及低对比度的图像中。种子识别算法将图像划分为n
×
n像素的小方格，然后将这些方格划分为裂缝种子或非裂缝方格，再将裂缝种子连接起来，该类方法速度较快，但裂缝连续性有待改善。目前，学者和业界开始关注基于机器学习的方法，比如神经网络、支持向量机等方法。这类机器学习的方法大都需要大规模的数据进行训练和检测，虽然识别准确率较高，但前期的数据准备工作较为繁琐。
[0005]虽然目前已有多种裂缝检测算法，但要识别出准确完整的裂缝仍然很困难。通过总结发现裂缝通常有三个特点：1)裂缝的像素点比周围的像素值要黑；2)裂缝相比周围的标线石子会有细长的形态；3)裂缝是具有方向性的。已有方法往往只考虑了单一因素，因此很容易受到其他因素的干扰。

技术实现思路

[0006]为了解决上述问题，本专利技术的目的在于提供一种可以充分利用裂缝的灰度值均值、方差、方向性多种特点并准确检测机场道面裂缝的方法，并且运算简单、不需要大量数据准备工作。
[0007]为了达到上述目的，本专利技术提供的基于高密度各向异性特征的机场道面裂缝检测方法包括按顺序进行的下列步骤：
[0008]1)对机场跑道原始图像进行预处理，得到预处理后图像；
[0009]2)遍历上述预处理后图像中的每个像素点，选取四个方向，并沿每个方向生成两
个对称的窗口；
[0010]3)获得每个窗口内灰度值之和最小的线段；
[0011]4)将两个对称的窗口内两条灰度值之和最小的线段l1和l2连接成一条新线段L
j
，其中j为窗口的方向，计算所有新线段L
j
的灰度值均值和方差；
[0012]5)基于上述灰度值均值和方差，利用高密度各向异性特征公式计算出当前像素点的高密度各向异性特征值HDA；
[0013]6)重复步骤5)，遍历整幅预处理后图像，并将获得的所有高密度各向异性特征值转换成灰度值，同时分割出裂缝点并去除误检测像素点，最终获得机场跑道裂缝图像。
[0014]在步骤1)中，所述的对机场跑道原始图像进行预处理，得到预处理后图像的方法是：
[0015]对机场跑道原始图像I(u,v)采用中值滤波算法进行预处理，滤波器窗口采用3
×
3的模板，得到预处理后图像。
[0016]在步骤2)中，所述的遍历上述预处理后图像中的每个像素点，选取四个方向，并沿每个方向生成两个对称的窗口的方法是：
[0017]遍历上述预处理后图像中的每个像素点，以当前像素点为原点，选取0
°
、45
°
、90
°
和135
°
四个方向，并沿上述每个方向生成两个对称的窗口，窗口边长为d。
[0018]在步骤3)中，所述的获得每个窗口内灰度值之和最小的线段的方法是：
[0019]3.1)在每个窗口内，遍历底边上所有像素点，并将每一像素点和原点间连成一条线段；
[0020]3.2)计算出每一条线段上所有像素点的灰度值之和，并获得该窗口内所有线段中灰度值之和最小的线段。
[0021]在步骤4)中，所述的灰度值均值和方差的计算公式如下：
[0022][0023][0024]其中，M(u,v)为预处理后图像的像素点的灰度值。
[0025]在步骤5)中，所述的高密度各向异性特征值HDA的计算公式如下：
[0026][0027][0028]其中，为灰度值均值；为方差。
[0029]在步骤6)中，所述的重复步骤5)，遍历整幅预处理后图像，并将获得的所有高密度各向异性特征值转换成灰度值，同时分割出裂缝点并去除误检测像素点，最终获得机场跑道裂缝图像的方法是：
[0030]6.1)基于高密度各向异性特征值，计算出整幅预处理后图像的HDA图像H(u,v)，然
后将HDA图像H(u,v)通过公式(5)进行灰度化而得到灰度图像G(u,v)；
[0031]G(u,v)＝255
×
H(u,v)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0032]6.2)使用大津法对上述灰度图像G(u,v)进行自适应阈值分割，得到二值化图像B(u,v)；
[0033]6.3)使用连通域法，去除上述二值化图像B(u,v)中误检测为裂缝像素点的非裂缝像素点，最终获得机场跑道裂缝图像。
[0034]在步骤6.3)中，所述的使用连通域法，去除上述二值化图像B(u,v)中误检测为裂缝像素点的非裂缝像素点，最终获得机场跑道裂缝图像的方法是：
[0035]6.3.1)利用形态学膨胀弥合裂纹中的个别断点，使邻近的小区域连通而获得连通域；
[0036]6.3.2)依次计算二值化图像B(u,v)中各连通域的面积和矩形度，面积定义为连通域的像素总和，矩形度定义为其中A为连通域的面积，w和h分别为连通域最小外接矩形的长和宽；
[0037]若连通域面积小于连通域阈值或矩形度高于矩形度阈值，则该连通域视为噪声，将该连通域像素置零，由此将其去除；
[0038]6.3.3)对去噪后的图像进行形态学腐蚀，以修正形态学膨胀改变的裂缝尺寸，最终获得机场跑道裂缝图像。
[0039]本专利技术提供的基于高密度各向异性特征的机场道面裂缝检测方法与现有技术相比，具有以下优点：1)准确性较高；2)不需要进行学习和训练。
附图说明
[0040]图1为本专利技术提供的基于高密度各向异性特征的机场道面裂缝检测方法流程图。
[0041]图2为本专利技术提供的四个方向的窗口生成方法示意图。
[0042]图3为本专利技术提供的在窗口中寻找灰度值之和最小线段的方法示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高密度各向异性特征的机场道面裂缝检测方法，其特征在于：所述的机场道面裂缝检测方法包括按顺序进行的下列步骤：1)对机场跑道原始图像进行预处理，得到预处理后图像；2)遍历上述预处理后图像中的每个像素点，选取四个方向，并沿每个方向生成两个对称的窗口；3)获得每个窗口内灰度值之和最小的线段；4)将两个对称的窗口内两条灰度值之和最小的线段l1和l2连接成一条新线段L
j
，其中j为窗口的方向，计算所有新线段L
j
的灰度值均值和方差；5)基于上述灰度值均值和方差，利用高密度各向异性特征公式计算出当前像素点的高密度各向异性特征值HDA；6)重复步骤5)，遍历整幅预处理后图像，并将获得的所有高密度各向异性特征值转换成灰度值，同时分割出裂缝点并去除误检测像素点，最终获得机场跑道裂缝图像。2.根据权利要求1所述的基于高密度各向异性特征的机场道面裂缝检测方法，其特征在于：在步骤1)中，所述的对机场跑道原始图像进行预处理，得到预处理后图像的方法是：对机场跑道原始图像I(u,v)采用中值滤波算法进行预处理，滤波器窗口采用3
×
3的模板，得到预处理后图像。3.根据权利要求1所述的基于高密度各向异性特征的机场道面裂缝检测方法，其特征在于：在步骤2)中，所述的遍历上述预处理后图像中的每个像素点，选取四个方向，并沿每个方向生成两个对称的窗口的方法是：遍历上述预处理后图像中的每个像素点，以当前像素点为原点，选取0
°
、45
°
、90
°
和135
°
四个方向，并沿上述每个方向生成两个对称的窗口，窗口边长为d。4.根据权利要求1所述的基于高密度各向异性特征的机场道面裂缝检测方法，其特征在于：在步骤3)中，所述的获得每个窗口内灰度值之和最小的线段的方法是：3.1)在每个窗口内，遍历底边上所有像素点，并将每一像素点和原点间连成一条线段；3.2)计算出每一条线段上所有像素点的灰度值之和，并获得该窗口内所有线段中灰度值之和最小的线段。5.根据权...

【专利技术属性】
技术研发人员：李海丰，李纪霖，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：