复杂背景下路面裂缝检测与识别算法研究
发布时间：2021-12-09 04:40
作为路面病害的早期形式,裂缝的实时检测对路面养护管理和性能评估具有重要价值。现有路面裂缝检测方法主要建立在图像质量好,路面干净,无阴影,无干扰物的情况下。在实际检测中,路面背景复杂,如:路面有阴影、斑马线、油污、水井盖等。因此,有必要对复杂背景下路面裂缝检测和识别进行深入系统的研究。复杂背景下的路面裂缝具有背景纹理强、光照不均匀、干扰噪声多、裂缝信息弱等特点,裂缝检测的难点在于路面阴影及复杂干扰物的去除。为了解决这个问题,针对含阴影、斑马线、油污、井盖等干扰物的路面裂缝,本文进行了增强、去噪、裂缝目标提取、特征参数计算及破损评定、裂缝检测系统搭建这几个方面研究。1)在图像增强处理中,针对有阴影的路面裂缝图像,采用MSR增强算法。以灰度均值、标准差、信息熵值作为评价指标,对比分析了全局直方图均衡化、局部直方图均衡化及本文所采用的MSR增强算法的增强效果。研究结果表明,本文增强算法处理图像亮度更高,对比度更强,信息熵更小,图像的阴影细节被有效去除。2)在图像去噪处理中,针对有复杂干扰物的路面裂缝图像,首先分析不同噪声干扰下裂缝图像的特点;其次基于图像的灰度特征、裂缝特征、几何特征搭建多级去...
【文章来源】：西华大学四川省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
武汉大学ZOYON-RTM车载裂缝检测系统
与斑马线的相同点为：具有很强的边缘特征，相对路面背线的不同点：斑马线灰度值大（亮），裂缝灰度值小（暗与方向特征，而裂缝无该特点；模型算法切入点为：找出亮的斑马线灰度值改为背景像素值，从而去除路面图像中马线时，考虑斑马线为黄色或白色，灰度值大，因此利用，滤除带黄、白路面标示线等噪声。具体的去噪步骤如下并转换为灰度图像。信息，筛选出背景像素值 T；遍历图像，当灰度值大于 执行步骤 6。域内像素值大于 T 的像素数目 m，当 m 大于阈值 m0 时行步骤 5。素值设为背景像素值 T。设为邻域内的最小值。去除斑马线的流程图如图 3.14 所示：
复杂背景下路面裂缝检测与识别算法研究与裂缝-裂缝特征去噪模型污对应的去噪模型为裂缝特征去噪模型，分析图中裂缝、背景和，裂缝和油污的相同点为：裂缝、油污（水污）的灰度值都较低度；裂缝和油污的不同点为：油污、水污大面积出现且聚集度延伸较广且细长；模型去噪算法切入点为：同时满足区域内像素景像素值 T 的才为油污（水污），将其更改为背景像素值。面油污、水污时，考虑到油污、水污的灰度值也较小，但其空间即：路面上的油污、水污常为大面积出现，聚集度较高，而裂缝利用其与裂缝分布特征的差异，检测出油污、水污，并将其像素去噪模型去除油污的流程图如 3.15 所示：
【参考文献】：
期刊论文
[1]改革开放40年我国交通运输政府管理创新实践与经验[J]. 刘思. 交通运输研究. 2018(04)
[2]结合纹理梯度抑制与L0梯度最小化的纹理滤波[J]. 邵欢,刘春晓. 中国图象图形学报. 2018(11)
[3]图像质量评价:融合视觉特性与结构相似性指标[J]. 朱新山,姚思如,孙彪,钱永军. 哈尔滨工业大学学报. 2018(05)
[4]基于三种分割算法的高分辨率影像分割比较[J]. 于旭宅,王瑞瑞,陈伟杰. 中南林业调查规划. 2018(01)
[5]基于图像分割的目标尺寸特征测量[J]. 王颖,王鹏飞,杨余旺. 计算机技术与发展. 2018(02)
[6]基于Matlab直方图技术的图像增强方法研究[J]. 李凯,张烨. 自动化与仪器仪表. 2017(10)
[7]图像增强算法综述[J]. 王浩,张叶,沈宏海,张景忠. 中国光学. 2017(04)
[8]基于容差PR曲线的路面裂缝识别算法性能评价机制[J]. 彭博,姬然. 重庆交通大学学报(自然科学版). 2017(07)
[9]水泥混凝土路面裂缝的成因及预防措施分析[J]. 关国振. 交通世界. 2017(13)
[10]多功能道路检测车发展综述[J]. 郝灵恩. 四川水泥. 2017(02)
博士论文
[1]高速公路沥青路面使用性能评价及预测研究[D]. 周岚.东南大学 2015
[2]基于数字图像处理的沥青路面裂缝识别技术研究[D]. 孙波成.西南交通大学 2015
硕士论文
[1]基于机器视觉的路面裂缝及附属物检测研究[D]. 王创.西安理工大学 2018
[2]基于无人机采集图像的建筑物表面裂缝检测方法研究[D]. 马国鑫.江苏大学 2018
[3]基于图像处理的路面裂缝检测系统研究[D]. 张红.沈阳航空航天大学 2018
[4]基于计算机视觉的路面破损检测与识别的研究[D]. 赵芬芬.南京信息工程大学 2017
[5]基于图像分析的路面裂缝检测方法与识别研究[D]. 姜吉荣.南京邮电大学 2016
[6]基于图像的沥青路面裂缝的自动识别算法研究[D]. 朱亮.重庆交通大学 2016
[7]改进渗流模型的混凝土路面图像裂缝检测算法研究[D]. 郭阳.重庆邮电大学 2016
[8]路面裂缝三维检测算法研究[D]. 赵海伟.长安大学 2015
[9]非均匀光照文本图像的分割[D]. 郑腾交.湖南科技大学 2013
[10]路面裂缝自动检测系统研究[D]. 郝晓静.长安大学 2013
本文编号：3529938
【文章来源】：西华大学四川省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
武汉大学ZOYON-RTM车载裂缝检测系统
与斑马线的相同点为：具有很强的边缘特征，相对路面背线的不同点：斑马线灰度值大（亮），裂缝灰度值小（暗与方向特征，而裂缝无该特点；模型算法切入点为：找出亮的斑马线灰度值改为背景像素值，从而去除路面图像中马线时，考虑斑马线为黄色或白色，灰度值大，因此利用，滤除带黄、白路面标示线等噪声。具体的去噪步骤如下并转换为灰度图像。信息，筛选出背景像素值 T；遍历图像，当灰度值大于 执行步骤 6。域内像素值大于 T 的像素数目 m，当 m 大于阈值 m0 时行步骤 5。素值设为背景像素值 T。设为邻域内的最小值。去除斑马线的流程图如图 3.14 所示：
复杂背景下路面裂缝检测与识别算法研究与裂缝-裂缝特征去噪模型污对应的去噪模型为裂缝特征去噪模型，分析图中裂缝、背景和，裂缝和油污的相同点为：裂缝、油污（水污）的灰度值都较低度；裂缝和油污的不同点为：油污、水污大面积出现且聚集度延伸较广且细长；模型去噪算法切入点为：同时满足区域内像素景像素值 T 的才为油污（水污），将其更改为背景像素值。面油污、水污时，考虑到油污、水污的灰度值也较小，但其空间即：路面上的油污、水污常为大面积出现，聚集度较高，而裂缝利用其与裂缝分布特征的差异，检测出油污、水污，并将其像素去噪模型去除油污的流程图如 3.15 所示：
【参考文献】：
期刊论文
[1]改革开放40年我国交通运输政府管理创新实践与经验[J]. 刘思. 交通运输研究. 2018(04)
[2]结合纹理梯度抑制与L0梯度最小化的纹理滤波[J]. 邵欢,刘春晓. 中国图象图形学报. 2018(11)
[3]图像质量评价:融合视觉特性与结构相似性指标[J]. 朱新山,姚思如,孙彪,钱永军. 哈尔滨工业大学学报. 2018(05)
[4]基于三种分割算法的高分辨率影像分割比较[J]. 于旭宅,王瑞瑞,陈伟杰. 中南林业调查规划. 2018(01)
[5]基于图像分割的目标尺寸特征测量[J]. 王颖,王鹏飞,杨余旺. 计算机技术与发展. 2018(02)
[6]基于Matlab直方图技术的图像增强方法研究[J]. 李凯,张烨. 自动化与仪器仪表. 2017(10)
[7]图像增强算法综述[J]. 王浩,张叶,沈宏海,张景忠. 中国光学. 2017(04)
[8]基于容差PR曲线的路面裂缝识别算法性能评价机制[J]. 彭博,姬然. 重庆交通大学学报(自然科学版). 2017(07)
[9]水泥混凝土路面裂缝的成因及预防措施分析[J]. 关国振. 交通世界. 2017(13)
[10]多功能道路检测车发展综述[J]. 郝灵恩. 四川水泥. 2017(02)
博士论文
[1]高速公路沥青路面使用性能评价及预测研究[D]. 周岚.东南大学 2015
[2]基于数字图像处理的沥青路面裂缝识别技术研究[D]. 孙波成.西南交通大学 2015
硕士论文
[1]基于机器视觉的路面裂缝及附属物检测研究[D]. 王创.西安理工大学 2018
[2]基于无人机采集图像的建筑物表面裂缝检测方法研究[D]. 马国鑫.江苏大学 2018
[3]基于图像处理的路面裂缝检测系统研究[D]. 张红.沈阳航空航天大学 2018
[4]基于计算机视觉的路面破损检测与识别的研究[D]. 赵芬芬.南京信息工程大学 2017
[5]基于图像分析的路面裂缝检测方法与识别研究[D]. 姜吉荣.南京邮电大学 2016
[6]基于图像的沥青路面裂缝的自动识别算法研究[D]. 朱亮.重庆交通大学 2016
[7]改进渗流模型的混凝土路面图像裂缝检测算法研究[D]. 郭阳.重庆邮电大学 2016
[8]路面裂缝三维检测算法研究[D]. 赵海伟.长安大学 2015
[9]非均匀光照文本图像的分割[D]. 郑腾交.湖南科技大学 2013
[10]路面裂缝自动检测系统研究[D]. 郝晓静.长安大学 2013
本文编号：3529938
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3529938.html
