隧道衬砌裂缝特征提取方法研究

 衬砌裂缝图像的分割和信息提取是裂缝自动检测系统中的重点。本文在采集图片大量试验的基础上对裂缝信息采集流程进行优化。其中,针对衬砌图像分割,提出结合prewitt算子和otsu的梯度类间阈值法,并用数学形态学对图片进行进一步优化,从而得到裂缝区域完整而杂质区域较少的二值图像;针对裂缝特征提取,通过对试验图片集合特征的分析确定描绘子为集中度、外接矩形长宽比、外接矩形占有率、平均宽度等。应用实例表明,梯度类间阈值法能够更好地实现对图像的分割,较常用的otsu算法更能适应复杂背景的裂缝图片。通过对优化图像的不同区域进行描绘特征提取统计,可形成具有一定代表性的图片库,为实现裂缝自动识别奠定基础。     

图像处理在车牌识别中的应用

随着经济发展,机动车辆越来越多,需要对违章车辆进行识别登记从而为交通管制提供帮助,我们利用图像处理进行车牌识别系统拍下的车牌图像进行预处理,包括图像灰度化、直方图均衡化、二值化、边缘检测以及图像分割。     

基于边缘和数学形态学复杂背景车辆定位

在车牌识别和车型识别系统中,为了减少背景干扰,精确地找到车脸、车标或车牌,从复杂背景的图片中定位车辆是一个重要的过程。提出了一种基于边缘数学形态学的复杂背景车辆定位方法,首先利用数学形态学对车辆图像进行处理,增强车辆轮廓并消除噪声干扰,再进行边缘检测并分别进行水平投影和垂直投影得到投影图,将获得的投影图变换为一幅图像,再查找车辆边界。实验结果表明,该方法定位准确率为93%,且定位速度较快。     

基于TLBO的工程结构表面缺陷图像边缘检测方法

非接触式、数字化的工程质量检测方法对于快速发现建筑结构表面缺陷,如裂缝、焊接缺陷等,降低工程质量检测的劳动强度具有重要的工程意义。本文在计算机数字图像处理技术基础上,根据建筑结构表面缺陷图像特征,提出基于TLBO算法的缺陷图像轮廓识别预处理方法,作为进一步缺陷特征判断的依据。本文在TLBO算法基础上,边缘像素点的搜索不需要设定任何算法参数,实现简单;提出基于的8个方向的灰度导数,建立图像边缘强度矩阵,将边缘点附近的小规模局部搜索和大量的全局搜索相结合,TLBO算法保证了所提出的边缘检测方法不会陷入局部边缘点,找到最重要的图像全局边缘特征;将TLBO算法应用于图像边缘检测,以工程质量检测中常见的钢结构焊缝检测为例加以验证和分析,证明了本文方法在缺陷图像轮廓识别预处理中的抗噪性和有效性。     

基于图像处理的印品质量检测系统研究

本文针对基于图像处理的印刷品质量检测系统进行研究,主要采用了基于动态灰度阈值和分层检测的图像缺陷识别算法。该算法考虑到人的视觉感官特性,首先将所用的灰度阈值对采集到的印刷品图像进行缺陷的初步识别和标定,然后再按照印刷品质量检测要求采用分层检测的方法进行搜索,解决了以往图像检测缺陷识别中的检测效果和速度不理想的问题,提高了检测的速度和效果。     

一种指纹图像预处理方法的研究

实现一套指纹图像预处理算法,主要包括指纹图像灰度归一化和均衡化、指纹图像分割、指纹图像的二值化、指纹图像增强、指纹图像细化。采用基于梯度的指纹图像分割方法,去除指纹图像中的无用信息,并使用连通域检测方法对分割后的指纹图像进行优化。引入基于动态阈值法的二值化算法,实现指纹图像的方向二值化。采用基于骨架提取技术的细化算法,完成指纹图像的细化处理。最后使用MATLAB8.2平台对该算法进行验证,在相同特征提取算法和匹配条件下,该算法的识别精度高于传统算法。     

基于深度学习的高速公路逃费车辆图像稽查技术研究

针对逃费车辆稽查过程中存在的识别效率低的问题,本文采用深度学习技术,对卡口高清摄像机抓拍的图像进行分析、识别、研判,首先基于深度学习算法提取车辆细部特征,其次设计车辆特征以图搜图的搜索技术,基于triplet loss网络进行车辆建模,并采用FLANN算法检索车辆图片库中高相似度车辆,根据车辆行驶的时间、空间、车辆、通行卡信息,快速跟踪其逃费过程的行驶轨迹,为打击偷逃费行为固定证据。     

基于图像网格化分割的实时车道线识别算法

车道线识别技术是利用光学传感器对环境进行感知,为车辆行为的决策和控制提供重要的车道信息,其本质是从图像中提取车道线的轨迹坐标。基于深度学习的车道线识别算法大多采用密集预测型方法提取车道线轨迹,因而在提取过程会重复处理大量的冗余信息。针对这一问题提出一种改进算法,该算法将图像划分为多个小网格,并对各网格进行分类,从而减少提取过程中冗余信息的处理次数。在此基础上,设计深度神经网络用于网格分类,其与常规密集预测型神经网络的区别在于:利用了无参数的亚像素卷积替代转置卷积以避免棋盘格效应;采用1×1卷积替代全连接层分类器,实现在网格分类过程中保留关键空间位置信息,同时降低网络规模。在CULane数据集上分别训练Lane Net与改进算法,并进行对比分析,分析结果表明,改进后的车道线检测算法在准确性与实时性方面均具有明显优势。     

航拍绝缘子图像的去模糊处理

针对输电线路航拍图像中绝缘子的模糊图像,分别选用Lucy-Richardson复原法、最小二乘方复原法、盲解卷积复原法、维纳滤波复原法对原始模糊图像复原,并对各种复原结果进行了对比和分析,提出了改进的维纳滤波方法,即采用拉普拉斯算子对维纳滤波去模糊的图像进行线性锐化滤波处理,突出绝缘子的边缘信息,增强图像的轮廓特征,便于观察绝缘子的工作状态。最后引入灰度梯度向量模方和Gk′对复原后的去噪图像进行质量评价。结果表明,改进的维纳滤波方法提高了图像的清晰度,可以作为判别绝缘子故障的一种可行方法。     

多车道复杂环境下前方车辆检测算法

为了解决智能车安全辅助驾驶系统中前方车辆目标的检测问题,提出了一种基于改进阴影多特征与深度网络学习的车辆检测算法。基于前方车辆与本车存在安全距离,选取道路图像底部几行作为候选道路背景并对其预处理排除干扰,通过差分得到车底阴影增强图像。利用自适应阈值法确定图像灰度分割阈值并对道路二值化图像进行形态学预处理。然后,利用最小外接矩形框选候选车辆目标,结合车底阴影几何位置特征、对称度特征进行滤波生成车辆假设。最后,基于局部二值模式纹理特征和深度学习方法验证车辆假设。实验结果表明:在复杂干扰的多车道环境中,算法可以有效地检测前方车辆目标。