【技术实现步骤摘要】
本专利技术属于桥梁检测，具体涉及一种基于形态重建的桥梁脱层病害红外成像提取方法。
技术介绍
1、我国存在大量的桥梁，如何保证桥梁安全是一项艰巨的任务。由于各种原因，包括钢筋腐蚀、热效应、连续冻融循环、收缩等，都可能引起混凝土桥面板出现裂纹、脱层、剥落和空隙等缺陷，造成安全隐患。相对于常见的剥落或坑槽病害，脱层病害有着高隐蔽性和大面积发展的特点。如果未能及时发现脱层，并对其进行处理，内部脱层可能会持续发展最终形成大面积开放式剥落，严重影响行车的安全性并缩短桥面板的使用寿命，诱发安全事故。实际上，脱层往往是已经出现在桥面板内部，直到它们出现重大损坏后才被注意到。因此，对桥面板的当前状况、是否存在空隙、脱层以及其他缺陷进行深入了解显得尤为重要。有必要在早期阶段对桥面板脱层进行识别，以避免桥面板发生损坏，并为可能损坏的桥面提供合理的修复方法，这对桥梁的安全运行至关重要。
2、桥面板浅层脱层(小于10.2厘米或4.0英寸)的红外热成像检测方法已在多项研究中报道。其检测原理为基于脱层区域和非脱层区域在太阳加热循环期间的温差。尽管原理直观，热成像质量往往受到不利因素的影响，如图像拍摄时段不当、温差不够明显、表面不均匀。因此，从原始热图像中准确分割脱层仍是一个挑战。为了解决这一挑战，已经开发了几种基于温差、温度梯度和温度密度分布的定量方法来处理热图像。尽管取得了一些进展，这些方法在空间温度变化(通常被称为非均匀热背景)下性能下降。在使用非均匀激励加热源的实验设置中以及在自然室外环境中都观察到了这一问题。这些方法的基本假设要求相对均匀
3、传统的脱层分割方法主要基于自下向上的框架，该框架要求预先确定参考温度。部分学者采用了对温度值或温度变化百分位数的硬阈值化，将原始热图像转换为二值图像，以假设低温或最低百分位数为完好区域来指示脱层。由于在整个桥面板上观察到的温度变化较大，扫描区域需要拆分为子图像以应用判别标准，因此无法使用单一阈值作为每个子图像的全局标准。因此，阈值方法严重依赖于操作员的经验且耗时。omar和nehdi引入了基于聚类的方法，开发了一种基于k-means聚类模型，通过检查桥面板的状况(例如桥龄、温差和发现的表面剥落尺寸)来指示脱层区域。基于桥面板的状况，可以确定k值，以便将热图像分类为k组。由于k-means聚类算法是基于密度的距离度量，因此在不考虑空间信息的情况下，白天选择均值最低的组作为完好区域，夜间选择均值最高的组作为完好区域。abdel-qader等采用了区域生长法，开发了一种自动处理程序来分割热图像中的缺陷区域。该方法假设脱层区域在整个场景中具有最高温度，从而使用9x9像素窗口内的邻域温度偏差差异作为筛选图像的准则。ellenberg等人通过使用温度梯度作为阈值准则扩展了该方法。尽管基于区域生长的分割方法表现出对非均匀背景的不敏感性，但在种子分配和生长-停止机制上的局限性依然存在，该机制仍由脱层区域在温度或温度梯度中的全局最大值所决定。总体而言，这些方法依赖于确定参考点，而真实的脱层更多与局部最大值和空间特性相关。
技术实现思路
1、本专利技术实施方式的目的在于提供一种基于形态重建的桥梁脱层病害红外成像提取方法，具备快速提取桥面板的区域极大值，对脱层进行分割，从而使检测人员快速定位桥面板脱层位置及大小，以便对桥面板进行后期维护等优点，解决了上述技术问题。
2、本专利技术的实施方式是这样实现的：
3、本专利技术的实施方式提供了一种基于形态重建的桥梁脱层病害红外成像提取方法，包括以下步骤：
4、s1：原始图像通过各向异性扩散过程进行平滑处理，得到平滑后的图像ts和梯度图gs；
5、s2：通过初始偏移量hin进行的一般灰度形态学重构，得到初始图像i0，以满足温度对比的最小准则；
6、s3：通过正则化偏移in＝in-1-δ*λ移动图像；
7、s4：通过使用in-1重建in得到in’，然后对区域极大值进行检测，得到区域极大值rn；
8、s5：通过gs和rn得到每个子区域ri的精确区域或区域边界信息，并在ri上提取统计量；
9、s6：通过聚类方法从梯度图gs中估算脱层梯度信息，然后提取统计量dg，将它作为特征模板；
10、s7：ri通过与dg进行匹配，以此将ri中匹配的区域极大值的边界归为脱层；
11、s8：存储每次迭代后筛选的区域极大值r1’、r2’、r3’…rn’，n为迭代次数；当|rn-rn-1|＜δ或达到最大步数时，迭代停止，最终分割的脱层为每个rn的并集。
12、优选的，s1步骤中的各向异性扩散过程，其表达式如下：
13、
14、其中，it表示在第t次迭代的图像，是梯度算子，是扩散系数，通常定义为：
15、
16、其中，k是控制扩散速率常数，其值一般为5～30，也可根据实验进行调试。
17、优选的，s1步骤中的平滑处理后的图像ts和梯度图gs，其表达式如下：
18、
19、优选的，s2步骤中的初始图像i0，其表达式如下：
20、i0＝reconstruction(ts,hin)
21、而形态学重构操作的定义为：
22、reconstruction(ts,hin)＝imreconstruct(ts-hin,ts)
23、其中，imreconstruct(·,·)是形态学重构函数。
24、优选的，s3步骤中的正则化偏移，其表达式如下：
25、in＝in-1-δ·λ
26、其中，δ是偏移量，通过以下方式计算：
27、δ＝in-1-reconstruction(in-1,hin)
28、其中，λ是正则化参数。
29、优选的，s4步骤中的对图像进行重建，其表达式如下：
30、i′n＝reconstruction(in-1,in)
31、对区域极大值进行检测，其表达式如下：
32、rn＝regionalmax(i'n)
33、其中，regionalmax(·)是区域极大值检测函数。
34、优选的，s5步骤中的提取子区域的精确区域或者区域边界信息，其表达式如下：
35、ri＝regionprops(gs,rn)
36、其中，regionprops(·,·)是区域属性提取函数，用于提取子区域ri的精确区域或区域边界信息。
37、优选的，s5步骤中的在ri上提取统计量，其表达式如下：
38、stats(ri)＝{mean(ri),std(ri)}
39、本文档来自技高网...
【技术保护点】
1.一种基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：S1步骤中的各向异性扩散过程，其表达式如下：
3.根据权利要求2所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：S1步骤中的平滑处理后的图像Ts和梯度图Gs，其表达式如下：
4.根据权利要求1所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：S2步骤中的初始图像I0，其表达式如下：
5.根据权利要求1所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：S3步骤中的正则化偏移，其表达式如下：
6.根据权利要求1所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：S4步骤中的对图像进行重建，其表达式如下：
7.根据权利要求1所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：S5步骤中的提取子区域的精确区域或者区域边界信息，其表达式如下：
8.根据权利要求1所述的基于形态重建的桥梁脱层病害
9.根据权利要求1所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：S7步骤中的根据Dg统计量与子区域ri的统计量进行比较，以此将ri中匹配的区域极大值的边界归为脱层，其表达式如下：
...【技术特征摘要】
1.一种基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：s1步骤中的各向异性扩散过程，其表达式如下：
3.根据权利要求2所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：s1步骤中的平滑处理后的图像ts和梯度图gs，其表达式如下：
4.根据权利要求1所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：s2步骤中的初始图像i0，其表达式如下：
5.根据权利要求1所述的基于形态重建的桥梁脱层病害红外成像提取方法，其特征在于：s3步骤中的正则化偏移，其表达式如下...
【专利技术属性】
技术研发人员：程崇晟，陈德泉，邵帅，周建庭，周宏文，蔡昊男，龙霞，金贤锋，李胜，何志明，闰记影，杨任飞，余俊辰，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。