基于嵌入式ARMS3C2440智能建筑物裂紋實(shí)時(shí)測(cè)量系統(tǒng)開發(fā)研究
加入技術(shù)交流群
圖像分割的結(jié)果如圖3所示。觀察結(jié)果，很容易發(fā)現(xiàn)圖像的邊緣很大區(qū)域被錯(cuò)分為與裂縫一樣。于是直接計(jì)算裂縫寬度時(shí)會(huì)導(dǎo)致將錯(cuò)分的區(qū)域計(jì)算成裂縫。因此除了計(jì)算裂縫寬度外，對(duì)候選裂縫集合進(jìn)行有效剔除是另一個(gè)重要任務(wù)。對(duì)選裂縫集合進(jìn)行有效剔除將會(huì)在下一小節(jié)中進(jìn)行討論。
分割完圖像后，計(jì)算所有可能成為裂縫的區(qū)域的寬度。采用從圖像給定行的起始位置開始計(jì)算裂縫寬度，當(dāng)發(fā)現(xiàn)像素灰度由0變?yōu)?55，記為一個(gè)裂縫的左邊緣起始位置；當(dāng)查找到像素灰度由255變?yōu)?，記為一個(gè)裂縫的右邊緣結(jié)束位置。通過(guò)這種方法可以獲取給定行的所有可能的裂縫寬度。但是在具體試驗(yàn)中發(fā)現(xiàn)，計(jì)算對(duì)單行的裂縫進(jìn)行寬度測(cè)量還是存在比較大的誤差。于是采用求取給定行上下5行共10行的平均值的方法。這樣可以有效地去除毛刺的干擾。通過(guò)這種方法，得到一個(gè)裂縫的候選集合，并且計(jì)算出候選集合中每一個(gè)位置的寬度。
1．3 Sobel邊緣檢測(cè)
以上小節(jié)得出了裂縫的候選集合，但是事實(shí)上這個(gè)候選集合含有大量的非裂縫區(qū)域。這一節(jié)中的主要內(nèi)容是設(shè)計(jì)算法剔除這些干擾裂縫，獲取更小的裂縫候選集合。在試驗(yàn)中，由于裂縫具有明顯的邊緣，而干擾圖像區(qū)域有比較模糊的邊緣或者僅有一個(gè)邊緣等，通過(guò)分析，提出采用Sobel邊緣檢測(cè)的方法進(jìn)行裂縫位置的鎖定。Sobel算子由兩個(gè)卷積核組成，如圖4所示，圖像中的每個(gè)點(diǎn)都用這兩個(gè)核做卷積，一個(gè)核對(duì)通常的垂直邊緣相應(yīng)最大，而另一個(gè)對(duì)水平邊緣相應(yīng)最大。兩個(gè)卷積的最大值作為該點(diǎn)的輸出位。運(yùn)算結(jié)果是一幅邊緣幅度圖像。本文引用地址：http://2s4d.com/article/152205.htm
通過(guò)對(duì)原始圖像采用Sobel邊緣檢測(cè)得到如圖5所示結(jié)果。
但是，這個(gè)結(jié)果很明顯存在很多微小的干擾，這些干擾必須予以剔除，否則將對(duì)鎖定裂縫邊緣沒(méi)有任何效果。通過(guò)對(duì)邊緣檢測(cè)結(jié)果圖像仔細(xì)分析發(fā)現(xiàn)，雖然存在微小干擾，但是他們的灰度值普遍偏小，針對(duì)這一發(fā)現(xiàn)，對(duì)緣檢測(cè)結(jié)果圖像做與上一節(jié)中一樣的圖像分割，這會(huì)將微小的干擾有效地剔除。實(shí)際的實(shí)驗(yàn)結(jié)果也驗(yàn)證了這一點(diǎn)，如圖6所示。
同過(guò)對(duì)分割后的邊緣圖像進(jìn)行觀察，圖像仍然存在一些微小的干擾，但這些干擾相對(duì)于未處理的緣檢測(cè)結(jié)果圖像已經(jīng)很少，將在后續(xù)的處理中對(duì)圖像裂縫添加附加約束，從而取出這些干擾的影響。
1．4 基于裂縫特征的附加約束
通過(guò)對(duì)大量的裂縫圖像進(jìn)行分析，發(fā)現(xiàn)圖像裂縫有如下特點(diǎn)：
(1)裂縫灰度值低于墻體的灰度值。
(2)裂縫的寬度相對(duì)于整個(gè)圖像不超過(guò)圖像寬度的1／3。
(3)污染的墻體區(qū)域一般呈大的塊狀出現(xiàn)，且很多僅含有一個(gè)邊界，另一邊界延伸至圖像外面。
(4)墻體的一些微小的干擾呈小塊狀出現(xiàn)。
(5)裂縫一般為帶狀。
使用ARM處理器處理圖像，由于其速度慢且有實(shí)時(shí)性要求，故不能處理整張的圖像，換句話說(shuō)，必須處理局部圖像。這就很明顯增加了剔除候選裂縫的難度。該系統(tǒng)顯然是無(wú)法使用特點(diǎn)(4)、特點(diǎn)(5)的。因此僅使用了前三個(gè)特點(diǎn)，并提出了約束：剔除寬度高于圖像寬度1／3的裂縫候選集，剔除寬度低于1／10的裂縫候選集。
評(píng)論