CN120219190A 基于图像融合和亮度增强的裂隙监测方法、系统及介质

(19)国家知识产权局11号周政白亚宁纪念刘泽奇范锐所(普通合伙)37507基于图像融合和亮度增强的裂隙监测方法、融合和亮度增强的裂隙监测方法、系统及介质，双模态图像融合函数将伪彩色图像与原始图像增强2步骤S1,双模态图像融合；获得裂隙灰度图的伪彩色图像，构建双模态图像融合函数将所述伪彩色图像与原始图步骤S2,图像亮度分段线性增强；将步骤S2中获得的增强图像进行裂隙区域分割，获取分割后的多个裂其中，A(x,y)与B(x,y)分别表示伪彩色图像与原始图像在坐标为(x,y)处的像素素值；权重的分子来赋予其低的权重，将BC₂作为原始图像融合权重的分子来赋予其高的权重；3函数的调整参数。4.根据权利要求3所述的方法，其特征在于，所述亮度分段线性函数根据图像的全局亮若T≤Br,则选取[α;β;γ;δ]=[1.2;-112;-0.6;331];若T>Br,则选取[α;β;γ;δ]=[0.2;90;-1.2;394]。5.根据权利要求1所述的方法，其特征在于，步骤S3中将步骤S2中获得的增强图像进行底帽变换，利用闭运算的结果减去原始图像，得到I"=(I*B)-I;使用Otsu算法对图像进行二值化处理，确定一个阈值T,以最大化类间方差；通过闭运算连接裂隙区域中被断开的部分并平滑物体边界：表示膨胀操作。6.根据权利要求1所述的基于图像融合和亮度增强的裂隙监测方法，其特征在于，步骤S3中，在计算裂隙参数之前先使用区域标记法标记所有裂隙区域，获取每个裂缝区域的裂为原始图像的长和宽；计算裂隙长度，通过形态学操作对二值图像进行迭代细化，逐步去除裂隙的边缘像素，直到得到一个像素宽的裂隙骨架，随后获取每条骨架的像素数，得到裂隙总长度，表示为：4其中，N为骨架的条数，9j为第j条骨架的像素数，j为指标变量；计算裂隙平均宽度，通过获得的裂隙面积及裂隙长度计算裂隙平均宽度，表示为：其中，B为裂隙平均宽度，A为裂隙面积，L为裂隙宽度，中的n为墙体裂隙区域的个架的像素数，j为指标变量。7.根据权利要求6所述的方法，其特征在于，步骤S4中判断各裂隙参数分别与各自对应的预设参数的关系，包括：若各裂隙参数均小于各自对应的预设参数，则裂隙为安全裂隙；若各裂隙参数中的任意一个小于各自对应的预设参数，则裂隙为待观察裂隙；若各裂隙参数的至少两个大于各自对应的预设参数，则裂隙为危险裂隙。8.基于图像融合和亮度增强的裂隙监测系统，其特征在于，所述裂隙监测系统包括：双模态图像融合模块，所述双模态图像融合模块用于获得裂隙灰度图的伪彩色图像，构建双模态图像融合函数将所述伪彩色图像与原始图像融合，以构造双模态融合图像；图像亮度分段线性增强模块，所述图像亮度分段线性增强模块基于所述双模态图像融合模块构造的双模态融合图像，构建亮度分段线性函数，根据图像的全局亮度，自适应选择所述亮度分段线性函数的调整参数以进行图像增强；裂隙区域分割模块及裂隙参数提取模块，所述裂隙区域分割模块将图像亮度分段线性增强模块获得的增强图像进行裂隙区域分割，获取分割后的多个裂隙区域，计算每个裂隙区域的裂隙参数；裂隙参数比较模块，所述裂隙参数比较模块基于裂隙参数提取模块计算出的各裂隙参数，判断各裂隙参数分别与各自对应的预设参数的关系，以实现裂隙监测。9.计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序由处理器执行时，实现如权利要求1至7任一项所述的基于图像融合和亮度增强的裂隙监测方法。5基于图像融合和亮度增强的裂隙监测方法、系统及介质技术领域[0001]本申请涉及图像处理与计算机视觉技术领域，具体涉及基于图像融合和亮度增强背景技术[0002]结构裂隙通常由于结构应力达到其极限值，导致承载力不足而引发。结构裂隙一般包括隧道裂隙、路面裂隙、墙体裂隙等多种类型。随着时间的推移，这些裂隙可能会逐渐扩展，削弱结构体的完整性，最终导致局部或整体的失稳，甚至引发结构倒塌。通过定期监测裂隙的发育状况，能够及时发现潜在的结构问题，预防可能导致的失稳或倒塌事件。[0003]近年来，机器视觉在裂隙检测与分析领域展现出巨大的潜力和优势。该技术能够实现对结构体表面图像的高精度分割处理，精准提取裂隙的形态特征，为裂隙的量化分析提供了坚实的数据基础。[0004]现有结构裂隙的图像处理方法可大致归结为两大主流策略：一类是数字图像处理技术，另一类是基于深度学习的大模型方法。数字图像处理技术通常对光照条件较为敏感，光照变化会显著影响处理效果，且该技术缺乏自适应调整机制，难以针对多样化的结构裂隙图像自动优化处理参数。深度学习方法能够有效应对复杂图像数据的挑战，可通过大数据训练的深度学习模型进行准确识别与分析，展现出高度的鲁棒性与适应性。然而，深度学习模型的这一优势亦伴随着对数据的高度依赖。模型的训练需要大量精确标注的数据集，而数据的收集、整理和标注过程耗时费力。此外，某些特定的结构裂隙数据量较少，且不同类型的结构裂隙数据特征差异显著。这些因素导致深度学习模型难以充分学习和泛化，从而无法构建有效的深度学习网络。因此，现有技术针对复杂背景下不同结构体的裂隙分析问题存在较多不足。发明内容[0005]本申请要解决的技术问题在于克服现有技术的不足，提供基于图像融合和亮度增强的裂隙监测方法、系统及介质，实现对裂隙发育过程的有效监测与评估。[0006]为实现上述目的，本申请第一方面提供基于图像融合和亮度增强的裂隙监测方步骤S1,双模态图像融合；获得裂隙灰度图的伪彩色图像，构建双模态图像融合函数将所述伪彩色图像与原始图像融合，以构造双模态融合图像；步骤S2,图像亮度分段线性增强；基于步骤S1中构造的双模态融合图像，构建亮度分段线性函数，根据图像的全局亮度，自适应选择亮度分段线性函数的调整参数进行图像增强；步骤S3,裂隙参数计算；将步骤S2中获得的增强图像进行裂隙区域分割，获取分割后的多个裂隙区域，计6基于步骤S3中计算出的各裂隙参数，判断各裂隙参其中，A(x,y)与B(x,y)分别表示伪彩色图像与原始图像在坐标为(x,y)融合权重的分子来赋予其低的权重，将BC₂作为原始图像融合权重的分子来赋予其高的权若T≤Br,则选取[a;β;γ;δ]=[1.2;-112若T>Br,则选取[α;β;γ;δ]=[0.2;90;-1.2;394]。7I"=(I*B)-I;使用Otsu算法对图像进行二值化处理，确定一个阈值T,以最大化类间方差；其中，Na是前景像素数，N₆是背景像素数，μa是前景平均灰度值，μb是背景通过闭运算连接裂隙区域中被断开的部分并平滑物体边界：[0011]进一步的，步骤S3中，在计算裂隙参数之前先使用区域标记法标记所有裂隙区域，获取每个裂缝区域的裂隙参数，包括：和H分别为原始图像的长和宽；计算裂隙长度，通过形态学操作对二值图像进行迭代细化，逐步去除裂隙的边缘像素，直到得到一个像素宽的裂隙骨架，随后获取每条骨架的像素数，得到裂隙总长度，表示为：计算裂隙平均宽度，通过获得的裂隙面积及裂隙长度计算裂隙平均宽度，表示为：8双模态图像融合模块，所述双模态图像融合模块获得裂隙灰度图的伪彩色图像，9附图说明[0018]附图作为本申请的一部分，用来提供对本申请的进一步地理解，本申请的示意性实施例及其说明用于解释本申请，但不构成对本申请的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1是本具体实施方式中整体逻辑示意图；图2是本具体实施方式中双模态图像融合的逻辑示意图；图3是本具体实施方式中亮度分段线性增强函数的示意图；图4是本具体实施方式中原始分段线性增强函数的示意图；图5是本具体实施方式中裂隙区域分割的逻辑示意图；图6是本具体实施方式中裂隙分割结果的示意图；图7为本具体实施方式中选取不同融合权重取值的效果对比示意图；图8为本具体实施方式中选取不同调整参数取值的效果对比示意图。具体实施方式[0020]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本申请，但不用来限制本申请的范围。[0021]请参见图1,本实施例提供一种基于双模态图像融合和亮度分段线性增强的裂隙步骤S1,双模态图像融合；获得裂隙灰度图的伪彩色图像，构建双模态图像融合函数将伪彩色图像与原始图步骤S2,图像亮度分段线性增强；基于步骤S1中构造的双模态融合图像，构建亮度分段线性函数，根据图像的全局亮度，自适应选择亮度分段线性函数的调整参数以进行图像增强；步骤S3,裂隙区域分割及裂隙参数提取；将步骤S2中获得的增强图像进行裂隙区域分割，获取分割后的多个裂隙区域，计算每个裂隙区域的裂隙参数；步骤S4,裂隙参数比较；基于步骤S3中计算出的各裂隙参数，判断各裂隙参数分别与各自对应的预设参数[0022]需要说明的是，本实施例中监测方法的执行主体为基于双模态图像融合和亮度分段线性增强的裂隙监测装置，该装置可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备设备可以为服务器和个人计算机等，本申请不作具体限定。以下以执行主体为服务器为例，对本实施例中的基于双模态图像融合和亮度分段线性增强的裂隙监测方法展开描述。隐含地包括一个或者更多个该特征。在本申请实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。[0024]在一个可实现的实施方式中，步骤S1,双模态图像融合。[0026]请参见图1和图2,本实施例将原始图像灰度化，通过Jet伪彩色映射方法获得裂隙灰度图的伪彩色图像，该映射方法基于色调hue的变化，将灰度级别映射到不同的颜色，从而使得图像中的不同灰度值在彩色图像中呈现出明显的色彩差异，表示为：其中，r(x)、g(x)、b(x)分别表示红、绿、蓝三个通道的颜色值，x表示输入的灰度值。[0027]需要说明的是，r(x)、g(x)、b(x)这三个函数分别定义不同灰度级在红绿蓝三个通道的取值方式，当每个通道都被赋予了特定值之后即实现了Jet伪彩色映射。[0029]本实施例先获得伪彩色图像与原始图像的灰度直方图，再根据灰度直方图得到巴氏系数。本实施例根据图像直方图的巴氏系数作为衡量伪彩色图像与原始图像之间相似度指标。巴氏系数取值范围在[0,1]之间，其中0表示伪彩色图像与原始图像完全不相似，1表示伪彩色图像与原始图像完全相同。巴氏系数表示如下：其中，i表示图像中各个像素点的灰度级，Pi、9;为伪彩色图像与原始图像的直方其中，A(x,y)与B(x,y)分别表示伪彩色图像与原始图像在坐标为(x,y)[0033]在双模态融合函数中，若BC<BC₂,则表示原始图像中包含更多的原始信息，BC作为伪彩色图像融合权重的分子来赋予其低的权重，将BC₂作为原始图像融合权重的分子来赋予其高的权重；若BC≥BC,则表示伪彩色图像彩色图像融合权重的分子来赋予其高的权重，将BC₂作为原始图像融合权重的分子来赋予定融合权重，可以帮助平衡伪彩色图像与原始图像[0037]请参见图1和图3,本实施例根据原始图像的亮度值获得图像的全局亮度，构造亮为图像中坐标为(x,y)的像素点的原始灰度值，g(x,y)为f(x,y)变换后的灰度值；[0,整参数；T为图像的全局亮度，即是图像中所有像素亮度值的平均值，反映了图像的整体明亮程度。[0038]请具体参见图3,本实施例中，亮度分段线性函数根据图像的全局亮度，通过设置阈值Br,自适应选择亮度分段线性函数的调整参数a、β、γ、δ;若T≤Br,则选取[α;β;γ;δ]=[1.2;-112;-0.6;331];若T>Br,则选取[a;β;γ;δ]=[0.2;90;-1.2;394]。[0039]图3中，α₁T+β1和α₂T+β2分别表示暗图像和亮图像控制灰度变换的第一个转折点，Y₁T+δ1和Y₂T+δ2分别表示暗图像和亮图像输入灰度为200时的输出灰度值，g(x,y)[0040]需要说明的是，本实施例提出的亮度分段线性函数是针对原始分段线性增强函数进行改进的，原始的分段线性增强函数有两个转折点，如图4所示，这两个转折点对应四个参数，这四个参数由实验人员根据图像特征自己设定。本实施例提出的亮度分段线性函数根据图像亮度T与阈值Br比较选取不同的增强策略，若T≤Br,则选取[α₁;β₁;Y₁;δ₁],若T>Br,则选取[α₂;β₂;Y₂;δ₂];如图3所示，亮度分段线性函数的参数与原始函数的四类参数是相互对应的，α₁T+β1和α₂T+β₂对应x₁,200对应X2,Y₁T+δ1和Y2T+δ2对应y₂,10对应y₁。因此，本实施例设置的这些调整参数的含义与原始分段线性增强函数参数的含义一样，代表对不同灰度区间进行灰度变换的分界点。由于本实施例的函数要根据图像亮度T确定合适的图像增强参数，所以本实施例引入了其它参数：α,β,γ,δ来对T进行变换得到合适的增强参数。通过多次实验发现，设置两个参数来对T进行变换，可以得到最合适的图像增强参数，而且适用于不同的裂缝图像进行增强。因此，在灰度变换转折点处，本实施例理地确定图像增强的关键参数，来实现更好的图像增强效果。[0041]需要说明的是，本实施例构建的亮度分段线性函数，可以针对不同背景亮度的结构裂隙自动选择合适的参数进行图像增强，通过自适应调整参数克服了固定参数的图像增强技术对裂隙区域进行增强效果较差的问题。[0042]请继续参见图3,本实施例中，根据原始图像红绿蓝三通道的亮度值以获得图像的全局亮度T,再利用全局亮度T构造亮度分段线性函数，并通过亮度分段线性函数进行图像增强。全局亮度T是图像中所有像素亮度值的平均值，反映了图像的整体明亮程度。其中全局亮度T,表示为：[0043]请参见图7和图8,图7中(a)为原始图像，(b)为随机融合权重1,(c)为随机融合权重2,(d)为随机融合权重3,(e)为随机融合权重4,(f)为本实施例。图8中(a)为原始图像，[0045]本实施例结合不同亮度的裂缝图像进行多次实验，设置阈值Br,若图像亮度T≤Br,则选取该函数的参数[α;β;γ;δ]=[1.2;-112;-0.6;331];若T>Br,则选取[a;β;具体的，本实施例利用闭运算的结果减去原I"=(I*B)-I;同，导致裂隙面积难以客观评价裂隙对整个结构体的影响本实施例在计算裂隙参数之前先使用区域标记法标记所有裂隙区域，通过8连通区域标记其中，v为数学逻辑“或”,裂隙区域面积比小于1%、裂隙长度小于100和裂隙宽度小于5,该式表明待观察裂隙要求同时满足其中两个条件；危险裂隙设定为：(P≤1%人L>100人W>5)(P>1%L≤1v(P>1%入L>100人W≤5)(P>1%入L>100人W>5)其中，へ为数学逻辑“且”,裂隙区域面积比小于1%、裂隙长度小于100和裂隙宽度小于5。该式表明危险裂隙要求至多满足其中1个条件。[0060]具体的，根据裂隙参数的类型，可以判断出裂隙的安全性，并制定科学合理的维护计划来延缓结构老化。[0061]基于相同的发明构思，本申请还提供基于双模态图像融合和亮度分段线性增强的裂隙监测系统，裂隙监测系统包括双模态图像融合模块、图像亮度分段线性增强模块、裂隙区域分割模块、裂隙参数提取模块和裂隙参数比较模块。[0062]其中，双模态图像融合模块获得裂隙灰度图的伪彩色图像，构建双模态图像融合函数将伪彩色图像与原始图像融合，以构造双模态融合图像；图像亮度分段线性增强模块基于双模态图像融合模块构造的双模态融合图像，构建亮度分段线性函数，根据图像的全局亮度，自适应选择亮度分段线性函数的调整参数以进行图像增强；裂隙区域分割模块基于图像亮度分段线性增强模块增强的图像，分割有若干个裂隙区域，通过裂隙区域标记法确定裂隙区域，并计算每个裂隙区域的像素数得到裂隙参数；裂隙参数比较模块基于裂隙参数提取模块计算出的各裂隙参数，判断各裂隙参数分别与预设参数的关系，以实现裂隙监测。[0063]基于相同的发明构思，本申请还提供计算机可读存储介质，存储有计算机程序，所述计算机程序由处理器执行时，实现如前所说明的基