PDF《道路缺陷 道路缺陷自》

1 1 1) ) ) )道路图像的预处理 道路图像的预处理 道路图像的预处理 道路图像的预处理 在道路图像拍摄的时候,由于人为的因素、光线的影响、系统造成的噪音等等原因,使得拍摄 到的图片噪音过大,所以为了不干扰下面的识别工作,我们必须对图片进行去噪处理,即图像的预 处理.我们的做法是,利用小波包阀值滤波辅以中值滤波的方法进行第一层的处理,然后对图形进 行分割,使其图像更加清晰,噪音尽可能减少.然后得到的数据就能很好地为我们下面的处理服务, 所以这一步的预处理必不可少. ( ( ( (2

2 2 2) ) ) )特征提取 特征提取 特征提取 特征提取 只有提取的图像的特征才能适用于分类,所以我们必须要对图像进行特征提取以提供数据支持, 我们提取了四个特征,分别是:分型维数、在x轴和y轴的投影特征、裂缝区域的像素数. ( ( ( (3

3 3 3) ) ) )进行分类和结果评价 进行分类和结果评价 进行分类和结果评价 进行分类和结果评价 利用 BP 神经网络进行识别分类,并且输入测试样本去检测模型的准确率,然后通过准确率来 评价这个模型的好与坏. 2. 分析方法与过程 分析方法与过程 分析方法与过程 分析方法与过程 2.1. 总体流程 总体流程 总体流程 总体流程 太普华南杯数据挖掘竞赛论文报告 第5 页,共21 页 本数据挖掘的模型流程图如下: 本用例主要包括如下步骤: 步骤一:图像预处理,只要用到小波包滤波法辅以中值滤波. 步骤二:图像特征提取,提取出每幅图像的分形维数、X 轴上投影的最大差分 Xmax、Y 轴上投 影的最大差分Ymax、每幅图像的像素值. 步骤三:利用BP神经网络来进行裂痕识别分类. 2.2. 具体步骤 具体步骤 具体步骤 具体步骤 步骤 步骤 步骤 步骤

1 1

1 1: : : :图片预处理 图片预处理 图片预处理 图片预处理 2.2.1. 2.2.1. 2.2.1. 2.2.1.实际情况分析 实际情况分析 实际情况分析 实际情况分析 道路的路面情况十分复杂,常常会掺杂着其他很多干扰在里面(周围环境如路面上的石子杂物、 裂痕附近的污物的干扰,光线不足和分布不均匀带来的影响,路面材料的大小粗糙程度的不同) ,而 在检测拍摄的过程中也由于人为的因素还有拍摄设备的原因而产生了不可避免的噪音,这些都会使 得拍摄得到的路面图片质量下降,从而造成计算机在识别上的困难.所以有针对地对图片进行预处 理,使得得到的数据能够转换成一种更适合人和机器都易于分析的数据形式,以便在图片中获得更 多的数据信息,为得到一个高效、准确的自动识别系统做好数据上的支持. 图像数据分析图像去噪处理提取图像特征小波包滤波分形维数提取 X 轴最大差分值 Y 轴最大差分值 提取像素值 训练数据测试数据中值滤波模型训练 模型验证 模型评价 Model 自动诊断 诊断结果 模型优化 与重构 原始 数据 太普华南杯数据挖掘竞赛论文报告 第6 页,共21 页2.2.2. 2.2.2. 2.2.2. 2.2.2.道路图片的特点分析 道路图片的特点分析 道路图片的特点分析 道路图片的特点分析 我们从得到的道路图片可以总结出一下几个主要特点: (1)裂痕的信息是我们提取的目标信息,由得到的图片可以看到,裂痕的像素相对于周围的背景 信息来说都要暗一些,因此目标信息的像素值即裂痕的像素值是局部的最小值. (2)无论是裂缝、网裂、龟裂都会具有一定的方向性,即存在着线性分布. (3)从图片的灰度直方图2-1可以看出,裂痕图片的像素呈现一定的单峰性,也可以看到裂痕的 像素点远远小于背景的像素点,但是我们要提取的目标信息的像素也会和背景的一些点存在着重叠 的情况,这是本文要解决的问题之一. (4)在客观上,路面的纹理具有不均匀,拍摄时光线分布不足等情况,这些都会带来很大的噪音, 所以对得到的图片进行有针对性的去噪处理也显得尤为重要. 图2-1 道路裂痕图片和其灰度直方图 2.2.3 2.2.3 2.2.3 2.2.3 图片去噪的具体实现方法 图片去噪的具体实现方法 图片去噪的具体实现方法 图片去噪的具体实现方法 (1)中值滤波法 中值滤波法目前在去噪方面的应用十分广泛,因其发展由来已久,它的方........