一种基于堤坝红外图像的渗漏检测方法

技术领域

本发明涉及一种渗漏检测方法，尤其是一种基于堤坝红外图像的渗漏检测方法。

背景技术

渗漏是堤坝灾害中最为常见的灾害之一，在2020年汛期，长江中下游大堤仅管涌、渗漏等隐患就达4335处，而渗漏灾害具有隐蔽性和初始泄放量小的特点，可见光图像往往无法准确的捕捉到渗漏区域的特征，容易造成“漏识别”的现象，由于一般情况下渗漏发生在堤坝的下半部，水体温度较低，因而造成堤坝表面的渗漏区域和周围区域的温度不同，红外图像检测就成为检测渗漏区域的一种快速有效的方法。相较于可见光图像，红外热像图通过目标与背景的辐射差产生图像，受杂草、光照等环境因素的影响较小，渗漏区域的特征更加明显。

但是，由于红外图像不具备可见光图像丰富的光学纹理，同时由于物体热平衡、传输距离、大气衰减等原因，造成了红外图像普遍具有分辨率不高、对比度较低、信噪比较低和视觉效果比较模糊等特点，并且受外外界环境的随机干扰和热成像系统的不完善，最后呈现出来的红外热像图中通常含有各种噪声，给红外图像后续的渗漏检测带来了一定的干扰，容易造成漏识别或误识别的现象，极大地影响堤坝红外图像渗漏检测方法的精度。因此，对于对比度较低、包含噪声较多的红外热像图，需要对其进行必要的噪声抑制与图像增强处理。

现有的红外图像的增强方法可分为空间域方法和频率域方法。空间域方法是直接对图像各像素进行处理，以灰度映射变换为基础，所采用的映射变换方式往往取决于图像的特点和增强的目的，如传统直方图均衡、非锐化掩膜、双边滤波器等；频率域是将图像从图像空间转换回频域空间，然后在频域空间对图像进行增强，最后将增强后的图像再从频域空间转换到图像空间，如傅里叶变换、快速离散曲波变换等。引导滤波目前被广泛应用在图像去噪、HDR压缩、细节增强和联合上采样等方面，该方法虽然可以在去噪平滑的基础上增强图像的边缘和细节信息，但是增强后的红外图像往往会出现细节丢失和边缘模糊的现象。

发明内容

发明目的：提供一种基于堤坝红外图像的渗漏检测方法，能够在图像处理过程中较好地保留边缘信息，并对红外图像进行增强处理，使得分割出的堤坝渗漏区域具有更高的可靠性。

技术方案：本发明所述的基于堤坝红外图像的渗漏检测方法，包括如下步骤：

步骤1，输入堤坝的原始红外图像，然后对原始红外图像进行梯度计算获取梯度图像，再将梯度图像与原始红外图像叠加形成引导图像；

步骤2，利用引导滤波算法对引导图像进行滤波操作获得滤波后的引导图像；

步骤3，利用模糊集增强函数对滤波后的引导图像进行模糊集增强处理获得增强图像；

步骤4，利用基于局部阈值的图像二值化算法对增强图像进行分割，获得堤坝图像渗漏区域的二值化图像，根据二值化图像确定出堤坝渗漏区域。

进一步的，步骤1中，对原始红外图像进行梯度计算获取梯度图像的表达式为：

式中，

进一步的，步骤1中，将梯度图像与原始红外图像叠加形成引导图像的表达式为：

式中，I为引导图像，k

进一步的，步骤2中，利用引导滤波算法对引导图像进行滤波操作获得滤波后的引导图像的算法表达式为：

q＝f

式中，q为滤波后的引导图像，p为原始红外图像，I为引导图像，r为滤波窗口半径，ε为正规化因子，f

进一步的，正规化因子ε的计算公式为：

式中，ε′为人工选定的初始正规化因子，G(i)为边缘权重因子，边缘权重因子G(i)的计算公式为：

式中，i′为引导图像I的像素点，C(g)为Canny算子，σ

进一步的，步骤3中，利用模糊集增强函数对滤波后的引导图像进行模糊集增强处理获得增强图像的具体步骤为：

步骤3.1，构建隶属度函数为：

式中，x

步骤3.2，构建模糊集增强函数为：

式中，μ为增强阈值；

步骤3.3，利用模糊集增强函数对滤波后的引导图像进行模糊集增强处理的函数表达式为：

将滤波后的引导图像的各个像素点经过函数I

进一步的，步骤4中，利用基于局部阈值的图像二值化算法对增强图像进行分割的具体步骤为：

步骤4.1，根据增强图像自身的像素矩阵来确定邻域窗口w

式中，w

步骤4.2，在邻域窗口w

式中，f(i,j)表示某个像素点(i,j)的灰度值；

步骤4.3，计算像素点(x,y)的局部阈值为：

T(x,y)＝m(x,y)+k×s(x,y)

式中，k为修正系数；

步骤4.4，利用下式对增强图像中所有像素点(x,y)进行二值化处理为：

式中，b(x,y)为像素点(x,y)的二值化处理结果，将增强图像中所有像素点(x,y)进行二值化处理后便获得了堤坝图像渗漏区域的二值化图像。

进一步的，步骤4.3中，修正系数的计算公式为：

式中，f

本发明与现有技术相比，其有益效果是：通过将梯度图像与原始红外图像叠加形成引导图像，实现了对引导图像的改进，通过改进引导图像能够在保留原始红外图像总体特征的同时，充分获得引导图像的边缘特征；利用模糊集增强函数对滤波后的引导图像进行模糊集增强处理，能够进一步突显红外图像中的细节信息，使图像特征区域的边缘更加明显，从而克服红外图像本身分辨率不高、对比度较低的问题；利用基于局部阈值的图像二值化算法对增强图像进行分割，能够有效提升增强图像的分割效果。

附图说明

图1为本发明的方法整体流程图；

图2为本发明的梯度图像和引导图像对比图；

图3为本发明的改进引导滤波和模糊集增强对比图；

图4为本发明的实验验证的不同方法分割结果对比图。

具体实施方式

下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例1：

如图1所示，本发明公开的基于堤坝红外图像的渗漏检测方法包括如下步骤：

步骤1，输入堤坝的原始红外图像，然后对原始红外图像进行梯度计算获取梯度图像，再将梯度图像与原始红外图像叠加形成引导图像；

步骤2，利用引导滤波算法对引导图像进行滤波操作获得滤波后的引导图像；

步骤3，利用模糊集增强函数对滤波后的引导图像进行模糊集增强处理获得增强图像；

步骤4，利用基于局部阈值的图像二值化算法对增强图像进行分割，获得堤坝图像渗漏区域的二值化图像，根据二值化图像确定出堤坝渗漏区域。

通过将梯度图像与原始红外图像叠加形成引导图像，实现了对引导图像的改进，通过改进引导图像能够在保留原始红外图像总体特征的同时，充分获得引导图像的边缘特征；利用模糊集增强函数对滤波后的引导图像进行模糊集增强处理，能够进一步突显红外图像中的细节信息，使图像特征区域的边缘更加明显，从而克服红外图像本身分辨率不高、对比度较低的问题；利用基于局部阈值的图像二值化算法对增强图像进行分割，能够有效提升增强图像的分割效果。

进一步的，步骤1中，对原始红外图像进行梯度计算获取梯度图像的表达式为：

式中，

进一步的，步骤1中，将梯度图像与原始红外图像叠加形成引导图像的表达式为：

式中，I为引导图像，k

进一步的，步骤2中，利用引导滤波算法对引导图像进行滤波操作获得滤波后的引导图像的算法表达式为：

q＝f

式中，q为滤波后的引导图像，p为原始红外图像，I为引导图像，r为滤波窗口半径，ε为正规化因子，f

滤波后的引导图像q的线性模型为：

式中，ω

为求取线性系数a

采用线性回归算法求取线性系数a

式中，μ

由于传统引导滤波算法采用人工选定初始正规化因子ε，所以往往会导致图像部分细节和边缘信息丰富的区域出现一定程度的模糊。因此，在原有引导滤波的基础上引入Canny算子，自适应地调节边缘权重因子的大小。

进一步的，正规化因子ε的计算公式为：

式中，ε′为人工选定的初始正规化因子，G(i)为边缘权重因子，边缘权重因子G(i)的计算公式为：

式中，i′为引导图像I的像素点，C(g)为Canny算子，σ

当G(i)＜1时，此时为平滑处像素，权重较小；当G(i)＞1时，此时为边缘处像素，权重较大。如图3中的(a)图所示，改进后的引导滤波受边缘权重因子的作用，能够在不增加算法时间复杂度的情况下，可以更好地保留图像的边缘特征。

由于红外图像本身具有分辨率不高、对比度较低的特点，为了进一步突显红外图像中的细节信息，使图像特征区域的边缘更加明显，因此采用模糊集增强处理方法对滤波后的引导图像进行增强处理。

进一步的，步骤3中，利用模糊集增强函数对滤波后的引导图像进行模糊集增强处理获得增强图像的具体步骤为：

步骤3.1，构建隶属度函数为：

式中，x

步骤3.2，构建模糊集增强函数为：

式中，μ为增强阈值，根据滤波后的引导图像的像素均值所对应的隶属度值进行设定；

步骤3.3，利用模糊集增强处理为：

将滤波后的引导图像的各个像素点经过函数I

由图3中的(a)图和(b)图对比可见，未经过模糊集增强之前，图像较为模糊，灾害点区域仍然存在一定的噪声点，而经过模糊集增强处理后，图像灾害点区域噪声点明显减少，且灾害点区域和背景区域的对比度增强，边缘和细节信息也更加明显。

进一步的，步骤4中，利用基于局部阈值的图像二值化算法对增强图像进行分割的具体步骤为：

步骤4.1，根据增强图像自身的像素矩阵来确定邻域窗口w

式中，w

步骤4.2，在邻域窗口w

式中，f(i,j)表示某个像素点(i,j)的灰度值；

步骤4.3，计算像素点(x,y)的局部阈值为：

T(x,y)＝m(x,y)+k×s(x,y)

式中，k为修正系数；

步骤4.4，利用下式对增强图像中所有像素点(x,y)进行二值化处理为：

式中，b(x,y)为像素点(x,y)的二值化处理结果，将增强图像中所有像素点(x,y)进行二值化处理后便获得了堤坝图像渗漏区域的二值化图像。

分割效果还与修正系数k的取值相关，而修正系数k的选择往往容易受到人为主观经验的影响，进而影响分割结果，若修正系数k的取值较小，则分割时容易忽略图像中面积较小的目标区域，导致该区域被误划分为背景区域，若k的取值较大，则算法受噪声的影响增大，导致分割效果变差，因此利用图像的灰度信息对修正系数进行改进。

进一步的，步骤4.3中，修正系数的计算公式为：

式中，f

为了验证方法效果，进行了如下实验分析，本次实验的硬件平台如上文表1所示，软件平台为64位Windows 11，PyCharm 2021，OpenCV 4.5.3，数据采集设备为大疆M300 RTK无人机，搭载禅思ZenmuseH20T云台相机，图像分辨率为512×512。分别使用本申请方法、OTSU法、Niblack法和最大熵法对其进行分割实验，实验结果如图4所示。

表1硬件平台信息

由图4中实验结果可以看出，对于堤坝红外图像，本申请方法可以准确的将渗漏区域和背景区域分离，并且误分割面积较小，如图4中(e)行所示，该红外图像无渗水区域，而OTSU法，最大熵法和Niblack算法都出现了把背景区域误分割为目标区域的现象，同时，OTSU法和最大熵法分割的边缘较为模糊，对识别的准确性造成了一定影响。

本申请采用交并比(IoU)和相似系数(Dice)两种评价指标对几种不同方法的分割效果进行评价。IoU通常用来衡量目标检测任务中，预测结果的位置信息的准确程度，表示预测结果和真实数据的交集与并集的比值，IoU的值越趋近于1，说明与标准分割结果的差距越小，分割的准确率越高，计算公式为：

式中，TP表示被模型预测为正类的正样本，即图像为有灾害点图像，预测结果也是有灾害点图像；FP表示被模型预测为正类的负样本，即图像是无灾害点图像，被预测为有灾害点图像；FN表示被模型预测为负类的正样本，即图像为有灾害点图像，预测结果为无灾害点图像。

Dice相似系数(Dice Similariy Coefficient)是一种集合相似度度量函数，通常用于计算两个样本的相似度，系数值的范围为[0,1]，值越大说明分割准确率越高，计算公式为：

四种不同方法的渗漏图像分割性能指标对比如表2所示，与其它方法相比，本申请方法在IoU和Dice系数两项指标中取得了最优性能指标，分别为81.92％和86.58％，显著优于OTSU法(分别为66.83％和70.89％)，最大熵法(分别为68.37％和72.87％)，Niblack算法(分别为73.66％和80.99％)。

表2OTSU法、最大熵法、Niblack算法和本文网络评价指标对比

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。