[发明专利]一种地铁隧道反射率影像优化剪裁方法

说明书

本发明公开了一种地铁隧道反射率影像优化剪裁方法，包括：对地铁隧道反射率影像进行剪裁，得到若干矩形的子图像；以每一子图像左上角像素点坐标作为初始定位点，确定对应子图像的位置及其边界线位置；在子图像初始定位点周围取一局部邻域；计算子图像四条边界线像素值波动程度；在局部邻域内找到使边界线像素值波动最小的点，作为新的定位点；基于新的定位点，对地铁隧道反射率影像重新进行剪裁。本发明可解决常规地铁隧道反射率影像剪裁方法容易破坏图像中完整螺栓孔特征的问题，得到包含有更多完整螺栓孔特征的分割子图像数据集，为后续训练螺栓孔特征检测网络提供了高质量的训练数据集，有效提高了检测网络的螺栓孔特征识别能力。

技术领域

本发明属于图像处理领域，具体涉及一种地铁隧道反射率影像优化剪裁方法。

背景技术

随着城市建设的发展，地下轨道交通发展迅速，且规模不断扩大。与此同时，隧道结构的安全性和可靠性受到广泛关注，而隧道形变检测是隧道安全监测中最为关键的一环。在隧道形变检测技术方面，传统的结构检测手段往往以水准仪、全站仪等测量仪器为主，通过检测特定点来反映隧道变形。然而，随着目前隧道结构复杂程度增加以及检测精度、效率等要求不断提高，传统的检测方法面临着越来越严峻的挑战。

近年来，有学者提出了一种移动式三维激光扫描及数据处理技术，这种技术涉及到基于深度学习的地铁隧道反射率影像螺栓特征提取工作，在建立深度学习数据集的过程中，需要对尺寸较大的地铁隧道反射率影像(地铁隧道反射率影像中经常包含大量的螺栓孔)进行分割，常规的分割方法在划分影像时，分割线经常刚好穿过螺栓孔，往往会导致分割子图像中存在许多不完整的螺栓孔。而采用这种不完整的螺栓孔特征对检测网络进行训练，会影响最后的训练和测试结果。

发明内容

本发明所要解决的技术问题是，针对上述现有技术的不足，提出一种地铁隧道反射率影像优化剪裁方法，减少分割子图像中不完整螺栓孔特征的数量，提高深度学习数据集的质量，从而达到提高检测网络识别精度的目的。

为实现上述技术目的，本发明采取的技术方案为：

一种地铁隧道反射率影像优化剪裁方法，包括如下步骤：

步骤1、图像剪裁，对输入的地铁隧道反射率影像进行剪裁，得到若干矩形的子图像；

步骤2、子图像定位，以每一子图像左上角像素点坐标作为初始定位点，确定对应子图像的位置及其边界线位置；

步骤3、确定定位点局部邻域，在子图像初始定位点周围取一局部邻域χ，作为后续定位点优化的搜索范围；

步骤4、计算子图像四条边界线像素值波动程度；

步骤5、边界线像素值波动最小值优化，在局部邻域χ内找到使边界线像素值波动最小的点，作为新的定位点；

步骤6、确定新的分割线，基于新的定位点，对地铁隧道反射率影像重新进行剪裁。

进一步地，步骤1中，图像剪裁是按照预设的分辨率用规范化网格进行划分的。

进一步地，步骤2中，确定对应子图像的位置及其边界线位置是指，

用初始定位点的坐标表征子图像的位置，结合子图像的预设分辨率，确定子图像的边界线位置。

进一步地，步骤3中，局部邻域χ大小取80×80。

进一步地，步骤4具体为，分别计算子图像S(x，y)四条边界线上点的像素值的方差D(S_i(x，y))，并以此表征每条边界线上点的像素值的波动程度，其中，S_i(x,y)表示子图像S(x，y)的第i条边界线，i＝1,2,3,4，(x,y)表示定位点坐标。