✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）
⛄一、简介
1 基于阔值分割的裂缝检测方法
基于阈值分割的裂缝检测方法是一种综合的裂缝检测算法，主要分为两步：首先对输入的图像进行预处理，目的是去除混凝土表面图像上的背景噪声，同时增强裂缝特征；其次对预处理的图像进行阈值分割，提取裂缝。
例如，（1）预处理中利用图像减操作去除微小的变化，如不均匀光照和阴影的干扰；（2）然后利用线性增强处理，增强线性结构，消除块状结构等噪声；（3）最后利用Otsu算法进行阈值分割，其阈值获取依据灰度直方图。
该算法能够有效去除阴影干扰，但是取决于预处理时图像减操作的中值滤波器大小、线性增强的参数大小及阈值选择的准确性，在实际应用中不容易获取。
2 基于形态学的裂缝检测方法
基于形态学的裂缝检测方法是数学形态学和曲率评估检测复杂环境中类似裂缝的模型。通过定义一个矩形或其他形状的结构元素，对混凝土表面图像进行腐蚀、膨胀、开运算和闭运算等操作，使得图像中不是裂缝的边缘信息尽量腐蚀掉，同时对裂缝边缘进行填充，再进行裂缝识别。
基于形态学的裂缝检测方法通常分三步：
（1）通过增强图像背景中黑色像素来提高图像对比度；
（2）采用数学形态学中描述的条件进行裂缝增强，即先使用高斯滤波去噪，然后进行阈值分割；
（3）采用线性结构元素去除被增强的噪声模型，利用较大的结构元素进行闭操作以去除比结构元素小的扭曲的裂缝部分。
该方法对复杂背景的混凝土表面图像进行裂缝检测时能够有效利用裂缝的形状属性、连通性、曲率等，在裂缝检测研究中应用较多。
3 基于区域生长的裂缝检测方法
区域生长是将单个像素或者像素点组成的区域发展成更大区域的过程。
首先选择种子像素点或者种子区域，然后对这些种子像素点进行区域增长是通过将与每个种子点或者区域有相似属性（如强度、灰度级及纹理等）的相邻像素点或者相邻区域合并到种子区域，不断迭代，直到处理完每个像素点。
使用区域生长算法进行裂缝检测时，首先对裂缝图像进行区域划分，寻找种子区域，然后对裂缝区域进行矢量化，根据裂缝区域间的相似属性与种子区域连接，不断迭代，直到所有裂缝区域连接完毕。
该算法能够实现断裂裂缝的连接，但计算量大，噪声区域的存在导致部分噪声区域被误连接，影响裂缝检测的精确率。
4 基于渗流模型的裂缝检测方法
渗流算法是一种可变的局部处理方法。
基于渗流模型的裂缝检测算法的基本思想是根据中心像素点的特征值判断其是否为裂缝上的点，若中心像素点属于裂缝像素，则渗流区域将线性生长，若中心像素点是背景像素，则渗流区域将向各方向生长。
渗流算法充分考虑了邻域像素点间灰度值的连续性，从而保证了裂缝的连续性，此外，该算法同时利用裂缝的灰度特征和形状特征，能够精确检测到不清晰的裂缝，但该算法处理时间长，不能很好地满足实时性要求。
5 基于小波变换的裂缝检测算法
小波变换是一种新的局部变换分析方法，能够提供一个随频率改变的窗口，即其形状、时间窗和频率窗都可以随时频的改变而改变。
采用小波变换进行图像处理时，首先将一幅固定的图像经过变换分解为一系列运动的图像，然后把函数看做是视野的移动。
当一幅图像发生伪运动时，其小波系数会发生震荡，震荡的幅度会给出函数的频率信息，该方法将图像变换到不同方向的子带来进行裂缝提取。
6 基于神经网络的裂缝检测方法
基于神经网络的裂缝检测算法是一种非线性的分类算法。
首先对图像进行方格采样，获取图像的方格影像，并对每个方格影像依次进行直方图均衡处理和二值化处理，然后提取方格特征，构成用于训练和分类的特征向量。
该方法对网络结构和训练方案的选择要求较高，否则会导致直接用于信息提取的结果鲁棒性差。此外，裂缝形状的多样性及宽度的不确定性导致训练过程复杂，运行效率低。
⛄二、部分源代码
function [ ] = PavementCrackDelineation( )
% NOTE: It requires a compiled mex-file of the fast implementation
% of the max-blurring function.
if ~exist('./COSFIRE/dilate')
BeforeUsing();
end
% temporary
dataset = 2;
CRACK_IVC = 1;
CRACK_PV14 = 2;
if dataset == CRACK_IVC
error('Dataset not yet available.')
return;
elseif dataset == CRACK_PV14
dname = 'CrackPV14';
imagesdir = 'cracks14';
gtdir = 'cracks14_gt';
prefix_gt = '';
end
% Binarization thresholds
thresholds = 0.01:0.01:0.99;
nthresholds = numel(thresholds);
%% Symmetric filter params and configuration
x = 101; y = 101; % center
line1(:, :) = zeros(201);
line1(:, x) = 1; %prototype line
% Parameters determined in the paper
% N.Strisciuglio, G. Azzopardi, N.Petkov, "Detection of curved lines
% with B-COSFIRE filters: A case study on crack delineation", CAIP 2017
sigma = 3.3;
len = 14;
sigma0 = 2;
alpha = 1;
% Symmetric filter params
symmfilter = cell(1);
symm_params = SystemConfig;
% COSFIRE params
symm_params.inputfilter.DoG.sigmalist = sigma;
symm_params.COSFIRE.rholist = 0:2:len;
symm_params.COSFIRE.sigma0 = sigma0 / 6;
symm_params.COSFIRE.alpha = alpha / 6;
% Orientations
numoriens = 12;
symm_params.invariance.rotation.psilist = 0:pi/numoriens:pi-pi/numoriens;
% Configuration
symmfilter{1} = configureCOSFIRE(line1, round([y x]), symm_params);
% Prepare the filter set
filterset(1) = symmfilter;
%% APplication of B-COSFIRE for crack delineation
files = rdir(['./data/' dname '/' imagesdir '/*.bmp']);
nfiles = size(files, 1);
% Initialize result matrix
nmetrics = 3;
RESULTS = zeros(nfiles + 1, nmetrics, nthresholds);
for n = 1:nfiles
fprintf('Processing image %d of %d. ', n, nfiles);
% Read image
imageInput = double(imread(files(n).name)) ./ 255;
% Read groud truth
[p, name, ext] = fileparts(files(n).name);
gt = double(imread(['./data/' dname '/' gtdir '/' prefix_gt name '.bmp'])) ./ 255;
imageInput = imcomplement(imageInput);
% Pad input image to avoid border effects
NP = 50; imageInput = padarray(imageInput, [NP NP], 'replicate');
% Filter response
inhibFactor = 0;
tuple = computeTuples(imageInput, filterset);
[response, rotations] = applyCOSFIRE_inhib(imageInput, filterset, inhibFactor, tuple);
response = response{1};
response = response(NP+1:end-NP, NP+1:end-NP);
% Cropping out the central part (unpadding)
rotations_final = zeros(size(response, 1), size(response, 2), size(rotations, 3));
for j = 1:size(rotations, 3)
rotations_final(:,:,j) = rotations(NP+1:end-NP, NP+1:end-NP, j);
end
% Evaluation
fprintf(' Result evaluation...\n');
for j = 1:nthresholds
% Thinning and Histeresis thresholding (using different
% thresholds). The threshold of the CAIP17 paper is th=49. Here
% we compute the performance for differen thresholds anyway to
% build and show the ROC curve.
binImg = binarize(rotations_final, thresholds(j));
binImg2 = bwmorph(binImg, 'close');
binImg2 = bwmorph(binImg2,'skel',Inf);
figure(j)
imshow(binImg2);
% Compute the result metrics for a tolerance of d = 2 (as in
% the paper)
[cpt2, crt2, F2] = evaluate(binImg2, gt, 2);
%[cpt3, crt3, F3] = evaluate(binImg2, gt, 3);
RESULTS(n, :, j) = [cpt2, crt2, F2];
end
end
% Average Results
avg_results = reshape(mean(RESULTS(1:nfiles, :, :)), nmetrics, nthresholds)';
[M, idx] = max(avg_results(:,3));
fprintf('\nResults of the CAIP17 paper\n');
fprintf('Pr: %.3f, Re: %.3f, F: %.3f\n', avg_results(idx, 1), avg_results(idx, 2), avg_results(idx, 3));
PrintROCcurve(avg_results);
end
function [cpt, crt, F] = evaluate(binImg, gt, d)
A = zeros(d*2+1, d*2+1); A(d+1,d+1) = 1; B = bwdist(A) <= d;
[m, n] = size(binImg);
%binImg = bwmorph(binImg,'skel',Inf);
gt = padarray(gt, [d d], 0);
%binImg = padarray(binImg, [d d], 0);
Lr = 0;
bad = zeros(size(binImg));
for x = 1:m
for y = 1:n
%if gt(x, y) == 1
if binImg(x,y) == 1
%patch = binImg(x:x+2*d, y:y+2*d); %
patch = gt(x+d-d:x+d+d, y-d+d:y+d+d);
s = sum(patch(:) .* B(:));
if s > 0
Lr = Lr + 1;
else
bad(x,y) = 1;
end
end
end
end
Lgt = sum(gt(:));
Ln = sum(binImg(:));
cpt = min(1, Lr / Lgt);
crt = min(1, Lr / Ln);
F = 2 * cpt * crt / (cpt + crt);
end
function [binarymap] = binarize(rotoutput1, highthresh)
%%%%%%%%%%%%%%%%% BEGIN BINARIZATION %%%%%%%%%%%%%%%%%%
% compute thinning
orienslist = 0:pi/12:pi-pi/12;
[viewResult, oriensMatrix] = calc_viewimage(rotoutput1,1:numel(orienslist), orienslist);
thinning = calc_thinning(viewResult, oriensMatrix, 1);
%figure; imagesc(thinning);
%
% % Choose high threshold of hysteresis thresholding
% if nargin == 4
% bins = 64;p = 0.05; %Keep the strongest 10% of the pixels in the resulting thinned image
% f = find(thinning > 0);
% counts = imhist(thinning(f),bins);
% highthresh = find(cumsum(counts) > (1-p)length(f),1,‘first’) / bins;
% end
%
binarymap = calc_hysteresis(thinning, 1, 0.5highthreshmax(thinning(😃), highthreshmax(thinning(😃));
%figure;imagesc(binarymap);colormap gray; axis image;
% show binarized image
% figure;
% subplot(1,2,1);imagesc(img);axis off;axis image;colormap(gray);
% subplot(1,2,2);imagesc(imcomplement(binarymap));axis off;axis image;colormap(gray);
%%%%%%%%%%%%%%%%% END BINARIZATION %%%%%%%%%%%%%%%%%%%%
end
function [] = PrintROCcurve(avg_results)
pr = avg_results(:,1);
re = avg_results(:,2);
figure;
linewidth = 3;
plot(re, pr, 'linewidth',linewidth,'color',[0.25 0.25 0.25],'markersize',10);
set(gca,'YGrid','off');
set(gca,'XGrid','off');
set(gca,'XTick',0:.1:1)
set(gca,'XTickLabel',0:.1:1)
axis square;
% Plot other methods results
hold on;
% 1: Zou14 - data set
% 2: CrackTree
% 3: FoSA
Pr = [0.872 0.821 0.845;
0.842 0.625 0.733;
0.846 0.885 0.897;
0.793 0.753 0.756;
0.949 0.845 0.860;
0.671 0.780 0.836;
0.960 0.698 0.716;
0.846 0.696 0.749;
0.767 0.722 0.779;
0.833 0.927 0.811;
0.833 0.839 0.792;
0.997 0.847 0.868;
0.499 0.775 0.696;
0.848 0.948 0.925];
Re = [0.965 0.691 0.628 ;
0.904 0.605 0.568 ;
0.905 0.713 0.612 ;
0.903 0.776 0.691 ;
0.939 0.600 0.577;
0.843 0.649 0.647 ;
0.915 0.605 0.552 ;
0.929 0.668 0.654 ;
0.996 0.669 0.636 ;
0.961 0.860 0.805;
0.993 0.967 0.937 ;
0.823 0.923 0.805 ;
0.890 0.706 0.663 ;
0.988 0.985 0.880];
F = [0.916 0.751 0.721 ;
0.872 0.614 0.640 ;
0.874 0.790 0.728 ;
0.845 0.764 0.722 ;
0.944 0.700 0.691;
0.747 0.708 0.729 ;
0.937 0.648 0.623 ;
0.886 0.682 0.698 ;
0.867 0.695 0.700 ;
0.892 0.892 0.808;
0.906 0.898 0.858 ;
0.893 0.883 0.835 ;
0.639 0.739 0.679 ;
0.913 0.966 0.901];
avgPr = mean(Pr);
avgRe = mean(Re);
avgF = mean(F);
linewidth = 2;
plot(avgRe(1), avgPr(1), 'o', 'linewidth',linewidth,'color',[0.25 0.25 0.25],'markersize',10);
plot(avgRe(2), avgPr(2), 's', 'linewidth',linewidth,'color',[0.25 0.25 0.25],'markersize',10);
plot(avgRe(3), avgPr(3), 'd', 'linewidth',linewidth,'color',[0.25 0.25 0.25],'markersize',10);
xlabel('Recall');
ylabel('Precision');
legend({'COSFIRE', 'Zou14', 'CrackTree', 'FoSA'}, 'Location', 'southwest');
title('ROC curve');
fprintf('\nResults of Zou et al.\n');
fprintf('Pr: %.3f, Re: %.3f, F: %.3f\n', avgPr(1), avgRe(1), avgF(1));
fprintf('\nResults of CrackTree.\n');
fprintf('Pr: %.3f, Re: %.3f, F: %.3f\n', avgPr(2), avgRe(2), avgF(2));
fprintf('\nResults of FoSA.\n');
fprintf('Pr: %.3f, Re: %.3f, F: %.3f\n', avgPr(3), avgRe(3), avgF(3));
end
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
扫一扫
607
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
