CTA算法-各向异性测度-Conditional Texture Anisotropy

CTA算法
Conditional Texture Anisotropy
Ｒoli 提 出 了 各 向 异 性 测 度 ( Conditional Texture Anisotropy， CTA) 的概念和计算原理， Nguyen 提出了各向异性测度的具体计算方法
选取某个像素的灰度，计算4个方向的P值，再计算CTA，然后把CTA从[0,1]映射到[0,255],生成灰度图，便于观察。
A是原图，B是灰度图

X是一个向量，由（均值，方差）组成。

m 和 σ 分别为整张图像的深度均值和标准差;




j表示4个方向，每个方向产生一条线，当成一个向量，线上有2d+1个像素，计算他们的P值

沿中心像素的 0°、45°、90° 和 135° 四个方向
L2为裂缝点，l1非裂缝点

裂缝的某个方向的P值会与其他方向的P值有很大的差距，使得CTA的值接近1，
非裂缝则是4个方向大致一样，使CTA接近0.

把4个P中的最大和最小值选出来计算CTA。

自己的代码测试效果图
上干货代码：（需要opencv 3.5以上版本）
CTA_function.cpp

#include "pch.h"
#include <iostream>
#include  "math.h"
#include <algorithm>
#include<core/core.hpp>
#include<highgui/highgui.hpp>
#include "opencv2/opencv.hpp"
#include <opencv2/core/core.hpp>
#include <imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
using namespace  std;
using namespace cv;
/*
	计算每一个像素点的CTA
*/
/*
	求均值，0度
	X(rows)动，Y不动
 */
float fun_sum_1(pixel px1, int d, Mat pic) {

/*
	135度
	X增Y增
*/
float fun_sum_2(pixel px1, int d, Mat pic) {

}

/*
 求均值，90度，
 */
float fun_sum_3(pixel px1, int d, Mat pic) {

}
/*
	45度
	X增Y减
*/
float fun_sum_4(pixel px1, int d, Mat pic) {

}
/*
  差的平方的求和,0度
  X动，Y不动
 */
float fun_dif_1(pixel px1, int d, float mean, Mat pic) {

}
/*
  差的平方的求和,45度
  X增Y增
 */
float fun_dif_2(pixel px1, int d, float mean, Mat pic) {

}
/*
  差的平方的求和,90度
  X不动,Y动
 */
float fun_dif_3(pixel px1, int d, float mean, Mat pic) {

}
/*
  差的平方的求和,135度
  X增，Y减
 */
float fun_dif_4(pixel px1, int d, float mean, Mat pic) {

}
/*
	标准差
*/
float fun_dif(float means, Mat pic) {
}

float fun_p(float mean1, float stdev1, float means, float stdev)
{
	
}
float fun_CTA(pixel px1, int d, Mat pic) {

}
/*
	映射[0,1]->[0,255]
*/
int Projection01to0255(float cta) {

}

 Mat CTA(Mat inPut, int distance) {
}

CTA_function.h

#include "pch.h"
#include <iostream>
#include  "math.h"
#include <algorithm>
#include<core/core.hpp>
#include<highgui/highgui.hpp>
#include "opencv2/opencv.hpp"
#include <opencv2/core/core.hpp>
#include <imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
using namespace  std;
using namespace cv;
typedef struct
{
	int x;
	int y;
}pixel;
float fun_sum_1(pixel px1, int d, Mat pic);
float fun_sum_2(pixel px1, int d, Mat pic);
float fun_sum_3(pixel px1, int d, Mat pic);
float fun_sum_4(pixel px1, int d, Mat pic);
float fun_dif_1(pixel px1, int d, float mean, Mat pic);
float fun_dif_2(pixel px1, int d, float mean, Mat pic);
float fun_dif_3(pixel px1, int d, float mean, Mat pic);
float fun_dif_4(pixel px1, int d, float mean, Mat pic);
float fun_dif(float means, Mat pic);
float fun_means(Mat pic);
float fun_p(float mean1, float stdev1, float means, float stdev);
float fun_CTA(pixel px1, int d, Mat pic);
int Projection01to0255(float cta);
Mat CTA(Mat inPut,int distance) ;
void test();

之后发现，计算速度很慢，又进行了多线程的优化，是原来的2.5倍速（笑）。
这里给出文件：
CTA_function_thread.cpp
最后，引用论文是
【Automatic Detection and Classification of Defect on road Pavement using Anisotropy Measure】 Tien Sy Nguyen, Manuel Avila, St´ephane Begot