[发明专利]一种多雾天气下大坝邻接图像裂缝骨架提取方法

权利要求书

1.一种多雾天气下大坝邻接图像裂缝骨架提取方法，其特征在于，该方法包括：

步骤(1)：对具有邻接裂缝的两幅大坝图像建立图像的雾天退化模型；

步骤(2)：通过求取雾天退化模型中的透射率以及大气光值两个参数，对图像进行雾天退化的逆操作，以取消空气中介质以及大气光对物体成像造成的信息损失，求得邻接的两幅图像的最终图像；

步骤(3)：对邻接的两幅图像的每个像素进行矩阵计算，从而得到图像的尺度不变特征；

步骤(4)：提取图像的特征点；

步骤(5)：完成邻接图像的特征点匹配，确认存在较多匹配的特征点，再筛选优质匹配特征点，计算单应矩阵，进行图像融合将邻接的两幅图像融合成一副图像；

步骤(6)：运用遗传算法对融合后图像进行分割操作得到融合图像的裂缝骨架。

2.根据权利要求1所述的多雾天气下大坝邻接图像裂缝骨架提取方法，其特征在于，对邻接的两幅图像的最终图像构建矩阵，对最终图像的每个像素进行矩阵计算，从而得到图像的尺度不变特征，对图像进行特征提取；

具体包括：首先需要对图像的每个像素进行矩阵计算，从而得到该图像的特征，根据矩阵测量一个函数的局部曲率，其公式为：

矩阵中的各项为图像在各方向上的二阶导数；

曲率的强度由矩阵的行列式给出，其公式为：

角点为具有较高局部曲率的图像点，矩阵由二阶导数构成，不同尺度的核可以用来计算，将矩阵转为三个变量的函数H(x,y,σ)，求空间域和尺度域的局部极大值时，即可找到尺度不变的特征。

3.根据权利要求1所述的多雾天气下大坝邻接图像裂缝骨架提取方法，其特征在于，提取图像的特征点，具体包括：

首先构建图像的尺度空间，输入图像函数反复与高斯函数的核卷积，对其结果进行二次抽样；

然后精确定位特征点，预设极值，只选取高于预设极值的点，检测出少数的特征最强点；

检测过程中使用与该尺度层图像解析度相对应大小的滤波器进行检测；

特征点定位过程中首先选定滤波器，同时引入积分图像，识别局部最大极值，通过空间域及尺度域插值的方式获取特征点的位置；

最后，以特征点为中心，计算半径为6倍特征点所在的尺度值邻域内点个方向的Harr小波响应，设定Harr小波边长为4倍的特征点所在的尺度值，根据响应值距离特征点的远近进行高斯加权赋值，靠近特征点的由于响应贡献大权重系数大，同理远离特征点的权重系数小，将60°范围内的响应相加以形成新的矢量，遍历整个圆形区域，选择最长矢量的方向为该特征点的主方向，通过特征点逐个进行计算，得到每一个特征点的主方向。

4.根据权利要求1所述的多雾天气下大坝邻接图像裂缝骨架提取方法，其特征在于，所述步骤(5)，具体包括：运用RANSAC算法，在匹配点数据集中取样，采用8点算法进行基本矩阵初始估计，得到基本矩阵；

计算Sampson距离，划分局内点和局外点；

记录当前初始估计的基本矩阵和和局内点的数目并进行比较，保存局内点数目和最多的基本矩阵从而实现筛选过程；

接着计算单应矩阵完成图像融合。

5.根据权利要求1所述的多雾天气下大坝邻接图像裂缝骨架提取方法，其特征在于，所述步骤(1)，具体为：步骤(a)读取每个像素点的灰度值f(x,y)；

步骤(b)计算灰度均值，及某像素点附近八个像素点的平均灰度值g(x,y)；

步骤(c)设图像中像素为(x,y)处的n*n邻域的平均灰度值为:

其中,n一般取奇数，[n/2]表示对n/2取整；

步骤(d)参数设置,种群中含有m条染色体,染色体长度n＝16,最大循环代数den＝200,变异概率p为0.006；

步骤(f)初始化种群Q(t_0m),令t＝0,随机产生一个在[0，1]内的数rand，根据t’_ij＝π/2*rand生成20个随机数t_n，生成规模为m，基因位数为16的染色体作为初始种群Q(t_0m)；

步骤(g)解空间变换，解空间变换公式为：

其中，i＝1,2,3…m,为量子态|1>的概率幅对应平方的优化解，为量子态|0>的概率幅对应平方的优化解，Ω＝[a_i,b_i]为解空间范围，[α_i,β_i]表示第j条染色体中的第pj个元素；

步骤(h)计算各基因位的适应度值；

步骤(i)适应度值函数为熵函数，为φ(s,t)＝H(A)+H(B)；其中，H(A)为目标像素点集对应的熵，H(B)为背景像素点集对应的熵，(s,t)为阈值矢量，其中s为灰度值的阈值，t为灰度均值的阈值；

步骤(j)判断是否满足终止条件，如果满足条件则终止循环输出结果，对图像进行分割，得到裂缝骨架；不满足更新获得新的染色体继续循环优化。