[发明专利]土壤裂纹参数在线测量系统及采用该系统实现土壤裂纹参数提取方法

摘要

土壤裂纹参数在线测量系统及采用该系统实现土壤裂纹参数提取方法，涉及土壤裂纹参数在线测量领域。本发明是为了解决传统的土壤裂纹参数的测量方式费时、费力、误差大及提取参数单一的问题。本发明所述一、获得土壤裂纹照片，二、实时提取土壤裂纹参数。它可用于土壤裂纹参数的实时、无损的在线测量。

主权项

采用土壤裂纹参数在线测量系统实现土壤裂纹参数提取方法，所述在线测量系统包括三脚架(1)、数码相机(2)、笔记本电脑(3)、环形灯(4)、数字光度计(5)、取样框(6)、黑白比色板(7)和黑白格网定标板(8)，数码相机(2)固定在三脚架(1)上，所述数码相机(2)的摄像区域为其正下方，环形灯(4)用于给数码相机(2)的摄像区域提供照明，黑白比色板(7)用于对数码相机进行白平衡处理和灰度值拉伸处理，数字光度计(5)用于测量每次拍摄时的背景环境光照强度，取样框(6)放置在数码相机(2)的摄像区域内，用于拍摄照片时确定标准的裂纹区域尺寸，数码相机(2)通过数据连接线将拍摄的照片传送给笔记本电脑(3)；其特征在于，土壤裂纹参数提取方法包括以下步骤：步骤一、将取样框(6)放置在土壤上，使得待检测土壤裂纹区域位于所述取样框(6)内，通过三脚架(1)将数码相机(2)固定在取样框(6)的正上方，使得数码相机(2)的摄像区域覆盖取样框(6)，并且取样框(6)的中心与数码相机(2)镜头中心正下方的投影点重合，采用固定环形灯(4)对取样框(6)所在区域进行照明；步骤二、利用数字光度计(5)测量被测土壤样本上方的环境光照强度，根据所述光照强度设置数码相机(2)的ISO、光圈尺寸和曝光时间的参数，保证不同环境下光照对相片的影响相同，利用黑白比色板(7)对数码相机(2)进行白平衡处理和灰度值拉伸处理，将对比度和色差对照片的影响减到最小；步骤三、控制数码相机(2)连续采集图像信息，每次土壤裂纹拍照后，在取样框(6)内放置黑白格网定标板(8)后再次拍照，用于对土壤裂纹照片进行几何畸变校正；步骤四、数码相机(2)对土壤裂纹照片进行几何定标，对标定后的照片按取样框(6)尺寸进行裁剪，用于提取取样框(6)内土壤裂纹参数；笔记本电脑(3)内部嵌入有土壤裂纹参数提取软件，该土壤裂纹参数提取软件对土壤裂纹照片进行图像处理操作以获得土壤裂纹参数的提取为：利用图像处理方法，将裁剪后的裂纹照片进行灰度图转换和二值处理，计算代表裂纹区域的像素个数，提取裁剪后的取样框(6)内总像素个数并按取样框(6)尺寸比例计算土壤裂纹面积；根据取样框(6)尺寸计算取样框面积，结合提取的土壤裂纹面积计算土壤面裂纹率；利用图像处理方法设置纹理提取灰度级、方向和步长，计算图像的灰度共生矩阵，进而根据计算的灰度共生矩阵提取取样框(6)内开裂土壤的各个统计纹理特征量参数，公式如下：1)对比度：$contra=\underset{n}{\overset{Ng-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}p(i,j)\right\},\left|i-j\right|=n,$2)角二阶矩：$ASM=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left\{p(j,j)\right\}}^2,$3)熵：$Entropy=-\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}p(i,j)log\left(p\right(i,j\left)\right),$4)一致性：$Homo=\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}p(i,j),$5)相关性：$Correlation=\frac{\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}\left(ij\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y},$6)集群荫：$Clustershade=\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}{\left(\right(i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j\left)\right)}^{3}p(i,j),$7)集群突出性：$Clustershade=\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}{\left(\right(i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j\left)\right)}^{4}p(i,j),$8)最大概率：Maxprobability＝max{p(i,j)}，9)和平均：$SumAverage=\underset{i=2}{\overset{2Ng}{\mathrm{\Σ}}}{\mathrm{ip}}_{x+y}\left(i\right),$10)和熵：$SumEntropy=-\underset{i=2}{\overset{2Ng}{\mathrm{\Σ}}}{p}_{x+y}\left(i\right)log\left\{p_{x+y}\left(i\right)\right\},$11)和方差：$SumVariance=\underset{i=2}{\overset{2Ng}{\mathrm{\Σ}}}{(i-SumEntropy)}^2{p}_{x+i}\left(i\right),$12)相关信息特征1：$Inforofcorrelation1=\frac{HXY-HXY1}{max(HX,HY)},$13)相关信息特征2：Inforofcorrelation2＝{1‑exp[‑2*(HXY2‑HXY)]}^1/2，其中：p(i,j)是归一化灰度共生矩阵(i,j)位置元素值，Ng是共生矩阵灰度级数，i、j均为正整数，$p_x\left(i\right)=\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}p(i,j),$$p_y\left(j\right)=\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}p(i,j),$$p_{x-y}\left(k\right)=\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}p(i,j),i+j=k,k=2,3,\mathrm{....2}Ng,$$p_{x-y}\left(k\right)=\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}p(j,j),\left|i-j=k\right|,k=0,1,2,\mathrm{...}Ng-1,$$HXY=-\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}p(i,j)log\left\{p(i,j)\right\},$$HXY1=-\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}p(i,j)log\left\{p_x\left(i\right)p_y\left(j\right)\right\},$$HXY2=-\underset{i=1}{\overset{Ng}{\mathrm{\Σ}}}\underset{j=1}{\overset{Ng}{\mathrm{\Σ}}}{p}_x\left(i\right)p_y\left(j\right)log\left\{p_x\left(i\right)p_y\left(j\right)\right\},$μ_x，μ_y为p_x(i)，p_y(j)均值，σ_x，σ_y为p_x(i)，p_y(j)方差，n为灰度级，选择各纹理特征量4个方向0°、45°、90°和135°的均值作为最终的各纹理特征量。