斜坡地表变形裂缝自动识别与信息提取方法及系统

1.本发明涉及数据识别技术领域，具体而言，涉及一种斜坡地表变形裂缝自动识别与信息提取方法及系统。


背景技术：

2.近年来，随着无人机、lidar激光雷达等航空遥感技术的发展，其具有操作便捷、高效率、高精度的数据采集优势，运用航空遥感技术获得的数字正射影像图(dom)、三维点云(point cloud)、数字表面模型(dsm)等多种遥感数据来识别裂缝和斜坡灾害逐渐成为了专家学者们研究的热点。目前，基于遥感数据的地表裂缝识别和信息采集主要还是依靠人工目视解译和测量数据，然而裂缝分布广泛、细长多支干、噪点背景复杂，使得人工目视解译仍存在一定的误差性与低效率性，特别是在地质灾害应急抢险、实时地表监测、精细化测量等方面难以满足实际工作需要，因此实现地表裂缝的自动化识别技术方法具有重要意义。
3.在近几年的研究中，基于数字图像处理技术的裂缝检测是自动提取裂缝的主要手段，其在混凝土路面、隧道衬砌、建筑墙壁等单一背景的裂缝识别上已有了大量研究和有效成果，而在复杂多变背景下的斜坡变形裂缝自动识别中，仅运用包含二维色彩信息的图像数据就显得尤为乏力，其主要缺陷是难以解决地表裂缝与背景噪点的区分问题(如灌木、岩石堆积体、光照阴影差异等)，导致模型识别准确率偏低。而目前基于三维形态特征的裂缝识别与提取方法国内外也鲜有研究，其中主要为代表的是以abdulla al-rawabdeh等人提出的运用无人机获取的点云数据来检测滑坡后缘断壁，该研究利用pca的特征值、局部邻域内的坡度变化、表面粗糙度指数三种独立指标来自动检测滑坡断壁，并取得良好效果，但该研究没有考虑裂缝的空间尺度效应与后续噪点滤波，同时由于点云分辨率较低，只能适用于大变形滑坡陡坎的识别，复杂背景噪点的滤除技术也没有形成理论体系。因此，构建在复杂山区大范围、多尺度的斜坡地表变形裂缝自动识别与信息采集方法体系亟需解决。
4.基于此，提出一种斜坡地表变形裂缝自动识别与信息提取方法及系统来解决上述问题。


技术实现要素：

5.本发明的目的在于提供一种斜坡地表变形裂缝自动识别与信息提取方法及系统，其能够对采集的裂缝影像数据进行自动裂缝特征分析、识别、提取、以及成果信息统计，实现了的裂缝数据的高效排查，解决了目前单一遥感数据识别技术的缺陷以及地表裂缝空间分布的尺度效应问题。
6.本发明的技术方案为：
7.第一方面，本技术提供一种斜坡地表变形裂缝自动识别与信息提取方法，其包括以下步骤：
8.步骤s1、采集目标裂缝的航拍影像并生成目标裂缝的多维影像数据；
9.步骤s2、对多维影像数据进行数据预处理；
10.步骤s3、基于数据预处理后的多维影像数据进行裂缝特征识别并提取以得到裂缝结果；
11.步骤s4、将裂缝结果进行数据修复与再滤波以得到修复数据；
12.步骤s5、对修复数据进行成果提取以得到目标裂缝的成果信息。
13.进一步地，上述步骤s1包括：
14.采用无人机仿地飞行采集目标裂缝的航拍影像；
15.基于目标裂缝的航拍影像生成目标裂缝的多维影像数据。
16.进一步地，上述步骤s2包括：
17.将多维影像数据分为二维的图像数据和三维的点云数据，基于图像数据进行对比度增强、滤波去噪以及图像灰度化处理以得到数据预处理后的图像数据，基于点云数据经过去噪处理、点云分类和地面点提取处理以得到数据预处理后的点云数据。
18.进一步地，上述步骤s3包括：
19.提取数据预处理后的图像数据的灰度差异、像素梯度和rgb值特征，提取数据预处理后的点云数据的离散度、坡度和粗糙度，将图像数据的灰度差异、像素梯度和rgb值特征以及点云数据的离散度、坡度和粗糙度作为目标裂缝的裂缝结果。
20.进一步地，上述步骤s4包括：
21.对裂缝结果采用膨胀和腐蚀形态学闭运算方法修复未识别的真值以得到修复结果；
22.利用k-d树与dbccan密度聚类索引方法对修复结果进行二次滤波以得到修复数据。
23.进一步地，上述步骤s5包括：
24.根据不同的裂缝特征对修复数据进行最优融合以得到融合结果；
25.对融合结果通过骨架提取和轮廓识别提取的方法自动化提取得到目标裂缝的成果信息。
26.进一步地，上述成果信息包括目标裂缝的数量、长度、宽度、方向、离散度和裂纹密度。
27.第二方面，本技术提供一种斜坡地表变形裂缝自动识别与信息提取系统，包括：
28.数据采集模块，用于采集目标裂缝的航拍影像并生成目标裂缝的多维影像数据；
29.数据预处理模块，用于对多维影像数据进行数据预处理；
30.裂缝特征识别模块，用于基于数据预处理后的多维影像数据进行裂缝特征识别并提取以得到裂缝结果；
31.修复及再滤波模块，用于将裂缝结果进行数据修复与再滤波以得到修复数据；
32.成果信息提取模块，用于对修复数据进行成果提取以得到目标裂缝的成果信息。
33.第三方面，本技术提供一种电子设备，其特征在于，包括：
34.存储器，用于存储一个或多个程序；
35.处理器；
36.当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项的斜坡地表变形裂缝自动识别与信息提取方法。
37.第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算
机程序被处理器执行时实现如上述第一方面中任一项的斜坡地表变形裂缝自动识别与信息提取方法。
38.相对于现有技术，本发明的至少具有如下优点或有益效果：
39.(1)本发明一种斜坡地表变形裂缝自动识别与信息提取方法构建了基于三维点云与图像数据融合的裂缝自动识别与信息采集方法体系，解决了目前单一遥感数据识别技术的缺陷，能够适用于大范围、多尺度复杂斜坡变形裂缝的识别与调查；
40.(2)本发明提出的形态学修复与裂缝滤波算法能够有效减低裂缝的背景噪点，最小程度减少真实裂缝的损失，提高了裂缝提取的整体准确率，使得提取结果更加真实可靠；
41.(3)本发明以算法提取裂缝像元骨架及轮廓为基础建立的裂缝信息统计方法能够有效完成裂缝数量、长度、宽度、方向、离散度和裂纹密度等指标的信息统计，为定量化描述及评价裂缝特征提供了技术支持；
42.(4)本发明采用的各类裂缝识别算法具有不同的优劣势与适用情况，针对不同特征的场区条件可以选择出最优组合关系，根据各类算法能够增强裂缝不同特征显示，可以实现地质灾害的早期识别及智能化监测预警。
附图说明
43.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
44.图1为本发明实施例1的斜坡地表变形裂缝自动识别与信息提取方法的步骤图；
45.图2为本发明实施例2的斜坡地表变形裂缝自动识别与信息提取系统的示意性结构框图；
46.图3为本发明实施例3的一种电子设备的示意性结构框图。
47.图标：101、存储器；102、处理器；103、通信接口。
具体实施方式
48.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
49.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
50.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
51.需要说明的是，在本文中，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包
括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
52.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
53.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
54.实施例1
55.请参阅图1，图1所示为本技术实施例提供的一种斜坡地表变形裂缝自动识别与信息提取方法的步骤图。
56.第一方面，本技术提供一种斜坡地表变形裂缝自动识别与信息提取方法，其包括以下步骤：
57.步骤s1、采集目标裂缝的航拍影像并生成目标裂缝的多维影像数据；
58.步骤s2、对多维影像数据进行数据预处理；
59.步骤s3、基于数据预处理后的多维影像数据进行裂缝特征识别并提取以得到裂缝结果；
60.步骤s4、将裂缝结果进行数据修复与再滤波以得到修复数据；
61.步骤s5、对修复数据进行成果提取以得到目标裂缝的成果信息。
62.本发明一种斜坡地表变形裂缝自动识别与信息提取方法，首先采集并生成目标裂缝的多维影像数据，其次对多维影像数据进行预处理，然后基于预处理的多维影像数据完成裂缝特征识别与提取，然后对初步提取的裂缝结果进行修复与再滤波，最后获取修复后的融合裂缝成果信息，从而形成一个集成裂缝影像采集、识别、提取、修复、滤波、融合、信息统计为一体的技术体系。
63.作为一种优选的实施方式，步骤s1包括：
64.采用无人机仿地飞行采集目标裂缝的航拍影像；
65.基于目标裂缝的航拍影像生成目标裂缝的多维影像数据。
66.由此，通过无人机仿地飞行采集目标裂缝的航拍影像，可以获取精度较高的目标裂缝的多维影像数据，生成的目标裂缝的多维影像数据包括数字正射影像图(dom)与三维点云(points)，
67.作为一种优选的实施方式，步骤s2包括：
68.将多维影像数据分为二维的图像数据和三维的点云数据，基于图像数据进行对比度增强、滤波去噪以及图像灰度化处理以得到数据预处理后的图像数据，基于点云数据经过去噪处理、点云分类和地面点提取处理以得到数据预处理后的点云数据。
69.其中，数据预处理后的图像数据和点云数据即数据预处理后的多维影像数据，图像数据包括数字正射影像图(dom)，点云数据包括三维点云(points)，通过分别对图像数据和点云数据进行预处理，去除了背景噪音，使得多维影像数据规范化。
70.图像数据进行数据预处理的过程中，首先运用限制对比度自适应直方图均衡化处理完成对比度增强处理，起到淡化噪点、提高裂缝像素与图像背景差异性的作用，具体地，即采用固定大小的矩形框进行全图范围样本采集，设置一定的对比度阈值完成图像的像素均衡化；其次运用双边滤波算法完成图像的滤波去噪，由此，可去除背景噪点，提升裂缝识别准确性，具体地，考虑空间中的高斯滤波器，同时生成了一个关于边缘强度差的高斯滤波器，使得可以保持原始图像的大体分块进而保持裂缝边缘部分不被滤除；最后对图像灰度化处理采用的加权转化灰度值方法，其可以使裂缝像素值由三通道变为单通道，既能减低特征维度，又能除去无关变量，其原理按照人眼对绿色的敏感最高，对蓝色敏感最低的视觉差，对rgb值采用0.299:0.587:0.114 的权重比生成的较为合理的灰度值，采用公式(1)如下：
71.y＝0.299
×
r+0.578
×
g+0.114
×bꢀꢀ
(1)
72.其中，r表示图像红色通道值，g表示图像绿色通道值，b表示图像蓝色通道值，y表示灰度值，0.299、0.587和0.114均为权重。
73.点云数据进行数据预处理的过程中，首先采用标准差去噪算法进行点云去噪；其次进行点云分类，即针对去噪后的点云数据采用渐进加密三角网滤波算法完成地面点分类；最后进行地面点提取处理，即根据提取出地面点按照高程插值，可分别提取出低矮植被、建筑物等点云分类，在本实施例1中只提取地面点云数据。
74.作为一种优选的实施方式，步骤s3包括：
75.提取数据预处理后的图像数据的灰度差异、像素梯度和rgb值特征，提取数据预处理后的点云数据的离散度、坡度和粗糙度，将图像数据的灰度差异、像素梯度和rgb值特征以及点云数据的离散度、坡度和粗糙度作为目标裂缝的裂缝结果。
76.其中，基于点云数据的大变形裂缝特征识别，需提取数据预处理后的点云数据的离散度、坡度和粗糙度，主要通过选用k-d树索引方式在3d空间查询不同半径大小的点云集合及(x，y，z)坐标信息，然后从裂缝场景全域点云中每一个点开始指定搜索半径来收集点云数据，从而实现全域点云的粗糙度、离散度、坡度三种识别指标的获取；
77.具体的，粗糙度主要采用公式(2)来计算局部搜索半径下点云 z值的标准差大小来表示裂缝附近地形的粗糙程度r，具体地，在本实施例中采用1～5m的搜索半径来进行点云采样，同时将全域点云粗糙度值平均插值转化为与正射图像单位像元大小相同的栅格数据，公式(2)如下：
[0078][0079]
其中，r表示粗糙度指数，z表示点云，表示k-d树邻近搜索范围内所有点的平均高度，n表示k-d树邻近搜索范围内所有点的数量。
[0080]
点云数据的离散度与粗糙度类似，在本实施例中同样采用1～5m 的搜索半径来确定点云离散度指标，其方法主要通过定义一个本地邻域(pn)来封装最靠近查询点的n个点，然后根据点pn与质心pc的离差形成协方差矩阵cov3×3，如公式(3)所示，然后求出协方差矩阵cov3×3的特征值与特征向量，得到的特征值(λ1，λ2，λ3)与特征向量后按特征
值从大到小排列，如公式(4)所示，最后即可获取查询目标点云的离散度di，如公式(5)所示。公式如下：
[0081][0082]
其中，cov3×3表示n个点云集构成的协方差矩阵；p
ix
、p
iy
、p
iz
表示第i个点的x，y，z坐标值；表示点云集质心的x， y，z坐标值；
[0083][0084]
其中，cov3×3表示n个点云集构成的协方差矩阵，分别表示点云集特征值λ1、λ2、λ3对应的特征向量；
[0085][0086]
其中，di为离散度，λ2、λ3分别表示较小两个特征值且λ2＞λ3。
[0087]
点云数据的坡度在本实施例中选用0.2-2m为搜索半径进行点云坡度采样，其方法主要通过公式(6)来估算滑坡点云集数据中每个点的倾斜角度，运用上一步通过pca主成分分析得出的每个点的最小特征值λ3所对应特征向量来计算，由于三个特征向量互相垂直，因此最小向量垂直的平面及为点云集最近似拟合的平面，公式(6) 如下：
[0088][0089]
其中，θ表示倾斜角，即坡度，n
x
、ny和nz均表示最小特征值向量，表示x轴，y轴，z轴的分量。
[0090]
基于图像的小变形裂缝特征识别，主要提取数据预处理后的图像数据的灰度差异、像素梯度和rgb值特征。
[0091]
具体地，基于图像数据的灰度差异提取，通过利用灰度化处理后的二值图像，采用一定的灰度值阈值分割，从而提取目标裂缝的图像数据的灰度差异；
[0092]
基于图像数据的像素梯度提取，采用sobel边缘检测算子来进行地表裂缝提取[3]，sobel算子具有水平方向和垂直方向两个大小为 3*3卷积内核，如公式(7-9)所示，用像素一阶梯度来表示边缘化特征的大小，当越大，即表示像素值变化越快，就越偏向轮廓边缘，公式(7-9)如下：
[0093]
[0094][0095][0096]
其中，p1-p9表示局部窗口的像素值，g
x
表示水平方向变化梯度，gy表示垂直方向变化梯度，为一阶像素梯度。
[0097]
基于图像数据的rgb特征提取，首先根据目标场景影像特征，人工将像素分为多种类别，每类样本宜采集200-1万个像素点，其次以人工采集的有限样本rgb值为基础，对全图范围像元进行空间相似概率计算，并将每一个像素分类成其概率值最大的类型，经过极大似然法分类后的结果与原图对比，从而能够较好的区分裂缝与噪音背景。
[0098]
需要说明的是，由于不同变形阶段的裂缝宽度在2-400mm范围内大小不一，进而不同尺寸的裂缝在二维颜色像素与三维空间分布特征不近相同，小变形裂缝在大部分光照角度下均能产生明显的黑色光照阴影，使得从正射影像图中识别小变形裂缝具有明显优势，而点云数据能很好地反应大变形裂缝形成的立体陡坎信息，因此本发明结合二者优势，分别进行大变形裂缝与小变形裂缝的特征识别工作，经后续滤波修复后再进行成果融合以得到成果信息。
[0099]
另外，上述6种模型通过一定的阈值分割即可完成裂缝像素的二分类(裂缝与非裂缝)，实现裂缝的语义分割，一般采用真正例率＝0.8 下的阈值进行分割，此时离散度、粗糙度、坡度、像素梯度、像素灰度宜采用的阈值分别为0.012、0.3、43.7
°
、61.5、118.5。在分割的过程中，若各类模型在取到最佳分割阈值的时，真正例率均低于 80％，可根据工程需要降低一定的阈值标准以满足实际工程需求。
[0100]
作为一种优选的实施方式，步骤s4包括：
[0101]
对裂缝结果采用膨胀和腐蚀形态学闭运算方法修复未识别的真值以得到修复结果；
[0102]
利用k-d树与dbccan密度聚类索引方法对修复结果进行二次滤波以得到修复数据。
[0103]
其中，基于形态学修复形态学闭运算方法修复，本发明主要将三维点云和二维图像提取后的裂缝将其分别生成0或1(0代表非裂缝背景，1代表裂缝像元)的二值化栅格图层并进行再处理；具体的，本发明采用形态学闭运算像元修复方法，其针对已经提取出的裂缝二值栅格采用先膨胀再腐蚀的方法，能够有效的填平前景物体内的小裂缝，而总的位置和形状不变；
[0104]
本发明从栅格中裂缝像元的特征出发，针对其具有方向性、多频数、连续性较强的特点，采用了方向滤波-频数滤波-长度滤波的再滤波处理流程以进行对修复结果的二次滤波，具体的，首先采用k-d树的索引方式进行方向滤波处理，去除不具有较强方向性的像元点，然后利用dbscan的密度聚类算法进行频数和长度滤波处理。
[0105]
另外需要说明的是，对裂缝结果进行再次滤波时需将点云数据的裂缝结果转化为与图像数据像元值大小相同的栅格数据。
[0106]
由此，通过运用形态学闭运算修复部分滤除的真实裂缝数据，针对裂缝独有的形态特征提出了基于裂缝像元的方向性、多频数、连续性较强的再滤波算法，能够有效的滤除
掉裂缝区域外的多余杂音而保留裂缝的真实像元。
[0107]
作为一种优选的实施方式，步骤s5包括：
[0108]
根据不同的裂缝特征对修复数据进行最优融合以得到融合结果；
[0109]
对融合结果通过骨架提取和轮廓识别提取的方法自动化提取得到目标裂缝的成果信息。
[0110]
其中，本发明根据不同的裂缝特征对修复数据(裂缝分割图像) 进行特征融合，然后通过骨架提取和轮廓识别提取的方法建立了斜坡裂缝的数量、长度、宽度、方向、离散度、裂纹密度6个评价指标的自动采集和统计系统，从而可以自动化提取得到目标裂缝的成果信息。
[0111]
需要说明的是，骨架提取所提取出的裂缝像元是由多个像元构成的闭合区域，裂缝骨架是指目标在图像上的中心像元连接构成的线状几何，本发明主要采用skimage开源库中骨架识别函数skeletonize 来完成裂缝的骨架提取；轮廓识别提取与裂缝骨架位置相反，裂缝轮廓是指图像最外层像素连接构成的闭合面状几何，其通过对二值化裂缝栅格图像进行边界扫描，分别得到上下两条边界线，获取距离裂缝骨架中心点最远的像素点即为裂缝的轮廓，主要采用opencv开源库中轮廓提取函数cv2.drawcontours(image,contours,contouridx) 来完成裂缝的轮廓提取，image为基础图像数据。
[0112]
作为一种优选的实施方式，成果信息包括目标裂缝的数量、长度、宽度、方向、离散度和裂纹密度。
[0113]
实施例2
[0114]
请参阅图2，本发明实施例2提供的一种斜坡地表变形裂缝自动识别与信息提取系统的示意性结构框图。
[0115]
第二方面，本技术提供一种斜坡地表变形裂缝自动识别与信息提取系统，包括：
[0116]
数据采集模块，用于采集目标裂缝的航拍影像并生成目标裂缝的多维影像数据；
[0117]
数据预处理模块，用于对多维影像数据进行数据预处理；
[0118]
裂缝特征识别模块，用于基于数据预处理后的多维影像数据进行裂缝特征识别并提取以得到裂缝结果；
[0119]
修复及再滤波模块，用于将裂缝结果进行数据修复与再滤波以得到修复数据；
[0120]
成果信息提取模块，用于对修复数据进行成果提取以得到目标裂缝的成果信息。
[0121]
本发明的一种斜坡地表变形裂缝自动识别与信息提取系统，通过数据采集模块采集并生成目标裂缝的多维影像数据，其次通过数据预处理模块对多维影像数据进行预处理，然后通过裂缝特征识别模块基于预处理的多维影像数据完成裂缝特征识别与提取，然后通过修复及再滤波模块对初步提取的裂缝结果进行修复与再滤波，最后通过成果信息提取模块获取修复后的融合裂缝成果信息，从而形成一个集成裂缝影像采集、识别、提取、修复、滤波、融合、信息统计为一体的系统，构建了基于三维点云与图像数据融合的裂缝自动识别与信息采集方法体系，解决了目前单一的遥感数据识别技术的缺陷，以及地表裂缝空间分布的尺度效应问题，能够适用于大范围、多尺度复杂斜坡变形裂缝的识别与调查，能够有效减低裂缝的背景噪点的同时最小程度减少真实裂缝的损失，使得裂缝提取准确率增加，提取结果更加真实可靠，且能够有效完成裂缝数量、长度、宽度、方向、离散度和裂纹密度等指标的信息统计，为定量化描述及评价裂缝特征提供了技术支持，实现了地质灾害的
早期识别及智能化监测预警。
[0122]
实施例3
[0123]
请参阅图3，图3所示为本技术实施例提供的一种电子设备的示意性结构框图。
[0124]
一种电子设备，包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
[0125]
其中，存储器101可以是但不限于，随机存取存储器 (randomaccessmemory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-onlymemory，eeprom)等。
[0126]
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器 (centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digital signal processing， dsp)、专用集成电路(application specific integrated circuit， asic)、现场可编程门阵列(field－programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0127]
可以理解，图中所示的结构仅为示意，一种斜坡地表变形裂缝自动识别与信息提取方法及系统还可包括比图中所示更多或者更少的组件，或者具有与图中所示不同的配置。图中所示的各组件可以采用硬件、软件或其组合实现。
[0128]
在本技术所提供的实施例中，应该理解到，所揭露的系统或方法，也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0129]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0130]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备 (可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存
储器(ram， random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0131]
综上所述，本技术实施例提供的一种斜坡地表变形裂缝自动识别与信息提取方法及系统，通过构建基于三维点云与图像数据融合的裂缝自动识别与信息采集方法体系，解决了目前单一的遥感数据识别技术的缺陷，以及地表裂缝空间分布的尺度效应问题，能够适用于大范围、多尺度复杂斜坡变形裂缝的识别与调查；通过形态学修复与裂缝滤波算法能够有效减低裂缝的背景噪点的同时最小程度减少真实裂缝的损失，使得裂缝提取准确率增加，提取结果更加真实可靠；通过以算法提取裂缝像元骨架及轮廓为基础建立的裂缝信息统计方法能够有效完成裂缝数量、长度、宽度、方向、离散度和裂纹密度等指标的信息统计，为定量化描述及评价裂缝特征提供了技术支持；还通过采用的各类裂缝识别算法具有不同的优劣势与适用情况，针对不同特征的场区条件可以选择出最优组合关系，根据各类算法能够增强裂缝不同特征显示，可以实现地质灾害的早期识别及智能化监测预警。
[0132]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
[0133]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。