裂纹的重识别方法和装置

1.本技术涉及图像识别领域，尤其涉及一种裂纹的重识别方法和装置。


背景技术：

2.混凝土建筑表面普遍存在裂纹，由于裂纹形态高度随机，具有唯一性，因此可将裂纹作为定位标记。裂纹的重识别可在移动机器人的视觉辅助定位中发挥重要作用。例如：在大坝、长距离输水隧洞等大型水下建筑的勘察中，由于水下环境无法接收卫星定位信号，水下机器人的定位主要依赖惯导，然而，惯导定位会随时间产生漂移，定位误差不断累积。通过裂纹的重识别方法，水下机器人可判断自身是否经过某一地点，从而消除累积的定位误差。
3.由于混凝土表面的纹理重复性较强，不同区域的图像辨识度较低，因此常见的基于图像特征点匹配的视觉辅助定位方法极易出错。相较于图像特征点，裂纹作为定位标记具有更高的可辨识度。
4.关于裂纹的重识别方法，可参考的方法有曲线匹配方法和基于深度学习的目标重识别方法。
5.曲线匹配方法可分为两大类：第一类是基于曲线自身形状特征的方法，第二类是基于曲线邻域图像信息的方法。第一类方法以傅里叶描述子和样条模型为代表，两者主要应用于目标轮廓曲线的匹配，不适用于处理具有复杂拓扑结构的曲线结构，例如混凝土裂纹中常见的分叉、网状裂纹以及含有大量间断点的破碎裂纹。第二类方法由于需要利用曲线附近的图像信息，因此一方面要求背景噪声和明暗变化较小，另一方面要求曲线的背景具有一定辨识度，便于提取特征。然而，这两项要求在移动机器人采集的混凝土表面图像中都难以满足。
6.基于深度学习的目标重识别方法计算量较大，需要gpu等专用加速硬件，并且需要同一目标的多个训练样本。当前基于深度学习的目标重识别主要以行人、车辆和服饰等日常常见目标为研究对象，图像样本获取较为容易。而混凝土表面裂纹尤其是水下建筑的裂纹图像采集需要专用设备，样本获取较为困难。样本和计算量都制约了深度学习方法在裂纹重识别上的应用。


技术实现要素：

7.移动机器人在不同时刻拍摄同一裂纹，拍摄角度一般都会存在差异，导致同一裂纹在不同图像中可能出现旋转和平移，这是裂纹重识别需要克服的一个主要困难。本技术提供了一种裂纹的重识别方案，所提取的裂纹特征属于全局几何特征，具有良好的旋转和平移不变性。
8.根据本技术的第一个方面，提供一种图像中裂纹的重识别方法，包括：从原始图像中获取裂纹图像，所述裂纹图像包括裂纹；获得所述裂纹图像中所述裂纹的像素点集合；
根据所述裂纹像素点集合获得所述裂纹的采样点集合；根据所述采样点集合计算距离矩阵；根据所述采样点集合计算第一夹角矩阵；根据所述距离矩阵计算多个距离掩模矩阵；根据所述多个距离掩模矩阵和所述第一夹角矩阵，计算与所述多个距离掩模矩阵分别对应的多个第二夹角矩阵，将所述多个第二夹角矩阵的直方图作为所述裂纹的特征。
9.根据本技术的第二个方面，提供一种图像中裂纹的重识别装置，包括：获取单元，用于从原始图像中获取裂纹图像，所述裂纹图像包括裂纹；第一获得单元，用于获得所述裂纹图像中所述裂纹的像素点集合；第二获得单元，用于根据所述裂纹像素点集合获得所述裂纹的采样点集合；第一计算单元，用于根据所述采样点集合计算距离矩阵；第二计算单元，用于根据所述采样点集合计算第一夹角矩阵；第三计算单元，用于根据所述距离矩阵计算多个距离掩模矩阵；第四计算单元，用于根据所述多个距离掩模矩阵和所述第一夹角矩阵，计算与所述多个距离掩模矩阵分别对应的多个第二夹角矩阵，将多个第二夹角矩阵的直方图作为所述裂纹的特征。
10.根据本技术的第三个方面，提供一种电子设备，包括：处理器以及存储器。存储器存储有计算机指令，当所述计算机指令被处理器执行时，处理器执行如第一个方面所述的方法。
11.根据本技术的第四个方面，提供一种非瞬时性计算机存储介质，存储有计算机程序，当所述计算机程序被多个处理器执行时，使得所述处理器执行如第一个方面所述的方法。
12.根据本技术提供的裂纹的重识别方案，所计算的裂纹的特征是对裂纹上的全部采样点间的几何关系进行统计的结果，因此属于全局几何特征，裂纹该特征具有旋转和平移不变性，并且具有良好的抗噪能力。
附图说明
13.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图，而并不超出本技术要求保护的范围。
14.图1是根据本技术实施例的图像中裂纹的重识别方法的流程图。
15.图2是所采集的包含裂纹的图像的原图。
16.图3是从图2所示的图像获得裂纹图像。
17.图4是根据本技术实施例的图像中裂纹的采样点的示意图。
18.图5是根据本技术实施例的计算夹角矩阵的示意图。
19.图6是图像中裂纹的多距离尺度夹角分布直方图的示意图。
20.图7是另一个裂纹图像。
21.图8是根据图7所示的裂纹图像获得的多距离尺度夹角分布直方图的示意图。
22.图9是又一个裂纹图像。
23.图10是根据图9所示的裂纹图像获得的多距离尺度夹角分布直方图的示意图。
24.图11是再一个裂纹图像。
25.图12是根据图11所示的裂纹图像获得的多距离尺度夹角分布直方图的示意图。
26.图13是根据本技术实施例的图像中裂纹的重识别装置的示意图。
27.图14是本发明提供的一种电子设备的结构图。
具体实施方式
28.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。基于本技术中的实施例，本领域技术人员在没有做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。
29.本技术大致是基于如下思路。
30.裂纹重识别的核心在于裂纹特征提取，为了使裂纹特征具有旋转和平移不变性，同时具有较强的抗噪能力，本技术设计了一种新的全局几何特征，称为多距离尺度夹角分布直方图特征，多距离尺度夹角分布直方图的技术原理如下：使用图像分割方法获取图像中裂纹的像素级识别结果，然后对裂纹中的像素点（尤其是边缘像素点）进行采样，得到n个采样点。计算采样点重心，每个采样点和重心确定一个向量，计算所有向量两两间的夹角，得到n*n的第一夹角矩阵。夹角的分布由裂纹形态决定，因此夹角的分布直方图能够反映出裂纹的形态变化。然而，裂纹的空间信息在第一夹角矩阵中大量丢失，限制了第一夹角矩阵的特征表示能力。为更充分地利用裂纹空间信息，本技术首先计算采样点间的两两距离，得到n*n的距离矩阵，再根据裂纹图像的大小，设定多个距离尺度，例如k个距离尺度。对于每个距离尺度，将距离矩阵中落入该距离尺度的元素值设为第一值，其他设为第二值，这样得到k个距离掩模矩阵。然后根据k个距离掩模矩阵，从第一夹角矩阵中分别提取出对应元素，计算第二夹角矩阵，获得图像中裂纹的特征，这样就可以实现对图像中裂纹的重识别。进一步地，根据第二夹角矩阵得到夹角分布直方图，可以得到k个夹角分布直方图，这一组夹角分布直方图即为多距离尺度夹角分布直方图，其中的每个直方图反应了在一定距离范围内的采样点间的夹角分布。最后，还可以通过直方图距离比较两个裂纹特征的相似程度。
31.根据上述方案，由于按上述方法计算的夹角大小与裂纹的旋转和平移无关，因此夹角分布直方图具有旋转和平移不变性。该特征是对裂纹上的全部采样点间的几何关系进行统计的结果，因此属于全局几何特征，具有良好的抗噪能力。
32.根据本技术的一个方面，提供一种图像中裂纹的重识别方法。图1是根据本技术实施例的图像中裂纹的重识别方法的流程图。如图1所示，该方法包括如下步骤。
33.步骤s101，从原始图像中获取裂纹图像，所述裂纹图像包括裂纹。
34.原始图像可以是相机采集的图像，如图2所示。对于图2所示的图像，可以使用图像分割方法进行图像分割，获取裂纹的像素级识别结果，如图3所示。
35.步骤s102，根据所述裂纹像素点集合获得所述裂纹的采样点集合。
36.对于图3中的裂纹，其包含了多个像素点，组成该裂纹的像素点集合用c表示。
37.步骤s103, 根据所述裂纹像素点集合获得所述裂纹的采样点集合。
38.组成裂纹的像素点集合中像素点的数量非常大，尤其是对于高分辨率的图片。为了在保留裂纹轮廓的基础上降低计算量，可以对像素点集合进行采样获得采样点集合。
39.这样，步骤s103可以具体为子步骤s1031、子步骤s1032和子步骤s1033。
40.子步骤s1031, 在所述裂纹像素点集合中的任一像素点所在的邻域中裂纹像素比例满足设定的阈值范围的情况下，将所述像素点放置于所述采样点集合。
41.子步骤s1032，从所述裂纹像素点集合删除所述像素点。
42.子步骤s1033，从所述裂纹像素点集合删除与所述像素点的距离小于距离设定值的像素点。
43.具体来说，从像素点集合c中取出一点p，以p为中心，在图3所示的裂纹图像中取邻域wp，邻域wp的大小和形状是根据经验以及裂纹的形状以及粗细等确定的，可以是任何合适的大小和形状，例如，该邻域wp可以是边长为a的正方形或半径为r的圆形。若邻域wp中包含的裂纹像素比例满足设定的阈值范围，将p放入采样点集合s，同时将p从像素点集合c中删除。该设定的阈值范围可以视情况而定，例如，该范围为40%至60%，表明p点是裂纹的边缘像素点，可以保留下来。同时，从像素点集合c中删除到p点距离小于距离设定值b的像素点。其中，距离设定值b为人工设定的数值，如果邻域wp是边长为a的正方形或半径为r的圆形，距离设定值b的取值不小于a和r。
44.重复上述过程直到像素点集合c为空集，最终得到采样点集合s，如图4所示。
45.通过调节邻域wp、设定的阈值范围和/或距离设定值b的大小，对于同一个像素点集合c，能够获得具有不同采样点数量的采样点集合s。
46.步骤s104，根据所述采样点集合计算距离矩阵。
47.具体来说，步骤s104包括根据所述采样点集合中第i个采样点和第j个采样点的坐标确定所述距离矩阵中第i行j列的元素，其中，i，j=1,2,
…
,n，n为所述采样点集合中采样点的数量。
48.这样对于距离矩阵d，矩阵中第i行j列的元素为：其中，（xi,yi），（xj,yj）分别为s中第i和j个点的坐标，i，j=1,2,
…
,n，n为s中采样点数量。
49.步骤s105，根据所述采样点集合计算第一夹角矩阵。
50.具体来说，步骤s105包括根据采样点集合s中第i个采样点与该采样点集合s的重心之间的向量以及第j个采样点与该重心之间的向量确定第一夹角矩阵中第i行j列的元素。其中，采样点集合s的重心可以是将采样点集合s中所有采样点的坐标取平均值得到的。
51.对于第一夹角矩阵a，其第i行j列的元素为：
其中vi，vj分别为s中两个点pi和pj到重心pc的向量，如图5所示，夹角θ取值范围为0~180度。
52.步骤s106，根据所述距离矩阵计算多个距离掩模矩阵。
53.具体来说，步骤s106可以包括子步骤s1061和子步骤s1062。
54.子步骤s1061, 根据所述裂纹图像的对角线长度划分多个距离尺度，其中，每个距离尺度具有对应的距离尺度范围。
55.子步骤s1062，对于所述多个距离尺度中任一个距离尺度，在所述距离矩阵中第i行j列的元素的值属于所述距离尺度对应的距离尺度范围的情况下，将所述距离尺度对应的距离掩模矩阵中第i行j列的元素设为第一值，否则，将所述距离尺度对应的距离掩模矩阵中第i行j列的元素设为第二值，其中，i，j=1,2,
…
,n，n为所述采样点集合中采样点的数量。
56.确定裂纹图像的最大长度，例如图3所示的裂纹图像为长方形，其最大长度为对角线长度。将这个对角线长度划分为多个距离尺度，可以平均划分也可以不平均划分，本技术对此不做限制。例如，将裂纹图像的最大长度划分为k个距离尺度，对应k个距离尺度具有k个距离掩模{mk}，其中，k=1,2,
…
,k；对应k个距离尺度具有k个距离尺度范围，例如，第k个距离尺度范围设为[dk, d
k+1
] ，其中0《dk《 d
k+1
《d
max
，d
max
是裂纹图像的最大长度。
[0057]
这样，第k个距离尺度的距离掩模矩阵mk的元素为：其中，第一值和第二值可以为任意两个不同的值，例如第一值可以为1，第二值可以为0。
[0058]
步骤s107，根据所述多个距离掩模矩阵和所述第一夹角矩阵，计算与所述多个距离掩模矩阵分别对应的多个第二夹角矩阵，将多个第二夹角矩阵的直方图作为所述裂纹的特征。
[0059]
具体来说，步骤s107可以包括子步骤s1071和子步骤s1072。
[0060]
子步骤s1071，在所述多个距离尺度中任一个距离尺度对应的距离掩模矩阵中第i行j列的元素为所述第一值的情况下，将所述第二夹角矩阵中第i行j列的元素设为所述第一夹角矩阵中第i行j列的元素的值。
[0061]
子步骤s1072，在所述多个距离尺度中任一个距离尺度对应的距离掩模矩阵中第i行j列的元素为所述第二值的情况下，将所述第二夹角矩阵中第i行j列的元素设为预定值，其中，i，j=1,2,
…
,n，n为所述采样点集合中采样点的数量，预定值为与第一夹角矩阵a中的元素可能取值之外的任何值，例如，预定值可以为-1。
[0062]
对于k个距离尺度，对应的有k个第二夹角矩阵bk，其中，k=1,2,
…
,k。利用k个距离
掩模矩阵和第一夹角矩阵a，计算k个距离尺度对应的第二夹角矩阵bk，其中矩阵bk中的元素为：通过第二夹角矩阵bk获得图像中裂纹的特征，这样就可以实现对图像中裂纹的重识别。
[0063]
进一步地，根据第二夹角矩阵得到夹角分布直方图，可以得到k个夹角分布直方图，这一组夹角分布直方图即为多距离尺度夹角分布直方图，其中的每个直方图反应了在一定距离范围内的采样点间的夹角分布。最后，还可以通过直方图距离比较两个裂纹特征的相似程度。这样，图1所示的方法还包括步骤s108和步骤s109。
[0064]
步骤s108，获得所述多个第二夹角矩阵的直方图与预存的多个夹角分布直方图的相似度；步骤s109，在所述相似度满足相似度阈值的情况下，确定所述裂纹与所述预存的多个夹角分布直方图对应的裂纹相同。
[0065]
由第二夹角矩阵集合｛bk｝计算k个夹角分布直方图 ，每个直方图横坐标为夹角的角度，统计范围为0~180，纵坐标为矩阵bk中对应角度的元素数量。将直方图以数组的形式保存，该数组即可作为裂纹特征。
[0066]
图6展示了k设为5时，由裂纹图像通过前述步骤计算的5个多距离尺度夹角分布直方图。
[0067]
对于另外采集的新的图像，重复上述步骤s101至步骤109，计算出新的裂纹图像的多距离尺度夹角直方图，并且将其与之前已保存的多距离尺度夹角直方图比较相似度。在一个具体实施例中，两个直方图的相似度可选用经典的直方图距离度量，例如bhattacharyya距离，进而得到k个距离值，由此k个距离值组成直方图距离数组h。在一个具体实施例中，两张裂纹图像的相似度f可取数组h的均值或最大值。在相似度f满足相似度阈值的情况下，确定新采集的裂纹与该预存的多个夹角分布直方图对应的裂纹相同，实现了图像裂纹的重识别。
[0068]
图7至图12下图展示了另外三张裂纹图像分割结果和对应的多距离尺度夹角分布直方图，其中图7与图3是在不同时间拍摄的同一裂纹的分割结果，存在细微差别；图9与图3是形态结构相似的两条裂纹；图11与图3是差异显著的两条裂纹。
[0069]
图7、图9和图11与前述裂纹图像3的直方图距离数组分别如下所示：[0.139096 , 0.175052 , 0.189035 , 0.280357 , 0.353903 ]；[0.407548 , 0.43683 , 0.741693 , 0.805793 , 0.900398 ]；[0.485696 , 0.648143 , 0.909795 , 0.963043 , 0.999581]。
[0070]
可见距离数组随裂纹间的差异程度而增大。
[0071]
根据本技术提供的裂纹的重识别方案，所计算的裂纹的特征是对裂纹上的全部采样点间的几何关系进行统计的结果，因此属于全局几何特征，裂纹该特征具有旋转和平移
不变性，并且具有良好的抗噪能力。
[0072]
根据本技术的另一个方面，提供一种图像中裂纹的重识别装置。图13是根据本技术实施例的图像中裂纹的重识别装置的示意图。如图13所示，该装置包括如下单元。
[0073]
获取单元1301，用于从原始图像中获取裂纹图像，所述裂纹图像包括裂纹。
[0074]
原始图像可以是相机采集的图像，如图2所示。对于图2所示的图像，可以使用图像分割方法进行图像分割，获取裂纹的像素级识别结果，如图3所示。
[0075]
第一获得单元1302，用于根据所述裂纹像素点集合获得所述裂纹的采样点集合。
[0076]
对于图3中的裂纹，其包含了多个像素点，组成该裂纹的像素点集合用c表示。
[0077]
第二获得单元1303，用于根据所述裂纹像素点集合获得所述裂纹的采样点集合。
[0078]
组成裂纹的像素点集合中像素点的数量非常大，尤其是对于高分辨率的图片。为了在保留裂纹轮廓的基础上降低计算量，可以对像素点集合进行采样获得采样点集合。
[0079]
这样，第二获得单元1303可以具体包括放置子单元13031，第一删除子单元13032和第二删除子单元13033。
[0080]
放置子单元13031，用于在所述裂纹像素点集合中的任一像素点所在的邻域中裂纹像素比例满足设定的阈值范围的情况下，将所述像素点放置于所述采样点集合。
[0081]
第一删除子单元13032，用于从所述裂纹像素点集合删除所述像素点。
[0082]
第二删除子单元13033，用于从所述裂纹像素点集合删除与所述像素点的距离小于距离设定值的像素点。
[0083]
具体来说，从像素点集合c中取出一点p，以p为中心，在图3所示的裂纹图像中取邻域wp，邻域wp的大小和形状是根据经验以及裂纹的形状以及粗细等确定的，可以是任何合适的大小和形状，例如，该邻域wp可以是边长为a的正方形或半径为r的圆形。若邻域wp中包含的裂纹像素比例满足设定的阈值范围，将p放入采样点集合s，同时将p从像素点集合c中删除。该设定的阈值范围可以视情况而定，例如，该范围为40%至60%，表示p点是裂纹的边缘像素点，可以保留下来。同时，从像素点集合c中删除到p点距离小于距离设定值b的像素点。其中，距离设定值b为人工设定的数值，如果邻域wp是边长为a的正方形或半径为r的圆形，距离设定值b的取值不小于a和r。
[0084]
重复上述过程直到像素点集合c为空集，最终得到采样点集合s，如图4所示。
[0085]
通过调节邻域wp、设定的阈值范围和/或距离设定值b的大小，对于同一个像素点集合c，能够获得具有不同采样点数量的采样点集合s。
[0086]
第一计算单元1304，用于根据所述采样点集合计算距离矩阵。
[0087]
具体来说，第一计算单元1304用于根据所述采样点集合中第i个采样点和第j个采样点的坐标确定所述距离矩阵中第i行j列的元素，其中，i，j=1,2,
…
,n，n为所述采样点集合中采样点的数量。
[0088]
这样对于距离矩阵d，矩阵中第i行j列的元素为：其中，（xi,yi），（xj,yj）分别为s中第i和j个点的坐标，i，j=1,2,
…
,n，n为s中采样点数量。
[0089]
第二计算单元1305，用于根据所述采样点集合计算第一夹角矩阵。
[0090]
具体来说，第二计算单元1305用于根据采样点集合s中第i个采样点与该采样点集合s的重心之间的向量以及第j个采样点与该重心之间的向量确定第一夹角矩阵中第i行j列的元素。其中，采样点集合s的重心可以是将采样点集合s中所有采样点的坐标取平均值得到的。
[0091]
对于第一夹角矩阵a，其第i行j列的元素为：其中vi，vj分别为s中两个点pi和pj到重心pc的向量，如图5所示，夹角θ取值范围为0~180度。
[0092]
第三计算单元1306，用于根据所述距离矩阵计算多个距离掩模矩阵。
[0093]
具体来说，第三计算单元1306可以包括划分子单元13061和第一设定子单元13062。
[0094]
划分子单元13061，用于根据所述裂纹图像的对角线长度划分多个距离尺度，其中，每个距离尺度具有对应的距离尺度范围。
[0095]
设定子单元13062，用于对于所述多个距离尺度中任一个距离尺度，在所述距离矩阵中第i行j列的元素的值属于所述距离尺度对应的距离尺度范围的情况下，将所述距离尺度对应的距离掩模矩阵中第i行j列的元素设为第一值，否则，将所述距离尺度对应的距离掩模矩阵中第i行j列的元素设为第二值，其中，i，j=1,2,
…
,n，n为所述采样点集合中采样点的数量。
[0096]
确定裂纹图像的最大长度，例如图3所示的裂纹图像为长方形，其最大长度为对角线长度。将这个对角线长度划分为多个距离尺度，可以平均划分也可以不平均划分，本技术对此不做限制。例如，将裂纹图像的最大长度划分为k个距离尺度，对应k个距离尺度具有k个距离掩模{mk}，其中，k=1,2,
…
,k；对应k个距离尺度具有k个距离尺度范围，例如，第k个距离尺度范围设为[dk, d
k+1
] ，其中0《dk《 d
k+1
《d
max
，d
max
是裂纹图像的最大长度。
[0097]
这样，第k个距离尺度的距离掩模矩阵mk的元素为：其中，第一值和第二值可以为任意两个不同的值，例如第一值可以为1，第二值可以为0。
[0098]
第四计算单元1307，用于根据所述多个距离掩模矩阵和所述第一夹角矩阵，计算与所述多个距离掩模矩阵分别对应的多个第二夹角矩阵，将多个第二夹角矩阵的直方图作为所述裂纹的特征。
[0099]
具体来说，第四计算单元1307可以包括第二设定子单元13071和第三设定子单元13072。
[0100]
第二设定子单元13071，用于在所述多个距离尺度中任一个距离尺度对应的距离掩模矩阵中第i行j列的元素为所述第一值的情况下，将所述第二夹角矩阵中第i行j列的元素设为所述第一夹角矩阵中第i行j列的元素的值。
[0101]
第三设定子单元13072，用于在所述多个距离尺度中任一个距离尺度对应的距离掩模矩阵中第i行j列的元素为所述第二值的情况下，将所述第二夹角矩阵中第i行j列的元素设为预定值，其中，i，j=1,2,
…
,n，n为所述采样点集合中采样点的数量，预定值为与第一夹角矩阵a中的元素可能取值之外的任何值，例如，预定值可以为-1。
[0102]
对于k个距离尺度，对应的有k个第二夹角矩阵bk，其中，k=1,2,
…
,k。利用k个距离掩模矩阵和第一夹角矩阵a，计算k个距离尺度对应的第二夹角矩阵bk，其中矩阵bk中的元素为：通过第二夹角矩阵bk获得图像中裂纹的特征，这样就可以实现对图像中裂纹的重识别。
[0103]
进一步地，根据第二夹角矩阵得到夹角分布直方图，可以得到k个夹角分布直方图，这一组夹角分布直方图即为多距离尺度夹角分布直方图，其中的每个直方图反应了在一定距离范围内的采样点间的夹角分布。最后，还可以通过直方图距离比较两个裂纹特征的相似程度。这样，图13所示的装置还包括第三获得单元1308和确定单元1309。
[0104]
第三获得单元1308，用于获得所述多个第二夹角矩阵的直方图与预存的多个夹角分布直方图的相似度；确定单元1309，用于在所述相似度满足相似度阈值的情况下，确定所述裂纹与所述预存的多个夹角分布直方图对应的裂纹相同。
[0105]
由第二夹角矩阵集合｛bk｝计算k个夹角分布直方图，每个直方图横坐标为夹角的角度，统计范围为0~180，纵坐标为矩阵bk中对应角度的元素数量。将直方图以数组的形式保存，该数组即可作为裂纹特征。
[0106]
对于另外采集的新的图像，通过图13所示的装置再次计算出新的裂纹图像的多距离尺度夹角直方图，并且将其与之前已保存的多距离尺度夹角直方图比较相似度。在一个具体实施例中，两个直方图的相似度可选用经典的直方图距离度量，例如bhattacharyya距离，进而得到k个距离值，由此k个距离值组成直方图距离数组h。在一个具体实施例中，两张裂纹图像的相似度f可取数组h的均值或最大值。在相似度f满足相似度阈值的情况下，确定新采集的裂纹与该预存的多个夹角分布直方图对应的裂纹相同，实现了图像裂纹的重识别。
[0107]
根据本技术提供的裂纹重识别装置，所计算的裂纹的特征是对裂纹上的全部采样点间的几何关系进行统计的结果，因此属于全局几何特征，裂纹该特征具有旋转和平移不变性，并且具有良好的抗噪能力。
[0108]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部
分，可以参见其他实施例的相关描述。
[0109]
参阅图14，图14提供一种电子设备，包括处理器以及存储器。存储器存储有计算机指令，当计算机指令被处理器执行时，使得处理器执行所述计算机指令从而实现如图1所示的方法以及细化方案。
[0110]
应该理解，上述的装置实施例仅是示意性的，本发明披露的装置还可通过其它的方式实现。例如，上述实施例中所述单元/模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如，多个单元、模块或组件可以结合，或者可以集成到另一个系统，或一些特征可以忽略或不执行。
[0111]
另外，若无特别说明，在本发明各个实施例中的各功能单元/模块可以集成在一个单元/模块中，也可以是各个单元/模块单独物理存在，也可以两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
[0112]
所述集成的单元/模块如果以硬件的形式实现时，该硬件可以是数字电路，模拟电路等等。硬件结构的物理实现包括但不局限于晶体管，忆阻器等等。若无特别说明，所述处理器或芯片可以是任何适当的硬件处理器，比如cpu、gpu、fpga、dsp和asic等等。若无特别说明，所述片上缓存、片外内存、存储器可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器rram（resistive random access memory）、动态随机存取存储器dram（dynamic random access memory）、静态随机存取存储器sram（static random-access memory）、增强动态随机存取存储器edram（enhanced dynamic random access memory）、 高带宽内存hbm（high-bandwidth memory）、混合存储立方 hmc（hybrid memory cube）等等。
[0113]
所述集成的单元/模块如果以软件程序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器中。基于这样的理解，本发明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全部或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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本披露各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0114]
本技术实施例还提供一种非瞬时性计算机存储介质，存储有计算机程序，当所述计算机程序被多个处理器执行时，使得所述处理器执行如图1所示的方法以及细化方案。
[0115]
以上对本技术实施例进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本技术的方法及其核心思想。同时，本领域技术人员依据本技术的思想，基于本技术的具体实施方式及应用范围上做出的改变或变形之处，都属于本技术保护的范围。综上所述，本说明书内容不应理解为对本技术的限制。