基于Radon变换的钢轨表面快速提取

针对已有的提取钢轨表面方法在提取钢轨表面时存在过提取和欠提取的缺点,提出了一种基于Radon变换的快速钢轨表面提取方法.首先,根据钢轨表面区域向非钢轨表面区域进行过渡时像素点的灰度值会产生突变,用Radon变换生成原图像的灰度投影曲线及其投影曲线的平均值;然后,以投影曲线与其平均值的交点来确定积分的初始位置和结束位置.由于钢轨表面的宽度是确定不变的,因此从初始位置开始且以钢轨表面的宽度为区间对投影曲线进行灰度积分,直到结束位置,在此区间所得到的最大积分区间为要提取的钢轨的表面区域.将仿真结果与其它方法相比较表明:该方法抗噪能力强,而且还能准确、快速的提取钢轨表面区域.

基于HSV空间的钢轨表面区域快速提取算法

机器视觉采集的轨道图像中包含钢轨表面区域(简称轨面区域)及干扰区域(轨道、碎石、杂草等),从复杂的轨道图像中检测缺陷目标难度大、耗时多.因此,先将轨面区域提取出来,然后对提取的轨面区域进行缺陷检测和识别可以节省大量时间.传统的钢轨表面区域提取算法多为手动设定轨面边界,自适应性较差,且对光照异常敏感.针对以上问题,就如何快速提取轨面区域进行了研究,提出了一种基于HSV空间的钢轨表面区域快速提取算法.首先将采集的RGB图像转换到HSV空间,并提取其S分量图像,以此变换来克服光照条件变化对钢轨表面区域提取带来的干扰;其次在S分量图像中绘制灰度投影曲线;然后以图像的中点为轴,将曲线分为左右两侧,分别找到左右两侧列曲线的极大值L1、R1和次大值L2、R2;最后根据极大值和次大值的关系自动确定轨面区域的边界.仿真结果表明,所研究的算法可以快速、准确地提取轨面区域,避免了手动确定轨面区域边界的问题,算法的泛化能力较好,提取精度较高(IoU高达0.92),提取准确率为93.87%,提取时间较传统方法大幅降低,平均提取时间为0.046 s,为铁路线路的实时自动化检测奠定了基础.