Mejora de Contraste de Imágenes de Grietas de Concreto Utilizando Morfología Matemática

Julio César Mello Román

Resumen


La mejora de contraste es una técnica de pre-procesamiento comúnmente utilizado para acondicionar las imágenes antes de aplicar otros procesos más complejos como la segmentación, fusión o análisis de imágenes. Las imágenes de grietas de concreto pueden ser de gran ayuda en la detección de deformaciones en estructuras de concreto. Pero a veces dependiendo del dispositivo de adquisición o iluminaciones del medio, puede ocasionar que las imágenes capturadas tengan problemas como bajo contraste, pobres detalles o presenten ruidos. La minimización de estos problemas puede lograrse aplicando técnicas de mejora de la imagen, que puede realzar la calidad de la imagen siempre que estos no puedan volver a capturarse. En el presente artículo se propone un enfoque de mejora de contraste de imágenes de grietas de concreto utilizando operaciones de la morfología matemática. Las operaciones morfológicas utilizadas son el Open-Close Close-Open (OCCO), que es utilizado para reducir ruidos presentes en las imágenes, y las transformaciones de Top-Hat que son utilizadas de manera estratégica para realzar el contraste en las imágenes. Para validar el esquema se utilizó 200 imágenes de grietas de concreto de una base de datos pública. La propuesta se mostró competitivo para las métricas PSNR y SSIM con respecto a los algoritmos.


Texto completo:

PDF

Referencias


Aptoula, E. and Lefevre, S. (2007), ‘A comparative study on multivariate mathematical morphology’, Pattern Recognition 40(11), 2914–2929.

Aptoula, E., Lefevre, S. and Collet, C. (2006), Mathematical morphology applied to the segmentation and classification of galaxies in multispectral images, in ‘2006 14th European Signal Processing Conference’, IEEE, pp. 1–5.

Bai, X. and Guo, S. (2018), ‘Weight strategy aided infrared and visible image fusion utilizing the center operator from opening and closing based toggle operator’, Infrared Physics & Technology 92, 190–196.

Bai, X. and Zhang, Y. (2014), ‘Enhancement of microscopy mineral images through constructing alternating operators using opening and closing based toggle operator’, Journal of Optics 16(12), 125407.

Bai, X., Zhou, F. and Xue, B. (2012), ‘Infrared dim small target enhancement using toggle contrast operator’, Infrared Physics & Technology 55(2-3), 177–182.

Hore, A. and Ziou, D. (2010), Image quality metrics: PSNR vs. SSIM, in ‘2010 20th International Conference on Pattern Recognition’, IEEE.

Kushol, R., Kabir, M. H., Salekin, M. S. and Rahman, A. B. M. A. (2017),

Contrast enhancement by top-hat and bottom-hat transform with optimal structuring element: Application to retinal vessel segmentation, in ‘Lecture Notes in Computer Science’, Springer International Publishing, pp. 533– 540.

Liu, B. and Yang, T. (2017), ‘Image analysis for detection of bugholes on concrete surface’, Construction and Building Materials 137, 432–440.

Liu, X., Ai, Y. and Scherer, S. (2017), Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features, in ‘2017 IEEE International Conference on Image Processing (ICIP)’, IEEE.

Mendez, R., Cardozo, R., Noguera, J. L. V., Legal-Ayala, H., Roman, J. C. M., Grillo, S. and Garc´ıa-Torres, M. (2019), Color image enhancement using a multiscale morphological approach, in ‘Communications in Computer and Information Science’, Springer International Publishing, pp. 109–123.

Mukhopadhyay, S. and Chanda, B. (2000), ‘A multiscale morphological approach to local contrast enhancement’, Signal Processing 80(4), 685–696.

Roman, J. C. M., Noguera, J. L. V., Legal-Ayala, H., More, L. and Pinto-Roa, D. P. (2019), Image enhancement with preservation of brightness and details using multiscale top-hat transform, in ‘2019 XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA)’, IEEE.

Roman, J. M., Noguera, J. V., Legal-Ayala, H., Pinto-Roa, D., Gomez-Guerrero, S. and Torres, M. G. (2019), ‘Entropy and contrast enhancement of infrared thermal images using the multiscale top-hat transform’, Entropy 21(3), 244.

Saravia, C. A., Peralta, M. E. M., Roman, J. C. M., Noguera, J. L. V. and Ayala, H. L. (2019), Fusion of infrared and visible images using multiscale morphology, in ‘2019 XLV Latin American Computing Conference (CLEI)’, IEEE.

Soille, P. (2004a), Erosion and dilation, in ‘Morphological Image Analysis’,

Springer Berlin Heidelberg, pp. 63–103.

Soille, P. (2004b), Introduction, in ‘Morphological Image Analysis’, Springer Berlin Heidelberg, pp. 1–14.

Soille, P. (2004c), Opening and closing, in ‘Morphological Image Analysis’,

Springer Berlin Heidelberg, pp. 105–137.

Umer, S., Dhara, B. C. and Chanda, B. (2015), ‘Iris recognition using multiscale morphologic features’, Pattern Recognition Letters 65, 67–74.

Wang, Z., Bovik, A., Sheikh, H. and Simoncelli, E. (2004), ‘Image quality assessment: From error visibility to structural similarity’, IEEE Transactions on Image Processing 13(4), 600–612.

Ozgenel, C . F. and Sorguc¸, A. G. (2018), Performance comparison of pretrained convolutional neural networks on crack detection in buildings, in ‘Proceedings of the 35th International Symposium on Automation and Robotics in Construction (ISARC)’, International Association for Automation and Robotics in Construction (IAARC).


Enlaces refback

  • No hay ningún enlace refback.


Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.