基于圖像分割的尾礦壩干灘長(zhǎng)度監(jiān)測(cè)

黃青松，李　青，張金鋒，王燕杰

(1.中國計(jì)量學(xué)院 機(jī)電工程學(xué)院，杭州　310018； 2.浙江省安全生產(chǎn)科學(xué)研究院，杭州　310012)

?

基于圖像分割的尾礦壩干灘長(zhǎng)度監(jiān)測(cè)

黃青松1，李青1，張金鋒2，王燕杰1

(1.中國計(jì)量學(xué)院 機(jī)電工程學(xué)院，杭州310018； 2.浙江省安全生產(chǎn)科學(xué)研究院，杭州310012)

干灘長(zhǎng)度是反映影響尾礦庫安全穩(wěn)定的重要參數(shù)之一;為了測(cè)量尾礦壩干灘的長(zhǎng)度，提出一種基于圖像分割的干灘長(zhǎng)度監(jiān)測(cè)系統(tǒng);根據(jù)尾礦庫地形特點(diǎn)通過獲取尾礦庫水域邊界圖像，在Emgu CV環(huán)境下，使用OTSU閾值分割法、輪廓識(shí)別、分水嶺法等算法過濾圖片中尾礦庫周圍的植物、水面的波紋和倒影，自動(dòng)清晰地識(shí)別干灘和水面的分界水線，并對(duì)水線像素坐標(biāo)點(diǎn)進(jìn)行分析與處理，實(shí)時(shí)得出最準(zhǔn)確的干灘水線像素坐標(biāo);創(chuàng)新性地只通過一次標(biāo)志物標(biāo)定就能得出水線坐標(biāo)與干灘長(zhǎng)度的函數(shù)，從而得到尾礦壩干灘長(zhǎng)度;經(jīng)過浙江建德銅礦尾礦壩實(shí)地測(cè)量，該方法長(zhǎng)度誤差小于2.6%。

尾礦壩；干灘長(zhǎng)度；圖像分割；分水嶺算法

0　引言

尾礦庫是部分礦山生產(chǎn)的必然產(chǎn)物，同時(shí)也是礦山重大環(huán)境污染源和危險(xiǎn)源[1]。在線實(shí)時(shí)監(jiān)測(cè)技術(shù)為礦山企業(yè)的安全提供有利保障，發(fā)展尾礦庫在線實(shí)時(shí)監(jiān)測(cè)技術(shù)是大勢(shì)所趨。尾礦庫安全監(jiān)測(cè)的主要內(nèi)容有浸潤(rùn)線、壩體位移、干灘和庫水位等，其中干灘長(zhǎng)度是反映尾礦庫安全穩(wěn)定的重要參數(shù)之一[2]，干灘長(zhǎng)度是指干灘頂至尾礦內(nèi)水線之間的最短水平距離，如圖1所示。

圖1　尾礦壩示意圖

近幾年視覺測(cè)量[3]和圖像處理技術(shù)[4]應(yīng)用于尾礦壩干灘長(zhǎng)度測(cè)量系統(tǒng)，但都是將干灘與水面區(qū)域分開，無法直接提取水線的點(diǎn)坐標(biāo)值且標(biāo)定方法復(fù)雜。通過Emgu CV[5]視覺處理算法在C#平臺(tái)直接從干灘圖片中提取水線上所有點(diǎn)的圖像坐標(biāo)值。從而與干灘表面標(biāo)志物位置進(jìn)行最小二乘法擬合函數(shù)，通過水線坐標(biāo)值可得出尾礦壩干灘的長(zhǎng)度。

1　干灘攝影系統(tǒng)

不同于其他干灘攝影測(cè)量系統(tǒng)，該系統(tǒng)不將攝像機(jī)放置于尾礦壩的壩頂，而是將攝像機(jī)放置于尾礦的山體上。從干灘水線的對(duì)岸拍攝干灘圖像。由于尾礦沙堆積使得尾礦庫容量的增加，需要往上增加子壩以提高尾礦庫容量及強(qiáng)度。如果將攝像機(jī)放置壩頂，隨著子壩的增高，攝像機(jī)安裝位置勢(shì)必要變化。將攝像機(jī)放置于尾礦的山體上，避免攝像機(jī)的位置變化，只需控制安裝時(shí)攝像機(jī)的高度。

2　圖像分割識(shí)別水線

攝像機(jī)拍攝的尾礦壩干灘照片由尾礦干灘、干灘表面的雨水及排砂廢水、水面波紋、水面植物、尾礦兩側(cè)山體與植物、水面山體及植物倒影組成。由于陽光、雨雪、風(fēng)力、植物生長(zhǎng)、尾礦排砂流量流速的不確定，導(dǎo)致拍攝的圖片存在許多影響水線識(shí)別的不確定物體及噪聲。

常用的圖像分割方法都將圖片分割成數(shù)量不確定的若干個(gè)區(qū)塊。如果將上述圖像分割算法無法明確分割出干灘與水面的分割線，無法直接應(yīng)用與尾礦壩干灘長(zhǎng)度測(cè)量系統(tǒng)。

Beucher S等提出的分水嶺算法是一種區(qū)域圖像分割方法,可以精確快速的定位單像素圖像邊緣、檢測(cè)出弱邊緣對(duì)象和提取封閉輪廓[6]。因此設(shè)計(jì)出一種基于改進(jìn)標(biāo)記提取的分水嶺圖像分割算法的尾礦壩干灘長(zhǎng)度測(cè)量系統(tǒng)，自動(dòng)清晰的得出干灘與水面的單像素分割線。

2.1傳統(tǒng)分水嶺算法

分水嶺算法是一種形態(tài)學(xué)分割算法，將圖片的灰度值視作地形高度圖，低灰度值像素對(duì)應(yīng)山谷、高灰度值像素對(duì)應(yīng)山峰山脈。水從不同地方由高致底流動(dòng)，流到局部低洼處形成水盆地，最終所有的水填充在不同的盆地上，盆地與盆地之間的山脊既是分水嶺[7]。

但由于該分割法極易受噪聲的影響，容易產(chǎn)生過分割現(xiàn)象，所以對(duì)目標(biāo)圖像直接進(jìn)行分水嶺分割往往很難達(dá)到預(yù)期效果。

2.2改進(jìn)的分水嶺分割算法

改進(jìn)算法的流程如下:(1)通過對(duì)圖像銳化突出邊緣輪廓。在HSV顏色空間中，刪除尾礦干灘壩圖片H值在固定值的綠色植物噪聲干擾。(2)對(duì)(1)中銳化后的圖像求RGB顏色梯度圖像。(3)梯度圖像利用OTSU算法提取標(biāo)記圖像， 基于形狀、面積的修改標(biāo)記圖像。(4)對(duì)得到的標(biāo)記圖像進(jìn)行組合成2種最終標(biāo)記最小值區(qū)域， 在標(biāo)記極小值的最終梯度圖像上進(jìn)行分水嶺分割。算法流程如圖2所示。

圖2　Emgu CV圖像處理流程圖

2.2.1拉普拉斯算子圖像銳化

由于尾礦壩干灘與水面圖像在光照或者干灘表面濕度等因素影響下會(huì)出現(xiàn)輪廓模糊、線條不均、亮度不均等現(xiàn)象。需要通過圖像銳化突出邊緣信息，增強(qiáng)圖像輪廓特征。

通過微分概念進(jìn)行圖像銳化，使用拉普拉斯算子做銳化高通濾波器，其運(yùn)算既是偏導(dǎo)數(shù)運(yùn)算的線性組合，同時(shí)也是各向同性(旋轉(zhuǎn)不變)的線性運(yùn)算[8]。其算子表達(dá)式：

(1)

對(duì)于離散函數(shù)f(x,y),其差分形式是：

(2)

將圖像f(x,y)減去它的拉普拉斯變換可以增強(qiáng)對(duì)比度達(dá)到銳化效果：

(3)

設(shè)置ROI (Region Of Interest) 區(qū)域，取得感興趣的中心區(qū)域，盡可能將尾礦壩兩端的山體及植物刪除,將圖3(a)左右兩側(cè)刪去20%像素，ROI銳化圖如圖3(b)所示。

2.2.2RGB彩色梯度計(jì)算

在彩色向量空間直接計(jì)算梯度比用灰度圖像直接計(jì)算梯度具有更高的準(zhǔn)確度。采用彩色向量空間梯度算法，直接在RGB向量空間計(jì)算梯度[9]。

設(shè)r、g、b是RGB彩色空間沿R、G、B軸的單位向量,像素沿水平方向和垂直方向的彩色梯度可用向量來表述。

(4)

數(shù)量gxx、gyy、gxy定義為這些向量的點(diǎn)乘:

(5)

據(jù)此可得彩色圖像的梯度為:

(6)

彩色圖像在(x,y)處最大變化率方向由角度θ給出:

(7)

彩色梯度圖像如圖3(c)所示。

圖3　圖像處理結(jié)果圖

2.2.3刪除綠色植物噪聲

尾礦壩干灘圖為RGB(Red,Green,Blue)圖像，容易受到光線強(qiáng)弱、陰影等因素影響。相比之下，HSV(Hue,Saturation,Value)模型面對(duì)這些光照的變化更穩(wěn)定一些，能更好的反應(yīng)顏色的本質(zhì)。將此RGB圖轉(zhuǎn)為HSV圖片，每個(gè)像素點(diǎn)都可用HSV表示，即f(H,S,V)。H表示顏色的相位角(Hue)，范圍:[0,360]，互補(bǔ)色分別相差180度；紅、藍(lán)、綠分別相隔120度。尾礦壩干灘圖片底部的綠色植物HSV圖像為亮綠色。截取圖片中綠色植物圖片(像素:100×100)，如圖4。取其H分量歸一化直方圖，如圖5，綠色植物H值為0.12×360度到0.25×360度，既43.2度到90度。記錄下該H值范圍的綠色植物像素坐標(biāo)點(diǎn)。

圖5　綠色植物H分量直方圖

圖4截取綠色植物圖片(100×100)

2.2.4OTSU法標(biāo)記提取

對(duì)梯度圖像進(jìn)行二值化閾值處理,采用一種使類間方差最大化的自動(dòng)求取閾值方法,即OTSU法[10]。得到最佳閾值T之后，將輸入圖像f(x,y)按照下面的規(guī)則進(jìn)行其分類:

(8)

其中，▽IOTSU(x,y)是閾值分割后的圖像，灰度值為255(二值化則為1)的是標(biāo)記區(qū)域。OTSU閾值分割圖如圖3(d)所示。記錄下綠色植物的像素坐標(biāo)點(diǎn)，在閾值分割圖中將該坐標(biāo)的像素值置零變黑，如圖3(e)所示。

2.2.5基于面積、形狀過濾標(biāo)記

尾礦壩干灘圖像標(biāo)記輪廓局部極小值灰度值反映了區(qū)域邊緣的強(qiáng)度，增大閾值T可以更有效地消除虛假邊緣，但是真實(shí)的弱邊緣可能被當(dāng)作噪聲過濾掉。

如圖6，T2梯度灰度值小于噪聲梯度值Tn，為了剔除噪聲，閾值T必須大于Tn，同時(shí)卻把目標(biāo)梯度2刪除，所以通過閾值不能完全過濾噪聲得到有效標(biāo)記。S1、S2、Sn表示目標(biāo)1標(biāo)記面積、目標(biāo)2標(biāo)記面積、噪聲標(biāo)記面積。梯度圖像中標(biāo)記表面較為平坦，一般有較大的面積及較高的梯度；而噪聲經(jīng)過梯度計(jì)算產(chǎn)生的區(qū)域面積很小。

圖6　目標(biāo)與噪聲梯度對(duì)比圖

在尾礦壩干灘圖片中干灘表面的輪廓由于尾砂排放的沖涮以及山體排水淹沒與漲水，造成輪廓呈現(xiàn)長(zhǎng)條形。刪除長(zhǎng)寬比小于系數(shù)K的目標(biāo)標(biāo)記，刪除面積小于N的目標(biāo)標(biāo)記，避免無意義小區(qū)域的產(chǎn)生，提高標(biāo)記提取的有效性和算法的抗噪性能，得到新的二值化標(biāo)記 ablaIOTSU|filter。

2.2.6重繪標(biāo)記

將得到的有效輪廓的中心坐標(biāo)用直線串聯(lián)起來作為標(biāo)記一 ablaIOTSU|filtermark1；查詢夏天雨季時(shí)單日最大干灘變化長(zhǎng)度的知，干灘歷史數(shù)據(jù)干灘水線的變化范圍在若干天內(nèi)是固定的，在水線下方，畫出一個(gè)長(zhǎng)方體作為標(biāo)記二 ablaIOTSU|filtermark2，該標(biāo)記二的4個(gè)角點(diǎn)的縱坐標(biāo)需在水線的變化范圍之外。 ablaIOTSU|filtermark1和 ablaIOTSU|filtermark2為標(biāo)記圖像的種子像素灰度值大于0，二值化表示為1，既是白色線條部分；非種子部分為0，既是畫面黑色部分；如圖6(f)所示。

2.2.7分水嶺算法分割

獲取極小值標(biāo)記后即可利用形態(tài)學(xué)極小值標(biāo)定技術(shù)修改梯度圖，將應(yīng)極小值標(biāo)記 ablaIOTSU|filtermark1和 ablaIOTSU|filtermark2種子部分的點(diǎn)置0，其余點(diǎn)保持原梯度圖▽I不變，得到新的梯度圖▽Io，既：

(9)

式中,IMMIN()為Soille[11]所提出的極小值強(qiáng)制運(yùn)算。將得到▽Io進(jìn)行分水嶺分割算法，得到的圖像用IWS表示，既：

(10)

式(10)中Waterd()表示分水嶺分割算法。

2.3圖像分割實(shí)驗(yàn)結(jié)果

通過對(duì)Emgu CV識(shí)別圖像6(e)最大標(biāo)記面積Smax,面積系數(shù)Ns、最大長(zhǎng)寬比系數(shù)K，面積小于N=Smax×Ns、最大長(zhǎng)寬比小于K的輪廓。參數(shù)數(shù)值如表1所示。

表1　刪除輪廓噪聲參數(shù)

3　測(cè)量結(jié)果分析

3.1安放標(biāo)志物

只需一次安放標(biāo)志物就可標(biāo)定圖像坐標(biāo)與干灘長(zhǎng)度的關(guān)系。將泡沫標(biāo)志物用細(xì)繩串起來，在壩頂和山體處固定細(xì)繩，垂直尾礦壩頂放置標(biāo)志物，在水面上安放用泡沫標(biāo)志物。此方法只需操作人員站在干灘干燥處及山體標(biāo)定一次即可取走泡沫標(biāo)志物，無需在干灘潮濕處及水面長(zhǎng)期安放標(biāo)志物，避免了標(biāo)志物被掩埋及操作人員定期檢查操作。安放標(biāo)志物位置，x1到x8,如圖7所示。本次試驗(yàn)使用8個(gè)間隔為15米的泡沫標(biāo)志物進(jìn)行干灘長(zhǎng)度標(biāo)定，在不同角度拍攝若干張圖片。

圖7　標(biāo)志物提取坐標(biāo)點(diǎn)

3.2圖像坐標(biāo)與干灘長(zhǎng)度幾何模型

在浙江建德銅礦尾礦庫進(jìn)行測(cè)量實(shí)驗(yàn)，使用索尼DSC-T900相機(jī)進(jìn)行拍攝。拍攝圖6(a)相機(jī)參數(shù)：分辨率為1 920×1 080,光圈值f/3.5,曝光時(shí)間1/60秒,焦距6 mm,最大光圈3.625。使用MATLAB的cftool(Curve Fitting Tool)擬合工具箱將Windows畫圖工具手動(dòng)提取標(biāo)志物圖像像素縱坐標(biāo)與實(shí)際長(zhǎng)度通過擬合指數(shù)函數(shù)繪制出圖8。使用95%置信區(qū)間產(chǎn)生擬合參數(shù)，得到g(x,y)：y=320.1*e((-9.063e-005)*x)-179.5*e(-0.001 924*x)，殘差平方和(SSE)為3.501，相關(guān)系數(shù)平方(R-square)為0.999 7，校正相關(guān)系數(shù)平方(Adjust R-square)為0.999 6，標(biāo)準(zhǔn)差(RMSE)為0.836 8。將MATLAB得到的g(x,y)函數(shù)使用C#編程與Emgu CV水線圖像識(shí)別結(jié)合，可實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)干灘長(zhǎng)度。

圖8最小二乘法擬合曲線函數(shù)g(x,y)

3.3實(shí)驗(yàn)測(cè)試結(jié)果

將圖3(g)得到的水線像素縱坐標(biāo)最小值為237帶入圖8中的擬合函數(shù)g(x,y)得到干灘長(zhǎng)度為199.5米。將干灘長(zhǎng)度L與用全站儀(型號(hào)：蘇州一光OTS812BL)測(cè)出的干灘長(zhǎng)度204.9米進(jìn)行比較，誤差為5.4米，誤差小于2.6%

本實(shí)驗(yàn)8張干灘水線圖片通過圖像處理得到的干灘水線最小縱坐標(biāo)xmin帶入g(x,y)得到干灘長(zhǎng)度L=g(xmin,y)與真實(shí)值比較誤差皆小于6米，誤差小于2.9%，滿足干灘測(cè)量要求。

誤差主要來源于標(biāo)志物安放是長(zhǎng)度測(cè)量時(shí)人工使用卷尺測(cè)量造成誤差；人工識(shí)別標(biāo)志物坐標(biāo)位置是由于標(biāo)志物距離相機(jī)拍攝位置遠(yuǎn)，在畫面中面積小，手動(dòng)識(shí)別坐標(biāo)勢(shì)必會(huì)產(chǎn)生長(zhǎng)度誤差。

4　結(jié)論

1)為了安全穩(wěn)定的監(jiān)測(cè)尾礦壩干灘長(zhǎng)度，使用Emgu CV視覺處理庫在C#平臺(tái)利用改進(jìn)分水嶺算法創(chuàng)新地解決了所有干灘水線點(diǎn)坐標(biāo)值的取得問題。

2)在干灘和水面上垂直尾礦壩頂放置若干個(gè)泡沫標(biāo)志物，固定相機(jī)，只需提取一次其坐標(biāo)值與實(shí)際的坐標(biāo)處干灘長(zhǎng)度。解決了過往干灘長(zhǎng)度監(jiān)測(cè)過程中復(fù)雜而危險(xiǎn)得標(biāo)定方法，簡(jiǎn)化標(biāo)定工作。通過最小二乘法擬合函數(shù)，將水線坐標(biāo)值帶入擬合函數(shù)可得到干灘長(zhǎng)度，經(jīng)過實(shí)驗(yàn)誤差小于2.9%滿足測(cè)量要求。

[1]李青石,李庶林,陳際經(jīng). 試論尾礦庫安全監(jiān)測(cè)的現(xiàn)狀及前景[J]. 中國地質(zhì)災(zāi)害與防治學(xué)報(bào),2011,22(1):99-106.

[2] 陳善剛,蘇軍,袁子清,等. 尾礦庫安全在線監(jiān)測(cè)技術(shù)探討[J]. 有色金屬(選礦部分),2011(3):64-67.

[3] 胡軍,劉澤北,胡珊. 基于視覺測(cè)量的尾礦庫干灘長(zhǎng)度監(jiān)測(cè)[J]. 工業(yè)安全與環(huán)保,2014(11):1-4.

[4] 張玉磊,牛昱光,李曉新. 基于數(shù)字圖像處理技術(shù)的尾礦壩干灘長(zhǎng)度監(jiān)測(cè)[J]. 礦業(yè)研究與開發(fā),2013(6):106-108.

[5] Bradski G,Kaehler A,Pisarevsky V.Learning-based computer vision with Intel’s open source computer vision library[J]. Intel Technology Journal . 2005,9(2):119-130.

[6] Beucher S,Meyer F.The morphological approach to segmentation the watershed transformation[J].Mathematical Morphology in Image Processsing. New York:Marcel Dekker,1993:433-481.[7] 魏振忠,郗曼,張廣軍,等. 一種山區(qū)圖像邊緣信息的分水嶺變換提取方法[J]. 計(jì)算機(jī)測(cè)量與控制,2009,(7):1403-1406.

[8] 吳海波,劉釗.基于拉普拉斯算子的彩色圖像銳化處理[J]. 電腦開發(fā)與應(yīng)用,2008,(9):27-28.

[9] 余旺盛,侯志強(qiáng),王朝英,等. 基于改進(jìn)濾波和標(biāo)記提取的分水嶺算法[J]. 電子學(xué)報(bào),2011,(4):825-830.

[10] Otsu N.A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man and Cybernetics.1979.

[11] Soille P.Morphological Image Analysis: Principles and Applications, 2nd ed[M].Springer-Verlag ,N Y,2003.

Dry Beach of Tailings Dam Length Monitoring Based on Image Segmentation

Huang Qingsong1，Li Qing1,Zhang Jinfeng2,Wang Yanjie1

(1.College of Mechanical and Electrical Engineering,China Jiliang University,Hangzhou310018 ,China;2.Zhejiang Institute of Safety Science and Technology,Hangzhou310012,China)

The length of dry beach is an important monitoring content that affects the safety of tailing pond. In order to measure the length of the tailings dam,proposed a dry beach length monitoring system based on image segmentation.According to the terrain features of the tailings dam, the water boundary image of the tailings dam is obtained by the acquisition of the water.In the Emgu CV environment, the OTSU algorithm threshold segmentation, contour recognition, and watershed algorithm can be used to retrieve the boundary between dry beaches and water surface.Analyze and deal with the image pixel coordinates, the most accurate pixel coordinates of waterline can be real-time measured.Only through one calibration can be obtained waterline coordinates and dry beach length function innovatively, so it’s easy to measure the dry beach of tailings dam length.After field survey of tailings dam in Zhejiang Jiande copper mine, the error of this method is less than 2.6%.

tailings dam; dry beach length; image segmentation; watershed algorithm

2015-07-24；

2015-08-27。

國家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局科技計(jì)劃項(xiàng)目(2013QK027);浙江省“儀器科學(xué)與技術(shù)”重中之重學(xué)科開放基金資助(JL150516)。

黃青松(1990- )，男，福建寧德人，碩士，主要從事圖像處理、尾礦安全方向的研究。

李青(1955-)，男，浙江杭州人，教授，主要從事測(cè)控技術(shù)，傳感器方向的研究。

1671-4598(2016)01-0067-04

10.16526/j.cnki.11-4762/tp.2016.01.018

TD

A