基于可量測影像的井壁病害面積精確提取

董樂超 劉如飛 田茂義 侯海龍

(1.山東科技大學(xué)測繪科學(xué)與工程學(xué)院，山東 青島 266590；2.青島秀山移動測量有限公司，山東 青島 266590)

基于可量測影像的井壁病害面積精確提取

董樂超1劉如飛1田茂義1侯海龍2

(1.山東科技大學(xué)測繪科學(xué)與工程學(xué)院，山東 青島 266590；2.青島秀山移動測量有限公司，山東 青島 266590)

豎井井筒病害巡檢是礦井安全監(jiān)測的重要內(nèi)容，高精度的病害面積提取為評估病害等級、研究病害發(fā)育等提供了有力的數(shù)據(jù)支撐。利用豎井井筒病害巡檢系統(tǒng)對井壁原始影像進行拼接配準(zhǔn)，可以得到帶有空間坐標(biāo)位置的粗精度井壁拼接圖像。在此基礎(chǔ)上，對這些影像利用豎井井壁罐梁分布特征取特征點并結(jié)合Givens變換求解糾正多項式進行分塊空間糾正，得到高精度配準(zhǔn)圖像，最后通過計算機圖形區(qū)域生長算法，提取病害圖形得出高精度的病害面積數(shù)據(jù)，滿足了實際應(yīng)用的需要。

圖像糾正 可量測影像 病害面積提取 圖形自動識別

1 引言

豎井井筒的井壁巡檢是礦井安全生產(chǎn)作業(yè)的重要保障，定期巡檢可以排查出豎井井壁存在的各種井壁病害及安全隱患，保障礦井工作人員的人身安全。當(dāng)前國內(nèi)井筒巡檢的工作方式有兩種，一種是傳統(tǒng)人工巡檢方式進行井壁的巡檢，另一種是利用井筒病害巡檢系統(tǒng)進行自動化巡檢。我們以井筒病害巡檢系統(tǒng)的巡檢影像數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)，研究如何利用可量測的井壁影像提取出高精度的病害面積數(shù)據(jù)，進而幫助井筒工作人員對病害進行定性定量的評估。

利用井壁影像進行病害面積的提取，需要解決兩個技術(shù)難題，一個是對井壁原始影像的影像拼接，另一個是對拼接影像的配準(zhǔn)糾正。本文研究如何對已拼接完成并進行了粗對準(zhǔn)的井壁影像進行高精度的影像糾正。當(dāng)前國內(nèi)外對影像糾正方法的研究處于相對成熟的階段，影像糾正涉及到的算法有Kriging插值法、最近差值法、雙線性插值法、三次卷積插值法、Gauss變換、Givens變換、Householder變換、仿射變換[1]等。黃世存通過對比各糾正矩陣優(yōu)劣得出Givens變換在1到5次多項式模型中都比較穩(wěn)定[2]，張虹凌介紹了數(shù)字影像分塊糾正的基本原理及方法[3]。郭金運通過對聚酯薄膜和紙質(zhì)地形圖與航攝數(shù)字影像將放射變換和相似變換進行對比分析，得出放射變換在地圖數(shù)字化坐標(biāo)換算中優(yōu)于相似變換[4]。我們結(jié)合豎井井壁的實際情況，對比分析了各個糾正矩陣及方法的優(yōu)劣，最終采用Givens算法結(jié)合基于罐梁特征點的豎井影像分塊糾正方法，對豎井井壁影像進行高精度糾正。在糾正影像的基礎(chǔ)上，進行計算機圖形自動提取和面積自動計算，得到了基于影像的高精度病害面積數(shù)據(jù)。

本文詳細介紹了豎井井壁病害獲取高精度面積數(shù)據(jù)的作業(yè)流程，介紹了利用Givens算法和井壁罐梁特征點進行影像分塊糾正的技術(shù)原理，并與傳統(tǒng)作業(yè)方式進行了全面的試驗對比分析。

2 問題分析

對已拼接的井壁影像進行影像糾正，不可避免的涉及到特征點的選取問題，在影像糾正的理論方法中，特征點的數(shù)量及分布狀態(tài)直接影響影像最后的糾正精度。但對于幾百米深的豎井井壁，病害位置具有隨機性，人工獲取病害實際位置需要極大的人力付出，因此通過人工獲取大量病害特征點實際位置來解決井壁影像的糾正問題不能滿足實際工程的需要。通過對國內(nèi)豎井井壁結(jié)構(gòu)的調(diào)研分析，我們發(fā)現(xiàn)井壁罐梁的分布均勻規(guī)律，且其位置隨時間變化極小，在井壁影像中唯一具有一般規(guī)律性，可以作為特征點的取點對象。結(jié)合影像分部糾正的原理，利用Givens算法可實現(xiàn)對豎井井壁拼接影像的高精度糾正，從而可以獲取高精度的病害面積數(shù)據(jù)。

3 井壁影像高精度面積提取技術(shù)

為了實現(xiàn)高精度井壁病害面積數(shù)據(jù)的提取，對巡檢系統(tǒng)采集的原始影像處理流程如圖1所示。

3.1 特征點選取

3.1.1 數(shù)據(jù)預(yù)處理

為得到完整拼接影像，以豎井分區(qū)牌限定區(qū)間深度范圍及原始照片范圍，并對分區(qū)采用基于外部參數(shù)的拼接方法?；驹硎且阎Q井的深度、區(qū)間范圍、采集的原始影像張數(shù)、巡檢儀器下降速度、相機幀數(shù)等參數(shù)，根據(jù)巡檢儀器下降的速度，采用速度模型計算出區(qū)間內(nèi)每張影像對應(yīng)的深度，然后對選取每個分區(qū)對應(yīng)的影像進行圖像拼接，并以區(qū)間深度對已拼接好的影像進行空間配準(zhǔn)。

這樣的操作方法的優(yōu)點是能快速的對原始影像進行拼接配準(zhǔn)處理，且區(qū)間端點處的空間位置相對準(zhǔn)確。速度模型較適合勻速段區(qū)間，對于巡檢系統(tǒng)加速及減速段難以精確模擬。非勻速巡檢導(dǎo)致區(qū)間內(nèi)部分區(qū)域的照片數(shù)量增多或減少，對拼接影像區(qū)間中間部分造成了壓縮或延伸，使得拼接影像中間部分的空間位置精度相對偏低。因此，經(jīng)過上述步驟我們可以得到精度偏低的可量測的分區(qū)井壁影像數(shù)據(jù)。

3.1.2 罐梁特征點選取

罐梁是礦井豎井結(jié)構(gòu)中非常重要的組成部分，是豎井的肋骨。在豎井井壁中，罐梁辨識度較高、數(shù)量較多、且分布位置均勻，在豎井建設(shè)中以罐梁為井壁區(qū)間的分界，且其位置均為已知，并且分界罐梁裝有標(biāo)示牌。因此以罐梁為拼接圖像中特征點選取的對象非常合適。在y軸方向上特征點選取區(qū)間多個不同的冠梁特征點，x軸方向上可選取同一冠梁與罐道的交叉節(jié)點。罐梁特征點及罐梁罐道交叉節(jié)點選取如圖2所示：

3.2 豎井影像分塊糾正

3.2.1 Givens變換

Givens變換基本形式：

變換矩陣為n×n矩陣，其中c=cosθ，s=sinθ，θ是一個實數(shù)。通過Givens變換可求解糾正模型擬合多項式系數(shù)，其實質(zhì)為利用Givens變換求解最小二乘問題。設(shè)A∈Rn×m，用Givens變換將其進行QR分解，求得糾正多項式系數(shù)算法如下：

(1)輸入矩陣A、i、k、c、s，j：=1；

a:=aij,b:=akj;aij:=ca+sb,akj:=-sa+cb；

(3)若j

3.2.2 影像分塊糾正

以拼接圖像30米為一個區(qū)間對井壁影像進行分塊糾正。因巡檢系統(tǒng)巷道為井筒電梯航道，行進方向為垂直y軸方向，工業(yè)相機擺放位置及角度固定。X軸方向由于相機的擺放位置和角度導(dǎo)致拍攝圖片在x軸方向上存在壓縮和延伸。在y軸方向上，30米區(qū)間粗配準(zhǔn)完成了對區(qū)間端點處及其間所有相片的圖片融合及配準(zhǔn)，但由于巡檢系統(tǒng)的移動速度不固定，相機拍攝幀數(shù)固定的因素，導(dǎo)致區(qū)間內(nèi)部單位距離內(nèi)所拍攝的相片數(shù)量不同，因此在粗配準(zhǔn)圖像拼接時會出現(xiàn)圖一所示的狀況，即圖像內(nèi)部區(qū)域y軸方向存在壓縮或延伸。因此對井壁巡檢系統(tǒng)影像糾正問題來說，x軸糾正多項式只與x坐標(biāo)有關(guān)、y軸方向的糾正多項式只與y坐標(biāo)有關(guān)，在糾正多項式構(gòu)建中可利用此特性簡化。豎井影像分塊糾正的步驟如下：

(1)以30米為區(qū)間對粗拼接影像進行分塊劃分；

(2)在待糾正分區(qū)內(nèi)取罐梁特征點實際位置點坐標(biāo)(x,y)與特征點圖像坐標(biāo)(x0,y0)構(gòu)建x軸和y軸的擬合多項式；

(3)利用Givens變換解最小二乘，求得擬合多項式系數(shù)；

(4)對分區(qū)圖像利用糾正多項式換算坐標(biāo)完成糾正；

(5)對其它分區(qū)重復(fù)上述(2)、(3)、(4)步驟。

單區(qū)間糾正效果如圖3示：

3.3 面積提取

對井壁影像進行高精度配準(zhǔn)之后，要對病害進行提取。利用系統(tǒng)交互界面獲取井壁影像病害區(qū)域某點的像素值，通過區(qū)域生長算法獲取病害圖形邊界，并創(chuàng)建病害矢量要素，實現(xiàn)對病害區(qū)域圖形的自動識別。

病害矢量要素創(chuàng)建成功之后，可以利用積分計算病害圖形的面積。獲取的病害面積精度高，滿足了實際需要。

4 實驗對比分析

利用糾正后的高精度井壁影像進行病害面積提取，將獲得的面積數(shù)據(jù)與人工測量傳統(tǒng)方法進行對比分析。因區(qū)域生長算法提取的病害圖形多為不規(guī)則圖形，如圖4所示，人工測量計算難以獲取準(zhǔn)確病害面積數(shù)據(jù)，因此我們以病害圖形的外接矩形面積作為比較對象，以20處采集病害數(shù)據(jù)進行對比分析，結(jié)果如表1、表2所示。

由表1可以看出，利用高精度的影像糾正方法提取病害面積速度比傳統(tǒng)人工井下測量速度提高了20倍，外接矩形面積精度達到了97%，滿足了實際巡檢作業(yè)的安全評估需求。

由表2可以看出，人工測量外接矩形面積與可測量影像外接矩形面積的數(shù)據(jù)吻合度在97%以上，利用可測量影像進行病害面積提取與人工井下測量獲取的數(shù)據(jù)吻合度較高。因此，基于可量測影像進行病害面積的高精度提取技術(shù)相比傳統(tǒng)人工測量具有：提取速度快、挖掘數(shù)據(jù)準(zhǔn)、圖形繪制精確、結(jié)果精度高等優(yōu)點，滿足了實際工程的需要。

面積提取方法單病害數(shù)據(jù)采集平均用時病害遺漏個數(shù)病害外接矩形面積精度人工井下測量10min299%影像糾正提取0.5min097%

表2 人工測量與自動提取病害區(qū)域外接矩形面積比較表

5 結(jié)束語

隨著現(xiàn)代井筒病害巡檢系統(tǒng)的發(fā)展，利用現(xiàn)代化的影像處理手段快速準(zhǔn)確的獲取井壁病害的高精度面積數(shù)據(jù)的方式將會逐漸取代傳統(tǒng)人工井下測量方法。以影像的拼接、井壁罐梁特征點求糾正多項式、分塊糾正、計算機圖形識別和面積自動提取為技術(shù)路線的完整解決方案可以順利的解決基于井壁影像進行病害面積的精確提取問題，基本滿足實際工程的需要。但豎井影像糾正及高精度面積提取技術(shù)仍處于初步研究階段，該技術(shù)路線仍存在一些問題：例如要進行分塊的高精度影像糾正，罐梁特征點提取需要盡可能的多，并且需要準(zhǔn)確的獲取到區(qū)間各個罐梁的實際準(zhǔn)確位置，對豎井的基本數(shù)據(jù)要求較高。

[1] 張租勛,張劍清. 數(shù)字攝影測量[M]. 湖北武漢:武漢測繪科技大學(xué)出版社, 1996.

[2] 黃世存, 章文毅, 何國金, 等.幾種不同矩陣算法的遙感圖形幾何糾正效果比較[J]. 國土資源遙感, 2005,(3):18-23.

[3] 張虹凌.數(shù)字圖像糾正的原理和方法[J]. 測繪與空間地理信息,2014,37(3):127-130.

[4] 郭金運,朱明法,徐泮林. 地圖數(shù)據(jù)幾何糾正時仿射變換與相似變換的對比分析[J]. 測繪通報,2001(4):23-27.

Shaft Disease Area Accurate Extraction Based on Scalable Image

DONG le-chao1LIU Ru-fei1TIAN Mao-yi1HOU Hai-long2

(1. College of Geomatics, Shandong University of Science and Technology, Qingdao Shandong 266590,China;2. Qingdao Xiushan Mobile Surveying Co.,Ltd., Qingdao Shandong 266590,China;)

Vertical Shaft disease inspection is an important part of mine safety monitoring and accurate disease area extraction provides a powerful data support for assessing disease levels, disease research and development.Vertical Shaft Measuring Diseases System splices and locates the borehole original image , to obtain a crude wall mosaic image with spatial precision coordinate position.We use the crown shaft wall beam distribution to take the feature point and Givens transformation solving polynomial correct and block space correct to get the precious image registration.At last, we get highly accurate disease area data by region growing algorithm, which meets the needs of practical applications.

image rectification；scalable image；disease area extraction ；graphics automatic identification

2016-06-16

P231.1

B

1007-3000(2016)06-4