基于三維激光掃描的結(jié)構(gòu)面分類聚類分析方法研究

金 鑫 （紹興文理學(xué)院，浙江 紹興 312000）

在過去的十年中，光探測和測距和差分干涉等遙感器已經(jīng)成為滑坡分析的重要工具。激光雷達傳感器，也被稱為激光掃描儀，允許獲得高分辨率(點密度高達104點/m2)和高精度地面的三維信息。這種系統(tǒng)可以在相當(dāng)長的捕獲距離（6000m以內(nèi)）以高速（超過每秒222.000次測量）獲得表面點的坐標(biāo)（x、y和z）。該傳感器徹底改變了巖體邊坡參數(shù)的獲取方法，這些參數(shù)對巖體邊坡的整體和局部穩(wěn)定性起著至關(guān)重要的作用，包括不連續(xù)面的方向、間距、連續(xù)性和粗糙度。這種基于三維激光掃描技術(shù)的結(jié)構(gòu)面識別分類研究已經(jīng)得到重視。

1 三維激光掃描技術(shù)結(jié)構(gòu)面分類聚類分析現(xiàn)狀

近幾十年來，許多學(xué)者研究了非接觸式測量方法，如近距離攝影測量，激光掃描測量法以及這兩種方法的結(jié)合（Abellá n 等人，2014，2015，2016;Slob等，2007；Sturzenegger和 Stead，2009 年)。這兩種方法的原理是不同的。點云數(shù)據(jù)可以直接從三維激光掃描測量中獲得，可以通過近景攝影測量獲取一系列照片，這些照片可以轉(zhuǎn)換為點云數(shù)據(jù)?；谶@些點云數(shù)據(jù)，三種類型的程序和軟件可以提取不連續(xù)性。分別為以下三種：①商業(yè)軟件包，如Split-FX；②個人研究程序，例如DiAna；③開源軟件，例如DSE（Discontinuity Set Extractor）?？梢允謩踊虬胱詣犹崛⌒畔⒏鶕?jù)基于點云的數(shù)據(jù)或直接處理3D點云數(shù)據(jù)的3D地質(zhì)模型的不連續(xù)性。手動方法涉及在3D顯示場景中手動選擇不連續(xù)點。這種方法已應(yīng)用于相關(guān)的商業(yè)軟件（如 PolyWorks，VirtuoZ和 ShapeMetrix 3D）和文獻（Maerz等，2013；楊和趙，2015）。通過這種手動方法，掌握很多相關(guān)知識和經(jīng)驗豐富的操作員可以通過本方法獲得更準(zhǔn)確的信息。另一種方法涉及到分割點云數(shù)據(jù)以獲得小的矩形塊，其被手動聚類成不同的不連續(xù)點（例如DiAna）。自動/半自動方法分為兩類。第一類是基于攝影測量原理和模式識別程序，通常涉及構(gòu)建不連續(xù)性的3D表面模型（例如PlaneDetect）。該方法已被廣泛應(yīng)用于研究并具有高度自動化。然而，復(fù)雜和不規(guī)則的情況（例如折疊或深凹的情況）需要更準(zhǔn)確和復(fù)雜3D地質(zhì)建模技術(shù)，這通常是單調(diào)乏味的，因此無法保證模型的準(zhǔn)確性（Frank et al。，2007；Gigli和 Casagli，2011 年;Natali等2013)。另一類是點云的直接分類（里克爾梅等，2014），可以避免模型重建過程，直接從原始點云獲得不連續(xù)性。這種方法當(dāng)點數(shù)數(shù)據(jù)體量不是很大時具有高效率和高精度。然而，當(dāng)點云數(shù)據(jù)存在數(shù)十萬或數(shù)百萬個點時，每個點的計算和分類將花費很長時間（Slob等，2005）.實質(zhì)上，基于三維激光掃描技術(shù)的3D點云的不連續(xù)集的提取是點云分類問題。也就是區(qū)分屬于不同不連續(xù)點的點數(shù)據(jù)。經(jīng)典的分類方法，如FCM算法，簡單而且相對較快（Hammah和Curran，1998年)。但是其分類結(jié)果取決于用戶選擇的組數(shù)和初始聚類中心，因此該方法具有高度主觀性，結(jié)果可能屬于局部最優(yōu)。遺傳算法（蔡等人，2005），利基算法（Lu等，2007），粒子群算法（宋等人，2012）雖然編碼和解碼的復(fù)雜性限制了這些算法的效率，但已經(jīng)引入了其他仿生算法來克服FCM算法的初始聚類中心的隨機選擇不確定性。FA（楊，2008）模擬螢火蟲的群體行為。隨機優(yōu)化算法已廣泛應(yīng)用于許多領(lǐng)域，如多目標(biāo)和工業(yè)優(yōu)化問題，調(diào)度問題和圖像處理。FA具有全局優(yōu)化和高收斂速度，因此可用于確定不連續(xù)提取的初始聚類中心。一些學(xué)者嘗試用基于FA的聚類分析來研究用羅盤和皮尺測量的巖體不連續(xù)性的主導(dǎo)態(tài)度（Song等，2015），結(jié)果是可以接受的。然而，F(xiàn)A尚未應(yīng)用于基于三維激光掃描獲取的3D點提取巖體不連續(xù)性。諸如FA算法這類的聚類分析算法還有待改進以達到識別巖體結(jié)構(gòu)面的目的。

2 常用結(jié)構(gòu)面分類的聚類分析算法

2.1 模糊c均值算法（FCM）

模糊c-均值聚類算法 fuzzy c-means algorithm(FCMA)或稱（FCM）。在眾多模糊聚類算法中，模糊C-均值（FCM）算法應(yīng)用最廣泛且較成功，它通過優(yōu)化目標(biāo)函數(shù)得到每個樣本點對所有類中心的隸屬度，從而決定樣本點的類屬以達到自動對樣本數(shù)據(jù)進行分類的目的。

因此，F(xiàn)CM算法被認(rèn)為是巖體不連續(xù)性方向數(shù)據(jù)聚類分析的最優(yōu)算法。根據(jù)每個組的隸屬度將數(shù)據(jù)集劃分為一定數(shù)量的類。隸屬度從0到1不等；數(shù)據(jù)屬于集合的概率越大，該集合的隸屬度就越接近1。

2.2 螢火蟲算法（FA）

在自然界中，最亮的螢火蟲會以較低的亮度吸引螢火蟲。

基于以上對于螢火蟲算法的理解，在將此算法運用到結(jié)構(gòu)面聚類分析時原理如下：每個螢火蟲代表一個問題的解決方案，即一組集群中心，螢火蟲的亮度代表了解決方案的優(yōu)越性。量化螢火蟲的亮度，建立用于表達解決方案優(yōu)越性之間的具體關(guān)系的函數(shù)關(guān)系（宋等人，2012）。最終具有最大亮度的螢火蟲是最佳解決方案。在此基礎(chǔ)上，通過迭代求解問題的最優(yōu)解。螢火蟲F被螢火蟲Fj吸引，并移動到螢火蟲Fj處。螢火蟲F的位置變化我們更新這只螢火蟲；移動后F的位置可以重新確定。

當(dāng)使用FA對團簇進行分類時，第一步是初始化參數(shù)，即螢火蟲數(shù)N、最大吸引度η0、介質(zhì)γ的光吸收因子。，步驟大小ξ、集群C數(shù)和最大迭代次數(shù)Tmax。實現(xiàn)FA通過迭代獲得最優(yōu)解的初始解。因此參數(shù)如最大吸引度，光吸收系數(shù)和步長僅僅在一定程度上影響迭代次數(shù)，幾乎不影響最終結(jié)果。從理論上講，數(shù)量越大的螢火蟲和最大迭代次數(shù)，結(jié)果越可靠。但是，這個迭代過程是收斂的，所以當(dāng)循環(huán)是穩(wěn)定的，這兩個參數(shù)的增加影響不大。

2.3 區(qū)域生長算法

區(qū)域生長算法?；舅枷雽⒁砸欢w其根本是一種分割技術(shù)。主要是將達到標(biāo)準(zhǔn)的像素點合并起來形成一個所需區(qū)域。在每個區(qū)域中選取一個種子像素點作為算法生長的起點。（通俗來說就是找一個像素點作為參考點，那其他像素預(yù)期進行對比判斷是否存在聯(lián)系），然后根據(jù)預(yù)設(shè)的攀比準(zhǔn)則拿附近的像素點與種子點進行對比判別，相似度高的點進行合并，相似度不滿足的點進行舍棄。這樣一來就如同種子生長發(fā)芽一般，故稱為區(qū)域生長算法。

運用到結(jié)構(gòu)面分類時即選取一個種子點判斷其余周圍點是否達成某種預(yù)設(shè)的函數(shù)關(guān)系，若滿足則劃為同一結(jié)構(gòu)面，若不滿足則舍棄。

3 結(jié)論和展望

現(xiàn)階段基于三維激光掃描的結(jié)構(gòu)面智能分組聚類分析還處于發(fā)展階段，仍有新的或者改進后的算法在不斷的提出考慮到點云分割的局限性，當(dāng)下的大部分算法仍有以下不足之處：a邊界附近的點無法準(zhǔn)確分類，因為邊界處的立方體至少包含兩個不連續(xù)點。b無法獲得準(zhǔn)確的邊界線。解決這些問題將是未來結(jié)構(gòu)面聚類分析工作的重點。