基于SLIC超像素分割與合并的隧道圍巖節(jié)理裂隙識(shí)別

陳寶林，王 宇，王浩宇，朱長(zhǎng)根，傅金陽(yáng)

(1.浙江數(shù)智交院科技股份有限公司，浙江 杭州 310013;2.中南大學(xué) 土木工程學(xué)院，湖南 長(zhǎng)沙 410075;3.上海寶冶集團(tuán)有限公司，上海 201799)

0 引言

巖體中的節(jié)理裂隙是長(zhǎng)期地質(zhì)運(yùn)動(dòng)的產(chǎn)物，也是巖體中的薄弱環(huán)節(jié)，其存在不僅破壞了巖體的完整性與連續(xù)性，使巖體表現(xiàn)為非均質(zhì)、非連續(xù)、各向異性的宏觀力學(xué)特性，還會(huì)影響到巖體的滲流途徑、力學(xué)作用機(jī)制、破壞模式和應(yīng)力分布狀態(tài)，進(jìn)而影響巖體的穩(wěn)定性[1]。因此，研究巖體的節(jié)理裂隙特征信息，例如其組合規(guī)律、空間分布、規(guī)模與發(fā)育程度是隧道圍巖穩(wěn)定性分析的前提[2]。在工程實(shí)踐中，隧道圍巖信息編錄調(diào)查和量化分析工作也是隧道施工的重要環(huán)節(jié)。

當(dāng)前，圍巖結(jié)構(gòu)面與節(jié)理裂隙的檢測(cè)手段主要有現(xiàn)場(chǎng)接觸測(cè)量、鉆孔測(cè)量、非接觸掃描/攝影測(cè)量3類手段。其中，傳統(tǒng)的人工接觸測(cè)量以測(cè)線法、統(tǒng)計(jì)窗法為代表，工時(shí)消耗大，效率低下，而且難以實(shí)現(xiàn)對(duì)Ⅳ級(jí)、Ⅴ級(jí)結(jié)構(gòu)面的有效量測(cè)[3]。鉆孔測(cè)量由于造價(jià)高、耗時(shí)長(zhǎng)、解算困難，在現(xiàn)代隧道高效率施工的背景下難以應(yīng)用。而以非接觸掃描/攝影測(cè)量為代表的檢測(cè)技術(shù)，具有快速、無(wú)損、精確度高等特性，在工程中具有廣泛應(yīng)用前景。

在工程實(shí)踐中，圍巖特征圖像識(shí)別技術(shù)需要解決兩大難題：首先是將圍巖結(jié)構(gòu)面、裂隙從背景圖像中分割出來(lái)，即圖像分割任務(wù)，其主要實(shí)現(xiàn)途徑包括圖像閾值分割[4-5]、邊緣檢測(cè)[6-8]與模版匹配法[8]；其次是將柵格化的識(shí)別結(jié)果矢量化為結(jié)構(gòu)面產(chǎn)狀等要素，即二值圖像數(shù)學(xué)形態(tài)學(xué)運(yùn)算。在早期，桑中順等[4]采用了通行的算法，即基于一維熵最大法閾值分割算法的結(jié)果，利用Hough變換從閾值分割結(jié)果中識(shí)別直線段，但是這種方法對(duì)于曲折度較高的節(jié)理裂隙表現(xiàn)不佳。董鑫等[5]綜合surf特征點(diǎn)匹配結(jié)果與圖像閾值分割的結(jié)果，提取了圍巖結(jié)構(gòu)面的空間分布信息，這種新方法能兼顧圍巖的色彩信息與三維空間信息，提高結(jié)構(gòu)面識(shí)別檢測(cè)精度。在邊緣檢測(cè)算法領(lǐng)域，李勇等[6]利用 Canny 邊緣檢測(cè)算子對(duì)圖像進(jìn)行處理，并基于數(shù)學(xué)形態(tài)學(xué)算法細(xì)化檢測(cè)結(jié)果，實(shí)現(xiàn)了掌子面圖像結(jié)構(gòu)面邊界自動(dòng)提取。詹偉等[7]在Canny邊緣檢測(cè)+數(shù)學(xué)形態(tài)學(xué)細(xì)化算法的基礎(chǔ)上，設(shè)計(jì)了基于距離和角度等因素的迭代連接算法，降低了識(shí)別結(jié)果的誤檢漏檢情況。Wang等[8]在圖像預(yù)處理的基礎(chǔ)上，采用分?jǐn)?shù)階微分算子進(jìn)行邊緣提取，并利用數(shù)學(xué)形態(tài)學(xué)算法填充空洞，有效避免了噪聲點(diǎn)的干擾。羅佳等[9]在圖像預(yù)處理的基礎(chǔ)上，利用Prewitt模版匹配算法檢測(cè)結(jié)構(gòu)面邊緣，同時(shí)，作者設(shè)計(jì)了一套交互式的結(jié)構(gòu)面解析系統(tǒng)，人工判定結(jié)構(gòu)面目標(biāo)。

綜上所述，傳統(tǒng)的圖像處理算法均以直接標(biāo)記節(jié)理裂隙的分布位置為目的，因此難以識(shí)別沒(méi)有寬度的節(jié)理裂隙，同時(shí)對(duì)不均勻光照、陰影等非常敏感[10]，無(wú)法解決圍巖紋理干擾的問(wèn)題。而基于超像素分割的節(jié)理裂隙檢測(cè)算法有望解決上述問(wèn)題。

超像素的概念由Ren等[11]首次提出，相比于傳統(tǒng)計(jì)算機(jī)視覺(jué)技術(shù)的處理單元——像素，超像素是圖像中局部的、具有一致性的、能夠保持一定圖像局部結(jié)構(gòu)特征的子區(qū)域，而超像素分割就是將像素聚合成超像素的過(guò)程[12]。當(dāng)前，超像素分割算法大致可以分為2類：基于圖論的算法和基于梯度上升的算法。基于圖論的分割算法的基本思路是將分割問(wèn)題轉(zhuǎn)化為能量函數(shù)最小化問(wèn)題，即將圖像中的像素點(diǎn)看作圖節(jié)點(diǎn)，并賦予節(jié)點(diǎn)間的邊以權(quán)值，如Normalized Cuts[13]，Superpixel Lattices(SL)[14]，ERS[15]，Graph-based Method[16]等。而基于梯度上升的分割算法是從最初的像素聚類開始，采用梯度法迭代修正聚類結(jié)果直至滿足收斂條件，從而形成超像素，如改進(jìn)的分水嶺算法(Watershed)[17],Meanshift[18]，SLIC[19]，Quickshift[20]等。

本研究針對(duì)傳統(tǒng)節(jié)理裂隙識(shí)別算法的局限性，提出了一種基于SLIC超像素分割與合并的節(jié)理裂隙識(shí)別算法。與上述識(shí)別算法的處理思路不同，該算法首先基于非局部均值濾波對(duì)圍巖RGB圖像進(jìn)行降噪處理，改善圖像的識(shí)別條件；隨后基于簡(jiǎn)單線性迭代聚類算法(SLIC)獲得巖塊的初步分割結(jié)果；最后計(jì)算相鄰超像素區(qū)塊之間的合并權(quán)重，構(gòu)建區(qū)域鄰接圖(RAG)，將該合并結(jié)果經(jīng)過(guò)坐標(biāo)轉(zhuǎn)化等后處理運(yùn)算獲得最終的節(jié)理裂隙分布圖。本研究節(jié)理裂隙識(shí)別算法處理環(huán)節(jié)如圖1所示。

圖1 節(jié)理裂隙識(shí)別算法處理流程

1 節(jié)理裂隙識(shí)別算法

1.1 圍巖節(jié)理裂隙特征分析

圍巖巖體節(jié)理裂隙的形態(tài)特征主要包含以下幾點(diǎn)：(1)在形狀上，由于圍巖的地理位置和所處環(huán)境差異，產(chǎn)生節(jié)理裂隙的機(jī)理原因有所不同，因而其性狀表現(xiàn)各異。(2)在顏色上，圍巖圖像中的節(jié)理裂隙既可表現(xiàn)為有一定寬度的深色條紋(圖2(a))，也可表現(xiàn)為與圍巖背景相似的顏色(圖2(b))，或幾乎沒(méi)有寬度，而表現(xiàn)為巖石紋理突變所形成的視覺(jué)上的分割線(圖2(c))。(3)部分巖石節(jié)理裂隙中存在填充物(圖2(d))，這些填充物的成分各異，不僅導(dǎo)致裂隙平整度較低，而且成為了裂隙識(shí)別的干擾因素。(4)部分圍巖由于表面不平整及照明方向的原因，形成了索條狀陰影(圖2(e))或條狀的圍巖紋理(圖2(f))，容易導(dǎo)致識(shí)別結(jié)果中假正例偏多。

圖2 圍巖表面節(jié)理裂隙圖像示例

1.2 非局部均值濾波降噪

圍巖圖像預(yù)處理可以控制輸入圖像的概率分布范圍，保證后續(xù)圍巖節(jié)理裂隙識(shí)別算法的普適性和穩(wěn)健性。為了抑制圍巖圖像中的噪聲干擾，同時(shí)盡可能保留原有圖像中的精細(xì)結(jié)構(gòu)(如巖石塊體邊界等)，選擇非局部均值濾波作為圍巖圖像預(yù)處理算法。

非局部均值濾波降噪算法利用了圖像中的非局部自相似性，這一特性與隧道圍巖的形態(tài)特點(diǎn)相吻合。對(duì)于原始帶噪圖像的每一點(diǎn)a，其結(jié)果值為搜索框I內(nèi)所有像素點(diǎn)(b)的加權(quán)平均：

(1)

式中w(a,b)為應(yīng)用于b點(diǎn)的加權(quán)值，表達(dá)式為：

(2)

式中，MSE(a,b)為a，b2點(diǎn)各自的領(lǐng)域塊之間的均方誤差；h為尺度超參數(shù)；sum為歸一化系數(shù)，因此有：

(3)

1.3 SLIC超像素分割

簡(jiǎn)單線性迭代聚類算法(SLIC)是一種超像素分割算法，該算法將彩色RGB圖像轉(zhuǎn)化為CIELAB顏色空間和xy坐標(biāo)下的五維特征向量，然后基于特定的距離度量標(biāo)準(zhǔn)對(duì)圖像進(jìn)行局部聚類。SLIC算法能生成緊湊、邊緣貼合度較好的超像素，在運(yùn)算速度、物體輪廓保持、超像素性狀等方面表現(xiàn)良好。SLIC算法的實(shí)質(zhì)是將K-means聚類算法用于超像素聚類，其具體實(shí)現(xiàn)環(huán)節(jié)如下[21]：

(1)將圖像從RGB空間轉(zhuǎn)換為CIELAB空間：

[ri,gi,bi]T，

(4)

式中，ui,vi,wi為圖像CIELAB像素i的分量；ri,gi,bi為圖像RGB空間像素i的分量。

li=116f(vi/V)-16，

(5)

ai=500[f(ui/U)-f(vi/V)]，

(6)

bi=200[f(vi/V)-f(wi/W)]，

(7)

式中，li，ai，bi為CIELAB色彩空間的3個(gè)分量；U，V，W均為縮放系數(shù)，分別為0.950 546，1.0，1.088 754。

(8)

式中t為輸入變量。

這樣，圖像中的1個(gè)像素點(diǎn)pi可表示為：

pi=[li,ai,bi,xi,yi]T，

(9)

式中xi與yi為像素的歐式空間坐標(biāo)。

(2)初始化k個(gè)種子點(diǎn)(聚類中心)，根據(jù)初始設(shè)定的超像素?cái)?shù)目，在圖像上隨機(jī)布置種子點(diǎn)，假設(shè)圖片共有N個(gè)像素點(diǎn)，預(yù)分割為k個(gè)相同尺寸的超像素塊，則每個(gè)超像素塊含有的像素個(gè)數(shù)為N/k，相鄰種子點(diǎn)距離(步長(zhǎng))近似為：

(10)

式中，N為像素?cái)?shù)量；k為顏色距離的歸一化系數(shù)。

(3)為了避免種子點(diǎn)落在輪廓邊界上，對(duì)種子點(diǎn)在內(nèi)的3×3區(qū)域，計(jì)算每個(gè)像素點(diǎn)的梯度值，選擇值最小的平滑點(diǎn)作為新的種子點(diǎn)。

(4)對(duì)于種子點(diǎn)pi的2S范圍內(nèi)的其他像素點(diǎn)pi，計(jì)算距離度量D(i,j)：

(11)

式中，m為空間距離的歸一化系數(shù)；Dlab為2點(diǎn)在CIELAB空間下的歐氏距離，Dxy為2點(diǎn)在xy坐標(biāo)下的空間距離；

(5)最后，對(duì)于圖像中的每個(gè)像素點(diǎn)，選擇距離度量響應(yīng)最小的種子點(diǎn)，作為該點(diǎn)的聚類中心。

1.4 構(gòu)建區(qū)域鄰接圖

基于SLIC的超像素分割算法利用了同質(zhì)區(qū)域內(nèi)像素特征的相似性與相鄰不同區(qū)域之間的邊界信息，能夠很好地響應(yīng)區(qū)域內(nèi)的顏色變化，從而高效生成結(jié)構(gòu)緊湊，同質(zhì)性強(qiáng)的超像素。然而，SLIC方法得到的分割結(jié)果存在一定誤差，主要表現(xiàn)在對(duì)灰度變化過(guò)于敏感而導(dǎo)致的過(guò)分割問(wèn)題。

因此，進(jìn)行超像素區(qū)塊的合并是必要的后處理手段。其中，區(qū)域鄰接圖(Region Adjacent Graph，RAG)是描述相鄰超像素之間關(guān)系的一種無(wú)向有權(quán)圖。RAG的定義為G=(N,E)，其中節(jié)點(diǎn)N={ni|i=1,2,…,I}為圖中的所有超像素的集合，邊E={ej|j=1,2,…,J}為在空間上所有相鄰的2個(gè)超像素之間關(guān)系的集合。在RAG中，一條邊ej可以定義為：

ej={na,nb,w(a,b)}，

(12)

式中，na和nb為在空間上相鄰的2個(gè)超像素塊;w(a,b)為na和nb之間的合并權(quán)重，合并權(quán)重低，說(shuō)明2個(gè)超像素塊之間的相似程度越高，具有更高的合并優(yōu)先級(jí)。

根據(jù)圍巖節(jié)理裂隙識(shí)別任務(wù)的特點(diǎn)，合并權(quán)重公式被設(shè)計(jì)為2個(gè)部分：其一為兩超像素塊在LAB色彩空間內(nèi)的高斯統(tǒng)計(jì)特征間的距離，為兩者的色彩差異程度；其二為兩超像素塊在相鄰接的一定范圍內(nèi)的Sobel濾波響應(yīng)值，為兩者邊界線的明顯程度。

(13)

式中，μi和ξi分別為超像素LAB空間內(nèi)的均值和協(xié)方差；λ1和λ2均為歸一化系數(shù)；sobel(i)為圖像在i點(diǎn)處的sobel濾波響應(yīng)值；I為2個(gè)超像素塊間的相鄰邊界。

最終，在已獲得的區(qū)域鄰接圖基礎(chǔ)上，執(zhí)行層次區(qū)域合并算法。

2 試驗(yàn)與結(jié)果討論

2.1 試驗(yàn)圖像集

為驗(yàn)證算法的應(yīng)用優(yōu)勢(shì)，本研究測(cè)試了算法在1組圖像集上的識(shí)別精度。圖像采集隧道為在建的雙分離式雙向特長(zhǎng)隧道，全長(zhǎng)3 463 m。根據(jù)地質(zhì)勘探資料顯示，全線Ⅲ級(jí)圍巖區(qū)段占比73.47%，Ⅳ級(jí)圍巖區(qū)段占比15.88%，Ⅴ級(jí)圍巖區(qū)段占比10.65%，隧道全線均位于沉積巖地層中，層理發(fā)育，中薄～中厚層狀，多數(shù)為砂巖夾泥質(zhì)粉砂巖，在進(jìn)洞口段有侵入花崗巖巖體發(fā)育，加之受構(gòu)造影響，節(jié)理較發(fā)育，隧道開挖易發(fā)生塌方，因此該隧道是合格的測(cè)試樣本選取地點(diǎn)。同時(shí)，由于隧道區(qū)強(qiáng)風(fēng)化層裂隙發(fā)育，巖體呈碎塊狀，儲(chǔ)水性好，因此地下水較豐富，這一干擾因素在節(jié)理裂隙檢測(cè)任務(wù)中也極為常見。

在隧道爆破、出渣、排險(xiǎn)后，技術(shù)人員進(jìn)入隧道，檢查開挖后的地質(zhì)狀況，并手持?jǐn)?shù)碼相機(jī)(佳能EOS80D)盡可能垂直于硐壁表面拍攝圍巖圖像。在對(duì)現(xiàn)場(chǎng)圖像進(jìn)行篩選之后，最終獲得了20張大小約為6 000×4 000像素的24位圍巖RGB圖像，如表1所示，圖像中包含的主要干擾因素為陰影、地下水、極度破碎的圍巖，能夠覆蓋隧道圍巖節(jié)理裂隙中常見的問(wèn)題。

2.2 識(shí)別精度對(duì)比

首先，為了驗(yàn)證本研究所提出算法相比于傳統(tǒng)計(jì)算機(jī)視覺(jué)算法的精度優(yōu)勢(shì)，試驗(yàn)了Canny邊緣檢測(cè)算法、自適應(yīng)高斯閾值法在相同的圖像數(shù)據(jù)集上的表現(xiàn)。其次，本研究所提出節(jié)理裂隙識(shí)別流程為“圖像預(yù)處理-超像素分割-RAG合并”，因此在超像素分割階段，同時(shí)試驗(yàn)了2類超像素算法SLIC和Quickshift的輸出效果，最終確定最優(yōu)處理流程。

其中，Canny邊緣檢測(cè)算法是一種經(jīng)典的邊緣檢測(cè)算法，共包含4個(gè)步驟：圖像降噪(在本試驗(yàn)中采用7×7的高斯濾波進(jìn)行降噪)、計(jì)算圖像梯度、非極大值抑制與雙閾值篩選，可有效地輸出圖像中的強(qiáng)輪廓；自適應(yīng)高斯閾值法主要用于處理光照不均勻的圖像二值分割問(wèn)題，通過(guò)計(jì)算各個(gè)像素點(diǎn)鄰域的高斯加權(quán)平均值來(lái)確定閾值，因此對(duì)于圖像不同亮度區(qū)域，能夠自適應(yīng)地輸出二值分割結(jié)果，是一種較為通用的二值分割算法；與SLIC簡(jiǎn)單線性迭代聚類分割算法相比，Quickshift快速移位圖像分割算法使用了另一種處理思路，即首先計(jì)算圖像中各個(gè)點(diǎn)的概率密度函數(shù)，隨后通過(guò)將初始數(shù)據(jù)向量移動(dòng)到具有更高能級(jí)的最近鄰域模態(tài)來(lái)實(shí)現(xiàn)模態(tài)搜索，并確定圖像像素點(diǎn)的聚類中心。

表1所示為測(cè)試用例1～20的節(jié)理裂隙識(shí)別精度對(duì)比?？梢钥闯?，2類超像素分割算法SLIC和Quickshift的識(shí)別精度均大幅高于Canny邊緣檢測(cè)法、自適應(yīng)高斯閾值法，這說(shuō)明本研究所提出的算法流程在識(shí)別精度上與傳統(tǒng)計(jì)算機(jī)視覺(jué)算法有明顯優(yōu)勢(shì)。此外，SLIC算法與Quickshift算法相比，不僅在識(shí)別精度有一定提高，而且在20個(gè)測(cè)試用例上的標(biāo)準(zhǔn)差更低(7.16)，這證明了將SLIC作為超像素分割算法環(huán)節(jié)，抗干擾能力更強(qiáng)。

表1 算法精度對(duì)比(單位：%)

2.3 識(shí)別結(jié)果

圖3為測(cè)試用例7的節(jié)理裂隙識(shí)別結(jié)果，其中圖3(b)為超像素初步分塊效果。從該圖中可知，由于SLIC算法對(duì)灰度的敏感性極高，由此而導(dǎo)致的過(guò)分割現(xiàn)象嚴(yán)重，因此需要后續(xù)的超像素塊合并操作。如圖3(c)所示，不同超像素塊之間的相似性以區(qū)域鄰接圖的方式表現(xiàn)，其中值越低的邊越有可能被合并消失。最終，圍巖節(jié)理裂隙識(shí)別結(jié)果如圖3(d)所示，與圖3(b)相比，過(guò)分割現(xiàn)象有明顯緩解，各個(gè)塊體的輪廓與圍巖節(jié)理裂隙的走向大致重合，說(shuō)明識(shí)別結(jié)果能夠滿足要求。

圖3 測(cè)試用例7識(shí)別結(jié)果

在測(cè)試用例12中(圖4)，由于洞內(nèi)人工照明的角度原因，在左上角出現(xiàn)了明顯的陰影區(qū)域，這部分陰影區(qū)域被算法誤判為整塊巖體。然而，此外的大部分圍巖區(qū)域均能實(shí)現(xiàn)相對(duì)準(zhǔn)確的裂隙定位(圖4(d))。因此，在算法實(shí)際應(yīng)用中，應(yīng)注意使用閃光燈設(shè)備為隧道內(nèi)壁補(bǔ)光，降低不均勻光照對(duì)算法精度的影響。

圖4 測(cè)試用例12識(shí)別結(jié)果

測(cè)試用例19(圖5)中，圍巖完整性程度極差(圖5(a))，因此在圖5(c)中，區(qū)域鄰接圖的高權(quán)重邊分布極為雜亂，層次合并算法表現(xiàn)不佳，但在最終結(jié)果中依然能夠?qū)崿F(xiàn)大致上的巖石節(jié)理裂隙分布與走向，證明算法有較強(qiáng)的魯棒性。

圖5 測(cè)試用例19識(shí)別結(jié)果

3 結(jié)論

為高效、高精度地識(shí)別隧道圍巖節(jié)理裂隙識(shí)別，提升隧道圍巖地質(zhì)信息編錄工作，本研究在對(duì)隧道圍巖節(jié)理裂隙形態(tài)特征進(jìn)行總結(jié)分析的基礎(chǔ)上，提出了基于SLIC超像素分割與合并的圍巖節(jié)理裂隙識(shí)別算法，并從識(shí)別精度方面與傳統(tǒng)圍巖節(jié)理裂隙視覺(jué)識(shí)別算法進(jìn)行了對(duì)比，取得如下主要結(jié)論：

(1)所提出的圍巖節(jié)理裂隙識(shí)別算法的識(shí)別精度為85.44%，顯著高于Canny邊緣檢測(cè)算法的68.59%和自適應(yīng)高斯閾值法的54.05%，表明算法在精度上較傳統(tǒng)節(jié)理裂隙檢測(cè)算法具有明顯優(yōu)勢(shì)，能夠輸出更為精確、連續(xù)的節(jié)理裂隙分布圖，可為隧道圍巖穩(wěn)定性的綜合量化評(píng)估提供技術(shù)基礎(chǔ)。

(2)在超像素分割與合并環(huán)節(jié)，SLIC與Quickshift方法的對(duì)比結(jié)果表明，SLIC算法在識(shí)別精度上有一定提升，在面對(duì)陰影、地下水、破碎圍巖等干擾因素時(shí)，表現(xiàn)出了更高的魯棒性，具備明顯的工程優(yōu)勢(shì)。

(3)基于SLIC的超像素分割算法利用了圍巖信息同質(zhì)區(qū)域內(nèi)像素特征的相似性與相鄰不同區(qū)域之間的邊界信息，可通過(guò)積極響應(yīng)區(qū)域內(nèi)的顏色變化，高效生成結(jié)構(gòu)緊湊、同質(zhì)性強(qiáng)的超像素，但同時(shí)該算法的灰度敏感性過(guò)高，因此需要結(jié)合區(qū)域合并算法才能達(dá)到圍巖節(jié)理裂隙識(shí)別的最優(yōu)效果。