基于ATS與TS融合算法的裂縫自動(dòng)識(shí)別研究

王 赟,易四海, 仲 銳,高鵬程,王 越

(1. 華北科技學(xué)院 安全工程學(xué)院,北京 東燕郊 065201;2. 防災(zāi)科技學(xué)院,北京 東燕郊 065201)

0 引言

圍巖采動(dòng)損傷裂縫自動(dòng)識(shí)別對(duì)于定量研究采動(dòng)區(qū)裂縫的破壞特征和裂縫發(fā)育規(guī)律具有重要意義,也可作為評(píng)價(jià)采動(dòng)損傷的重要指標(biāo)。對(duì)于采動(dòng)裂縫的識(shí)別,目前主要用素描或者使用軟件操作進(jìn)行提取,此方法對(duì)于特征明顯、塊狀的裂縫識(shí)別效果較好,但對(duì)于與本底值差異性不顯著、發(fā)育復(fù)雜、規(guī)模差別大的采動(dòng)裂縫,其識(shí)別效率低、識(shí)別精度差、軟件操作步驟繁瑣、主觀局限性較強(qiáng),且圖像采集因受光照、采集設(shè)備等因素的影響,易造成圖像采集的質(zhì)量降低,裂縫特征不夠突出[1],致使使用軟件進(jìn)行分割時(shí)不能有效地識(shí)別出微小裂縫,同時(shí)離層裂隙區(qū)、垮落裂隙區(qū)的塊狀裂縫識(shí)別精度較低等問(wèn)題。

近年來(lái),為了準(zhǔn)確識(shí)別出目標(biāo)前景,相關(guān)學(xué)者提出了許多分割算法。如劉愛輝[2]基于中值濾波算法對(duì)采取的圖像進(jìn)行初期降噪處理,采用Prewitt算子分割法和Otsu閾值分割算法對(duì)圖像進(jìn)行分割處理,得到路面裂縫圖像背景和目標(biāo)明顯區(qū)分效果圖。尹冠生[3]在圖像分塊的基礎(chǔ)上通過(guò)最大類間方差法和局部閾值法分割得到了隧道裂縫的粗圖像,進(jìn)行對(duì)比度受限的自適應(yīng)直方圖均衡操作和局部閾值分割,得到了二值化圖像。蘇秀芝[4]將公路路面裂縫圖像進(jìn)行灰度化、灰度直方圖均衡化、低帽濾波變換、濾波去噪、閾值分割操作檢測(cè)識(shí)別出路面裂縫區(qū)域。江超[5]使用濾波對(duì)圖像進(jìn)行增強(qiáng)和除噪,再使用迭代法閾值分割進(jìn)行二值化分割,并使用形態(tài)學(xué)開運(yùn)算進(jìn)一步濾除噪聲。石帥[6]從Otsu法、迭代法、最小誤差法、最大熵閾值分割法等傳統(tǒng)分割算法的原理和運(yùn)算步驟入手,并借助MATLAB軟件對(duì)采集的隧道襯砌裂縫圖像進(jìn)行模擬處理,得到各算法的處理圖像。Oliveira等人[7]提出基于塊和基于像素分析的路面檢測(cè)裂縫的方法,但它對(duì)細(xì)裂縫檢測(cè)效果不佳。

受上述文獻(xiàn)的啟發(fā),本文采用相似模擬實(shí)驗(yàn)?zāi)M神東礦區(qū)12401工作面開采的采動(dòng)裂縫,文中對(duì)拍攝的相似模型圖分別使用固定閾值分割方法、自適應(yīng)閾值分割方法、及兩種分割方法的融合分別進(jìn)行裂縫的提取并進(jìn)行結(jié)果分析。本文提出的基于閾值分割法、形態(tài)學(xué)、圖像輪廓等綜合裂縫自動(dòng)識(shí)別方法, 為后續(xù)煤層開采影響下圍巖采動(dòng)裂縫識(shí)別和規(guī)律的深入研究做鋪墊。

1 圖像預(yù)處理的技術(shù)介紹

1.1 閾值分割法

圖像數(shù)據(jù)的預(yù)處理能夠有效削弱由采集時(shí)環(huán)境曝光度、光照不勻及設(shè)備噪聲等無(wú)效信息造成的影響,提高所采集的圖像質(zhì)量、消除設(shè)備噪聲干擾、突出模擬采動(dòng)裂縫圖像的特征信息,能夠?yàn)楹笃谔幚硖峁﹥?yōu)質(zhì)的圖像資源[1]。閾值分割是圖像處理和計(jì)算機(jī)視覺領(lǐng)域中最常用的研究方法之一[8,9],它可作為最基本的分析特征應(yīng)用于圖像分析、計(jì)算機(jī)視覺等領(lǐng)域。閾值分割就是把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)[10-12],即通過(guò)設(shè)定灰度閾值,將圖像劃分為在同一特征區(qū)域內(nèi)(直方圖的灰度值在一個(gè)范圍)表現(xiàn)相似且在不同區(qū)域內(nèi)表現(xiàn)出差異的互不相交的多個(gè)區(qū)域。其分割的數(shù)學(xué)表達(dá)式,如公式(1),其中f(i,j)表示原始二維圖像第i行第j列的圖像像素值(即灰度值),T表示閾值,閾值T將圖像中的像素分為前景和背景兩類。g(i,j)=1(白色)表示閾值分割后背景類別圖像,g(i,j)=0(黑色)表示閾值分割后的前景類別圖像。

(1)

根據(jù)閾值分割法應(yīng)用的范圍可分為全局閾值分割法和局部閾值分割法。其中固定閾值分割法(Threshold Segmentation,簡(jiǎn)稱‘TS算法’)是全局閾值分割法中最簡(jiǎn)單的一種,即在整幅圖像范圍內(nèi)只用一個(gè)閾值來(lái)進(jìn)行二值化處理。對(duì)于背景灰度均勻、圖像色彩均衡,使用固定閾值分割就能較好的完成圖像的二值化處理,但對(duì)于光線影響下色彩不均衡的圖像,使用固定閾值分割法無(wú)法得到清晰有效的分割結(jié)果。

自適應(yīng)閾值分割法(Adaptive Threshold Segmentation,簡(jiǎn)稱‘ATS算法’)是一種局部閾值分割的方法,它通過(guò)計(jì)算每個(gè)像素點(diǎn)周圍臨近區(qū)域的加權(quán)平均值獲取閾值,并使用該閾值對(duì)當(dāng)前像素點(diǎn)進(jìn)行處理[13]。這樣做的好處在于每個(gè)像素位置處的閾值不是固定不變的,而是由其周圍鄰域像素的分布來(lái)決定,對(duì)于不同亮度、對(duì)比度、紋理的局部圖像的邊緣區(qū)域,由于其灰度值差異較大,則顯現(xiàn)出的效果越明顯。

1.2 形態(tài)學(xué)操作

形態(tài)學(xué)即數(shù)學(xué)形態(tài)學(xué),是一種非線性濾波方法,由Serra和Matheron提出,是圖像處理過(guò)程中非常重要的研究方向。其理論和方法在圖像處理、模式識(shí)別、機(jī)械視覺等領(lǐng)域等都取得了成功的應(yīng)用,可用來(lái)解決特征提取、邊緣檢測(cè)、形狀識(shí)別等圖象處理問(wèn)題。形態(tài)學(xué)的基本思想是使用特定形狀的結(jié)構(gòu)元素對(duì)目標(biāo)圖像中的對(duì)應(yīng)形狀來(lái)濾除不相干的結(jié)構(gòu)特征,保存相似的集合特征,以達(dá)到圖像分析和識(shí)別的目的[14]。它包括腐蝕運(yùn)算、膨脹運(yùn)算、黑帽運(yùn)算、形態(tài)梯度運(yùn)算等。

圖1 膨脹運(yùn)算實(shí)例

1.3 圖像運(yùn)算與圖像輪廓

圖像的加法運(yùn)算、位運(yùn)算是基礎(chǔ)的圖像運(yùn)算,在基礎(chǔ)運(yùn)算的操作下可以完成更多復(fù)雜的圖像處理功能,比如圖像的疊加、調(diào)亮色、捕捉運(yùn)動(dòng)圖像的軌跡等。邏輯運(yùn)算是圖像處理中常用的一種重要的運(yùn)算方式,其或邏輯運(yùn)算的規(guī)則是當(dāng)兩個(gè)邏輯值中有一個(gè)為真時(shí)結(jié)果就為真,其過(guò)程可以類比于物理學(xué)中所使用的并聯(lián)電路。

圖像輪廓是指具有相同顏色(在彩色圖像中)或相同強(qiáng)度的連續(xù)的點(diǎn)構(gòu)成的曲線,它可以用于形狀分析以及對(duì)象檢測(cè)和識(shí)別。一個(gè)輪廓對(duì)應(yīng)一系列的點(diǎn),根據(jù)這些點(diǎn)繪制出的曲線可以獲取某個(gè)圖像的大小、位置、方向等信息。利用圖像輪廓勾勒出輪廓并在約束條件的作用下進(jìn)行填充成背景色能達(dá)到消除噪聲的作用。相對(duì)于濾波處理易破壞圖像的細(xì)節(jié)使圖像變得模糊外,此方法處理噪聲能保護(hù)圖像邊緣像素的前提有效消除噪聲干擾,確保圖像的清晰度,具有較好的適用性。

2 裂縫識(shí)別的處理

2.1 實(shí)驗(yàn)圖像

實(shí)驗(yàn)原型為榆林市神木縣北部神東礦區(qū)12401工作面,煤層采厚為9.26m,傾角5°,用相似模擬實(shí)驗(yàn)?zāi)M工作面等距推進(jìn)過(guò)程中,受采動(dòng)強(qiáng)度影響覆巖裂隙演化情況。根據(jù)神東礦區(qū)鉆孔地層資料分析,確定工作面煤層關(guān)鍵層位以及相似常數(shù),進(jìn)一步選取相似模擬實(shí)驗(yàn)骨料,相似材料配比有:河砂、碳酸鈣、石膏、云母片。模型選擇二維平面實(shí)驗(yàn)裝置上進(jìn)行實(shí)驗(yàn),平面模型長(zhǎng)寬高尺寸為2000mm×300mm×750mm,幾何相似比為1∶250,容重比為1∶1.6,相似系數(shù)為1∶400。模型按設(shè)計(jì)要求逐層鋪設(shè)完成自然風(fēng)干之后,沿工作面從左至右的方向進(jìn)行開采。

2.2 基于TS算法的裂縫識(shí)別

對(duì)于單一的TS算法首先設(shè)置參數(shù)以單通道即灰度讀取圖片,然后對(duì)灰度圖片使用固定閾值方法threshold()方法進(jìn)行二值化識(shí)別。其識(shí)別效果如圖2所示,圖中所分割出的黑色部分即為所需的采動(dòng)影響下覆巖產(chǎn)生的裂縫,白色部分為分割背景。

圖2 單TS算法裂縫識(shí)別圖

從識(shí)別效果圖中可直觀地看出固定閾值方法能較好的識(shí)別出覆巖上層出現(xiàn)的離層空間或者接近采空區(qū)的有區(qū)域型特征的裂縫,但對(duì)于中間壓實(shí)裂隙區(qū)的微小或不連續(xù)的裂縫未能識(shí)別出來(lái)。原因是使用該方法進(jìn)行分割時(shí)只是人為的設(shè)置一個(gè)固定的閾值參數(shù)(一般設(shè)置為灰度值的中間值或中間值附近的值如‘127’)。對(duì)于上述圖片中的出現(xiàn)的離層空間或者接近采空區(qū)的塊狀裂縫,其區(qū)域內(nèi)像素點(diǎn)的灰度值接近‘0’,即黑色,在進(jìn)行二值化劃分時(shí)該塊狀區(qū)域內(nèi)的像素點(diǎn)直接被處理為裂縫。若設(shè)置的閾值T過(guò)小則圖像進(jìn)行分割時(shí)易出現(xiàn)噪聲,導(dǎo)致分辨不出區(qū)域某些區(qū)域是裂縫還是噪聲,而影響后續(xù)的規(guī)律分析。

2.3 基于ATS算法的裂縫識(shí)別

單一的ATS算法首先設(shè)置參數(shù)以單通道即灰度讀取圖片,然后對(duì)灰度化圖片使用自適應(yīng)閾值分割法adaptiveThreshold()進(jìn)行二值化識(shí)別。其中自適應(yīng)計(jì)算方法的參數(shù)選擇ADAPTIVE_THRESH_GAUSSIAN_C高斯加權(quán)和,其識(shí)別效果如圖3所示。

圖3 單ATS算法裂縫識(shí)別圖

圖4 采動(dòng)裂縫識(shí)別技術(shù)路線圖

從分割圖中可直觀地看出,自適應(yīng)閾值分割法的效果圖多為細(xì)小裂縫或塊狀裂縫的邊緣,尤其是壓實(shí)裂隙區(qū)效果較為明顯。原因是使用該方法進(jìn)行分割時(shí)會(huì)自適應(yīng)的計(jì)算閾值。對(duì)于上述圖像中的離層空間或者接近采空區(qū)的有區(qū)域型特征的裂縫,在區(qū)域內(nèi)像素的灰度值基本不變,計(jì)算加權(quán)平均值時(shí)也基本不變;對(duì)于壓實(shí)裂隙區(qū)的細(xì)小裂縫或區(qū)域型的邊緣裂縫,由于處于灰度值差異較大的區(qū)域邊界在進(jìn)行加權(quán)平均計(jì)算時(shí)變化較大進(jìn)而該像素點(diǎn)的灰度值會(huì)較大,在實(shí)驗(yàn)效果圖上表現(xiàn)為裂縫。從上述識(shí)別圖中亦可知,自適應(yīng)識(shí)別方法保留了更多處于壓實(shí)裂隙區(qū)、采空邊緣區(qū)以及離層邊緣區(qū)的細(xì)節(jié)信息。

2.4 基于ATS和TS融合算法的裂縫識(shí)別

通對(duì)比圖2、圖3可直觀的看出,若僅使用單一的閾值識(shí)別法處理圖像,會(huì)丟失大量的特征信息,而若僅使用自適應(yīng)的識(shí)別法能保留更多的細(xì)節(jié)信息但會(huì)丟失大量的特征信息,因此本文結(jié)合兩種分割法的優(yōu)點(diǎn)及其它的圖像操作進(jìn)行二值化。本文的方法分別自定義了識(shí)別細(xì)小裂縫的方法、較大裂縫的方法及去噪的方法。對(duì)于去噪本文選擇利用圖像輪廓中填充背景色的方式,該去噪的方法優(yōu)勢(shì)在于它是在不影響裂縫區(qū)域的前提下直利用顏色背景進(jìn)行的填充,不會(huì)像高斯濾波、均值濾波等濾波方法使得去噪后的圖像變的模糊。

該融合算對(duì)于微小裂縫進(jìn)行參數(shù)設(shè)置采用自適應(yīng)方法進(jìn)行分割,由于分割后的細(xì)小裂縫處可能會(huì)出現(xiàn)缺失或斷裂的情況,因此在自適應(yīng)閾值后采用形態(tài)學(xué)進(jìn)行膨脹處理;對(duì)于塊狀裂縫受影響程度較小采用固定閾值法進(jìn)行;對(duì)于最終得到的兩種裂縫采用或邏輯進(jìn)行合并并結(jié)合圖像輪廓對(duì)合并后的圖像進(jìn)行背景填充以消除孔洞和噪聲。其整體的流程圖如4所示。該組合法在很大程度上簡(jiǎn)化操作步驟、減小圖像占用存儲(chǔ)空間且提高了目標(biāo)的準(zhǔn)確性使目標(biāo)更加清晰,其識(shí)別效果如圖5所示。從識(shí)別效果圖及表1可知該融合算法在壓實(shí)裂隙區(qū)以及離層空間、離層裂隙區(qū)及垮落裂隙區(qū)的塊狀特征的裂縫分割效果較好。

表1 不同識(shí)別算法結(jié)果統(tǒng)計(jì)

圖5 ATS和TS融合算法圖

2.5 識(shí)別精度分析

為了更進(jìn)一步驗(yàn)證算法的有效性,本文在實(shí)驗(yàn)?zāi)Ｐ弯佋O(shè)完成后在其表面貼三個(gè)大小相同識(shí)別控制點(diǎn)(面積為0.570581920cm2),以便于統(tǒng)計(jì)每種識(shí)別方法的中識(shí)別控制點(diǎn)的像素?cái)?shù)(如上述識(shí)別圖中所標(biāo)注出的識(shí)別控制點(diǎn)1、2、3)。對(duì)于識(shí)別后的圖像利用PS中的直方圖統(tǒng)計(jì)出各個(gè)分割方法的像素?cái)?shù),并計(jì)算每個(gè)小黑塊的面積,然后取其平均值作為該方法的評(píng)價(jià)標(biāo)準(zhǔn)。其結(jié)果見表1。

表1分別對(duì)二值化后的識(shí)別控制點(diǎn)1、2、3進(jìn)行面積統(tǒng)計(jì),其中固定閾值分割方法識(shí)別控制點(diǎn)的平均面積為0.453406130cm2;自適應(yīng)閾值分割方法識(shí)別控制點(diǎn)平均面積為0.196752477cm2;綜合分割方法識(shí)別控制點(diǎn)平均面積為0.536175831cm2,三種分割方法裂縫識(shí)別率(識(shí)別控制點(diǎn)平均面積s與識(shí)別控制點(diǎn)實(shí)際面積S比值)分別是34.41%、79.31%、93. 97%。從上述數(shù)據(jù)可知,本文的綜合算法是三種分割方法中識(shí)別精度較高的方法。

固定閾值方法的優(yōu)勢(shì)在于能完整地識(shí)別出覆巖巖層的垮落裂隙帶以及離層空腔的較大的塊狀型裂縫,ATS自適應(yīng)方法的優(yōu)勢(shì)在于識(shí)別壓實(shí)裂隙區(qū)的微小裂縫。識(shí)別效果圖2可以看出該圖像對(duì)于相對(duì)較大、有區(qū)域型的裂縫二值化效果較好,但不能同時(shí)兼顧壓實(shí)裂隙區(qū)的細(xì)小裂縫。識(shí)別圖3可以看出對(duì)于壓實(shí)區(qū)的細(xì)小裂縫能較好的提取出來(lái),但對(duì)于垮落裂隙區(qū)有塊狀特征或有區(qū)域型的較大的裂縫其只能識(shí)別裂縫的大致輪廓,因?yàn)樵撦喞獌?nèi)像素的灰度值基本不變,計(jì)算加權(quán)平均值時(shí)均值也基本不變,進(jìn)行二值化后只能顯示出大致輪廓。識(shí)別效果圖5可以看出壓實(shí)裂隙區(qū)的細(xì)小裂縫也能很好的分割出,且離層裂隙區(qū)、采空區(qū)的裂縫也能完整的分割。

本文的綜合分割方法融合了自適應(yīng)分割方法識(shí)別覆巖壓實(shí)裂隙區(qū)細(xì)小裂縫以及固定閾值分割方法識(shí)別垮落裂隙區(qū)的塊狀裂縫的特點(diǎn),并結(jié)合形態(tài)學(xué)和圖像輪廓等一系列操作來(lái)進(jìn)行去噪,提高了細(xì)小裂縫及塊狀特征的裂縫提取,為后續(xù)研究裂縫的時(shí)空演化規(guī)律做了良好的鋪墊,具有良好的研究?jī)r(jià)值和應(yīng)用場(chǎng)景。

3 結(jié)論

(1) 針對(duì)文中幾種識(shí)別法存在的分割精度不足的問(wèn)題,基于圖像分割理論、形態(tài)學(xué)理論等綜合理論提出一種能有效提取壓實(shí)裂隙區(qū)的細(xì)小裂縫、離層空間以及垮落裂隙區(qū)的塊狀型裂縫的灰度差異的自動(dòng)識(shí)別方法。

(2) 采用裂縫識(shí)別率對(duì)分割算法進(jìn)行評(píng)價(jià),其中固定閾值分割法、自適應(yīng)分割法以及融合分割法所識(shí)別出的裂縫率分別為34.41%、79.31%,而本文的裂縫識(shí)別率超過(guò)90%,從而進(jìn)一步證明本文的融合算法識(shí)別效率更高。該實(shí)驗(yàn)數(shù)據(jù)表明本文的融合算法可更好的分割圖像中的目標(biāo)前景與背景,能有效地減少單一分割算方法中出現(xiàn)的精度欠缺問(wèn)題且該融合算法進(jìn)一步提高裂縫識(shí)別的準(zhǔn)確率與裂縫提取的完整性,為后續(xù)進(jìn)行裂縫的統(tǒng)計(jì)分析奠定基礎(chǔ)且為不同背景下采動(dòng)裂縫識(shí)別提供了一種新的識(shí)別思路。