基于图像处理的岩体结构面迹线半自动检测

詹 伟 章杨松

(南京理工大学理学院，江苏南京 210094)

0 引言

影响岩体力学性质的主要因素是岩体的地质特征，即岩体结构、环境因素和岩性。其中岩体结构尤为重要，应视为岩体力学性质研究的基础，因此研究岩体结构面具有十分重要的工程意义。

对于岩体结构面的分布情况，传统的方法主要是人工通过罗盘、皮尺等测量工具在现场进行实地测量，包括有测窗法、测线法等[1]。该法数据处理繁琐、工作量大，并且很多地方无法进行测量。随着计算机技术的发展，运用在该领域的近景摄影测量和数字图像处理技术[2-4]随之应运而生。Deb等[5]采用Canny算子边缘检测和Hough变换连接分段线进行裂隙迹线的自动检测。Vasuki等[6]采用相位对称性和Hough变换实现了裂隙迹线的自动检测。Cinar等[7]运用数字图像相关性和相位一致性实现了裂隙迹线的自动检测。王卫星等[8-9]通过形态学多级合成法和多尺度Hessian矩阵与steger算法对岩体裂隙进行自动检测。这些技术相较于传统现场人工测量具有高效、精确、安全等优点。

对岩体结构面裂隙迹线进行检测识别，其实就是对图像进行边缘检测。而在图像中，边缘就是灰度发生突变的像素点集合，其中包含了重要的数字图像信息，所以提取边缘能够将研究需要的图像信息提取出来[10]。对图像理解、分析和识别都是在图像边缘检测基础上进行的[11]。目前常用的边缘检测算子有一阶偏导算子(Roberts、Sobel、Prewitt等算子)、二阶偏导算子(拉普拉斯算子)，此两者对噪声敏感性较强[12]，检测效果不佳[13]。通过比较Canny 算子[14]和其它各种算子，得出在众多检测算子中Canny算子的准确度和灵敏度相对较高，该算子检测的结果图像中杂点较少，各边缘裂隙检测连接更为清晰，位置与实际裂隙更为吻合。因此本文以Canny算子为基础对岩体结构面进行迹线检测。

本文提出了一种基于数字图像处理的边缘检测和分段线迭代连接，并同时滤除伪边缘的岩体结构面迹线检测方法。该法的基本思路是在预处理后的图像中人工指定少量难以正确识别的主要裂隙控制点，从而将该部分区域图像提取出来，将其一分为二。然后对两张图片分别进行边缘检测，得到两张迹线检测结果图。之后根据距离、角度原则对两张分段线图片分别进行迭代连接。因为同一条结构面的迹线分段线满足距离、角度原则，进而相互连接完整，伪裂隙无法满足而不能相互连接变长，进而滤除。该法可以将难以正确识别的主要裂隙与次要裂隙分开处理，减少裂隙之间的干扰，所以能够更好地保证裂隙识别的完整性与正确性，因而具有更高的精确性。

1 基本原理

岩体结构面裂隙迹线的半自动检测过程，主要包含了主次裂隙区域分离、裂隙识别和迭代连接三个部分。其中主次裂隙区域分离与迭代连接是保证检测结果准确的关键。

1.1 主次裂隙区域分离

在预处理后的图像中人工指定少量难以正确识别的主要裂隙的控制点，然后通过算法将该区域提取出来，就能够达到主次裂隙区域分离的目的。其中裂隙的控制点主要包括裂隙的起点、拐点和终点。输入的控制点越多，则裂隙区域提取越精确。

1.2 迭代连接

在对图像进行分割、边缘检测、细化以及节点删除后，得到的结果往往是断开的分段线，不能够形成连续与实际相吻合的裂隙迹线。所以要实现岩体结构面裂隙迹线的正确检测，就必须将检测的分段线进行准确连接，同时滤除伪边缘。为了准确实现分段线连接，本文所采用的判断方法为距离、角度原则。这就需要对各分段线的参数进行提取，在进行分段线参数提取时，因为对边缘检测的结果进行了细化以及节点删除，所以每条分段线都相对较短，这就为参数提取提供了优势，可以将每条分段线的两端点进行连接，用连接后的线段参数近似等效为原迹线分段线参数，但是连接完成后迹线坐标的提取仍然采用原裂隙迹线像素坐标。经过多次试验表明此法效果良好，误差在允许范围内。

2 岩体结构面裂隙半自动检测步骤

2.1 图像预处理

由于拍摄设备与拍摄环境等原因，常常导致拍摄出来的照片会出现质量不高的情况，这就需要对采集到的图片进行不同的预处理。其中常见的预处理操作包括图像灰度化、图像去噪和图像增强等。通过对照片进行这些预处理操作可以提高图片的质量，为后续的岩体结构面裂隙检测分析打下良好坚实的基础[15]。

2.2 人工指定少量主要裂隙控制点

对于复杂的岩体结构面裂隙分布情况，其迹线往往是纵横交错的，所以在对其进行边缘检测的时候就往往会将不同的裂隙检测成同一条裂隙；而且由于风化作用，往往会将一条迹线检测成相距较远且难以通过迭代连接操作进行正确连接的分段线，这些情况都会导致检测结果与实际情况不吻合。此时就需要对这些特殊裂隙进行人工输入控制点，将该区域提取出来单独进行识别与迭代连接。因为提取后减少了裂隙识别的干扰因素，可以更加简单灵活地设置距离与角度阈值，从而将它们正确地连接起来。

2.3 边缘检测及细化

对分离后的主次裂隙图像使用Canny算子分别进行边缘检测，检测结果的宽度为多个像素。将其细化为单像素宽度有助于减少图形冗余信息量，突出图形特征，这样可减少运算量从而缩短识别的时间和提高识别率[16]。图像细化常用的算法有OPTA细化算法、Hilditch细化算法和形态学细化算法。由于数学形态学细化算法实现简单、效率高、效果好，因此本文选用形态学细化算法，将图像中的裂隙细化，实现提取裂隙信息的目的[17-18]。

2.4 清除单点及节点

对图像进行边缘检测及细化后，将细化的分段线近似视为直线段，用这些直线段的参数近似代表岩体结构面迹线分段线的参数[19]。但是图像边缘检测及细化的结果往往存在分支(毛刺、迹线交叉)的情况，这有碍于对分段线进行直线拟合以及参数提取。为了得到更加准确的迹线参数，就需要对细化后图像中的节点和单点进行清除[20]。对节点及单点的清除如下进行(检测结果图为白底黑线)：

对图像每个像素点从左往右、从上往下依次进行分析，如果当前检测像素点为黑色时，统计其四周八个位置中为黑色像素点的个数并记为N。

(1)当N≥3时，则该点应为节点，为了保证能够将节点完全断开，此步可以将该点以及四周八个像素点全部设置为图片背景色；

(2)当N=2时，则该点为分段线内部点；

(3)当N=1时，则该点为该分段线的端点，并记录成aij(i≥1表示线段序号，j=1,2表示线段端点号)；

(4)当N=0时，则该点为单点，进行删除。

经过此步骤处理后，图中所有分叉的黑色边界全部截断成简单的分段线，同时单点也被删除。

2.5 分段线迭代连接

由于岩体结构面裂隙在分布上有一明显特征：排成一列或者端点相近的分段线有更大的概率为同一条裂隙，即它们在直角坐标系中有着相近的斜率和截距且端点间距较短。所以可以根据这个特征(距离、角度准则)设计合理的算法，将同时满足两条件的分段线的相近端点相互连接起来，从而得到完整的裂隙迹线。该算法的主要步骤如下所示：

(1)测算所有分段线端点连线的倾斜角度。

(2)测算所有分段线端点线段之间的关系。

①查找两线段最近相邻点

以图1为例，L1和L2分别为两条线段，a11、a12分别为线段L1的两端点，a21、a22分别为线段L2的两端点，d1、d2表示a11与线段L2两端点的距离，d3、d4表示a12与线段L2两端点的距离，dmin表示d1、d2、d3、d4的最小值，即下图中a12、a21之间的距离。如果dmin小于给定的判定阈值Dt，则继续往下判定。

②距离准则

以图2为例，由上知a12、a21表示两条分段线距离最近的两个端点，D1、D2分别表示a12到线段L2和a21到线段L1的距离。Sd=D1+D2，如果Sd小于给定的判定阈值dt，则继续往下判定。

③角度准则

a.角度准则1

以图3为例，a12、a21连线与线段L1的夹角记为γ，如果γ小于给定的判定阈值γt，则继续往下判定。

b.角度准则2

以图4为例，α1、α2分别为L1和L2的倾斜角，β(≤90°)为两倾角差，当|α1-α2|≤90°时，β=|α1-α2|；当|α1-α2|>90°时，β=180-|α1-α2|。如果β小于给定的判定阈值βt，则继续往下判定。

践行—实践发挥主体能动性。“以学生为中心”教育模式的根本目的是促使不同素质、不同特长的学生扬长补短、各得其所。徐老师在“以学生为中心”的课堂有效性上大下功夫，她逐句逐段地培养学生阅读文本的能力，在充分理解文本的基础上再培养学生提出问题小组团队解决问题的能力，近两年的坚持不懈与学生共同探讨磨合，学生被真正打开，所提问题的质量甚至超越了一般教师的思维范畴，同时小组合作的能力达到了教师可以退居幕后，而学生真正成为学习的主人。

图1 求两分段线最近端点

图2 最近两端点分别到另一分段线的距离

图3 最近两端点连线与另一分段线的夹角

图4 两分段线水平夹角之差

④如果L1和L2两线段满足上述条件①②③，则L1和L2有很大可能属于同一条结构面的迹线，那么记录对应参数dmin、Sd、γ、β及dmin对应的端点(此例子中对应端点为a12、a21)。

(3)边界线连接选取

对所有分段线两两进行上述分析后，个别分段线可能会出现多条相似的分段线与其属于同一条结构面裂隙的情况。但是由于一条分段线的一个端点最多只能与一条分段线的一个端点进行连接，所以具体与其中的哪条分段线相连，需要依据一定的判断准则，本文采取的方法如下：

其中w1、w2、w3、w4、θ1、θ2均为大于0的常数。

②对Sij按照从大到小的顺序排列，找出Sij的最大值所对应的端点ain、ajm，然后连接两点即可。

重复上述步骤即可找出所有连接的分段线。

图5 两边界线相似性分析流程图

3 试验与分析

本文试验的对象为甘肃某地区的花岗岩露头面图像，运用MATLAB编程，依次对图像进行上述操作。图像分辨率均为5184×3456，岩体露头面表面积均约为300 m2(见图6)。

图6 岩体露头面图像

对岩体露头面中容易识别错误的主要裂隙的控制点进行人工指定，为了方便显示，将同一裂隙的控制点进行连接，如图7所示。

图7 人工指定主要裂隙控制点图像

下一步通过人工指定的裂隙控制点，将指定的裂隙区域提取出来。此步是在MATLAB中利用自行编译的程序实现的。提取出来的图像如图8所示。

图8 人工指定裂隙区域提取图像

对提取出来的图像进行Canny边缘检测，此时因为几乎没有次要裂隙及其他杂物的干扰，所以边缘检测效果很好。然后通过角度、距离准则，设定合理的阈值，将属于同一结构面裂隙迹线的分段线相互连接起来即可。图9为经过两次迭代连接的主要结构面迹线检测结果图。

图9 人工指定区域主要裂隙检测结果图

之后对剩余区域进行边缘检测。因为已将纵横交错难以正确识别的主要裂隙区域提取出来了，所以剩余的结构面裂隙识别相对初始图片来说要简捷得多。图10即为提取人工指定区域后剩余区域的图像，图11为对剩余区域进行边缘检测、细化、删除节点和单点后的结果图。

图10 提取人工指定区域后剩余的结构面图像

图11 Canny边缘检测、细化、删除节点和单点结果图

然后对边缘检测得到的分段线进行迭代连接，本例中分段线共经过四次迭代连接，得到最终检测结果如图12所示。

图12 分段线第四次迭代连接结果图

当对人工指定区域以及剩余区域分别进行Canny边缘检测和迭代连接后，将二者最终检测结果进行叠加即为完整的岩体结构面迹线检测图。最终叠加的结果如图13所示。

图13 人工指定区域与剩余区域的岩体结构面迹线叠加结果图

在传统检测算法中，常见的是直接对图片进行边缘检测。因而作为对比，本文采用Canny算子和Hough变换的直接检测方法对实例中岩体露头面图像进行裂隙迹线的自动检测，得到的裂隙迹线检测结果绘制在原图中，如图14所示。同时，为了更好地对本文方法进行评价，所以采用人工绘制结果图与之进行比较。人工绘制结果如图15所示。

图14 岩体结构面迹线自动检测结果图

图15 岩体结构面迹线人工绘制结果图

本文岩体结构面裂隙半自动检测结果、Canny算子和Hough变换的全自动检测结果、人工绘制结果三者之间的比较分析如表1所示，其中以人工绘制的结果作为比较评价的基准。

表1 裂隙半自动检测结果与全自动检测结果、人工绘制结果统计分析(以人工绘制为参照)

图像结果和统计数据从以下4方面进行分析：

(1)裂隙检测精确度。对图13、图14、图15和表1中的裂隙正确识别数进行分析可知，岩体结构面迹线半自动检测中，裂隙正确检出的数量较多，检出的伪边缘较少，而且裂隙分段线之间的连接错误率较低，总体检测精确度高。而自动迹线检测精确度则低得多。

(2)漏检和误检。对图13、图14、图15和表1中的裂隙误检、漏检数进行分析可知，岩体结构面迹线半自动检测中漏检和误检数量较少，漏检和误检率较低。而岩体结构面迹线自动检测中误检数量非常高，漏检和误检率较高，存在大量缺失的情况。

(3)检测长度与实际对比。对图13、图14、图15和表1中的检测长度与实际对比进行分析可知，岩体结构面迹线半自动检测中迹线检测长度与人工绘制结果基本符合。而岩体结构面迹线自动检测的结果与人工绘制结果误差较大。

(4)主要裂隙的识别情况和迹线连续性。对图13、图14、图15和表1中的主要裂隙识别情况和分段线迭代连接情况进行分析可知，岩体结构面迹线半自动检测得到的裂隙迹线相对完整，连续性好，迹线位置准确。而岩体结构面迹线自动检测的结果则误差较大。

4 结论

本文以大体积岩体露头面图像为对象，研究了一种基于图像处理的岩体结构面迹线半自动检测方法，该法是将难以正确识别的主要裂隙与次要裂隙单独进行裂隙识别和迭代连接。运用MATLAB编程，进行边缘检测和分段线连接操作，得到裂隙迹线检测结果图。实验结果表明，该方法有以下优点：

(1)相对人工绘制，该法工作量小、效率高；

(2)相对全自动迹线检测，该法裂隙检测精确度高，误检、漏检情况少，检测长度与实际情况接近，主要裂隙的识别情况和迹线连续性好。

岩体结构面迹线半自动检测法对于大体积且分布复杂的岩体露头面迹线检测，具有较大的优越性与较好的适用性。