基于双门限阈值的爆破块度图像识别研究

2020-05-31杨仕教朱忠华郑建礼张紫晗胡光球

工程爆破 2020年2期

陈然，杨仕教，朱忠华，郑建礼，张紫晗，胡光球

(1.南华大学资源环境与安全工程学院，湖南衡阳 421001；2.广东锡源爆破科技股份有限公司，广东惠州 516000)

爆破块度是露天矿山生产的重要技术指标，直接影响后续铲装、运输、破碎等工序效率和成本[1]。准确地描述爆堆岩石块度的分布，有利于优化设计爆破参数和降低成本。常见的爆堆岩块测量方法分为人工测量和图像分析法两大类[2-4]。当前，最为突出且代表爆破块度测试技术研究领域趋势和方向的，是基于现代计算机图像分析技术的爆破块度图像分析法[4-5]。

图像分割技术的好坏是影响爆堆块度图像分析系统结果输出的关键因素。不少专家学者在图像分割算法上进行了改进，取得了一定的进展。Pascal Asmussen等[6]提出了集成边缘检测和区域增长算法的岩石薄片图像分割方法，提升了岩石图像的分割效果；王桂芹等[7]提出基于FCM和标记分水岭的粘连图像分割，该方法对粘连岩石颗粒图像有较好的实验效果。这些新理论的分割方法相比于传统、单一的图像分割方法在抗干扰性、精度等方面均有所提高。Wand L F等[8]提出一种水平集结合K均值聚类的图像分割方法，达到了多阈值分割的目的，但计算较为复杂并且应对噪声和异常值时没有足够鲁棒性。为克服这些缺点，Jiang等[9]在Wand L F研究的基础上，提出了一种基于局部熵的空间约束模糊c-means聚类算法和FCM_S简化模型，其在精度和鲁棒性方面具有优势，可用于分割表面具有噪声的图像。

为解决几种典型的岩石块度图像分割中容易存在的过分割、噪声、重影、“黑洞”等问题，笔者利用图像摄影测量方法和计算机图像处理技术，对图像的分割进行了深入研究，提出了双门限阈值技术来进行图像分割，并和几种广泛应用的分割技术进行比较，验证双门限阈值技术在爆破块度图像分割领域的可行性和优势。

1 基于阈值的图像分割基本理论

图像分割就是把图像分成若干个特定的、具有独特性质的区域，并提出感兴趣目标的技术和过程[10]。现有的图像分割方法主要有：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。其中，基于阈值的分割方法是图像分割中应用数量最多的一类。阈值分割法实际上是输入图像f到输出图像g的变换，如：

(1)

式中：T为阈值。通常，用最后二值图像g(i，j)中值为1的部分表示目标，值为0的部分表示背景。由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来[11]。

2 双门限阈值图像分割技术及算法

一般的岩堆图像[8]有着大小不一、堆叠、纹理复杂、背景与目标灰度相近等问题，而传统单一的基于阈值分割需满足一个假设条件：图像的直方图要有明显的双峰或多峰，否则基于灰度阈值对图像进行处理，会使部分背景和目标混为一谈，因此传统阈值法只有在目标和背景反差较大的图像分割时才有效果。

鉴于此，提出了双门限阈值图像分割技术，来对这种复杂情况下的分割过程进行改进，并在ImagePy平台上实现双门限阈值图像分割算法。其主要包括双门限阈值算法的基本原理、关键技术和算法的实现。

2.1 基本原理

结合形态学梯度的双门限阈值技术是分水岭技术的一种改进的用法，通过把高程图当做dem，当用高、低阈值分别选取足够亮和暗的部分进行背景与前景的标定后，在梯度图的基础上进行模拟的“涨水”，也就是目标区域与背景“各自生长”，在原始图像梯度变化最大的位置处形成一个界限，达到将目标区域分割开的目的。

通过对爆破岩块图像的局部梯度模的极大值分析，可得出如下结论：一方面目标边缘的链长远大于噪声边缘的链长；另一方面按边缘链的长度自适应分块以后，目标边缘链决定的块的灰度值应该大于噪声边缘链决定的块的灰度值。源于这二方面的特性，结合形态学梯度的双门限阈值分割技术能使图像中的灰度跃变急剧增强，再结合形态学开闭运算消除局部极值并保留重要的轮廓极值信息，这样能够尽可能地保留图像边缘，很大程度上避免了计算机图像分割中过分割、欠分割的问题。

2.2 关键技术

爆堆岩块图像的双门限阈值算法的关键技术主要包括边缘检测技术和分水岭技术。利用Sobel算子在4邻域灰度值上的计算，在边缘处达到极值这一手段来检测爆堆岩块图像边缘。然后在梯度图的基础上进行分水岭算法，求得分段图像的边缘线。

对于爆堆图像，每个岩块边缘的灰度值一般不同。仅仅根据二值化图像内部灰度值的差异，凭借计算机图像处理软件来识别岩块边缘是可行的，但是误差往往很大，通过图像灰度分布的梯度来反映图像灰度的变化，相较而言能提供更为精确的边缘方向信息。求梯度图其本质是标识数字图像中亮度变化明显的点。Sobel 算子利用像素点上下、左右邻点的灰度加权算法，根据取适当门限TH，并作如下判断，进行边缘的检测：

s(i，j)>TH

(2)

式中：(i，j)为阶跃状边缘点；s(i，j)为边缘图像。

Sobel算子包含两组3×3的矩阵，分别为横向及纵向，将其分别与图像作平面卷积，即可得出横向及纵向的亮度差分近似值(见图1～图2)。Gx和Gy分别是在横向及纵向的灰度偏导的近似值。

图1 爆堆原图
Fig.1 Original image of rock pile

图2 边缘检测
Fig.2 Edge detection

对于每一个点可以获得两个方向的梯度，选择采用一阶微分算子Sobel求梯度，用Sobel求出图像灰度在两个方向上的偏导数，并求出梯度(灰度)大小|G|和方向θ，其公式如下：

(3)

(4)

定义一个阈值Gmax，如果G比Gmax大，可以认为该点是一个边界值，则设置这个像素值为255，表现为白色；否则像素值为0，表现为黑色。这样就得到原始图像梯度变化最大的位置(见图3)。再利用形态学开闭运算对通过Sobel算子求得的梯度图像进行滤波处理，这样能在简化梯度图像的同时，保持轮廓分水线的准确定位，消除产生过分割现象的根源。

图3 爆堆梯度
Fig.3 Gradient of rock pile

得到爆堆岩块图像目标区域与背景的明显界限后，结合分水岭图像分割算法便能进行再分割，分水岭算法其本质是借助地形学的概念寻找图像极小值的位置，即边界位置。对图像的极小值进行标定后就可以对梯度图直接进行分水岭变换，从而实现对爆堆岩体块度图像的准确分割。

2.3 算法实现

1)以边缘链长度和按边缘链长自适应分块的块灰度作为双重阈值标准，大于某一链长度阈值同时大于某一块的灰度阈值的边缘链认为是目标边缘，其被保留；否则，被删除。

2)对经过第1步骤处理的边缘图像，进一步实施将边缘的断点向上一级跟踪，以此类推，这样就初步获取了单像素宽、定位准确、效果良好的边缘图像。

3)结合滤波器Sobel算子，通过设置门限的方法，提取边界点集，再到目标图像上进行掩模，最后在梯度图上采用分水岭分割算法，并借助地形学概念寻找图像极小值的位置，即为准确的边界位置。

4)得到目标区域与背景的明显界限后，结合图像分水岭分割算法处理便能进行再分割。对图像的极小值进行标定后就可以对梯度图直接进行分水岭变换，从而实现对爆堆岩体块度图像的准确分割。

算法在ImagePy平台上进行(见图4)。ImagePy是一个可扩展的框架，可以接入图像处理函数，并对这些函数进行管理，提供交互和图像的展示功能。针对复杂露天光照环境采集的岩块图像，还可以基于Python强大的图像处理库，编写需要的图像处理函数，解决具体的问题[12]。鉴于此，采用ImagePy作为机器视觉图像处理工具来进行算法的实现和实验研究。

图4 双门限阈值算法实现
Fig.4 Implementation of double threshold algorithm

根据开发的算法在ImagePy平台下，对惠州小径湾和大亚湾的二类岩石爆堆图像开展岩块图像分割实验，为了让实验结果更具说服力，对每一类岩石爆堆分别进行2次不同部位(见图5～图6)的图像分割实验。同时又做了小型爆堆手工测量与算法的对比实验，从定量的角度，探讨双门限阈值技术在爆堆图像分割领域的可行性。

图5 各种算法对小径湾花岗岩爆堆图像分割结果(2个部位)
Fig.5 Segmentation results of Xiaojingwan granite rock pile image by various algorithms(Two parts)

图6 各种算法对大亚湾红砂岩爆堆图像分割结果(2个部位)
Fig.6 Segmentation results of Dayawan red sandstone rock pile image by various algorithms(Two parts)

3 实验结果及分析

3.1 小径湾花岗岩爆堆岩块图像分割实验

小径湾花岗岩有节理构造(见图5)，由于是近距离采集的图片，其岩石表面纹理清晰；岩石表层信息丰富，风化和斑驳的痕迹非常明显，同时具有很明显的结晶颗粒，质地不均一，个别目标之间，存在着粘连的情况，整体堆叠现象一般。

由小径湾花岗岩爆堆分割实验看出：灰度阈值法分割加重岩石表面噪声(见图5a②、图5b②)，由于该方法阈值的确定主要依赖于灰度直方图，而在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开，故可以看到目标与背景交界处形成大量噪声；适应性阈值法[13-14]加重了岩块的粘连程度，不适用于该类图像分割(见图5a③、图5b③)； Otsu[14-15]大津法由于其原理也是寻求最佳阈值，所以与灰度阈值法一样，有大量黑斑噪声(见图5a④、图5b④)； Sauvola[15]阈值法算法复杂，处理图像耗时太久，且岩石与背景区域二值化效果不好(见图5a⑤、图5b⑤)；双门限阈值算法可以大致区分目标与背景，对岩石表面质地不均匀、噪声的平滑处理具有很好的效果，但对粘连部分的分割还做的不够(见图5a⑥、图5b⑥)。

3.2 大亚湾红砂岩爆堆岩块图像分割实验

大亚湾红砂岩，地质构造较为复杂，上部为未分化的红砂岩，中部为节理裂隙较为发育的强分化红砂岩，下部为未分化的红砂岩(见图6)。

由大亚湾红砂岩爆堆分割实验图可以看出：灰度阈值法已无法得到良好的背景与目标区域的分割图像(见图6a②、图6b②)，图像中噪声信号较多且目标的灰度值与背景相差不大，部分边界信息已经丧失，然而岩石内部过分割现象明显存在；适应性阈值法仍然无法很好地分离出目标与背景，分割效果依然较差，同样不适用该类岩堆的图像分割(见图6a③、图6b③)； Otsu大津法只能模糊地将目标与背景分开，岩石边缘界限不清，岩石表面噪声过多，甚至形成“黑洞”，效果不佳(见图6a④、图6b④)； Sauvola阈值法在对红砂岩爆堆的分割上，已不具备优势，反而不能区分目标与背景，实现粘连红砂岩的分割，造成了许多伪边界，椒盐噪声量很大(见图6a⑤、图6b⑤)；双门限阈值算法较好地保护了岩块图像的目标区域，平滑了岩块图像的局部噪声(见图6a⑥、图6b⑥)。

3.3 双门限阈值分割算法与手工测量结果比较

为了从定量的角度，进一步探究双门限阈值算法在爆堆图像分割领域上的误差或精度问题，对小型砾岩爆堆现场(见图7)采用米尺进行了手工测量。该砾岩爆堆有层理构造，且组分中有大小不一的鹅卵石，有典型的沉积岩特征。对约40个砾岩块测量3次最大弦长[16]并取平均值，所得结果换算成的等效面积(等效成正方形)作为砾岩块表面积真值。将爆堆图像分割效果相对较优的Sauvola算法和双门限阈值算法的识别结果(当量圆的面积[17])分别与人工测量的面积真值对比，随机选取其中28组数据进行统计(见表1)。

图7 爆堆现场手工测量
Fig.7 On-site manual measurement of rock pile

表1 手工测量与2种算法识别结果以及相对误差的比较

Table 1 Comparison of recognition results and relative errors between manual measurement and two algorithms

标号S/ cm2手工测量Sauvola算法双门限阈值算法Sauvola相对误差/%双门限阈值相对误差/%18 2819 120.149 025.4910.19.026 8806 410.176 241.836.99.332 0251 160.102 316.7442.714.543 8442 190.223 481.6543.09.558 1309 015.318 836.5610.91.264 4892 961.144 096.8634.08.877 2259 100.218 880.7926.923.083 9693 165.123 706.4520.26.691 9361 300.121 625.5632.816.01011 50012 652.9812 195.5110.16.1118 1009 251.459 697.6714.219.7123 3642 966.183 844.4611.914.2138 1009 016.059 542.6811.317.9147 5107 790.207 894.083.85.1154 6243 965.464 900.1014.36.0166 0846 110.006 086.560.040.01173 6003 210.223 300.1010.18.4189 02511 452.2011 201.4026.924.1198 8369 390.609 600.296.38.7202 0252 105.652 304.154.013.8214 9004 710.134 489.713.98.3223 6003 564.106 969.621.19.3234 9004 710.104 524.153.97.7246 4007 100.006 710.9311.04.9258 1009 660.159 800.4619.220.1261 6001 442.131 330.649.925.0277 0568 065.858 800.7614.224.0283 5002 494.522 910.1228.816.8

由分割实验得到：灰度阈值法对岩块表面椒盐噪声处理不够，为下一步的图像预处理带来难度(见图8②)；适应性阈值法仍不能解决粘连岩块分割问题(见图8③)； Otsu大津法在明暗变化较大的地方，“黑洞”问题[16]过于明显(见图8④)。Sauvola阈值法分割效果优于前面几种方法，但岩块表面噪声问题仍然存在(见图8⑤)；双门限阈值法较好地区分了目标，解决了岩石表面噪声问题，二值化分割效果最好，但存在一定程度的欠分割(见图8⑥)。

图8 各种算法对砾岩爆堆图像分割结果
Fig.8 Image segmentation results of conglomerate rock pile by various algorithms

通过表1可计算出，双门限阈值算法进行图像分割的平均相对误差为12.0%，爆破块度图像二值化分割效果良好的Sauvola阈值法平均相对误差为15.4%。同时，还可以发现：基于双门限阈值分割算法相较于Sauvola阈值算法，对多数尺寸级的岩块分割准确性上更佳。Sauvola阈值分割由于其始终存在岩块表面噪声过多的问题，在尺寸[1 000，4 000]cm2区间范围的岩块分割上，存在结果偏小的问题(如标号3、8、9、25等)，这是由于后期图像分水岭处理时过分割导致；而两者在尺寸[7 000，10 000]cm2区间的岩块分割上，误差相对较大，存在结果偏大的问题(如标号7、10、17等)，这是由于岩块与岩块边缘本身的棱角效应和斑点效应[2]在图像分割的时候进行了过度融合(见图9标记处)。