基于SLIC超像素分割与合并的隧道围岩节理裂隙识别

2022-08-25陈宝林王浩宇朱长根傅金阳

公路交通科技 2022年7期

陈宝林，王宇，王浩宇，朱长根，傅金阳

(1.浙江数智交院科技股份有限公司，浙江杭州 310013;2.中南大学土木工程学院，湖南长沙 410075;3.上海宝冶集团有限公司，上海 201799)

0 引言

岩体中的节理裂隙是长期地质运动的产物，也是岩体中的薄弱环节，其存在不仅破坏了岩体的完整性与连续性，使岩体表现为非均质、非连续、各向异性的宏观力学特性，还会影响到岩体的渗流途径、力学作用机制、破坏模式和应力分布状态，进而影响岩体的稳定性[1]。因此，研究岩体的节理裂隙特征信息，例如其组合规律、空间分布、规模与发育程度是隧道围岩稳定性分析的前提[2]。在工程实践中，隧道围岩信息编录调查和量化分析工作也是隧道施工的重要环节。

当前，围岩结构面与节理裂隙的检测手段主要有现场接触测量、钻孔测量、非接触扫描/摄影测量3类手段。其中，传统的人工接触测量以测线法、统计窗法为代表，工时消耗大，效率低下，而且难以实现对Ⅳ级、Ⅴ级结构面的有效量测[3]。钻孔测量由于造价高、耗时长、解算困难，在现代隧道高效率施工的背景下难以应用。而以非接触扫描/摄影测量为代表的检测技术，具有快速、无损、精确度高等特性，在工程中具有广泛应用前景。

在工程实践中，围岩特征图像识别技术需要解决两大难题：首先是将围岩结构面、裂隙从背景图像中分割出来，即图像分割任务，其主要实现途径包括图像阈值分割[4-5]、边缘检测[6-8]与模版匹配法[8]；其次是将栅格化的识别结果矢量化为结构面产状等要素，即二值图像数学形态学运算。在早期，桑中顺等[4]采用了通行的算法，即基于一维熵最大法阈值分割算法的结果，利用Hough变换从阈值分割结果中识别直线段，但是这种方法对于曲折度较高的节理裂隙表现不佳。董鑫等[5]综合surf特征点匹配结果与图像阈值分割的结果，提取了围岩结构面的空间分布信息，这种新方法能兼顾围岩的色彩信息与三维空间信息，提高结构面识别检测精度。在边缘检测算法领域，李勇等[6]利用 Canny 边缘检测算子对图像进行处理，并基于数学形态学算法细化检测结果，实现了掌子面图像结构面边界自动提取。詹伟等[7]在Canny边缘检测+数学形态学细化算法的基础上，设计了基于距离和角度等因素的迭代连接算法，降低了识别结果的误检漏检情况。Wang等[8]在图像预处理的基础上，采用分数阶微分算子进行边缘提取，并利用数学形态学算法填充空洞，有效避免了噪声点的干扰。罗佳等[9]在图像预处理的基础上，利用Prewitt模版匹配算法检测结构面边缘，同时，作者设计了一套交互式的结构面解析系统，人工判定结构面目标。

综上所述，传统的图像处理算法均以直接标记节理裂隙的分布位置为目的，因此难以识别没有宽度的节理裂隙，同时对不均匀光照、阴影等非常敏感[10]，无法解决围岩纹理干扰的问题。而基于超像素分割的节理裂隙检测算法有望解决上述问题。

超像素的概念由Ren等[11]首次提出，相比于传统计算机视觉技术的处理单元——像素，超像素是图像中局部的、具有一致性的、能够保持一定图像局部结构特征的子区域，而超像素分割就是将像素聚合成超像素的过程[12]。当前，超像素分割算法大致可以分为2类：基于图论的算法和基于梯度上升的算法。基于图论的分割算法的基本思路是将分割问题转化为能量函数最小化问题，即将图像中的像素点看作图节点，并赋予节点间的边以权值，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从最初的像素聚类开始，采用梯度法迭代修正聚类结果直至满足收敛条件，从而形成超像素，如改进的分水岭算法(Watershed)[17],Meanshift[18]，SLIC[19]，Quickshift[20]等。

本研究针对传统节理裂隙识别算法的局限性，提出了一种基于SLIC超像素分割与合并的节理裂隙识别算法。与上述识别算法的处理思路不同，该算法首先基于非局部均值滤波对围岩RGB图像进行降噪处理，改善图像的识别条件；随后基于简单线性迭代聚类算法(SLIC)获得岩块的初步分割结果；最后计算相邻超像素区块之间的合并权重，构建区域邻接图(RAG)，将该合并结果经过坐标转化等后处理运算获得最终的节理裂隙分布图。本研究节理裂隙识别算法处理环节如图1所示。

图1 节理裂隙识别算法处理流程

1 节理裂隙识别算法

1.1 围岩节理裂隙特征分析

围岩岩体节理裂隙的形态特征主要包含以下几点：(1)在形状上，由于围岩的地理位置和所处环境差异，产生节理裂隙的机理原因有所不同，因而其性状表现各异。(2)在颜色上，围岩图像中的节理裂隙既可表现为有一定宽度的深色条纹(图2(a))，也可表现为与围岩背景相似的颜色(图2(b))，或几乎没有宽度，而表现为岩石纹理突变所形成的视觉上的分割线(图2(c))。(3)部分岩石节理裂隙中存在填充物(图2(d))，这些填充物的成分各异，不仅导致裂隙平整度较低，而且成为了裂隙识别的干扰因素。(4)部分围岩由于表面不平整及照明方向的原因，形成了索条状阴影(图2(e))或条状的围岩纹理(图2(f))，容易导致识别结果中假正例偏多。

图2 围岩表面节理裂隙图像示例

1.2 非局部均值滤波降噪

围岩图像预处理可以控制输入图像的概率分布范围，保证后续围岩节理裂隙识别算法的普适性和稳健性。为了抑制围岩图像中的噪声干扰，同时尽可能保留原有图像中的精细结构(如岩石块体边界等)，选择非局部均值滤波作为围岩图像预处理算法。

非局部均值滤波降噪算法利用了图像中的非局部自相似性，这一特性与隧道围岩的形态特点相吻合。对于原始带噪图像的每一点a，其结果值为搜索框I内所有像素点(b)的加权平均：

(1)

式中w(a,b)为应用于b点的加权值，表达式为：

(2)

式中，MSE(a,b)为a，b2点各自的领域块之间的均方误差；h为尺度超参数；sum为归一化系数，因此有：

(3)

1.3 SLIC超像素分割

简单线性迭代聚类算法(SLIC)是一种超像素分割算法，该算法将彩色RGB图像转化为CIELAB颜色空间和xy坐标下的五维特征向量，然后基于特定的距离度量标准对图像进行局部聚类。SLIC算法能生成紧凑、边缘贴合度较好的超像素，在运算速度、物体轮廓保持、超像素性状等方面表现良好。SLIC算法的实质是将K-means聚类算法用于超像素聚类，其具体实现环节如下[21]：

(1)将图像从RGB空间转换为CIELAB空间：

[ri,gi,bi]T，

(4)

式中，ui,vi,wi为图像CIELAB像素i的分量；ri,gi,bi为图像RGB空间像素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为CIELAB色彩空间的3个分量；U，V，W均为缩放系数，分别为0.950 546，1.0，1.088 754。

(8)

式中t为输入变量。

这样，图像中的1个像素点pi可表示为：

pi=[li,ai,bi,xi,yi]T，

(9)

式中xi与yi为像素的欧式空间坐标。

(2)初始化k个种子点(聚类中心)，根据初始设定的超像素数目，在图像上随机布置种子点，假设图片共有N个像素点，预分割为k个相同尺寸的超像素块，则每个超像素块含有的像素个数为N/k，相邻种子点距离(步长)近似为：

(10)

式中，N为像素数量；k为颜色距离的归一化系数。

(3)为了避免种子点落在轮廓边界上，对种子点在内的3×3区域，计算每个像素点的梯度值，选择值最小的平滑点作为新的种子点。

(4)对于种子点pi的2S范围内的其他像素点pi，计算距离度量D(i,j)：

(11)

式中，m为空间距离的归一化系数；Dlab为2点在CIELAB空间下的欧氏距离，Dxy为2点在xy坐标下的空间距离；

(5)最后，对于图像中的每个像素点，选择距离度量响应最小的种子点，作为该点的聚类中心。

1.4 构建区域邻接图

基于SLIC的超像素分割算法利用了同质区域内像素特征的相似性与相邻不同区域之间的边界信息，能够很好地响应区域内的颜色变化，从而高效生成结构紧凑，同质性强的超像素。然而，SLIC方法得到的分割结果存在一定误差，主要表现在对灰度变化过于敏感而导致的过分割问题。

因此，进行超像素区块的合并是必要的后处理手段。其中，区域邻接图(Region Adjacent Graph，RAG)是描述相邻超像素之间关系的一种无向有权图。RAG的定义为G=(N,E)，其中节点N={ni|i=1,2,…,I}为图中的所有超像素的集合，边E={ej|j=1,2,…,J}为在空间上所有相邻的2个超像素之间关系的集合。在RAG中，一条边ej可以定义为：

ej={na,nb,w(a,b)}，

(12)

式中，na和nb为在空间上相邻的2个超像素块;w(a,b)为na和nb之间的合并权重，合并权重低，说明2个超像素块之间的相似程度越高，具有更高的合并优先级。

根据围岩节理裂隙识别任务的特点，合并权重公式被设计为2个部分：其一为两超像素块在LAB色彩空间内的高斯统计特征间的距离，为两者的色彩差异程度；其二为两超像素块在相邻接的一定范围内的Sobel滤波响应值，为两者边界线的明显程度。

(13)

式中，μi和ξi分别为超像素LAB空间内的均值和协方差；λ1和λ2均为归一化系数；sobel(i)为图像在i点处的sobel滤波响应值；I为2个超像素块间的相邻边界。

最终，在已获得的区域邻接图基础上，执行层次区域合并算法。

2 试验与结果讨论

2.1 试验图像集

为验证算法的应用优势，本研究测试了算法在1组图像集上的识别精度。图像采集隧道为在建的双分离式双向特长隧道，全长3 463 m。根据地质勘探资料显示，全线Ⅲ级围岩区段占比73.47%，Ⅳ级围岩区段占比15.88%，Ⅴ级围岩区段占比10.65%，隧道全线均位于沉积岩地层中，层理发育，中薄～中厚层状，多数为砂岩夹泥质粉砂岩，在进洞口段有侵入花岗岩岩体发育，加之受构造影响，节理较发育，隧道开挖易发生塌方，因此该隧道是合格的测试样本选取地点。同时，由于隧道区强风化层裂隙发育，岩体呈碎块状，储水性好，因此地下水较丰富，这一干扰因素在节理裂隙检测任务中也极为常见。

在隧道爆破、出渣、排险后，技术人员进入隧道，检查开挖后的地质状况，并手持数码相机(佳能EOS80D)尽可能垂直于硐壁表面拍摄围岩图像。在对现场图像进行筛选之后，最终获得了20张大小约为6 000×4 000像素的24位围岩RGB图像，如表1所示，图像中包含的主要干扰因素为阴影、地下水、极度破碎的围岩，能够覆盖隧道围岩节理裂隙中常见的问题。

2.2 识别精度对比

首先，为了验证本研究所提出算法相比于传统计算机视觉算法的精度优势，试验了Canny边缘检测算法、自适应高斯阈值法在相同的图像数据集上的表现。其次，本研究所提出节理裂隙识别流程为“图像预处理-超像素分割-RAG合并”，因此在超像素分割阶段，同时试验了2类超像素算法SLIC和Quickshift的输出效果，最终确定最优处理流程。

其中，Canny边缘检测算法是一种经典的边缘检测算法，共包含4个步骤：图像降噪(在本试验中采用7×7的高斯滤波进行降噪)、计算图像梯度、非极大值抑制与双阈值筛选，可有效地输出图像中的强轮廓；自适应高斯阈值法主要用于处理光照不均匀的图像二值分割问题，通过计算各个像素点邻域的高斯加权平均值来确定阈值，因此对于图像不同亮度区域，能够自适应地输出二值分割结果，是一种较为通用的二值分割算法；与SLIC简单线性迭代聚类分割算法相比，Quickshift快速移位图像分割算法使用了另一种处理思路，即首先计算图像中各个点的概率密度函数，随后通过将初始数据向量移动到具有更高能级的最近邻域模态来实现模态搜索，并确定图像像素点的聚类中心。

表1所示为测试用例1～20的节理裂隙识别精度对比。可以看出，2类超像素分割算法SLIC和Quickshift的识别精度均大幅高于Canny边缘检测法、自适应高斯阈值法，这说明本研究所提出的算法流程在识别精度上与传统计算机视觉算法有明显优势。此外，SLIC算法与Quickshift算法相比，不仅在识别精度有一定提高，而且在20个测试用例上的标准差更低(7.16)，这证明了将SLIC作为超像素分割算法环节，抗干扰能力更强。

表1 算法精度对比(单位：%)

2.3 识别结果

图3为测试用例7的节理裂隙识别结果，其中图3(b)为超像素初步分块效果。从该图中可知，由于SLIC算法对灰度的敏感性极高，由此而导致的过分割现象严重，因此需要后续的超像素块合并操作。如图3(c)所示，不同超像素块之间的相似性以区域邻接图的方式表现，其中值越低的边越有可能被合并消失。最终，围岩节理裂隙识别结果如图3(d)所示，与图3(b)相比，过分割现象有明显缓解，各个块体的轮廓与围岩节理裂隙的走向大致重合，说明识别结果能够满足要求。