基于ACE+CLAHE算法的隧道爆破块度图像分析

姬 付 全，梁 晓 腾，2，杨 林，2，江 鸿，3，毛 永 强

(1.中交第二航务工程局有限公司，湖北 武汉 430040； 2.长大桥梁建设施工技术交通行业重点实验室，湖北 武汉 430040； 3.交通运输行业交通基础设施智能制造技术研发中心，湖北 武汉 430040)

0 引 言

爆破块度是指爆破后破裂岩石的几何尺寸，是确定隧道爆破参数的重要参考，也是评价隧道爆破质量的一个重要因素，直接影响后续隧道破碎岩块的装运、出渣效率[1]。快速确定爆破块度对于隧道的爆破效果评价、爆破设计改进、加快施工进度有重要意义。

当前隧道爆破块度仍以人工测量为主[2-4]，测量过程繁琐，而随着图像识别技术的发展，已有学者针对图像分析开展了大量研究。刘春等[5]开发的CIAS系统可以识别岩土体裂隙，并通过图像处理方法，定量分析岩土体的裂隙图像。Pascal等[6]提出了岩石薄片图像分割方法。荆永滨等[4]通过岩理面切割获取块度的二维图像，实现了由岩石二维轮廓估算爆堆岩石体积，并通过实验对比验证了其可靠性。杨仕教等[7]针对露天爆堆的岩石块度分析问题，采用基于Python语言开发的插件预处理图像，通过分水岭算法分割岩石块度图像，并确定了露天岩石块度图像预处理的流程和岩石块度图像拍摄要求，图像分割效果达到了预期效果。陈然等[8]提出了基于双门限阈值分割的图像处理方法，针对图像的“黑洞”及白斑现象，采用Sobel算子对岩石图像降噪处理后获取爆破块度分割图像。Wang等[9]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。Jiang等[10]提出了一种分割表面具有噪声的图像的方法。Noy[11]提出了一种改进的自动颗粒分割的图像测量算法用于测量块度。

然而，上述爆破块度的研究大都是针对露天爆破，对于复杂光源条件下隧道爆破块度图像尚未有系统研究，且现有学者提出的岩石块度图像分析算法并不能很好地满足隧道爆破块度图像的分割需求。在隧道中光照强度低、单一光源光照不均、爆破烟尘等不利环境拍摄的照片，难以通过图像分析其块度。对此本文提出基于ACE与CLAHE算法的隧道爆破块度的图像分析方法，摆脱低光强度、光照不均、爆破烟尘对图像分析的干扰，处理后得到隧道爆破块度图像分割图，以实现隧道复杂条件下块度图像的识别与定量分析。

1 隧道爆堆岩块图像特点

与露天爆堆图像对比，隧道中的爆堆岩块图像主要有如下特点：

(1) 隧道中缺乏自然光照环境，在掌子面出渣时的光照条件尤其差，有时甚至只有装载机机身车灯照明，光照强度低。

(2) 在单一光源的作用下，隧道内光照不均，图片的明暗对比度过大，利用常规方法处理隧道爆堆图像，二值化处理后存在大面积的“黑洞”与“白斑”。

(3) 隧道爆破后存在大量烟尘，尤其长隧道的通风条件差，隧道内的可见度低，图像对比度、饱和度均较低，图像易模糊。

针对隧道中光照强度低、单一光源光照不均、烟尘大等不利环境下拍摄的照片，为满足爆破块度图像分析要求，应对隧道爆堆图像进行预处理，减少因图片过暗、强照明梯度或阴影而在图像中频繁出现的“黑洞”与“白斑”。

2 基本方法介绍

2.1 ACE算法

ACE算法是Rizzi等[12]在Retinex算法的基础上提出的一种基于人类视觉系统的图形增强方法——自动色彩均衡(Automatic Color Enhancement，ACE)法，针对图像中的亮度与颜色的空域关系，ACE算法通过计算改变图像局部和非线性特征的对比度，以模拟人类眼睛视网膜的色彩与亮度平衡，达到图像增强的效果[13]。本文以灰度图为例说明ACE算法的处理流程，分为色彩校正与图像动态扩展2个步骤。

(1) 色彩校正。采用区域自适应滤波处理初始图像I，模拟人类视觉系统的侧抑制性和区域自适应性，调整色彩的空域后得到中间结果图像R，图像处理的数学公式如下：

(1)

式中：Rc(p)为处理后的像素点p的亮度；Ic(p)为像素点p的亮度；Ic(j)为像素点j的亮度；d(p，j)为像素点p、j间的欧氏距离函数；r()为亮度表现函数，本文采用的Saturation亮度表现函数如式(2)所示。

(2)

(2) 图像动态扩展。将公式(1)中得到的结果图像R拉伸映射到0～255范围内，校正图像色差，重新构建图像，获取最终图像L，计算公式如下：

(3)

式中：minR与maxR分别为Lc(p)定义域的最小值与最大值。

2.2 CLAHE算法

直方图均衡化(Histogram Equalization，HE)法是一种使图像的灰度直方图分布更加均匀的变换方法，将初始图像的灰度直方图从比较集中的某个灰度区间拉伸成全部灰度范围内的均匀分布，以达到增强图像对比度的效果(见图1)，但有时会造成图像中不同区域灰度分布相差很大[14-15]。Zuiderveld提出了对比度受限的适应性直方图均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)方法，通过限制局部直方图的高度来限制局部对比度的增强幅度，从而限制噪声的放大及局部对比度的过增强[14]。CLAHE算法的图形处理如图2所示，算法流程如下。

图1 HE法灰度直方图转换

图2 CLAHE法灰度直方图转换

(1) 将初始图片分为不重合的n个分割块，每个分割块包含x×y个像素；

(2) 采用HE法分别处理n个分割块，得到n个分割块对应的灰度图；

(3) 计算灰度级的限定值m，限制每个分割块灰度级的像素应小于分割块每个灰度级平均像素数的m倍；

(4) 分别切割n个分割块的灰度直方图，将切割下来的像素平均分配到灰度直方图的各个灰度等级中；

(5) 分别对切割后的n个分割块的灰度直方图均衡化处理；

(6) 分别获取n个分割块中心点灰度值，并将其作为锚定值，对图像中剩余的像素点灰度值插值，CLAHE法双线性插值方法如图3所示。

图3 CLAHE法灰度双线性插值

3 ACE+CLAHE算法及预处理效果

3.1 ACE+CLAHE算法

基于ACE与CLAHE算法的隧道爆破块度图像预处理关键技术，通过ACE算法与CLAHE算法预处理图片，以解决图片过暗、强照明梯度与阴影问题，达到图像增强的效果。

本文基于Python编程语言，借助第三方库OpenCV2函数处理图片，爆破块度图像处理步骤如图4所示，图像处理实施步骤主要由图像预处理、图像去噪及图像分割3部分组成。

图4 隧道爆破块度处理流程

(1) 图像预处理。输入图片后，首先采用ACE算法进行图片加强，灰度变换后再采用CLAHE算法对图片进行加强。

(2) 图像去噪。双边滤波是常用的图像去噪保边处理方法，采用双边滤波对经预处理的图像降噪，在二值化变换后，利用开运算去除噪声并保持图像原有形状。

(3) 图像分割。采用分水岭算法分割图像以完成对爆堆岩块的区分，为避免过分割，利用双边滤波在保护边缘的前提下，去除图像噪音。利用Python第三方库OpenCV2提供的watershed()函数实现分水岭算法。

(4) 对于图片整体处理效果未达预期的图像，可以将图片识别不佳处切割出来单独识别后，再将图像合并得到图像块度分析结果。

3.2 预处理效果

为验证ACE算法与CLAHE算法图像增强的有效性，对广西云榜隧道掌子面爆堆图像分别采用ACE算法、CLAHE算法、ACE+CLAHE算法进行预处理并将其转化为对应的二值化图形，如图5～6所示。

图5 图像增强算法对比

由图5(a)可以看出，该隧道掌子面主要由装载机的车灯照明，图中右测“白斑”为装载机抓斗的反射光，掌子面左侧较暗，隧道掌子面左右两侧照明梯度大，若将其直接转化为二值化图像(见图6(a))，图像中会出现大量的“黑洞”与“白斑”，无法进一步分析图像。

图6 增强算法二极化图像对比

采用ACE算法可以增强图片整体亮度，但图片中仍会存在较大的照明梯度(见图5(b))，二值化图像(见图6(b))左上角及下方存在“黑洞”；采用CLAHE算法可以减小强照明梯度的影响，但掌子面左侧仍然较暗(见图5(c))，二值化图像(见图6(c))掌子面左侧“黑洞”、右侧“白斑”现象严重。单独采用ACE算法与CLAHE算法的图像转化为二值化图像后，“黑洞”与“白斑”仍无法完全消除。采用ACE+CLAHE算法的图像，在提高图片亮度的前提下，基本消除强照明梯度的影响，对应的二值化图片(见图6(d))较好地避免了“黑洞”与“白斑”现象。

相较于原始图像，图5(b)及图5(c)的整体亮度与图像对比度有了明显提升，其中ACE算法通过空域关系实现图像增强，而CLAHE算法通过对全局灰度拉伸实现图像增强，但是这2种方法预处理后图像对应的二值化图像仍存在“白斑”与“黑洞”，难以完成图像分割的任务。而ACE+CLAHE的图片预处理算法可以较好地解决强照明梯度及暗光条件下的图片预处理问题，满足隧道爆破块度图像识别要求。

4 应用实例

为验证本文所提出ACE+CLAHE算法处理效果，对十堰市中心城区饮水隧洞2标段4号隧洞的支洞小型爆堆图像进行分析处理，现场爆堆图像如图7所示。

图7 现场爆堆图像

由于该隧洞电源线未及时跟进至掌子面(见图7)，掌子面处无照明条件，故现场只能采用手电筒照明拍照，图像中心有很明显的手电筒照明“白斑”，图像照明梯度大且明暗不均，传统的图像分割算法难以对其分割，采用本文提出的基于ACE+CLAHE算法的隧道爆破块度图像分析方法对其进行处理。

从图7中截取爆堆分析区域图像进行分析，图像分割结果如图8所示。可见本文提出的算法较好地区分了岩块目标，部分解决了强照明梯度的问题，但是图像中央的手电筒照明区存在算法无法辨认区分的强光模糊区(见图9)，该区域的岩块图像完全粘连在一起，且越靠近强光模糊区的岩块间粘连现象越严重。这主要是因为此区域被手电筒光源直接照射，虽然通过ACE+CLAHE算法减小了图像的照明梯度，但是在整张图片中强光模糊区的亮度大且照明梯度相近，不同岩块间的区分不明显，二值化后在该区域形成白斑，程序难以将其区分。

图8 初步识别结果

图9 图像分区

为提高爆破块度图像分析准确度，将强光模糊区从图像中切割后单独分析，得到结果后再将其与原图像合并，结果如图10所示，图像分析结果基本区分了岩石爆堆的最大块度，但是强光模糊区图像分割过程中仍存在一定程度的岩块粘连现象，这是因为该区域的光照强度过大，不同岩块间的颜色区分不明显造成的。

图10 图像识别结果

5 结 论

(1) ACE与CLAHE算法可以增强隧道强照明梯度及暗光等不利条件条件下拍摄图像的对比度，较好地适应隧道环境下所拍摄图片的预处理要求，实现隧道掌子面爆破块度的岩块分割。

(2) 本文提出的算法虽然可以提升图片对比度，但对某些图形仍存在照明梯度过大而出现的“黑洞”或“白斑”，造成图像分割效果不明显，可以将图像切割后单独分析，再将其与原图像合并，以实现隧道爆破块度图像的精准分割。

(3) 本文提出的基于ACE+CLAHE算法的隧道爆破块度图像分析方法较好地区分了岩块目标，可应用于隧道掌子面强照明梯度及暗光条件下的爆堆最大块度的图像识别与分析，图像分析结果对评价爆破质量有参考作用。