基于ATS与TS融合算法的裂缝自动识别研究

王 赟,易四海, 仲 锐,高鹏程,王 越

(1. 华北科技学院 安全工程学院,北京 东燕郊 065201;2. 防灾科技学院,北京 东燕郊 065201)

0 引言

围岩采动损伤裂缝自动识别对于定量研究采动区裂缝的破坏特征和裂缝发育规律具有重要意义,也可作为评价采动损伤的重要指标。对于采动裂缝的识别,目前主要用素描或者使用软件操作进行提取,此方法对于特征明显、块状的裂缝识别效果较好,但对于与本底值差异性不显著、发育复杂、规模差别大的采动裂缝,其识别效率低、识别精度差、软件操作步骤繁琐、主观局限性较强,且图像采集因受光照、采集设备等因素的影响,易造成图像采集的质量降低,裂缝特征不够突出[1],致使使用软件进行分割时不能有效地识别出微小裂缝,同时离层裂隙区、垮落裂隙区的块状裂缝识别精度较低等问题。

近年来,为了准确识别出目标前景,相关学者提出了许多分割算法。如刘爱辉[2]基于中值滤波算法对采取的图像进行初期降噪处理,采用Prewitt算子分割法和Otsu阈值分割算法对图像进行分割处理,得到路面裂缝图像背景和目标明显区分效果图。尹冠生[3]在图像分块的基础上通过最大类间方差法和局部阈值法分割得到了隧道裂缝的粗图像,进行对比度受限的自适应直方图均衡操作和局部阈值分割,得到了二值化图像。苏秀芝[4]将公路路面裂缝图像进行灰度化、灰度直方图均衡化、低帽滤波变换、滤波去噪、阈值分割操作检测识别出路面裂缝区域。江超[5]使用滤波对图像进行增强和除噪,再使用迭代法阈值分割进行二值化分割,并使用形态学开运算进一步滤除噪声。石帅[6]从Otsu法、迭代法、最小误差法、最大熵阈值分割法等传统分割算法的原理和运算步骤入手,并借助MATLAB软件对采集的隧道衬砌裂缝图像进行模拟处理,得到各算法的处理图像。Oliveira等人[7]提出基于块和基于像素分析的路面检测裂缝的方法,但它对细裂缝检测效果不佳。

受上述文献的启发,本文采用相似模拟实验模拟神东矿区12401工作面开采的采动裂缝,文中对拍摄的相似模型图分别使用固定阈值分割方法、自适应阈值分割方法、及两种分割方法的融合分别进行裂缝的提取并进行结果分析。本文提出的基于阈值分割法、形态学、图像轮廓等综合裂缝自动识别方法, 为后续煤层开采影响下围岩采动裂缝识别和规律的深入研究做铺垫。

1 图像预处理的技术介绍

1.1 阈值分割法

图像数据的预处理能够有效削弱由采集时环境曝光度、光照不匀及设备噪声等无效信息造成的影响,提高所采集的图像质量、消除设备噪声干扰、突出模拟采动裂缝图像的特征信息,能够为后期处理提供优质的图像资源[1]。阈值分割是图像处理和计算机视觉领域中最常用的研究方法之一[8,9],它可作为最基本的分析特征应用于图像分析、计算机视觉等领域。阈值分割就是把图像分成各具特性的区域并提取出感兴趣目标[10-12],即通过设定灰度阈值,将图像划分为在同一特征区域内(直方图的灰度值在一个范围)表现相似且在不同区域内表现出差异的互不相交的多个区域。其分割的数学表达式,如公式(1),其中f(i,j)表示原始二维图像第i行第j列的图像像素值(即灰度值),T表示阈值,阈值T将图像中的像素分为前景和背景两类。g(i,j)=1(白色)表示阈值分割后背景类别图像,g(i,j)=0(黑色)表示阈值分割后的前景类别图像。

(1)

根据阈值分割法应用的范围可分为全局阈值分割法和局部阈值分割法。其中固定阈值分割法(Threshold Segmentation,简称‘TS算法’)是全局阈值分割法中最简单的一种,即在整幅图像范围内只用一个阈值来进行二值化处理。对于背景灰度均匀、图像色彩均衡,使用固定阈值分割就能较好的完成图像的二值化处理,但对于光线影响下色彩不均衡的图像,使用固定阈值分割法无法得到清晰有效的分割结果。

自适应阈值分割法(Adaptive Threshold Segmentation,简称‘ATS算法’)是一种局部阈值分割的方法,它通过计算每个像素点周围临近区域的加权平均值获取阈值,并使用该阈值对当前像素点进行处理[13]。这样做的好处在于每个像素位置处的阈值不是固定不变的,而是由其周围邻域像素的分布来决定,对于不同亮度、对比度、纹理的局部图像的边缘区域,由于其灰度值差异较大,则显现出的效果越明显。

1.2 形态学操作

形态学即数学形态学,是一种非线性滤波方法,由Serra和Matheron提出,是图像处理过程中非常重要的研究方向。其理论和方法在图像处理、模式识别、机械视觉等领域等都取得了成功的应用,可用来解决特征提取、边缘检测、形状识别等图象处理问题。形态学的基本思想是使用特定形状的结构元素对目标图像中的对应形状来滤除不相干的结构特征,保存相似的集合特征,以达到图像分析和识别的目的[14]。它包括腐蚀运算、膨胀运算、黑帽运算、形态梯度运算等。

图1 膨胀运算实例

1.3 图像运算与图像轮廓

图像的加法运算、位运算是基础的图像运算,在基础运算的操作下可以完成更多复杂的图像处理功能,比如图像的叠加、调亮色、捕捉运动图像的轨迹等。逻辑运算是图像处理中常用的一种重要的运算方式,其或逻辑运算的规则是当两个逻辑值中有一个为真时结果就为真,其过程可以类比于物理学中所使用的并联电路。

图像轮廓是指具有相同颜色(在彩色图像中)或相同强度的连续的点构成的曲线,它可以用于形状分析以及对象检测和识别。一个轮廓对应一系列的点,根据这些点绘制出的曲线可以获取某个图像的大小、位置、方向等信息。利用图像轮廓勾勒出轮廓并在约束条件的作用下进行填充成背景色能达到消除噪声的作用。相对于滤波处理易破坏图像的细节使图像变得模糊外,此方法处理噪声能保护图像边缘像素的前提有效消除噪声干扰,确保图像的清晰度,具有较好的适用性。

2 裂缝识别的处理

2.1 实验图像

实验原型为榆林市神木县北部神东矿区12401工作面,煤层采厚为9.26m,倾角5°,用相似模拟实验模拟工作面等距推进过程中,受采动强度影响覆岩裂隙演化情况。根据神东矿区钻孔地层资料分析,确定工作面煤层关键层位以及相似常数,进一步选取相似模拟实验骨料,相似材料配比有:河砂、碳酸钙、石膏、云母片。模型选择二维平面实验装置上进行实验,平面模型长宽高尺寸为2000mm×300mm×750mm,几何相似比为1∶250,容重比为1∶1.6,相似系数为1∶400。模型按设计要求逐层铺设完成自然风干之后,沿工作面从左至右的方向进行开采。

2.2 基于TS算法的裂缝识别

对于单一的TS算法首先设置参数以单通道即灰度读取图片,然后对灰度图片使用固定阈值方法threshold()方法进行二值化识别。其识别效果如图2所示,图中所分割出的黑色部分即为所需的采动影响下覆岩产生的裂缝,白色部分为分割背景。

图2 单TS算法裂缝识别图

从识别效果图中可直观地看出固定阈值方法能较好的识别出覆岩上层出现的离层空间或者接近采空区的有区域型特征的裂缝,但对于中间压实裂隙区的微小或不连续的裂缝未能识别出来。原因是使用该方法进行分割时只是人为的设置一个固定的阈值参数(一般设置为灰度值的中间值或中间值附近的值如‘127’)。对于上述图片中的出现的离层空间或者接近采空区的块状裂缝,其区域内像素点的灰度值接近‘0’,即黑色,在进行二值化划分时该块状区域内的像素点直接被处理为裂缝。若设置的阈值T过小则图像进行分割时易出现噪声,导致分辨不出区域某些区域是裂缝还是噪声,而影响后续的规律分析。

2.3 基于ATS算法的裂缝识别

单一的ATS算法首先设置参数以单通道即灰度读取图片,然后对灰度化图片使用自适应阈值分割法adaptiveThreshold()进行二值化识别。其中自适应计算方法的参数选择ADAPTIVE_THRESH_GAUSSIAN_C高斯加权和,其识别效果如图3所示。

图3 单ATS算法裂缝识别图

图4 采动裂缝识别技术路线图

从分割图中可直观地看出,自适应阈值分割法的效果图多为细小裂缝或块状裂缝的边缘,尤其是压实裂隙区效果较为明显。原因是使用该方法进行分割时会自适应的计算阈值。对于上述图像中的离层空间或者接近采空区的有区域型特征的裂缝,在区域内像素的灰度值基本不变,计算加权平均值时也基本不变;对于压实裂隙区的细小裂缝或区域型的边缘裂缝,由于处于灰度值差异较大的区域边界在进行加权平均计算时变化较大进而该像素点的灰度值会较大,在实验效果图上表现为裂缝。从上述识别图中亦可知,自适应识别方法保留了更多处于压实裂隙区、采空边缘区以及离层边缘区的细节信息。

2.4 基于ATS和TS融合算法的裂缝识别

通对比图2、图3可直观的看出,若仅使用单一的阈值识别法处理图像,会丢失大量的特征信息,而若仅使用自适应的识别法能保留更多的细节信息但会丢失大量的特征信息,因此本文结合两种分割法的优点及其它的图像操作进行二值化。本文的方法分别自定义了识别细小裂缝的方法、较大裂缝的方法及去噪的方法。对于去噪本文选择利用图像轮廓中填充背景色的方式,该去噪的方法优势在于它是在不影响裂缝区域的前提下直利用颜色背景进行的填充,不会像高斯滤波、均值滤波等滤波方法使得去噪后的图像变的模糊。

该融合算对于微小裂缝进行参数设置采用自适应方法进行分割,由于分割后的细小裂缝处可能会出现缺失或断裂的情况,因此在自适应阈值后采用形态学进行膨胀处理;对于块状裂缝受影响程度较小采用固定阈值法进行;对于最终得到的两种裂缝采用或逻辑进行合并并结合图像轮廓对合并后的图像进行背景填充以消除孔洞和噪声。其整体的流程图如4所示。该组合法在很大程度上简化操作步骤、减小图像占用存储空间且提高了目标的准确性使目标更加清晰,其识别效果如图5所示。从识别效果图及表1可知该融合算法在压实裂隙区以及离层空间、离层裂隙区及垮落裂隙区的块状特征的裂缝分割效果较好。

表1 不同识别算法结果统计

图5 ATS和TS融合算法图

2.5 识别精度分析

为了更进一步验证算法的有效性,本文在实验模型铺设完成后在其表面贴三个大小相同识别控制点(面积为0.570581920cm2),以便于统计每种识别方法的中识别控制点的像素数(如上述识别图中所标注出的识别控制点1、2、3)。对于识别后的图像利用PS中的直方图统计出各个分割方法的像素数,并计算每个小黑块的面积,然后取其平均值作为该方法的评价标准。其结果见表1。

表1分别对二值化后的识别控制点1、2、3进行面积统计,其中固定阈值分割方法识别控制点的平均面积为0.453406130cm2;自适应阈值分割方法识别控制点平均面积为0.196752477cm2;综合分割方法识别控制点平均面积为0.536175831cm2,三种分割方法裂缝识别率(识别控制点平均面积s与识别控制点实际面积S比值)分别是34.41%、79.31%、93. 97%。从上述数据可知,本文的综合算法是三种分割方法中识别精度较高的方法。

固定阈值方法的优势在于能完整地识别出覆岩岩层的垮落裂隙带以及离层空腔的较大的块状型裂缝,ATS自适应方法的优势在于识别压实裂隙区的微小裂缝。识别效果图2可以看出该图像对于相对较大、有区域型的裂缝二值化效果较好,但不能同时兼顾压实裂隙区的细小裂缝。识别图3可以看出对于压实区的细小裂缝能较好的提取出来,但对于垮落裂隙区有块状特征或有区域型的较大的裂缝其只能识别裂缝的大致轮廓,因为该轮廓内像素的灰度值基本不变,计算加权平均值时均值也基本不变,进行二值化后只能显示出大致轮廓。识别效果图5可以看出压实裂隙区的细小裂缝也能很好的分割出,且离层裂隙区、采空区的裂缝也能完整的分割。

本文的综合分割方法融合了自适应分割方法识别覆岩压实裂隙区细小裂缝以及固定阈值分割方法识别垮落裂隙区的块状裂缝的特点,并结合形态学和图像轮廓等一系列操作来进行去噪,提高了细小裂缝及块状特征的裂缝提取,为后续研究裂缝的时空演化规律做了良好的铺垫,具有良好的研究价值和应用场景。

3 结论

(1) 针对文中几种识别法存在的分割精度不足的问题,基于图像分割理论、形态学理论等综合理论提出一种能有效提取压实裂隙区的细小裂缝、离层空间以及垮落裂隙区的块状型裂缝的灰度差异的自动识别方法。

(2) 采用裂缝识别率对分割算法进行评价,其中固定阈值分割法、自适应分割法以及融合分割法所识别出的裂缝率分别为34.41%、79.31%,而本文的裂缝识别率超过90%,从而进一步证明本文的融合算法识别效率更高。该实验数据表明本文的融合算法可更好的分割图像中的目标前景与背景,能有效地减少单一分割算方法中出现的精度欠缺问题且该融合算法进一步提高裂缝识别的准确率与裂缝提取的完整性,为后续进行裂缝的统计分析奠定基础且为不同背景下采动裂缝识别提供了一种新的识别思路。