APP下载

图像处理技术在裂隙检测技术中的应用

2023-11-10鲁海峰周志伟和著豪

河南科技 2023年20期
关键词:二值像素点图像处理

王 婷 鲁海峰 周志伟 和著豪

(安徽理工大学,安徽 淮南 232000)

0 引言

由于建筑工程、交通、能源开采、水电等工程的开展都依赖对地下空间的开发和利用,因此需要在不同埋深的岩层中进行工程建设[1]。工程所需的施工方法和防护措施在很大程度上由岩体的力学性质决定,而岩体内部由各种经过各种形变和破坏的岩石组成,存在片理、褶皱和节理等地质界面。将一些延展性大、厚度小的二维地质界面统称为结构面。裂隙是结构面的主要存在形式,其在岩体中的形态变化复杂,是影响工程岩体质量与稳定性的重要因素之一[2]。

科研人员一直对如何真实高效地获取具有代表性的岩体结构面裂隙信息进行研究。目前,对岩体裂隙的野外调查与现场测量仍以人工测量为主,但人工测量存在工作效率较低、易受自然条件影响、具有较大的随机误差等问题。随着现代数字图像识别分析技术及数码摄影的发展,为裂隙识别提供一种新途径,其不仅能迅速、高效地将岩体参数提取出来,还可扩大测量范围[3]。马淑芝等[4]通过检测裂缝预期区域和裂缝骨架化,得到裂缝总长度,并换算出平均裂缝宽度。

本研究在对岩土体裂隙特征研究的基础上,利用计算机数字图像处理技术对图像进行处理、加工,并对数据进行分析,从而获得工程试验所需的信息。采用数字图像技术可方便快捷地获取岩体表层裂隙的参数信息,不仅能提高数据获取效率,降低试验成本,还能大大降低工作人员的现场工作量,并极大地丰富了岩体图像信息,为后续各种裂隙工程试验提供数据支撑[5]。计算机图像处理技术在岩体工程的实际应用中具有重要参考价值。

1 图像处理技术

图像处理技术(Image Processing Technology)是指通过计算机对图像进行灰度化、对比度增强、图像分割、二值化、二值化滤波去噪、提取特征等,从而得到所需信息。在图像处理技术发展初期,主要是为了提高图像的清晰度,改善视觉效果。现在的图像处理技术不再局限于改善视觉效果,而是通过像素点计算处理方式[6],对目标图像进行识别提取,从而获取所需信息。这一技术被广泛应用于岩体结构面裂隙的检测中,通过“人机交互”来对数字设备拍摄获取到的岩体裂隙图像进行处理,从而减轻检测者的工作量,能更易获得结构面中裂隙信息,具有处理效果好、还原度高、处理内容图样等优点。因此,图像处理技术具有以下特点。①精度高。在图像处理过程中,主要对像素点进行处理,且不会因像素的位数及数组矩阵的大小使图像精度在处理过程中发生改变。②再现性好。图像在转化为数字图像后,主要以数组或数组集合的形式进行存储。在计算机内部以数据流形式进行传输,故不存在图像质量退化问题,具有良好的再现性。③灵活性强。在图像处理过程中,图像的重建、清晰度增强、目标识别及数据分析为图像处理的主要部分。通过改变处理图像的计算程序,可实现各种逻辑运算、数学公式的表达。④通用性。无论是可见光图像,还是由不可见光得到的波谱图像,针对不同的图像信息源,尽管生成这些图像的设备规模和精度有所不同,但通过图像处理技术数字化处理后,都可用计算机进行同样的处理[7]。

2 裂隙检测实现过程

2.1 图像采集分析

高质量图像是岩体表层裂隙识别的必要前提。要处理的岩体裂隙图像质量越高,裂隙位置的识别与参数获取的精确度也越高[8]。由图像采集单元来完成对原始图像的收集。在无外界环境干扰且光源稳定的前提下,使用高清摄像机对目标岩体结构面进行拍摄,再将图像上传到计算机中,如图1 所示。通过图像采集卡来完成数字图像的转换,初步完成图像去噪操作,加强裂隙表征特征[9]。获得的岩体结构面图像应具有轮廓清晰、纹理明确的特点,且具有良好的图像分辨率与对比度。

图1 图像采集分析过程

2.2 图像预处理

2.2.1 灰度化。在岩体裂隙识别过程中,不同地质结构呈现不同特征颜色,但在实际裂隙检测过程中,岩体颜色并不是要关注的重要因素,而通过灰度图像信息即可实现对裂隙的识别,且对计算机来说,图像是由若干个像素点构成的,每个像素点的数值变化范围为0~255(共256 种)[10]。由于采集分析的图像通常为彩色,彩色图像数据信息具有1 677 216种,数据量庞大,因此为简化计算机要处理的数据量,提高运算速度,需要对图像进行灰度化处理[11]。灰度化处理前后的对比如图2所示。

图2 灰度化处理对比

2.2.2 对比度增强。对比度是指图像中像素点最大值与最小值的数值差异,即不同位置明暗度对比。经过灰度化处理的图像,颜色丧失,整体呈现灰色,通过灰度的深浅来区分不同部分。对比度越高,数字图像中不同位置的像素点数值差距就越大,亮暗对比就越明显[12]。由于岩体结构面中的土体颜色与裂隙颜色相近,且经过灰度化后的裂隙图像对比度较低,在后期二值化过程中无法将目标裂隙与土体进行分离。因此,通过增加图像的对比度可消除亮度不均匀的干扰,突出裂隙的主体特征,为图像进一步处理奠定基础。对比度增强如图3所示。

图3 对比度增强

2.2.3 阈值分割。在图像处理过程中,常采用阈值分割技术对图像进行分割。根据图像灰度变换特点,本研究采用迭代法从灰度阈值范围中计算出合适的阈值,从而实现裂隙与背景图像的分离[13]。迭代法又被称为基本全局阈值法[14],其基本思路如下。

①使用图像处理技术扫描全部像素点,初始灰度阈值M0的表示见式(1)。

式中:M0为初始灰度分割阈值;Imin为获取的灰度的最小值;Imax为获取的灰度的最大值。

②根据M0将图像分为裂隙和背景两部分,并计算两部分的平均灰度I0和I1,从而得到新的阈值M1,见式(2)。

式中:I0为裂隙部分的灰度均值;I1为背景部分的灰度均值。

③不断重复步骤①和步骤②,当I0与I1不再改变时,求得的M*为最佳阈值。

将获得的最佳阈值与图像中所有像素点逐一对比,完成对像素点的划分,从而实现对图像的分割。假设原始图像为α(x,y),经过阈值分割后的图像为b(x,y)。当图像的像素大于或等于M*时,转换为裂隙目标的像素“1”;当图像的像素小于M*时,转换为背景区域的像素“0”。相关计算见式(3)[15]。

式中:M*为迭代后的最佳分割阈值。

2.2.4 二值化。二值化可进一步去除图像中微小元素的干扰,增强裂隙图像的特征轮廓,使裂隙的形态特征更加容易分辨,从而提高计算机图像处理效率,为后续目标裂隙的检测提供技术支撑。二值化图像主要是通过控制像素点的大小来实现的,所有图像中的点由“0”(黑色)与“1”(白色)构成的矩阵来表示,整体呈现出黑白分明的效果[16]。二值图像矩阵如图4所示。

图4 二值图像矩阵

2.2.5 二值滤波去噪。由于岩体结构面信息复杂多样,二值化后的裂隙图像存在噪声干扰,而滤波去噪是图像处理技术中常用的去除干扰手段之一。因此,可采用二值滤波去噪技术扫描图像中所有像素点,以特定频率来去除突出干扰部分,能更好地保留裂隙的细节特征,从而实现岩体裂隙的识别过程中图像的处理。二值滤波去噪如图5所示。

图5 二值滤波去噪

3 裂隙识别及参数获取

3.1 迹线连接

采集到的图像受光照或裂隙表层岩土覆盖的影响,可能会导致部分裂隙的像素值与岩体表层的像素值接近,在进行图像分割时,导致二值化图像中的裂隙发生断裂,从而无法获得准确的裂隙参数[17]。因此,为了更加精准地完成裂隙检测,本研究将待缝合的裂隙按两两一组进行划分,从而完成多个断裂裂纹的合并[18]。取裂隙1 的右端点记为R(x,y)、裂纹2 的左端点记为L(x,y),通过两个端点值相减,来获取x、y方向上的差值,并根据两点间的线性关系来实现裂隙迹线的连接。迹线连接如图6所示。

图6 迹线连接

3.2 面裂隙率

岩体的面裂隙率是指单位面积岩体所包含的裂隙总长度,计算见式(4)。

式中:V为岩体的面裂隙率;L为图像中岩体裂隙的总长度;S为图像中岩土体的总面积。

通过图像处理技术获得二值化图像,裂隙为白色,整个背景为黑色。因此,白色部分在整个裂隙图像中所占百分比即为岩体的裂隙率[19]。

3 结语

本研究将图像处理技术应用于实际工程中,为简化岩体结构面裂隙识别提供帮助,并使工作人员在岩土体检测过程的安全得到保障,极大地推动裂隙识别工作的深入。首先,对图像处理技术的基础概念及特点进行总结概括,阐述了图像处理技术在地质灾害监测中的必要性。其次,对裂隙图像进行预处理,降低各种干扰因素的影响,凸显裂隙形态特征。最后,完成裂隙监测中迹线的识别与参数的获取,并探究岩体裂隙监测过程中图像处理技术的应用方式。

猜你喜欢

二值像素点图像处理
混沌伪随机二值序列的性能分析方法研究综述
支持CNN与LSTM的二值权重神经网络芯片
基于局部相似性的特征匹配筛选算法
基于图像处理的机器人精确抓取的设计与实现
基于二值形态学算子的轨道图像分割新算法
机器学习在图像处理中的应用
基于5×5邻域像素点相关性的划痕修复算法
基于canvas的前端数据加密
基于曲率局部二值模式的深度图像手势特征提取
基于逐像素点深度卷积网络分割模型的上皮和间质组织分割