張夢(mèng)原，陳俊智

(昆明理工大學(xué) 國(guó)土資源工程學(xué)院，云南 昆明 650093)

0 引言

結(jié)構(gòu)面是巖體中具有一定方向、厚度較小、延展較大的二維面狀地質(zhì)界面，結(jié)構(gòu)面的特征在很大程度上決定了巖體的力學(xué)性質(zhì)，所以對(duì)于巖體結(jié)構(gòu)面信息的識(shí)別是研究巖體結(jié)構(gòu)面的一個(gè)重要方面。

對(duì)于結(jié)構(gòu)面信息的獲取，以往常利用地質(zhì)羅盤、皮尺等地質(zhì)測(cè)量工具人工在結(jié)構(gòu)面上進(jìn)行精確測(cè)量，主要有測(cè)窗法和測(cè)線法[1]。然而這種測(cè)量方法存在工作量大、耗時(shí)長(zhǎng)、未支護(hù)的巖體露出面在現(xiàn)場(chǎng)測(cè)量時(shí)比較危險(xiǎn)等問題。為解決這些問題，近年來近景攝影測(cè)量[2]被越來越多地用于巖土工程的非接觸式地質(zhì)調(diào)查。采用近景攝影測(cè)量的方式對(duì)結(jié)構(gòu)面進(jìn)行產(chǎn)狀調(diào)查，可從巖體露出面的圖像中檢測(cè)巖體的裂隙跡線。國(guó)內(nèi)外學(xué)者在巖體裂隙跡線的檢測(cè)和識(shí)別方面做了很多工作：DEB等[3]采用霍夫變換進(jìn)行了巖體結(jié)構(gòu)面檢測(cè)；REID等[4]利用軟件對(duì)結(jié)構(gòu)面圖像進(jìn)行處理后，采用像素連接的方式進(jìn)行了結(jié)構(gòu)面跡線檢測(cè)；CINAR等[5]利用數(shù)字圖像的相關(guān)性質(zhì)進(jìn)行了結(jié)構(gòu)面裂隙檢測(cè)；WANG等[6]采用Canny算子進(jìn)行了裂隙檢測(cè)，并用SVM技術(shù)對(duì)巖石裂隙進(jìn)行了模式識(shí)別；況杰等[7]利用正確的結(jié)構(gòu)面信息和非結(jié)構(gòu)面噪聲之間的特定差異，將非結(jié)構(gòu)面噪聲去除，對(duì)結(jié)構(gòu)面跡線進(jìn)行了識(shí)別和檢測(cè)；郭立錢等[8]采用基于線特征檢測(cè)和SVM技術(shù)的方法進(jìn)行了跡線檢測(cè)和識(shí)別。

巖體結(jié)構(gòu)面跡線檢測(cè)與識(shí)別的原理可視為對(duì)結(jié)構(gòu)面圖像實(shí)施邊緣檢測(cè)。結(jié)構(gòu)面的圖像構(gòu)成中，邊緣其實(shí)是圖像的灰度值產(chǎn)生突變的像素點(diǎn)集合，其中包含了大量且關(guān)鍵的數(shù)字圖像信息，提取邊緣就能將需要的圖像信息提取出來[9]。上述方法對(duì)于結(jié)構(gòu)面數(shù)量少的圖像，檢測(cè)效果較好，但是在結(jié)構(gòu)面錯(cuò)綜復(fù)雜且結(jié)構(gòu)面數(shù)量較多的情況下，邊緣檢測(cè)的結(jié)果會(huì)包含大量的非結(jié)構(gòu)面噪聲，而一般的去噪措施很難將其濾除，從而導(dǎo)致結(jié)構(gòu)面跡線檢測(cè)效果較差。

本文使用數(shù)碼相機(jī)獲取巖體結(jié)構(gòu)面露頭圖像，并以此為研究對(duì)象，確定了一種通過數(shù)字圖像處理技術(shù)獲得巖體結(jié)構(gòu)面跡線的方法。該方法首先通過MATLAB軟件對(duì)巖體露頭面進(jìn)行預(yù)處理即灰度化處理；然后對(duì)灰度化的圖像進(jìn)行特征過濾，濾除非結(jié)構(gòu)面噪聲，確定感興趣區(qū)域從而提取出結(jié)構(gòu)面跡線較為清晰的區(qū)域；最后利用線分段連接的方法對(duì)感興趣區(qū)域進(jìn)行直線檢測(cè)進(jìn)而得到結(jié)構(gòu)面跡線。

1 基本原理

本研究主要基于兩大基本原理，即圖像的邊緣檢測(cè)和概率霍夫直線檢測(cè)，這兩個(gè)原理是進(jìn)行結(jié)構(gòu)面跡線檢測(cè)、識(shí)別工作的基礎(chǔ)。

a.邊緣檢測(cè)。在灰度圖像中，邊緣其實(shí)是部分?jǐn)?shù)量點(diǎn)的亮度產(chǎn)生不同變化的地方，邊緣檢測(cè)的原理是計(jì)算亮度變化的導(dǎo)數(shù)，利用MATLAB計(jì)算其一階或二階導(dǎo)數(shù)，并設(shè)定閾值，最后提取邊緣，從而實(shí)現(xiàn)邊緣檢測(cè)[7]。

b.概率霍夫直線檢測(cè)。在直線檢測(cè)中，標(biāo)準(zhǔn)霍夫變換要求處理m個(gè)邊緣點(diǎn)，如在圖像中隨機(jī)選取n(n

2 巖體結(jié)構(gòu)面識(shí)別流程

2.1 圖像預(yù)處理

受數(shù)碼相機(jī)拍攝位置、拍攝方法和現(xiàn)場(chǎng)環(huán)境等條件的限制，拍攝的結(jié)構(gòu)面圖像質(zhì)量不夠高，這就需要對(duì)巖體露頭面影像進(jìn)行預(yù)處理。正常的預(yù)處理操作包括灰度化圖像、圖像濾波、增強(qiáng)圖像等。通過對(duì)照片的預(yù)處理可以提高照片的質(zhì)量，為后續(xù)的結(jié)構(gòu)面跡線檢測(cè)打下基礎(chǔ)。經(jīng)預(yù)處理后的圖像如圖1、圖2所示。

圖1 灰度化處理圖像Fig.1 Graying image

圖2 灰度化后增強(qiáng)圖像Fig.2 Enhancement of image after graying

2.2 感興趣區(qū)域(ROI)

感興趣區(qū)域是在原圖像的基礎(chǔ)上劃分圖像的主要部分和關(guān)鍵信息部分，然后對(duì)提取出的主要部分進(jìn)行分析。感興趣區(qū)域的確定可以通過兩種方式實(shí)現(xiàn)，其一為利用圖像分割技術(shù)提取，其二為從人眼的視覺特性出發(fā)，尋找特定的視覺敏感區(qū)域。本文通過MATLAB軟件編程并對(duì)圖像進(jìn)行分割處理，通過DrawRectangle函數(shù)創(chuàng)建一個(gè)Rectangle對(duì)象，并在當(dāng)前圖像上交互式繪制矩形感興趣區(qū)域。對(duì)拍攝的圖像進(jìn)行感興趣區(qū)域提取可以避免植被等因素的干擾而影響跡線檢測(cè)精度，盡可能減小誤差。感興趣區(qū)域如圖3所示。

圖3 感興趣區(qū)域圖像Fig.3 Image of the interested region

2.3 邊緣檢測(cè)和細(xì)化

對(duì)感興趣區(qū)域作二值化處理，得到巖體結(jié)構(gòu)面的二值化圖像，對(duì)其進(jìn)行邊緣檢測(cè)。邊緣檢測(cè)的算子有Canny算子、Sobel算子、Laplacian算子等。Canny算子[10]具有受噪聲影響較小、可利用雙閾值去除偽邊緣、邊緣檢測(cè)處理結(jié)果較連續(xù)等優(yōu)點(diǎn)，相較于其他算子，其檢測(cè)和識(shí)別結(jié)構(gòu)面的效果更好。邊緣檢測(cè)后得到的裂隙跡線為多個(gè)像素，為了方便獲取裂隙像素坐標(biāo)，通過bwmorph函數(shù)將裂隙跡線細(xì)化為單像素寬度[11-13]。本文采用Canny算子進(jìn)行邊緣檢測(cè)，效果見圖4。

圖4 Canny算子邊緣檢測(cè)圖Fig.4 Canny operator edge detection

2.4 概率霍夫直線檢測(cè)

概率霍夫變換是在標(biāo)準(zhǔn)霍夫變換的前提下對(duì)邊界點(diǎn)進(jìn)行隨機(jī)采樣，并在直線到原點(diǎn)的距離ρ和直線角度θ(0～π)所形成的累加器空間內(nèi)進(jìn)行篩選，達(dá)到規(guī)定的閾值則被視為直線[14-16]。概率霍夫變換的方法僅對(duì)部分邊界點(diǎn)進(jìn)行抽樣篩選，而標(biāo)準(zhǔn)霍夫變換的方法是對(duì)所有的邊界點(diǎn)進(jìn)行檢索，前者不僅節(jié)省了計(jì)算時(shí)間而且減少了計(jì)算步驟，消減了計(jì)算量。概率霍夫變換使用HoughLinesP函數(shù)進(jìn)行直線檢測(cè)[17-18]。

2.5 線分段及其連接

線分段像素連通分量圖如圖5所示。

圖5 線分段像素連通分量圖Fig.5 Connected component diagram of line segment pixel

圖5中，α為小尺度粗糙角，β為大尺度粗糙角，δ1、δ2、δ3、δ4為回溯角，A～D為端點(diǎn)像素，S為種子像素。

線分段連接的流程圖如圖6所示。

圖6 線分段連接流程圖Fig.6 Flowchart of line segmentation connection

3 應(yīng)用實(shí)例

本文以云南省玉溪市揚(yáng)武鎮(zhèn)自走鐵礦露天邊坡露頭結(jié)構(gòu)面圖像為研究對(duì)象，采用MATLAB軟件編程對(duì)圖像進(jìn)行灰度化處理、圖像濾波、感興趣區(qū)域選取、邊緣檢測(cè)等一系列操作，最后利用線分段連接的方法得到結(jié)構(gòu)面跡線。圖7為自走鐵礦露天邊坡的露頭面圖像，對(duì)其進(jìn)行邊緣檢測(cè)和細(xì)化處理后得到的結(jié)果如圖8所示。

圖7 巖體露頭面 圖8 邊緣檢測(cè)和細(xì)化后圖像Fig.7 Outcrop surface of rock mass Fig.8 Image after edge detection and refinement

經(jīng)過線分段連接處理得到的結(jié)構(gòu)面跡線如圖9所示，運(yùn)用概率霍夫直線檢測(cè)方法得到的結(jié)構(gòu)面跡線檢測(cè)結(jié)果如圖10所示，將二者與人工繪制的跡線圖(見圖11)進(jìn)行對(duì)比，結(jié)果如表1所示。分析表1可以得出以下結(jié)論：

圖9 線分段連接圖Fig.9 Line connection diagram

圖10 概率霍夫變換跡線檢測(cè)圖Fig.10 Trace detection diagram for probabilistic Hough transform

圖11 人工繪制跡線圖Fig.11 Manually drawn trace diagram

表1 裂隙跡線統(tǒng)計(jì)結(jié)果Table 1 Statistical results of fissure trace

a.跡線連接情況。通過線分段連接檢測(cè)出的結(jié)構(gòu)面跡線的準(zhǔn)確率為91%，與人工繪制出的跡線結(jié)果差別很小，跡線的長(zhǎng)度和位置基本符合真實(shí)情況，表明本文提出的線分段連接檢測(cè)方法可靠性較好。概率霍夫變換檢測(cè)出的結(jié)構(gòu)面跡線結(jié)果的準(zhǔn)確率為86%，這種方法容易將2條不同的跡線識(shí)別為1條跡線，一些稍短的跡線也識(shí)別不出來。

b.誤檢與漏檢。本文提出的線分段連接檢測(cè)方法可以有效地檢測(cè)出跡線，但存在誤檢與漏檢的情況，誤檢率約為3%，漏檢率約為9%，這是由于受拍攝角度、植被和廢石等因素的影響，圖像邊緣難以識(shí)別[19-21]，但相比概率霍夫變換檢測(cè)方法的誤檢率6%、漏檢率14%，顯然本文提出的方法更有優(yōu)勢(shì)。

c.連續(xù)性。本文提出的檢測(cè)方法得到的跡線較為完整、連續(xù)且位置準(zhǔn)確，而概率霍夫變換檢測(cè)方法得到的跡線連續(xù)性和完整性較差。

4 結(jié)論

本文提出了一種檢測(cè)識(shí)別結(jié)構(gòu)面跡線的新方法，即先對(duì)圖像進(jìn)行預(yù)處理、邊緣檢測(cè)等操作，然后通過線分段連接的方式將結(jié)構(gòu)面跡線連在一起，從而實(shí)現(xiàn)結(jié)構(gòu)面跡線的自動(dòng)檢測(cè)，為礦山調(diào)查結(jié)構(gòu)面產(chǎn)狀提供了一種較為便捷的方法。但是因受各種因素的影響，該方法還需要進(jìn)一步完善，包括提高跡線的完整性和準(zhǔn)確性等。