宋 越，高振記

(1.中國地質大學(武漢)國家地理信息系統(tǒng)工程技術研究中心，湖北 武漢 430074；2.中國地質調查局發(fā)展研究中心，北京 100037；3.自然資源部地質信息工程技術創(chuàng)新中心，北京 100037)

1 研究現(xiàn)狀

煤炭因其資源豐富，用途廣泛，是我國當前甚至未來較長時間內人們使用的主要礦產資源之一。然而煤系地層在長期地質作用下的特殊發(fā)育和復雜構造導致了煤礦勘查與科學有效地開采難度加大。結合現(xiàn)代計算機技術的快速發(fā)展，建立三維空間地質模型探究煤系地層真實的地質構造與空間分布是當前行之有效的方法之一?，F(xiàn)階段針對三維地質建模的數(shù)據(jù)模型及數(shù)據(jù)結構研究主要集中在基于面表示、基于體表示以及混合表示等方面的表達[1]。薛秀榮等[1]提出了多層TIN與四面體混合模型生成層狀地質體表征煤礦的建模算法，但針對復雜地質體僅簡單分析了斷層處理；王慶牛[2]系統(tǒng)研究了三維地質建模理論，結合煤系地層體信息的特點，探究了邊界表達模型與三角剖分在礦山地質建模中應用的可行性及面向煤礦應用的數(shù)據(jù)結構，但模型在表達地質體的細節(jié)方面還多有不足；劉斌[3]綜合利用TIN及TEN各自優(yōu)點進行建模，利用R2Delauny和R3Delauny實現(xiàn)剖分，但算法設計復雜，計算存儲量較大，應用范圍受到一定局限。綜上可見，大多研究集中于三維地質體建模、三維可視化的方法、存儲及效率提升等方面，針對建模后地質體模型表層的精細化真實感表達的研究相對較少。

俗話說“三分建模、七分貼圖”，貼圖效果可直接影響模型的精細化及真實表達，適宜的貼圖方法可以補充模型結構上的不足，節(jié)省建模流程中繁瑣步驟，協(xié)助建模流暢進行[4]。要實現(xiàn)精細化真實感表達首先需要考慮貼圖紋理，目前大多數(shù)三維地質模型采用顏色標識來區(qū)分地質體，這種方式僅能實現(xiàn)基本地層劃分，難以真實反映地質體結構發(fā)育特點。另一部分疊加顏色與花紋共同表征地質時代和巖性特征，雖能表達一部分地質體信息，但沒有統(tǒng)一的標準樣本庫，顏色相近的地質時代容易混淆。一方面為了增加模型真實感，也存在采用拉大、縮小處理后的巖石照片組合邊界接縫的方式貼圖，但極易出現(xiàn)照片邊界不連續(xù)、局部馬賽克、紋理變形等大面積的結構失真[5]。另一方面需解決地質體貼圖面對的復雜技術問題，蘭一麟濤等[6]基于OpenGL等平臺采用紋理映射方式在一定程度上提高了三維模型真實感，縮短了渲染時間，但需逐一手動增加存儲紋理數(shù)據(jù)的紋理對象。陳新等[7]采用ICP算法傾斜攝影、街拍取景三維模型、紋理自動映射的融合技術解決了傾斜攝影近地面數(shù)據(jù)模型結構失真紋理貼圖分辨率低的問題，這對應用于外景建筑物等規(guī)則物體的效果較好。柏文等[8]提出了關于法線貼圖的方向、空間、色值計算三個方面的原理與計算，采用PS繪制法初步探討法線貼圖效果，這種方式僅適用于表面構成較為簡單、規(guī)律的情況?？梢娰N圖技術在工程、建筑物以及游戲人物等方面得到較好的應用，目前應用于三維煤層地質體貼圖研究還未見到，但是地質體與建筑物、游戲人物等均屬于外部貼圖，具備一定相似性。綜上要實現(xiàn)三維地質體貼圖真實感完美呈現(xiàn)，首先需具備統(tǒng)一、完好的紋理樣本；其次質量較好，網格精細的地質體模型是貼圖過程中的工作基礎；最后針對復雜地質體建模方法有很多，選擇可結合貼圖方法是需要考慮的問題之一，此外可實現(xiàn)精細化真實感表達的復雜貼圖技術問題是本文的重點。

因此，本文以煤系地層建模及精細化表達為研究對象，建立基于機器學習可擴充的紋理樣本庫范例為建模貼圖基礎，選擇適用于煤系地層的建模方法及精細化貼圖算法，實現(xiàn)煤系地層復雜地質體的真實體現(xiàn)，為今后標準化三維地質體建模貼圖的一體化過程、礦山科學化開采、煤層結構詳細分析提供技術支持。

2 關鍵算法的設計

本實驗進行了貼圖紋理庫與貼圖技術的一體化研究，整體的技術流程如圖1所示。首先采用機器學習的技術方法將分別代表地質體的地質年代與花紋進行有效的歸屬分類，設計基于機器學習的紋理樣本庫范例，其次采用Delaunay三角剖分技術展開三維地質體建模構建高細節(jié)的煤層地質體模型，通過渲染器進行切線空間法線貼圖的方式進行貼圖實驗。

圖1 總體技術流程Fig.1 Overall technical process

2.1 基于機器學習的實驗設計

近年來，地質行業(yè)涉及的紋理大多來自一些建模軟件，紋理樣式單一，類型稀少，缺乏標準化的地質紋理樣本庫，本文的紋理庫以經典紋理樣本為范例，可為今后地質紋理庫設計提供了一套基于機器學習，實現(xiàn)紋理與圖片網絡自動抓取、圖像預處理、識別特征、循環(huán)擴充紋理庫的新思路與方法。

從抽象紋理(顏色+花紋，圖2(a))與形象紋理(實景照片，圖2(b))兩個方面創(chuàng)建紋理庫。一種為建立標準化的地層顏色+巖性花紋的抽象紋理可直接表征地質體的地質年代與巖性，通過對地質體屬性分析，選取合理符號，結合顏色信息建立對應的紋理圖案；另一種為實景照片的形象紋理。

圖2 紋理樣本Fig.2 Texture sample

本文采用卷積神經網絡改進的細粒度Bilinear-CNN模型與LBP特征提取構建形成圖像識別模型，人工建立含少量紋理樣本的紋理庫作為機器學習圖像訓練的基礎，選取1 000張巖性圖像進行實驗，其中850張圖像作為驗證數(shù)據(jù)集，150張圖像作為訓練數(shù)據(jù)集，通過紋理樣本不斷訓練、學習、驗證得到訓練后模型[9-11]。另外，采用網絡抓取技術，抓取巖石、紋理圖像，并對抓取圖片進行篩選及預處理工作[12-13]。對于分辨率較低、模糊不清、花紋排布不合理的紋理圖像直接剔除，篩選得到優(yōu)質的紋理圖像，圖像進行圖像增強、消噪、分割等工作從而得到質量提升后的圖像，將處理后的圖像進入訓練后的模型進行識別，得到顏色特征、花紋特征等識別特征分類，分別檢測與識別紋理樣本的地質年代與煤質特點，對地質體紋理樣本庫進行補充和拓展(圖3)。

2.2 建模算法設計

通過研究發(fā)現(xiàn)Delaunay三角剖分是現(xiàn)階段應用于三維地質體建模的一種較為成熟的方法之一，采用逐點插入法對鉆孔數(shù)據(jù)、煤層等高線數(shù)據(jù)、剖面圖數(shù)據(jù)等煤層數(shù)據(jù)進行建模。

圖3 紋理樣本庫建立流程Fig.3 The process of establishing texture-sampled image database

2.2.1 建立凸包

本文采用基于四個極值點的快速凸包算法[14-15]，具體步驟如下所述。

1) 搜尋所有點值信息，篩選得到X、Y的極值點，若出現(xiàn)多個極值點，則尋找Xmax對應范圍內的Ymax，Ymax對應范圍內的Xmax，最小值也按此規(guī)則執(zhí)行，可找到4個極值點。

2) 將4個極值點首尾相連構建形成初始凸包。

3) 以初始凸包一條邊為例，找到該邊左側離散點中相距最遠的一點，將其作為凸包點參與凸包邊界的重構，以此為規(guī)則對其他各邊進行相同判斷操作，直至左側不存在點，最終生成凸包。

2.2.2 Delaunay三角剖分

1) 任取凸包范圍內一點與各凸包點連接，生成若干三角網。

2) 隨機選取凸包內任意一點，逐一插入除凸包點外的其余各點，得到三角形。將點與該三角形的頂點相連，生成3個三角形，更新點、邊、三角形相互之間的拓撲關系，局部優(yōu)化新生成的三角形，持續(xù)插入各點至所有點完成。

2.2.3 三角形定位

1) 插入各點過程中需要判斷該點的位置，至成功定位到包含它的三角形T。設置一點P0，連接P0點與三角形T的頂點，生成3個新的三角形，此時更新點、邊、三角形之間的拓撲關系，將T作為下一插入點三角形定位的起始三角形。

2) 插入新點的過程中，判斷三角形定位是否在T內，若定位在三角形T內，定位至最小單元；若不在T內，繼續(xù)搜索比T更大范圍的單元，層層查詢至定位成功，若最大單元無查詢結果，則轉換初始三角形，逐層向下查詢至定位成功。

2.2.4 LOP算法優(yōu)化

逐個對新三角形進行空外接圓檢測，通過對角線交換的方法進行LOP優(yōu)化。當所有點都插入后，三角網建成。

2.3 切線空間法線貼圖算法設計

切線空間法線貼圖應用較廣泛，既可以適用于不變形的模型，也可以適用于變形較嚴重的模型。使用切線法線貼圖時，將已準備完成的低模與高模導入同一個場景，找準高模與低模對應的接觸面，對應轉換法線坐標。將各頂點的法線向量信息存儲于RGB通道以此保存地質體的法線信息。法線貼圖中保存的紋理數(shù)據(jù)將被傳輸?shù)街髦羞M行解析，高模模型空間坐標系中頂點的法線向量通過乘以轉換矩陣即可獲取在切線空間坐標系中的法線向量，再將得到的法線向量映射到紋理的RGB空間，映射過程根據(jù)實際情況調節(jié)和設置取值范圍，保證高模覆蓋低模的法線貼圖，最終得到貼圖模型[16]。此外使用切線法線貼圖時還需注意檢查低模切線空間坐標系與高模坐標系的一致性；在生成法線貼圖的過程中，找準高模與低模對應的接觸面。

2.4 邊界圖像融合技術

在三維地質體貼圖實驗過程中發(fā)現(xiàn)地質體由于面積較大而存在紋理重復貼圖的現(xiàn)象，這種紋理不間斷重復貼圖極易造成紋理單元之間接縫不自然、縫隙過大及過渡異常等問題。已有研究發(fā)現(xiàn)無縫貼圖處理方法是解決縫隙銜接的有效技術之一，通過多個貼圖方向延伸不間斷重復至模型的過程，可實現(xiàn)縫隙過大的情況得以消失。此外針對紋理過渡不自然的情況，可通過調整和修正接縫平滑項函數(shù)及系列平移操作，消除紋理之間接縫及幾何不連續(xù)[17]。

3 結果分析

3.1 基于機器學習的紋理樣本庫的訓練過程與仿真結果

本文利用Epochs的訓練方式對卷積神經網絡模型進行訓練和學習，對不同批次的參數(shù)進行整理與分析，以梯度下降的算法促進參數(shù)不斷收斂，最后統(tǒng)一更新模型參數(shù)。數(shù)據(jù)集訓練循環(huán)次數(shù)統(tǒng)一設置為50(表1)。經過試驗得出20次訓練結果的準確率達到0.000 3，滿足了實驗需要。

表1 訓練學習準確率Table 1 The accuracy of this model verification

通過網絡抓取手段獲取得到的巖性圖像經過預處理等工作后作為數(shù)據(jù)集進行保存，將處理后的圖像輸入訓練后的卷積神經網絡模型中進行識別，得到識別結果后補充紋理樣本庫。結果顯示這種融合卷積神經網絡和LBP局部特征提取的模型在巖性圖像細粒度上及準確率方面均有較大提升，平均類別準確率可達81.25%。

3.2 三角剖分

借助三維礦業(yè)軟件建立簡單三維模型(圖4)，可見傳統(tǒng)建模的網格模型整體質量較差，結構簡單且三角片較狹長，缺乏真實感。通過對比發(fā)現(xiàn)本文采用的Delaunay三角剖分建立的簡單模型在網格模型質量及精細度方面得到較大提升，消除了傳統(tǒng)模型上的狹長三角片，保證了頂點均勻分布且三角片更加規(guī)則，可見三角剖分建模效果明顯優(yōu)于傳統(tǒng)建模方式。

3.3 切線法向量貼圖的應用

基于同一三維地質體，通過研究傳統(tǒng)顏色渲染與切線空間法線貼圖效果進行試驗對比，可以發(fā)現(xiàn)傳統(tǒng)顏色渲染效果體現(xiàn)地質體的真實感較差，在地質體層面曲率較大的部位進行紋理貼圖時常常出現(xiàn)高度扭曲，采用傳統(tǒng)紋理貼圖也存在紋理間不連續(xù)以及邊界縫隙明顯等情況，這種傳統(tǒng)貼圖方式僅在需求不高的常規(guī)地質體上粗略表達地質體信息。本文采用的切線空間法線貼圖方法真實模擬了三維地質體的地下巖層及構造狀態(tài)，以Delaunay三角剖分建模手段解決了復雜地質體不同曲面問題，輔以切線法線貼圖方法真實實現(xiàn)了模型的精細化表達，極大提高模型真實感的同時使模型更加精細美觀(圖5)。

3.4 邊界縫隙應用

針對貼圖過程中紋理單元之間出現(xiàn)的接邊縫隙，引入局部色彩段匹配的方法對紋理單元的局部平移量與顏色補償量進行計算與分析[19]。根據(jù)紋理之間的匹配數(shù)據(jù)得到錯位信息，再對其接縫處的對應的紋理顏色進行拾取與補償。通過實驗發(fā)現(xiàn)，紋理單元之間縫隙得到有效消除，保證了紋理單元間的平滑過渡(圖6)。

圖4 傳統(tǒng)模型與Delaunay三角剖分模型示意圖Fig.4 The schematic diagram of comparison between traditional model and Delaunay triangulation model

圖5 煤系地層三維地質體貼圖效果對比Fig.5 Comparison of mapping design effect of three-dimensional geological body of coal measure strata

圖6 圖像融合前后變化對比Fig.6 Comparison of before and after changes in image fusion

4 結 論

1) 探索了一套基于卷積神經網絡融合LBP局部特征提取的紋理庫特征識別模型、樣本特征提取訓練、網絡素材抓取及訓練后樣本庫識別分類于一體的紋理庫擴充的技術方法，為紋理庫的不間斷擴充提供了新思路。

2) 提出了一種綜合了三角剖分技術的三維地質體建模方法、法線貼圖及圖像融合等多種技術有機結合的貼圖研究方法。該方法可有效提高紋理貼圖真實感、完全規(guī)避了貼圖瑕疵大問題，為今后關于三維地質體紋理貼圖表現(xiàn)力技術方法的仿真性、真實性、美觀度的研究提供可參考的理論方法。