周 震 王衛(wèi)星 王珊珊

（1.洛陽師范學(xué)院信息技術(shù)學(xué)院，河南 洛陽 471934；2.長安大學(xué)信息工程學(xué)院，陜西 西安 710064）

近年來，由于大規(guī)模的礦產(chǎn)資源開發(fā)，導(dǎo)致邊坡滑坡及隧道坍塌等自然災(zāi)害的頻發(fā)，嚴(yán)重影響了人們的生命財(cái)產(chǎn)安全，因此對于礦山的巖石工程研究具有重要意義。而巖石的穩(wěn)定性對于礦山災(zāi)害具有很大的影響。為了對礦山的巖石邊坡等安全進(jìn)行防護(hù)與管理，通過檢測礦山的巖石節(jié)理裂隙來判斷巖石邊坡的穩(wěn)定性，進(jìn)而可預(yù)防礦山的巖石工程災(zāi)害發(fā)生，此外，礦山中的爆破工程及鏟裝運(yùn)輸工程的優(yōu)化設(shè)計(jì)和安全生產(chǎn)也都與節(jié)理裂隙有關(guān)［1-4］。

節(jié)理裂隙是一種很常見的構(gòu)造地質(zhì)現(xiàn)象，也是一項(xiàng)非常重要的巖石物理性質(zhì)。它是由于巖石受力而出現(xiàn)的，但裂開面的兩側(cè)沒有發(fā)生明顯的（眼睛能看清楚的）位移。其存在于大多數(shù)巖體中，形成很多斷面，這不僅影響巖體的連續(xù)性和完整性，而且可能會(huì)使巖體變形或破碎，導(dǎo)致巖體裂隙發(fā)生變化，從而可能導(dǎo)致礦山邊坡坍塌提前發(fā)生［1-2］。因而在巖石工程應(yīng)用領(lǐng)域中，巖石節(jié)理裂隙檢測具有重要的現(xiàn)實(shí)意義。通常情況是通過測量和分析巖體節(jié)理裂隙的情況來判斷其危害程度，據(jù)此預(yù)測巖層裂隙的穩(wěn)定性，及時(shí)采取相應(yīng)的防護(hù)措施，從而防患于未然［3-4］。隨著圖像處理和識別技術(shù)的日新月異以及計(jì)算機(jī)行業(yè)的高速發(fā)展，如何應(yīng)用圖像自動(dòng)檢測技術(shù)識別巖石中的各種節(jié)理裂隙，準(zhǔn)確高效地獲得清晰的節(jié)理裂隙信息，對于精確預(yù)測地震的發(fā)生、山體崩塌、礦山安全以及巖石工程順利實(shí)施起著至關(guān)重要的作用［4］。

目前相對成熟的巖石節(jié)理裂隙提取的方法有基于支持向量機(jī)、基于統(tǒng)計(jì)模式識別和形態(tài)學(xué)等方法［5-7］。但由于巖石節(jié)理裂隙形狀復(fù)雜無規(guī)則，且?guī)r石表面粗糙給圖像帶來大量噪聲，利用傳統(tǒng)的提取方法很難達(dá)到預(yù)期效果，而且提取出的節(jié)理裂隙斷斷續(xù)續(xù)，連續(xù)性較差。為此，本文提出了一種基于節(jié)理裂隙走向和距離信息的巖石節(jié)理裂隙提取方法。首先對預(yù)處理的巖石圖像進(jìn)行初步分割，在提取出巖石節(jié)理裂隙的同時(shí)盡可能抑制噪聲。其次對初步分割后的節(jié)理裂隙進(jìn)行基于中軸變換的骨架提取。最后基于裂隙線段的走向和距離信息進(jìn)行間隙縫合。

1 基于分?jǐn)?shù)階微分的巖石節(jié)理裂隙圖像預(yù)處理

由于巖體表面粗糙，存在大量噪聲干擾，所以在分割之前，需要對巖石節(jié)理裂隙圖像進(jìn)行預(yù)處理［8-9］。本文主要采用分?jǐn)?shù)階微分進(jìn)行圖像增強(qiáng)［10-11］，使節(jié)理裂隙圖像邊緣更加突出、紋理細(xì)節(jié)更加清晰，同時(shí)去除大量噪聲，非線性地保留平滑區(qū)域的低頻信息。不過，最優(yōu)的分?jǐn)?shù)階微分階次一般通過人工實(shí)驗(yàn)指定，耗時(shí)且不智能，故本文采用一種基于G-L理論、圖像梯度和視覺特征的自適應(yīng)分?jǐn)?shù)階微分算法［11-12］。

該方法可以自適應(yīng)地調(diào)整不同灰度圖像和梯度特征的算子掩模系數(shù)，從而得到相應(yīng)的掩模模板，依次處理每個(gè)像素，并以灰度值、信息熵、平均梯度作為圖像紋理評價(jià)參數(shù)，對其進(jìn)行定量分析和實(shí)驗(yàn)驗(yàn)證。

關(guān)于分?jǐn)?shù)階微分，有多種定義。與其他定義相比，G-L定義在數(shù)值計(jì)算方面有著明顯的優(yōu)勢：

為了得到8個(gè)對稱方向上的分?jǐn)?shù)階微分，并使得其掩模具有旋轉(zhuǎn)不變性，分別取0，π 4，π 2，3π 4及其各自反方向上的分?jǐn)?shù)階微分掩模。同時(shí)為了避免模糊那些灰度值變化明顯的區(qū)域，降低計(jì)算復(fù)雜度，本文采用3×3模板來處理圖像f。

因此，自適應(yīng)分?jǐn)?shù)階微分可以使用不同的掩模算子對每個(gè)像素進(jìn)行濾波操作，不僅增強(qiáng)了灰度變化明顯區(qū)域中的像素信息，同時(shí)保留了平滑區(qū)域的信息，從而實(shí)現(xiàn)很好的圖像增強(qiáng)效果。

2 基于灰度信息的節(jié)理裂隙提取—圖像初步分割

圖像分割是指把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程，其算法主要包括基于閾值的方法、基于邊緣的方法和基于區(qū)域的方法。由于實(shí)現(xiàn)過程簡單直觀，基于閾值的方法在圖像分割中起著重要的作用，其中基于灰度直方圖的多閾值法和最大類間方差法由于其良好的分割結(jié)果［3，5］，計(jì)算簡單且應(yīng)用范圍廣，被廣泛應(yīng)用于圖像處理過程中。

本文首先對預(yù)處理后的圖像進(jìn)行Sobel邊界掃描，然后進(jìn)行采用基于二維直方圖的Otsu閾值分割算法，能夠充分利用圖像的邊緣信息和細(xì)節(jié)特征，使分割結(jié)果更加準(zhǔn)確，抗噪性好且簡單快速。其基本原理是：假定二維直方圖的橫坐標(biāo)表示中心像素的灰度級c(x,y)，縱坐標(biāo)表示像素鄰域的灰度梯度，即像素灰度級c(x,y)與其鄰域平均灰度級d(x,y)差分的絕對值 |c(x,y)?d(x,y)|。如果灰度級e和圖像中每個(gè)像素的鄰域灰度梯度f組成一個(gè)二元組(e,f)，則相應(yīng)的聯(lián)合概率密度為

被動(dòng)拉伸訓(xùn)練對大鼠腓腸肌HGF、MGF基因表達(dá)的影響…………………………………………吳國梁，李 娜（25）

式中，M×N為圖像的大小；L為灰度級；cef表示二元組(e,f)出現(xiàn)的次數(shù)。

根據(jù)以上二維直方圖的定義，任意閾值向量(g,h)都可以將二維直方圖劃分成四個(gè)區(qū)域。由于梯度值反映了鄰域內(nèi)的灰度差，所以小鄰域的梯度幅值對應(yīng)的灰度級表明該灰度級較多出現(xiàn)在目標(biāo)或背景中，少量像素在邊緣處，而大鄰域的梯度幅值則說明該灰度級大多出現(xiàn)在邊緣上，極少存在于目標(biāo)或背景中。

在二維直方圖的基礎(chǔ)上，假設(shè)在二維直方圖中，用I0表示目標(biāo)類，用I1表示背景類，如果P0和P1分別為目標(biāo)類和背景類的概率，則P0、P1可表示如下：

由式（7）、式（8）可得到目標(biāo)類和背景類的均值向量μ0和μ1分別為

則總體的均值向量μz可表示如下：

3 節(jié)理裂隙的跟蹤

3.1 骨架提取

骨架是一個(gè)目標(biāo)物的重要拓?fù)湫畔?，如何進(jìn)行骨架提取是圖像處理研究的熱點(diǎn)問題之一。骨架提取是對二值圖像的一種細(xì)化，具有重要的應(yīng)用價(jià)值。常用的骨架提取算法是基于形態(tài)學(xué)的骨架提取算法［13-16］，主要分為兩種：擊中擊不中變換和中軸變換。相對現(xiàn)有的其他算法，基于形態(tài)學(xué)提取的骨架既滿足了連通性又具有穩(wěn)定性，相比之下，基于中軸變換提取的骨架［7］連通性更好，因此本文采用中軸變換進(jìn)行骨架提取，取得了很好的效果。

中軸就是精確定義的骨架，是所有與物體在兩個(gè)或更多非鄰接邊界點(diǎn)處相切的圓心的軌跡。中軸變換是尋找滿足以下條件的所有點(diǎn)及對應(yīng)參數(shù)：以該點(diǎn)為中心存在一個(gè)包含于物體內(nèi)的且與物體邊界相切于兩點(diǎn)的圓盤，該點(diǎn)的參數(shù)為相應(yīng)圓盤的半徑。因此中軸變換是一個(gè)得到物體骨架和骨架上每點(diǎn)到物體邊界的最短距離的過程。確定圖像A的骨架S(A)應(yīng)滿足兩個(gè)條件：在求S(A)過程中，A應(yīng)有規(guī)律地縮小；在A逐步縮小的過程中應(yīng)使其連通性質(zhì)保持不變。對骨架的定義如下：

式中，S(A)表示圖像A的骨架；B是一個(gè)結(jié)構(gòu)元素；(AΘkB)表示對A連續(xù)進(jìn)行k次腐蝕；第K次是A被腐蝕為空集合前進(jìn)行的最后一次迭代，即

為了得到完整的目標(biāo)骨架，首先必須從骨架起點(diǎn)開始確定重要的拓?fù)涔?jié)點(diǎn)，然后從每個(gè)拓?fù)涔?jié)點(diǎn)開始調(diào)用提取算法，得到一個(gè)骨架，直至到達(dá)源點(diǎn)或者已經(jīng)提取過的骨架線為止，以防出現(xiàn)重疊的路徑。如果一個(gè)目標(biāo)物可以表示為圖形，那么它的重要拓?fù)涔?jié)點(diǎn)就很容易被識別出來，因此，可以通過將目標(biāo)物轉(zhuǎn)換成圖形的方式來區(qū)分突出部分的拓?fù)涔?jié)點(diǎn)。假設(shè)圖形生成過程由參數(shù)k控制，采用下面的方法能夠自動(dòng)提取出拓?fù)涔?jié)點(diǎn)。

首先，用一個(gè)中速波從邊界到中心循序漸進(jìn)地計(jì)算最短距離域L(x)；接著通過中速傳播一個(gè)演變的峰面k-面來自動(dòng)選擇一個(gè)骨架點(diǎn)作為源點(diǎn)Po，表面峰的運(yùn)動(dòng)是由短距離方程確定的，并且解為一個(gè)新的距離域L1(x)。峰面的速度由下式給定：

根據(jù)上面的方法已經(jīng)得到了拓?fù)涔?jié)點(diǎn)，那如何提取單條骨架線成為關(guān)鍵。為了提取連接兩個(gè)骨架點(diǎn)R和S之間的骨架線，初始化骨架點(diǎn)R的傳播時(shí)間為0，然后選擇高速模式到達(dá)骨架點(diǎn)S；最后在ΔT內(nèi)從S到R進(jìn)行回溯追蹤，提取過程可簡化為求下面常微分方程的解：

式中，Y(t)用來描述骨架線。

3.2 基于節(jié)理裂隙走向和間距的間隙縫合

在上面的基礎(chǔ)上，可以得到巖石節(jié)理裂隙的基本信息和大致走向，但同時(shí)存在大量斷點(diǎn)間隙，導(dǎo)致節(jié)理裂隙斷續(xù)不完整，因此需要進(jìn)行間隙縫合。常用的方法為基于形態(tài)學(xué)膨脹腐蝕的操作方法，該方法只是不斷縮小斷點(diǎn)間的距離從而將縫隙縫合［16-18］，對復(fù)雜的圖像不能正確的連接。對此，本文提出了一種基于裂隙間隙距離和走向的縫合方法，具體步驟如下。

（1）首先去除骨架提取后的毛刺即小區(qū)域，依據(jù)提取骨架線段的寬度或線段所在的行列坐標(biāo)位置去除小的噪聲區(qū)域。

（2）去除噪聲后的斷點(diǎn)連接：①從圖像的最左邊開始進(jìn)行掃描［16-17］，找到斷裂線段的端點(diǎn)，即Ai(x,y)(i=1,2,3...)，在Ai的8鄰域像素中尋找端點(diǎn)所在的邊緣線，沿著邊緣線回退n（2≤n≤6）個(gè)像素，找到像素Bi(x,y)，在該斷點(diǎn)Ai與像素Bi之間做一條直線記為ALi；②按距離在斷點(diǎn)的8鄰域進(jìn)行搜索，按給定的預(yù)定距離長度范圍找到鄰近的幾個(gè)斷點(diǎn)Ci(x,y)；③在各個(gè)斷點(diǎn)Ci中沿著斷點(diǎn)所在的邊緣線回退n個(gè)像素，找到像素Di(x,y)，把該斷點(diǎn)Ci與像素Bi之間做一條直線CLi；④計(jì)算ALi和CLi之間的夾角，按實(shí)際圖像給定角度θ，判斷要連接的斷點(diǎn)，用直線進(jìn)行連接。

（3）如果斷點(diǎn)沒連接好且有多余的噪聲，則返回（1），否則返回（2）繼續(xù)連接。當(dāng)所有斷點(diǎn)連接好，則結(jié)束。

具體間隙縫合程序如下：

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)選取了有代表性的巖石節(jié)理裂隙圖像如圖1（a）和圖2（a）所示。圖1（a）為較簡單的節(jié)理裂隙圖像，本文先用分?jǐn)?shù)階微分對巖石圖像進(jìn)行增強(qiáng)去噪處理，保留圖像的高頻信息，同時(shí)去除低頻噪聲；然后用Sobel邊界檢測算子進(jìn)行邊界檢測，再對梯度圖像進(jìn)行閾值分割，檢測出大致的節(jié)理裂隙區(qū)域，在灰度圖像中，對該區(qū)域進(jìn)行閾值處理，將巖石節(jié)理裂隙大概提取出來如圖1（b）所示。為了精確地獲取巖石的節(jié)理裂隙，利用基于形態(tài)學(xué)的中軸變換對其進(jìn)行骨架提取，結(jié)果如圖1（c）所示。可見骨架提取后的圖像仍存在諸多干擾噪聲，直接影響了裂隙的連接，為此本文提出一種新的裂隙連接方法，能很好地進(jìn)行裂隙連接。首先依據(jù)線段的寬度去除裂隙周邊的噪聲，再依據(jù)噪聲所在的行列坐標(biāo)進(jìn)行二次去除，最后依據(jù)裂隙線段的方向和角度對巖石節(jié)理裂隙進(jìn)行連接，本圖選取連接距離范圍為1～100像素，結(jié)果如圖1（d）所示。由圖可以看出該方法能很好地提取出巖石節(jié)理裂隙。

圖2（a）為較復(fù)雜的巖石節(jié)理裂隙圖像，圖2（a）～圖2（d）為其裂隙提取過程，本圖選取連接距離范圍為1～100，很明顯可以看出，對于比較復(fù)雜的節(jié)理裂隙，本文方法也能達(dá)到很好的提取效果。

為了進(jìn)一步比較分析，將本文的算法與Canny邊緣檢測、圖論最小生成樹、聚類分析及模糊聚類算法進(jìn)行比較，結(jié)果如圖1和2所示。由圖1（e）～圖1（h）可以看出，對于較簡單的巖石節(jié)理裂隙，這4種傳統(tǒng)算法也能較好地提取出節(jié)理裂隙的邊緣信息，但由于巖石表面存在著大量的噪聲，導(dǎo)致結(jié)果圖像也存在許多噪聲。但本文提出的算法不僅能很好地去除噪聲，而且能提取出完整的裂隙信息，有效地進(jìn)行間隙縫合，提取效果較好。從圖2（e）～ 圖2（h）可以看出，對于較復(fù)雜的巖石節(jié)理裂隙圖像，對比的4種傳統(tǒng)算法就很難提取出節(jié)理裂隙，而本文的算法依舊能夠很好地提取出節(jié)理裂隙，充分顯示出了本文算法的優(yōu)越性。

5 結(jié) 論

由于巖石節(jié)理裂隙形狀復(fù)雜，且?guī)r石表面粗糙給圖像帶來大量噪聲，利用傳統(tǒng)的提取方法很難達(dá)到預(yù)期效果，而且提取出的裂隙斷斷續(xù)續(xù)，連續(xù)性較差。本文提出了一種針對巖石節(jié)理裂隙的提取方法。為了去除噪聲和增強(qiáng)節(jié)理裂隙邊界信息，首先對其進(jìn)行分?jǐn)?shù)階微分處理；為了快速圖像分割，然后結(jié)合簡單的梯度圖像和灰度圖像信息初步提取節(jié)理裂隙；再對分割后的圖像進(jìn)行骨架提取，根據(jù)裂隙間的距離和走向信息進(jìn)行裂隙間隙的縫合，本方法在連接的同時(shí)能很好地去除噪聲，連接效果較好。該算法簡單、快速，對巖石礦山的穩(wěn)定性檢測具有實(shí)際的指導(dǎo)意義和應(yīng)用價(jià)值。