姬 付 全,梁 曉 騰,2,楊 林,2,江 鴻,3,毛 永 強
(1.中交第二航務工程局有限公司,湖北 武漢 430040; 2.長大橋梁建設施工技術交通行業(yè)重點實驗室,湖北 武漢 430040; 3.交通運輸行業(yè)交通基礎設施智能制造技術研發(fā)中心,湖北 武漢 430040)
爆破塊度是指爆破后破裂巖石的幾何尺寸,是確定隧道爆破參數(shù)的重要參考,也是評價隧道爆破質量的一個重要因素,直接影響后續(xù)隧道破碎巖塊的裝運、出渣效率[1]。快速確定爆破塊度對于隧道的爆破效果評價、爆破設計改進、加快施工進度有重要意義。
當前隧道爆破塊度仍以人工測量為主[2-4],測量過程繁瑣,而隨著圖像識別技術的發(fā)展,已有學者針對圖像分析開展了大量研究。劉春等[5]開發(fā)的CIAS系統(tǒng)可以識別巖土體裂隙,并通過圖像處理方法,定量分析巖土體的裂隙圖像。Pascal等[6]提出了巖石薄片圖像分割方法。荊永濱等[4]通過巖理面切割獲取塊度的二維圖像,實現(xiàn)了由巖石二維輪廓估算爆堆巖石體積,并通過實驗對比驗證了其可靠性。楊仕教等[7]針對露天爆堆的巖石塊度分析問題,采用基于Python語言開發(fā)的插件預處理圖像,通過分水嶺算法分割巖石塊度圖像,并確定了露天巖石塊度圖像預處理的流程和巖石塊度圖像拍攝要求,圖像分割效果達到了預期效果。陳然等[8]提出了基于雙門限閾值分割的圖像處理方法,針對圖像的“黑洞”及白斑現(xiàn)象,采用Sobel算子對巖石圖像降噪處理后獲取爆破塊度分割圖像。Wang等[9]提出一種水平集結合K均值聚類的圖像分割方法,達到了多閾值分割的目的。Jiang等[10]提出了一種分割表面具有噪聲的圖像的方法。Noy[11]提出了一種改進的自動顆粒分割的圖像測量算法用于測量塊度。
然而,上述爆破塊度的研究大都是針對露天爆破,對于復雜光源條件下隧道爆破塊度圖像尚未有系統(tǒng)研究,且現(xiàn)有學者提出的巖石塊度圖像分析算法并不能很好地滿足隧道爆破塊度圖像的分割需求。在隧道中光照強度低、單一光源光照不均、爆破煙塵等不利環(huán)境拍攝的照片,難以通過圖像分析其塊度。對此本文提出基于ACE與CLAHE算法的隧道爆破塊度的圖像分析方法,擺脫低光強度、光照不均、爆破煙塵對圖像分析的干擾,處理后得到隧道爆破塊度圖像分割圖,以實現(xiàn)隧道復雜條件下塊度圖像的識別與定量分析。
與露天爆堆圖像對比,隧道中的爆堆巖塊圖像主要有如下特點:
(1) 隧道中缺乏自然光照環(huán)境,在掌子面出渣時的光照條件尤其差,有時甚至只有裝載機機身車燈照明,光照強度低。
(2) 在單一光源的作用下,隧道內光照不均,圖片的明暗對比度過大,利用常規(guī)方法處理隧道爆堆圖像,二值化處理后存在大面積的“黑洞”與“白斑”。
(3) 隧道爆破后存在大量煙塵,尤其長隧道的通風條件差,隧道內的可見度低,圖像對比度、飽和度均較低,圖像易模糊。
針對隧道中光照強度低、單一光源光照不均、煙塵大等不利環(huán)境下拍攝的照片,為滿足爆破塊度圖像分析要求,應對隧道爆堆圖像進行預處理,減少因圖片過暗、強照明梯度或陰影而在圖像中頻繁出現(xiàn)的“黑洞”與“白斑”。
ACE算法是Rizzi等[12]在Retinex算法的基礎上提出的一種基于人類視覺系統(tǒng)的圖形增強方法——自動色彩均衡(Automatic Color Enhancement,ACE)法,針對圖像中的亮度與顏色的空域關系,ACE算法通過計算改變圖像局部和非線性特征的對比度,以模擬人類眼睛視網(wǎng)膜的色彩與亮度平衡,達到圖像增強的效果[13]。本文以灰度圖為例說明ACE算法的處理流程,分為色彩校正與圖像動態(tài)擴展2個步驟。
(1) 色彩校正。采用區(qū)域自適應濾波處理初始圖像I,模擬人類視覺系統(tǒng)的側抑制性和區(qū)域自適應性,調整色彩的空域后得到中間結果圖像R,圖像處理的數(shù)學公式如下:
(1)
式中:Rc(p)為處理后的像素點p的亮度;Ic(p)為像素點p的亮度;Ic(j)為像素點j的亮度;d(p,j)為像素點p、j間的歐氏距離函數(shù);r()為亮度表現(xiàn)函數(shù),本文采用的Saturation亮度表現(xiàn)函數(shù)如式(2)所示。
(2)
(2) 圖像動態(tài)擴展。將公式(1)中得到的結果圖像R拉伸映射到0~255范圍內,校正圖像色差,重新構建圖像,獲取最終圖像L,計算公式如下:
(3)
式中:minR與maxR分別為Lc(p)定義域的最小值與最大值。
直方圖均衡化(Histogram Equalization,HE)法是一種使圖像的灰度直方圖分布更加均勻的變換方法,將初始圖像的灰度直方圖從比較集中的某個灰度區(qū)間拉伸成全部灰度范圍內的均勻分布,以達到增強圖像對比度的效果(見圖1),但有時會造成圖像中不同區(qū)域灰度分布相差很大[14-15]。Zuiderveld提出了對比度受限的適應性直方圖均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)方法,通過限制局部直方圖的高度來限制局部對比度的增強幅度,從而限制噪聲的放大及局部對比度的過增強[14]。CLAHE算法的圖形處理如圖2所示,算法流程如下。
圖1 HE法灰度直方圖轉換
圖2 CLAHE法灰度直方圖轉換
(1) 將初始圖片分為不重合的n個分割塊,每個分割塊包含x×y個像素;
(2) 采用HE法分別處理n個分割塊,得到n個分割塊對應的灰度圖;
(3) 計算灰度級的限定值m,限制每個分割塊灰度級的像素應小于分割塊每個灰度級平均像素數(shù)的m倍;
(4) 分別切割n個分割塊的灰度直方圖,將切割下來的像素平均分配到灰度直方圖的各個灰度等級中;
(5) 分別對切割后的n個分割塊的灰度直方圖均衡化處理;
(6) 分別獲取n個分割塊中心點灰度值,并將其作為錨定值,對圖像中剩余的像素點灰度值插值,CLAHE法雙線性插值方法如圖3所示。
圖3 CLAHE法灰度雙線性插值
基于ACE與CLAHE算法的隧道爆破塊度圖像預處理關鍵技術,通過ACE算法與CLAHE算法預處理圖片,以解決圖片過暗、強照明梯度與陰影問題,達到圖像增強的效果。
本文基于Python編程語言,借助第三方庫OpenCV2函數(shù)處理圖片,爆破塊度圖像處理步驟如圖4所示,圖像處理實施步驟主要由圖像預處理、圖像去噪及圖像分割3部分組成。
圖4 隧道爆破塊度處理流程
(1) 圖像預處理。輸入圖片后,首先采用ACE算法進行圖片加強,灰度變換后再采用CLAHE算法對圖片進行加強。
(2) 圖像去噪。雙邊濾波是常用的圖像去噪保邊處理方法,采用雙邊濾波對經(jīng)預處理的圖像降噪,在二值化變換后,利用開運算去除噪聲并保持圖像原有形狀。
(3) 圖像分割。采用分水嶺算法分割圖像以完成對爆堆巖塊的區(qū)分,為避免過分割,利用雙邊濾波在保護邊緣的前提下,去除圖像噪音。利用Python第三方庫OpenCV2提供的watershed()函數(shù)實現(xiàn)分水嶺算法。
(4) 對于圖片整體處理效果未達預期的圖像,可以將圖片識別不佳處切割出來單獨識別后,再將圖像合并得到圖像塊度分析結果。
為驗證ACE算法與CLAHE算法圖像增強的有效性,對廣西云榜隧道掌子面爆堆圖像分別采用ACE算法、CLAHE算法、ACE+CLAHE算法進行預處理并將其轉化為對應的二值化圖形,如圖5~6所示。
圖5 圖像增強算法對比
由圖5(a)可以看出,該隧道掌子面主要由裝載機的車燈照明,圖中右測“白斑”為裝載機抓斗的反射光,掌子面左側較暗,隧道掌子面左右兩側照明梯度大,若將其直接轉化為二值化圖像(見圖6(a)),圖像中會出現(xiàn)大量的“黑洞”與“白斑”,無法進一步分析圖像。
圖6 增強算法二極化圖像對比
采用ACE算法可以增強圖片整體亮度,但圖片中仍會存在較大的照明梯度(見圖5(b)),二值化圖像(見圖6(b))左上角及下方存在“黑洞”;采用CLAHE算法可以減小強照明梯度的影響,但掌子面左側仍然較暗(見圖5(c)),二值化圖像(見圖6(c))掌子面左側“黑洞”、右側“白斑”現(xiàn)象嚴重。單獨采用ACE算法與CLAHE算法的圖像轉化為二值化圖像后,“黑洞”與“白斑”仍無法完全消除。采用ACE+CLAHE算法的圖像,在提高圖片亮度的前提下,基本消除強照明梯度的影響,對應的二值化圖片(見圖6(d))較好地避免了“黑洞”與“白斑”現(xiàn)象。
相較于原始圖像,圖5(b)及圖5(c)的整體亮度與圖像對比度有了明顯提升,其中ACE算法通過空域關系實現(xiàn)圖像增強,而CLAHE算法通過對全局灰度拉伸實現(xiàn)圖像增強,但是這2種方法預處理后圖像對應的二值化圖像仍存在“白斑”與“黑洞”,難以完成圖像分割的任務。而ACE+CLAHE的圖片預處理算法可以較好地解決強照明梯度及暗光條件下的圖片預處理問題,滿足隧道爆破塊度圖像識別要求。
為驗證本文所提出ACE+CLAHE算法處理效果,對十堰市中心城區(qū)飲水隧洞2標段4號隧洞的支洞小型爆堆圖像進行分析處理,現(xiàn)場爆堆圖像如圖7所示。
圖7 現(xiàn)場爆堆圖像
由于該隧洞電源線未及時跟進至掌子面(見圖7),掌子面處無照明條件,故現(xiàn)場只能采用手電筒照明拍照,圖像中心有很明顯的手電筒照明“白斑”,圖像照明梯度大且明暗不均,傳統(tǒng)的圖像分割算法難以對其分割,采用本文提出的基于ACE+CLAHE算法的隧道爆破塊度圖像分析方法對其進行處理。
從圖7中截取爆堆分析區(qū)域圖像進行分析,圖像分割結果如圖8所示??梢姳疚奶岢龅乃惴ㄝ^好地區(qū)分了巖塊目標,部分解決了強照明梯度的問題,但是圖像中央的手電筒照明區(qū)存在算法無法辨認區(qū)分的強光模糊區(qū)(見圖9),該區(qū)域的巖塊圖像完全粘連在一起,且越靠近強光模糊區(qū)的巖塊間粘連現(xiàn)象越嚴重。這主要是因為此區(qū)域被手電筒光源直接照射,雖然通過ACE+CLAHE算法減小了圖像的照明梯度,但是在整張圖片中強光模糊區(qū)的亮度大且照明梯度相近,不同巖塊間的區(qū)分不明顯,二值化后在該區(qū)域形成白斑,程序難以將其區(qū)分。
圖8 初步識別結果
圖9 圖像分區(qū)
為提高爆破塊度圖像分析準確度,將強光模糊區(qū)從圖像中切割后單獨分析,得到結果后再將其與原圖像合并,結果如圖10所示,圖像分析結果基本區(qū)分了巖石爆堆的最大塊度,但是強光模糊區(qū)圖像分割過程中仍存在一定程度的巖塊粘連現(xiàn)象,這是因為該區(qū)域的光照強度過大,不同巖塊間的顏色區(qū)分不明顯造成的。
圖10 圖像識別結果
(1) ACE與CLAHE算法可以增強隧道強照明梯度及暗光等不利條件條件下拍攝圖像的對比度,較好地適應隧道環(huán)境下所拍攝圖片的預處理要求,實現(xiàn)隧道掌子面爆破塊度的巖塊分割。
(2) 本文提出的算法雖然可以提升圖片對比度,但對某些圖形仍存在照明梯度過大而出現(xiàn)的“黑洞”或“白斑”,造成圖像分割效果不明顯,可以將圖像切割后單獨分析,再將其與原圖像合并,以實現(xiàn)隧道爆破塊度圖像的精準分割。
(3) 本文提出的基于ACE+CLAHE算法的隧道爆破塊度圖像分析方法較好地區(qū)分了巖塊目標,可應用于隧道掌子面強照明梯度及暗光條件下的爆堆最大塊度的圖像識別與分析,圖像分析結果對評價爆破質量有參考作用。