CN102760309B - 基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法 - Google Patents

Abstract

本发明公开了一种基于沥青路面试件X-ray CT图像的集料细观结构重构方法，应用于虚拟数值分析的沥青路面试件中粗集料的细观结构提出一种实体模型重构方法，实现试件中粗集料三维建模的自动化。本发明基于沥青路面试件重构模型的细观数值分析，完成从沥青路面试件X-ray CT断面图像到集料颗粒实体模型的自动转化，以辅助建立沥青混合料细观实体模型。

Description

基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法

技术领域

本发明涉及数值分析领域，特别涉及一种基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法。

背景技术

沥青混凝土路面细观分析是有限元分析的重要应用方式之一，然而试件的非均匀复合性使其表现出复杂的宏观性能，为了得到可信的分析结果，构造能反映路面试件真实细观构成的三维模型并进行细观数值仿真十分必要。而试件中的集料颗粒作为组成试件比例最大的成分，具有极其复杂的几何形状及分布规律，很难通过有限元软件本身的建模模块获得相应的细观模型。因此，必须通过其它方式获得适用于有限元分析的集料数值模型。这其中存在两个关键的问题：一是选取何种参数作为集料颗粒的细观建模参数；二是如何获取建模参数。

目前比较常见的面向有限元分析的三维细观模型重构方法主要是通过运用数字图像技术，依据试件截面图像来构建试件的三维可视化模型，并编程生成分析模型的有限元文件。依据建模数据源的不同，进一步又可分为两类：一类是基于CCD图像的模型重构，一类是基于X-ray CT断面图像的模型重构。

前者是对试件进行切割以获取断面图像，对原始沥青试件进行了破坏，而切割的随机性和切割厚度的限制使得图像上的集料颗粒信息很难真正代表其真实情况，也无法在此基础上进行进一步的基本力学性能试验。后者则是通过使用X-ray CT对试件进行断面扫描，以无损的方式获取其断面图像，避免了对试件的破坏。但这两种方式都存在的一个问题是试件的三维可视化模型形状属性过于复杂，其在转化为实体模型时难免会丢失拓扑信息而可能导致数值分析出现未知问题。

华南理工大学2010届博士学位论文《基于X-ray CT和有限元方法的沥青混合料三维重构与数值试验研究》将X-ray CT扫描试件生成的断面图像重构为可视化模型，并以节点和单元坐标信息描述集料、砂胶和空隙等差异性物质，形成ABAQUS中的INP输入文件，在此基础上完成了单轴压缩等虚拟试验。但其采用的可视化模型表面信息过于精细，且采用的细小均分式统一网格剖分方式没有反映出不同材料的网格剖分特点，还会大幅度增加计算量和存储量。合肥工业大学2011届博士学位论文《有限元分析中面向建模的多态机理研究》针对数值分析中几何模型的形状细节造成的网格单元冗余问题，研究了形状细节的合理简化策略，使得简化后的几何模型在满足分析精度要求的前提下，显著减少了冗余单元数量并提升了计算效率。

本发明在文献《有限元分析中面向建模的多态机理研究》的基础上，完成对试件中集料颗粒的多精度建模。

发明内容

本发明的目的在于为应用于虚拟数值分析的沥青路面试件中粗集料的细观结构提供一种基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法，实现试件中粗集料三维建模的自动化。

本发明采用的技术方案是：

基于沥青路面试件X-ray CT图像的集料细观结构重构方法，其特征在于，包括以下步骤：

(1)输入BMP格式的灰度图像文件组graph[n]，其中存储着沥青路面试件扫描步长为space的X-ray CT断面图像，其分辨率为512×512像素，作为集料实体模型重构的数据源；

所述灰度图像文件是指将彩色图像中像素的颜色分量值按照一定比例进行加权，并将加权值附于每个颜色分量而获得的图像文件，其中，灰度图像中所有像素的灰度均介于0到255之间；

所述沥青路面试件是指以沥青材料和集料按适当比例配制，胶结成整体的路面圆柱形样本，记半径为radius，高度为height；

所述扫描步长space是指设定使用X-ray CT扫描沥青路面试件获取扫描图像的长度间隔，决定了扫描圆柱形试件所得的断面图像数量n；

所述集料实体模型是指以边界表示法表示集料的三维几何结构，记为模型M＝(FACE，EDGE，VERTEX，R)，其中FACE表示集料模型中面的集合，EDGE为边的集合，VERTEX为顶点的集合，R表示模型中各元素之间的邻接关系；

记录着面的类别：平面、样条面，以及面的曲面方程；

记录着边的曲线方程；

记录着顶点的坐标p(x，y，z)；

R＝{r₁，r₂}，其中：

r₁＝{(face₁，face₂，edge)|edge∈face₁∩face₂，edge∈EDGE，face_i∈FACE，i=1，2}r₂＝{(edge₁，edge₂，vertex)|vertex∈edge₁∩edge₂，vertex∈VERTEX，edge_i∈EDGE，i＝1，2}r₁表示face₁和face₂相邻于边edge；r₂表示边edge₁与edge₂相邻于点vertex；

(2)使用目标识别算法，识别沥青路面试件X-ray CT各断面扫描图像中独立集料颗粒的轮廓，并建立单个集料颗粒与相应轮廓像素信息的映射关系，形成集料-轮廓映射集；

所述目标识别算法描述如下：

1)遍历灰度图像文件组graph[n]，设置集料灰度阈值ε_g∈(100，255)，将graph[i](i=0，1，Ln-1)中所有灰度小于ε_g的像素灰度置为0，其他像素的灰度值置为255，形成集料图像文件组graph_s[n]；

2)遍历graph_s[n]，设置集料边缘阈值ε_e，使用算子计算出graph_s[i](i＝0，1，L，n-1)中集料颗粒的边缘，获得集料边缘文件组graph_b[n]；对graph_b[i](i＝0，1，L，n-1)，通过集料边缘分组算法将其划分为元素各自独立的集料颗粒边缘数组其中m_i是graph_s[i]中包含的集料颗粒数量；

3)对graph_b[i](i＝0，1，L，n-1)，遍历取得集料边缘包围盒数组以(j＝0，1，L，m_i-1)中横、纵向长度的最大值为的集料粒径；设定集料粒径阈值ε_s，删除中集料粒径小于ε_s的边缘，将结果存储为含有p_i个元素的有效边缘链表(i＝0，1，L，n-1)；

4)遍历有效边缘链表(i＝0，1，L，n-1)，运用集料映射算法，建立集料颗粒与相应边缘信息之间的集料-边缘映射集Map(Stone_Set，)；

所述集料灰度阈值ε_g是指设定的用以区分灰度图像文件中集料颗粒的灰度最小值；

所述集料边缘阈值ε_e是指使用算子对灰度图像进行卷积计算时用以区分边缘的分类值；

所述集料边缘分组算法，步骤如下所述：

1)以512个像素为一组，将graph_b[i](i＝0，1，L，n-1)中的像素数组分为512个子像素组(j＝0，1，L，511)；

2)令 $j=k=l=0;$

3)遍历判断的灰度是否为255，若不成立，k＝k+1；若成立，将标记已访问；

4)若j＝0，将归于集料颗粒边缘计算其水平邻接集若中的像素多于1个，将中的像素标记已访问后，皆归于k＝k+1，重复步骤3)、4)；若中的像素不多于1个，将中的像素标记已访问后，皆归于k＝k+1，直至的灰度为255；将及其水平邻接集中的像素标记已访问后，皆归于 $l=l+1;$

5)若j＞0，遍历中的已访问像素，寻找与距离在颗粒边缘同属阈值ε_d之下的像素若找到，则将及其水平邻接集中的像素标记已访问后，皆归于对应的集料颗粒边缘；若满足条件的像素不存在，则计算的水平邻接集若中的像素多于1个，将与中的像素标记已访问后，皆归于k＝k+1，重复步骤3)、5)；若中的像素不多于1个，将中的像素标记已访问后，皆归于k＝k+1，直至的灰度为255；将及其水平邻接集中的像素标记已访问后，皆归于

6)j＝j+1，若j＜512，重复步骤3)-5)，直至中的像素均标记为已访问；

所述水平邻接集指的是与像素右邻接的灰度值为255的连续水平像素集合；

所述颗粒边缘同属阈值ε_d指的是隶属于同一集料颗粒边缘的竖直方向邻接像素间的最大距离；

所述集料颗粒边缘数组的元素是组成集料颗粒边缘的像素集合；

所述集料边缘包围盒数组是指将集料颗粒边缘数组中各元素完全包围起来的最小矩形数组；

所述集料粒径阈值ε_s是指设定的集料颗粒边缘数组中元素粒径的分类值；

所述有效边缘链表(i＝0，1，L，n-1)是指元素为graph_b[i]中粒径在ε_s之上的集料边缘的链表；

所述集料映射算法，步骤如下所述：

1)i＝0；

2)遍历中的有效集料边缘数组对每个轮廓(j＝0，1，L，p_i-1)，若未标记，记其所属集料颗粒为stone[j]，将其加入stone[j]的边缘信息集合并标记为已匹配边缘；取得的包围盒以为搜索范围，搜索中满足条件的集料颗粒边缘集合

3)遍历ISB_SET_j，对进行其包围盒与的求交计算，判断计算结果是否满足面积连续条件和粒径约束条件，若满足，则将加入stone[j]的边缘信息集合并标记为已匹配边缘；若ISB_SET中不存在满足条件的集料边缘，算法结束；

4)对(p＝i+1，L，n-1)重复步骤1)、2)，直至算法结束；

5)i=i+1，若i＜n，重复步骤2)、4)；

所述集料-边缘映射集是指集料颗粒与相应边缘信息之间的映射集Map(Stone_Set，)， $\mathrm{Stone}\_\mathrm{Set}=\left\{\mathrm{stone}\right[x],x=\mathrm{0,1},L,{\mathrm{\Σ}}_{i=0}^{n-1}{\mathrm{ep}}_i\},$ $\mathrm{Borderline}\_\mathrm{Set}=\left\{\mathrm{borderline}\right[q_x],x=\mathrm{0,1},L,{\mathrm{\Σ}}_{i=0}^{n-1}{\mathrm{ep}}_i\};$ 其中ep_i是graph_b[i]中未在graph_b[i-1]中标记的颗粒边缘数量，q_x是stone[x]对应的边缘图像的幅数；

所述面积连续条件如下：

1)边缘与两者的包围盒与的重合面积不小于设定的重合度阈值ε_cov；

2)边缘与两者的包围盒与的面积差不大于设定的面积差阈值ε_dis；

所述粒径约束条件是指所获得的集料颗粒边缘包围盒的边长及同一集料颗粒对应的边缘图像的z轴跨度均不大于级配参数中的最大粒径d_max；

(3)对单个集料颗粒stone[x]，遍历其对应的边缘信息根据用户设定的拟合标准差σ(fit)，获得其建模参数key_points[r_x]，通过实体建模步骤得到集料颗粒的建模结果；

所述拟合标准差σ(fit)，是指原边缘像素点与拟合直线段间的偏离程度；

所述实体建模参数key_points[r_x]，是用于构造集料颗粒边缘几何模型的关键点数组，其中r_x是关键点的数量；

所述实体建模步骤，如下所述：

1)用户设定拟合标准差σ(fit)，令i=0；

2)取得stone[x]的边缘信息对应的像素数组计算试拟合像素数fp_i，将(j＝0，1，L，fp_i-1)依次加入的分段拟合链表fitting_group_i并标记，通过二次开发调用MATLAB的一阶拟合功能Fitting对fitting_group_i中的像素进行拟合，若拟合标准差在σ(fit)之内，将(j＝fp_i，L，m_i-1)逐个加入fitting_group_i并拟合、标记，直至拟合标准差超出σ(fit)，将使拟合标准差超出σ(fit)的像素点加入key_points[r_x]；否则，将(j＝fp_i-1，L，1，0)逐个移出fitting_group_i、取消标记并拟合，直至拟合标准差小于σ(fit)，将使拟合标准差小于σ(fit)的像素点加入key_points[r_x]；

3)清空fitting_group_i，自未标记的下一个像素开始，对(j＝k_i，L，k_i+fp_i-1)重复步骤2)，完善key_points[r_x]，直至均标记结束；

4)遍历对应的key_points[r_x]，调用ACIS7.0的底层建模功能Ewiring建立BODY类型的线框体wire_body[i]，i=i+1；若i＜q_x，转2)；

5)调用ACIS7.0中的蒙面功能Skinning，完成从闭合线框实体wire_body[i](i＝0，1，L，q_x-1)到集料颗粒三维模型的转换；

所述试拟合像素数fp_i，指的是用于集料轮廓拟合的初始像素个数，其中size_min是集料级配中的最小粒径；

所述分段拟合链表fitting_group_i，存储用于直线段拟合、且拟合标准差在σ(fit)内的一组边缘像素点；

(4)遍历所有集料颗粒，使用集成拓扑操作将各集料颗粒的建模结果整合为集料总体结构，最终输出SAT格式的图形文件，其中存储着应用于细观分析的集料颗粒总体模型数据集合，该模型以边界表示法表示各集料颗粒的三维几何结构和在沥青混凝土试件中的分布规律；

所述集成拓扑操作指的是将各集料颗粒三维模型集成为一个整体的布尔并操作；

所述集料总体结构指的是能够反映沥青路面试件中一定尺寸之上的所有集料颗粒的形状属性及在试件中分布规律的集料整体三维模型；

所述的ACIS7.0是由美国公司生产的基于面向对象软件技术的三维几何造型引擎，MATLAB是由MathWorks公司开发的一种主要用于数值计算及可视化图形图像处理的工程软件。

本发明的有益效果如下：

本发明基于沥青路面试件重构模型的细观数值分析，完成从沥青路面试件X-ray CT断面图像到集料颗粒实体模型的自动转化，以辅助建立沥青混合料细观实体模型。

附图说明

图1为某沥青路面试件的X-ray CT扫描图像序列。

图2a为试件中某单个集料颗粒实体建模一的结果图。

图2b为试件中某单个集料颗粒实体建模一的线框图。

图3a为试件中某单个集料颗粒实体建模二的结果图。

图3b为试件中某单个集料颗粒实体建模二的线框图。

图4a为试件中集成后的集料总体结构模型图。

图4b为试件中集成后的集料总体结构的网格剖分结果图。

具体实施方式

基于沥青路面试件X-ray CT图像的集料细观结构重构方法，包括以下步骤：

(1)输入BMP格式的灰度图像文件组graph[n]，其中存储着沥青路面试件扫描步长为space的X-ray CT断面图像，其分辨率为512×512像素，作为集料实体模型重构的数据源；

灰度图像文件是指将彩色图像中像素的颜色分量值按照一定比例进行加权，并将加权值附于每个颜色分量而获得的图像文件，其中，灰度图像中所有像素的灰度均介于0到255之间；

沥青路面试件是指以沥青材料和集料按适当比例配制，胶结成整体的路面圆柱形样本，记半径为radius，高度为height；

扫描步长space是指设定使用X-ray CT扫描沥青路面试件获取扫描图像的长度间隔，决定了扫描圆柱形试件所得的断面图像数量n；

集料实体模型是指以边界表示法表示集料的三维几何结构，记为模型M＝(FACE，EDGE，VERTEX，R)，其中FACE表示集料模型中面的集合，EDGE为边的集合，VERTEX为顶点的集合，R表示模型中各元素之间的邻接关系；

记录着面的类别：平面、样条面，以及面的曲面方程；

记录着边的曲线方程；

记录着顶点的坐标p(x，y，z)；

R＝{r₁，r₂}，其中：

r₁＝{(face₁，face₂，edge)|edge∈face₁∩face₂，edge∈EDGE，face_i∈FACE，i=1，2}

r₂＝{(edge₁，edge₂，vertex)|vertex∈edge₁∩edge₂，vertex∈VERTEX，edge_i∈EDGE，i＝1，2}r₁表示face₁和face₂相邻于边edge；r₂表示边edge₁与edge₂相邻于点vertex；

(2)使用目标识别算法，识别沥青路面试件X-ray CT各断面扫描图像中独立集料颗粒的轮廓，并建立单个集料颗粒与相应轮廓像素信息的映射关系，形成集料-轮廓映射集；

目标识别算法描述如下：

1)遍历灰度图像文件组graph[n]，设置集料灰度阈值ε_g∈(100，255)，将graph[i](i＝0，1，Ln-1)中所有灰度小于ε_g的像素灰度置为0，其他像素的灰度值置为255，形成集料图像文件组graph_s[n]；

2)遍历graph_s[n]，设置集料边缘阈值ε_e，使用算子计算出graph_s[i](i＝0，1，L，n-1)中集料颗粒的边缘，获得集料边缘文件组graph_b[n]；对graph_b[i](i＝0，1，L，n-1)，通过集料边缘分组算法将其划分为元素各自独立的集料颗粒边缘数组其中m_i是graph_s[i]中包含的集料颗粒数量；

3)对graph_b[i](i＝0，1，L，n-1)，遍历取得集料边缘包围盒数组以(j＝0，1，L，m_i-1)中横、纵向长度的最大值为的集料粒径；设定集料粒径阈值ε_s，删除中集料粒径小于ε_s的边缘，将结果存储为含有p_i个元素的有效边缘链表(i＝0，1，L，n-1)；

4)遍历有效边缘链表(i＝0，1，L，n-1)，运用集料映射算法，建立集料颗粒与相应边缘信息之间的集料-边缘映射集Map(Stone_Set，)；

集料灰度阈值ε_g是指设定的用以区分灰度图像文件中集料颗粒的灰度最小值；

集料边缘阈值ε_e是指使用算子对灰度图像进行卷积计算时用以区分边缘的分类值；

集料边缘分组算法，步骤如下所述：

1)以512个像素为一组，将graph_b[i](i＝0，1，L，n-1)中的像素数组分为512个子像素组(j＝0，1，L，511)；

2)令 $j=k=l=0;$

3)遍历判断的灰度是否为255，若不成立，k＝k+1；若成立，将标记已访问；

4)若j＝0，将归于集料颗粒边缘计算其水平邻接集若中的像素多于1个，将中的像素标记已访问后，皆归于k＝k+1，重复步骤3)、4)；若中的像素不多于1个，将中的像素标记已访问后，皆归于k＝k+1，直至的灰度为255；将及其水平邻接集中的像素标记已访问后，皆归于 $l=l+1;$

5)若j＞0，遍历中的已访问像素，寻找与距离在颗粒边缘同属阈值ε_d之下的像素若找到，则将及其水平邻接集中的像素标记已访问后，皆归于对应的集料颗粒边缘；若满足条件的像素不存在，则计算的水平邻接集若中的像素多于1个，将与中的像素标记已访问后，皆归于k＝k+1，重复步骤3)、5)；若中的像素不多于1个，将中的像素标记已访问后，皆归于k＝k+1，直至的灰度为255；将及其水平邻接集中的像素标记已访问后，皆归于

6)j＝j+1，若j＜512，重复步骤3)-5)，直至中的像素均标记为已访问；

水平邻接集指的是与像素右邻接的灰度值为255的连续水平像素集合；

颗粒边缘同属阈值ε_d指的是隶属于同一集料颗粒边缘的竖直方向邻接像素间的最大距离；

集料颗粒边缘数组的元素是组成集料颗粒边缘的像素集合；

集料边缘包围盒数组是指将集料颗粒边缘数组中各元素完全包围起来的最小矩形数组；

集料粒径阈值ε_s是指设定的集料颗粒边缘数组中元素粒径的分类值；

有效边缘链表(i＝0，1，L，n-1)是指元素为graph_b[i]中粒径在ε_s之上的集料边缘的链表；

集料映射算法，步骤如下所述：

1)i＝0；

2)遍历中的有效集料边缘数组对每个轮廓(j＝0，1，L，p_i-1)，若未标记，记其所属集料颗粒为stone[j]，将其加入stone[j]的边缘信息集合并标记为已匹配边缘；取得的包围盒以为搜索范围，搜索中满足条件的集料颗粒边缘集合

3)遍历ISB_SET_j，对进行其包围盒与的求交计算，判断计算结果是否满足面积连续条件和粒径约束条件，若满足，则将加入stone[j]的边缘信息集合并标记为已匹配边缘；若ISB_SET中不存在满足条件的集料边缘，算法结束；

4)对(p＝i+1，L，n-1)重复步骤1)、2)，直至算法结束；

5)i=i+1，若i＜n，重复步骤2)、4)；

集料-边缘映射集是指集料颗粒与相应边缘信息之间的映射集Map(Stone_Set，)， $\mathrm{Stone}\_\mathrm{Set}=\left\{\mathrm{stone}\right[x],x=\mathrm{0,1},L,{\mathrm{\Σ}}_{i=0}^{n-1}{\mathrm{ep}}_i\},$ $\mathrm{Borderline}\_\mathrm{Set}=\left\{\mathrm{borderline}\right[q_x],x=\mathrm{0,1},L,{\mathrm{\Σ}}_{i=0}^{n-1}{\mathrm{ep}}_i\};$ 其中ep_i是graph_b[i]中未在graph_b[i-1]中标记的颗粒边缘数量，q_x是stone[x]对应的边缘图像的幅数；

面积连续条件如下：

1)边缘与两者的包围盒与的重合面积不小于设定的重合度阈值ε_cov；

2)边缘与两者的包围盒与的面积差不大于设定的面积差阈值ε_dis；

粒径约束条件是指所获得的集料颗粒边缘包围盒的边长及同一集料颗粒对应的边缘图像的z轴跨度均不大于级配参数中的最大粒径d_max；

(3)对单个集料颗粒stone[x]，遍历其对应的边缘信息根据用户设定的拟合标准差σ(fit)，获得其建模参数key_points[r_x]，通过实体建模步骤得到集料颗粒的建模结果；

拟合标准差σ(fit)，是指原边缘像素点与拟合直线段间的偏离程度；

实体建模参数key_points[r_x]，是用于构造集料颗粒边缘几何模型的关键点数组，其中r_x是关键点的数量；

实体建模步骤，如下所述：

1)用户设定拟合标准差σ(fit)，令i=0；

2)取得stone[x]的边缘信息对应的像素数组计算试拟合像素数fp_i，将(j＝0，1，L，fp_i-1)依次加入的分段拟合链表fitting_group_i并标记，通过二次开发调用MATLAB的一阶拟合功能Fitting对fitting_group_i中的像素进行拟合，若拟合标准差在σ(fit)之内，将(j＝fp_i，L，m_i-1)逐个加入fitting_group_i并拟合、标记，直至拟合标准差超出σ(fit)，将使拟合标准差超出σ(fit)的像素点加入key_points[r_x]；否则，将(j＝fp_i-1，L，1，0)逐个移出fitting_group_i、取消标记并拟合，直至拟合标准差小于σ(fit)，将使拟合标准差小于σ(fit)的像素点加入key_points[r_x]；

3)清空fitting_group_i，自未标记的下一个像素开始，对(j＝k_i，L，k_i+fp_i-1)重复步骤2)，完善key_points[r_x]，直至均标记结束；

4)遍历对应的key_points[r_x]，调用ACIS7.0的底层建模功能Ewiring建立BODY类型的线框体wire_body[i]，i=i+1；若i＜q_x，转2)；

5)调用ACIS7.0中的蒙面功能Skinning，完成从闭合线框实体wire_body[i](i＝0，1，L，q_x-1)到集料颗粒三维模型的转换；

试拟合像素数fp_i，指的是用于集料轮廓拟合的初始像素个数，其中size_min是集料级配中的最小粒径；

分段拟合链表fitting_group_i，存储用于直线段拟合、且拟合标准差在σ(fit)内的一组边缘像素点；

(4)遍历所有集料颗粒，使用集成拓扑操作将各集料颗粒的建模结果整合为集料总体结构，最终输出SAT格式的图形文件，其中存储着应用于细观分析的集料颗粒总体模型数据集合，该模型以边界表示法表示各集料颗粒的三维几何结构和在沥青混凝土试件中的分布规律；

集成拓扑操作指的是将各集料颗粒三维模型集成为一个整体的布尔并操作；

集料总体结构指的是能够反映沥青路面试件中一定尺寸之上的所有集料颗粒的形状属性及在试件中分布规律的集料整体三维模型。

用C++语言，基于ACIS内核，实现了本发明所描述的算法，并且以某沥青路面试件的X-ray CT扫描图像为数据源，进行了粗集料结构的三维重构。

(1)输入为图1所示的直径为150mm，高度为65mm的圆柱形沥青路面试件扫描步长为space＝1mm的X-ray CT断面扫描图像文件组graph[66]，作为集料实体模型重构的数据源；

(2)使用目标识别算法，设定集料灰度阈值ε_g＝120，集料边缘阈值ε_e＝760，集料粒径阈值ε_s＝0.2cm，识别出graph[66]中粒径在0.2cm之上的独立集料颗粒轮廓，通过集料映射算法获得集料-轮廓映射集Map(Stone_Set，)，其中，集料集合Stone_Set的元素数量为182，的元素数量为8256。

集料颗粒编号x	1	2	3	4	5	6	7	……	182
										集料对应边缘数量qx	25	16	10	21	8	22	28	……	12

(3)对每个集料颗粒stone[x]，遍历其对应的边缘信息设定拟合标准差σ(fit)＝0.532，获得其建模参数key_points[r_x]，通过实体建模步骤得到集料颗粒的建模结果，如图2a、2b、3a、3b所示；

(4)遍历所有集料颗粒，使用集成拓扑操作将各集料颗粒的建模结果整合为集料总体结构，最终输出可直接剖分网格的SAT格式的图形文件，如图4a、4b所示。

Claims (2)

1.基于沥青路面试件X-ray CT图像的集料细观结构重构方法，其特征在于，包括以下步骤：

(1)输入BMP格式的灰度图像文件组graph[n]，其中存储着沥青路面试件扫描步长为space的X-ray CT断面图像，其分辨率为512×512像素，作为集料实体模型重构的数据源；

所述灰度图像文件是指将彩色图像中像素的颜色分量值按照一定比例进行加权，并将加权值附于每个颜色分量而获得的图像文件，其中，灰度图像中所有像素的灰度均介于0到255之间；

所述沥青路面试件是指以沥青材料和集料按适当比例配制，胶结成整体的路面圆柱形样本，记半径为radius，高度为height；

所述扫描步长space是指设定使用X-ray CT扫描沥青路面试件获取扫描图像的长度间隔，决定了扫描圆柱形试件所得的断面图像数量n；

所述集料实体模型是指以边界表示法表示集料的三维几何结构，记为模型M＝(FACE，EDGE，VERTEX，R)，其中FACE表示集料模型中面的集合，EDGE为边的集合，VERTEX为顶点的集合，R表示模型中各元素之间的邻接关系；

记录着面的类别：平面、样条面，以及面的曲面方程；

记录着边的曲线方程；

记录着顶点的坐标p(x，y，z)；

R＝{r₁，r₂}，其中：

r₁＝{(face₁，face₂，edge)|edge∈face₁∩face₂，edge∈EDGE，face_i∈FACE，i=1，2}

r₂＝{(edge₁，edge₂，vertex)|vertex∈edge₁∩edge₂，vertex∈VERTEX，edge_i∈EDGE，i＝1，2}，r₁表示face₁和face₂相邻于边edge；r₂表示边edge₁与edge₂相邻于点vertex；

(2)使用目标识别算法，识别沥青路面试件X-ray CT各断面扫描图像中独立集料颗粒的轮廓，并建立单个集料颗粒与相应轮廓像素信息的映射关系，形成集料-轮廓映射集；

所述目标识别算法描述如下：

1)遍历灰度图像文件组graph[n]，设置集料灰度阈值ε_g∈(100，255)，将graph[i](i=0，1，·n-1)中所有灰度小于ε_g的像素灰度置为0，其他像素的灰度值置为255，形成集料图像文件组graph_s[n]；

2)遍历graph_s[n]，设置集料边缘阈值ε_e，使用算子计算出graph_s[i](i＝0，1，·，n-1)中集料颗粒的边缘，获得集料边缘文件组graph_b[n]；对graph_b[i](i＝0，1，·，n-1)，通过集料边缘分组算法将其划分为元素各自独立的集料颗粒边缘数组其中m_i是graph_s[i]中包含的集料颗粒数量；

3)对graph_b[i](i=0，1，·，n-1)，遍历取得集料边缘包围盒数组以(j＝0，1，·，m_i-1)中横、纵向长度的最大值为的集料粒径；设定集料粒径阈值ε_s，删除中集料粒径小于ε_s的边缘，将结果存储为含有p_i个元素的有效边缘链表(i=0，1，·，n-1)；

4)遍历有效边缘链表(i=0，1，·，n-1)，运用集料映射算法，建立集料颗粒与相应边缘信息之间的集料-边缘映射集Map(Stone_Set，)；

所述集料灰度阈值ε_g是指设定的用以区分灰度图像文件中集料颗粒的灰度最小值；

所述集料边缘阈值ε_e是指使用算子对灰度图像进行卷积计算时用以区分边缘的分类值；

所述集料边缘分组算法，步骤如下所述：

1)以512个像素为一组，将graph_b[i](i=0，1，·，n-1)中的像素数组分为512个子像素组(j＝0，1，·，511)；

2)令 $j=k=l=0;$

3)遍历判断的灰度是否为255，若不成立，k＝k+1；若成立，将标记已访问；

4)若j＝0，将归于集料颗粒边缘计算其水平邻接集若中的像素多于1个，将中的像素标记已访问后，皆归于k＝k+1，重复步骤3)、4)；若中的像素不多于1个，将中的像素标记已访问后，皆归于k＝k+1，直至的灰度为255；将及其水平邻接集中的像素标记已访问后，皆归于 $l=l+1;$

5)若j＞0，遍历中的已访问像素，寻找与距离在颗粒边缘同属阈值ε_d之下的像素若找到，则将及其水平邻接集中的像素标记已访问后，皆归于对应的集料颗粒边缘；若满足条件的像素不存在，则计算的水平邻接集若中的像素多于1个，将与中的像素标记已访问后，皆归于k＝k+1，重复步骤3)、5)；若中的像素不多于1个，将中的像素标记已访问后，皆归于k＝k+1，直至的灰度为255；将及其水平邻接集中的像素标记已访问后，皆归于

6)j＝j+1，若j＜512，重复步骤3)-5)，直至中的像素均标记为已访问；

所述水平邻接集指的是与像素右邻接的灰度值为255的连续水平像素集合；

所述颗粒边缘同属阈值ε_d指的是隶属于同一集料颗粒边缘的竖直方向邻接像素间的最大距离；

所述集料颗粒边缘数组的元素是组成集料颗粒边缘的像素集合；

所述集料边缘包围盒数组是指将集料颗粒边缘数组中各元素完全包围起来的最小矩形数组；

所述集料粒径阈值ε_s是指设定的集料颗粒边缘数组中元素粒径的分类值；

所述有效边缘链表(i=0，1，·，n-1)是指元素为graph_b[i]中粒径在ε_s之上的集料边缘的链表；

所述集料映射算法，步骤如下所述：

1)i＝0；

2)遍历对每个轮廓(j＝0，1，·，p_i-1)，若未标记，记其所属集料颗粒为stone[j]，将其加入stone[j]的边缘信息集合并标记为已匹配边缘；取得的包围盒以为搜索范围，搜索中满足条件的集料颗粒边缘集合

3)遍历ISB_SET_j，对进行其包围盒与的求交计算，判断计算结果是否满足面积连续条件和粒径约束条件，若满足，则将加入stone[j]的边缘信息集合并标记为已匹配边缘；若ISB_SET中不存在满足条件的集料边缘，算法结束；

4)对(p＝i+1，·，n-1)重复步骤1)、2)，直至算法结束；

5)i=i+1，若i＜n，重复步骤2)、4)；

所述集料-边缘映射集是指集料颗粒与相应边缘信息之间的映射集Map(Stone_Set，)， $\mathrm{Stone}\_\mathrm{Set}=\left\{\mathrm{stone}\right[x],x=\mathrm{0,1},\·,{\mathrm{\Σ}}_{i=0}^{n-1}{\mathrm{ep}}_i\},$ $\mathrm{Borderline}\_\mathrm{Set}=\left\{\mathrm{borderline}\right[q_x],x=\mathrm{0,1},\·,{\mathrm{\Σ}}_{i=0}^{n-1}{\mathrm{ep}}_i\};$ 其中ep_i是graph_b[i]中未在graph_b[i-1]中标记的颗粒边缘数量，q_x是stone[x]对应的边缘图像的幅数；

所述面积连续条件如下：

1)边缘与两者的包围盒与的重合面积不小于设定的重合度阈值ε_cov；

2)边缘与两者的包围盒与的面积差不大于设定的面积差阈值ε_dis；

所述粒径约束条件是指所获得的集料颗粒边缘包围盒的边长及同一集料颗粒对应的边缘图像的z轴跨度均不大于级配参数中的最大粒径d_max；

(3)对单个集料颗粒stone[x]，遍历其对应的边缘信息根据用户设定的拟合标准差σ(fit)，获得其建模参数key_points[r_x]，通过实体建模步骤得到集料颗粒的建模结果；

所述拟合标准差σ(fit)，是指原边缘像素点与拟合直线段间的偏离程度；

所述实体建模参数key_points[r_x]，是用于构造集料颗粒边缘几何模型的关键点数组，其中r_x是关键点的数量；

所述实体建模步骤，如下所述：

1)用户设定拟合标准差σ(fit)，令i=0；

2)取得stone[x]的边缘信息对应的像素数组计算试拟合像素数fp_i，将(j＝0，1，·，fp_i-1)依次加入的分段拟合链表fitting_group_i并标记，通过二次开发调用MATLAB的一阶拟合功能Fitting对fitting_group_i中的像素进行拟合，若拟合标准差在σ(fit)之内，将(j＝fp_i，·，m_i-1)逐个加入fitting_group_i并拟合、标记，直至拟合标准差超出σ(fit)，将使拟合标准差超出σ(fit)的像素点加入key_points[r_x]；否则，将(j＝fp_i-1，·，1，0)逐个移出fitting_group_i、取消标记并拟合，直至拟合标准差小于σ(fit)，将使拟合标准差小于σ(fit)的像素点加入key_points[r_x]；

3)清空fitting_group_i，自未标记的下一个像素开始，对(j＝k_i，·，k_i+fp_i-1)重复步骤2)，完善key_points[r_x]，直至均标记结束；

4)遍历对应的key_points[r_x]，调用ACIS7.0的底层建模功能Ewiring建立BODY类型的线框体wire_body[i]，i=i+1；若i＜q_x，转步骤2)；

5)调用ACIS7.0中的蒙面功能Skinning，完成从闭合线框实体wire_body[i](i=0，1，·，q_x-1)到集料颗粒三维模型的转换；

所述试拟合像素数fp_i，指的是用于集料轮廓拟合的初始像素个数，其中size_min是集料级配中的最小粒径；

所述分段拟合链表fitting_group_i，存储用于直线段拟合、且拟合标准差在σ(fit)内的一组边缘像素点；

(4)遍历所有集料颗粒，使用集成拓扑操作将各集料颗粒的建模结果整合为集料总体结构，最终输出SAT格式的图形文件，其中存储着应用于细观分析的集料颗粒总体模型数据集合，该模型以边界表示法表示各集料颗粒的三维几何结构和在沥青混凝土试件中的分布规律；

所述集成拓扑操作指的是将各集料颗粒三维模型集成为一个整体的布尔并操作；

所述集料总体结构指的是能够反映沥青路面试件中一定尺寸之上的所有集料颗粒的形状属性及在试件中分布规律的集料整体三维模型。

2.根据权利要求1所述的基于沥青路面试件X-ray CT图像的集料细观结构重构方法，其特征在于，所述的ACIS7.0是由美国公司生产的基于面向对象软件技术的三维几何造型引擎，MATLAB是由MathWorks公司开发的一种主要用于数值计算及可视化图形图像处理的工程软件。