CN103473781A - 一种公路岩体边坡图像中节理裂纹的分割方法 - Google Patents

Abstract

本发明公开了一种公路岩体边坡图像中节理裂纹的分割方法。方法首先对图像进行灰度变换；之后对灰度图像进行去噪；接着计算图像块的分形维数；最后将分形维数作为纹理特征，根据纹理特征定义像素点之间的纹理特征距离,基于定义的距离，定义区域生长准则，满足生长准则的像素点则作为生长区域中的一个像素，直至没有待比较点时完成图像的分割。该分割方法结果准确可靠。

Description

一种公路岩体边坡图像中节理裂纹的分割方法

技术领域

本发明涉及一种岩石图像裂纹分割方法，具体涉及一种基于图像技术的公路岩体边坡图像中节理裂纹的分割方法。

背景技术

节理是岩石中的裂纹，是一种没有明显位移的断裂构造。大量发育的节理常常引起岩体的不稳定，为工程建设带来隐患和灾害。

公路边坡的节理裂纹是影响边坡变形和破坏的重要因素之一，在工程建设中，因为节理裂纹的影响而产生如滑坡、崩塌等边坡失稳的不良地质现象屡见不鲜。但是由于节理裂纹一般为小型构造，规模较小，且分布具有一定局部性；同时由于节理裂纹随着条件变化而不断发展变化，因此，它对边坡的影响也是一个不断发展的过程，对边坡的危害也往往具有一定的隐蔽性。

通过研究边坡节理裂纹能更好的监测岩体边坡的变形，能尽快的对其进行防护措施，减少滑坡等灾害，减少生命财产的损失。

现有的节理裂纹的分割过程是根据传统的转换方法将彩色图像转换为灰度图像；再对其进行分割处理，由于彩色图像转换为灰度图像利用传统的转换公式没有根据岩石图像本身的颜色特性，转换后图像不精准。同时由于传统的计算分形维数的方法没有考虑边沿造成的影响，计算不太精准。

发明内容

本发明的目的在于提供一种公路岩体边坡图像中节理裂纹的分割方法。

为实现上述技术任务，本发明提供的公路岩体边坡图像中节理裂纹的分割方法，包括下述步骤：

（1）利用（式1）将L×W像素的彩色图像转换为灰度图像，其中L表示彩色图像的长，W表示彩色图像的宽；

I＝αR+βG+γB    （式1）

（式1）中：

I为灰度图像每个像素点的灰度值；

R表示彩色图像的红色通道；

G表示彩色图像的绿色通道；

B表示彩色图像的蓝色通道；

$\mathrm{\α}=\frac{A}{A+B+C},$ $\mathrm{\β}=\frac{B}{A+B+C},$ $\mathrm{\γ}=\frac{C}{A+B+C};$

A为彩色图像红分量直方图的均值；

B为彩色图像绿分量直方图的均值；

C为彩色图像蓝分量直方图的均值；

（2）对灰度图像进行去噪，得到去噪后的灰度图像；

（3）将去噪后的灰度图像分割成为个图像块，M为每个图像块的边长，M取正整数，M×M为每个图像块的像素大小；

表示向下取整；

（4）分别求取步骤（3）所得每个图像块的分形维数；

（5）以两个像素点间的分形维数之差作为两点间的纹理特征距离，利用区域生长完成图像分割：

首先执行Step1，选取灰度图像中灰度值最大的像素点为Step1种子点，该Step1种子点位于生长区域中；分别计算Step1种子点的八邻域像素点与Step1种子点之间的纹理特征距离，将纹理特征距离小于δ₁的Step1种子点的八邻域像素点合并入生长区域；

Step1中并入生长区域像素点为Step2扩张点；

接着循环执行StepA步骤，直至灰度图像中没有像素点可合并入生长区域，则完成图像分割，A为大于等于2的正整数：

StepA，对StepA扩张点分别进行如下处理：

当前处理的扩张点为P点；

将P点的八邻域像素点作为待比较像素点，对于每一个待比较像素点分别进行如下比较判断：

设当前待比较像素点P1点，

当P1点与其种子点P1ˊ点的纹理特征距离小于等于δ₁，且P1点与其扩张点P点的纹理特征距离小于等于δ₂时，将P1点合并入生长区域；当前待比较像素点P1是其扩张点P点的八邻域像素点之一，其扩张点P点是其种子点P1ˊ点的八邻域像素点之一；

其中δ₂＞0,δ₁＞δ₂；

StepA中并入生长区域像素点为Step（A+1）扩张点。

所述步骤（2）中利用中值滤波算法对灰度图像进行去噪。

步骤（4）中采用下述方法求取步骤（3）所得每个图像块的分形维数：

设当前待求取分形维数的图像块为图像块q，q＝1,2,3...,

图像块q的分形维数为Dq：

（4.1）利用（M-s+1）×（M-s+1）个像素大小为s×s的格子覆盖图像块q，该图像块q上覆盖有（M-s+1）行像素大小为s×s的格子和（M-s+1）列像素大小为s×s的格子，

且s取

间的所有整数；

（4.2）分别计算s取不同值时，图像块q上堆砌的总盒子数：

对于当前s的取值，图像块q上堆砌的总盒子数为N_r，

$N_r={\left(\frac{M/s}{M-s+1}\right)}^2\underset{i=1,j=1}{\overset{i=(M-s+1),j=(M-s+1)}{\mathrm{\Σ}}}{n}_{r,(i,j)}$    （式2）；

（式2）中：

n_r,(i,j)为图像块q中第i行、第j列格子中堆砌的盒子数，1≤i≤(M-s+1)，1≤j≤(M-s+1)，

r＝s/M，I_max为图像块q中第i行、第j列格子中的最大灰度值，I_min为图像块q中第i行、第j列格子中的最小灰度值；

（4.3）拟合直线

r＝s/M，

且s取

间的所有整数；直线

的斜率为图像块q的分形维数Dq，图像块q中各像素点的分形维数为Dq。

本发明的方法首先对要处理的岩石图像统计R、G、B三个分量的均值来确定三个分量的权重α、β、γ，从而用I＝αR+βG+γB进行灰度变换；之后对图像用中值滤波进行去噪；接着用传统的差分计盒维数方法或改进的差分计盒维数方法计算分形维数，改进的差分计盒维数方法具体是在图像块上依次相交地排列格子，每次仅向x或y方向移动一个像素，改进的差分计盒维数方法考虑了所有格子的可能位置，消除了传统的差分计盒维数的加边沿造成的影响，计算结果更加准确；最后将分形维数作为一个纹理特征，根据纹理特征定义像素点之间的纹理特征的距离,基于定义的距离，定义两个区域生长准则，满足生长准则的像素点则作为生长区域中的一个像素，直至没有待比较点时完成图像的分割。

附图说明

以下结合附图与具体实施方式对本发明的技术方案作进一步解释说明。

图1为本发明的方法流程图；

图2(a)为用公式I＝0.11R+0.59G+0.30B进行转换后的图像；图2(b)为根据图像三个颜色的权重而确定的公式进行转换后图像；

图3(a)为采用传统的差分计盒维数方法计算分形维数时的分割结果,图3(b)为本发明算法分割结果。

具体实施方式

由于岩石节理裂纹图像比较复杂，靠传统的灰度变换公式和灰度共生矩阵不能很好的把裂纹分割出来。为了克服存在的问题，发明人根据彩色图像三个分量的权重重新确定公式的系数转换为灰度图像,同时用分形的理论并结合区域生长算法对图像进行分割，参考图1，具体原理解释说明如下：

①对彩色图像进行灰度转换

由于彩色岩石有的偏向于蓝色，有的偏向于红色，不同的岩石色彩不一样，本发明考虑岩石本身的特性根据岩石图像三个颜色的权重而确定的转换公式进行灰度变换。本发明首先对该彩色岩石图像计算R、G、B三个分量的均值，从而较精确地确定其权重。转换公式为I＝αR+βG+γB，

其中：

I为灰度图像每个像素点的灰度值；

R表示彩色图像的红色通道；

G表示彩色图像的绿色通道；

B表示彩色图像的蓝色通道；

$\mathrm{\α}=\frac{A}{A+B+C},$ $\mathrm{\β}=\frac{B}{A+B+C},$ $\mathrm{\γ}=\frac{C}{A+B+C};$

α为彩色图像红色分量直方图的均值在彩色图像红色分量直方图的均值、绿色分量直方图的均值以及蓝色分量直方图的均值之和中占的比例；

β为彩色图像绿色分量直方图的均值在彩色图像红色分量直方图的均值、绿色分量直方图的均值以及蓝色分量直方图的均值之和中占的比例；

γ为彩色图像蓝色分量直方图的均值在彩色图像红色分量直方图的均值、绿色分量直方图的均值以及蓝色分量直方图的均值之和中所占的比例；

A为彩色图像红分量直方图的均值；

B为彩色图像绿分量直方图的均值；

C为彩色图像蓝分量直方图的均值；

由于彩色岩石有的偏向于蓝色，有的偏向于红色，不同的岩石色彩不一样，本发明考虑岩石本身的特性根据岩石图像三个颜色的权重而确定的转换公式进行灰度变换。

②采用中值滤波对图像进行去噪。

③将去噪后的灰度图像分割成为

个图像块，M为每个图像块的边长，M取整数，M×M为每个图像块的像素大小；

表示向下取整；

④用传统的差分计盒维数方法或改进后的计盒维数方法分别计算各图像块的分形维数：

传统的差分计盒维数方法来说，如用s×s大小的格子划分M×M的图像块，划分过程中格子间不叠加覆盖，划分大小为M×M的图像块需要的格子数为(M/s)×(M/s)；将图像想象成三维空间中的曲面,xy平面表示图像所在平面位置,z轴表示灰度图像像素点的灰度值，当前图像块的xy平面被分割成多个的网格，每个网格中，沿z轴方向堆砌一列的盒子。在三维空间中每个格子就由许多s×s×h大小的盒子堆砌，h为盒子的高度；该图像块的灰度级数为g，则h的取值满足g/h＝M/s，g∈[1,256]，具体的图像块中灰度级数为g＝I_max-I_min+1。

传统差分计盒维数方法中分形维数的求取方法是：

设图像块的第e行、第f列的(e,f)格子中包含的像素对应灰度值的最大和最小值分别落在序号为g和ρ的盒子中。则该格子中包含的盒子总数n_r(e,f)为：

n_r(e,f)＝g-ρ+1

所有格子的盒子总数之和即为覆盖图像区域的总盒子数；最后通过直线拟合求取相应图像块的分形维数。

改进后的差分计盒维数方法是在当前图像块上依次相交地排列s×s大小的格子，排列过程中当前排列的格子相对于前一个格子向x方向（横向）或y方向（纵向）移动一个像素，当前图像块的大小为M×M，排列好后的格子数目为（M-s+1）×（M-s+1）。即利用（M-s+1）×（M-s+1）个像素大小为s×s的格子覆盖图像块q，该图像块q上覆盖有（M-s+1）行像素大小为s×s的格子和（M-s+1）列像素大小为s×s的格子，即横向相邻的两个格子在横向上重叠（s-1）个像素，纵向相邻的两个格子在纵向上重叠（s-1）个像素。

由于改进后的差分计盒维数方法中使用的格子数为（M-s+1）×（M-s+1），较之格子间不叠加覆盖的划分方法（传统的差分计盒维数方法），改进后的差分计盒维数方法当前图像块中平均每个像素点被覆盖了((M-S+1)/(M/S))²次，也就是说，改进后的差分计盒维数方法中划分当前图像块所用格子数是格子间不叠加覆盖的划分方法（传统的差分计盒维数方法）所用格子数的((M-S+1)/(M/S))²倍，则第i行、第j列格子中堆砌的盒子数N_r为：

$N_r={\left(\frac{M/s}{M-s+1}\right)}^2\underset{i=1,j=1}{\overset{i=(M-s+1),j=(M-s+1)}{\mathrm{\Σ}}}{n}_{r,(i,j)},$

设图像灰度在当前图像块中第i行、第j列格子的最小值和最大值分别落在第k和第l个盒子中,n_r(i,j)＝l-k+1＝I_max(i,j)/h-I_min(i,j)/h+1,

I_max为第i行、第j列格子中的最大灰度值，I_min当第i行、第j列格子中的最小灰度值；h为盒子的高度；该图像块的灰度级数为g，则h的取值满足g/h＝M/s，g∈[1,256]，具体的图像块中灰度级数为g＝I_max-I_min+1，令r＝s/M，从而 $n_{r,(i,j)}=\frac{I_{\max }-I_{\min }}{(I_{\max }-I_{\min }+1)}*\frac{1}{r}+1;$

同样，通过s的变化引起r的变化，利用最小二乘法拟合直线

可以求出直线斜率即为分形维数。

改进后的差分计盒维数方法在图像块上依次相交地排列格子，每次仅向x或y方向移动一个像素，采用该覆盖方法考虑了所有格子的可能位置，消除了传统的差分计盒维数的加边沿造成的影响，计算结果更加准确。总之，改进后的差分计盒维数方法考虑了所有的格子的可能位置，消除了加边沿造成的影响，计算结果较准确。

⑤将分形维数作为一个纹理特征，以两个像素点间的分形维数之差作为两点间的纹理特征距离，利用区域生长完成图像分割：

首先执行Step1，选取灰度图像中灰度值最大的像素点为Step1种子点，该Step1种子点位于生长区域中；分别计算Step1种子点的八邻域像素点与Step1种子点之间的纹理特征距离，将纹理特征距离小于δ₁的Step1种子点的八邻域像素点合并入生长区域；

Step1中并入生长区域像素点为Step2扩张点；

接着循环执行StepA步骤，直至灰度图像中没有待比较像素点可合并入生长区域，即种子点区域不能进一步扩张，则完成图像分割，A为大于等于2的正整数：

StepA，对StepA扩张点分别进行如下处理：

当前处理的扩张点为P点；

将P点的八邻域像素点作为待比较像素点，对于每一个待比较像素点分别进行如下比较判断：

设当前待比较像素点P1点，

计算P1点与其种子点P1ˊ点的纹理特征距离，纹理特征距离小于等于δ₁时，计算P1点与其扩张点P点的纹理特征距离，该纹理特征距离小于等于δ₂时，将P1点合并入生长区域；当前待比较像素点P1是其扩张点P点的八邻域像素点之一，其扩张点P点是其种子点P1ˊ点的八邻域像素点之一；其中δ₂＞0,δ₁＞δ₂；

StepA中并入生长区域像素点为Step（A+1）扩张点。

实施例1：

遵循本发明的技术方案，该实施例中α＝0.325,β＝0.335,γ＝0.340,即I＝0.325R+0.335G+0.340B，δ₁＝3.5，δ₂＝1.5。该实施例采用改进后的差分计盒维数方法计算分形维数。

图2(a)为用常规公式I＝0.11R+0.59G+0.30B进行转换后的图像；图2(b)为根据图像三个颜色的权重而确定的公式进行转换后图像，该图像转换公式为I＝0.325R+0.335G+0.340B；传统的彩色变灰度公式的R、G、B系数是根据经验值得到，对大部分图像都使用，但本发明根据岩石裂纹特性，通过计算三个分量的直方图的均值来获得R、G、B的系数，使得到的裂纹更加清楚。

实施例2：

该实施例与实施例1不同之处在于采用传统的传统的差分计盒维数方法计算分形维数。

图3(a)为实施例2的分割结果,图3(b)为实施例1的分割结果。传统差分计盒维数法是在图像的（x,y）平面上依次排列格子，当图像的大小不是格子尺寸的整数倍时，图像边沿的格子尺寸会小于s，原来的解决方法是把图像增加一个边沿，并把新增加边沿的灰度值定为零。这在图像大小远大于使用的最大盒子尺寸时不会造成很大的误差。但对于节理裂纹的提取要在较小的图像块上计算，计算的分形维数会有很大的误差，影响后面的分割结果。改进差分计盒维数方法在图像块上依次相交地排列格子，每次仅向x或y方向移动一个像素，采用该覆盖方法考虑了所有格子的可能位置，消除了传统的差分计盒维数的加边沿造成的影响，计算结果更加准确。

Claims (3)

1.一种公路岩体边坡图像中节理裂纹的分割方法，其特征在于，包括下述步骤：

（1）利用（式1）将L×W像素的彩色图像转换为灰度图像，其中L表示彩色图像的长，W表示彩色图像的宽；

I＝αR+βG+γB    （式1）

（式1）中：

I为灰度图像的灰度值；

R表示彩色图像的红色通道；

G表示彩色图像的绿色通道；

B表示彩色图像的蓝色通道；

$\mathrm{\α}=\frac{A}{A+B+C},$ $\mathrm{\β}=\frac{B}{A+B+C},$ $\mathrm{\γ}=\frac{C}{A+B+C};$

A为彩色图像红分量直方图的均值；

B为彩色图像绿分量直方图的均值；

C为彩色图像蓝分量直方图的均值；

（2）对灰度图像进行去噪，得到去噪后的灰度图像；

（3）将去噪后的灰度图像分割成为

个图像块，M为每个图像块的边长，M取正整数，M×M为每个图像块的像素大小；

表示向下取整；

（4）分别求取步骤（3）所得每个图像块的分形维数；

（5）以两个像素点间的分形维数之差作为两点间的纹理特征距离，利用区域生长完成图像分割：

首先执行Step1，选取灰度图像中灰度值最大的像素点为Step1种子点，该Step1种子点位于生长区域中；分别计算Step1种子点的八邻域像素点与Step1种子点之间的纹理特征距离，将纹理特征距离小于δ₁的Step1种子点的八邻域像素点合并入生长区域；

Step1中并入生长区域像素点为Step2扩张点；

接着循环执行StepA步骤，直至灰度图像中没有像素点可合并入生长区域，则完成图像分割，A为大于等于2的正整数：

StepA，对StepA扩张点分别进行如下处理：

当前处理的扩张点为P点；

将P点的八邻域像素点作为待比较像素点，对于每一个待比较像素点分别进行如下比较判断：

设当前待比较像素点P1点，

当P1点与其种子点P1ˊ点的纹理特征距离小于等于δ₁，且P1点与其扩张点P点的纹理特征距离小于等于δ₂时，将P1点合并入生长区域；当前待比较像素点P1是其扩张点P点的八邻域像素点之一，其扩张点P点是其种子点P1ˊ点的八邻域像素点之一；

其中δ₂＞0,δ₁＞δ₂；

StepA中并入生长区域像素点为Step（A+1）扩张点。

2.如权利要求1所述的公路岩体边坡图像中节理裂纹的分割方法，其特征在于，所述步骤（2）中利用中值滤波算法对灰度图像进行去噪。

3.如权利要求1所述的公路岩体边坡图像中节理裂纹的分割方法，其特征在于，步骤（4）中采用下述方法求取步骤（3）所得每个图像块的分形维数：

设当前待求取分形维数的图像块为图像块q，q＝1,2,3...,

图像块q的分形维数为Dq：

（4.1）利用（M-s+1）×（M-s+1）个像素大小为s×s的格子覆盖图像块q，该图像块q上覆盖有（M-s+1）行像素大小为s×s的格子和（M-s+1）列像素大小为s×s的格子，

且s取

间的所有整数；

（4.2）分别计算s取不同值时，图像块q上堆砌的总盒子数：

对于当前s的取值，图像块q上堆砌的总盒子数为N_r，

$N_r={\left(\frac{M/s}{M-s+1}\right)}^2\underset{i=1,j=1}{\overset{i=(M-s+1),j=(M-s+1)}{\mathrm{\Σ}}}{n}_{r,(i,j)}$    （式2）；

（式2）中：

n_r,(i,j)为图像块q中第i行、第j列格子中堆砌的盒子数，1≤i≤(M-s+1)，1≤j≤(M-s+1)，

r＝s/M，I_max为图像块q中第i行、第j列格子中的最大灰度值，I_min为图像块q中第i行、第j列格子中的最小灰度值；

（4.3）拟合直线

r＝s/M，

且s取

间的所有整数；直线

的斜率为图像块q的分形维数Dq，图像块q中各像素点的分形维数为Dq。

Images