CN116883373A - 一种岩体裂隙识别方法 - Google Patents
一种岩体裂隙识别方法 Download PDFInfo
- Publication number
- CN116883373A CN116883373A CN202310886351.6A CN202310886351A CN116883373A CN 116883373 A CN116883373 A CN 116883373A CN 202310886351 A CN202310886351 A CN 202310886351A CN 116883373 A CN116883373 A CN 116883373A
- Authority
- CN
- China
- Prior art keywords
- points
- point
- crack
- fracture
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011435 rock Substances 0.000 title claims abstract description 49
- 230000001629 suppression Effects 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000005315 distribution function Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract 1
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种岩体裂隙识别方法，属于岩体工程技术领域，首先遍历图像得到像素点法线方向的灰度函数的极值点即粗提取裂隙中心线，分别基于Hessian特征值、对称性、灰度值计算其每一项的分值并加权平均计算其置信度；然后通过阈值限制和非极大值抑制进一步筛选候选点。接下来通过连接侯选点和不连续的裂缝，形成完整裂隙中心线；最后通过计算每条连线的平均灰度和长度去除伪裂隙和噪声，得到完整且准确的裂隙中心线。本发明不仅适用于简单的混凝土裂缝，在复杂岩体裂缝检测中同样能取得令人满意的效果，解决了在复杂构图和许多干扰存在的岩体中通过计算机识别裂缝的问题。
Description
技术领域
本发明属于岩体工程技术领域，具体涉及一种岩体裂隙识别方法。
背景技术
随着国家基础设施建设与地下空间的不断开发力度的加大，露天边坡、地下厂房、地铁、穿山隧道等岩体工程正在逐渐成为广泛存在的建设工程项目。在项目建设过程中，岩体质量能够对设计、施工方案、预算以及工期等方面产生重大影响。而岩体裂隙节理等情况是评价岩体质量的重要指标。节理、裂隙可能导致岩体的破坏、变形和滑动等现象，从而对岩石结构的稳定性和岩石工程的安全性产生负面影响。因此，岩体中裂隙的准确识别和提取对于岩体工程的设计、施工和评估具有重要意义。
传统的岩体裂隙识别方法主要是直接目视法。首先人工目视地质体的表面来寻找裂隙，之后通过素描的方式对岩体进行记录，最后现场专家凭借经验对围岩质量进行评估。该传统方法简单实用，但是由于人工凭借经验判断的方式对裂隙的识别和测量存在主观性，误差较大；且进行地质素描消耗大量人力和时间成本。因此越来越多的工程和科研人员使用机器视觉的方式对围岩裂隙节理进行检测。基于机器视觉的裂隙识别方法主要分为图像处理和神经网络两种形式。第一种是通过图像处理的方式对裂隙进行二值化、滤波等操作，最终分离出背景和裂隙。另一种是通过使用机器学习的方式，对裂隙图像进行人工标记获取裂隙训练集。然后搭建神经网络模型，通过训练，使得模型能够较好的识别出岩体图像中的裂隙。传统的使用图像处理的方式识别裂缝，只能在混凝土裂缝等场景下的裂缝具有较好的效果。而这些裂隙都有着，结构简单、与背景反差明显，干扰小、噪声少等特点，在面对复杂情况的岩体裂隙时，不能够取得令人满意的效果。而使用机器学习神经网络等方式需要构造复杂的神经网络模型。且其训练所需的数据集一般需要人工进行裂隙的标注，数据集制作同样需要消耗许多的人力以及时间成本。因此，如何在拥有众多干扰的复杂岩体中准确、高效、低成本地检测出裂缝仍然是一个具有挑战性的问题。
发明内容
为了解决上述存在的问题，本发明提出：一种岩体裂隙识别方法，包括如下步骤：
S1、对裂隙图像进行图像处理操作，遍历经过图像处理后的图像粗略提取裂隙中心点；
S2、对得到的粗提取后的裂隙中心点进行特征值评估，并加权综合得到置信度；
S3、对候选点的置信度进行阈值限制和非极大值抑制，进一步过滤候选点，便于候选点的连接；
S4、连接候选点形成裂隙中心连接线，并进一步连接不连续的裂隙连接线；
S5、去除伪裂隙得到精度较高的裂隙中心连接线。
进一步地，图像的处理操作包括：将图像转换为灰度图，进行中值滤波和高斯滤波；图像的裂隙中心点粗提取步骤包括：
第一，遍历图像获取每个像素点的Hessian矩阵，裂隙中心线法线方向上图像灰度近似服从高斯分布，假设图像上某点(x0，y0)的灰度值为I(x0，y0)，I(x，y)为二维图像上的灰度分布函数，该分布函数二元函数；n元函数在xk处进行泰勒展开，舍弃二阶以上的部分写成矩阵形式为：
Hessian矩阵表示为：
式中：Ixx，Ixy，Iyy均由高斯卷积核与图像灰度I(x，y)卷积得到；
进一步的，对于图像上某点(x0，y0)，其法线方向的灰度分布函数I(x0，y0)沿着该点方向进行泰勒展开，设法线方向的单位方向向量为e＝(nx，ny)，则在该法线方向上任意某点的灰度值表示为：
式中：I(x0，y0)以及方向向量e均由图像信息计算得到；上式视为关于t的一元函数，对t进行求导，令其一阶导数为零解出t的值为：
进一步的，如果说明极值点在当前像素点内，将当前像素点(x0，y0)视为灰度分布的极值点，将符合这一条件的点视为粗提取后的裂隙中心点。
进一步地，对粗提取后的裂隙中心点的特征值评估包括：基于Hessian矩阵的特征值评估、裂隙法线方向对称性评估、灰度值评估三个方面；
基于Hessian矩阵的特征值评估方法为：计算每个像素点Hessian矩阵的两个特征值λ1，λ2，其计算公式为：
式中：K和Q的计算方式为：
实际的裂隙中心点的Hessian矩阵特征值应当满足：
λ1≈0，|λ1|＜＜λ2
对于已经粗选出的裂隙中心点，逐个计算其Hessian矩阵特征值的大小，根据其符合上述条件的程度对该点进行打分，越符合此条件的点分值越高，满分为100分；
所述裂隙法线方向对称性评估方法为：
设其图像在该候选点(x0，y0)左右对称位置的灰度分布函数分别为f(xi，yi)，g(xj，yj)，其中(xi，yi)，(xj，yj)是关于(x0，y0)对称的点，两侧的灰度分布函数写为：
f(x，y)＝I(x0+tnx，y0+tny)，
g(x，y)＝I(x0-tnx，y0-tny)
图像上的像素点是非连续的，为了度量其对称的程度，定义：
Si 2＝[f(xi，yi)-g(xj，yj)]2
式中：为关于(x0，y0)对称的点的灰度值差值的平方，在一定范围内t∈[0，T]，其对称性程度表示为：
式中：T表示计算的像素点个数，每一次计算S都前进一个像素点，通过设置T的值设置计算像素点的个数；根据该点(x0，y0)处S的大小，对该候选点法线方向灰度值对称性进行评估，S越小其对称度越高，分值越高，满分为100分；
所述基于灰度值的特征值评估方法为：
将图像中的灰度值映射成范围为0-100的灰度评分分值；其中灰度值小于25的分值为100，将像素点25-125的灰度值线性映射为100-0的分值，高于125的像素点评分为0；
根据上述方法计算完毕每个点的各项分值之后，对其进行调整，具体方法为：
排名第一的分值最高为100，按照排名依次递减，最后一名分值为0，将每一项调整后再加权平均，最后将最终评分再次按照上述方法调整；将加权平均后的分值除以100即得到候选点的置信度。
进一步地，所述步骤S3中，首先进行阈值限制，对于置信度(0-1)低于某一阈值的点进行去除，对剩余的点进行非极大值抑制；非极大值抑制包含两个方面，分别是特征向量方向非极大值抑制和置信度非极大值抑制；
第一，特征向量非极大值抑制的步骤为：首先将某点周围方向划分为6个区域，每个点一定范围内的点根据其特征向量e1指向的方向所在的区域，将这些点分为6类；每个区域的点为一类，在某点范围内，采用非极大值抑制NMS的方法，只保留特征向量指向最多一域的点；
第二，置信度非极大值抑制的步骤为：通过选取某候选点邻域候选点中分值较高的候选点，并舍弃分值较低的候选点；得到最有可能是裂隙中心点的候选点，从而稀疏化候选点，减少对裂隙连接无用的候选点提高候选点连接精度。
进一步地，所述步骤S4中，候选点连接的步骤为：
将候选点按照置信度从大到小排序，从第一个点开始，设置搜索步长和范围，沿着其切线方向e1和其反方向搜索候选点；若下一候选点并非该条直线的第一第二两点，计算三点连线形成的角度，若角度大于某一阈值α且下一候选点的灰度值与前一点的灰度值差小于某一阈值β，则将下一候选点与之前的候选点视为同一条裂隙的中心点，并连接；重复上述步骤，逐次连接每条裂隙点上的各候选点，直至搜索范围内候选点连线角度小于阈值或最后一候选点一定范围内没有候选点连接，则视为该条裂隙到达尾端；
断裂裂缝的连接步骤为：从第一条裂缝开始，依次计算其他裂缝的首尾点与该裂缝的首尾点之间的距离，得到距离最短的两点；第一，计算两点延长线和直线上相邻一点的连线形成的角度；第二，计算两点之间的距离；Length_threshlod、Angle_threshlod表示端点间距的阈值，和两个相邻裂隙端点和其中一个端点相邻的裂隙点所形成的角度阈值；对于小于阈值Length_threshlod、Angle_threshlod的裂缝端点进行连接；将合并后的裂缝至于最后，接着从下一条裂缝开始进行计算、连接，直至所有裂缝都没有符合连接条件为止，完成断裂裂缝的连接。
进一步地，伪裂隙的去除方法为：
在第i条裂缝中，设其两个节点之间的距离为Lij，通过下式计算：
式中：Li表示第i条裂缝的长度；通过上式得到每一条裂缝的长度；相比结构中最长的裂缝，长度较小的裂缝直接去除；此外，对于复杂的岩体裂隙情况，存在许多意料之外的噪点和伪裂隙；虽然之前的步骤都无法将其去除，但是由于其不是真正的裂隙，其经过像素点的灰度值远远大于真正裂缝位置的灰度值；通过计算平均灰度值去除这些伪裂隙，其中平均灰度值的计算方法为：
GVi＝(∑gvx，y)/Li
式中GVi表示第i条裂隙的平均灰度值，gvx，y表示线条所经过所有像素点的灰度值；通过设置灰度值阈值GV_threshold过滤掉高于阈值的伪裂隙。
本发明的有益效果为：
(1)本发明相比于传统裂隙提取方法更加安全、节约成本，不需要大量的人工标注的裂隙图片作为数据集，不需要人工素描绘制获取岩体的裂隙节理信息，能够节省大量的人力物力。
(2)适用性广、准确性高，无论是简单的混凝土裂隙或是真实岩体工程的复杂条件下的岩体均具有较高的准确性和优越性。
(3)鲁棒性好、速度快，能够较为高效的去除裂隙岩体周围的杂草、阴影等干扰，且相比去神经网络的裂隙识别算法，节省了制作数据集和训练的时间。
附图说明
图1为本发明的整体流程结构示意图；
图2为本发明的特征向量非极大值抑制分区示意图；
图3为本发明的置信度非极大值抑制方法示意图；
图4为本发明的候选点连接方法示意图；
图5为本发明的实例效果图。
具体实施方式
为了准确、高效、低成本地在复杂情况的岩体图像中识别裂缝，本发明提供了一种岩体裂隙识别方法。该方法基于置信度和非极大值抑制，提取出符合裂隙中心点特征的候选点并进一步筛选得到可能性更大的候选点，以便于候选点的连接。通过进一步的候选点连接和伪裂隙的去除得到精度较高的裂隙识别线。
技术方案如下：
一种岩体裂隙识别方法，步骤如下：
S1：对裂隙图像进行图像处理操作，遍历经过图像处理后的图像粗略提取裂隙中心点。
S2：对得到的粗提取后的裂隙中心点进行特征值评估，并加权综合得到置信度。
S3：对候选点的置信度进行阈值限制和非极大值抑制，进一步过滤候选点，便于候选点的连接。
S4：连接候选点形成裂隙中心连接线，并进一步连接不连续的裂隙连接线。
S5：去除伪裂隙得到精度较高的裂隙识别线(中心线)。
所述S1中，图像的处理操作包括：将图像转换为灰度图，进行中值滤波和高斯滤波。图像的裂隙中心点粗提取步骤包括：
第一，遍历图像获取每个像素点的Hessian矩阵，由于裂隙中心线法线方向上图像灰度近似服从高斯分布，假设图像上某点(x0，y0)的灰度值为。I(x0，y0)，I(x，y)为二维图像上的灰度分布函数，该分布函数二元函数。n元函数在xk处进行泰勒展开，舍弃二阶以上的部分写成矩阵形式为：
Hessian矩阵可以表示为：
式中：Ixx，Ixy，Iyy均由高斯卷积核与图像灰度I(x，y)卷积得到。
进一步的，对于图像上某点(x0，y0)，其法线方向的灰度分布函数I(x0，y0)沿着该点方向进行泰勒展开，设法线方向的单位方向向量为e＝(nx，ny)，则在该法线方向上任意某点的灰度值可以表示为：
式中：I(x0，y0)以及方向向量e均可以由图像信息计算得到。于是，上式可以视为关于t的一元函数，对t进行求导，令其一阶导数为零可以解出t的值为：
进一步的，如果说明极值点在当前像素点内，可以将当前像素点(x0，y0)视为灰度分布的极值点，将符合这一条件的点视为粗提取后的裂隙中心点。
优选地，所述S2中，对粗提取后的裂隙中心点的特征值评估包括：基于Hessian矩阵的特征值评估、裂隙法线方向对称性评估、灰度值评估三个方面。
优选地，基于Hessian矩阵的特征值评估方法为：计算每个像素点像素点Hessian矩阵的两个特征值λ1，λ2，其计算公式为：
式中：K和Q的计算方式为：
实际的裂隙中心点的Hessian矩阵特征值应当满足：
λ1≈0，|λ1|＜＜λ2
对于已经粗选出的裂隙中心点，逐个计算其Hessian矩阵特征值的大小，根据其符合上述条件的程度对该点进行打分，越符合此条件的点分值越高，满分为100分。
优选地，所述裂隙法线方向对称性评估方法为：
设其图像在该候选点(x0，y0)左右对称位置的灰度分布函数分别为f(xi，yi)，g(xj，yj)，其中(xi，yi)，(xj，yj)是关于(x0，y0)对称的点，根据上文中引入的t，两侧的灰度分布函数可以写为：
f(x，y)＝I(x0+tnx，y0+tny)，
g(x，y)＝I(x0-tnx，y0-tny)
图像上的像素点是非连续的，为了度量其对称的程度，定义：
Si 2＝[f(xi，yi)-g(xj，yj)]2
式中：为关于(x0，y0)对称的点的灰度值差值的平方，在一定范围内t∈[0，T]，其对称性程度可以表示为：
式中：T表示计算的像素点个数，每一次计算S都前进一个像素点，可以通过设置T的值设置计算像素点的个数。根据该点(x0，y0)处S的大小，可以对该候选点法线方向灰度值对称性进行评估，S越小其对称度越高，分值越高，满分为100分。
优选地，所述基于灰度值的特征值评估方法为：
将图像中的灰度值映射成范围为0-100的灰度评分分值。其中灰度值小于25的分值为100，将像素点25-125的灰度值线性映射为100-0的分值，高于125的像素点评分为0。
优选地，根据上述方法计算完毕每个点的各项分值之后，还需要对其进行调整，由于每张图像的裂隙点总体的评分分布情况不同，且大概率不会均匀分布在0-100分之间，所以需要通过排名制评分来避免阈值需要因为图像改变而重新设置。具体方法为：
排名第一的分值最高为100，按照排名依次递减，最后一名分值为0。将每一项调整后再加权平均。最后将最终评分再次按照上述方法调整。本方法不仅适用于岩体裂缝，同样适用于混凝土裂缝，对于混凝土裂缝，应适当调高对称度评分所占比重，对于岩体裂缝应适当调低对称度评分所占的比重。将加权平均后的分值除以100即得到候选点的置信度。
优选地，所述S3中，首先进行阈值限制，对于置信度(0-1)低于某一阈值的点进行去除，对剩余的点进行非极大值抑制。非极大值抑制主要包含两个方面，分别是特征向量方向非极大值抑制和置信度非极大值抑制。
第一，特征向量非极大值抑制的步骤为：首先将某点周围方向划分为6个区域，每个点一定范围内的点根据其特征向量e1指向的方向所在的区域，可以将这些点分为6类。每个区域的点为一类，在某点范围内，采用非极大值抑制(NMS)的方法，只保留特征向量指向最多一域的点。由于裂隙点的特征向量e1指向裂隙扩展方向，所以在候选点的局部区域，切向向量指向的方向占有绝对优势。通过此方法可以除去置信度很高但是切向指向其他方向的伪裂隙点以便于裂隙点的连接。
第二，置信度非极大值抑制的步骤为：通过选取某候选点邻域候选点中分值较高的候选点，并舍弃分值较低的候选点。得到最有可能是裂隙中心点的候选点，从而稀疏化候选点，减少对裂隙连接无用的候选点提高候选点连接精度。
优选地，所述S4中。候选点连接的步骤为：
将候选点按照置信度从大到小排序，从第一个点开始，设置搜索步长和范围，沿着其切线方向e1和其反方向搜索候选点。若下一候选点并非该条直线的第一第二两点，计算三点连线形成的角度，若角度大于某一阈值α且下一候选点的灰度值与前一点的灰度值差小于某一阈值β，则将下一候选点与之前的候选点视为同一条裂隙的中心点，并连接。重复上述步骤，逐次连接每条裂隙点上的各候选点，直至搜索范围内候选点连线角度小于阈值或最后一候选点一定范围内没有候选点连接，则视为该条裂隙到达尾端。
断裂裂缝的连接步骤为：从第一条裂缝开始，依次计算其他裂缝的首尾点与该裂缝的首尾点之间的距离，得到距离最短的两点。第一，计算两点延长线和直线上相邻一点的连线形成的角度。第二，计算两点之间的距离。Length_threshlod、Angle_threshlod表示端点间距的阈值，和两个相邻裂隙端点和其中一个端点相邻的裂隙点所形成的角度阈值。对于小于阈值Length_threshlod、Angle_threshlod的裂缝端点进行连接。将合并后的裂缝至于最后，接着从下一条裂缝开始进行计算、连接，直至所有裂缝都没有符合连接条件为止，完成断裂裂缝的连接。
优选地，所述S5中伪裂隙的去除方法为：
在第i条裂缝中，设其两个节点之间的距离为Lij，通过下式计算：
式中：Li表示第i条裂缝的长度。通过上式可以得到每一条裂缝的长度。相比结构中最长的裂缝，长度较小的裂缝可以直接去除。此外，对于复杂的岩体裂隙情况，存在许多意料之外的噪点和伪裂隙。虽然之前的步骤都无法将其去除，但是由于其不是真正的裂隙，其经过像素点的灰度值远远大于真正裂缝位置的灰度值。通过计算平均灰度值可以去除这些伪裂隙，其中平均灰度值的计算方法为：
GVi＝(∑gvx，y)/Li
式中GVi表示第i条裂隙的平均灰度值，gvx，y表示线条所经过所有像素点的灰度值。通过设置灰度值阈值GV_threshold可以过滤掉高于阈值的伪裂隙。
一种岩体裂隙识别方法，如图1所示，本发明的流程为粗略提取裂隙中心点，然后对粗提取点进行特征评估，包括Hessian矩阵的特征值评估、裂隙法线方向的对称性评估、灰度值评估三个方面。将评估后的值进行综合，并进行阈值限制。进一步地，得到过滤后的候选点。为了方便候选点的连接，进行非极大值抑制，包括特征向量方向的非极大值抑制以及置信度的非极大值抑制。进一步地，连接候选点和不l连续地连接线，最终过滤掉伪裂隙得到准确度较高的裂隙识别线
本施例中，首先通过相机获取一张想要识别裂缝的岩体图像。第一，对图像进行图像处理，包括中值滤波和高斯滤波，中值滤波可以降低面的坑洼不平和阴影造成的影响，并不会影响到裂隙处的图像几何信息。经过高斯滤波后的图像可以通过计算公式进行卷积运算，公式如下：
通过上式得到每个像素点的Hessian矩阵并且，通过公式：
可以计算出Hessian矩阵的两个特征值λ1，λ2，对于满足条件的点，将其筛选出来视为粗提取后的点，条件如下：
λ1≈0，|λ1|＜＜λ2
其中＜＜一般设置为条件为λ2是λ1的十倍以上，对于λ1≈0，一般设置为|λ1|＜0.5。对于已经粗提取出来的候选点，对其进行Hessian矩阵特征值评分，分数为0-100。
优选地，进行所述裂隙法线方向对称性评估。对于粗提取后的点，都有两个Hessian矩阵特征向量，其中灰度梯度下降快的方向为法线方向。对于裂隙结构，一般裂隙两边关于裂隙中心线的灰度是对称分布的，选取粗提取中心点的法线方向的T(一般设置为10)个点，计算其不对称度，用S来表示，计算公式如下：
式中：T表示计算的像素点个数。S的值越大，说明其对称性越低，反之则越高。对对称性进行评分，分值同样在0-100之间。通过这一方法可以避免检测到物体的边缘引起的为裂隙点干扰。
优选地，进行基于灰度值的特征值评估，将图像中的灰度值映射成范围为0-100的灰度评分分值。其中灰度值小于25的分值为100，将像素点25-125的灰度值线性映射为100-0的分值，高于125的像素点评分为0。
优选地，将三种方法评估后的值进行加权平均，如果检测的是混凝土裂隙，则需要调高对称性评分所占的比例；如果检测的是岩体裂隙，则需要调低对称性评分所占比例。本实施例中，Hessian矩阵特征值评估，对称性评估，灰度值评估的比例分别为40％、30％、30％。
优选地，将综合后的评分进行从大到小排序，根据排名制给分，可以避免每张裂隙图像的分值分布不均匀。具体地，排名第一的分值最高为100，按照排名依次递减，最后一名分值为0。将每一项调整后再加权平均。最后将最终评分再次按照上述方法调整。本方法不仅适用于岩体裂缝，同样适用于混凝土裂缝，对于混凝土裂缝，应适当调高对称度评分所占比重，对于岩体裂缝应适当调低对称度评分所占的比重。将最终得到的评分除以100得到一个0-1之间的数值，视为每个点为裂隙中心点的置信度。
优选地，将得到的置信度与设置的置信度阈值(一般设置为0.8)相比较，过滤掉低于所设置的置信度阈值的粗提取点，得到候选点。
优选地，对得到的候选点进行特征向量非极大值抑制。首先如图2所示将平面分为6个区域，由于阴影以及不规则岩体表面的干扰，每个候选点的切向方向的特征向量不一定严格指向裂隙延展的方向，为了方便候选点的连接，将每个点附近区域的点集根据切向特征向量所指示的方向根据图2分为6类，对于非最大数量区域内的点进行剔除，便于后续候选点的连接。进一步，对处理后的点进行置信度非极大值抑制，如图3所示，将局部范围内最大置信度的点保留，以确保在局部有多个可供连接的点影响候选点的连接。
优选地，设置搜索步长和范围，沿着其切线方向e1和其反方向搜索候选点。若下一候选点并非该条直线的第一第二两点，计算三点连线形成的角度，若角度大于某一阈值α且下一候选点的灰度值与前一点的灰度值差小于某一阈值β，则将下一候选点与之前的候选点视为同一条裂隙的中心点，并连接，重复上述步骤。
进一步地，逐次连接每条裂隙点上的各候选点，直至搜索范围内候选点连线角度小于阈值或最后一候选点一定范围内没有候选点连接，则视为该条裂隙到达尾端。重复上述步骤，直至所有裂缝连接完毕。之后对不连续的裂隙连接线进行连接，参照如图5所示的实例效果图，如图4所示，对于端点距离小于一定阈值Length_threshlod和连线夹角小于一定阈值Angle_threshlod的，连接相邻的两个端点，最终形成完整裂缝。
优选地，对得到的裂隙连接线进行筛选过滤掉伪裂隙，具体去除方法为，计算裂隙连接线的长度，对于长度小于最大裂隙长度的裂隙连接线，给予去除。裂隙长度计算公式如下：
式中：Li表示第i条裂缝的长度，两个节点之间的距离为Lij。进一步地，判别伪裂隙的更好的方法是计算其平均灰度值，计算公式如下：
GVi＝(∑gvx，y)/Li
式中GVi表示第i条裂隙的平均灰度值，gvx，y表示线条所经过所有像素点的灰度值。通过设置灰度值阈值GV_threshold可以过滤掉高于阈值的伪裂隙。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种岩体裂隙识别方法，其特征在于，包括如下步骤：
S1、对裂隙图像进行图像处理操作，遍历经过图像处理后的图像粗略提取裂隙中心点；
S2、对得到的粗提取后的裂隙中心点进行特征值评估，并加权综合得到置信度；
S3、对候选点的置信度进行阈值限制和非极大值抑制，进一步过滤候选点，便于候选点的连接；
S4、连接候选点形成裂隙中心连接线，并进一步连接不连续的裂隙连接线；
S5、去除伪裂隙得到精度较高的裂隙中心连接线。
2.如权利要求1所述的岩体裂隙识别方法，其特征在于，所述步骤S1中，图像的处理操作包括：将图像转换为灰度图，进行中值滤波和高斯滤波；图像的裂隙中心点粗提取步骤包括：
第一，遍历图像获取每个像素点的Hessian矩阵，裂隙中心线法线方向上图像灰度近似服从高斯分布，假设图像上某点(x0,y0)的灰度值为I(x0,y0)，I(x,y)为二维图像上的灰度分布函数，该分布函数二元函数；n元函数在xk处进行泰勒展开，舍弃二阶以上的部分写成矩阵形式为：
Hessian矩阵表示为：
式中：Ixx，Ixy，Iyy均由高斯卷积核与图像灰度I(x,y)卷积得到；
进一步的，对于图像上某点(x0,y0)，其法线方向的灰度分布函数I(x0,y0)沿着该点方向进行泰勒展开，设法线方向的单位方向向量为e＝(nx,ny)，则在该法线方向上任意某点的灰度值表示为：
式中：I(x0,y0)以及方向向量e均由图像信息计算得到；上式视为关于t的一元函数，对t进行求导，令其一阶导数为零解出t的值为：
进一步的，如果说明极值点在当前像素点内，将当前像素点(x0,y0)视为灰度分布的极值点，将符合这一条件的点视为粗提取后的裂隙中心点。
3.如权利要求1所述的岩体裂隙识别方法，其特征在于，所述步骤S2中，对粗提取后的裂隙中心点的特征值评估包括：基于Hessian矩阵的特征值评估、裂隙法线方向对称性评估、灰度值评估三个方面；
基于Hessian矩阵的特征值评估方法为：计算每个像素点Hessian矩阵的两个特征值λ1，λ2，其计算公式为：
式中：K和Q的计算方式为：
实际的裂隙中心点的Hessian矩阵特征值应当满足：
λ1≈0,|λ1|＜＜λ2
对于已经粗选出的裂隙中心点，逐个计算其Hessian矩阵特征值的大小，根据其符合上述条件的程度对该点进行打分，越符合此条件的点分值越高，满分为100分；
所述裂隙法线方向对称性评估方法为：
设其图像在该候选点(x0,y0)左右对称位置的灰度分布函数分别为f(xi,yi),g(xj,yj)，其中(xi,yi)，(xj,yj)是关于(x0,y0)对称的点，两侧的灰度分布函数写为:
f(x,y)＝I(x0+tnx,y0+tny),
g(x,y)＝I(x0-tnx,y0-tny)
图像上的像素点是非连续的，为了度量其对称的程度，定义:
Si 2＝[f(xi,yi)-g(xj,yj)]2
式中：为关于(x0,y0)对称的点的灰度值差值的平方，在一定范围内t∈[0,T]，其对称性程度表示为：
式中：T表示计算的像素点个数，每一次计算S都前进一个像素点，通过设置T的值设置计算像素点的个数；根据该点(x0,y0)处S的大小，对该候选点法线方向灰度值对称性进行评估，S越小其对称度越高，分值越高，满分为100分；
所述基于灰度值的特征值评估方法为：
将图像中的灰度值映射成范围为0-100的灰度评分分值；其中灰度值小于25的分值为100，将像素点25-125的灰度值线性映射为100-0的分值，高于125的像素点评分为0；
根据上述方法计算完毕每个点的各项分值之后，对其进行调整，具体方法为：
排名第一的分值最高为100，按照排名依次递减，最后一名分值为0，将每一项调整后再加权平均，最后将最终评分再次按照上述方法调整；将加权平均后的分值除以100即得到候选点的置信度。
4.如权利要求1所述的岩体裂隙识别方法，其特征在于，所述步骤S3中，首先进行阈值限制，对于置信度(0-1)低于某一阈值的点进行去除，对剩余的点进行非极大值抑制；非极大值抑制包含两个方面，分别是特征向量方向非极大值抑制和置信度非极大值抑制；
第一，特征向量非极大值抑制的步骤为：首先将某点周围方向划分为6个区域，每个点一定范围内的点根据其特征向量e1指向的方向所在的区域，将这些点分为6类；每个区域的点为一类，在某点范围内，采用非极大值抑制NMS的方法，只保留特征向量指向最多一域的点；
第二，置信度非极大值抑制的步骤为：通过选取某候选点邻域候选点中分值较高的候选点，并舍弃分值较低的候选点；得到最有可能是裂隙中心点的候选点，从而稀疏化候选点，减少对裂隙连接无用的候选点提高候选点连接精度。
5.如权利要求1所述的岩体裂隙识别方法，其特征在于，所述步骤S4中，候选点连接的步骤为：
将候选点按照置信度从大到小排序，从第一个点开始，设置搜索步长和范围，沿着其切线方向e1和其反方向搜索候选点；若下一候选点并非该条直线的第一第二两点，计算三点连线形成的角度，若角度大于某一阈值α且下一候选点的灰度值与前一点的灰度值差小于某一阈值β，则将下一候选点与之前的候选点视为同一条裂隙的中心点，并连接；重复上述步骤，逐次连接每条裂隙点上的各候选点，直至搜索范围内候选点连线角度小于阈值或最后一候选点一定范围内没有候选点连接，则视为该条裂隙到达尾端；
断裂裂缝的连接步骤为：从第一条裂缝开始，依次计算其他裂缝的首尾点与该裂缝的首尾点之间的距离，得到距离最短的两点；第一，计算两点延长线和直线上相邻一点的连线形成的角度；第二，计算两点之间的距离；Length_threshlod、Angle_threshlod表示端点间距的阈值，和两个相邻裂隙端点和其中一个端点相邻的裂隙点所形成的角度阈值；对于小于阈值Length_threshlod、Angle_threshlod的裂缝端点进行连接；将合并后的裂缝至于最后，接着从下一条裂缝开始进行计算、连接，直至所有裂缝都没有符合连接条件为止，完成断裂裂缝的连接。
6.如权利要求1所述的岩体裂隙识别方法，其特征在于，所述步骤S5中，伪裂隙的去除方法为：
在第i条裂缝中，设其两个节点之间的距离为Lij，通过下式计算：
式中：Li表示第i条裂缝的长度；通过上式得到每一条裂缝的长度；相比结构中最长的裂缝，长度较小的裂缝直接去除；此外，对于复杂的岩体裂隙情况，存在许多意料之外的噪点和伪裂隙；虽然之前的步骤都无法将其去除，但是由于其不是真正的裂隙，其经过像素点的灰度值远远大于真正裂缝位置的灰度值；通过计算平均灰度值去除这些伪裂隙，其中平均灰度值的计算方法为:
GVi＝(∑gvx,y)/Li
式中GVi表示第i条裂隙的平均灰度值，gvx,y表示线条所经过所有像素点的灰度值；通过设置灰度值阈值GV_threshold过滤掉高于阈值的伪裂隙。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886351.6A CN116883373A (zh) | 2023-07-19 | 2023-07-19 | 一种岩体裂隙识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886351.6A CN116883373A (zh) | 2023-07-19 | 2023-07-19 | 一种岩体裂隙识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116883373A true CN116883373A (zh) | 2023-10-13 |
Family
ID=88260108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310886351.6A Pending CN116883373A (zh) | 2023-07-19 | 2023-07-19 | 一种岩体裂隙识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883373A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557873A (zh) * | 2024-01-12 | 2024-02-13 | 四川高速公路建设开发集团有限公司 | 一种基于图像识别的隧道掌子面裂隙识别方法 |
-
2023
- 2023-07-19 CN CN202310886351.6A patent/CN116883373A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557873A (zh) * | 2024-01-12 | 2024-02-13 | 四川高速公路建设开发集团有限公司 | 一种基于图像识别的隧道掌子面裂隙识别方法 |
| CN117557873B (zh) * | 2024-01-12 | 2024-04-05 | 四川高速公路建设开发集团有限公司 | 一种基于图像识别的隧道掌子面裂隙识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shortis et al. | A review of techniques for the identification and measurement of fish in underwater stereo-video image sequences | |
| CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
| CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
| CN106485740B (zh) | 一种结合稳定点和特征点的多时相sar图像配准方法 | |
| CN107145829B (zh) | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 | |
| CN116883373A (zh) | 一种岩体裂隙识别方法 | |
| CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
| CN115115627B (zh) | 基于数据处理的土壤盐碱地监测方法 | |
| Wang et al. | Rock fracture centerline extraction based on Hessian matrix and Steger algorithm | |
| CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
| CN110210428A (zh) | 一种基于mser的远距离复杂环境下的烟雾根节点检测方法 | |
| CN113538501A (zh) | 低空图像dsm生成建筑物边缘精细化方法 | |
| CN112116635A (zh) | 一种基于快速人体移动的视觉跟踪方法及装置 | |
| CN115546113A (zh) | 掌子面裂隙图像与前方三维结构参数预测方法及系统 | |
| CN116563279A (zh) | 基于计算机视觉的量测开关检测方法 | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| CN115639248A (zh) | 一种用于建筑外墙质量检测的系统及方法 | |
| An et al. | Object-oriented urban dynamic monitoring—A case study of Haidian District of Beijing | |
| Yan et al. | The research of building earthquake damage object-oriented segmentation based on multi feature combination with remote sensing image | |
| CN108256545B (zh) | 一种曲线匹配方法及目标物体的形状匹配方法 | |
| CN106886609B (zh) | 街区式农村居民地遥感快速标注方法 | |
| CN113095384B (zh) | 一种基于直线段上下文特征的遥感图像匹配方法 | |
| CN115330818A (zh) | 一种图片分割方法及其计算机可读存储介质 | |
| Huang et al. | Crack fundamental element (CFE) for multi-scale crack classification | |
| CN112818551A (zh) | 一种有效提高地理探测器模型精度的新算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |