基于三维激光扫描的结构面分类聚类分析方法研究

金 鑫 （绍兴文理学院，浙江 绍兴 312000）

在过去的十年中，光探测和测距和差分干涉等遥感器已经成为滑坡分析的重要工具。激光雷达传感器，也被称为激光扫描仪，允许获得高分辨率(点密度高达104点/m2)和高精度地面的三维信息。这种系统可以在相当长的捕获距离（6000m以内）以高速（超过每秒222.000次测量）获得表面点的坐标（x、y和z）。该传感器彻底改变了岩体边坡参数的获取方法，这些参数对岩体边坡的整体和局部稳定性起着至关重要的作用，包括不连续面的方向、间距、连续性和粗糙度。这种基于三维激光扫描技术的结构面识别分类研究已经得到重视。

1 三维激光扫描技术结构面分类聚类分析现状

近几十年来，许多学者研究了非接触式测量方法，如近距离摄影测量，激光扫描测量法以及这两种方法的结合（Abellá n 等人，2014，2015，2016;Slob等，2007；Sturzenegger和 Stead，2009 年)。这两种方法的原理是不同的。点云数据可以直接从三维激光扫描测量中获得，可以通过近景摄影测量获取一系列照片，这些照片可以转换为点云数据。基于这些点云数据，三种类型的程序和软件可以提取不连续性。分别为以下三种：①商业软件包，如Split-FX；②个人研究程序，例如DiAna；③开源软件，例如DSE（Discontinuity Set Extractor）。可以手动或半自动提取信息根据基于点云的数据或直接处理3D点云数据的3D地质模型的不连续性。手动方法涉及在3D显示场景中手动选择不连续点。这种方法已应用于相关的商业软件（如 PolyWorks，VirtuoZ和 ShapeMetrix 3D）和文献（Maerz等，2013；杨和赵，2015）。通过这种手动方法，掌握很多相关知识和经验丰富的操作员可以通过本方法获得更准确的信息。另一种方法涉及到分割点云数据以获得小的矩形块，其被手动聚类成不同的不连续点（例如DiAna）。自动/半自动方法分为两类。第一类是基于摄影测量原理和模式识别程序，通常涉及构建不连续性的3D表面模型（例如PlaneDetect）。该方法已被广泛应用于研究并具有高度自动化。然而，复杂和不规则的情况（例如折叠或深凹的情况）需要更准确和复杂3D地质建模技术，这通常是单调乏味的，因此无法保证模型的准确性（Frank et al。，2007；Gigli和 Casagli，2011 年;Natali等2013)。另一类是点云的直接分类（里克尔梅等，2014），可以避免模型重建过程，直接从原始点云获得不连续性。这种方法当点数数据体量不是很大时具有高效率和高精度。然而，当点云数据存在数十万或数百万个点时，每个点的计算和分类将花费很长时间（Slob等，2005）.实质上，基于三维激光扫描技术的3D点云的不连续集的提取是点云分类问题。也就是区分属于不同不连续点的点数据。经典的分类方法，如FCM算法，简单而且相对较快（Hammah和Curran，1998年)。但是其分类结果取决于用户选择的组数和初始聚类中心，因此该方法具有高度主观性，结果可能属于局部最优。遗传算法（蔡等人，2005），利基算法（Lu等，2007），粒子群算法（宋等人，2012）虽然编码和解码的复杂性限制了这些算法的效率，但已经引入了其他仿生算法来克服FCM算法的初始聚类中心的随机选择不确定性。FA（杨，2008）模拟萤火虫的群体行为。随机优化算法已广泛应用于许多领域，如多目标和工业优化问题，调度问题和图像处理。FA具有全局优化和高收敛速度，因此可用于确定不连续提取的初始聚类中心。一些学者尝试用基于FA的聚类分析来研究用罗盘和皮尺测量的岩体不连续性的主导态度（Song等，2015），结果是可以接受的。然而，FA尚未应用于基于三维激光扫描获取的3D点提取岩体不连续性。诸如FA算法这类的聚类分析算法还有待改进以达到识别岩体结构面的目的。

2 常用结构面分类的聚类分析算法

2.1 模糊c均值算法（FCM）

模糊c-均值聚类算法 fuzzy c-means algorithm(FCMA)或称（FCM）。在众多模糊聚类算法中，模糊C-均值（FCM）算法应用最广泛且较成功，它通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。

因此，FCM算法被认为是岩体不连续性方向数据聚类分析的最优算法。根据每个组的隶属度将数据集划分为一定数量的类。隶属度从0到1不等；数据属于集合的概率越大，该集合的隶属度就越接近1。

2.2 萤火虫算法（FA）

在自然界中，最亮的萤火虫会以较低的亮度吸引萤火虫。

基于以上对于萤火虫算法的理解，在将此算法运用到结构面聚类分析时原理如下：每个萤火虫代表一个问题的解决方案，即一组集群中心，萤火虫的亮度代表了解决方案的优越性。量化萤火虫的亮度，建立用于表达解决方案优越性之间的具体关系的函数关系（宋等人，2012）。最终具有最大亮度的萤火虫是最佳解决方案。在此基础上，通过迭代求解问题的最优解。萤火虫F被萤火虫Fj吸引，并移动到萤火虫Fj处。萤火虫F的位置变化我们更新这只萤火虫；移动后F的位置可以重新确定。

当使用FA对团簇进行分类时，第一步是初始化参数，即萤火虫数N、最大吸引度η0、介质γ的光吸收因子。，步骤大小ξ、集群C数和最大迭代次数Tmax。实现FA通过迭代获得最优解的初始解。因此参数如最大吸引度，光吸收系数和步长仅仅在一定程度上影响迭代次数，几乎不影响最终结果。从理论上讲，数量越大的萤火虫和最大迭代次数，结果越可靠。但是，这个迭代过程是收敛的，所以当循环是稳定的，这两个参数的增加影响不大。

2.3 区域生长算法

区域生长算法。基本思想将以一定归其根本是一种分割技术。主要是将达到标准的像素点合并起来形成一个所需区域。在每个区域中选取一个种子像素点作为算法生长的起点。（通俗来说就是找一个像素点作为参考点，那其他像素预期进行对比判断是否存在联系），然后根据预设的攀比准则拿附近的像素点与种子点进行对比判别，相似度高的点进行合并，相似度不满足的点进行舍弃。这样一来就如同种子生长发芽一般，故称为区域生长算法。

运用到结构面分类时即选取一个种子点判断其余周围点是否达成某种预设的函数关系，若满足则划为同一结构面，若不满足则舍弃。

3 结论和展望

现阶段基于三维激光扫描的结构面智能分组聚类分析还处于发展阶段，仍有新的或者改进后的算法在不断的提出考虑到点云分割的局限性，当下的大部分算法仍有以下不足之处：a边界附近的点无法准确分类，因为边界处的立方体至少包含两个不连续点。b无法获得准确的边界线。解决这些问题将是未来结构面聚类分析工作的重点。