基于RGB颜色信息的风积沙含水率测试

赵青松， 刘观仕， 莫燕坤， 肖 飞

（1.桂林理工大学土木与建筑工程学院，广西桂林 541004；2.中国科学院武汉岩土力学研究所岩土力学与工程国家重点实验室，武汉 430071）

0 引 言

含水率是影响土体力学性质的重要参数之一，与土的强度、渗流特性以及土体变形有着十分密切的联系［1］，因此土的含水率测定对于工程建设、农业生产、地质灾害防治等领域都有着非常重要的意义［2］。目前常用的含水率测定方法有烘干法、时域反射仪法（TDR法）、频域反射法（FDR法）、中子法和传感器法等［3］，其中单个土样的烘干法测定结果精确度高，操作简单，但对土体有破坏性，效率低，不能满足快速测定的要求；单点或小尺度范围的TDR法、频域反射法、传感器法、中子法以及探地雷达法成本高，耗能大且要将传感器置于土体内［4］；对大尺度范围土体含水率分布情况采用遥感法，可快速测定、全天定期重复观测，但是存在气象条件（风速、空气湿度和温度）影响和遥感传感器空间分辨率不高等局限性。

随着含水率的变化，土的颜色一般也会随之改变，这是因为不同含水率的土体表面对于光的反射和吸收能力以及热辐射性能均有明显差异［5］，常用的遥感法和光谱法就是基于这一原理。遥感法主要是通过测定土体表面电磁波的入射率与反射率来确定其含水率。近年来，快速发展的遥感法监测土体含水率在农业工程领域得到广泛的应用，Hassan等［6］通过无人机多光谱遥感数据利用人工神经网络算法建立了土体表层含水率监测模型；Wigmore等［7］根据无人机遥感数据反演地表5～10 cm的土体含水率并建立含水率监测模型；光谱法方面，Bhadra等［8］通过测量土样从饱和状态和到干燥状态过程中的光谱反射率，计算出不同含水率下土的颜色坐标，得出所有的颜色坐标值与土中水分含量呈负相关关系的结论；宋韬等［9］验证了利用近红外光谱预测土体含水率方法的可行性，但未能直观地反映出不同干湿程度的土体近红外光谱与其含水率的关系。

数码相机的出现，使计算机图像处理技术精准提取土体表面颜色信息得以实现，以数值的形式表征土的颜色有助于深入探究土的颜色随含水率变化的规律，应用于土体含水率测定的研究也得到开展。Post等［10］研究发现不同密度和颜色的土在干燥和湿润两种状态下的表面的反射率与Munsell比色卡颜色相关性较好；Persson［11］应用图像处理技术研究不同体积含水率情况下四种天然土和均匀细砂在RGB与HSV两种颜色模型中颜色信息的变化，并利用S与V之间的线性模型预测两种天然土和细砂的含水率，但误差较大；王成华等［12］根据土体饱和度建立砂土及粉土的土体颜色信息分量R、G、B值之和与基质吸力的关系，但未进一步讨论与含水率的关系；Yoshimoto等［13］利用数字图像处理技术试验了一种测试土体饱和度的方法，得出饱和度与亮度值之间的关系可用二次函数表示，并提出通过图像处理技术可测试大面积土体饱和度的方法。以上文献报道中，还未涉及风积沙摄影图像颜色信息随含水率变化规律的研究，也没有利用摄影图像信息测试风积沙含水率的研究。

本文类比遥感法的图像光谱数据分析方法，通过图像处理技术，研究风积沙摄影图像颜色信息随含水率变化的规律，据此提出一种新的风积沙含水率测试方法，通过室内试验验证该方法的可行性，并从微观机理上进行解释。

1 岩土数字图像颜色信息的表征方法

1.1 颜色表征

土的颜色是在可见光波段范围内表现出反射光谱特性的。1905年Munsell首次提出了一种可以通过色度（hue）、亮度（value）和彩度（chroma）描述物体颜色的表色系统。人对颜色的视觉感观是由三原色（即红色、绿色和蓝色）3种颜色按照一定的比例叠加组合而呈现出来，已成为目前色度学研究的基础［14］。颜色需要采用颜色模型定量化描述，通过其色度、亮度和彩度来指定与创建可视化颜色。颜色模型又称颜色坐标系，是指物体某个颜色空间中的一个可见光子集，用途是在一定颜色域内方便地指定颜色，也即是颜色在三维空间中的某种排列方式。主要的颜色模型有RGB、XYZ、Lab、HVC、HSV和HIS等。

将主观颜色感知与客观物理测量值联系起来，建立科学、准确的定量测量方法，是为色度学。传统的参数测量方法主要依靠分光光度计、测色色差计以及白度计等，而数字图像处理技术的发展带来了更先进的颜色测量方法，如RGB、CMYK，其中RGB颜色模型是图像处理中表征颜色最基础、最常用的方法，也是本研究拟采用的颜色信息处理模型。采用此模型分析岩土摄影图像颜色信息时，需要先将图像的颜色信息进行分解，即将一张彩图上的每一个像素的RGB颜色分量分解出来，得到分别代表红色（R）、绿色（G）和蓝色（B）分量的3张灰度图像，每个颜色分量都划分256个等级，分别用0～255的整数表示。再对比3张灰度图像分析岩土摄影图像R、G、B颜色分量的特征值，由此可表征岩土摄影图像的颜色信息。

1.2 颜色信息的提取

本文采用陈如意［15］提出的颜色信息特征参数提取方法，即首先提取裁剪岩土颜色图像（见图1）的R、G、B颜色信息并对其像素点个数进行直方图统计（见图2），再将通过分布拟合的方式确定的各颜色分量特征值作为最终颜色信息特征值。不同目标在灰度直方图上所对应的峰值不同，单一目标直方图的密度分布曲线近似服从正态分布，多个目标出现多峰分布，可利用多个高斯分布拟合［16］。

考虑岩土表面粗糙不平形成的局部细小阴影的影响，将整个岩土摄影图像作为单一颜色目标，利用Matlab软件中的一次高斯分布对统计结果进行拟合，拟合方程如下：

图1 风积沙摄影图像

图2 图像颜色信息统计

式中：μ和σ分别为正态分布函数的数学期望和标准差。将μ值作为岩土摄影图像颜色信息分量特征值，μ值越大表明颜色分量的灰度值越大。对图1进行统计与拟合的结果如图3所示。可以看出，整体拟合效果非常好，仅颜色分量R值较低和较高段拟合结果略差，主要原因可能是岩土表面粗糙形成的阴影和不同颜色矿物造成的颜色值偏离于正常值，而采用上述μ值作为最终颜色信息分量特征值RE，就能较好地避免这些干扰［15］。

图3 风积沙颜色分量高斯拟合

2 风积沙摄影图像RGB颜色信息与含水率关系

2.1 试验土样

试验选用陕西榆林地区的风积沙，属于细沙，其基本物理性质指标如表1所示。

表1 试验风积沙物理性质指标

2.2 摄影图像获取

试验中采用TILO公司生产的标准光源对色灯箱，光源为国际通用人工日光D65标准光源，色温范围为（6 500±200）Kelvin。摄影设备采用佳能5D MarkⅡ单反相机，有效像素为2 110万，镜头为佳能EF24～105 mm标准变焦镜头，焦距24～105 mm，最近对焦距离约为0.45 m，放大倍数最大约为0.23倍。经反复对比图像效果，数码相机固定采用以下参数：光圈值f／4，曝光时间1／100 s，ISO速度ISO-200，焦距105 mm，图像分辨率5 616×3 744 pixels，照片风格设置为可靠。为保证摄影角度、距离和相机的稳定，将数码相机固定在三脚架和多功能云台上，并调整试样位置使之表面尽量与相机轴线垂直且画面居中。拍照时用红外遥控器控制相机的快门，防止相机抖动。试验装置示意图和实物图分别如图4、5所示。另外，为避免其他光源的影响，试验过程在密闭的暗室中完成，且环境湿度保持在85%左右［15］。

2.3 试验方法

图4 试验装置示意图

图5 试验装置图

首先将试验所需的风积沙风干后过筛去除杂质，用烘干法测试其初始含水率，取一定质量风干的风积沙土样，依次配置含水率为2%～14%的风积沙，含水率间隔约为1%，共14个试样。密封24 h，待风积沙水分分布均匀后采用静压法制备干密度为1.58 g／cm3（中密）的环刀试样。将环刀样静置于标准灯箱内的摄影台上，依次对所有试样进行摄影，获得不同含水率风积沙环刀试样的图像，随后立即采用烘干法进行含水率测试。利用编制的MATLAB处理程序自动提取所有风积沙试样图像的RGB颜色信息特征值。

2.4 试验结果与分析

不同含水率风积沙试样的摄影图像如图6所示（部分）。可以看出，含水率越高，风积沙颜色越深。随含水率变化的关系如图7所示，统计的风积沙摄影图像RGB颜色信息特征值RE、GE、BE如表2所示。可以看出，RE、GE、BE均与含水率呈负相关关系，其中RE与其含水率线性拟合关系较好，R2＝0.973 5，拟合结果如下：

而GE和BE与含水率拟合度分别为0.028 7、0.191 2，拟合度相对较低。为验证试验结果的可靠性，进行了一组平行试验，也获得了一致的结果（图7（a））。上述结果表明，风积沙摄影图像颜色分量特征值RE对含水率变化最为敏感，在所试验的含水率范围内两者之间呈良好的线性关系。

图6 不同含水率风积沙摄影图像（部分）

图7 风积沙摄影图像颜色分量RGB特征值与含水率的关系

表2 不同含水率风积沙摄影图像RGB特征值

3 基于R E的风积沙含水率测试

3.1 测试方法

RE随含水率呈线性变化的拟合关系也可以用下式表示：

通过标定试验确定参数k、c后，便可以通过代入RE计算得出其含水率w，这一方法简称为图像法。具体步骤为：按2.1节方法配制两个风积沙标定试样ɑ和b，其含水率分别为wa、wb；采用2.2和2.3节的装置与方法获得两个试样的REa和REb；将上述参数输入式（4），得到参数k、c；对待测风积沙试样进行摄影，将处理获得的RE代入式（3），即可以计算出风积沙样的含水率。为了提高标定曲线的精度，更好的方法是采用多个不同含水率标定试样的测试结果，应用最小二乘法确定参数k、c值：

3.2 测试结果

利用第2节风积沙摄影图像RGB颜色信息与含水率关系的试验方法对6个标定试样进行测试，得到RE与其含水率和饱和度的关系见图8，根据线性拟合结果建立的预测模型w＝－0.650 8RE＋96.556，拟合度R2＝0.941 5。对待测的12个风积沙样进行摄影及颜色信息处理，获得的RE，代入到上述标定方程后，求得的含水率结果如表3所示。

图8 风积沙含水率和饱和度与颜色分量R特征值的关系

3.3 误差分析

为检验RGB颜色信息测试风积沙含水率方法（图像法）的精度，将其测试结果与烘干法进行对比分析。烘干法测得的含水率较为精准，可将其作为真实值wA，图像法测试结果则为预测值wE，预测值与真实值的差值为误差。由表3可知，图像法测试的含水率误差最大约为－1.70%，最小约为0.10%，误差较小。

预测值与真实值的相关性分析可进一步检验预测模型的可靠性。预测模型的精度主要通过预测值和真实值得相关系数R2来检验［14］，相关系数越接近于1，预测结果越精准。将图像法和烘干法的测试值一同绘制于图9中，其线性拟合曲线的R2＝0.980 7，表明该预测模型非常可靠，可以准确测试风积沙含水率。

图9 图像法与烘干法测试风积沙含水率的相关性比

3.4 讨 论

风积沙的颜色产生缘于其对可见光的反射和吸收，试样表面的颜色是由土颗粒和附着水的反射光叠加而表现出来的。当土体含水率低于某一阈值时，入射光作用于土颗粒表面，附着水主要起吸收作用使得试样表面的反射率随着土的含水量的增加而降低［15］，反射率高低决定颜色的明度。

随着风积沙试样含水率从2%增大到18%，其颜色逐渐加深，亮度变暗，摄影图像颜色分量特征值也逐渐降低。这一现象可从微观角度解释：风积沙含水率较低（饱和度较低）时，风积沙中水主要以结合水形态吸附在砂粒和少量黏粒表面，形成很薄的结合水膜，风积沙试样表面对光的反射作用最强，其表面颜色分量特征值较大；随着含水率增大，砂粒和黏粒表面吸附的结合水含量越来越多，试样表面结合水膜面积和厚度不断增大，导致对入射光吸收作用不断增强，对入射光的反射作用减弱，因此风积沙试样表面对光的反射率降低，其摄影图像颜色分量特征值也随之减小；随着含水率不断增大，饱和度逐渐趋于较高水平，砂粒之间的空气逐步被水取代，风积沙试样表面形成很厚的结合水膜对入射光的吸收能力更强，同时将入射光折射，而结合水膜对光的折射率远高于空气，镜面反射作用减弱从而降低了试样表面的入射光强度导致其表面对光的反射率降低，摄影图像颜色分量特征值不断减小；风积沙含水率较高时，其饱和度处于较高水平，自由水开始出现，砂颗粒和黏粒之间的孔隙水以毛细水的形式存在并逐渐连通，此时的水为透明状态，根据水的光谱特征可知，在可见光范围内，入射光传播到透明状态的水中有大部分被水吸收，小部分在水面反射出来，故砂颗粒和黏粒仅对少部分透射的入射光进行反射，风积沙试样表面对光的反射率更低，表现在其表面颜色即为摄影图像颜色分量特征值较小。在此外，由于风积沙颜色中红色分量比重最大，因此，颜色分量特征值RE的变化最明显。

基于RGB颜色信息测试风积沙含水率的试验结果表明，该方法可以快速、无损、准确、连续地测试风积沙含水率，更大的优点是可以将测试的土样表面进行分块化处理，从而可以近似获得较大面积范围的风积沙表面湿度场。不足之处是，目前只能测试土体表面含水率的变化，且对于测试试验条件的要求还比较严格，需要固定光源以及相机参数，其他如温度和湿度等环境条件也需保持相对稳定。

通过后续深入研究风积沙摄影图像颜色信息随含水率变化的机理，以及光源等主要参数对风积沙颜色变化的影响规律，有望逐步建立各环境参数对含水率测试结果的校准和修正，从而可以进一步简化测试条件，提高测试精度。

4 结 论

本文研究发现了一定含水率范围内风积沙摄影图像RGB颜色信息与其含水率之间呈线性关系的规律，并据此开展了利用摄影图像颜色信息测试风积沙含水率的试验研究，得出以下结论：

（1）风积沙试样表面摄影图像的颜色随着含水率的增大而变深，亮度变暗；采用RGB颜色模型提取与自编程序处理的风积沙图像颜色分量特征值RE、GE、BE与含水率均呈明显的负相关关系，其中RE的线性拟合度最高。

（2）基于风积沙摄影图像颜色分量特征值RE与含水率的关系，建立了含水率预测线性模型，其参数可通过两个以上的含水率标定试验确定。

（3）含水率测试试验结果表明，应用摄影图像RGB颜色信息测试风积沙含水率的绝对误差最大约为1.70%，最小约为0.10%，方法可行，是一种快速、准确、高效的风积沙含水率测试方法。

（4）风积沙摄影图像颜色特征值随含水率增大而下降的主要原因在于结合水附着在沙粒及黏土颗粒表面，吸收了越来越多的光能，对光的反射率逐渐降低。

（5）摄影图像方法目前只能测试土体表面含水率的变化，需要固定光源以及相机参数，其他如温度和湿度等环境条件也需要保持相对稳定；相关测试机理也还需要深入探究。