基于环状分区和LVQ神经网络的混凝土CT图像分割方法

王 杭，李宗利

(1.渭南职业技术学院，陕西 渭南 714000；2.西北农林科技大学，陕西 杨凌 712100)

0 引 言

从细观层面上看，混凝土是由骨料、砂浆、界面及孔隙等凝聚成的多相非均质复合材料[1-3]。从材料学角度来说，一种材料的宏观性能受其微、细观结构和构造影响[4]，为了研究混凝土宏观破坏机理，众多学者通过CT技术获得混凝土真实图像，建立其二维、三维真实细观结构模型，从细观尺度描述混凝土结构，进行数值分析，最终揭示了影响材料破坏的因素，取得了很好效果[5-7]。在这些模型的建立过程中，CT图像作为最原始数据，其处理质量的好坏至关重要，直接影响着重建模型的精细度及准确性，继而影响着数值分析的准确性。实际扫描过程中，受混凝土材料属性、CT设备的性能、成像原理、扫描参数设定、噪声干扰等因素影响，导致混凝土图像亮度不均匀性问题比较突出，原始CT图像难免存在噪点、边缘模糊、对比度不足等问题，且圆形CT扫描图像存在沿半径方向灰度逐渐变化(内部暗，周围亮)的特点，这都给图像分割增加了难度。通过对现有的如区域生长法、均值迭代分割法、OTSU法等图像分割处理方法分析[8-9]，这些方法对于本文所需处理的图像均存在过分割的现象，无法顺利实现混凝土图像各相分割。而且在处理构建三维细观模型所需处理的几百张到上千张海量图像时，受图像差异性以及阈值手动设置等因素影响，不能实现图像批处理和处理智能化，给三维模型快速建立带来较大困难。

考虑到混凝土工业CT扫描图像灰度沿半径变化特点以及快速建模的需要，本文利用LVQ神经网络识别准确度高、人工干预少的优点，提出了一种基于环状分区和LVQ神经网络的混凝土CT图像分割算法，用以完成试件所有混凝土图像中的骨料、砂浆和孔隙各相的分割。试验结果及与其他方法对比表明，该方法能够有效提升混凝土中各相材料的识别准确度，且能够实现批量和智能化处理，可为快速建立混凝土三维细观模型提供技术支持。

1 混凝土试样制备及CT图像获取

制备强度为C20混凝土试样，配合比为水∶水泥∶砂∶石子=0.55∶1∶2.25∶5.02。水泥采用P.C32.5R硅酸盐水泥，安定性合格，标准稠度用水量28.6%，初凝4.2 h，终凝5.3 h，28 d抗压强度46.58 MPa。砂子采用渭河天然中砂，细度模数2.4，表观密度2.59 g/cm3，堆积密度1 540 kg/m3，有害物质在规定值以下。粗骨料采用粒径5～20 mm、20～40 mm的渭河卵石，含泥量0.6%，表观密度2.65 g/cm3，堆积密度1 563 kg/m3。试件制备过程严格按照《水工混凝土试验规程》[10]进行。对150 mm×150 mm×150 mm标准立方体试件进行取芯，得到高度×直径=100 mm×100 mm的圆柱体试样。

选用德国YXLON国际射线有限公司生产的工业CT设备扫描圆柱体试件，该工业设备最大管电压为225 kV，最大管电流为1.0 mA，其较于医用CT设备具有所出图像分辨率高且扫描速度快的优点。经CT扫描，得到的图像分辨率为0.13 mm，大小为781×772像素，如图1所示，其灰度直方图如图2所示。从图1、2可以看出，扫描图像具有明显的中间亮、四周暗、亮度沿半径分布不均、无明显双峰的特征。

图1 CT原始图像

图2 灰度直方图

2 基于环状分区和LVQ神经网络的混凝土CT图像分割方法

2.1 混凝土工业CT图像分割算法

由于混凝土CT图像存在所得图像中心到边缘灰度逐渐增大的情况，直接采用LVQ神经网络进行分割则会导致过分割现象。对此，采用将图像划分为不同的圆环进行处理，对各圆环图像分别用LVQ神经网络进行分割，具体程序流程如图3所示。

图3 程序流程

程序具体步骤为：

(1)对原始图像进行类型转换，而后进行中值滤波、直方图均衡化等去噪预处理。

(2)将预处理后的图像分为由半径为80像素构成的不重叠圆环，如图4所示。

图4 混凝土圆环分割示意

(3)对各子图像分别采用LVQ神经网络提取骨料、砂浆，以圆环2骨料提取为例。由于同一骨料因石材、砂浆密度不同且受噪声影响导致灰度值不均匀，因此单点灰度值很难作为判断是否为骨料、砂浆的标准。为加快训练网络的收敛性，通过matlab图像处理，将0～255的灰度数据值转化为0～1数值范围，称为归一化灰度值。为提升分割准确度，选取骨料或砂浆内部某点的8邻域灰度值构成9元素输入向量，作为一个输入样本来训练神经网络。从圆环2图像中选取归一化骨料数据12组，砂浆数据12组，每组数据含9个元素(即选取点的8邻域值)。将该24组数据作为样本输入LVQ神经网络，完成网络训练。其中，竞争层神经元数目为8，分类百分比为[0.6，0.4]。将图像内每点的8邻域值构成输入向量，输入训练好的LVQ神经网络，完成图像初步分割。随后，对初步分割后图像采用腐蚀、膨胀、修补等形态学处理，结果如图5所示。

图5 圆环2分割结果

(4)将分割后各子图像重新整合为整幅图像，得到目标分割图像，如图6所示。

图6 混凝土分割结果合成

2.2 效果对比分析

以骨料分割为例，图7a为采用本文方法图像分割结果，图7b为未采用8邻域值作为输入的LVQ神经网络方法分割结果，图7c为整体采用区域生长法分割结果，图7d为整体采用OTSU法[11-12]分割。从图7可以明显看出，b、c、d 3种方法均出现了过分割或者分割不足的结果，而采用本文方法，克服了工业CT圆形扫描切片存在的缺点，分割结果更为准确。

图7 采用不同分割方法所得结果示意

3 结 语

本文针对工业CT扫描所得混凝土图像沿半径方向灰度不均匀且灰度直方图为单峰的特点，提出了一种基于环状分区和LVQ神经网络的混凝土CT图像分割方法。通过构建多组骨料、砂浆的8邻域向量值作为学习样本，提升了输入数据的代表性和准确性，克服了骨料、砂浆灰度值范围跨度大且有重叠导致识别难的缺点。通过仿真实验及与其他算法对比表明，该算法能够准确实现目标图像分割，可为真实混凝土细观模型的建立提供基础数据信息。