基于数字图像处理的岩体结构面迹线检测*

张梦原，陈俊智

(昆明理工大学 国土资源工程学院，云南 昆明 650093)

0 引言

结构面是岩体中具有一定方向、厚度较小、延展较大的二维面状地质界面，结构面的特征在很大程度上决定了岩体的力学性质，所以对于岩体结构面信息的识别是研究岩体结构面的一个重要方面。

对于结构面信息的获取，以往常利用地质罗盘、皮尺等地质测量工具人工在结构面上进行精确测量，主要有测窗法和测线法[1]。然而这种测量方法存在工作量大、耗时长、未支护的岩体露出面在现场测量时比较危险等问题。为解决这些问题，近年来近景摄影测量[2]被越来越多地用于岩土工程的非接触式地质调查。采用近景摄影测量的方式对结构面进行产状调查，可从岩体露出面的图像中检测岩体的裂隙迹线。国内外学者在岩体裂隙迹线的检测和识别方面做了很多工作：DEB等[3]采用霍夫变换进行了岩体结构面检测；REID等[4]利用软件对结构面图像进行处理后，采用像素连接的方式进行了结构面迹线检测；CINAR等[5]利用数字图像的相关性质进行了结构面裂隙检测；WANG等[6]采用Canny算子进行了裂隙检测，并用SVM技术对岩石裂隙进行了模式识别；况杰等[7]利用正确的结构面信息和非结构面噪声之间的特定差异，将非结构面噪声去除，对结构面迹线进行了识别和检测；郭立钱等[8]采用基于线特征检测和SVM技术的方法进行了迹线检测和识别。

岩体结构面迹线检测与识别的原理可视为对结构面图像实施边缘检测。结构面的图像构成中，边缘其实是图像的灰度值产生突变的像素点集合，其中包含了大量且关键的数字图像信息，提取边缘就能将需要的图像信息提取出来[9]。上述方法对于结构面数量少的图像，检测效果较好，但是在结构面错综复杂且结构面数量较多的情况下，边缘检测的结果会包含大量的非结构面噪声，而一般的去噪措施很难将其滤除，从而导致结构面迹线检测效果较差。

本文使用数码相机获取岩体结构面露头图像，并以此为研究对象，确定了一种通过数字图像处理技术获得岩体结构面迹线的方法。该方法首先通过MATLAB软件对岩体露头面进行预处理即灰度化处理；然后对灰度化的图像进行特征过滤，滤除非结构面噪声，确定感兴趣区域从而提取出结构面迹线较为清晰的区域；最后利用线分段连接的方法对感兴趣区域进行直线检测进而得到结构面迹线。

1 基本原理

本研究主要基于两大基本原理，即图像的边缘检测和概率霍夫直线检测，这两个原理是进行结构面迹线检测、识别工作的基础。

a.边缘检测。在灰度图像中，边缘其实是部分数量点的亮度产生不同变化的地方，边缘检测的原理是计算亮度变化的导数，利用MATLAB计算其一阶或二阶导数，并设定阈值，最后提取边缘，从而实现边缘检测[7]。

b.概率霍夫直线检测。在直线检测中，标准霍夫变换要求处理m个边缘点，如在图像中随机选取n(n

2 岩体结构面识别流程

2.1 图像预处理

受数码相机拍摄位置、拍摄方法和现场环境等条件的限制，拍摄的结构面图像质量不够高，这就需要对岩体露头面影像进行预处理。正常的预处理操作包括灰度化图像、图像滤波、增强图像等。通过对照片的预处理可以提高照片的质量，为后续的结构面迹线检测打下基础。经预处理后的图像如图1、图2所示。

图1 灰度化处理图像Fig.1 Graying image

图2 灰度化后增强图像Fig.2 Enhancement of image after graying

2.2 感兴趣区域(ROI)

感兴趣区域是在原图像的基础上划分图像的主要部分和关键信息部分，然后对提取出的主要部分进行分析。感兴趣区域的确定可以通过两种方式实现，其一为利用图像分割技术提取，其二为从人眼的视觉特性出发，寻找特定的视觉敏感区域。本文通过MATLAB软件编程并对图像进行分割处理，通过DrawRectangle函数创建一个Rectangle对象，并在当前图像上交互式绘制矩形感兴趣区域。对拍摄的图像进行感兴趣区域提取可以避免植被等因素的干扰而影响迹线检测精度，尽可能减小误差。感兴趣区域如图3所示。

图3 感兴趣区域图像Fig.3 Image of the interested region

2.3 边缘检测和细化

对感兴趣区域作二值化处理，得到岩体结构面的二值化图像，对其进行边缘检测。边缘检测的算子有Canny算子、Sobel算子、Laplacian算子等。Canny算子[10]具有受噪声影响较小、可利用双阈值去除伪边缘、边缘检测处理结果较连续等优点，相较于其他算子，其检测和识别结构面的效果更好。边缘检测后得到的裂隙迹线为多个像素，为了方便获取裂隙像素坐标，通过bwmorph函数将裂隙迹线细化为单像素宽度[11-13]。本文采用Canny算子进行边缘检测，效果见图4。

图4 Canny算子边缘检测图Fig.4 Canny operator edge detection

2.4 概率霍夫直线检测

概率霍夫变换是在标准霍夫变换的前提下对边界点进行随机采样，并在直线到原点的距离ρ和直线角度θ(0～π)所形成的累加器空间内进行筛选，达到规定的阈值则被视为直线[14-16]。概率霍夫变换的方法仅对部分边界点进行抽样筛选，而标准霍夫变换的方法是对所有的边界点进行检索，前者不仅节省了计算时间而且减少了计算步骤，消减了计算量。概率霍夫变换使用HoughLinesP函数进行直线检测[17-18]。

2.5 线分段及其连接

线分段像素连通分量图如图5所示。

图5 线分段像素连通分量图Fig.5 Connected component diagram of line segment pixel

图5中，α为小尺度粗糙角，β为大尺度粗糙角，δ1、δ2、δ3、δ4为回溯角，A～D为端点像素，S为种子像素。

线分段连接的流程图如图6所示。

图6 线分段连接流程图Fig.6 Flowchart of line segmentation connection

3 应用实例

本文以云南省玉溪市扬武镇自走铁矿露天边坡露头结构面图像为研究对象，采用MATLAB软件编程对图像进行灰度化处理、图像滤波、感兴趣区域选取、边缘检测等一系列操作，最后利用线分段连接的方法得到结构面迹线。图7为自走铁矿露天边坡的露头面图像，对其进行边缘检测和细化处理后得到的结果如图8所示。

图7 岩体露头面 图8 边缘检测和细化后图像Fig.7 Outcrop surface of rock mass Fig.8 Image after edge detection and refinement

经过线分段连接处理得到的结构面迹线如图9所示，运用概率霍夫直线检测方法得到的结构面迹线检测结果如图10所示，将二者与人工绘制的迹线图(见图11)进行对比，结果如表1所示。分析表1可以得出以下结论：

图9 线分段连接图Fig.9 Line connection diagram

图10 概率霍夫变换迹线检测图Fig.10 Trace detection diagram for probabilistic Hough transform

图11 人工绘制迹线图Fig.11 Manually drawn trace diagram

表1 裂隙迹线统计结果Table 1 Statistical results of fissure trace

a.迹线连接情况。通过线分段连接检测出的结构面迹线的准确率为91%，与人工绘制出的迹线结果差别很小，迹线的长度和位置基本符合真实情况，表明本文提出的线分段连接检测方法可靠性较好。概率霍夫变换检测出的结构面迹线结果的准确率为86%，这种方法容易将2条不同的迹线识别为1条迹线，一些稍短的迹线也识别不出来。

b.误检与漏检。本文提出的线分段连接检测方法可以有效地检测出迹线，但存在误检与漏检的情况，误检率约为3%，漏检率约为9%，这是由于受拍摄角度、植被和废石等因素的影响，图像边缘难以识别[19-21]，但相比概率霍夫变换检测方法的误检率6%、漏检率14%，显然本文提出的方法更有优势。

c.连续性。本文提出的检测方法得到的迹线较为完整、连续且位置准确，而概率霍夫变换检测方法得到的迹线连续性和完整性较差。

4 结论

本文提出了一种检测识别结构面迹线的新方法，即先对图像进行预处理、边缘检测等操作，然后通过线分段连接的方式将结构面迹线连在一起，从而实现结构面迹线的自动检测，为矿山调查结构面产状提供了一种较为便捷的方法。但是因受各种因素的影响，该方法还需要进一步完善，包括提高迹线的完整性和准确性等。