运用GMS 算法自动识别相似模拟材料实验裂隙场

李平超

（1. 河南省地质矿产勘查开发局测绘地理信息院，河南 郑州 450006）

煤炭开采破坏了围岩的应力平衡，上覆岩层将产生垮落、断裂和弯曲变形，因此研究采动覆岩裂隙场发育规律可保障矿井的安全生产。相似材料模拟实验是研究采动覆岩裂隙场的重要手段之一，若能采用图像处理技术自动提取模型表面裂隙，则可降低人工判读的误差。文献检索发现，裂隙识别研究可分为两类[1]：人工辅助自动识别，主要包括阈值分割法、边缘检测法和区域生长法，如伏金浩[2]、Jiang C F[3]、李晓峰[4]等提高了医学影像分割方法的信噪比，王世芳[5]、吴洪宪[6]等提出了一种沥青路面裂缝检测方法，闫东阳[7]、法炜[8]等利用改进的区域生长算法来分割遥感影像；机器学习智能识别，主要包括统计机器学习和深度学习，如陶开云[9]等针对大坝表面裂隙损伤提出了一种机器识别算法，逐步融合区域生长算法与卷积神经网络来识别裂隙[10]，Zhang L[11]等利用神经网络来识别道路裂隙。此外，对裂隙识别还有神经网络和深度学习方面的研究[12-16]。综上所述，前人从不同行业背景和专业视角构建了形式各异、功能多样的数学模型，丰富了裂隙、裂隙场的识别理论；但识别相似材料模拟实验在开挖过程中形成的裂隙场的研究还不多。

基于此，本文以峰峰市九龙煤矿15235 工作面为工程研究背景，开展物理模拟实验，首先利用定焦相机从不同视角批量获取目标区影像；再对这些影像进行拼接、校正，生成正射影像；最后采用Python编写机器学习自动识别模型，自动识别相似材料模型表面的裂隙信息。

1 研究方法

1.1 GMS算法

确定数字影像上图形边界的方法是检测影像上每个像素及其直接邻域的状态，具有所需特性的像素点称之为边界点。当图像中各像素点灰度值用来反映各像素点符合边界点要求的程度时，这种图像就是边缘图或边界图。检测边界图边界上每个像素的邻域并对亮度值进行量化的过程即为边缘检测。本文算法也是一种边缘检测过程。

为计算方便，将目标图像呈现黑白效果，为凸显图像中的物体轮廓，将数字图像二值化。假设目标图像S(x'y)是大小为m×n二值化图像，f(i'j)为像素点(i'j)的亮度值。

由于S(x'y)为二值化灰度图，因此其像素灰度值可表示为：

式中，T为阈值。

式（1）的轮廓图形包含兴趣轮廓和干扰轮廓，采用影像匹配方法消除规则化干扰图形，假设T(x'y)是大小为M×N的模板图像，且M＜＜m，N＜＜n。

在目标图像S中，以M×N大小的子图为窗口，遵循从左至右、从上至下的原则，滑动子图窗口。假设以点(i'j)为窗口左上角，计算其与模板图像的相似度，遍历整个目标图，在所有子图中找到与模板图最相似的子图作为最终匹配结果。选取平均绝对差D(i'j)作为相似度评价标准，值越小，表明模板图像和目标图像越相似，因此只需找到最小的D(i'j)，即可确定目标图像中最优匹配结果的子图位置，则有：

式中，1 ≤i≤m-M+1'1 ≤j≤n-N+1。

由式（4）可知，最佳匹配结果投影到目标图像S(i'j)中是以像素坐标(i'j) 为起点的M×N子图像素矩阵。令子图像素阵列元素为零，对S(i'j)中匹配结果的投影像素矩阵掩膜，即令子图像素阵列亮度值f(x'y)=0 ，获得消除有规律的干扰图像的目标图像。

当目标图形边缘和背景亮度值反差足够清晰时，按照从左至右、从上至下的顺序遍历f(x'y)中的元素，从左至右扫描时，在S(x'y)中找到第一个子集[0 255]，即为第一个轮廓起点的左上角位置点左边界，找到第一个子集[255 0]，即为第一个轮廓终点的右上角位置点右边界；从上至下扫描时，找到第一个[0 255]T子集，即为第一个轮廓的左上角边界点上边界，找到第一个[255 0]T子集，即为第一个轮廓的左下角边界点。同理，遍历S(x'y)中f(x'y)值，即可找出轮廓G(x'y)，见图1。

假设在S(x'y)中共找到k个轮廓，将第k个轮廓G(xk'yk)对应的面积G(k)作为元素放到新的矩阵中，则有：

遍历式（6）中所有轮廓面积矩阵元素，求取矩阵中轮廓面积的众数值M0作为阈值，对面积进行筛选。

式中，z为正整数。

此时轮廓面积矩阵可表示为：

式中，NULL 为空集。

在某些条件下，当M0不能满足筛选要求时，可参考M0来调节G(k)的取值，从而改变筛选范围，用筛选后轮廓面积矩阵元素信息在式（5）上勾绘轮廓，即得到使用本文算法获取的裂隙检测结果。

1.2 编程实现

本文提出的识别相似模拟材料裂纹的图像处理流程见图2。为验证GMS 算法的有效性，本文采用Python语言编写程序，将GMS分解为基本的计算机可执行的指令序列，再编译成计算机语言，让其执行GMS的每一个计算步骤。

图2 程序流程图

首先将原始彩色图像转换为灰度图像，为突显裂缝和背景的色差，对灰度图像做二值化处理；然后在二值化图像上执行一系列操作。二值化完成后，整个计算机处理过程包括两个部分：①消除规则大面积非裂隙形状，利用图像匹配技术清除规则大面积的干扰裂缝，逐像素地将一个模板图像窗口大小的灰度矩阵与目标图像所有可能的窗口灰度阵列进行匹配，采用平均绝对差度量相似性的方法进行搜索，获得消除大面积规则形状的目标图像；②消除不规则小面积非裂隙形状，利用小区域连通域筛选技术去除不规则的小面积噪声点。

2 研究结果

将尺寸为393×874 的原图导入程序，通过人机交互、修改阈值、二值化、去除杂噪等一系列处理，识别原图中的裂缝，整个过程见图3，可以看出，原图中存在毛笔笔迹、网格线等非裂隙阴影干扰时，常规算法会将非裂隙阴影识别为裂隙，而通过二值化，可更加突显裂隙阴影和非裂隙阴影。在训练样本中使用多种形态的线段，以匹配不同图像中形状各异的线段目标。对大面积规则非裂缝阴影进行标记并掩膜，再将掩膜后的图像中所有阴影作为裂隙进行识别。由于规则大面积非裂隙阴影被掩膜，剩余非裂隙阴影虽然形状不规则，但面积较小，通过筛选可得到裂隙识别结果。

3 结 语

研究发现，常规的裂隙识别算法在识别沙盘物理模型实验平台模拟煤炭开采时垮落裂隙的效果不佳。因此，根据计算机视觉中的图像阶跃状边缘梯度幅值变化原理，选取大面积非裂隙阴影作为训练样本集，采用机器学习技术分割相似模拟实验平台中的网格点、网格线非裂缝形状；以连通域面积筛选技术和众数值为筛选阈值，丢弃任何小于阈值的连通域方法，提出了一种新的裂隙识别算法。结果表明，在沙盘物理模型平台模拟开采沉陷的垮落裂隙识别应用中，该算法在去除非裂隙阴影的前提下，能够较完整地保留上覆岩层垮落裂隙的识别。与传统裂隙识别算法，尤其是Canny 算法相比，本文算法的识别效果较接近，比其他算法中图像开闭运算过程中裂隙信息损失少。Canny 算法是对非裂缝阴影识别的处理，能更好地保留裂缝阴影的识别；而本文算法在裂隙识别过程中加入了机器学习技术和连通域面积筛选算法，使计算机视觉能更好地判断非裂缝信息，但也存在训练样本数据多、计算量大、面积筛选过程中自适应性弱等局限性。

本文在沙盘物理模型实验平台进行研究，为研究模拟开采沉陷上覆岩层垮落裂隙的发育规律提供一种参考方法，但并不局限于沙盘物理模型实验平台的裂隙识别，也可用于骨折医学影像识别、高速公路路面裂缝灾害的识别、纪念碑裂缝识别和古老建筑墙面裂缝发育识别等文物保护领域。