基于SLIC超像素分割與合并的隧道圍巖節(jié)理裂隙識別

陳寶林，王 宇，王浩宇，朱長根，傅金陽

(1.浙江數(shù)智交院科技股份有限公司，浙江 杭州 310013;2.中南大學(xué) 土木工程學(xué)院，湖南 長沙 410075;3.上海寶冶集團有限公司，上海 201799)

0 引言

巖體中的節(jié)理裂隙是長期地質(zhì)運動的產(chǎn)物，也是巖體中的薄弱環(huán)節(jié)，其存在不僅破壞了巖體的完整性與連續(xù)性，使巖體表現(xiàn)為非均質(zhì)、非連續(xù)、各向異性的宏觀力學(xué)特性，還會影響到巖體的滲流途徑、力學(xué)作用機制、破壞模式和應(yīng)力分布狀態(tài)，進而影響巖體的穩(wěn)定性[1]。因此，研究巖體的節(jié)理裂隙特征信息，例如其組合規(guī)律、空間分布、規(guī)模與發(fā)育程度是隧道圍巖穩(wěn)定性分析的前提[2]。在工程實踐中，隧道圍巖信息編錄調(diào)查和量化分析工作也是隧道施工的重要環(huán)節(jié)。

當(dāng)前，圍巖結(jié)構(gòu)面與節(jié)理裂隙的檢測手段主要有現(xiàn)場接觸測量、鉆孔測量、非接觸掃描/攝影測量3類手段。其中，傳統(tǒng)的人工接觸測量以測線法、統(tǒng)計窗法為代表，工時消耗大，效率低下，而且難以實現(xiàn)對Ⅳ級、Ⅴ級結(jié)構(gòu)面的有效量測[3]。鉆孔測量由于造價高、耗時長、解算困難，在現(xiàn)代隧道高效率施工的背景下難以應(yīng)用。而以非接觸掃描/攝影測量為代表的檢測技術(shù)，具有快速、無損、精確度高等特性，在工程中具有廣泛應(yīng)用前景。

在工程實踐中，圍巖特征圖像識別技術(shù)需要解決兩大難題：首先是將圍巖結(jié)構(gòu)面、裂隙從背景圖像中分割出來，即圖像分割任務(wù)，其主要實現(xiàn)途徑包括圖像閾值分割[4-5]、邊緣檢測[6-8]與模版匹配法[8]；其次是將柵格化的識別結(jié)果矢量化為結(jié)構(gòu)面產(chǎn)狀等要素，即二值圖像數(shù)學(xué)形態(tài)學(xué)運算。在早期，桑中順等[4]采用了通行的算法，即基于一維熵最大法閾值分割算法的結(jié)果，利用Hough變換從閾值分割結(jié)果中識別直線段，但是這種方法對于曲折度較高的節(jié)理裂隙表現(xiàn)不佳。董鑫等[5]綜合surf特征點匹配結(jié)果與圖像閾值分割的結(jié)果，提取了圍巖結(jié)構(gòu)面的空間分布信息，這種新方法能兼顧圍巖的色彩信息與三維空間信息，提高結(jié)構(gòu)面識別檢測精度。在邊緣檢測算法領(lǐng)域，李勇等[6]利用 Canny 邊緣檢測算子對圖像進行處理，并基于數(shù)學(xué)形態(tài)學(xué)算法細化檢測結(jié)果，實現(xiàn)了掌子面圖像結(jié)構(gòu)面邊界自動提取。詹偉等[7]在Canny邊緣檢測+數(shù)學(xué)形態(tài)學(xué)細化算法的基礎(chǔ)上，設(shè)計了基于距離和角度等因素的迭代連接算法，降低了識別結(jié)果的誤檢漏檢情況。Wang等[8]在圖像預(yù)處理的基礎(chǔ)上，采用分?jǐn)?shù)階微分算子進行邊緣提取，并利用數(shù)學(xué)形態(tài)學(xué)算法填充空洞，有效避免了噪聲點的干擾。羅佳等[9]在圖像預(yù)處理的基礎(chǔ)上，利用Prewitt模版匹配算法檢測結(jié)構(gòu)面邊緣，同時，作者設(shè)計了一套交互式的結(jié)構(gòu)面解析系統(tǒng)，人工判定結(jié)構(gòu)面目標(biāo)。

綜上所述，傳統(tǒng)的圖像處理算法均以直接標(biāo)記節(jié)理裂隙的分布位置為目的，因此難以識別沒有寬度的節(jié)理裂隙，同時對不均勻光照、陰影等非常敏感[10]，無法解決圍巖紋理干擾的問題。而基于超像素分割的節(jié)理裂隙檢測算法有望解決上述問題。

超像素的概念由Ren等[11]首次提出，相比于傳統(tǒng)計算機視覺技術(shù)的處理單元——像素，超像素是圖像中局部的、具有一致性的、能夠保持一定圖像局部結(jié)構(gòu)特征的子區(qū)域，而超像素分割就是將像素聚合成超像素的過程[12]。當(dāng)前，超像素分割算法大致可以分為2類：基于圖論的算法和基于梯度上升的算法。基于圖論的分割算法的基本思路是將分割問題轉(zhuǎn)化為能量函數(shù)最小化問題，即將圖像中的像素點看作圖節(jié)點，并賦予節(jié)點間的邊以權(quán)值，如Normalized Cuts[13]，Superpixel Lattices(SL)[14]，ERS[15]，Graph-based Method[16]等。而基于梯度上升的分割算法是從最初的像素聚類開始，采用梯度法迭代修正聚類結(jié)果直至滿足收斂條件，從而形成超像素，如改進的分水嶺算法(Watershed)[17],Meanshift[18]，SLIC[19]，Quickshift[20]等。

本研究針對傳統(tǒng)節(jié)理裂隙識別算法的局限性，提出了一種基于SLIC超像素分割與合并的節(jié)理裂隙識別算法。與上述識別算法的處理思路不同，該算法首先基于非局部均值濾波對圍巖RGB圖像進行降噪處理，改善圖像的識別條件；隨后基于簡單線性迭代聚類算法(SLIC)獲得巖塊的初步分割結(jié)果；最后計算相鄰超像素區(qū)塊之間的合并權(quán)重，構(gòu)建區(qū)域鄰接圖(RAG)，將該合并結(jié)果經(jīng)過坐標(biāo)轉(zhuǎn)化等后處理運算獲得最終的節(jié)理裂隙分布圖。本研究節(jié)理裂隙識別算法處理環(huán)節(jié)如圖1所示。

圖1 節(jié)理裂隙識別算法處理流程

1 節(jié)理裂隙識別算法

1.1 圍巖節(jié)理裂隙特征分析

圍巖巖體節(jié)理裂隙的形態(tài)特征主要包含以下幾點：(1)在形狀上，由于圍巖的地理位置和所處環(huán)境差異，產(chǎn)生節(jié)理裂隙的機理原因有所不同，因而其性狀表現(xiàn)各異。(2)在顏色上，圍巖圖像中的節(jié)理裂隙既可表現(xiàn)為有一定寬度的深色條紋(圖2(a))，也可表現(xiàn)為與圍巖背景相似的顏色(圖2(b))，或幾乎沒有寬度，而表現(xiàn)為巖石紋理突變所形成的視覺上的分割線(圖2(c))。(3)部分巖石節(jié)理裂隙中存在填充物(圖2(d))，這些填充物的成分各異，不僅導(dǎo)致裂隙平整度較低，而且成為了裂隙識別的干擾因素。(4)部分圍巖由于表面不平整及照明方向的原因，形成了索條狀陰影(圖2(e))或條狀的圍巖紋理(圖2(f))，容易導(dǎo)致識別結(jié)果中假正例偏多。

圖2 圍巖表面節(jié)理裂隙圖像示例

1.2 非局部均值濾波降噪

圍巖圖像預(yù)處理可以控制輸入圖像的概率分布范圍，保證后續(xù)圍巖節(jié)理裂隙識別算法的普適性和穩(wěn)健性。為了抑制圍巖圖像中的噪聲干擾，同時盡可能保留原有圖像中的精細結(jié)構(gòu)(如巖石塊體邊界等)，選擇非局部均值濾波作為圍巖圖像預(yù)處理算法。

非局部均值濾波降噪算法利用了圖像中的非局部自相似性，這一特性與隧道圍巖的形態(tài)特點相吻合。對于原始帶噪圖像的每一點a，其結(jié)果值為搜索框I內(nèi)所有像素點(b)的加權(quán)平均：

(1)

式中w(a,b)為應(yīng)用于b點的加權(quán)值，表達式為：

(2)

式中，MSE(a,b)為a，b2點各自的領(lǐng)域塊之間的均方誤差；h為尺度超參數(shù)；sum為歸一化系數(shù)，因此有：

(3)

1.3 SLIC超像素分割

簡單線性迭代聚類算法(SLIC)是一種超像素分割算法，該算法將彩色RGB圖像轉(zhuǎn)化為CIELAB顏色空間和xy坐標(biāo)下的五維特征向量，然后基于特定的距離度量標(biāo)準(zhǔn)對圖像進行局部聚類。SLIC算法能生成緊湊、邊緣貼合度較好的超像素，在運算速度、物體輪廓保持、超像素性狀等方面表現(xiàn)良好。SLIC算法的實質(zhì)是將K-means聚類算法用于超像素聚類，其具體實現(xiàn)環(huán)節(jié)如下[21]：

(1)將圖像從RGB空間轉(zhuǎn)換為CIELAB空間：

[ri,gi,bi]T，

(4)

式中，ui,vi,wi為圖像CIELAB像素i的分量；ri,gi,bi為圖像RGB空間像素i的分量。

li=116f(vi/V)-16，

(5)

ai=500[f(ui/U)-f(vi/V)]，

(6)

bi=200[f(vi/V)-f(wi/W)]，

(7)

式中，li，ai，bi為CIELAB色彩空間的3個分量；U，V，W均為縮放系數(shù)，分別為0.950 546，1.0，1.088 754。

(8)

式中t為輸入變量。

這樣，圖像中的1個像素點pi可表示為：

pi=[li,ai,bi,xi,yi]T，

(9)

式中xi與yi為像素的歐式空間坐標(biāo)。

(2)初始化k個種子點(聚類中心)，根據(jù)初始設(shè)定的超像素數(shù)目，在圖像上隨機布置種子點，假設(shè)圖片共有N個像素點，預(yù)分割為k個相同尺寸的超像素塊，則每個超像素塊含有的像素個數(shù)為N/k，相鄰種子點距離(步長)近似為：

(10)

式中，N為像素數(shù)量；k為顏色距離的歸一化系數(shù)。

(3)為了避免種子點落在輪廓邊界上，對種子點在內(nèi)的3×3區(qū)域，計算每個像素點的梯度值，選擇值最小的平滑點作為新的種子點。

(4)對于種子點pi的2S范圍內(nèi)的其他像素點pi，計算距離度量D(i,j)：

(11)

式中，m為空間距離的歸一化系數(shù)；Dlab為2點在CIELAB空間下的歐氏距離，Dxy為2點在xy坐標(biāo)下的空間距離；

(5)最后，對于圖像中的每個像素點，選擇距離度量響應(yīng)最小的種子點，作為該點的聚類中心。

1.4 構(gòu)建區(qū)域鄰接圖

基于SLIC的超像素分割算法利用了同質(zhì)區(qū)域內(nèi)像素特征的相似性與相鄰不同區(qū)域之間的邊界信息，能夠很好地響應(yīng)區(qū)域內(nèi)的顏色變化，從而高效生成結(jié)構(gòu)緊湊，同質(zhì)性強的超像素。然而，SLIC方法得到的分割結(jié)果存在一定誤差，主要表現(xiàn)在對灰度變化過于敏感而導(dǎo)致的過分割問題。

因此，進行超像素區(qū)塊的合并是必要的后處理手段。其中，區(qū)域鄰接圖(Region Adjacent Graph，RAG)是描述相鄰超像素之間關(guān)系的一種無向有權(quán)圖。RAG的定義為G=(N,E)，其中節(jié)點N={ni|i=1,2,…,I}為圖中的所有超像素的集合，邊E={ej|j=1,2,…,J}為在空間上所有相鄰的2個超像素之間關(guān)系的集合。在RAG中，一條邊ej可以定義為：

ej={na,nb,w(a,b)}，

(12)

式中，na和nb為在空間上相鄰的2個超像素塊;w(a,b)為na和nb之間的合并權(quán)重，合并權(quán)重低，說明2個超像素塊之間的相似程度越高，具有更高的合并優(yōu)先級。

根據(jù)圍巖節(jié)理裂隙識別任務(wù)的特點，合并權(quán)重公式被設(shè)計為2個部分：其一為兩超像素塊在LAB色彩空間內(nèi)的高斯統(tǒng)計特征間的距離，為兩者的色彩差異程度；其二為兩超像素塊在相鄰接的一定范圍內(nèi)的Sobel濾波響應(yīng)值，為兩者邊界線的明顯程度。

(13)

式中，μi和ξi分別為超像素LAB空間內(nèi)的均值和協(xié)方差；λ1和λ2均為歸一化系數(shù)；sobel(i)為圖像在i點處的sobel濾波響應(yīng)值；I為2個超像素塊間的相鄰邊界。

最終，在已獲得的區(qū)域鄰接圖基礎(chǔ)上，執(zhí)行層次區(qū)域合并算法。

2 試驗與結(jié)果討論

2.1 試驗圖像集

為驗證算法的應(yīng)用優(yōu)勢，本研究測試了算法在1組圖像集上的識別精度。圖像采集隧道為在建的雙分離式雙向特長隧道，全長3 463 m。根據(jù)地質(zhì)勘探資料顯示，全線Ⅲ級圍巖區(qū)段占比73.47%，Ⅳ級圍巖區(qū)段占比15.88%，Ⅴ級圍巖區(qū)段占比10.65%，隧道全線均位于沉積巖地層中，層理發(fā)育，中薄～中厚層狀，多數(shù)為砂巖夾泥質(zhì)粉砂巖，在進洞口段有侵入花崗巖巖體發(fā)育，加之受構(gòu)造影響，節(jié)理較發(fā)育，隧道開挖易發(fā)生塌方，因此該隧道是合格的測試樣本選取地點。同時，由于隧道區(qū)強風(fēng)化層裂隙發(fā)育，巖體呈碎塊狀，儲水性好，因此地下水較豐富，這一干擾因素在節(jié)理裂隙檢測任務(wù)中也極為常見。

在隧道爆破、出渣、排險后，技術(shù)人員進入隧道，檢查開挖后的地質(zhì)狀況，并手持?jǐn)?shù)碼相機(佳能EOS80D)盡可能垂直于硐壁表面拍攝圍巖圖像。在對現(xiàn)場圖像進行篩選之后，最終獲得了20張大小約為6 000×4 000像素的24位圍巖RGB圖像，如表1所示，圖像中包含的主要干擾因素為陰影、地下水、極度破碎的圍巖，能夠覆蓋隧道圍巖節(jié)理裂隙中常見的問題。

2.2 識別精度對比

首先，為了驗證本研究所提出算法相比于傳統(tǒng)計算機視覺算法的精度優(yōu)勢，試驗了Canny邊緣檢測算法、自適應(yīng)高斯閾值法在相同的圖像數(shù)據(jù)集上的表現(xiàn)。其次，本研究所提出節(jié)理裂隙識別流程為“圖像預(yù)處理-超像素分割-RAG合并”，因此在超像素分割階段，同時試驗了2類超像素算法SLIC和Quickshift的輸出效果，最終確定最優(yōu)處理流程。

其中，Canny邊緣檢測算法是一種經(jīng)典的邊緣檢測算法，共包含4個步驟：圖像降噪(在本試驗中采用7×7的高斯濾波進行降噪)、計算圖像梯度、非極大值抑制與雙閾值篩選，可有效地輸出圖像中的強輪廓；自適應(yīng)高斯閾值法主要用于處理光照不均勻的圖像二值分割問題，通過計算各個像素點鄰域的高斯加權(quán)平均值來確定閾值，因此對于圖像不同亮度區(qū)域，能夠自適應(yīng)地輸出二值分割結(jié)果，是一種較為通用的二值分割算法；與SLIC簡單線性迭代聚類分割算法相比，Quickshift快速移位圖像分割算法使用了另一種處理思路，即首先計算圖像中各個點的概率密度函數(shù)，隨后通過將初始數(shù)據(jù)向量移動到具有更高能級的最近鄰域模態(tài)來實現(xiàn)模態(tài)搜索，并確定圖像像素點的聚類中心。

表1所示為測試用例1～20的節(jié)理裂隙識別精度對比。可以看出，2類超像素分割算法SLIC和Quickshift的識別精度均大幅高于Canny邊緣檢測法、自適應(yīng)高斯閾值法，這說明本研究所提出的算法流程在識別精度上與傳統(tǒng)計算機視覺算法有明顯優(yōu)勢。此外，SLIC算法與Quickshift算法相比，不僅在識別精度有一定提高，而且在20個測試用例上的標(biāo)準(zhǔn)差更低(7.16)，這證明了將SLIC作為超像素分割算法環(huán)節(jié)，抗干擾能力更強。

表1 算法精度對比(單位：%)

2.3 識別結(jié)果

圖3為測試用例7的節(jié)理裂隙識別結(jié)果，其中圖3(b)為超像素初步分塊效果。從該圖中可知，由于SLIC算法對灰度的敏感性極高，由此而導(dǎo)致的過分割現(xiàn)象嚴(yán)重，因此需要后續(xù)的超像素塊合并操作。如圖3(c)所示，不同超像素塊之間的相似性以區(qū)域鄰接圖的方式表現(xiàn)，其中值越低的邊越有可能被合并消失。最終，圍巖節(jié)理裂隙識別結(jié)果如圖3(d)所示，與圖3(b)相比，過分割現(xiàn)象有明顯緩解，各個塊體的輪廓與圍巖節(jié)理裂隙的走向大致重合，說明識別結(jié)果能夠滿足要求。

圖3 測試用例7識別結(jié)果

在測試用例12中(圖4)，由于洞內(nèi)人工照明的角度原因，在左上角出現(xiàn)了明顯的陰影區(qū)域，這部分陰影區(qū)域被算法誤判為整塊巖體。然而，此外的大部分圍巖區(qū)域均能實現(xiàn)相對準(zhǔn)確的裂隙定位(圖4(d))。因此，在算法實際應(yīng)用中，應(yīng)注意使用閃光燈設(shè)備為隧道內(nèi)壁補光，降低不均勻光照對算法精度的影響。

圖4 測試用例12識別結(jié)果

測試用例19(圖5)中，圍巖完整性程度極差(圖5(a))，因此在圖5(c)中，區(qū)域鄰接圖的高權(quán)重邊分布極為雜亂，層次合并算法表現(xiàn)不佳，但在最終結(jié)果中依然能夠?qū)崿F(xiàn)大致上的巖石節(jié)理裂隙分布與走向，證明算法有較強的魯棒性。

圖5 測試用例19識別結(jié)果

3 結(jié)論

為高效、高精度地識別隧道圍巖節(jié)理裂隙識別，提升隧道圍巖地質(zhì)信息編錄工作，本研究在對隧道圍巖節(jié)理裂隙形態(tài)特征進行總結(jié)分析的基礎(chǔ)上，提出了基于SLIC超像素分割與合并的圍巖節(jié)理裂隙識別算法，并從識別精度方面與傳統(tǒng)圍巖節(jié)理裂隙視覺識別算法進行了對比，取得如下主要結(jié)論：

(1)所提出的圍巖節(jié)理裂隙識別算法的識別精度為85.44%，顯著高于Canny邊緣檢測算法的68.59%和自適應(yīng)高斯閾值法的54.05%，表明算法在精度上較傳統(tǒng)節(jié)理裂隙檢測算法具有明顯優(yōu)勢，能夠輸出更為精確、連續(xù)的節(jié)理裂隙分布圖，可為隧道圍巖穩(wěn)定性的綜合量化評估提供技術(shù)基礎(chǔ)。

(2)在超像素分割與合并環(huán)節(jié)，SLIC與Quickshift方法的對比結(jié)果表明，SLIC算法在識別精度上有一定提升，在面對陰影、地下水、破碎圍巖等干擾因素時，表現(xiàn)出了更高的魯棒性，具備明顯的工程優(yōu)勢。

(3)基于SLIC的超像素分割算法利用了圍巖信息同質(zhì)區(qū)域內(nèi)像素特征的相似性與相鄰不同區(qū)域之間的邊界信息，可通過積極響應(yīng)區(qū)域內(nèi)的顏色變化，高效生成結(jié)構(gòu)緊湊、同質(zhì)性強的超像素，但同時該算法的灰度敏感性過高，因此需要結(jié)合區(qū)域合并算法才能達到圍巖節(jié)理裂隙識別的最優(yōu)效果。