一种基于计算机视觉的相似材料模型中覆岩裂缝的方法

1.本发明属于地质裂缝识别技术，具体涉及一种基于计算机视觉的相似材料模型中覆岩裂缝的方法。


背景技术：

2.煤炭开采破坏覆岩引起地表破坏和生态恶化，覆岩层破坏数据难以直接观测，相似材料模型成为一种研究岩层移动的手段。裂缝检测技术协同近景摄影测量技术可以监测相似材料模型中覆岩跨落的裂隙，从而获取覆岩破坏的模拟数据。当前，经典算法主要有roberts、sobel、laplac、canny等。abdel-qader i等使用快速haar、快速fourier、sobel变换和canny变换4种边缘检测方法对裂缝进行识别，发现经典算法几乎都存在某些情况下的不足，随着裂缝检测技术越来越先进，但其在相似材料模型中裂缝检测效果不佳。即便机器学习裂隙识别精准比经典算法更优，但在开采沉陷相似材料模型中应用尚且处于初级阶段。这种情况造成的原因是由于相似材料模型中含有近景摄影测量识别标志、网格、毛笔笔迹等非裂隙纹理，更进一步讲，非裂隙纹理和裂隙纹理灰度值接近，信噪比低，所以相似材料模型中裂缝检测难度大，裂缝特征很难完整提取。
3.鉴于此，作者在诸多学者研究的基础上，将图像梯度幅值变化原理与机器学习算法相结合，提出一种裂隙自动识别新算法。并尝试用该算法将相似材料模型中裂隙轮廓从低信噪比图像中精确识别。使用图像匹配和连通域面积筛选技术提出一种新的裂隙检测算法。
4.采用裂隙识别、近景摄影测量和相似材料模型技术，研究上覆岩层移动和裂隙发育规律，研究发现经典裂隙识别算法应用于相似材料模型实验平台的裂隙识别效果不佳。现经典算法几乎都存在某些情况下的不足，roberts边缘定位精度高，但容易丢失边缘信息；sobel算法对图像进行差分和滤波，但对伪边缘识别不能完全排除；laplac对图像中阶跃边缘定位能力强，但抗噪能力差，较适合屋顶状边缘。
5.因此，针对这一现状，本文提出了一种全新的裂缝识别算法，以克服当前实际工作中存在的不足，满足裂缝识别及研究作业的需要。


技术实现要素：

6.本发明提供一种基于计算机视觉的相似材料模型中覆岩裂缝的方法，以解决背景技术存在的问题。
7.为实现以上技术目的，本发明提供以下技术方案：
8.一种基于计算机视觉的相似材料模型中覆岩裂缝的方法，包括以下步骤：
9.s1，数据获取，首先采用近景摄影测量识别系统对制备的待识别相似材料模型进行图像采集作业，并将采集后的数据进行保存，
10.s2,分割规则大面积非裂隙纹理；以gma算法为数据处理基础，首先从s1步骤中存储的图像数据中选取待测绘图像数据，然后对选取的图像数据进行分辨识别，对规则大面
积非裂缝纹理分割处理，并对选取范围图像进行二值化处理，得到黑白效果图，最后将在黑白效果图中对规则大面积非裂缝纹理掩膜处理，即可获得剩余裂缝纹理和小面积非裂缝纹理的目标图像，并对目标图像生成像素阵列；
11.s3,筛选不规则小面积裂缝纹理并构建轮廓，对s2步骤获得的目标图像，按照从左至右、从上至下的顺序，依次遍历目标图像的各元素数据，以众数值为筛选阈值开展连通域面积筛选，从目标图像中筛选出初步裂隙轮廓阵列数据，即可得到裂隙数据；
12.s4，数据校验，完成s3步骤后，将s3步骤中的裂隙数据以python语言结合opencv库编写程序进行数据校验，即可实现裂隙数据进行计算校验验证。
13.进一步的，其特征在于，所述s2步骤步骤中，在进行对规则大面积非裂缝纹理分割处理时，具体数据处理处理方法为：
14.第一步，假设选定的待测绘图像数据计做目标图像s，其像素阵列函数为s(x,y)，并为大小呈m
×
n二值化图像；
[0015][0016]
s(x,y)设定为二值化灰度图，因此s(x,y)中像素灰度值可表示为：
[0017][0018]
式中，t代表阈值；
[0019]
(i,j)为像素点的亮度值；
[0020]
第二步，采用影像匹配技术分割规则大面积非裂缝纹理，设t(x,y)是大小为m
×
n的模板图像,且m＜＜m,n＜＜n，可得函数：
[0021][0022]
第三步，在目标图像s中，取m
×
n大小的子图为窗口，遵循从左至右，从上至下原则，滑动子图窗口；按以(i,j)点为窗口左上角，计算子窗口与模板图像的相似度，以窗口大小遍历整个目标图，在所有能够取到的子图中，找到与模板图最相似的子图作为最终匹配结果；对匹配结果相似度评价，选取平均绝对差作为相似度评价标准，平均绝对差计做d(i,j)，且平均绝对差d(i,j)越小，表明模板图像和目标图像中匹配结果越相似，故只需找到最小的d(i,j)值，即可确定目标图像中最优匹配结果的子图位置，其中具体计算函数为：
[0023][0024]
其中：1≤i≤m-m 1,1≤j≤n-n 1
[0025]
第五步，首先将第四步得到的最佳匹配结果投影到目标图像s中，同时结合目标图
像s的像素点坐标(i,j)，得到以像素点坐标(i,j)为基础的子目标图像函数s(i,j)，其中子目标图像函数s(i,j)是以像素坐标(i,j)为起点的m
×
n子图像素矩阵；然后对匹配结果t(i,j)在s(i,j)中投影掩膜，即令子图像素矩阵亮度值f(x,y)＝0，将规则大面积非裂缝纹理掩膜，获得剩余裂缝纹理和小面积非裂缝纹理的目标图像，具体函数表达式为：
[0026][0027]
进一步的，所述s3步骤中在进行筛选识别作业时，具体方法为：
[0028]
首先对目标图像生成像素阵列函数f(x,y)值按照从左至右，从上至下的规则对元素遍历；从左至右扫描时，在s(x,y)中找到第一个子集[0 255]时，即为第一个轮廓起点的左上角位置点的左边界；找到第一个子集[255 0]时为第一个轮廓终点的右上角位置点的右边界；从上至下扫描，找到的第一个[0 255]
t
子集为第一个轮廓的左上角边界点的上边界，找到的第一个[255 0]
t
子集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，即可找出轮廓数据阵列g(x,y)；
[0029]
然后，将在找到的轮廓数量k，将第k个轮廓g(xk,yk)对应的面积g(k)并作为元素放到新的矩阵中，得到新的矩阵矩阵函数：
[0030]
a＝[g(1) g(2)
ꢀ…ꢀ
g(k)]
ꢀꢀ
(6)；
[0031]
并对所有轮廓面积矩阵元素遍历，求取矩阵中轮廓面积的众数值，计做mo，并将众数值mo作为阈值对面积筛选，具体用数学式表示为：
[0032]mo
＝mode{g(1) g(2)
ꢀ…ꢀ
g(k)}k∈z
ꢀꢀ
(7)
[0033]
式中，z代表正整数。
[0034]
此时由式1、式6、式7可得筛选后的轮廓面积矩阵元素信息，并由此轮廓面积矩阵元素信息勾绘出轮廓，即得到使用本文算法获取的裂隙检测结果，检测结果的具体表达函数为：
[0035][0036]
式中，null代表空集。
[0037]
进一步的，所述众数值不能满足筛选要求时，以众数值为基础来调节g(k)的取值大小，从而达到调整筛选范围的目的。
[0038]
进一步的，所述s2步骤中，gma算法伪代码为:
[0039]
首先使用cv2.imread_grayscale方法将原始彩色图像转换为灰度图像，为凸显裂缝和背景的色差，使用cv2.thresh_binary方法对灰度图像做二值化处理，裂隙识别剩余处理步骤均在二值化图像上执行，二值化过程完成后，整个算法的计算机处理过程包括两个部分；
[0040]
第二部分是，消除不规则小面积非裂隙纹理，在消除大面积干扰纹理的基础上，利用cv2.findcontours方法，小区域连通域筛选技术去除不规则的小面积噪声点。
[0041]
本发明较传统的应用于低信噪比的相似材料模型裂隙图像识别技术，一方面数据计算效率高，数据计算精度高，并有效的降低了裂缝识别作业的难度和成本；另一方面极大的提高了裂缝识别作业的灵活性、通用性和识别作业的精度，从而达到有效满足多种结构类型裂缝高效精确识别作业的需要，并为定量研究矿井上覆岩层裂隙动态发育规律提供行之有效的技术支撑。
附图说明
[0042]
图1为本发明方法流程示意图；
[0043]
图2为裂隙数据阵列示意图；
[0044]
图3为传统裂隙识别算法分析得到的裂隙结构图像；
[0045]
图4为本发明裂隙识算法分析得到的裂隙结构图像；
[0046]
图5为本发明裂隙识别作业数据运算流程结构示意图。
具体实施方式
[0047]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0048]
如图1和2所示，一种基于计算机视觉的相似材料模型中覆岩裂缝的方法，包括以下步骤：
[0049]
s1，数据获取，首先采用近景摄影测量识别系统对制备的待识别相似材料模型进行图像采集作业，并将采集后的数据进行保存，
[0050]
s2,分割规则大面积非裂隙纹理；以gma算法为数据处理基础，首先从s1步骤中存储的图像数据中选取待测绘图像数据，然后对选取的图像数据进行分辨识别，对规则大面积非裂缝纹理分割处理，并对选取范围图像进行二值化处理，得到黑白效果图，最后将在黑白效果图中对规则大面积非裂缝纹理掩膜处理，即可获得剩余裂缝纹理和小面积非裂缝纹理的目标图像，并对目标图像生成像素阵列；
[0051]
s3,筛选不规则小面积裂缝纹理并构建轮廓，对s2步骤获得的目标图像，按照从左至右、从上至下的顺序，依次遍历目标图像的各元素数据，以众数值为筛选阈值开展连通域面积筛选，从目标图像中筛选出初步裂隙轮廓阵列数据，即可得到裂隙数据；
[0052]
s4，数据校验，完成s3步骤后，将s3步骤中的裂隙数据以python语言结合opencv库编写程序进行数据校验，即可实现裂隙数据进行计算校验验证。
[0053]
本实施例中，所述s1步骤中，图像采集作业作业时，采用近景摄影测量识别系统进行图像信息采集。
[0054]
重点说明的，其特征在于，所述s2步骤步骤中，在进行对规则大面积非裂缝纹理分割处理时，具体数据处理处理方法为：
[0055]
第一步，假设选定的待测绘图像数据计做目标图像s，其像素阵列函数为s(x,y)，并为大小呈m
×
n二值化图像；
[0056][0057]
s(x,y)设定为二值化灰度图，因此s(x,y)中像素灰度值可表示为：
[0058][0059]
式中，t代表阈值；
[0060]
(i,j)为像素点的亮度值；
[0061]
第二步，采用影像匹配技术分割规则大面积非裂缝纹理，设t(x,y)是大小为m
×
n的模板图像,且m＜＜m,n＜＜n，可得函数：
[0062][0063]
第三步，在目标图像s中，取m
×
n大小的子图为窗口，遵循从左至右，从上至下原则，滑动子图窗口；按以(i,j)点为窗口左上角，计算子窗口与模板图像的相似度，以窗口大小遍历整个目标图，在所有能够取到的子图中，找到与模板图最相似的子图作为最终匹配结果；对匹配结果相似度评价，选取平均绝对差作为相似度评价标准，平均绝对差计做d(i,j)，且平均绝对差d(i,j)越小，表明模板图像和目标图像中匹配结果越相似，故只需找到最小的d(i,j)值，即可确定目标图像中最优匹配结果的子图位置，其中具体计算函数为：
[0064][0065]
其中：1≤i≤m-m 1,1≤j≤n-n 1
[0066]
第五步，首先将第四步得到的最佳匹配结果投影到目标图像s中，同时结合目标图像s的像素点坐标(i,j)，得到以像素点坐标(i,j)为基础的子目标图像函数s(i,j)，其中子目标图像函数s(i,j)是以像素坐标(i,j)为起点的m
×
n子图像素矩阵；然后对匹配结果t(i,j)在s(i,j)中投影掩膜，即令子图像素矩阵亮度值f(x,y)＝0，将规则大面积非裂缝纹理掩膜，获得剩余裂缝纹理和小面积非裂缝纹理的目标图像，具体函数表达式为：
[0067][0068]
值得注意的，所述s3步骤中在进行筛选识别作业时，具体方法为：
[0069]
首先对目标图像生成像素阵列函数f(x,y)值按照从左至右，从上至下的规则对元
素遍历；从左至右扫描时，在s(x,y)中找到第一个子集[0 255]时，即为第一个轮廓起点的左上角位置点的左边界；找到第一个子集[255 0]时为第一个轮廓终点的右上角位置点的右边界；从上至下扫描，找到的第一个[0 255]
t
子集为第一个轮廓的左上角边界点的上边界，找到的第一个[255 0]
t
子集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，即可找出轮廓数据阵列g(x,y)；
[0070]
然后，将在找到的轮廓数量k，将第k个轮廓g(xk,yk)对应的面积g(k)并作为元素放到新的矩阵中，得到新的矩阵矩阵函数：
[0071]
a＝[g(1) g(2)
ꢀ…ꢀ
g(k)]
ꢀꢀ
(6)；
[0072]
并对所有轮廓面积矩阵元素遍历，求取矩阵中轮廓面积的众数值，计做mo，并将众数值mo作为阈值对面积筛选，具体用数学式表示为：
[0073]mo
＝mode{g(1) g(2)
ꢀ…ꢀ
g(k)}k∈z
ꢀꢀ
(7)
[0074]
式中，z代表正整数。
[0075]
此时由式1、式6、式7可得筛选后的轮廓面积矩阵元素信息，并由此轮廓面积矩阵元素信息勾绘出轮廓，即得到使用本文算法获取的裂隙检测结果，检测结果的具体表达函数为：
[0076][0077]
式中，null代表空集。
[0078]
其中，所述众数值不能满足筛选要求时，以众数值为基础来调节g(k)的取值大小，从而达到调整筛选范围的目的。
[0079]
如图3所示，四种经典算法应用于低信噪比的相似材料模型裂隙图像时，sobel算法对伪边缘的处理效果较差，且只能识别方向上后半部段裂缝；robert算法容易丢失边缘信息，图中裂缝轮廓识别结果不成闭合图形；laplace算法抗干扰能力差，我们的输出结果也模糊不清；canny算法是首个使用了高斯滤波去噪的边缘检测算法，在我们的试验中输出图像最为清晰，似乎在本文中的裂隙识别方面也最为有效。即便如此，canny算法并未达到预期的效果，网格点、网格线和毛笔笔迹依然影响裂隙的判读；
[0080]
使用python编程验证算法的有效性，实现相似材料模型实验平台图像的裂缝识别。结果显示，本文所提出的裂隙识别算法，能够有效的分割和消除大面积非裂隙纹理并从小面积非裂缝纹理中分离出裂隙信息，为定量研究矿井上覆岩层裂隙动态发育规律提供行之有效的技术支撑。
[0081]
如图4和5所示，本发明在具体实施中，gma算法伪代码为：
[0082]
首先使用cv2.imread_grayscale方法将原始彩色图像转换为灰度图像，为凸显裂缝和背景的色差，使用cv2.thresh_binary方法对灰度图像做二值化处理，裂隙识别剩余处理步骤均在二值化图像上执行，二值化过程完成后，整个算法的计算机处理过程包括两个部分：
[0083]
第一部分是，消除规则大面积非裂隙纹理，采集大面积非裂隙纹理样本，利用机器
学习中影像匹配技术，训cv2.matchtemplate样本模型，逐像素的把一个以模板图像窗口大小的灰度矩阵，与目标图像的所有可能的窗口灰度阵列相匹配，按平均绝对差度量相似性的方法进行搜索，获得掩膜大面积规则纹理的目标图像。使用cv2.filled方法分割干扰裂缝判别的大面积规则的非裂隙纹理噪声；
[0084]
第二部分是，消除不规则小面积非裂隙纹理，在消除大面积干扰纹理的基础上，利用cv2.findcontours方法，小区域连通域筛选技术去除不规则的小面积噪声点。
[0085]
鉴于此，通过选取大面积规则非裂隙纹理作为训练样本集，采用机器学习技术分割相似材料模型图像中的网格点、网格线等规则大面积非裂缝纹理；采用众数值为筛选阈值开展连通域面积筛选，剔除了影响裂隙识别的小面积毛笔笔迹和像素椒盐噪声点；根据计算机视觉中的图像阶跃状边缘梯度幅值变化原理，提出了gma裂隙识别算法。结果显示，这种裂隙识别算法在复杂非裂缝纹理干扰情况下，特别在相似材料模型裂隙识别应用中，能够完整地识别上覆岩层跨落裂隙。本文提出的算法较传统经典裂隙识别算法相比具有显著优势。
[0086]
本发明较传统的应用于低信噪比的相似材料模型裂隙图像识别技术，一方面数据计算效率高，数据计算精度高，并有效的降低了裂缝识别作业的难度和成本；另一方面极大的提高了裂缝识别作业的灵活性、通用性和识别作业的精度，从而达到有效满足多种结构类型裂缝高效精确识别作业的需要，并为定量研究矿井上覆岩层裂隙动态发育规律提供行之有效的技术支撑。
[0087]
以上内容是对本发明所作的进一步详细说明，不能认定本发明的只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明由所提交的权利要求书确定的专利保护范围。