结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法

摘要

本发明提供一种结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法，以边缘链长度和按边缘链长自适应分块的块灰度作为双重阈值标准，基于双门限阈值分割算法得到目标区域与背景的明显界限后，结合图像分水岭图像分割算法处理便能进行再分割，对图像的极小值进行标定后就可以对梯度图直接进行分水岭变换，从而实现对爆堆岩体块度图像的准确分割。本发明基于形态学梯度的双门限阈值分割算法在对爆破岩体块度图像的分割效果上，优于一般传统的图像分割算法，对光照不均、表面纹理复杂的不同尺寸级岩堆图像分割准确性上更佳，解决了岩石表面噪点问题，克服了大量噪声对图像处理精度的影响。

说明书

技术领域

本发明属于爆堆岩石块度图像分割技术领域，具体涉及一种结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法。

背景技术

图像分割技术的好坏是影响爆堆块度图像分析系统结果的关键因素。不少专家学者在图像分割算法上进行了改进，取得了一定的进展。Pascal Asmussen等提出了集成边缘检测和区域增长算法的岩石薄片图像分割方法，提升了岩石图像分割效果；王桂芹等提出基于FCM和标记分水岭的粘连图像分割，该方法对粘连岩石颗粒图像有较好的实验效果。这些新理论的分割方法相比于传统、单一的图像分割方法在抗干扰性、鲁棒性、精度等方面均有所提高。国外学者Wand L F提出一种水平集结合K均值聚类的图像分割方法，达到了多阈值分割的目的，但计算较为复杂并且应对噪声和异常值时没有足够鲁棒性。为克服这些缺点，国内Jiang等人在Wand L F研究的基础上提出了一种基于局部熵的空间约束模糊c-means聚类算法和FCM_S简化模型，其在精度和鲁棒性方面具有优势，可用于分割表面具有噪声的图像，但整体计算复杂度较高，不利于应用和推广。

综上所述，国内外相关的图像分割技术不少，但是针对露天现场岩块光照不均、表面纹理复杂、背景与目标灰度相近等问题的岩堆图像，能够快速有效地滤除噪声，实现目标区域与背景的正确分割的技术较少，而且大多数传统的阈值分割必须满足：图像的直方图要有明显的双峰或多峰，否则基于灰度阈值对图像进行处理，会使部分背景和目标混为一谈，因此传统阈值法只有在目标和背景反差较大的图像分割时才有效果。鉴于此，需对这种复杂情况下的分割技术进行改进。

发明内容

有鉴于此，本发明提供一种结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法，本发明基于形态学梯度的双门限阈值分割算法在对爆破岩体块度图像的分割效果上，优于一般传统的图像分割算法，对光照不均、表面纹理复杂的不同尺寸级岩堆图像分割准确性上更佳，解决了岩石表面噪点问题，克服了大量噪声对图像处理精度的影响。

本发明的技术方案为：

一种结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法，其特征在于，包括以下具体步骤：

S1.以边缘链长度和按边缘链长自适应分块的块灰度作为双重阈值标准，大于某一链长度阈值同时大于某一块的灰度阈值的边缘链是目标边缘，其被保留；否则，被删除；

S2.对经过上述步骤处理的边缘图像，进一步实施将边缘的断点向上一级跟踪，以此类推，这样就初步获取了单像素宽、定位准确、效果良好的边缘图像；

S3.结合滤波器sobel算子，通过设置门限的方法，提取边界点集，再到目标图像上进行掩模，最后在梯度图上采用分水岭分割算法并借助地形学概念寻找图像极小值的位置，即为准确的边界位置；

S4.基于双门限阈值分割算法得到目标区域与背景的明显界限后，结合图像分水岭图像分割算法处理便能进行再分割，分水岭算法其本质是借助地形学的概念寻找图像极小值的位置，即边界位置；对图像的极小值进行标定后就可以对梯度图直接进行分水岭变换，从而实现对爆堆岩体块度图像的准确分割。

进一步的，所述结合形态学梯度的双门限阈值分割算法具体为：

对于爆堆图像，每个岩块边缘的灰度值一般不同。仅仅根据二值化图像内部灰度值的差异，凭借计算机图像处理软件来识别岩块边缘是可行的，但是误差往往很大。通过图像灰度分布的梯度来反映图像灰度的变化，相较而言能提供更为精确的边缘方向信息。

求梯度图其本质是标识数字图像中亮度变化明显的点。Sobel 算子利用像素点上下、左右邻点的灰度加权算法，根据取适当门限TH，并作如下判断来进行边缘的检测：s(i,j)>TH，其中(i,j)为阶跃状边缘点，s(i,j)为边缘图像。

进一步的，所述Sobel算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。Gx和Gy分别是在横向及纵向的灰度偏导的近似值。其中，Gx=

进一步的，对于每一个点可以获得两个方向的梯度，选择采用一阶微分算子Sobel求梯度，用Sobel求出图像灰度在两个方向上的偏导数，并求出梯度大小|△ｆ|和方向θ，其公式如下：|△ｆ|=

进一步的，还包括，通过定义一个阈值Gmax，如果G比Gmax大，可以认为该点是一个边界值，则设置这个点为白色，否则为黑色，这样就得到原始图像梯度变化最大的位置（见图1、图2）。

进一步的，所述结合形态学梯度的双门限阈值分割算法中，参数设置为：高阈值120-160，低阈值20-60。

本发明提供的结合形态学梯度的双门限阈值技术是分水岭技术的一种改进的用法，通过把高程图当做dem，当用高低阈值分别选取足够亮和暗的部分进行背景与前景的标定后，在梯度图的基础上会进行模拟的“涨水”，也就是目标区域与背景“各自生长”，在原始图像梯度变化最大的位置处形成一个界限，达到将目标区域分割开的目的。

本发明的主要创新点在于：

1、结合形态学梯度的双门限阈值分割实现步骤；

2、结合形态学梯度的双门限阈值分割技术在爆堆岩石块度图像分割中的重要参数：高阈值120-160，低阈值20-60。

本发明的有益效果在于：

1、基于形态学梯度的双门限阈值分割算法在对爆破岩体块度图像的分割效果上，优于一般传统的图像分割算法，对光照不均、表面纹理复杂的不同尺寸级岩堆图像分割准确性上更佳。

2、结合形态学梯度的双门限阈值技术对岩石表面质地不均匀、噪声等问题，平滑、降噪处理效果最好，解决了岩石表面噪点问题，克服了大量噪声对图像处理精度的影响。

附图说明

图1为本发明爆堆原图的示意图；

图2为本发明爆堆的梯度图；

图3为本发明具体实施例中各种算法对小径湾爆堆图像1#的分割结果；

图4为本发明具体实施例中各种算法对小径湾爆堆图像2#的分割结果；

图5为本发明结合Sobel梯度双门限阈值参数；

图6为本发明对比例中各种算法对工地现场爆堆图像分割结果。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施方式，对本发明进行进一步的详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。

实施例1

一种结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法，其特征在于，包括以下具体步骤：

S1.以边缘链长度和按边缘链长自适应分块的块灰度作为双重阈值标准，大于某一链长度阈值同时大于某一块的灰度阈值的边缘链是目标边缘，其被保留；否则，被删除；

S2.对经过上述步骤处理的边缘图像，进一步实施将边缘的断点向上一级跟踪，以此类推，这样就初步获取了单像素宽、定位准确、效果良好的边缘图像；

S3.结合滤波器sobel算子，通过设置门限的方法，提取边界点集，再到目标图像上进行掩模，最后在梯度图上采用分水岭分割算法并借助地形学概念寻找图像极小值的位置，即为准确的边界位置；

S4.基于双门限阈值分割算法得到目标区域与背景的明显界限后，结合图像分水岭图像分割算法处理便能进行再分割，分水岭算法其本质是借助地形学的概念寻找图像极小值的位置，即边界位置；对图像的极小值进行标定后就可以对梯度图直接进行分水岭变换，从而实现对爆堆岩体块度图像的准确分割。

进一步的，所述结合形态学梯度的双门限阈值分割算法具体为：

对于爆堆图像，每个岩块边缘的灰度值一般不同。仅仅根据二值化图像内部灰度值的差异，凭借计算机图像处理软件来识别岩块边缘是可行的，但是误差往往很大。通过图像灰度分布的梯度来反映图像灰度的变化，相较而言能提供更为精确的边缘方向信息。

求梯度图其本质是标识数字图像中亮度变化明显的点。Sobel 算子利用像素点上下、左右邻点的灰度加权算法，根据取适当门限TH，并作如下判断来进行边缘的检测：s(i,j)>TH，其中(i,j)为阶跃状边缘点，s(i,j)为边缘图像。

进一步的，所述Sobel算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。Gx和Gy分别是在横向及纵向的灰度偏导的近似值。其中，Gx=

进一步的，对于每一个点可以获得两个方向的梯度，选择采用一阶微分算子Sobel求梯度，用Sobel求出图像灰度在两个方向上的偏导数，并求出梯度大小|△ｆ|和方向θ，其公式如下：|△ｆ|=

进一步的，还包括，通过定义一个阈值Gmax，如果G比Gmax大，可以认为该点是一个边界值，则设置这个点为白色，否则为黑色，这样就得到原始图像梯度变化最大的位置（见图1、图2）。

进一步的，所述结合形态学梯度的双门限阈值分割算法中，参数设置为：高阈值120-160，低阈值20-60。

本发明提供的结合形态学梯度的双门限阈值技术是分水岭技术的一种改进的用法，通过把高程图当做dem，当用高低阈值分别选取足够亮和暗的部分进行背景与前景的标定后，在梯度图的基础上会进行模拟的“涨水”，也就是目标区域与背景“各自生长”，在原始图像梯度变化最大的位置处形成一个界限，达到将目标区域分割开的目的。

实施例2

在惠州小径湾爆破现场采集了多组爆堆图像，选择其中最具有代表性的二组（1#、2#）图像进行分割实验，并与目前被广泛使用的如灰度阈值（如图3、4中（b））、适应性阈值（如图3、4中（c））、Otsu阈值（如图3、4中（d））、Sauvola阈值法（如图3、4中（e））进行分析比较，探讨双门限阈值技术在爆堆图像分割领域的优越性。

如图3、图4为花岗岩，有节理构造，由于是近距离采集的图片，其岩石表面纹理清晰。岩石表层信息丰富，噪点和斑驳的痕迹非常明显，同时具有很明显的结晶颗粒，质地不均一，个别目标之间，存在着粘连的情况，整体堆叠现象严重。结合形态学梯度的双门限阈值算法，经过多次分割试验，总结出若高阈值在120-160范围内，低阈值在20-60范围内，便能够实现目标（白色区域）与背景（黑色区域）的区分。在此案例中，以选取参数高阈值123，低阈值22为例（如图5所示）。

对比例

与现有的图像分割算法进行分割结果的对比分析：图6是砾岩爆堆，有层理构造，且组成的成分中有鹅卵石等大小不一的石块，属于沉积岩。由分割实验（见图6）得到，图（b）的灰度阈值法在分割不同种类岩石时的一个共性：对岩石内部噪点处理不够，这样为下一步的图像预处理带来难度；图（c）的适应性阈值法仍不能解决粘连岩块分割问题；图（d）的Otus法在明暗变化较大的地方，“黑洞”问题过于明显。图（e）的Sauvola阈值法相较而言分割效果优于前面几种方法，但内部噪声问题仍然存在；图（f）所提的算法较好地区分了目标，解决了岩石表面噪点问题，仅存在一定程度的欠分割问题。

表1为双门限阈值法与分割效果相对较优的Sauvola阈值法分割实验结果统计表格，对图中约40个爆堆岩块测量三次最大弦长并取平均值，所得结果换算成的等效面积（等效成正方形）作为砾岩块表面积真值。将对岩石爆堆图像分割相对较优的Sauvola算法和双门限阈值算法识别结果（当量圆的面积）分别与人工测量的面积真值对比，随机选取其中28组数据进行统计（见表1）。通过表1可计算出，双门限阈值算法进行图像分割的平均相对误差为12.0%，在岩堆图像二值化分割中效果良好的Sauvola阈值法平均相对误差为17.2%。同时，还可以发现：Sauvola阈值分割由于其始终存在岩块内部噪点过多的问题，在尺寸[1000，4000]cm

表1 砾岩堆手工测量的单个岩块换算面积与二种算法机器视觉识别结果及其相应误差

综上所述，基于形态学梯度的双门限阈值分割算法在对爆破岩体块度图像的分割效果上，优于一般传统的图像分割算法。它既能够在露天现场岩块光照不均、表面纹理复杂的岩堆图像中实现目标区域与背景的正确分割，而且能够快速有效地滤除噪声，且能够较接近地反映表面岩块个数，虽分割效果仍达不到完全精准，但对于爆破岩体块度机器视觉识别的关键步骤-----图像分割已满足要求，其应用于爆破块度图像识别前的图像预处理方面具有优势。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。需注意的是，本发明中所未详细描述的技术特征，均可以通过本领域任一现有技术实现。