基于Canny算子的岩体结构面迹线半自动检测方法与流程

本发明属于图像处理领域，具体涉及一种基于canny算子的岩体结构面迹线半自动检测方法。

背景技术：

结构面是岩体中由力学强度较低的部位或岩性相对软弱的夹层构成的不连续面，岩体的变形与稳定性主要取决于结构面的发育条件。所以研究岩体结构面(rockdiscontinuitystructuralplane)，对研究岩体的力学性质十分重要，具有十分重要的工程意义。

虽然，在前人研究中关于岩体结构面迹线检测较多，但针对岩体结构面复杂的情况全自动检测效果并不理想。目前，工程中常用的测线法或窗口统计法来测量，即通过皮尺和罗盘人工现场逐一测量结构面几何信息(迹长、倾角、间距等)。该法数据处理繁琐、工作量大，并且很多地方无法进行测量。因此，随着计算机技术的发展，运用在该领域的近景摄影测量和数字图像处理技术就应运而生。经典的灰度图像的边缘检测算法有susan边缘检测算子，canny边缘检测算子，沈俊边缘检测算子等。

但是以上传统的边缘检测算法较为简单，只适用于一些简单的图像的边缘检测，对于复杂的岩体结构面情况检测效果并不理想。所以需要对该检测方法进行改进，使其能够更好地适用于复杂图像的边缘检测。

技术实现要素：

本发明的目的在于提供一种基于canny算子的岩体结构面迹线半自动检测方法。

本发明解决其技术问题所采用的技术方案是：一种基于canny算子的岩体结构面迹线半自动检测方法，具体步骤如下：

步骤1、控制点输入：对原照片进行观察，指定主要裂隙的控制点，裂隙控制点包括裂隙起始点、终点和拐点；

步骤2、图像分割：通过指定的区域将原图一分为二，一张为步骤1中的人工指定区域，另一张包括剩余裂隙，其中人工指定区域是通过控制点和偏移量确定的矩形区域；

步骤3、图像获取：将输入的两张彩色图像采用0.3倍的红基色、0.59倍的绿基色和0.11倍的蓝基色进行相加得到两张灰度图像；

步骤4、预处理：对步骤3中获取的两张灰度图像分别通过滤波器进行图像低通滤波，对低通滤波后的图像通过增强算法进行图像增强果；

步骤5、边缘检测：利用canny算子，对步骤4处理后的两张图片分别进行边缘检测；

步骤6、裂隙处理：对步骤5处理后的两张检测结果进行细化处理，然后删除节点和单点；

步骤7、迭代连接、剔除伪边缘：对步骤6处理后的两张边缘分检测图片通过人机交互输入角度、距离阈值，将满足阈值要求的分段线进行迭代连接，同时剔除伪边缘；

步骤8、边缘叠加：对步骤7处理后的两张边缘检测图片中的迹线检测结果进行叠加，得到完整的裂隙检测结果图。

与现有技术相比，本发明的显著优点为：(1)本发明将主要裂隙与次要裂隙分开处理，能够更好地减少二者之间的干扰，而且通过人机交互，能够更加准确的确定迭代连接的角度、距离阈值，所以能够更好地保证主次裂隙识别的完整性与正确性，因而具有更高的精确性。

附图说明

图1为基于canny算子的岩体结构面迹线半自动检测方法流程图。

图2为人工指定区域示意图。

图3为线段节点、内部点、端点和单点定义图。

图4为求两分段线最近端点示意图。

图5为最近两端点分别到另一分段线的距离示意图。

图6为最近两端点连线与另一分段线的夹角示意图。

图7为两分段线水平夹角之差示意图。

图8为两分段线相似性分析流程图。

图9为岩体露头面图像示意图。

图10为人工指定少量难以正确识别的主要裂隙图像示意图。

图11为人工指定裂隙区域提取图像示意图。

图12为提取人工指定区域后剩余的结构面图像示意图。

图13为人工指定区域主要裂隙检测结果图。

图14为canny边缘检测、细化、删除节点和单点结果图。

图15为剩余区域裂隙检测结果图。

图16为人工指定区域与剩余区域的岩体结构面迹线叠加结果图。

具体实施方式

如图1所示，一种基于canny算子的岩体结构面迹线半自动检测方法，将主次裂隙区域分离，实施边缘像素检测的后处理以消除伪边缘。具体步骤如下：

步骤1、控制点输入：对原照片进行观察，人工指定主要裂隙的控制点，裂隙控制点包括裂隙起始点、终点和拐点；主要裂隙是指裂隙大小超过设定阈值的裂隙。这一步骤主要是通过人工输入控制点，然后将难以正确识别的主要裂隙存在的区域确定出来，为提取该区域做准备。

步骤2、图像分割：通过人工指定的区域将原图一分为二，一张包括难以正确识别的主要裂隙，另一张包括剩余裂隙。其中人工指定区域是通过控制点和偏移量确定的矩形区域，偏移量为输入图像纵向像素值h的1/20。如图2中控制点a、b，人工指定区域则为线段ab分别向垂直线段ab的上、下方向偏移h/20个像素点；这一步能够将因为相互交错而导致难以正确识别的主次裂隙区域分开，从而减少二者的干扰，提高检测的精确性。

步骤3、图像获取：将输入的两张彩色图像采用0.3倍的红基色、0.59倍的绿基色和0.11倍的蓝基色进行相加得到两张灰度图像；

步骤4、预处理：对c中获取的两张灰度图像分别通过滤波器进行图像低通滤波，达到图像去噪的效果；然后对低通滤波后的图像通过增强算法，达到图像增强的效果；

步骤5、边缘检测：利用canny算子，对d处理后的两张图片分别进行边缘检测；

步骤6、裂隙处理：对e处理后的两张检测结果进行细化处理，本发明采用形态学细化算法将裂隙细化成单像素宽度的裂隙，然后删除节点和单点。其中节点和单点的定义为：对e处理后的图像(白底黑线)每个像素点从左往右、从上往下依次进行分析，如果当前检测像素点p(i,j)为黑色时，统计其四周八个位置中为黑色像素点的个数并记为n。当n≥3时，则该点应为节点；当n＝2时，则该点为分段线内部点；当n＝1时，则该点为该分段线的端点；当n＝0时，则该点为单点。如图3(a)中n＝3，则像素点p(i,j)为节点，图3(b)中n＝2，则像素点p(i,j)为线段内部点，图3(c)中n＝1，则像素点p(i,j)为线段端点，图3(d)中n＝0，则像素点p(i,j)为单点；

因为对图像进行边缘检测的结果宽度多为多个像素，将其细化为单像素宽度有助于减少图形冗余信息量，突出图形特征，这样可减少运算量从而缩短识别的时间和提高识别率。还有图像边缘检测及细化的结果往往存在分支(毛刺、迹线交叉)的情况，这有碍于对分段线进行拟合和参数提取。为了得到更加准确的迹线参数，就需要清除细化后图像中的节点，同时将检测的单点视为噪声进而清除。

步骤7、迭代连接、剔除伪边缘：对f处理后的两张边缘分检测图片通过人机交互输入角度、距离阈值(dt、dt、γt、βt)，将满足阈值要求的分段线进行迭代连接，同时剔除伪边缘。如图8所示，角度、距离阈值的定义如下：

①如图4，l1和l2分别为两条线段，a11、a12分别为线段l1的两端点，a21、a22分别为线段l2的两端点，d1、d2表示a11与线段l2两端点的距离，d3、d4表示a12与线段l2两端点的距离，dmin表示d1、d2、d3、d4的最小值，即图4中a12、a21之间的距离。如果dmin小于给定的判定阈值dt，则继续往下判定。

②如图5所示，由上知a12、a21表示两条分段线距离最近的两个端点，d1、d2分别表示a12到线段l2和a21到线段l1的距离。sd＝d1+d2，如果sd小于给定的判定阈值dt，则继续往下判定。

③a、角度准则1：如图6所示，a12、a21连线与线段l1的夹角记为γ，如果γ小于给定的判定阈值γt，则继续往下判定。

b、角度准则2：如图7所示，α1，α2分别为l1和l2的倾斜角，β为两倾角差，β≤90°，当|α1-α2|≤90°时，β＝|α1-α2|；当|α1-α2|>90°时，β＝180-|α1-α2|。如果β小于给定的判定阈值βt，则继续往下判定。

④如果l1和l2两线段满足上述条件①②③，则l1和l2有很大可能属于同一条结构面的迹线。l1和l2的相似系数sij求解如下，相似系数越大则二者属于同一结构面裂隙的可能性越大：

其中w1、w2、w3、w4、θ1、θ2均为大于0的常数。

这一步充分体现了人机交互的优越性，通过人工输入角度、距离阈值，能够更加准确地对属于同一结构面迹线的分段线进行迭代连接，伪边缘因为无法满足阈值要求无法连接变长，进而滤除。

步骤8、边缘叠加：对g处理后的两张边缘检测图片中的迹线检测结果进行叠加，得到完整的裂隙检测结果图，然后输出。

下面参照附图对本发明的示例性实施方式进行详细描述。

实施例

原图为图9，对岩体露头面中容易识别错误的主要裂隙进行人工指定控制点，如图10所示，为了便于观察，此处将属于同一裂隙的控制点进行了连接。然后通过算法将原图一分为二，分别是提取区域图11和剩余区域图12。之后分别对二图进行canny边缘检测、细化、删除节点和单点以及迭代连接，如图14所示，二图的处理结果如图13、图15所示。最后将二者的处理结果叠加，即为最终结果图16。本发明将主次裂隙区域分离，实施边缘像素检测的后处理以消除伪边缘，能够显著提高岩体结构面迹线检测的完整性与正确性，因而具有更高的精确性。