基于岩块形状的爆堆图像自适应分割方法、设备及介质

1.本发明属于机器视觉应用技术领域，具体涉及一种基于岩块形状的爆堆图像自适应分割方法、设备及介质。


背景技术：

2.爆破以其经济、高效等优点，被广泛应用于采矿和土木工程中。爆破块度分布作为衡量爆破效果的一项重要技术指标，直接影响后续铲运、破碎及粉磨等工序成本和效率，也为爆破参数优化提供必要的依据。因此，建立爆破块度快速准确的检测方法对指导爆破施工，提高爆破效益具有重要的理论意义和实用价值。
3.爆堆具有规模大、岩块粘连严重且形状不规则、粒度差异大、灰度差异小等特点。分水岭算法因其对微弱边缘具有良好的反应，被广泛应用于岩块颗粒分割，但由于爆堆图像存在较多无意义的局部极小值，即冗余种子点，导致分水岭算法产生严重的错误分割，尤其是过分割。


技术实现要素：

4.本发明提供一种基于岩块形状的爆堆图像自适应分割方法、设备及介质，以解决现有技术中冗余种子点导致分水岭算法产生错误分割的技术问题。
5.为实现上述技术目的，本发明采用如下技术方案：
6.一种基于岩块形状的爆堆图像自适应分割方法，包括：
7.步骤1，对爆堆图像进行预处理得到爆堆二值图像；
8.步骤2，对爆堆二值图像进行距离变换得到爆堆图像的距离变换图像；
9.步骤3，采用基于岩块轮廓坚实度的种子点标记方法，根据距离变换图像进行种子点自适应标记，获得爆堆图像的种子点图；
10.步骤4，采用分水岭算法，根据种子点图对爆堆图像中的岩块进行图像分割。
11.进一步地，步骤3获得种子点图的具体方法为：
12.步骤3.1，根据距离变换图像的尺寸建立新的画布，设置灰度阈值的初始值；
13.步骤3.2，按照当前的灰度阈值对距离变换图像进行灰度阈值处理，获得灰度阈值截面图；
14.步骤3.3，采用轮廓检测技术对灰度阈值截面图进行轮廓检测，获得每个灰度阈值截面图中每个轮廓的坚实度；
15.步骤3.4，判断每个轮廓的坚实度是否大于给定的坚实度阈值，若大于，则将该轮廓绘制到新建立的画布中，并填充作为种子点；
16.步骤3.5，按预设方法增大灰度阈值，判断增大后的灰度阈值是否大于255，若是则完成种子点图的绘制，若否则返回步骤3.2。
17.进一步地，在步骤3.4判断某个轮廓的坚实度大于给定的坚实度阈值后，再进一步判断该轮廓内是否存在背景点，只有当该轮廓内不存在背景点或该轮廓与背景点无关时，
将该轮廓绘制到新建立的画布中并填充作为种子点。
18.进一步地，岩块轮廓的坚实度是指岩块的面积与岩块轮廓凸包面积的比值。
19.进一步地，给定的坚实度阈值大于0.82。
20.进一步地，步骤1的预处理依次包括：图像灰度化、双边滤波去噪、限制对比度自适应直方图均衡化、图像二值化、形态学优化和面积滤波。
21.进一步地，采用基于局部图像性质的phansalkar法对爆堆图像进行二值化处理。
22.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的基于岩块形状的爆堆图像自适应分割方法。
23.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的基于岩块形状的爆堆图像自适应分割方法。
24.有益效果
25.本发明首先对爆堆图像进行预处理和距离变换，得到距离变换图像；然后采用基于岩块轮廓坚实度的种子点标记方法根据距离变换图像进行种子点自适应标记，即选取适当的灰度阈值使距离变换图像中粘连部分分割开，并通过计算坚实度确定种子点，从而获得爆堆图像的种子点图；最终采用分水岭算法，根据种子点图对爆堆图像中的岩块进行图像分割。因此，本发明可以减少现有技术中岩块过分割和欠分割的现象，实现对爆堆中粘连岩块的有效分割。
附图说明
26.图1是本发明实施例所述图像预处理的流程图；
27.图2是本发明实施例对爆堆图像预处理的效果，其中a为石灰岩爆堆灰度图像，b为双边滤波去噪，c为直方图均衡化，d为二值图像，e为形态学优化，f为面积滤波；
28.图3是分水岭二维地形示意图；
29.图4是距离变换前后的图像，其中a为爆堆二值图像，b为距离变换图像；
30.图5是岩块的距离变换细节图和种子点图；
31.图6是坚实度分布直方图；
32.图7是距离图像三维示意图及不同灰度阈值下的二维截面图，其中a为距离图像三维示意图，b1为灰度阈值为50的距离图像三维示意图，b2为灰度阈值为50的截面图，c1为灰度阈值为100的距离图像三维示意图，c2为灰度阈值为100的截面图；
33.图8为背景区域形成的凹陷结构及二维截面轮廓图，其中a为背景区域形成的凹陷结构，b为背景区域的轮廓；
34.图9为花岗岩爆堆图像与预处理后的二值图像，其中a为花岗岩爆堆图像，b为花岗岩爆堆二值图像；
35.图10为种子点标记效果和分割效果图，其中a为石灰岩种子点图与原图的叠加图，b为石灰岩爆堆分割效果图，c为花岗岩种子点图与原图的叠加图，d为花岗岩爆堆分割效果图；
36.图11为人工分割图，其中a为石灰岩人工分割图，b为花岗岩人工分割图；
37.图12为石灰岩面积累计分布曲线；
38.图13为花岗岩面积累计分布曲线。
具体实施方式
39.下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
40.实施例1
41.本发明提供一种基于岩块形状的爆堆图像自适应分割方法，首先对爆堆图像进行预处理得到爆堆二值图像；然后对爆堆二值图像进行距离变换得到爆堆图像的距离变换图像；再采用基于岩块轮廓坚实度的种子点标记方法，根据距离变换图像进行种子点自适应标记，获得爆堆图像的种子点图；最后采用分水岭算法，根据种子点图对爆堆图像中的岩块进行图像分割。本发明在现在距离变换优化分水岭算法对图像进行分割的基础上，考虑到爆堆具有规模大、岩块粘连严重且形状不规则、粒度差异大、灰度差异小等特点，基于岩块轮廓坚实度对种子点采用自适应的灰度阈值进行标记，形成基于岩块轮廓坚实度的分水岭算法，减少过分割和欠分割现象，实现对爆堆中粘连岩块的有效分割。
42.具体的，本实施例提供的基于岩块形状的爆堆图像自适应分割方法包括以下步骤：
43.步骤1，对爆堆图像进行预处理得到爆堆二值图像。
44.由于爆堆图像的采集环境较为复杂，通过机器视觉系统采集的爆堆图像存在较为严重的噪声，而且岩块堆积严重，相互粘连，背景差异度小、颜色信息不明显。为有效的对爆堆岩块进行分割，需对爆堆图像进行预处理，预处理流程如图1所示，依次包括：图像灰度化、双边滤波去噪、限制对比度自适应直方图均衡化、图像二值化、形态学优化和面积滤波。
45.本实施例首先采用双边滤波对爆堆灰度图像去噪，其次通过限制对比度自适应直方图均衡化使岩块边缘更加明显，然后利用基于局部图像性质的phansalkar法对爆堆图像进行二值化处理，最后对爆堆二值化图进行形态学优化，并进行面积滤波。图2为经预处理后的效果图，其中图2(a)为爆堆灰度图像；图2(b)为经双边滤波去噪后图像；图2(c)为直方图均衡化后的效果图；图2(d)为爆堆图像二值化效果图，从图中可看出phansalkar法可以准确的将背景与矿石颗粒区分，效果较为理想；图2(e)为经形态学优化后的爆堆二值图像，将该图与图2(d)对比可发现，形态学优化可消除二值图像中较小的“孔洞”和噪声点，平滑目标边缘，但是仍有部分“孔洞”较大区域和噪声点无法去除。图2(f)为采用面积滤波消除较大“孔洞”和噪声点后的爆堆二值图像，取得了较为理想的结果。
46.步骤2，对爆堆二值图像进行距离变换得到爆堆图像的距离变换图像。
47.分水岭算法原理是以三维方式来把一幅图像形象化为地形图。在这种“地形学”解释中，考虑三种类型的点，如图3所示：
①
局部最小值点或最小值面，该点对应一个盆地的最低点；
②
盆地的其它位置点；
③
盆地的边缘点，即该盆地和其它盆地交接点。对于一个特定的区域最小值，满足条件
②
的点的集合称为该最小值的汇水盆地或分水岭。满足条件
③
的点形成地面的锋线，称为分割线或分水线。基于这些概念的分割算法的主要目标是找出分水线，也就是图像中岩块的边缘。
48.传统的分水岭算法通常是无标记分割，输入对象是梯度图像，是基于亮度变化的，它只反映图像的边缘信息，会因为其对噪声敏感这一特点出现不合理分割现象，导致分水
岭算法存在以下缺点：
①
原始图像中的噪声造成分割轮廓偏移；
②
对于对比度较低的图像，分水岭分割时容易丢失目标区域的轮廓；
③
因图像存在许多无意义的局部极小值导致分水岭产生过分割现象。因此，现有技术中最常用的做法就是对二值图像进行距离变换。
49.距离变换是指二值图像中每一个像素到其最近零值像素的距离。假设一张二值图像，其中有目标集和背景集，距离图为，则距离变换的定义如公式(1)：
50.d(p)＝min(disf(p，q))p∈o，q∈b
ꢀꢀ
(1)
51.其中距离函数一般选取欧式距离。
52.步骤3，采用基于岩块轮廓坚实度的种子点标记方法，根据距离变换图像进行种子点自适应标记，获得爆堆图像的种子点图。
53.图4给出了爆堆二值图像距离变换后的图像，其中(a)图为爆堆的二值图像，(b)图为该二值图像的距离图像，由(b)图可以看出二值图像的距离图像类似于图像的骨架，依然保留图像的大体形状。
54.图5为爆堆图像中某个岩块的距离变换细节图和种子点图，其中(a)为爆堆图像中的某岩块的灰度图像；(b)为该岩块的距离变换图；(c)为该距离图像的局部极大值点，即种子点。从图5(c)中可看出该岩块中心(矩形框内)存在多个极大值点，即冗余种子点，会造成较为严重的过分割，且在两个岩块粘连部分(椭圆框内)同样存在较多极值点，严重影响粘连岩块的分割效果。
55.对于该冗余种子点问题，目前常用的方法主要是采取相邻极大值点合并和极大值点膨胀合并，但如图5(c)所示，岩块内部极大值点和岩块粘连部分极大值点距离较大，上述方法很难做到准确合并。而且对于复杂的矿石图像，极大值点分布极不规则，上述极大值点消除方式效果较差。
56.在一些特殊粘连对象的分割过程中，例如粘连的细胞、球形颗粒等，可依次采用一些先验知识，如细胞核的颜色、球形颗粒的形状等信息来对种子点进行纠正。但对于本发明分割对象为爆堆岩块时，除了形状外别无其他可用的先验知识，而且爆堆岩块形状不规则，大部分为不规则的多边形。为探究爆堆岩块形状规律，本发明对爆堆图像进行人工分割，分割效果见图11(a)。
57.通过图像轮廓检测技术，统计爆堆中岩块的信息，其中包括岩块的面积、轮廓凸包、岩块轮廓坚实度，需说明的是，本发明中的岩块轮廓坚实度为岩块面积与岩块轮廓凸包面积的比值。展示部分较大岩块信息，具体信息见表1，图6为坚实度分布直方图。
58.表1爆堆图像岩块信息
[0059][0060]
从图6可看出该图中较大岩块的轮廓坚实度范围为0.82—0.97之间，主要集中在0.87—0.95之间，因此爆堆岩块轮廓的坚实度较高，此可得出爆堆岩块形状接近或等于凸多面体。
[0061]
基于以上研究，本发明为解决冗余种子点的技术问题，提出基于岩块轮廓坚实度的种子点标记方法，以用于根据距离变换图像进行种子点自适应标记，获得爆堆图像的种子点图。该方法通过选取适当的灰度阈值使得距离变换图中粘连部分(即爆堆图像中的粘连岩块)分割开，并通过轮廓检测计算轮廓坚实度来确定种子点。如图7所示，(a)为距离图像的三维示意图，其中高度为对应点的灰度值；(b1)为灰度阈值为50时的距离图像三维示意图，(b2)为其对应的二维截面图；(c1)为灰度阈值为100时的距离图像三维示意图，(c2)为其对应的二维截面图。
[0062]
从图7(b1)、(b2)可以看出当灰度阈值过小时，虽然可以把较小的岩块分割开并获得种子点，但较多的大岩块仍存在粘连，且多数部分不满足坚实度条件，并不能作为种子点。从图7(c1)、(c2)可以看出当灰度阈值过大时，虽然可以把大岩块分割开，但会忽略小岩块。由于爆堆岩块大小差异大，单一的灰度阈值并不能满足爆堆岩块的种子点标记，因此需采用多灰度阈值进行处理，并对每一个灰度阈值处理后的二维截面图中的轮廓进行判断，若符合种子点条件，则把该轮廓内部进行填充并标记为种子点。
[0063]
综合上述分析整理本实施例中步骤3基于岩块轮廓坚实度的种子点标记方法的步骤为：
[0064]
步骤3.1，根据距离变换图像的尺寸建立新的画布，设置灰度阈值的初始值，如初始灰度阈值设为10；
[0065]
步骤3.2，按照当前的灰度阈值对距离变换图像进行灰度阈值处理，获得灰度阈值截面图；如图7(b2)、(c2)的二维截面图；
[0066]
步骤3.3，采用轮廓检测技术对灰度阈值截面图进行轮廓检测，获得每个灰度阈值截面图中每个轮廓的坚实度；
[0067]
步骤3.4，判断每个轮廓的坚实度是否大于给定的坚实度阈值，若大于，则将该轮廓绘制到新建立的画布中，并填充作为种子点；
[0068]
由于该种子点标记方法是基于距离变换图像，当二值图像中的某背景区域或噪点的轮廓坚实度过高时，经距离变换处理后会在该背景区域形成如图8(a)的凹陷结构，当采用灰度阈值取轮廓时，会形成如图8(b)的轮廓，因此在更优的实施例中，在步骤3.4判断某个轮廓的坚实度大于给定的坚实度阈值后，再进一步判断该轮廓内是否存在背景点(首先在二值图像中确定该轮廓的位置，然后通过判断轮廓内部是否存在背景像素值0就可以)，只有当该轮廓内不存在背景点(轮廓内部不存在背景像素值0)或该轮廓与背景点无关(判断轮廓内存在几个背景点，情况1：个数大于1，则该轮廓与背景点无关，情况2：个数等于1，则判断轮廓的质心是否存在背景点区域内部，若不存在，则无关，若存在，则相关)时，将该轮廓绘制到新建立的画布中并填充作为种子点。
[0069]
步骤3.5，按预设方法增大灰度阈值，判断增大后的灰度阈值是否大于255，若是则完成种子点图的绘制，若否则返回步骤3.2。灰度阈值的增大方法，可以是等步长递增，或者按其他函数递增均可，本发明不作具体限制。
[0070]
坚实度跟岩石类型有关，因此坚实度阈值具体根据岩石类型给定不同值。由图6可看出该图中较大岩块的轮廓坚实度范围为0.82—0.97之间。
[0071]
步骤4，采用分水岭算法，根据种子点图对爆堆图像中的岩块进行图像分割，具体是根据种子点图对爆堆灰度图像经限制对比度直方图均衡化得到的图像(图2(c))进行分割。由于采用分水岭算法对图像进行分割为现有技术，本发明不作详细阐述。
[0072]
下面通过实验来证明本发明方法对爆堆图像中岩块分割的效果。
[0073]
1、种子点标记和分割结果
[0074]
为探究本发明基于岩块轮廓坚实度的爆堆图像自适应分水岭方法对爆堆岩块的分割效果，本实验分别采集了石灰岩和花岗岩两种不同岩石的爆堆图像，并应用本发明分割方法对其进行分割。其中石灰岩爆堆图像如图2(a)所示，二值图像如图4(a)所示，花岗岩爆堆图像如图9(a)所示，二值图像如图9(b)所示。
[0075]
采用基于岩块轮廓坚实度的种子点标记方法对两种岩石的爆堆二值图像进行种子点标记，其中坚实度阈值取0.85，并采用分水岭算法根据种子点图进行分割。种子点标记效果和分割效果见图10，其中(a)为石灰岩种子点图与灰度图的叠加图，(b)为石灰岩爆堆分割效果图，(c)为花岗岩种子点图与灰度图的叠加图，(d)为花岗岩爆堆分割效果图。
[0076]
2、种子点标记结果分析
[0077]
从图10(a)和(c)可以看出基于岩块轮廓坚实度的种子点标记方法可有效的对岩块进行标记，特别是较大的岩块。将图10(a)和(c)分别与其预处理后的爆堆二值图像对比发现，本发明的种子点标记方法可避免因二值图像岩块内部噪声对分割的影响，如图9(b)中黑色方框。
[0078]
3、爆堆图像分割结果分析
[0079]
从图10(b)和(d)可以看出，本发明基于岩块轮廓坚实度的爆堆图像自适应分水岭方法，可实现对严重堆叠和粘连的爆堆图像较为准确的分割，尤其噪点较少的石灰岩爆堆图像。而花岗岩爆堆图像因岩块阴影等问题的影响，分割效果相对石灰岩爆堆图像较差。为对分割结果进行量化指标评估，本实验以人工分割图作为分割标准对两张爆堆图像的分割效果进行评价，其中石灰岩爆堆人工分割图见图11(a)，花岗岩爆堆人工分割图见图11(b)。
[0080]
(1)爆堆图像整体分割效果分析
[0081]
图12和13分别为石灰岩和花岗岩爆堆图像中岩块的面积累计分布曲线，其计算公式见公式(2)。
[0082][0083]
式中，p为岩块累计面积比；s
total
为整个爆堆图像所有被识别岩块面积的总和；s
x
为岩块在面积分级处的累计面积。
[0084]
从图12和13可看出本发明分割方法与人工分割结果的面积累计分布曲线高度相似，尤其是石灰岩，表明本发明方法可以对爆堆图像岩块进行准确分割。
[0085]
(2)爆堆图像单一岩块分割效果分析
[0086]
为评价基于岩块轮廓坚实度的爆堆图像自适应分水岭算法对单一岩块的分割效果，从两张爆堆图像中抽取15个面积2000以上且粘连较为严重或表面具有阴影的岩块，抽取的石灰岩岩块位置分布和对应面积分别见图11(a)和表2，花岗岩岩块位置分布和对应面积分别见图11(b)和表3。从表2可看出抽取的15块石灰岩岩块中最大相对误差为编号4的4.26％，而最小相对误差仅为0.27％，其平均相对误差为1.85％。从表3可看出抽取的15块花岗岩岩块最大相对误差为编号3的13.30％，而最小相对误差仅为0.91％，其平均相对误差为5.62％。
[0087]
表2石灰岩岩块面积
[0088][0089]
表3花岗岩岩块面积
[0090][0091]
以上实施例为本技术的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本技术总的构思的前提下，这些变换或改进都应当属于本技术要求保护的范围之内。