CN108460419A - 钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 - Google Patents
钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 Download PDFInfo
- Publication number
- CN108460419A CN108460419A CN201810188144.2A CN201810188144A CN108460419A CN 108460419 A CN108460419 A CN 108460419A CN 201810188144 A CN201810188144 A CN 201810188144A CN 108460419 A CN108460419 A CN 108460419A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- radar
- texture
- imagery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了钻孔光学图像和雷达成像信息融合的裂缝参数提取方法。包括图像预处理步骤;自适应确定分割阈值步骤;匹配正弦函数步骤;幅值、初相和基线的提取步骤;雷达成像的参数提取步骤;相对介电常数的获取步骤。本发明方法稳定可靠,识别率高,可高效完成钻孔面的自动识别与参数提取。
Description
技术领域
本发明属于岩体工程、雷达技术与图像识别技术领域,更具体涉及钻孔光学图像和雷达成像信息融合的裂缝参数提取方法,适用于钻孔摄像中结构面的全自动化处理与智能化分析。
背景技术
在地质工程、水电工程、石油开发和地质灾害防治工程方面,常常需要了解岩石结构面的形态特征。在岩石结构面中,这些形态特征的自动化识别与倾向倾角等参数的智能提取对于勘探、工程设计与施工等具有重要的实际意义。
目前,结构面形态特征的判读与提取基本上停留在人工操作识别的基础上。对于结构面的识别,通常由人工给出结构面曲线的控制点,进而由计算机拟合出标准的正弦曲线,确定拟合曲线与图像曲线互相符合后,再根据拟合参数重新计算出结构面的几何参数。这个识别操作的过程存在较多的人为参与环节,不仅仅工作效果低,而且不同的操作人员可能会给出不同的识别结果,造成识别结果的多样性,可靠性较低。无法实现钻孔图像结构面参数的全自动化连续判读与智能识别。特别是在深至几千米的钻孔图像中,钻孔图像数据量大,结构复杂,人工操作费时费力,难以短期内完成。并且目前大部分的裂缝参数的提取都单纯的依靠光学信号或者雷达信号进行单一处理,计算出来的数据往往存在一定的误差且无法进行较好的验证。因此,结构面形态特征的全自动识别、参数的快速提取及准确性具有重要的实际意义,迫切需要解决。
本发明提出了一种全新的将光学图像与雷达成像信息结合的结构面自动识别与参数提取及准确性验证方法,用以解决钻孔图像中结构面全自动化判读与裂缝位置、倾向、倾角等参数的智能提取。针对利用钻孔摄像技术获取的钻孔图像,采用图像S通道进行图像预处理、图像分割、图像细化进而进行正弦函数的模板匹配,根据匹配得到的正弦函数计算出相应的参数,再利用雷达信号得到雷达图像进行相应的参数计算工作,融合两种信息源得到的参数进而得到最终的准确数据。实现了光学图像与雷达成像的有机结合,得到最终的参数计算结果。
发明内容
为了克服上述现有技术的不足,本发明提供了钻孔光学图像和雷达成像信息融合的裂缝参数提取方法。为解决裂缝参数的自动准确识别提供了支持。该方法简单易行,稳定可靠,可以实现全自动化处理,无需人为因素干预,极大地提高了工作效率,一次性准确地完成率所有结构面的识别与参数的提取。
本发明的方法所采用的技术方案是:
钻孔光学图像和雷达成像信息融合的裂缝参数提取方法,包括以下步骤:
步骤1、载入光学钻孔柱面图像,将光学钻孔柱面图像展开并转换为HSV图像,提取HSV图像中的图像饱和度通道图像,将图像饱和度通道图像进行加权均值滤波过滤掉噪声点,再对过滤的图像饱和度通道图像进行Gamma增强变换,获得增强图像,
步骤2、通过OTSU大津法分割法对增强图像分割为背景图像和目标图像,目标图像即为裂隙图像,
步骤3、按照正弦拟合函数对裂隙图像进行拟合,获得幅值A、初相以及基线c,其中,Y为裂缝纵向像素点位置,X为裂缝横向像素点位置,M为裂隙图像的像素宽度,
步骤4、由幅值A、初相以及基线c的大小计算出裂缝的位置、裂隙的倾向以及裂缝的倾角,
裂缝的位置为c;
裂隙的倾向xmin为裂缝纵向像素点位置Y的最小值对应的X值;
裂缝的倾角
其中,d为钻孔直径;
步骤5、利用探地雷达对钻孔进行扫描,得到相应的雷达图像,对雷达图像进行滤波增强后再对雷达图像中的纹理进行霍夫直线检测,获得纹理对应纹理直线,纹理直线的斜率即为裂缝的倾角β2,其中,h为纹理直线对应的高度,l为雷达水平传播距离;
步骤6、由β1=β2、和求得相对介电常数εr,
与现有技术相比,本发明具有以下有益效果:
1、本发明所述方法创新性的提出了利用光学图像的HSV模型的S通道来进行整个图像的预处理过程,提取的裂缝效果良好。
2、本发明所述方法中涉及的预处理的参数以及图像分割的阈值参数可以根据图像的质量自适应的确定,实现了全自动化的处理,避免了人为因素的干扰,简化了操作过程,极大的提高了工作效率。
3、本发明所述方法创新的提出了利用光学图像和雷达成像同时处理计算参数的方法,利用两者得到的计算结果进行相互验证,可以得到较为准确的参数结果。
4、本发明所述方法运行速度快,工作效率高。比如:在100米深的钻孔高清图像中,该方法只需要连续运行数小时就可以一次性完成所有结构面的自动识别与参数提取,而通常的人工判读方式则需要几天时间,并且很难保质保量地完成所有结构面的识别与参数的精确提取。
另外,本发明所述步骤均可以通过专业软件(比如Visual C++,MATLAB等)的编程实现,例如通过C++语言编程,可以编写实现以上步骤的程序代码,计算机在得到钻孔图像之后依据以上步骤的程序代码即可实现图像中结构面的自动识别与参数提取。
附图说明
图1为本发明实例中钻孔光学图像与雷达成像对应图,其中(a)为立体图形式的光学钻孔柱面图像,(b)为雷达图像。
图2为图1(a)中立体图形式的光学钻孔柱面图像进行展开的图像。
图3为图像饱和度通道图像。
图4为对图像饱和度通道图像进行加权均值滤波以后的图像。
图5为进行Gamma变换增强以后的图像。
图6为图像分割以后的图像。
图7为进行图像细化的图像。
图8正弦曲线拟合后的图像。
图9纹理直线的检测的图像。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
钻孔光学图像和雷达成像信息融合的裂缝参数提取方法,在已获得光学钻孔柱面图像和雷达图像的前提下,其步骤是:
步骤1、图像预处理:载入光学钻孔柱面图像,将光学钻孔柱面图像展开并转换为HSV图像,单一提取HSV图像中的图像饱和度通道图像,将图像饱和度通道图像进行加权均值滤波过滤掉噪声点,再对过滤的图像饱和度通道图像进行Gamma增强变换以提高裂缝边界的提取,获得增强图像。
步骤2、自适应确定分割阈值:在进行图像分割的时候,所采用的分割方法为OTSU大津法分割,该方法可以根据图像的灰度特性,自适应的确定分割阈值,将增强图像分割为背景图像和目标图像两部分,目标图像即为裂隙图像,将裂缝图像很好的提取出来。
步骤3、匹配正弦函数:裂缝图像的宽度为M个像素点,正好对应于一个周期的正弦形式的裂隙,(一个裂隙面(平面)切割光学钻孔柱面后形成的迹线为椭圆,将光学钻孔柱面展开后,裂隙即为一个周期的正弦形式)。将提取出的裂缝图像进行图像细化以后通过正弦拟合函数进行拟合,正弦拟合函数根据裂缝图像的各像素点的位置,按正弦曲线进行相关性拟合,可以自适应的拟合出一条接近裂缝的正弦拟合函数进而获得幅值A、初相以及基线c,Y为裂缝纵向像素点位置(钻孔轴向),X为裂缝横向像素点位置。M为裂隙图像的像素宽度,本实施例中M为1024。
步骤4、参数提取:根据前面获得的正弦拟合函数 由其幅值A、初相以及基线c的大小计算出裂缝的位置、裂隙的倾向以及裂缝的倾角。具体方法如下:
裂隙的位置即为基线c;
在钻孔裂隙的倾向其中,xmin为裂缝纵向像素点位置Y的最小值对应的X值。
裂缝的倾角其中d为钻孔直径。
步骤5、雷达成像的参数提取:利用探地雷达对钻孔进行扫描,得到相应的雷达图像,雷达图像上有反映裂隙线状特征的纹理,对雷达图像进行滤波增强后再对雷达图像中的纹理进行霍夫直线检测检出纹理对应纹理直线,即为雷达图像检查出的裂隙。纹理直线的斜率即为裂缝的倾角β2,h为纹理直线对应的高度,l为雷达水平传播距离(propagation distance)。另外根据探地雷达图像可以给出裂缝的位置及深度信息。
步骤6、数据融合获取岩层相对介电常数εr:步骤4获得的裂缝的倾角β1与步骤5获得的裂缝的倾角β2相等,即
β1=β2
由雷达水平传播距离l和相对介电常数εr关系可知:
C为电磁波传播速度,T为雷达信号接收周期,均为已知参数;
由β1=β2、和求得相对介电常数εr,
由此融合光学钻孔图像和雷达图像获取岩层裂缝关键地质参数:倾角,倾向,位置,相对介电常数。
本发明解决地下裂缝参数的自动准确识别提供了支持。该方法简单易行,稳定可靠,可以实现全自动化处理,无需人为因素干预,极大地提高了工作效率,一次性准确地完成率所有结构面的识别与参数的提取。
Claims (1)
1.钻孔光学图像和雷达成像信息融合的裂缝参数提取方法,其特征在于,包括以下步骤:
步骤1、载入光学钻孔柱面图像,将光学钻孔柱面图像展开并转换为HSV图像,提取HSV图像中的图像饱和度通道图像,将图像饱和度通道图像进行加权均值滤波过滤掉噪声点,再对过滤的图像饱和度通道图像进行Gamma增强变换,获得增强图像,
步骤2、通过OTSU大津法分割法对增强图像分割为背景图像和目标图像,目标图像即为裂隙图像,
步骤3、按照正弦拟合函数对裂隙图像进行拟合,获得幅值A、初相以及基线c,其中,Y为裂缝纵向像素点位置,X为裂缝横向像素点位置,M为裂隙图像的像素宽度,
步骤4、由幅值A、初相以及基线c的大小计算出裂缝的位置、裂隙的倾向以及裂缝的倾角,
裂缝的位置为c;
裂隙的倾向xmin为裂缝纵向像素点位置Y的最小值对应的X值;
裂缝的倾角
其中,d为钻孔直径;
步骤5、利用探地雷达对钻孔进行扫描,得到相应的雷达图像,对雷达图像进行滤波增强后再对雷达图像中的纹理进行霍夫直线检测,获得纹理对应纹理直线,纹理直线的斜率即为裂缝的倾角β2,其中,h为纹理直线对应的高度,l为雷达水平传播距离;
步骤6、由β1=β2、和求得相对介电常数εr,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810188144.2A CN108460419B (zh) | 2018-03-07 | 2018-03-07 | 钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810188144.2A CN108460419B (zh) | 2018-03-07 | 2018-03-07 | 钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460419A true CN108460419A (zh) | 2018-08-28 |
CN108460419B CN108460419B (zh) | 2020-05-08 |
Family
ID=63219767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810188144.2A Active CN108460419B (zh) | 2018-03-07 | 2018-03-07 | 钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460419B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733765A (zh) * | 2021-01-15 | 2021-04-30 | 天津大学 | 一种基于深度学习的钻孔图像裂隙参数自动提取方法 |
CN115452820A (zh) * | 2022-07-21 | 2022-12-09 | 成都华建地质工程科技有限公司 | 基于钻孔电视图像提取结构面特征的方法及装置和介质 |
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872979A (zh) * | 2017-03-02 | 2017-06-20 | 中国科学院电子学研究所 | 基于海面起伏目标sar图像再聚焦的海浪参数获取方法 |
CN107339980A (zh) * | 2017-06-08 | 2017-11-10 | 哈尔滨工业大学 | 一种基于计算机视觉的斜拉索风雨激振水线识别方法 |
-
2018
- 2018-03-07 CN CN201810188144.2A patent/CN108460419B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872979A (zh) * | 2017-03-02 | 2017-06-20 | 中国科学院电子学研究所 | 基于海面起伏目标sar图像再聚焦的海浪参数获取方法 |
CN107339980A (zh) * | 2017-06-08 | 2017-11-10 | 哈尔滨工业大学 | 一种基于计算机视觉的斜拉索风雨激振水线识别方法 |
Non-Patent Citations (2)
Title |
---|
REZA AHMADI ET.AL: "Detecting physical and geometrical parameters of some common geotechnical targets through their effects on GPR responses", 《ARABIAN JOURNAL OF GEOSCIENCES》 * |
汪进超 等: "孔壁钻孔图像的结构面参数提取方法研究", 《岩土力学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733765A (zh) * | 2021-01-15 | 2021-04-30 | 天津大学 | 一种基于深度学习的钻孔图像裂隙参数自动提取方法 |
CN115452820A (zh) * | 2022-07-21 | 2022-12-09 | 成都华建地质工程科技有限公司 | 基于钻孔电视图像提取结构面特征的方法及装置和介质 |
CN115452820B (zh) * | 2022-07-21 | 2023-10-27 | 成都华建地质工程科技有限公司 | 基于钻孔电视图像提取结构面特征的方法及装置和介质 |
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
CN117593651B (zh) * | 2024-01-18 | 2024-04-05 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108460419B (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101950359B (zh) | 一种岩石种类的识别方法 | |
CN108460419A (zh) | 钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 | |
US9182510B2 (en) | Methods and systems of incorporating pseudo-surface pick locations in seismic velocity models | |
CN108109157A (zh) | 一种基于数字式全景钻孔图像的岩体评估分析方法 | |
Yang et al. | A fully automatic-image-based approach to quantifying the geological strength index of underground rock mass | |
Chen et al. | A novel image-based approach for interactive characterization of rock fracture spacing in a tunnel face | |
CN115877400A (zh) | 基于雷达与视觉融合的巷道顶板支护钢带钻孔定位方法 | |
Du et al. | Automatic fracture detection from the images of electrical image logs using Mask R-CNN | |
Marques et al. | Adaptive segmentation for discontinuity detection on karstified carbonate outcrop images from UAV-SfM acquisition and detection bias analysis | |
Yuan et al. | Digital image processing-based automatic detection algorithm of cross joint trace and its application in mining roadway excavation practice | |
CN112147680A (zh) | 岩石内部微裂缝提取和刻画方法及*** | |
Li et al. | Fracture extraction from FMI based on multiscale mathematical morphology | |
Zhang et al. | Fracture identification in well logging images: Two-stage adaptive network | |
Yang et al. | An automatic method for discontinuity recognition in coal-measure strata borehole images | |
Li et al. | Utilizing semantic-level computer vision for fracture trace characterization of hard rock pillars in underground space | |
CN111784059B (zh) | 一种煤层宏观裂隙优势发育方位预测方法 | |
CN108181665A (zh) | 裂缝的确定方法和装置 | |
Liu et al. | Intelligent recognition and identification of fracture types and parameters for borehole images based on developed convolutional neural networks and post-processing | |
RU2815488C9 (ru) | Способ распознавания трещин в развертываемом изображении колонковой трубы бурового керна | |
RU2815488C1 (ru) | Метод распознавания трещин в развертываемом изображении колонковой трубы бурового керна | |
Umili | Methods for sampling discontinuity traces on rock mass 3D models: state of the art | |
Wedge et al. | Automated structure detection and analysis in televiewer images | |
Zhang et al. | Study on automatic recognition method of Continental Shale Sandy laminae based on electrical imaging image | |
US20240068348A1 (en) | Displaying confidence values in wellbore inversion modeling using a visual indicator | |
Guo et al. | Quantitative correlation of fluid flow to curvature lineaments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |