基于RGB顏色信息的風積沙含水率測試

趙青松， 劉觀仕， 莫燕坤， 肖 飛

（1.桂林理工大學土木與建筑工程學院，廣西桂林 541004；2.中國科學院武漢巖土力學研究所巖土力學與工程國家重點實驗室，武漢 430071）

0 引 言

含水率是影響土體力學性質的重要參數之一，與土的強度、滲流特性以及土體變形有著十分密切的聯系［1］，因此土的含水率測定對于工程建設、農業生產、地質災害防治等領域都有著非常重要的意義［2］。目前常用的含水率測定方法有烘干法、時域反射儀法（TDR法）、頻域反射法（FDR法）、中子法和傳感器法等［3］，其中單個土樣的烘干法測定結果精確度高，操作簡單，但對土體有破壞性，效率低，不能滿足快速測定的要求；單點或小尺度范圍的TDR法、頻域反射法、傳感器法、中子法以及探地雷達法成本高，耗能大且要將傳感器置于土體內［4］；對大尺度范圍土體含水率分布情況采用遙感法，可快速測定、全天定期重復觀測，但是存在氣象條件（風速、空氣濕度和溫度）影響和遙感傳感器空間分辨率不高等局限性。

隨著含水率的變化，土的顏色一般也會隨之改變，這是因為不同含水率的土體表面對于光的反射和吸收能力以及熱輻射性能均有明顯差異［5］，常用的遙感法和光譜法就是基于這一原理。遙感法主要是通過測定土體表面電磁波的入射率與反射率來確定其含水率。近年來，快速發展的遙感法監測土體含水率在農業工程領域得到廣泛的應用，Hassan等［6］通過無人機多光譜遙感數據利用人工神經網絡算法建立了土體表層含水率監測模型；Wigmore等［7］根據無人機遙感數據反演地表5～10 cm的土體含水率并建立含水率監測模型；光譜法方面，Bhadra等［8］通過測量土樣從飽和狀態和到干燥狀態過程中的光譜反射率，計算出不同含水率下土的顏色坐標，得出所有的顏色坐標值與土中水分含量呈負相關關系的結論；宋韜等［9］驗證了利用近紅外光譜預測土體含水率方法的可行性，但未能直觀地反映出不同干濕程度的土體近紅外光譜與其含水率的關系。

數碼相機的出現，使計算機圖像處理技術精準提取土體表面顏色信息得以實現，以數值的形式表征土的顏色有助于深入探究土的顏色隨含水率變化的規律，應用于土體含水率測定的研究也得到開展。Post等［10］研究發現不同密度和顏色的土在干燥和濕潤兩種狀態下的表面的反射率與Munsell比色卡顏色相關性較好；Persson［11］應用圖像處理技術研究不同體積含水率情況下四種天然土和均勻細砂在RGB與HSV兩種顏色模型中顏色信息的變化，并利用S與V之間的線性模型預測兩種天然土和細砂的含水率，但誤差較大；王成華等［12］根據土體飽和度建立砂土及粉土的土體顏色信息分量R、G、B值之和與基質吸力的關系，但未進一步討論與含水率的關系；Yoshimoto等［13］利用數字圖像處理技術試驗了一種測試土體飽和度的方法，得出飽和度與亮度值之間的關系可用二次函數表示，并提出通過圖像處理技術可測試大面積土體飽和度的方法。以上文獻報道中，還未涉及風積沙攝影圖像顏色信息隨含水率變化規律的研究，也沒有利用攝影圖像信息測試風積沙含水率的研究。

本文類比遙感法的圖像光譜數據分析方法，通過圖像處理技術，研究風積沙攝影圖像顏色信息隨含水率變化的規律，據此提出一種新的風積沙含水率測試方法，通過室內試驗驗證該方法的可行性，并從微觀機理上進行解釋。

1 巖土數字圖像顏色信息的表征方法

1.1 顏色表征

土的顏色是在可見光波段范圍內表現出反射光譜特性的。1905年Munsell首次提出了一種可以通過色度（hue）、亮度（value）和彩度（chroma）描述物體顏色的表色系統。人對顏色的視覺感觀是由三原色（即紅色、綠色和藍色）3種顏色按照一定的比例疊加組合而呈現出來，已成為目前色度學研究的基礎［14］。顏色需要采用顏色模型定量化描述，通過其色度、亮度和彩度來指定與創建可視化顏色。顏色模型又稱顏色坐標系，是指物體某個顏色空間中的一個可見光子集，用途是在一定顏色域內方便地指定顏色，也即是顏色在三維空間中的某種排列方式。主要的顏色模型有RGB、XYZ、Lab、HVC、HSV和HIS等。

將主觀顏色感知與客觀物理測量值聯系起來，建立科學、準確的定量測量方法，是為色度學。傳統的參數測量方法主要依靠分光光度計、測色色差計以及白度計等，而數字圖像處理技術的發展帶來了更先進的顏色測量方法，如RGB、CMYK，其中RGB顏色模型是圖像處理中表征顏色最基礎、最常用的方法，也是本研究擬采用的顏色信息處理模型。采用此模型分析巖土攝影圖像顏色信息時，需要先將圖像的顏色信息進行分解，即將一張彩圖上的每一個像素的RGB顏色分量分解出來，得到分別代表紅色（R）、綠色（G）和藍色（B）分量的3張灰度圖像，每個顏色分量都劃分256個等級，分別用0～255的整數表示。再對比3張灰度圖像分析巖土攝影圖像R、G、B顏色分量的特征值，由此可表征巖土攝影圖像的顏色信息。

1.2 顏色信息的提取

本文采用陳如意［15］提出的顏色信息特征參數提取方法，即首先提取裁剪巖土顏色圖像（見圖1）的R、G、B顏色信息并對其像素點個數進行直方圖統計（見圖2），再將通過分布擬合的方式確定的各顏色分量特征值作為最終顏色信息特征值。不同目標在灰度直方圖上所對應的峰值不同，單一目標直方圖的密度分布曲線近似服從正態分布，多個目標出現多峰分布，可利用多個高斯分布擬合［16］。

考慮巖土表面粗糙不平形成的局部細小陰影的影響，將整個巖土攝影圖像作為單一顏色目標，利用Matlab軟件中的一次高斯分布對統計結果進行擬合，擬合方程如下：

圖1 風積沙攝影圖像

圖2 圖像顏色信息統計

式中：μ和σ分別為正態分布函數的數學期望和標準差。將μ值作為巖土攝影圖像顏色信息分量特征值，μ值越大表明顏色分量的灰度值越大。對圖1進行統計與擬合的結果如圖3所示。可以看出，整體擬合效果非常好，僅顏色分量R值較低和較高段擬合結果略差，主要原因可能是巖土表面粗糙形成的陰影和不同顏色礦物造成的顏色值偏離于正常值，而采用上述μ值作為最終顏色信息分量特征值RE，就能較好地避免這些干擾［15］。

圖3 風積沙顏色分量高斯擬合

2 風積沙攝影圖像RGB顏色信息與含水率關系

2.1 試驗土樣

試驗選用陜西榆林地區的風積沙，屬于細沙，其基本物理性質指標如表1所示。

表1 試驗風積沙物理性質指標

2.2 攝影圖像獲取

試驗中采用TILO公司生產的標準光源對色燈箱，光源為國際通用人工日光D65標準光源，色溫范圍為（6 500±200）Kelvin。攝影設備采用佳能5D MarkⅡ單反相機，有效像素為2 110萬，鏡頭為佳能EF24～105 mm標準變焦鏡頭，焦距24～105 mm，最近對焦距離約為0.45 m，放大倍數最大約為0.23倍。經反復對比圖像效果，數碼相機固定采用以下參數：光圈值f／4，曝光時間1／100 s，ISO速度ISO-200，焦距105 mm，圖像分辨率5 616×3 744 pixels，照片風格設置為可靠。為保證攝影角度、距離和相機的穩定，將數碼相機固定在三腳架和多功能云臺上，并調整試樣位置使之表面盡量與相機軸線垂直且畫面居中。拍照時用紅外遙控器控制相機的快門，防止相機抖動。試驗裝置示意圖和實物圖分別如圖4、5所示。另外，為避免其他光源的影響，試驗過程在密閉的暗室中完成，且環境濕度保持在85%左右［15］。

2.3 試驗方法

圖4 試驗裝置示意圖

圖5 試驗裝置圖

首先將試驗所需的風積沙風干后過篩去除雜質，用烘干法測試其初始含水率，取一定質量風干的風積沙土樣，依次配置含水率為2%～14%的風積沙，含水率間隔約為1%，共14個試樣。密封24 h，待風積沙水分分布均勻后采用靜壓法制備干密度為1.58 g／cm3（中密）的環刀試樣。將環刀樣靜置于標準燈箱內的攝影臺上，依次對所有試樣進行攝影，獲得不同含水率風積沙環刀試樣的圖像，隨后立即采用烘干法進行含水率測試。利用編制的MATLAB處理程序自動提取所有風積沙試樣圖像的RGB顏色信息特征值。

2.4 試驗結果與分析

不同含水率風積沙試樣的攝影圖像如圖6所示（部分）。可以看出，含水率越高，風積沙顏色越深。隨含水率變化的關系如圖7所示，統計的風積沙攝影圖像RGB顏色信息特征值RE、GE、BE如表2所示。可以看出，RE、GE、BE均與含水率呈負相關關系，其中RE與其含水率線性擬合關系較好，R2＝0.973 5，擬合結果如下：

而GE和BE與含水率擬合度分別為0.028 7、0.191 2，擬合度相對較低。為驗證試驗結果的可靠性，進行了一組平行試驗，也獲得了一致的結果（圖7（a））。上述結果表明，風積沙攝影圖像顏色分量特征值RE對含水率變化最為敏感，在所試驗的含水率范圍內兩者之間呈良好的線性關系。

圖6 不同含水率風積沙攝影圖像（部分）

圖7 風積沙攝影圖像顏色分量RGB特征值與含水率的關系

表2 不同含水率風積沙攝影圖像RGB特征值

3 基于R E的風積沙含水率測試

3.1 測試方法

RE隨含水率呈線性變化的擬合關系也可以用下式表示：

通過標定試驗確定參數k、c后，便可以通過代入RE計算得出其含水率w，這一方法簡稱為圖像法。具體步驟為：按2.1節方法配制兩個風積沙標定試樣ɑ和b，其含水率分別為wa、wb；采用2.2和2.3節的裝置與方法獲得兩個試樣的REa和REb；將上述參數輸入式（4），得到參數k、c；對待測風積沙試樣進行攝影，將處理獲得的RE代入式（3），即可以計算出風積沙樣的含水率。為了提高標定曲線的精度，更好的方法是采用多個不同含水率標定試樣的測試結果，應用最小二乘法確定參數k、c值：

3.2 測試結果

利用第2節風積沙攝影圖像RGB顏色信息與含水率關系的試驗方法對6個標定試樣進行測試，得到RE與其含水率和飽和度的關系見圖8，根據線性擬合結果建立的預測模型w＝－0.650 8RE＋96.556，擬合度R2＝0.941 5。對待測的12個風積沙樣進行攝影及顏色信息處理，獲得的RE，代入到上述標定方程后，求得的含水率結果如表3所示。

圖8 風積沙含水率和飽和度與顏色分量R特征值的關系

3.3 誤差分析

為檢驗RGB顏色信息測試風積沙含水率方法（圖像法）的精度，將其測試結果與烘干法進行對比分析。烘干法測得的含水率較為精準，可將其作為真實值wA，圖像法測試結果則為預測值wE，預測值與真實值的差值為誤差。由表3可知，圖像法測試的含水率誤差最大約為－1.70%，最小約為0.10%，誤差較小。

預測值與真實值的相關性分析可進一步檢驗預測模型的可靠性。預測模型的精度主要通過預測值和真實值得相關系數R2來檢驗［14］，相關系數越接近于1，預測結果越精準。將圖像法和烘干法的測試值一同繪制于圖9中，其線性擬合曲線的R2＝0.980 7，表明該預測模型非常可靠，可以準確測試風積沙含水率。

圖9 圖像法與烘干法測試風積沙含水率的相關性比

3.4 討 論

風積沙的顏色產生緣于其對可見光的反射和吸收，試樣表面的顏色是由土顆粒和附著水的反射光疊加而表現出來的。當土體含水率低于某一閾值時，入射光作用于土顆粒表面，附著水主要起吸收作用使得試樣表面的反射率隨著土的含水量的增加而降低［15］，反射率高低決定顏色的明度。

隨著風積沙試樣含水率從2%增大到18%，其顏色逐漸加深，亮度變暗，攝影圖像顏色分量特征值也逐漸降低。這一現象可從微觀角度解釋：風積沙含水率較低（飽和度較低）時，風積沙中水主要以結合水形態吸附在砂粒和少量黏粒表面，形成很薄的結合水膜，風積沙試樣表面對光的反射作用最強，其表面顏色分量特征值較大；隨著含水率增大，砂粒和黏粒表面吸附的結合水含量越來越多，試樣表面結合水膜面積和厚度不斷增大，導致對入射光吸收作用不斷增強，對入射光的反射作用減弱，因此風積沙試樣表面對光的反射率降低，其攝影圖像顏色分量特征值也隨之減小；隨著含水率不斷增大，飽和度逐漸趨于較高水平，砂粒之間的空氣逐步被水取代，風積沙試樣表面形成很厚的結合水膜對入射光的吸收能力更強，同時將入射光折射，而結合水膜對光的折射率遠高于空氣，鏡面反射作用減弱從而降低了試樣表面的入射光強度導致其表面對光的反射率降低，攝影圖像顏色分量特征值不斷減小；風積沙含水率較高時，其飽和度處于較高水平，自由水開始出現，砂顆粒和黏粒之間的孔隙水以毛細水的形式存在并逐漸連通，此時的水為透明狀態，根據水的光譜特征可知，在可見光范圍內，入射光傳播到透明狀態的水中有大部分被水吸收，小部分在水面反射出來，故砂顆粒和黏粒僅對少部分透射的入射光進行反射，風積沙試樣表面對光的反射率更低，表現在其表面顏色即為攝影圖像顏色分量特征值較小。在此外，由于風積沙顏色中紅色分量比重最大，因此，顏色分量特征值RE的變化最明顯。

基于RGB顏色信息測試風積沙含水率的試驗結果表明，該方法可以快速、無損、準確、連續地測試風積沙含水率，更大的優點是可以將測試的土樣表面進行分塊化處理，從而可以近似獲得較大面積范圍的風積沙表面濕度場。不足之處是，目前只能測試土體表面含水率的變化，且對于測試試驗條件的要求還比較嚴格，需要固定光源以及相機參數，其他如溫度和濕度等環境條件也需保持相對穩定。

通過后續深入研究風積沙攝影圖像顏色信息隨含水率變化的機理，以及光源等主要參數對風積沙顏色變化的影響規律，有望逐步建立各環境參數對含水率測試結果的校準和修正，從而可以進一步簡化測試條件，提高測試精度。

4 結 論

本文研究發現了一定含水率范圍內風積沙攝影圖像RGB顏色信息與其含水率之間呈線性關系的規律，并據此開展了利用攝影圖像顏色信息測試風積沙含水率的試驗研究，得出以下結論：

（1）風積沙試樣表面攝影圖像的顏色隨著含水率的增大而變深，亮度變暗；采用RGB顏色模型提取與自編程序處理的風積沙圖像顏色分量特征值RE、GE、BE與含水率均呈明顯的負相關關系，其中RE的線性擬合度最高。

（2）基于風積沙攝影圖像顏色分量特征值RE與含水率的關系，建立了含水率預測線性模型，其參數可通過兩個以上的含水率標定試驗確定。

（3）含水率測試試驗結果表明，應用攝影圖像RGB顏色信息測試風積沙含水率的絕對誤差最大約為1.70%，最小約為0.10%，方法可行，是一種快速、準確、高效的風積沙含水率測試方法。

（4）風積沙攝影圖像顏色特征值隨含水率增大而下降的主要原因在于結合水附著在沙粒及黏土顆粒表面，吸收了越來越多的光能，對光的反射率逐漸降低。

（5）攝影圖像方法目前只能測試土體表面含水率的變化，需要固定光源以及相機參數，其他如溫度和濕度等環境條件也需要保持相對穩定；相關測試機理也還需要深入探究。