基于環(huán)狀分區(qū)和LVQ神經(jīng)網(wǎng)絡(luò)的混凝土CT圖像分割方法

王 杭，李宗利

(1.渭南職業(yè)技術(shù)學(xué)院，陜西 渭南 714000；2.西北農(nóng)林科技大學(xué)，陜西 楊凌 712100)

0 引 言

從細(xì)觀層面上看，混凝土是由骨料、砂漿、界面及孔隙等凝聚成的多相非均質(zhì)復(fù)合材料[1-3]。從材料學(xué)角度來說，一種材料的宏觀性能受其微、細(xì)觀結(jié)構(gòu)和構(gòu)造影響[4]，為了研究混凝土宏觀破壞機理，眾多學(xué)者通過CT技術(shù)獲得混凝土真實圖像，建立其二維、三維真實細(xì)觀結(jié)構(gòu)模型，從細(xì)觀尺度描述混凝土結(jié)構(gòu)，進行數(shù)值分析，最終揭示了影響材料破壞的因素，取得了很好效果[5-7]。在這些模型的建立過程中，CT圖像作為最原始數(shù)據(jù)，其處理質(zhì)量的好壞至關(guān)重要，直接影響著重建模型的精細(xì)度及準(zhǔn)確性，繼而影響著數(shù)值分析的準(zhǔn)確性。實際掃描過程中，受混凝土材料屬性、CT設(shè)備的性能、成像原理、掃描參數(shù)設(shè)定、噪聲干擾等因素影響，導(dǎo)致混凝土圖像亮度不均勻性問題比較突出，原始CT圖像難免存在噪點、邊緣模糊、對比度不足等問題，且圓形CT掃描圖像存在沿半徑方向灰度逐漸變化(內(nèi)部暗，周圍亮)的特點，這都給圖像分割增加了難度。通過對現(xiàn)有的如區(qū)域生長法、均值迭代分割法、OTSU法等圖像分割處理方法分析[8-9]，這些方法對于本文所需處理的圖像均存在過分割的現(xiàn)象，無法順利實現(xiàn)混凝土圖像各相分割。而且在處理構(gòu)建三維細(xì)觀模型所需處理的幾百張到上千張海量圖像時，受圖像差異性以及閾值手動設(shè)置等因素影響，不能實現(xiàn)圖像批處理和處理智能化，給三維模型快速建立帶來較大困難。

考慮到混凝土工業(yè)CT掃描圖像灰度沿半徑變化特點以及快速建模的需要，本文利用LVQ神經(jīng)網(wǎng)絡(luò)識別準(zhǔn)確度高、人工干預(yù)少的優(yōu)點，提出了一種基于環(huán)狀分區(qū)和LVQ神經(jīng)網(wǎng)絡(luò)的混凝土CT圖像分割算法，用以完成試件所有混凝土圖像中的骨料、砂漿和孔隙各相的分割。試驗結(jié)果及與其他方法對比表明，該方法能夠有效提升混凝土中各相材料的識別準(zhǔn)確度，且能夠?qū)崿F(xiàn)批量和智能化處理，可為快速建立混凝土三維細(xì)觀模型提供技術(shù)支持。

1 混凝土試樣制備及CT圖像獲取

制備強度為C20混凝土試樣，配合比為水∶水泥∶砂∶石子=0.55∶1∶2.25∶5.02。水泥采用P.C32.5R硅酸鹽水泥，安定性合格，標(biāo)準(zhǔn)稠度用水量28.6%，初凝4.2 h，終凝5.3 h，28 d抗壓強度46.58 MPa。砂子采用渭河天然中砂，細(xì)度模數(shù)2.4，表觀密度2.59 g/cm3，堆積密度1 540 kg/m3，有害物質(zhì)在規(guī)定值以下。粗骨料采用粒徑5～20 mm、20～40 mm的渭河卵石，含泥量0.6%，表觀密度2.65 g/cm3，堆積密度1 563 kg/m3。試件制備過程嚴(yán)格按照《水工混凝土試驗規(guī)程》[10]進行。對150 mm×150 mm×150 mm標(biāo)準(zhǔn)立方體試件進行取芯，得到高度×直徑=100 mm×100 mm的圓柱體試樣。

選用德國YXLON國際射線有限公司生產(chǎn)的工業(yè)CT設(shè)備掃描圓柱體試件，該工業(yè)設(shè)備最大管電壓為225 kV，最大管電流為1.0 mA，其較于醫(yī)用CT設(shè)備具有所出圖像分辨率高且掃描速度快的優(yōu)點。經(jīng)CT掃描，得到的圖像分辨率為0.13 mm，大小為781×772像素，如圖1所示，其灰度直方圖如圖2所示。從圖1、2可以看出，掃描圖像具有明顯的中間亮、四周暗、亮度沿半徑分布不均、無明顯雙峰的特征。

圖1 CT原始圖像

圖2 灰度直方圖

2 基于環(huán)狀分區(qū)和LVQ神經(jīng)網(wǎng)絡(luò)的混凝土CT圖像分割方法

2.1 混凝土工業(yè)CT圖像分割算法

由于混凝土CT圖像存在所得圖像中心到邊緣灰度逐漸增大的情況，直接采用LVQ神經(jīng)網(wǎng)絡(luò)進行分割則會導(dǎo)致過分割現(xiàn)象。對此，采用將圖像劃分為不同的圓環(huán)進行處理，對各圓環(huán)圖像分別用LVQ神經(jīng)網(wǎng)絡(luò)進行分割，具體程序流程如圖3所示。

圖3 程序流程

程序具體步驟為：

(1)對原始圖像進行類型轉(zhuǎn)換，而后進行中值濾波、直方圖均衡化等去噪預(yù)處理。

(2)將預(yù)處理后的圖像分為由半徑為80像素構(gòu)成的不重疊圓環(huán)，如圖4所示。

圖4 混凝土圓環(huán)分割示意

(3)對各子圖像分別采用LVQ神經(jīng)網(wǎng)絡(luò)提取骨料、砂漿，以圓環(huán)2骨料提取為例。由于同一骨料因石材、砂漿密度不同且受噪聲影響導(dǎo)致灰度值不均勻，因此單點灰度值很難作為判斷是否為骨料、砂漿的標(biāo)準(zhǔn)。為加快訓(xùn)練網(wǎng)絡(luò)的收斂性，通過matlab圖像處理，將0～255的灰度數(shù)據(jù)值轉(zhuǎn)化為0～1數(shù)值范圍，稱為歸一化灰度值。為提升分割準(zhǔn)確度，選取骨料或砂漿內(nèi)部某點的8鄰域灰度值構(gòu)成9元素輸入向量，作為一個輸入樣本來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。從圓環(huán)2圖像中選取歸一化骨料數(shù)據(jù)12組，砂漿數(shù)據(jù)12組，每組數(shù)據(jù)含9個元素(即選取點的8鄰域值)。將該24組數(shù)據(jù)作為樣本輸入LVQ神經(jīng)網(wǎng)絡(luò)，完成網(wǎng)絡(luò)訓(xùn)練。其中，競爭層神經(jīng)元數(shù)目為8，分類百分比為[0.6，0.4]。將圖像內(nèi)每點的8鄰域值構(gòu)成輸入向量，輸入訓(xùn)練好的LVQ神經(jīng)網(wǎng)絡(luò)，完成圖像初步分割。隨后，對初步分割后圖像采用腐蝕、膨脹、修補等形態(tài)學(xué)處理，結(jié)果如圖5所示。

圖5 圓環(huán)2分割結(jié)果

(4)將分割后各子圖像重新整合為整幅圖像，得到目標(biāo)分割圖像，如圖6所示。

圖6 混凝土分割結(jié)果合成

2.2 效果對比分析

以骨料分割為例，圖7a為采用本文方法圖像分割結(jié)果，圖7b為未采用8鄰域值作為輸入的LVQ神經(jīng)網(wǎng)絡(luò)方法分割結(jié)果，圖7c為整體采用區(qū)域生長法分割結(jié)果，圖7d為整體采用OTSU法[11-12]分割。從圖7可以明顯看出，b、c、d 3種方法均出現(xiàn)了過分割或者分割不足的結(jié)果，而采用本文方法，克服了工業(yè)CT圓形掃描切片存在的缺點，分割結(jié)果更為準(zhǔn)確。

圖7 采用不同分割方法所得結(jié)果示意

3 結(jié) 語

本文針對工業(yè)CT掃描所得混凝土圖像沿半徑方向灰度不均勻且灰度直方圖為單峰的特點，提出了一種基于環(huán)狀分區(qū)和LVQ神經(jīng)網(wǎng)絡(luò)的混凝土CT圖像分割方法。通過構(gòu)建多組骨料、砂漿的8鄰域向量值作為學(xué)習(xí)樣本，提升了輸入數(shù)據(jù)的代表性和準(zhǔn)確性，克服了骨料、砂漿灰度值范圍跨度大且有重疊導(dǎo)致識別難的缺點。通過仿真實驗及與其他算法對比表明，該算法能夠準(zhǔn)確實現(xiàn)目標(biāo)圖像分割，可為真實混凝土細(xì)觀模型的建立提供基礎(chǔ)數(shù)據(jù)信息。