基于連通性閾值分割的煤巖裂隙識別方法

文章編號：1671?251X（2024）08?0127?08 DOI：10.13272/j.issn.1671-251x.2024050092

關鍵詞：煤巖裂隙識別；連通性閾值分割；自適應Otsu 閾值分割；形態學運算；Canny 邊緣計算；區域生長

中圖分類號：TD313/67 文獻標志碼：A

0引言

隨著煤礦資源開采逐漸向更深的地層推進，煤巖裂隙的形成和演變變得更加復雜。裂隙不僅是瓦斯等有害氣體的主要通道，也是煤巖力學性質變化的重要因素。因此，開展煤巖裂隙識別的相關分析，對解決深部開采問題、研究煤層瓦斯運移規律和提高圍巖穩定性具有重要參考意義。

許多學者對煤巖裂隙識別進行了研究。文獻[1]基于圖像分割技術對煤巖圖像的灰度級別設定不同的二值化閥值，得出不同閥值下的孔隙面積變化曲線圖，并提出以拐點處對應的閥值作為裂隙圖像二值化閥值時效果最佳。文獻[2]為使煤巖孔裂隙空間重構數據能更精準地表征真實結構，提升煤巖微細觀滲流研究的可靠性， 提出了灰度閾值模型（Biphasic Pore Threshold Inversion， Bi?PTI） ， 對不同變質煤計算機斷層掃描（Computed Tomography，CT）數據的孔裂隙最佳灰度閾值進行了數值反演，較好地反映了孔隙率與灰度閾值的映射關系，彌補了因孔裂隙過度識別導致的空間重構缺陷，實現了小尺度孔裂隙空間結構的精準識別。文獻[3]利用經驗小波變換對煤巖裂隙誘導的電磁輻射波形進行濾波去噪，提升了煤巖裂隙識別的準確性和有效性。文獻[4]提出了一種復雜孔隙介質微細觀結構的可視化及多尺度、各向異性的精細識別方法，通過小波多分辨分析有效識別和分割出不同尺度的煤巖孔隙結構。文獻[5]基于高斯拉普拉斯算子[6]、Canny 算子和數學形態算子對煤礦開采誘發的地裂縫進行綜合應用，能準確檢測出紅外圖像中不同時間的煤礦開采裂隙。文獻[7]構建了分數階微分圖像邊緣檢測的新模式，解決了一階差分邊緣檢測方法容易丟失圖像細節，二階差分邊緣檢測方法對噪聲更敏感的問題，實現了煤巖裂隙邊緣特征的識別。文獻[8]提出了一種基于YOLOv3 的數字鉆孔圖像裂隙自動識別方法，采用Darknet?53 網絡模型，可以快速準確識別鉆孔圖像中的不同發育特征裂隙。文獻[9]提出了一種基于U?Net 網絡的裂隙及類別智能識別方法，可有效提取目標特征信息并與背景特征信息區分，從而準確地定位、識別單一裂隙。文獻[10]提出了一種基于深度學習的煤巖裂隙提取網絡模型（Multi-scale Coal-rock Fissure Segmentation Network，MCSN），基于U?Net 網絡，利用其編碼器?解碼器結構和跳躍連接，從復雜煤巖體中分割出完整的裂隙結構圖像。文獻[11]提出了一種基于U?Net 的深度神經網絡（A Deep Neural Network， A?DNNet） ，用于提取序列煤巖圖像的微裂隙。文獻[12]為了實現煤裂隙多尺度分布特征的高精度、高效率識別，開展了基于CT 數字巖心深度學習的煤裂隙多尺度分布特性識別方法研究。

上述研究在煤巖裂隙提取方面取得了顯著進展，但仍存在對裂隙特征保留不足、裂隙的連通性較弱等問題。針對上述問題，本文提出一種基于連通性閾值分割的煤巖裂隙識別方法。首先，利用自適應Otsu 閾值分割[13]進行初步閾值分割，識別出潛在的裂隙區域。然后，應用形態學運算對這些區域進行進一步處理，突出其邊界特征。最后，通過Canny算法提取種子點并進行區域生長，從而有效增強裂隙的連通性，抑制噪聲干擾，實現裂隙的精確識別。

1煤樣制備與CT 掃描實驗

1.1煤樣制備

實驗煤樣取自華晉焦煤有限責任公司沙曲一礦焦煤，篩選出規整煤樣，利用雙端磨面機將煤樣巖心精確切磨成3 個尺寸為100 mm×100 mm×100 mm 的標準煤樣， 如圖1 所示。為了減少試樣平整度對CT 掃描結果的影響，試樣的兩端面平整度均控制在0.05 mm 以內，平行度小于0.02 mm。完成加工后，將煤樣放入105 ℃ 恒溫干燥箱中，進行充分干燥并密封保存，以備后續實驗使用。

1.2工業CT 掃描實驗

工業CT[14-15]是一種利用X 射線對物體進行非破壞性三維成像的設備，如圖2（a）所示。X 射線管產生的高能X 射線束穿過不同密度的物質，產生一定的衰減效應，通過計算機對收集到的數據進行處理和重建，可以清晰地顯示出不同部分的密度差異，如圖2（b）所示。本文采用ICT?3400型工業CT 檢測系統對煤體進行掃描，實驗中儀器的測試電壓為110 kV，測試電流為1.5 mA，掃描模式為整體掃描，沿煤樣徑向逐層截取掃描斷層切片，從3 個煤樣頂端至底端分別截取933，933，934張有效二維切片。

2圖像預處理

2.1圖像增強

煤巖裂隙的各向異性、煤巖試樣的密度和結構及工業CT 掃描中的各種干擾因素，都會影響圖像質量。在分析圖像前，必須對獲取的圖像進行預處理。針對圖像二維切片具有明暗分布不均、圖像細微裂隙處對比度低的特點，采用對比度受限的自適應直方圖均衡化方法（Adaptive Histogram Equalization，AHE）[16-17]對圖像進行增強。AHE 是一種局部性的處理方法，它將圖像劃分為多個小的區域或板塊，并對每個板塊內的像素進行直方圖均衡化處理。

2.2圖像去噪

CT 掃描圖像中蘊含著多樣化的噪聲類型，主要包括量子噪聲、CT 設備本身產生的電子噪聲。量子噪聲是隨機的，且其出現具有可預測性，并遵循泊松分布[18]的數學規律，主要受X 射線強度的波動、掃描參數和探測器效率影響。CT 設備本身產生的電子噪聲通常表現出隨機性，其大小、形狀和出現時間都是不可預測的，這類噪聲可以通過優化硬件設計和優化掃描參數等進行消除。為提高圖像的對比度和分辨率，采用非局部均值濾波（Non-Local MeansDenoising，NLM）[19]去噪方法進行去噪?？紤]到圖像的非局部統計自相似性質，NLM 利用圖像包含的大量重復結構去噪，在圖像的較大區域內搜索與中心像素相似的像素塊，并根據這些像素塊的相似度分配權重，對這些相似塊像素值進行加權平均，進而得到去噪后的圖像。

圖像預處理效果如圖3 所示?？煽闯鼋涍^AHE增強和NLM 去噪后的圖像更好地突出了裂隙特征，裂隙與非裂隙周邊區域的對比度更高，裂隙分辨率得到進一步提升，減少了圖像中噪聲點的干擾。

3連通性閾值分割

連通性閾值分割是一種基于圖像中像素連接關系的分割方法，該方法根據像素之間的相似性，將相鄰且相似的像素聚合成一個區域，并通過分析聚合區域的連通性來識別特定目標，流程如圖4所示。首先，使用自適應Otsu 閾值分割確定預處理后圖像的閾值，并利用形態學的膨脹運算處理閾值分割結果，保留和平滑裂隙邊緣。其次，對膨脹運算后的圖像進行開運算，減少圖像中的噪聲點干擾，并對開運算結果進行底帽運算，再將開運算后的圖像與底帽運算的結果進行圖像疊加處理，以提升圖像的質量，使裂隙特征更加突出。然后，對經過上述處理后的圖像進行頂帽運算，提取圖像中多余的噪聲點，將處理后的圖像與頂帽運算后的圖像進行差分運算，達到去除噪聲點的效果，為后續種子點的確定提供質量較好的圖像，增強提取效果。最后，結合Canny邊緣計算進行邊緣檢測，提取出所需的種子點用于區域生長，經過區域生長后，得到的結果即為最終圖像。

當 最大時，T 為最佳閾值。在確定所有子區域的最優閾值后，利用這些閾值對原始圖像的子區域進行分割。各子區域內的圖像根據其對應的最優閾值進行前景和背景的分類，然后將所有分割結果組合，重構完整的分割圖像。自適應Otsu 閾值分割效果如圖5 所示?？煽闯鲎赃m應Otsu 閾值分割將圖像很好地分割為前景和背景，但細微裂隙及裂隙邊界較為模糊。因此，在后續引入形態學操作。

3.2形態學處理

形態學是一種基于集合論和拓撲學的理論，用于分析和處理圖像的幾何結構。其核心思想是利用特定形態的結構元素作為工具，對圖像中的相應形狀特征進行測量和提取，從而實現圖像分析與識別。基本形態學算法主要包括腐蝕、膨脹、開運算和閉運算等操作。

膨脹運算效果如圖6所示。可看出經過膨脹運算后，細微裂隙得到了擴展和增強，使原本不明顯的裂隙變得更加突出。同時，膨脹運算將斷裂的裂隙有效連接，增強了裂隙的連通性，使整體裂隙結構更加清晰、完整。

膨脹運算雖能夠填補裂隙內部的小孔或斷裂，使裂隙的邊緣變得更加平滑和完整。但膨脹運算會放大圖像中的噪聲點，導致裂隙過度合并，因此采用開運算對圖像進行先腐蝕再膨脹的形態學處理，以去除噪聲并保留主要裂隙結構。

以Canny邊緣計算結果作為種子點進行區域生長，在區域生長過程中，對每次生長的像素值進行統計，選擇8 鄰域生長規則（8鄰域生長規則是一種圖像處理方法，通過考慮每個像素的8個相鄰像素，包括水平、垂直和對角線鄰域）對生長過程中的裂隙像素大小進行統計，對不符合裂隙像素大小特征的生長區域進行剔除。區域生長的最終效果如圖12 所示，可看出裂隙邊界得到精確識別與突出。

4實驗測試

在3個不同煤樣中各隨機選擇2張掃描樣本分別進行自適應Otsu閾值分割、自適應閾值分割和連通性閾值分割，效果如圖13所示?？煽闯鲞B通性閾值分割的均方誤差較自適應Otsu閾值分割和自適應閾值分割分別平均減少了7.20，7.10dB，說明該算法在降噪方面效果更佳， 能有效減少圖像中的噪聲干擾。連通性閾值分割的峰值信噪比較自適應Otsu 閾值分割和自適應閾值分割分別平均提高了0.60， 0.59dB，說明經過連通性閾值分割處理后的圖像失真程度更小，能夠更好地保留圖像的細節信息。

4.2裂隙識別效果

為了驗證連通性閾值分割算法的有效性， 在3 個不同的煤樣中各隨機選取1 張切片，并利用圖像處理軟件Adobe Photoshop 對煤巖體裂隙結構的CT 切片圖像進行像素級別的人工標注，白色區域（RGB 值為255，255，255）代表裂隙區，而黑色區域（RGB 值為0，0，0）代表非裂隙區域，將連通性閾值分割與自適應閾值分割及自適應Otsu 閾值分割進行對比，結果如圖14 所示。

從圖14可看出，自適應Otsu 閾值分割和自適應閾值分割都存在裂隙提取不明顯、裂隙末端提取效果差及裂隙連接處特征消失的問題。此外，在提取結果中，還出現了部分噪聲的干擾，這進一步降低了裂隙識別的準確性。連通性閾值分割不僅有效地解決了裂隙提取不明顯、末端提取效果差及連接處特征消失的問題，而且顯著減少了噪聲干擾，使裂隙特征變得更加突出，從而極大地提高了裂隙識別的準確性和完整性。

采用準確率作為分析指標對3 種算法的效果進行綜合分析，結果見表1。

從表1 可看出，連通性閾值分割平均準確率較自適應閾值分割和自適應Otsu 閾值分割算法分別提高了8% 和0.8%，達98.9%。

5結論

1）針對煤巖裂隙識別中復雜結構處理不當、邊界特征保留不足及噪聲干擾等問題，提出了一種基于連通性閾值分割的煤巖識別方法。該方法結合自適應Otsu 閾值分割、形態學運算和Canny 邊緣計算，有效處理了煤巖裂隙的復雜結構，實現了對裂隙的清晰識別。

2）連通性閾值分割算法的均方誤差較自適應Otsu閾值分割和自適應閾值分割算法分別平均減少了7.20，7.10 dB，連通性閾值分割算法的峰值信噪較自適應Otsu 閾值分割和自適應閾值分割算法分別平均提高了0.60，0.59dB。

3）連通性閾值分割算法不僅有效解決了裂隙提取不明顯、末端提取效果差及連接處特征消失的問題，而且顯著減少了噪聲干擾，使裂隙特征變得更加突出，從而極大地提高了裂隙識別的準確性和完整性。

4）連通性閾值分割算法平均準確率較自適應閾值分割和自適應Otsu閾值分割算法分別提高了8% 和0.8%，達98.9%，取得了更優效果，為裂隙結構建模和表征提供了更為可靠的數據基礎。