煤体CT图像阈值分割是其三维真实结构重构的前提. 基于单轴压缩状态下煤体的CT图像,提出了一种基于图像灰度分布的孔隙度计算方法, 结合灰度直方图,利用实测孔隙度反推法对煤体CT图像进行了裂隙--煤基质--煤杂质三值化,同时与 最大类间方差法和最大熵法的三值化结果进行了对比分析. 结果表明, 最大熵法对于煤基质和煤杂质不能较好区分; 最大类间方差法对于图像微小区域灰度的突变(裂隙的产生)敏感性低,无法有效区分裂隙与煤基质; 本文改进的灰度直方图法避免了最大类间方差法和最大熵法的劣势,具有较好的图像三值化效果,且煤基质与煤杂质间的阈值基 于实验结果得到,具有更高的可信度和准确度.
The threshold segmentation of CT image of coal is the prerequisite for the reconstruction of 3D real structure. A porosity calculating method was proposed based on grey level distribution of CT images obtained under uniaxial compression. Combined with the gray scale histogram, CT images were experienced three-value-segmentation of fracture, coal matrix and inclusion by inverse process from experimental porosity. The three-value-segmentation results obtained by Otsu method, maximum entropy method and the improved gray histogram method show that maximum entropy method can not get a good segmentation between coal inclusion and coal matrix, and Otsu method can not effectively split crack and coal matrix for its low sensitivity to dramatic variation for gray value in small area of the image. However, the improved gray histogram method eliminates the disadvantages of the two methods mentioned above. The threshold of coal matrix and inclusion is obtained with higher reliability and accuracy based on the experimental results, and a better three-value-segmentation of image is obtained by the improved grey histogram method.
煤体是一种成分复杂的沉积岩多孔介质, 内部结构主要由固体基质和孔隙裂隙两部分组成. 固体基质一般可以细分为煤基质和煤杂质, 对煤体物理力学性质起决定性作用. 孔隙度是表征岩石物性的重要参数, 直接影响岩石的物理力学性质和渗透特性[1]. 通过CT技术对煤体真实结构进行三维重构, 并准确地建立数值几何模型已成为数值模拟发展的一种重要方法[2].
众多学者基于CT实验展开了各种各样的研究, 例如单轴压缩过程中孔隙度演化特征研究[1, 3], 含裂隙煤体、沥青混合料、土石混合体等材料真实结构的三维重构研究[4, 5, 6, 7]以及基于三维真实结构重构的数值模拟研究[2, 8, 9]等. 在这些研究中, 由于研究对象及目的的差异, 并没有通用的CT图像阈值分割方法. 张引[10]、Talab等[11]通过最大类间方差法(Otsu法)分别对不同的车牌照图像和混凝土图像进行了二值化研究; Brink[12]、黄春艳等[13]运用几种基于熵的图像算法分别对灰度图像进行了阈值分割, 并对比分析了其二值化效果; 万成等[6]、宫伟力等[14]通过灰度直方图具有双峰特点对CT图像进行了二值化; 于庆磊等[2]提出了环状分区与分割阈值自动识别相结合的CT图像分割算法, 即整个图像灰度直方图不具有双峰, 但各个环状分区的灰度直方图具有双峰; Glasbey[15]提出了11种基于图像灰度直方图的阈值分割算法; 张青成等[4]认为含裂隙图像二值化效果最佳的阈值为孔隙面积与灰度阈值间的关系曲线拐点对应的灰度值; Peng 等[16]利用实测孔隙度反推法对9种不同岩石CT切片进行了孔隙--固体基质二值化, 并得到了较好的二值化效果. Zhou等[17]结合实测孔隙度反推法和最大熵法对不同应力状态下煤样的CT图像进行了孔隙--固体基质二值化. 刘东菊[18]和张琪[19]专门针对图像阈值分割方法展开了详细研究; 吴一全等[20]对近20年来图像阈值分割方法研究进展进行了总结. 以上大多针对图像进行二值化, 关于三值化的研究很少. 在这些阈值分割方法中, 灰度直方图双峰法是最简单实用的方法, 但是很多CT图像的灰度分布并不具有双峰特征; 理论算法中, 最大类间方差法和最大熵法应用比较广泛且阈值分割效果较好, 但是具有各自的最佳适用条件和范围; 而实测孔隙度反推法作为一种基于实验结果的非理论阈值分割方法, 具有较高的准确度和可信度, 但是当材料中含裂隙时, 很难通过实验测量其孔隙度来确定CT图像的分割阈值.
本文提出了一种基于灰度分布的孔隙度反推法的图像双阈值分割方法, 成功地区分了煤体裂隙、煤基质和煤杂质, 并给出了基于煤体CT图像灰度分布的微观孔隙度计算方法. 此阈值分割方法为准确建立含杂质煤体三维真实结构的几何模型提供了一种可靠方法, 有利于提高数值模拟的准确度.
当一定能量的X射线射入具有一定密度的物体并穿出时, 由于反射、衍射以及物质吸收等作用导致X射线穿出时的能量相对于入射时的能量有所减弱, 而且物质密度不同导致X射线能量衰减量也不同. 根据Lambert--Beer’ s定律, X射线穿透物体前后的能量与物质密度满足如下关系[21, 22]
其中,
X射线衰减系数
其中,
在医用CT中, 通过CT(Hounsfield)数来描述人体组织的衰减系数相对于水的衰减系数的大小, 其定义为[21, 22]
$CT_{\rm number} = \dfrac{\mu - \mu _{\rm w} }{\mu _{\rm w} }\times 1\, 000 \quad(3)$
其中,
$CT_{\rm number} = \dfrac{\mu - \mu _{\rm w} }{\mu _{\rm w} }\times 1\, 000 + 1\, 000 \quad(4) $
当扫描样品直径为25 mm时, 一般工业
其中,
$CT_{\rm number} = \dfrac{1\, 000\rho _{\rm m} \left( {a + bZ^{3.8} / E^{3.2}} \right)}{\mu _{\rm w} }(1 - \phi ) \quad(6) $
当材料基质以及X射线参数一定时, 式(6)等式右边中仅仅只有孔隙度
计算机(Matlab)默认的图像存储位数为8位, 煤样CT切片图像为16位, 为了便于后期图像处理与计算, 在Matlab中将CT图像利用线性 映射算法[16]转换成对应的8位灰度图像, 其灰度值范围为0
$\phi \left( {T_{\rm m} } \right) = \dfrac{V_{\rm pore} }{V_{\rm coal} } = \dfrac{\sum_{T_{\rm i} = 0}^{T_{\rm m} } {n_{\rm i} s^2d\dfrac{T_{\rm m} - T_{\rm i} }{T_{\rm m} }} }{Ns^2d} = \\ \qquad \sum_{T_{\rm i} = 0}^{T_{\rm m} } {\dfrac{T_{\rm m} - T_{\rm i}}{T_{\rm m} }} p(T_{\rm i} ) \quad(7) $
其中,
若每个煤样扫描
$ \varPhi (T_{\rm m} ) = \dfrac{1}{M}\sum_{j = 0}^M {\phi _j } \left( {T_{\rm m} } \right) \quad(8)$
公式(8)计算结果虽然相对偏小, 但其充分利用了像素灰度信息, 克服了CT图像分辨率低的问题. 因此, 从测量精度上看此公式计算得到的孔隙度更接近于实验测得的孔隙度. 此公式只要知道煤基质的灰度值
对于含杂质的裂隙煤体(图1(a)), 有时除了需要得到孔隙裂隙结构外, 还需要得到煤基质和煤杂质各自的分布(例如精确的数值建模等), 此时对于CT切片进行阈值分割时不仅仅是区分裂隙和固体基质(二值化), 还需要将固体基质中的煤基质和煤杂质分开(三值化). 三值化原理如下
$ T'\left( {x, y} \right) = \left\{ \!\!\begin{array}{ll} {T_1 '}, & T\left( {x, y} \right) < T_1 \\ {T_2 '}, & T_1 \leq T\left( {x, y} \right) \leq T_2 \\ {T_3 '}, & T\left( {x, y} \right) > T_2 \end{array} \right. \quad (9)$
其中,
为了排除噪声干扰, 在进行阈值分割前对原始图像进行3× 3窗口的中值滤波. 计算时为了区分背景与裂隙, 将背景颜色改为白色, 去噪后的白色背景图像如图1(b).
本文利用基于图像灰度直方图的孔隙度反推法对含杂质裂隙煤体进行了三值化, 并与最大类间方 差法和最大熵法进行了对比分析.
最大类间方差法[24]是1975年日本学者大津展之提出的, 其根据图像预分割的各个部分灰度值之间的总方差最大来确定最佳阈值. 总方差值越大, 说明各个部分间差别越大, 分割出的图像的各个部分越准确.
三值化后图像被分为3个区域, 设分割阈值为
$\left.\begin{array}{1} P_1 = \sum_{T_{\rm i} = 0}^{T_1 } p(T_{\rm i} ) \\ P_2 = \sum_{T_{\rm i} = T_1 + 1}^{T_2 } p(T_{\rm i} ) \\ P_3 = \sum_{T_{\rm i} = T_2 + 1}^{255} p(T_{\rm i} ) \end{array} \right\} \quad(10) $
整幅图像的加权平均灰度为
$T_{\rm I} = \sum_{T_{\rm i} = 0}^{255} {T_{\rm i} p(T_{\rm i} )} \quad(11)$
每个区域的加权平均灰度为
$T_{\rm I1} = \sum_{T_{\rm i} = 0}^{T_1 } {T_{\rm i} p(T_{\rm i} )} / P_1 \quad (12a) \\ T_{\rm I2} = \sum_{T_{\rm i} = T_1 + 1}^{T_2 } {T_{\rm i}p(T_{\rm i} )} / P_2 \quad (12b) \\ T_{\rm I3} = \sum_{T_{\rm i} = T_2 + 1}^{255} {T_{\rm i} p(T_{\rm i} )} / P_3 \quad (12c)$
则, 各个区域间的总方差可以表示为
总方差
最大熵法[25]是1985年由Kapur提出的, 其阈值选取准则是图像分割后的各个部分的总熵值最大, 即信息量最大. 这种方法的目的在于将图像的灰度直方图分成独立的类, 使得各类的总熵最大.
同样, 对图像进行三值化, 假设双阈值分割后图像分为3个区域, 阈值为
$ H(T_1 , T_2 ) = - \sum_{T_{\rm i} = 0}^{T_1 } {\dfrac{p(T_{\rm i} )}{P_1 }} \ln \dfrac{p(T_{\rm i} )}{P_1 } - \\ \qquad \sum_{T_{\rm i} = T_1 + 1}^{T_2 } {\dfrac{p(T_{\rm i} )}{P_2 }} \ln \dfrac{p(T_{\rm i} )}{P_2 } - \\ \qquad \sum_{T_{\rm i} = T_2 + 1}^{255} {\dfrac{p(T_{\rm i} )}{P_3 }} \ln \dfrac{p(T_{\rm i} )}{P_3 } \quad(15) $
最佳阈值的选取准则为
有时通过图像灰度直方图中某灰度值出现概率是否突变可以简单直接判断出图像阈值分割点, 比如当灰度直方图出现双峰间的明显波谷时, 则波谷处灰度值一般为阈值分割点. 三值化时若灰度直方图具有三峰, 三峰间的两个波谷则为两个阈值点. 一般天然岩石CT图像灰度直方图都不具有双峰或三峰, 例如图2为含杂质裂隙煤体的灰度直方图, 并没有双峰, 其中, 裂隙与固体基质间的阈值分割点
本文实验煤块取自平煤12K己15-17220采面, 埋深约900m, 煤层牌号为焦煤, 煤质松软, 煤体呈粉末状, 半光亮型, 属脆性煤体. 煤块经严密封装后, 送至室内试验室, 加工成直径为25 mm的圆柱形试样. 在同一块煤相同位置上钻取1个高为50 mm以及3个高为25 mm的圆柱形试件, 分别用于单轴加载的CT扫描实验和压汞实验.
取直径为25 mm、高为50 mm的圆柱形煤样进行单轴加载下的CT扫描实验. CT实验设备采用中国矿业大学(北京)煤炭资源与安全开采国家重点实验室与美国BIR公司合作研发的ACTIS300-320/225CT/DR高分辨率工业CT实时成像系统, 并 研发了配套的单轴加载设备. 在单轴压缩条件下对煤样加载到不同应力水平, 进行CT扫描实验, 直至试件破坏. 煤样扫描载荷依次为0, 3, 4, 4.5, 5, 6, 7, 8, 9, 10 MPa. 每个载荷下扫描1001张图片, 扫描间距和切片厚度均为0.05 mm, 图像尺寸为750× 750像素, 视场为35 mm, 每个像素大小(分辨率)为 46× 46$\mu$m2.
对3个圆柱形煤样M1、M2、M3进行压汞实验. 实验在中国石油勘探开发研究院北京院区进行, 实验仪器采用美国core lab CMS300和美国Auto Pore Ⅳ 9505压汞仪. 试验进行前先通过普通渗透仪测得煤样的孔隙度, 结果如表1所示. 压汞实验测得的三个煤样的孔隙尺寸分布如图3所示, 可以看出孔喉尺寸主要集中在0.008
为了简化计算, 等间距地取5张(第300, 400, 500, 600, 700张)加载前不含裂隙的CT扫描图片进行孔隙度计算. 5张图片孔隙度与临界灰度值
为了说明上述简化计算带来的误差, 当
表2和表3分别为等间距5张不含裂隙CT图像和含裂隙CT图像在最大类间方差法、对数最大熵法以及本文改进灰度直方图3种方法 下的三值化结果, 其对应单轴压缩载荷分别为0 MPa和5 MPa. 由于5张图片阈值结果很接近, 取加载前后第500张(A500)图片为特例来说明3种方法下CT图像的三值化效果. 图6和图7分别给出了不含裂隙煤体CT图像和含裂隙煤体CT图像的原始图像以及最大类间方差法、对数最大熵法和本文改进灰度直方 图3种方法下的三值化图像.根据图6和图7并结合表2和表3数据可知, 最大类间方差法可以粗略分割出煤基质和煤杂质, 相对本文改进灰度直方图法的求解阈值偏小, 且无法分割出裂隙和固体基质; 当裂隙较为明显时, 对数最大熵法能够较好地区分出裂隙与固体基质, 但是固体基质中的煤基质和煤杂质无法完全区分; 本文改进的灰度直方图法既能很好区分出裂隙与固体基质, 也能很好区分出煤基质和煤杂质. 图6(b)和图7(b)以及表格中数据表明, 最大类间方差法的阈值分割点基本不受裂隙产生的影响, 即图片中微小区域的灰度突变其无法检测到, 而仅仅是对图片中主要成分组成进行检测区分, 这与文献[26]的观点“ Otsu方法适用于图像中被分割各部分的面积所占比例接近的情况, 否则, Otsu分割方法将失效” 是一致的. 对比图6(c)和 图7(c)以及表格中数据可以发现, 对数最大熵法阈值分割点对裂隙的产生很敏感, 能够较好检测区分, 同时发现其能检测出煤杂质中密度相对较高的区域, 说明其主要是识别区分相对主要区域变化较大的微小区域, 即对灰度突变的区域(裂隙的产生, 高密度杂质等)敏感性高. 因此, 这两种较为成熟的理论阈值分割算法都有各自的主要优势和劣势, 应该根据研究重点和需要正确选取和应用. 分别对比图6和图7可知, 无论是否含裂隙, 本文改进灰度直方图法三值化效果均很好, 避免了最大类间方差法和最大熵法的劣势, 且煤基质与煤杂质间的阈值由实验实测孔隙度反推得到, 阈值求解具有更高的准确度.
基于本文三值化方法, 对各个载荷下煤样的1 000张CT图像进行三值化, 然后导入到Mimics中进行三维重构, 能够分别得到孔裂隙、煤基质和煤杂质的三维空间分布情况. 以5 MPa载荷下的CT图像为例, 图8给出了基于本文三值化方法的煤样(裂隙--煤基质--煤杂质)三维重构的真实几何模型. 将三维几何模型导入到数值软件中, 并根据数值模拟需求对不同组分赋予不同的物理力学参数或控制方程, 则可以实现煤体真实结构的数值计算与分析. 这对提高数值模拟的准确度具有重要意义.
(1) 在CT图像像素分辨率无法辨别孔隙的情况下, 充分利用图像单个像素的灰度信息, 根据灰度值与材料密度的线性关系提出了一种基于CT图像灰度分布的孔隙度计算方法, 该方法能够计算到微观尺度的孔隙. 只要确定煤基质的灰度值, 就能计算出任意一张CT图像的孔隙度, 进而计算整个煤样的孔隙度.
(2) 通过实验测得的孔隙度结合本文提出的孔隙度计算方法反推煤基质与煤杂质的阈值分割点, 同时通过CT图像灰度直方图得到裂隙与煤基质的阈值分割点, 以此对煤体CT图像成功进行了裂隙--煤基质--煤杂质三值化, 是一种实用而可靠的三值化方法.
(3) 最大类间方差法只能粗略区分出煤基质和煤杂质, 对灰度突变的区域(裂隙的产生)敏感性低, 即无法区分裂隙与固体基质; 而最大熵法仅能较好地区分出裂隙与煤基质, 却无法区分出煤基质与煤杂质. 相比而言, 本文改进的灰度直方图方法避免了以上两种方法的劣势, 煤基质与煤杂质间的阈值基于实验结果得到, 对于含杂质煤体CT图像, 具有更好的三值化效果, 且可信度和准确度更高.
(4)本文方法计算量较大, 寻找类似最大类间方差法和最大熵法的理论计算方法来准确对类似含裂隙含杂质煤体的CT图像进行三值化值得研究. 依据本文三值化方法对煤体真实结构进行三维重构建模并进行力学或渗流等数值模拟值得进一步研究和讨论.
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
|
[26] |
|