一种基于图像处理的土壤、岩石分类方法和装置

技术领域

本发明涉及图像处理技术，尤其是一种利用图像处理技术完成对土壤、岩石进行分类的方案。

背景技术

对于施工的场景，由于对于不同的地质地貌，有不同的施工方式，因此，需要先对施工环境进行检测评估。

检测评估最初是靠人工开挖取样辨别，识别出环境土壤、岩石的类别，但这种方式非常费时费力，且准确性不高。

随着图像处理技术的不断更新，借助于图像处理的方式可以对样本的土壤或岩石进行较为准确的识别和分类。但是，现有的分类解决方案多是通过机器学习/深度学习的方式来完成对土壤或岩石的识别，例如CN110261330A公开的一种岩石识别深度学习模型岩石分类约束继承性损失方法。此类方法需要采集庞大的样本集，且对于样本的类别需要进行准确的定义，否则会分类器产生影响，另外，此类方法的计算量也较大。并且，现有的方法多是仅能实现对土壤或岩石之一的识别分类。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于图像处理的土壤、岩石分类方法，以提供一种能够自动对图像中的土壤/岩石进行细分类的解决方案。

本发明采用的技术方案如下：

一种土壤、岩石分类方法，包括：A.分别对采集的各原始图像执行以下处理：对采集的原始图像进行第一预处理，得到对应的第一二值化图像；计算所述第一二值化图像的横向、纵向梯度，根据所述横向、纵向梯度，计算原始图像对应的梯度采样占空比；B.对各原始图像对应的梯度采样占空比进行无监督聚类二分类，将各原始图像对应环境一次分类为土壤类和岩石类；对于土壤类，执行步骤C进行二次分类，对于岩石类，执行步骤D进行二次分类；C.根据原始图像对应土壤的含水量对原始图像对应的土壤进行分类；D.对原始图像的纹理复杂度进行无监督聚类二分类，将原始图像对应的岩石二次分类为第一类岩石和第二类岩石；对于第一类岩石，执行步骤E进行三次分类；E.对原始图像进行第二预处理，得到对应的第二二值化图像，以第二二值化图像的连通域占比和质心边界距离混乱度为特征，对原始图像对应的岩石进行无监督聚类二分类。

进一步的，所述梯度采样占空比的计算方法，包括：对所述横/纵向梯度的行/列进行等距采样；分别计算采样行/列的梯度信息点占各行/列中信息点数的比值；将采样行/列的所述比值进行无监督聚类二分类，以聚类数量较多的一类作为原始图像对应的梯度采样占空比。

进一步的，所述步骤C利用土壤水含量检测电路检测土壤的含水量，所述土壤水含量检测电路包括方波信号发生电路、传感电路、整流电路、滤波电路、校正电路、放大电路和显示电路，所述方波信号发生电路、传感电路、整流电路和滤波电路依次连接，所述校正电路的输入端连接土壤含水量检测电路的电源，所述滤波电路和所述校正电路的输出端分别连接所述放大电路的两输入端，所述放大电路的输出端连接所述显示电路。

进一步的，所述纹理复杂度包括轮廓复杂度、横向曲率系数和纵向曲率系数三个特征；所述轮廓复杂度的计算方法包括：将原始图像的横向、纵向梯度合并为梯度图，遍历梯度图，统计像素值不为零的点的总数，以像素点不为零的点的总数占梯度图总像素点的比例表征轮廓复杂度；所述横向曲率系数通过计算原始图像的横向梯度的曲率求得；所述纵向曲率系数通过计算原始图像的纵向梯度的曲率求得。

进一步的，所述计算原始图像的横向梯度的曲率，包括：将原始图像的所述横向梯度二值化得到横向梯度图像；对所述横向梯度图像进行滤波，以滤除面积小于第一阈值的连通区域；计算滤波后的横向梯度图像的曲率，得到横向曲率图；以所述横向曲率图中像素点不为零的点的方差值作为横向曲率系数。

进一步的，所述计算原始图像的纵向梯度的曲率，包括：将原始图像的所述纵向梯度二值化得到纵向梯度图像；对所述纵向梯度图像进行滤波，以滤除面积小于第二阈值的连通区域；计算滤波后的纵向梯度图像的曲率，得到纵向曲率图；以所述纵向曲率图中像素点不为零的点的方差值作为纵向曲率系数。

进一步的，所述对原始图像进行第二预处理，得到对应的第二二值化图像，包括：对原始图像进行第一预处理，得到对应的第一二值化图像；计算第一二值化图像中的连通区域，滤除第一二值化图像中面积小于第三阈值的连通区域，对剩余部分进行开操作，得到第二二值化图像。

进一步的，所述连通域占比，为所述第二二值化图像中，各连通域面积与对应最小框选矩形的面积比。

进一步的，所述质心边界距离混乱度的计算方法包括：提取所述第二二值化图像中，各最小框选矩形中的连通域的轮廓；计算各连通域轮廓上各点到质心的欧氏距离，以各欧氏距离的方差值作为质心边界距离混乱度。

本发明还提供了一种基于图像处理的土壤、岩石分类装置，该装置包括处理器、计算机可读存储介质和土壤水含量检测电路，所述处理器分别连接所述计算机可读存储介质和所述土壤水含量检测电路；所述土壤水含量检测电路用于检测土壤的含水量，所述计算机可读存储介质存储有计算机程序；所述土壤水含量检测电路将检测的结果传输给所述处理器，所述处理器运行所述计算机程序执行上述的土壤、岩石分类方法。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明能够根据采样图像，自动完成对土壤、岩石的细分类识别。

2、本发明的方案完全符合土壤、岩石的自然属性，分类准确率高。

3、本发明无需前期的采样、训练，可直接使用，配置更为简单，计算量小，分类快速，对硬件要求低。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是土壤、岩石分类方法流程的一个实施例。

图2是对图像第一预处理的过程。

图3是土壤类图片与岩石类图片的横/纵向梯度图。

图4是土壤类图片与岩石类图片的横/纵向梯度采样图。

图5是土壤含水量检测电路的一个实施例。

图6是土壤压力检测电路的一个实施例。

图7是土壤环境检测系统的结构图。

图8是显示电路的一个实施例。

图9是岩石类图片的总体梯度图。

图10是岩石类图片的横向曲率图。

图11是岩石类图片的纵向曲率图。

图12是对图像第二预处理的过程。

图13是连通信息提取图。

图14是6种土壤/岩石示意图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

附图中各图说明：

图2中，(1)原始彩色图像；(2)灰度图像；(3)第一二值图像。

图3中，(1)土壤类图片的横向梯度图；(2)土壤类图片的纵向梯度图；(3)岩石类图片的横向梯度图；(4)岩石类图像的纵向梯度图。

图4中，(1)土壤类图片的横向梯度采样图；(2)岩石类图片的横向梯度采样图；(3)土壤类图片的横向梯度采样图；(4)岩石类类图像的纵向梯度采样图。

图9中，(1)卵石图像的梯度图；(2)卵漂石图像的梯度图；(3)泥卵砾石图像的梯度图；(4)砂岩夹板岩图像的梯度图。

图10中，(1)卵石图像的横向曲率图；(2)卵漂石图像的横向曲率图；(3)泥卵砾石图像的横向曲率图；(4)砂岩夹板岩图像的横向曲率图。

图11中，(1)卵石图像的纵向曲率图；(2)卵漂石图像的纵向曲率图；(3)泥卵砾石图像的纵向曲率图；(4)砂岩夹板岩图像的纵向曲率图。

图12中，(1)卵石图像原彩色图；(2)卵石图像二值图；(3)卵石图像面积阈值滤波后图；(4)卵石图像开操作后图。

图13中，(1)卵石图像连通信息提取图；(2)卵漂石图像连通信息提取图，蓝色星号为各个连通区域的质心，红色虚线矩形框为最小框选矩形。

本发明以卵石、卵漂石类和泥卵砾石、砂岩夹板岩类两大类作为对岩石的二次分类的两大类，以卵石、卵漂石类作为岩石三次分类的两小类，以粉质粘土和素填土作为土壤二次分类的大类进行举例，公开了一种基于图像处理的土壤、岩石分类方法，过程如图1所示，分类方法包括：

A.分别对采集的各原始图像执行以下处理：

A1.对采集的原始图像进行第一预处理，得到对应的第一二值化图像。

通常来讲，对于环境拍摄的图像为彩色图像(黑白图像会丢失信息)，如图2所示，第一预处理过程先将采集的彩色原始图像转化为灰度图像，再根据Otsu全局阈值确定法找出使灰度图两个部分之间的灰度值差异最大的阈值，进而应用该阈值将灰度图像划分为二值图，该二值图即为第一二值化图像。

A2.计算所述第一二值化图像的横向、纵向梯度，根据所述横向、纵向梯度，计算原始图像对应的梯度采样占空比。

图像的横、纵向梯度代表着图像二维矩阵分别在横纵方向上的差分，可以反映出图片中物体纹理的稠密程度。图像横纵向梯度计算公式如式(1)、(2)。

其中G

对横纵向梯度进行随机采样观察，土壤类图片和岩石类图片的横(纵)向梯度均采集其中间行(列)进行对比，结果如图4所示。从图4可以看出，对于土壤类图片，其整体稠密度较高，梯度计算出的边缘信息较多，与背景(梯度为0的点)相比占比较大；而岩石类图片的整体稠密度较低，梯度计算出的边缘信息较少，与背景相比占比较小，因此采用梯度采样占空比作为特征参数进行土壤类和岩石类图像的区分是可行的。

上述计算梯度采样占空比的方法包括：

对所述横向梯度的行/列进行等距采样。采样距离可根据梯度采样图的尺寸设定，在一些实施例中，采样距离设定为5。

分别计算采样行/列的梯度信息点占各行/列中信息点数的比值：对采样行(列)计算梯度信息点(梯度为1的点)占各行(列)总点数的比值，即占空比，计算公式如式(3)、(4)所示。

其中，F1

将采样行/列的所述比值进行无监督聚类二分类，以聚类数量较多的一类作为原始图像对应的梯度采样占空比：将采样得到的行(列)占空比值进行类别为2的无监督聚类，去除其中数量较少的一类，以减少因图像噪声或其他因素造成的干扰项，将数量较多的类作为图像的最终梯度采样占空比。

B.对各原始图像对应的梯度采样占空比进行无监督聚类二分类，将各原始图像对应环境一次分类为土壤类和岩石类；对于土壤类，执行步骤C进行二次分类，对于岩石类，执行步骤D进行二次分类。

以每个图像的梯度采样占空比作为分类的特征。从土壤类和岩石类中各随机选取1个图像的梯度采样占空比特征作为初始的聚类中心，然后计算每个图像的特征与各个聚类中心之间的距离，把参与当前计算的特征分配给距离它最近的聚类中心。聚类中心以及分配给它们的特征就代表一个聚类。每分配一个样本(特征)，聚类的聚类中心会根据聚类中现有的对象被重新计算，直到聚类中心不再发生变化，误差平方和局部最小，则完成一次聚类。参与计算的各图片最终会被聚为两类(土壤类/岩石类)，实现对土壤/岩石的二分类。

C.根据原始图像对应土壤的含水量对原始图像对应的土壤进行分类。

土壤的含水量利用土壤水含量检测电路进行检测。

如图7所示，土壤水含量检测电路包括方波信号发生电路、传感电路、整流电路、滤波电路、校正电路、放大电路和显示电路，所述方波信号发生电路、传感电路、整流电路和滤波电路依次连接，所述校正电路的输入端连接土壤含水量检测电路的电源，所述滤波电路和所述校正电路的输出端分别连接所述放大电路的两输入端，所述放大电路的输出端连接所述显示电路。

该检测电路的原理为：土壤水分含量与土壤电阻率之间成线性关系，振荡信号施加到传感电路上，由于土壤电阻率的作用，传感电路会输出相应的电压信号(即检测电压，该电压会随土壤含水量的增加而减小)，该电压信号经后续电路作用后，在显示电路上显示除对应的数值。上述检测电路的方波信号发生电路将振荡信号施加到传感电路，传感电路作用于被检测土壤，通常来讲，传感电路采用成对的探针电路，两探针分别连接传感器探头。传感电路在振荡信号的作用下，输出的检测电压依次通过整流电路、滤波电路后，输入到放大电路，校正电路将分得的电压送到放大电路，放大电路通常采用运算放大器，滤波电路连接到运算放大器反相端，校正电路连接到运算放大器的同相端，放大电路将放大信号输出到显示电路进行数值显示。显示电路由数字电压表和数码管电路相连而成。

在一个实施例中，为了防止探针出现电化学腐蚀现象和减小两探针之间分布电容的影响，使得土壤含水量主要与土壤电阻率成比例关系，其土壤含水量检测电路的工作电压采用了中低频率的振荡信号。如图5所示，设计了由U1、R

如图7所示，本实施例还公开了一种土壤环境检测系统，包括土壤含水量检测电路、土壤压力检测电路和显示电路，土壤含水量检测电路包括方波信号发生电路、传感电路、整流电路、滤波电路、校正电路和放大电路，方波信号发生电路、传感电路、整流电路和滤波电路依次连接，所述校正电路的输入端连接土壤含水量检测电路的电源，所述滤波电路和所述校正电路的输出端分别连接所述放大电路的两输入端，放大电路的输出端连接所述显示电路。土壤压力检测电路包括电桥电路和运算放大器，所述电桥电路的两臂分别连接到运算放大器两端，运算放大器的输出端连接所述显示电路。

如图5所示，土壤含水量检测电路设计了由U1、R

D.对原始图像的纹理复杂度进行无监督聚类二分类，将原始图像对应的岩石二次分类为第一类岩石和第二类岩石；对于第一类岩石，执行步骤E进行三次分类。

本实施例以卵石、卵漂石类和泥卵砾石、砂岩夹板岩类作为二分类的对象。卵石、卵漂石类的轮廓边缘纹理较为光滑规整，复杂度较小；而泥卵砾石、砂岩夹板岩类轮廓边缘纹理较为杂乱，复杂度较高，所以根据纹理复杂度可将岩石类分为卵石、卵漂石类和泥卵砾石、砂岩夹板岩类两大类。

本实施例将轮廓复杂度、横向曲率系数和纵向曲率系数三个特征组成的一个量向廓形特征集来表征岩石类图像的纹理复杂度，以此作为对象分类的特征。根据式(1)、(2)计算图像的横纵方向梯度，得到原始图像的边缘纹理信息，用边缘信息点(像素值非零的点)占总像素点的比重表征图片的轮廓复杂度。

轮廓复杂度的计算方法包括：

D1.将原始图像的横向、纵向梯度合并为梯度图。

由式(1)、(2)得到图片的横纵方向梯度G

G＝G

其中，G为图像的总体梯度图，G

D2.遍历梯度图，统计像素值不为零的点的总数。

遍历梯度图G，找到其中像素值不为0的点(边缘信息点)，统计其总个数N。

D3.以像素点不为零的点的总数占梯度图总像素点的比例表征轮廓复杂度。

计算边缘信息点占总像素点的比重，计算公式如式(6)所示：

R＝N/(m*n) (6)

其中，R为边缘信息点占总像素点的比值，N为边缘信息点总个数，m、n分别为梯度图像G的行、列数。

所述横向曲率系数通过计算原始图像的横向梯度的曲率求得。反映了图像的纵向纹理差异度，其计算过程包括：

将原始图像的所述横向梯度二值化得到横向梯度图像：根据式(1)得到图像的横向梯度G

对所述横向梯度图像进行滤波，以滤除面积小于第一阈值的连通区域，以减少背景中非岩石部分的连通区域对图像处理的影响。包括：

a.遍历图像，确定图像中的连通区域。

b.计算每个连通区域的面积。

c.通过多次实验设置面积阈值(即第一阈值)，滤除面积小于阈值的连通区域，实现滤波效果。

计算上述滤波后的横向梯度图像的曲率，得到横向曲率图。计算公式如式(7)-(15)所示：

G

G

K

其中G

以所述横向曲率图中像素点不为零的点的方差值作为横向曲率系数。本发明以横向曲率中有效信息点(不为0的点)的方差值作为横向曲率系数，来表征图像纵向的边缘纹理差异度。计算过程包括：

a.遍历横向曲率图，找出其中的有效信息点，并统计其个数N

b.计算有效信息点的均值，计算公式如式(16)所示：

其中K

c.循环遍历横向曲率图的有效信息点，并计算其方差，方差计算公式如式(17)所示：

K

其中K

所述纵向曲率系数通过计算原始图像的纵向梯度的曲率求得。反映了图像的横向纹理差异度，其计算过程与横向曲率系数提取基本相同，只将式(7)-(17)中的G

基于此，上述对原始图像的纹理复杂度进行无监督聚类二分类，从卵石、卵漂石类和泥卵砾石、砂岩夹板岩类中各随机选取1个图像的量向廓形特征集作为初始的聚类中心，然后计算每个图像的特征集与各个聚类中心之间的距离，把参与当前计算的特征集分配给距离它最近的聚类中心。聚类中心以及分配给它们的特征集就代表一个聚类。每分配一个样本(特征集)，聚类的聚类中心会根据聚类中现有的对象被重新计算，直到聚类中心不再发生变化，误差平方和局部最小，则完成一次聚类。参与计算的各图片最终会被聚为两类(卵石、卵漂石类和泥卵砾石、砂岩夹板岩类)，实现对岩石类的二次分类。

E.对原始图像进行第二预处理，得到对应的第二二值化图像，以第二二值化图像的连通域占比和质心边界距离混乱度为特征，对原始图像对应的岩石进行无监督聚类二分类。

经上述分类步骤后，岩石类图像被进一步细分为了卵石、卵漂石类和泥卵砾石、砂岩夹板岩类两大类，其中泥卵砾石和砂岩夹板岩的纹理差异大，容易区分，而卵石、卵漂石的纹理差异小，不易区分，所以本文针对这一难点进一步设计了卵石、卵漂石的自动分类方法。

根据定义，卵石指的是风化岩石经水流长期搬运而成的粒径为60～200mm的无棱角的天然卵形颗粒；而卵漂石是指粒径大于200mm的颗粒含量超过全重50％、以圆形及亚圆形颗粒为主的岩石；此外，通过对比卵石和卵漂石图像易得，卵石的形状更接近于圆形，而漂石的棱角感更加明显，故卵石和卵漂石在图像上的差异主要表现为形状，据此，本文提出了一种廓形估计特征集来表征物体的形状与圆形的近似度，并将其作为图像分类用特征。

上述对原始图像进行第二预处理，得到对应的第二二值化图像的过程包括：对原始图像进行第一预处理，得到对应的第一二值化图像；计算第一二值化图像中的连通区域，滤除第一二值化图像中面积小于第三阈值的连通区域，对剩余部分进行开操作，得到第二二值化图像。

具体而言，将读入的彩色图像先转化为灰度图像，再根据Otsu全局阈值确定法找出使灰度图两个部分之间的灰度值差异最大的阈值，进而应用该阈值将灰度图划分为二值图。对该二值图进行图像滤波，滤波方法包括：

a.遍历图像，确定图像中的连通区域。

b.计算每个连通区域的面积。

c.通过多次实验设置面积阈值(即第三阈值)，滤除面积小于阈值的连通区域。

d.对图像进行开操作，进一步消去噪点，并使每个连通区域的边界更加清晰。

图像滤波的过程如图12所示。由图12可以看出，在经过第一次面积阈值滤波后，一些非卵石的干扰区域被滤除，但仍存在一些噪点和部分区域粘连的情况，在经过开操作后，噪点被进一步滤除，同时各个连通区域的边界也更加清晰。由图12可以看出，卵石图像的每个连通区域近似为圆形或椭圆形，与矩形框贴合度高，在矩形框中的占比更大；而卵漂石图像的各个连通区域有棱角感，与矩形框的贴合度较低，在矩形框中的占比也较小。因此，以连通域占比作为分类要素是可行的。

在一些实施例中，连通域占比为所述第二二值化图像中，各连通域面积与对应最小框选矩形的面积比。计算过程包括：

a.连通信息提取：遍历滤波后的图像，确定图像中的各个连通区域，结合MATLAB图像处理工具箱中的regionprops函数，得到各连通区域的质心C、面积S

b.连通域占比提取：用连通信息提取时获取的bounding box位置信息计算bounding box的长、宽，进一步计算得到其面积S

S

其中，S

由于物体的轮廓越圆，轮廓各点到质心的距离会越相近，即方差会越小，基于此原理，在一些实施例中，质心边界距离混乱度的计算方法包括：

提取所述第二二值化图像中，各最小框选矩形中的连通域的轮廓。

计算各连通域轮廓上各点到质心的欧氏距离，以各欧氏距离的方差值作为质心边界距离混乱度。

具体而言，质心边界距离混乱度的计算方法包括：

a.用Sobel边缘提取方法，在各bounding box中提取连通域轮廓，其计算公式如下：

G

G

θ

其中，F

b.计算连通域轮廓各点到质心的欧氏距离，计算公式如下：

其中，D(i)代表第i个轮廓点到质心的欧氏距离，(x

c.计算各距离方差

其中，D

以上述提取到的连通域占比和质心边界距离混乱度两个特征系数组成一个廓形估计特征集，作为分类的特征，对二次分类的原始图像对应的岩石进行无监督聚类二分类：从卵石类和卵漂石类中各随机选取1个图像的廓形估计特征集作为初始的聚类中心，然后计算每个图像的特征集与各个聚类中心之间的距离，把参与当前计算的特征集分配给距离它最近的聚类中心。聚类中心以及分配给它们的特征集就代表一个聚类。每分配一个样本(特征集)，聚类的聚类中心会根据聚类中现有的对象被重新计算，直到聚类中心不再发生变化，误差平方和局部最小，则完成一次聚类。参与计算的各图片最终会被聚为两类(卵石类和卵漂石类)，实现对岩石类的进一步细分。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，运行该计算机程序可执行上述的土壤、岩石分类方法。

本发明实施例还提供了一种基于图像处理的土壤、岩石分类装置，该装置包括上述计算机可读存储介质、处理器和土壤水含量检测电路，处理器分别连接所述计算机可读存储介质和土壤水含量检测电路，土壤水含量检测电路检测土壤含水量，将检测的结果传输给所述处理器，处理器运行所述计算机可读存储介质中的计算机程序，执行上述土壤、岩石分类方法。

本发明上述实施例中的方案可应用在对多种常见的土壤、岩石的分类上，如图14所示，图中(1)～(6)依次为粉质粘土、素填土、卵石、卵漂石、泥卵砾石、砂岩夹板岩，本发明的方案(方法或装置)可对上述列举的土壤或岩石进行自动分类。本发明还可应用到对其他类别土壤、岩石的分类上，原理相同，在此不一一列举。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。