Методика подготовки фотопланиграммы для улучшения качества бесконтактного анализа состояния массива горных пород

При добыче полезных ископаемых открытым способом широко применяется технология буровзрывных работ (БВР) как метод отделения породы от горного массива.

Массовый взрыв на карьере производится специальным инженерно -техническим и работам персоналом по типовому и специальному проекту. Технология выполнения массового взрыва состоит из двух стадий управления [1]:

• •    Подготовительная стадия выполнения массового взрыва;

• •    Стадия выполнения массового взрыва.

На современном этапе развития горной науки и практики в соответствии с действующими правилами ведения взрывных работ необходимо перед выполнением массового взрыва корректировать ведение БВР на основе конкретной оперативной информации о состоянии взрываемого массива.

Наиболее важным этапом является определение всех горногеологических и физико-механических характеристик разрабатываемых горных пород, так как от них зависит характер, эффективность и режим ведения БВР. Дадим определение некоторым понятиям [2]:

Отдельность - монолитная часть массива горной породы, ограниченная трещинами.

Трещиноватость , fissuring (англ.), Kluftung (нем.) - свойство горных пород, нарушенность монолитности породы трещинами; этим термином также называется совокупность трещин в породном массиве.

Блочность - показатель размера блоков горной породы, разделенных трещинами.

Наиболее быстрым способом оценки гранулометрического состава массива для оперативной корректировки параметров плана буровзрывных работ является анализ фотопланиграммы взрываемого уступа карьера [1]. Фотопланиграмма представляет собой растровое изображение, которое отображается в памяти компьютера в виде точек. Каждая точка несет числовое значение своей яркости в диапазоне от 0 до 255 (в случае монохромных изображений) [2]. Более темным тонам соответствует более низкое значение яркости, а следовательно меньшее числовое значение точки. Светлым тонам соответствует большее числовое значение из данного диапазона. Поэтому все трещины представлены (с точки зрения анализа человеком) более темными точками, а скальная поверхность массива – более светлыми. Соответственно автоматизация метода сводится к выделению отдельностей на фотопланиграмме и вычислению их площадей в автономном режиме при минимальном участии человека в данном процессе. Базовая генерация объектов обычно осуществляется с помощью сегментации. Практика показала, что сегментация достаточно чувствительна к качеству входных данных, различные дефекты которого приводят к ошибкам разной степени важности, в совокупности способные накопить значительную погрешность. Конкретнее:

• 1.    Потеря полезной информации в силу некорректного яркостного распределения;

• 2.    «Протечки» процедуры сегментации или чрезмерно мелкая генерация для глобально установленного порога;

• 3.    Потеря составляющих единых объектов при наличии в них неучтенных областей во время процедуры фильтрации по площади;

• 4.    Потеря единой целостности объекта из за наличия блика на его грани.

Первую проблему можно решить путем нормализации распределения яркости. Решение второй лежит в области исследований методов генерации локальных порогов, разделяющих объекты по яркости. Решение проблемы номер три тесно соприкасается со второй (так как причина появления таких областей именно в ней), но в целом самостоятельно решаема путем создания алгоритмов ассимиляции мелких областей более крупными вокруг лежащими областями. И, наконец, последнюю проблему можно решить путем обработки изображения какими-нибудь сглаживающими фильтрами.

Для существенного уменьшения последующих проблем при распознавании и снижении уровня шумов необходимо произвести предварительную обработку изображения. Для большей наглядности возьмем увеличенную часть фотопланиграммы в качестве тестового образца (рис. 1).

Рис. 1. Увеличенная часть фотопланиграммы.

Теперь введем определение гистограммы яркости изображения:

Гистограмма яркости – это количественное распределение точек изображения по значениям яркости. Другими словами это представление распределения полутоновой яркости изображения в виде графика, где по горизонтальной оси представлена яркость в градациях серого (0-255), а по вертикальной оси относительное число точек изображения для конкретной величины яркости.

Гистограмма яркости к тестовому образцу на

Рис. 1 приведена на рис. 2.

Рис. 2. Гистограмма яркости изображения к тестовому образцу.

По гистограмме на рис. 2 можно сказать, что изображение немного затемнено, т.к. имеется довольно значительное количество точек с предельно черным цветом и отсутствуют точки на верхнем диапазоне яркости. Это классическая проблема при получении изображений в естественных условиях. Для исправления таких ошибок гистограмму нормализуют. При этом на весь максимальный интервал уровней яркости 35

[0, 255] растягивается не вся гистограмма, а её наиболее интенсивный участок. Результат нормализации тестового образца представлен на Рис. 3.

оригинал нормализация

100 яркость пикселя

100 яркость пикселя

Рис. 3. Нормализация гистограммы яркости.

Т.к. изображение еще содержит излишне яркие блики и глубокие тени, то необходимо предпринять дополнительные меры по их усреднению. Добавим «умный» коэффициент усиления яркости. Чем темнее исходная точка, тем сильнее она будет высветлятся. И наоборот, чем ярче – тем меньшее влияние будет оказывать на нее высветление, вплоть до нулевого. Результат работы такого усредняющего алгоритма представлен на рис. 4.

Рис. 4. Усреднение изображения.

На выходе мы получаем более детализированную картину, благодаря чему увеличивается объем полезной информации.

Теперь остается сгладить исходное изображение для подавления мелкомасштабного яркостного шума и бликов от солнца (на сколько это вообще возможно) не потеряв при этом резкие границы. Грубо говоря, требуется получить из (а) => (b)

Рис. 5. Требуемые результаты.

Существует множество моделей сглаживания изображений, но большинство из них размывают и границы объектов, и поэтому не пригодны для поставленной задачи. Остается всего пара вариантов, это нелинейные фильтры Kuwahara [6] и Bilateral [7]

Фильтр Kuwahara автоматизировано обрабатывает изображение с помощью нелинейной фильтрации при сохранении резких краев. После обработки изображение похоже на грубо нарисованную красками картину.

Рис. 6. Сглаживание яркостного шума с помощью фильтра Kuwahara.

На рис. 6 выше показано применение фильтра к тестовому образцу. Результаты ожидаемые, но фильтр все же размыл границы. Поэтому данный фильтр, несмотря на всю его простоту, не подходит для условий задачи. Перейдем к фильтру Bilateral.

Двунаправленная фильтрация – это нелинейный и неитерационный процесс, комбинирующий пространственную (domain) и яркостную (range) фильтрацию. Двунаправленная фильтрация изображения f (x) в общем виде описывается выражением (1):

00 00

J J /(£M^M/(),/W)^

^ (*^)        00 CO                                                           (1)

J J c(^,x)s(/(^),/(x))o'^

—00 —00

где:

h(x) – выходное изображение,

c(ξ , x) – геометрическая близость между центром окрестности x и соседней точкой ξ

ξ s( f (ξ ), f (x)) – фотометрическое сходство (photometric similarity) между центром окрестности x и соседней точкой ξ

Двунаправленная фильтрация заменяет исходное значение каждой точки изображения на сглаженное значение, вычисленное в окрестности заданного размера. Результат обработки подобным фильтром для тестового образца представлен на рис. 7.

Рис. 7. Результат работы фильтра Bilateral.

Как видно из

Рис. 7 , все мелкие шумы ушли, и даже более того, некоторые блики от солнца так же оказались сглажены. При этом границы между объектами не пострадали ни в коей мере. Фильтр полностью удовлетворяет условиям задачи. Теперь изображение наиболее благоприятно для обработки моделью и уровень её ошибки снизится.