图像增强的目的是减弱光照对图像生成的乘性噪声影响, 同时保留物体的反射特性对图像生成的影响。直方图均衡化是目前常见的图像增强方法之一, 通过对灰度级累计概率分布的线性映射实现对灰度级的调整, 方法简单、快速、有效, 在图像增强中得到广泛应用; 其缺点是对处理的数据不加选择, 可能会增加背景噪声的对比度而降低有用信号的对比度, 如图2(b)和图2(j)所示。利用直方图均衡化进行图像校正, 图像亮度被高估和被低估的问题都能得到一定程度的解决, 亮度值的分布具有层次性(如图2(f)和图2(n)所示), 提升了部分细节的辨识度。但在增强图像信息的同时, 也增强了背景噪声, 图2(a)中较暗的图斑和图2(i)中的亮图斑仍不能得到清晰的显示, 岩心图像的整体色调也与真实岩心表面存在差异^[15]。

另一种比较常见的方法是同态滤波。同态滤波是基于一个简单的亮度成像模型, 能够在频率域中结合傅里叶变换和高通滤波器, 压缩图像亮度范围并增强图像对比度的方法^{[16, 17, 18]}, 对消除强光照射造成的图像噪声有良好效果。如图2(c)和图2(g)所示, 图像的细节信息得到了增强, 岩心表面的一些暗色图斑能够得到直接显示。但是, 同态滤波的效果取决于对应高通滤波器的参数设置, 同一个参数对于不同光照环境造成的噪声处理效果也不同, 如图2(k)和图2(o)所示, 相同的高通滤波器参数在校正弱光照射的扫描图像时, 会因同态滤波具有抑制低频能量的作用导致信息大量丢失, 校正后亮度值集中在0附近。岩心扫描工作环境的光照条件复杂多变, 对参数依赖较高的同态滤波器不能有效应对这种复杂情况。

目前被广泛认可的成像原理可用图像亮度成像模型表达, 即

f(x, y)=i(x, y)r(x, y), (1)

式中f(x, y), i(x, y)和r(x, y)分别为坐标点(x, y)处的亮度函数、入射光的量和反射光与入射光的比率。r(x, y)由被照射物体的特性决定^[16] 。

图3(a)— (c)分别示出在强光照射、弱光照射和正常光照射情况下, 光照条件对成像过程中图像亮度的影响。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同光源照射下物体亮度偏差示意图Fig.3 Brightness bias of objects under different intensity light conditions

图3中, S为某一强度的光源; wb表示理想光照状态下物体的亮度投射面; w, b和o分别表示理想光照状态下标准白板亮度值1、标准黑板亮度值0和被照射物体的亮度; WB表示在实际工作中光照状态下亮度投射面; W, B和O则分别表示实际工作状态下标准白板、标准黑板和被照射物体的扫描亮度。

依据数据特点, 提出了在HSV彩色空间中进行的标准板校正方法。该方法是将岩心图像的亮度与同一光照条件下标准板成像的亮度进行对比, 通过线性缩放, 削减光照函数i(x, y)的乘性噪声影响, 从而实现对图像的校正。如图3所示, 光照环境对成像的影响比较复杂, 实际成像亮度投射面相比理想状态的亮度投射面有不同程度的缩放, 但被照射物体的亮度与标准板亮度的比值却是不变的, 这由被照射材料的反射特征决定而不受光照的影响, 即

OBob=WBwb。 (2)

因此, 可以得到利用标准白板和标准黑板校正图像的方法, 即

φo=α(Mo-Mb), (3)

α=φsMw-Mb, (4)

式中: M_o为待校正图像亮度; M_w为在同等条件下的标准白板图像亮度; M_b 为相应条件下标准黑板扫描图像亮度; φ _s为理想状态下标准白板的反射率; φ _o为经过标准板校正的反射率。

用本文提出的基于标准板校正方法对强光照射导致岩心图像失真(图2(a))进行校正的结果(图2(d))表明, 该方法提高了图像中的暗斑和背景框的辨识度, 削减了强光照射的乘性噪声, 解决了强光照射导致图像亮度被整体高估的问题(图2(h))。用本文提出的方法对弱光照射导致岩心图像失真(图2(i))进行图像校正的结果如图2(l)所示, 相比原图像的亮度有一定提升, 图像中的亮斑和纹理信息也能够清晰识别, 图像亮度整体被低估的问题得到了一定程度的解决(图2(p))。

对比图2中各种岩心图像增强的方法可以看出, 本文提出的方法能够适应多种复杂光照环境, 相比直方图均衡化能更有效地去除乘性噪声、增强图像有用信息的对比度而不会增强噪声的对比度(图2(b)和图2(j)); 相比同态滤波不会丢失低频信息(图2(c)和图2(k)), 且不受参数设定的限制, 具有更高的鲁棒性和普适性。

干扰光谱检测是通过计算光谱扫描视场内岩心覆盖面积比例的大小来实现的, 当面积比例低于一定阈值, 则判定该处的扫描光谱为干扰光谱。该方法需要解决如何提取岩心覆盖区域和如何计算岩心覆盖区域面积比这2个核心问题。

3.1.1 岩心覆盖区域提取

经过大量测试和分析, 发现可以用式(5)有效提取岩心覆盖区域, 即

CA=B/R, (5)

式中: CA为提取岩心覆盖区域的比值图像; B和R分别为岩心扫描图像蓝光和红光通道亮度值。

如图5所示, 用式(5)提取的结果中, 岩心覆盖区域呈高亮度值, 而红色颜料涂层覆盖和岩心缺失的区域则呈低亮度值。通过对多个岩心盘的图像进行试验, 得到经验阈值t, 即

t=min(mean, 0.4), (6)

式中: mean为比值图像CA均值; 0.4为经验常数。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 阈值分割效果Fig.5 Results of threshold segmentation

在岩心覆盖区域并没有充满整个视域时, 以CA图像的均值作为阈值进行图像分割, 能够很好地提取岩心覆盖区域; 而当岩心覆盖区域几乎充满视域时(图5(a)), 用CA的均值则只能提取岩心表面亮度较高的部分, 而将亮度较低部分归为背景, 从而产生误判(图 5(b)); 但是, 选择经验常数0.4可以很好地提取岩心几乎覆盖整个视域时的岩心覆盖区域(图 5(c))。采取阈值选择策略, 能够应对几乎所有用来试验的岩心盘扫描图像。

3.1.2 岩心覆盖区域面积比计算

岩心直径和扫描步长均为5 cm, 因此设定岩心光谱有效扫描区域为与岩心等宽的正方形(图6红色方框), 面积为A_s; 有效扫描区内岩心覆盖的面积为A_c。利用式(7)计算岩心覆盖面积比φ , 即

φ=Ac/As。 (7)

当φ < 1/2时, 则判定该区域的扫描光谱为非岩心扫描光谱, 需要进行校正。图6(b)中的A区属于正常扫描区域; 而B区属于非正常区域, 对应的扫描光谱需要进行校正。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 干扰光谱检测区Fig.6 Interference spectrum detection and modification area

根据地理学第一定律“ 任何事物都相关, 只是相近的事物关联更紧密” 的原理, 岩心的岩性分布也符合这一定律, 即在一根岩心上, 距离越近的2个点的岩石物理、化学性质越相似。基于此原理, 本文选择利用干扰光谱前、后邻近位置的扫描光谱近似表示该处的岩心扫描光谱。CMS350A的光谱扫描步长为5 cm, 在地质现象中, 这是一个非常邻近的距离, 所以利用这种方法来校正干扰光谱具有非常高的可行性和可信度。与岩心扫描图像处理方式不同, 光谱重建是按步进视场顺序进行的, 本文选择直接按照光谱扫描顺序, 利用扫描光谱的后一个扫描光谱来校正该处扫描光谱。光谱校正前、后的效果如图7所示。图6(b)中的A区为正常区域, 不需要进行光谱校正, 所以校正前(图7(a))与校正后(图7(b))的光谱是一致的; 图6(b)中的B区为岩心的边框覆盖区域, 该处的扫描光谱呈现低反射率(图7(c)), 与该处前、后位置的岩石高反射率特征差异巨大; 该处前一个扫描位置的岩心反射率(图7(a))和后一个扫描位置的岩心反射率(图7(c))非常不同, 故对后一个位置的岩心反射率进行校正, 得到校正的岩心反射率(图7(d))。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 检测区校正前后结果Fig.7 Results of detedion and modification

在1帧岩心扫描图像中, 岩心呈近似矩形的形状, 纵向贯穿整帧图像, 其余部分为岩心盘边框、间隙以及其他格子的岩心。这些信息不仅增加了数据存储空间, 同时会对后续的计算机自动化分析岩心造成干扰(图8(a))。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 岩心图像提取示意图Fig.8 Diagram of core image extraction

岩心提取是从原扫描图像中识别并裁剪岩心覆盖的矩形区域(如图8(a)中红色方框范围内); 由于岩心纵向贯穿图像, 高度是固定的; 但岩心扫描平台在工作过程中因岩心盘或者镜头轻微位移等导致岩心在图像中的横向位置是不确定的, 因此确定了岩心左、右边界的位置也就确定了岩心覆盖的矩形区域。本文采用基于光谱角的方法来确定矩形的左、右边界, 即

cos< a, b> =a×b|a|b|, (8)

式中: a和b分别为同一行中任意2个相邻的像元RGB这3个通道像素值构成的向量; a× b为2个向量的内积; |a||b|为向量模长的乘积; cos< a, b> 为2个向量夹角的余弦值。

通过2个相邻特征向量的夹角(即2个像元的差异大小)判断这2个像元的位置是否位于边界处。此外, 岩心扫描图像会产生局部形变, 导致岩心覆盖区域不是规则的矩形, 其左、右2边界会有轻微的弯曲和倾斜; 因此, 求岩心的左、右2边界要通过分别计算每一行中岩心的左、右2边界位置并求均值来确定岩心从何处进行分割。岩心提取结果如图8(b)所示。

岩心本身的特点和岩心的存储与扫描方式决定了岩心图像具有非常鲜明的特征: 每个岩心待提取的范围位于岩心图像纵向中线附近, 覆盖范围近似矩形; 相邻2帧图像中岩心的宽度基本一致, 且岩心中线与图像中线几乎平行。上述特征提供了另一个思路来进行图像配准, 即无需在相邻2帧图像中寻找大量的同名点, 只需要找出每2帧相邻图像中岩心的中线, 然后将每一帧岩心图像中线与融合图像中线重合, 即可完成对待拼接图像的近似配准。寻找岩心的中线位置是利用式(8)计算的光谱角来实现的: 从岩心扫描图像的中间位置向2侧遍历, 采用角度分割算法分别求出岩心在扫描图像的左、右边界位置, 然后用左、右边界的均值作为岩心的中线位置。图9示出利用该方法进行3帧岩心图像(图9(a)— (c))匹配的效果, 图中红线为中线位置, 通过中线匹配实现图像配准和拼接(图9(d))。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 利用中线匹配法进行岩心图像配准和拼接Fig.9 Core image matching and mosaicing using center line matching method

上述方法回避了传统拼接方法要求每2帧待拼接图像之间必须有同名点的条件^{[20, 21, 22]}。从拼接结果来看, 该方法的匹配效果可以体现岩心连续变化的特点, 同时能够较好地显示岩心原有的外观; 更重要的是, 用该方法进行图像匹配快速高效, 对岩心图像这类数据量非常大而拼接结果并不需要完全精确的图像拼接任务, 具有良好的适用性和较高的工作效率。