[发明专利]基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法

摘要

本发明公开了一种基于沥青路面试件X-rayCT图像的集料细观结构重构方法，应用于虚拟数值分析的沥青路面试件中粗集料的细观结构提出一种实体模型重构方法，实现试件中粗集料三维建模的自动化。本发明基于沥青路面试件重构模型的细观数值分析，完成从沥青路面试件X-rayCT断面图像到集料颗粒实体模型的自动转化，以辅助建立沥青混合料细观实体模型。

主权项

1.基于沥青路面试件X-ray CT图像的集料细观结构重构方法，其特征在于，包括以下步骤：（1）输入BMP格式的灰度图像文件组grap[n]，其中存储着沥青路面试件扫描步长为space的X-ray CT断面图像，其分辨率为512×512像素，作为集料实体模型重构的数据源；所述灰度图像文件是指将彩色图像中像素的颜色分量值按照一定比例进行加权，并将加权值附于每个颜色分量而获得的图像文件，其中，灰度图像中所有像素的灰度均介于0到255之间；所述沥青路面试件是指以沥青材料和集料按适当比例配制，胶结成整体的路面圆柱形样本，记半径为radious，高度为height；所述扫描步长space是指设定使用X-ray CT扫描沥青路面试件获取扫描图像的长度间隔，决定了扫描圆柱形试件所得的断面图像数量n；所述集料实体模型是指以边界表示法表示集料的三维几何结构，记为模型M＝(FACE,EDGE,VERTEX,R)，其中FACE表示集料模型中面的集合， EDGE为边的集合， VERTEX为顶点的集合，R表示模型中各元素之间的邻接关系；，记录着面的类别：平面、样条面，以及面的曲面方程；，记录着边的曲线方程；，记录着顶点的坐标p(x,y,z)；R{r₁,r₂}，其中：r₁＝{(face₁,face₂,edge)|edge∈face₁⌒face₂,edge∈EDGE,face_i∈FACE,i＝1,2,}r₂＝{(edge₁,edge₂,vertex)|vertex∈edge₁⌒edge₂,vertex∈VERTEX,edge_i∈EDGE,i＝1,2}r₁表示face₁和face₂相邻于边edge； r₂表示边edge₁与edge₂相邻于点vertex；（2）使用目标识别算法，识别沥青路面试件X-ray CT 各断面扫描图像中独立集料颗粒的轮廓，并建立单个集料颗粒与相应轮廓像素信息的映射关系，形成集料—轮廓映射集；所述目标识别算法描述如下：1）遍历灰度图像文件组grap[n]，设置集料灰度阈值ε_g∈(100,255)，将graph[i](i=0,1,···n-1)中所有灰度小于ε_g的像素灰度置为0，其他像素的灰度值置为255，形成集料图像文件组graph_s[n]；2）遍历graph_s[n]，设置集料边缘阈值ε_e，使用Sobel算子计算出graph_s[i](i=0,1,···,n-1)中集料颗粒的边缘，获得集料边缘文件组graph_b[n]；对graph_b[i](i=0,1,···,n-1)，通过集料边缘分组算法将其划分为元素各自独立的集料颗粒边缘数组borderine[m_i]，其中m_i是graph_s[i]中包含的集料颗粒数量；3）对graph_b[i](i=0,1,···,n-1)，遍历borderline[m_i]，取得集料边缘包围盒数组borderline_box[m_i]，以borderline_box[j](j=0,1,···,m_i－1)中横、纵向长度的最大值为borderline[j]的de集料粒径；设定集料粒径阈值ε_s，删除borderline[m_i]中集料粒径小于ε_s的边缘，将结果存储为含有p_i个元素的有效边缘链表borderline_list_i(i=0,1,···,n-1)；4）遍历有效边缘链表borderline_list_i(i=0,1,···,n-1)，运用集料映射算法，建立集料颗粒与相应边缘信息之间的集料—边缘映射集Map(Stone_Set,Borderline_Set)；所述集料灰度阈值ε_g是指设定的用以区分灰度图像文件中集料颗粒的灰度最小值；所述集料边缘阈值ε_e是指使用Sobel算子对灰度图像进行卷积计算时用以区分边缘的分类值；所述集料边缘分组算法，步骤如下所述：1）以512个像素为一组，将graph_b[i](i=0,1,···,n-1)中的像素数组pixels[26144]分为512个子像素组pixels_group_j(j＝0,1,…,511)；2）令j＝k＝l＝0；3）遍历pixels_group_j，判断pixels[k]的灰度是否为255，若不成立，k＝k＋1；若成立，将pixels[k]标记已访问；4）若j＝0，将pixels[k]归于集料颗粒边缘borderline[l]，计算其水平邻接集x_adj_pixels_k；若x_adj_pixels_k中的像素多于1个，将x_adj_pixels_k中的像素标记已访问后，皆归于borderline[l]，k＝k＋1，l＝l＋1，重复步骤3）、4）；若x_adj_pixels_k中的像素不多于1个，将x_adj_pixels_k中的像素标记已访问后，皆归于borderline[l]；k＝k＋1，直至pixels[k]的灰度为255；将pixels[k]及其水平邻接集x_adj_pixels_k中的像素标记已访问后，皆归于borderline[l]，l＝l＋1；5）若j＞0，遍历pixels_group_j－1中的已访问像素，寻找与pixels[k]距离在颗粒边缘同属阈值ε_d之下的像素pixels[d]，若找到，则将pixels[k]及其水平邻接集x_adj_pixels_k中的像素标记已访问后，皆归于pixels[d]对应的集料颗粒边缘；若满足条件的像素pixels[d]不存在，则计算pixels[k]的水平邻接集x_adj_pixels_k；若x_adj_pixels_k中的像素多于1个，将x_adj_pixels_k pixels[k]与中的像素标记已访问后，皆归于borderline[l]，k＝k＋1，l＝l＋1，重复步骤3）、5）；若x_adj_pixels_k中的像素不多于1个，将x_adj_pixels_k中的像素标记已访问后，皆归于borderline[l]；k＝k＋1，直至pixels[k]的灰度为255；将pixels[k]及其水平邻接集x_adj_pixels_k中的像素标记已访问后，皆归于borderline[l]，l＝l＋1；6）j＝j＋1，若j＜512，重复步骤3）-5），直至pixels[26144]中的像素均标记为已访问；所述水平邻接集x_adj_pixels_k指的是与像素pixels[k]右邻接的灰度值为255的连续水平像素集合；所述颗粒边缘同属阈值ε_d指的是隶属于同一集料颗粒边缘borderline[l]的竖直方向邻接像素间的最大距离；所述集料颗粒边缘数组borderline[m_i]的元素是组成集料颗粒边缘的像素集合；所述集料边缘包围盒数组borderline_box[m_i]是指将集料颗粒边缘数组borderline[m_i]中各元素完全包围起来的最小矩形数组；所述集料粒径阈值ε_s是指设定的集料颗粒边缘数组borderline[m_i]中元素粒径的分类值；所述有效边缘链表borderline_list_i(i＝0,1,…,n-1)是指元素为graph_b[i]中粒径在ε_s之上的集料边缘的链表；所述集料映射算法，步骤如下所述：1）i＝0；2）遍历borderline_list_i，对每个轮廓borderline[j](j＝0,1,…,p_i-1)，若未标记，记其所属集料颗粒为stone[j]，将其加入stone[j]的边缘信息集合Borderline_Set[j]并标记为已匹配边缘；取得stone[j]的包围盒Borderline_box[j]，以Borderline_box[j]为搜索范围，搜索borderline_list_i中满足条件的集料颗粒边缘集合；3）遍历ISB_SET_j，对borderline[k]，进行其包围盒borderline_box[k]与borderline_box[j]的求交计算，判断计算结果是否满足面积连续条件和粒径约束条件，若满足，则将borderline[k]加入stone[j]的边缘信息集合Borderline_Set[j]并标记为已匹配边缘；若ISB_SET中不存在满足条件的集料边缘，算法结束；4）对borderline_list_p(p＝i＋1,…,n-1)重复步骤1）、2），直至算法结束；5）i＝i＋1，若i＜n，重复步骤2）、4）；所述集料—边缘映射集是指集料颗粒与相应边缘信息之间的映射集Map(Stone_Borderline_Set)，Stone_Set={stone[x],x=0,1,...,Σi=0n-1epi}]]>，Borderline_Set={borderline[qx],x=0,1,...,Σi=0n-1epi}]]>；其中ep_i是graph_b[i]中未在graph_b[i－1]中标记的颗粒边缘数量，q_x是stone[x]对应的边缘图像的幅数；所述面积连续条件如下：1）边缘borderline[i]与borderline[j]两者的包围盒borderline_box[i]与borderline_box[j]的重合面积不小于设定的重合度阈值ε_cov；2）边缘borderline[i]与borderline[j]两者的包围盒borderline_box[i]与borderline_box[j]的面积差不大于设定的面积差阈值ε_dis；所述粒径约束条件是指所获得的集料颗粒边缘包围盒的边长及同一集料颗粒对应的边缘图像的z轴跨度均不大于级配参数中的最大粒径d_max；（3）对单个集料颗粒stone[x]，遍历其对应的边缘信息borderline[q_x]，根据用户设定的拟合标准差σ(fit)，获得其建模参数key_points[r_x]，通过实体建模步骤得到集料颗粒的建模结果；所述拟合标准差σ(fit)，是指原边缘像素点与拟合直线段间的偏离程度；所述实体建模参数key_points[r_x]，是用于构造集料颗粒边缘几何模型的关键点数组，其中r_x是关键点的数量；所述实体建模步骤，如下所述：1）用户设定拟合标准差σ(fit)，令i＝0；2）取得stone[x]的边缘信息borderline_box[i]对应的像素数组border_pixel[t_i]，计算试拟合像素数fp_i，将border_pixel[j](j＝0,1,…,fp_i－1)依次加入borderline[i]的分段拟合链表fitting_group_i并标记，通过二次开发调用MATLAB的一阶拟合功能Fitting对fitting_group_i中的像素进行拟合，若拟合标准差在σ(fit)之内，将border_pixel[j](j=fp_i,···,m_i－1)逐个加入fitting_group_i并拟合、标记，直至拟合标准差超出σ(fit)，将使拟合标准差超出σ(fit)的像素点加入key_points[r_x]；否则，将border_pixel[j](j＝fp_i-1,···,1,0)逐个移出fitting_group_i、取消标记并拟合，直至拟合标准差小于σ(fit)，将使拟合标准差小于σ(fit)的像素点加入key_points[r_x]；3）清空fitting_group_i，自未标记的下一个像素border_pixel[k_i]开始，对border_pixel[j](j=k_i,···,k_i＋fp_i-1)重复步骤2），完善key_points[r_x]，直至border_pixel[t_i]均标记结束；4）遍历borderline[i]对应的key_points[r_x]，调用ACIS7.0的底层建模功能Ewiring建立BODY类型的线框体wire_body[i]， i=i+1；若i＜q_x，转2)；5）调用ACIS7.0中的蒙面功能Skinning，完成从闭合线框实体wire_body[i](i=0,1,···,q_x-1)到集料颗粒三维模型的转换；所述试拟合像素数fp_i，指的是用于集料轮廓拟合的初始像素个数，，其中size_min是集料级配中的最小粒径；所述分段拟合链表fitting_group_i，存储用于直线段拟合、且拟合标准差在σ(fit)内的一组边缘像素点；（4）遍历所有集料颗粒，使用集成拓扑操作将各集料颗粒的建模结果整合为集料总体结构，最终输出SAT格式的图形文件，其中存储着应用于细观分析的集料颗粒总体模型数据集合，该模型以边界表示法表示各集料颗粒的三维几何结构和在沥青混凝土试件中的分布规律；所述集成拓扑操作指的是将各集料颗粒三维模型集成为一个整体的布尔并操作；所述集料总体结构指的是能够反映沥青路面试件中一定尺寸之上的所有集料颗粒的形状属性及在试件中分布规律的集料整体三维模型。