本发明属于三维建模图像识别领域，具体涉及一种基于自适应网络的三维岩石图像仿真识别方法。
背景技术：
1、岩石是一种具有复杂宏微观结构的地质材料。由于其形成过程的复杂性，使得岩石材料含有非均匀矿物颗粒和微孔隙等不同的细观结构。目前，运用数值模拟方法来研究岩石材料的宏观力学响应已被证明在技术理论上是可行的，尤其在二维非均质岩石及三维均质岩石材料方面已得到广泛应用。然而，如果运用研究均质材料的方法和二维模型仿真分析具有非均质性和各向异性的三维真实岩石的力学效应，将造成仿真结果的失真。同时，数值模拟计算的关键是网格的划分，网格划分质量会对数值计算结果的准确性产生很大的影响。因此，为真实反映自然界中岩石材料的力学响应，准确建立由三维数字岩石图像到三维网格结构的映射关系，对已识别的岩石微观结构模型划分高质量的计算网格是亟待解决的一个环节。
2、目前，针对三维非均质岩石的建模方法主要包括：(1)通过算法随机生成含有多相矿物的非均质模型。(2)依据六面体网格对数字岩石的体素信息进行一一映射。上述两种方法尽管可以一定程度地模拟岩石结构的力学响应，但也存在显著的不足：(1)随机生成的多相矿物颗粒岩石难以真实反映岩石的纹理特征及矿物嵌合关系。(2)规整的六面体网格不仅计算成本极高，而且仿真计算结果难以模拟真实的岩石力学机理。
技术实现思路
1、本发明针对现有技术存在的问题，提供了一种基于自适应网络的三维岩石图像仿真识别方法，以再现三维数字岩石真实纹理结构和矿物嵌合关系为出发点，研发一种三维细观非均质尺度下的岩石建模方法，建立基于岩石图像信息的自适应三维网格剖分体系，为三维岩石微观模型提供可靠的数值模型。
2、为解决以上技术问题，本发明提供如下技术方案：一种基于自适应网络的三维岩石图像仿真识别方法，包括如下步骤：
3、s1、对二维数字岩石切面图像进行三维叠加处理，得到三维数字岩石灰度图像；
4、s2、对三维数字岩石灰度图像进行特征提取，得到基于概率密度图生成的种子点，然后进行三维voronoi多面体网格初步划分；
5、s3、根据三维voronoi多面体网格几何信息，将每一多面体的种子点进行重心偏移；将所有多面体的重心作为种子点，不断进行voronoi网格剖分的迭代优化，得到重心迭代后的voronoi多面体；
6、s4、对重心迭代后的三维voronoi多面体网格建立表征voronoi网格结构和体素点特征信息的边缘贴合程度的目标函数；
7、s5、运用梯度下降的方法寻找目标函数向极小值点不断逼近的大小和方向，建立梯度下降大小和方向的理论公式；根据理论公式对voronoi网格结构的每一种子点在梯度下降方向进行偏移，偏移量为相应的梯度下降值，不断迭代优化直至种子点的偏移达到稳定值；根据每一种子点所对应的体素值对三维voronoi多面体网格结构进行分相处理，为不同的多面体进行赋色；
8、s6、返回执行步骤s3，直到达到预设迭代次数，获得迭代优化后的三维voronoi多面体网格结构。
9、进一步地，前述的步骤1包括以下子步骤：
10、s1.1、获取立方体岩石样本，扫描得到二维数字岩石切面图像；
11、s1.2、基于matlab图像处理技术，首先通过imread和imhist函数分别获取每张图像的像素信息和rgb颜色分布直方图；再结合图像中矿物组分的颜色，确定每种矿物组分所在r、g、b值的区间和分割阈值，对矿物成分进行精准分割，并将rgb图像转化为灰度图像，
12、s1.3、通过matlab将二维像素信息升维为三维体素信息，合成为三维数字岩石灰度图像。
13、进一步地，前述的步骤s2包括以下子步骤：
14、s2.1、对三维数字岩石灰度图像的矿物组分进行canny算子的边缘检测，得到每种矿物组分中颗粒的边界，获取三维数字岩石的边缘骨架特征；
15、s2.2、计算图像中的体素点到特征边界的最小距离，建立体素点的概率密度函数，生成三维数字岩石图像的概率密度图；
16、s2.3、进行初始voronoi网格种子点的撒布，并依据概率密度图对种子点的数量进行筛选和剔除；
17、s2.4、基于linux系统的neper晶体生成程序，根据种子点坐标对三维图像进行初始voronoi网格划分。
18、进一步地，前述的步骤s2.2中，体素点的概率密度函数如下式：
19、
20、其中，dist(i,j,k)是所有体素点到特征边界的最小距离的集合。
21、进一步地，前述的步骤s3中，重心偏移具体是：首先运用convhull函数将每一voronoi多面体的所有面剖分为三角面，其次将每一多面体的每个三角面与其相应的种子点构成一四棱锥，计算出四棱锥的体积和重心，利用组合体的重心公式计算出该多面体的重心坐标，循环执行上述步骤，得到所有多面体的重心坐标。
22、进一步地，前述的重心坐标计算公式如下式：
23、
24、其中，为一多面体的重心坐标，v(xi)为该多面体内一四棱锥的体积，xi为该四棱锥的重心坐标。
25、进一步地，前述的步骤s4中，建立目标函数具体为：首先求得每一多面体内的体素点的离散程度，计算公式为一个多面体内每一体素点与该多面体内体素平均值的差值的平方，将其定义为voronoi网格结构的局部误差；其次将所有多面体内的局部误差相加得到整个voronoi网格结构的全局误差，即为梯度下降的目标函数，如下式：
26、
27、其中，p(x)表示图像的体素值，表示三维voronoi多面体vi中所含体素的平均值，ni表示多面体vi中所含体素的数目，表示多面体vi中所含体素的和。
28、进一步地，前述的步骤s5中，运用梯度下降的方法，寻找目标函数梯度下降的大小和方向，建立梯度下降大小和方向的理论公式，所述梯度下降的方法如下式：
29、
30、其中，该式表示第i+1个点是有其前面的第i个点和梯度决定的，η表示第i个点处梯度的大小，表示第i个点处的梯度方向，减号表示与梯度方向相反，用于梯度下降求解极小值；
31、进一步地，前述的步骤s5中，建立梯度下降大小和方向的理论公式，具体步骤包括s5.1至s5.3：
32、s5.1、首先对表征每个多边形边缘贴合度的目标函数求取偏导数如下式：
33、
34、其中，l表示种子点i及其相邻种子点ji的集合，vl表示种子点集的voronoi多面体。s5.2、基于voronoi多面体相互关联的性质，将每一多面体周围的包络种子点加以考虑，运用莱布尼茨公式如下式，对步骤s4.1公式展开，
35、
36、其中，dt为定义在时间t上的光滑二维区间，g(x,t)是定义在dt上的一个函数，为区域dt的边界，υ为点在边界的速度矢量表示为dx/dt，n为边界上点的法向量，方向朝外，ds为边界上的单元弧长；
37、s5.3、运用voronoi多面体垂直平分面的性质对常数项进行消去，最终得到边缘贴合度的梯度大小和方向如下式：
38、
39、其中，σi表示第i个voronoi多面体内体素的标准差，σj表示与其相邻的多面体内体素的标准差，ji表示种子点xi的相邻种子点数，k表示迭代次数，vi表示第i个voronoi多面体的体积。
40、进一步地，前述的步骤s3中，进行voronoi网格剖分的迭代优化，将voronoi网格的所有信息输出为tess、obj文件。
41、相较于现有技术，本发明采用以上技术方案的有益技术效果如下：
42、1.本发明提供了一种三维空间下依据岩石图像进行自适应
43、2.网格结构剖分的建模方法，很好地再现了三维岩石的纹理特征及矿物嵌合关系，比传统的二维非均质岩石建模方法更能反映岩石颗粒材料的空间分布特征。
44、3.本发明是基于三维岩石图像重建岩石真实的细观结构，比传统随机函数生成的细观结构模型更能反映自然界岩石的细观构造，为有关岩石材料的数值分析提供了可靠的模型数据。
45、4.本发明运用三维voronoi网格结构代替六面体网格结构，减少了传统方法中采用像素或体素点一一对应建立六面体网格的计算成本，克服了六面体网格模拟岩石材料力学行为的失真性；三维voronoi网格在几何特性上具有凸多边形、空圆、最小距离等性质，正多面体更接近于岩石的微观颗粒结构，对应的公共面组更能反映三维岩石的纹理曲面。
46、5.本发明依据重心偏移和梯度下降方法对voronoi网格结构迭代优化，阐明了基于三维voronoi多边形的重心偏移原理，推导了基于体素点信息的梯度下降理论公式，在矿物比例、嵌合关系和纹理分布三个方面较好地复现了三维岩石图像。
47、6.本发明适用于多种岩石材料，同时也可适用于混凝土、孔隙结构等多种材料，具有广泛的应用场景。
1.一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，步骤1包括以下子步骤：
3.根据权利要求1所述的一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，步骤s2包括以下子步骤：
4.根据权利要求3所述的一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，步骤s2.2中，体素点的概率密度函数如下式：
5.根据权利要求1所述的一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，步骤s3中，重心偏移具体是：首先运用convhull函数将每一voronoi多面体的所有面剖分为三角面，其次将每一多面体的每个三角面与其相应的种子点构成一四棱锥，计算出四棱锥的体积和重心，利用组合体的重心公式计算出该多面体的重心坐标，循环执行上述步骤，得到所有多面体的重心坐标。
6.根据权利要求4所述的一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，重心坐标计算公式如下式：
7.根据权利要求1所述的一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，步骤s4中，建立目标函数具体为：首先求得每一多面体内的体素点的离散程度，计算公式为一个多面体内每一体素点与该多面体内体素平均值的差值的平方，将其定义为voronoi网格结构的局部误差；其次将所有多面体内的局部误差相加得到整个voronoi网格结构的全局误差，即为梯度下降的目标函数，如下式：
8.根据权利要求1所述的一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，步骤s5中，运用梯度下降的方法，寻找目标函数梯度下降的大小和方向，建立梯度下降大小和方向的理论公式，所述梯度下降的方法如下式：
9.根据权利要求8所述的一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，步骤s5中，建立梯度下降大小和方向的理论公式，具体步骤包括s5.1至s5.3：
10.根据权利要求1所述的一种基于自适应网络的三维岩石图像仿真识别方法，其特征在于，步骤s3中，进行voronoi网格剖分的迭代优化，将voronoi网格的所有信息输出为tess、obj文件。
