摘要
_("从隧道壁面图像中估算断裂密度是进行岩体分类和量化破碎程度的重要步骤。然而，传统的纹理描述符存在三个固有的缺点：固定的空间划分方式、对光照的敏感性以及缺乏对局部对比度变化的建模。为了解决这些问题，我们提出了自适应块相对边缘密度（ABRED）特征，这是一种基于物理原理、易于解释的地质图像解读方法。该方法利用局部梯度方差来指导四叉树分解，从而在断裂密集的区域自动细化区域划分，在其他区域则保持较粗的划分。ABRED 直接计算相对边缘密度，即一个块的标准化边缘数量与其八个相邻块的平均边缘数量之比，在我们的测试中显示出对光照变化的实证鲁棒性。通过在不同模糊程度下聚合高斯模糊边缘密度图来实现多尺度表示。与基于固定网格的竞争对手以及手工设计的特征（如 LBP、HOG 和 Gabor）相比，ABRED 在一个包含 1200 张隧道围岩图像的实际数据集上的整体分类性能达到了 87.6%，显著优于基线的固定网格方法和手工特征方法。消融实验确认各个组成部分都具有独立的贡献，而基于 PCA 的嵌入方法能够产生清晰分离、具有良好分类区分性的簇。重要的是，ABRED 直接将特定领域的物理信息融入特征工程中——这与数据驱动的黑箱优化方法相反——在特定数据集上，其性能可与最近的深度学习方法相媲美（87.6% vs. 类似条件下 CNN 基方法报告的 88–91%），同时计算开销大幅降低，并具备完全的可解释性。不过，我们注意到，如果训练数据集规模显著增大，深度学习模型可能会实现更高的精度。ABRED 的优势在于其效率、透明性以及适用于资源有限的基于 CPU 的现场部署。")
