基于随机散点关系拓扑匹配函数的改进数字图像相关方法技术

本发明专利技术提供一种基于随机散点关系拓扑匹配函数的改进数字图像相关方法，属于变形测量技术领域。该方法首先获取两幅变形前和变形后的随机散点数字图像，标记为img1和img2。然后在img1和img2中逐个匹配散点图像中的每个点，直至最后随机散点图中的每个点都得到了匹配。根据匹配后的结果，可以对应计算两幅图像的像素偏移情况，即像素位移数据，最终得出变形前后的变形信息。该方法使用易于布置的“随机分布散点图案”作为相关匹配的特征散斑。然后，计算变形前后随机分布的离散点的“拓扑位置关系”，从而对变形前后的图像进行相关匹配，最终得出全场变形信息，该方法经验证可以适用于大变形等特殊变形或位移等情况。

【技术实现步骤摘要】
基于随机散点关系拓扑匹配函数的改进数字图像相关方法
本专利技术涉及变形测量
，特别是指一种基于随机散点关系拓扑匹配函数的改进数字图像相关方法。
技术介绍
近年来，基于数字图像相关方法的非接触式变形测量技术在光测力学、变形测量和各类工程测量领域得到了广泛的应用。数字图像相关法最早是在上世纪80年代初由日本的山口一郎[1]和美国南卡罗来纳大学的Peter和Ranson等人[1-2]相互独立提出，通过比较变形前后的数字图像中的子区灰度，来确定变形前的子区在变形后的图像中的位置。数字图像相关方法使用了一种被称为散斑图案特征图样，通过工业相机拍摄成为数字散斑图案。图1(b)是一副传统的数字散斑图案(在计算机中被称为图像)，也被称为随机散斑图案，其特征为：图像中的斑点的灰度级别(即黑色的深浅)和斑点的位置和尺寸，都是随机分布的，此处的数字散斑图案即为数字图像相关方法的“数字图像”。而后一般使用传统的最小平方距离和函数(SSD、ZNSSD)或互相关函数(CC、ZNCC)来计算两幅数字散斑图案的相关性，使用的函数即为“相关函数”。现有的传统“随机散斑数字图像”和传统“相关函数”(ZNCC等)在实际应用中会出现以下问题：1、随机散斑图案布置需要技巧且难于迅速掌握。传统的随机散斑图案，既需要斑点大小随机，又需要斑点位置随机。2、散斑图案相关运算耗时较长。从实际使用可以看出，传统相关函数的数学运算量巨大，所需要的耗费的计算时间较长。3、某些情况下会有相关函数失效问题。首先由于被测物体的变形量过大会导致DIC方法相关搜索失败，从而使得DIC方法相关函数失效导致测量失效。上述问题被称为大变形问题或退相关问题，其已经成为2D/3DDIC普遍面临的问题。有学者经过研究发现，传统相关函数最多只能实现最高大约20％应变量的大变形量测量。参考文献：[1]YamaguchiI.Alaser-specklestraingauge[J].JournalofPhysicsE:ScientificInstruments.1981,14:1270～1273.[2]W.H.Peters,W.F.Ranson.DigitalImagingTechniquesinExperimentalStressAnalysis[J].OpticalEngineering.1981，21:427～431.
技术实现思路
本专利技术要解决的技术问题是提供一种基于随机散点关系拓扑匹配函数的改进数字图像相关方法，该方法使用易于布置的“随机分布散点图案”作为相关匹配的特征散斑。然后，计算变形前后随机分布的离散点的“拓扑位置关系”，从而对变形前后的图像进行相关匹配，最终得出全场变形信息。使用“随机分布散点图案”改进“随机散斑图案”，使用计算“拓扑位置关系”的匹配函数改进传统“相关函数”方法。最终实现改进方法通过依靠能够抵抗大变形的随机分布散点，并且在计算中不会由于大变形而出现退相关的问题，从而实现了不更换参考帧的大变形相关匹配运算。具有计算速度快，适用大变形等其它特殊变形情况的特点。该方法具体包括步骤如下：S1：获取变形前和变形后的两幅随机散点数字图像，标记为img1和img2，img1代表原始图像，img2代表变形后图像；然后在img1和img2中逐个匹配散点图像中的每个点，具体过程如下：S11：设置关系点集合大小为r，在img1中取一个待匹配的关键点P1，然后取P1点周围r个点(最少5个点，5-10个点最佳，更多点数需要根据匹配相关性确定)作为P1点的关系点集合，使用拓扑改进相关函数的邻接矩阵求解算法(根据关键点和其周围关系点的所有点之间的欧式距离形成一个表征关键点性质的邻接矩阵)：即计算P1点及其关系点在内的所有点与点之间的欧氏距离形成一个表征该点集性质的邻接矩阵，记为M1；S12：在img2中，按照原始P1点所在的像素坐标为中心，作为img2中的初始匹配位置；S13：设置搜索点集大小为s，在img2的初始匹配位置周围寻找s个点(20％以内小变形，5个点左右，一般为3～8个点；大于20％的大变形5-20个点，更多的点需要根据变形量大小确定)作为搜索点集，记为P2_1-s，然后取点集中每个点并寻找其周边的r个点作为该点的关系点集合；S14：使用拓扑改进相关函数的邻接矩阵求解算法计算P2_1-s点的邻接矩阵，记为M2_1-s；S15：分别将S14中的矩阵M2_1-s同S11中得到的矩阵M1做差，然后计算做差后矩阵的特征值，最后形成一个1xS的行矩阵Eige_1xS；S16：寻找行矩阵Eige_1xS的最小值位置，如果没有，则提高关系点集数量r和搜索点集大小s；如果有，对应找到最小值位置对应的M2_*矩阵，从而定位搜索点集中的P2_*点；S2：重复S11-S16进行匹配img1和img2中的所有点，直至最后随机散点图中的每个点都得到了匹配；S3：根据匹配后的结果，对应计算两幅图像的像素偏移情况，即像素位移数据，最终得出变形前后的变形信息。其中，S1中的随机散点数字图像中散点的形状为具有固定大小的二维形状，包括圆形、矩形、三角形等。S15中定位搜索点集中的P2_*点具体为：首先将矩阵做差，然后求做差后的矩阵特征值，把所有的特征值形成一个行矩阵，求行矩阵的最小值，最小值对应位置即为P2_*点。本专利技术的上述技术方案的有益效果如下：上述方案中，使用了一种位置随机分布但是大小一致的随机散点图案，其布置难度较低，只需要控制散点的位置即可。不同于传统的随机散斑图案，既需要关注散斑大小随机，还需要注意散斑不能重合，即位置随机。本专利技术设计了一种对变形前后图像中的随机散点进行相关匹配的拓扑改进相关函数方法。该方法借鉴拓扑学理论中的连通性概念和邻接矩阵定义概念，对随机散点中的每一个点使用其邻接矩阵和特征值判断散点的相似性，从而实现变形前后的图像相关匹配。本专利技术为数字图像相关方法提供了有效的改进，提出了便于布置的随机散点图案，提出了拓扑改进相关函数用以匹配变形前后的随机散点图案，该方法计算步骤简单快速，在大变形测量的实测应用中最高可以测得原始长度350％的变形量。能够有效推动基于数字图像相关方法的非接触式材料/构件变形检测技术的发展。附图说明图1为本专利技术使用的随机散点图和传统的随机散斑图的形式对比，其中，(a)为本专利技术使用的随机散点图，(b)为传统的随机散斑图；图2为本专利技术所使用的随机散点进行相关匹配的关系拓扑改进相关函数方法原理图；图3为本专利技术基于随机散点关系拓扑匹配函数的改进数字图像相关方法的方法流程图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本专利技术提供一种基于随机散点关系拓扑匹配函数的改进数字图像相关方法。本专利技术使用的“随机分布散点图案”如附图1(a)所示。比较于随机散斑图(附图1(b))，不同点在于散点图的单个特征点本文档来自技高网...

【技术保护点】
1.一种基于随机散点关系拓扑匹配函数的改进数字图像相关方法，其特征在于：首先使用随机分布散点图案作为相关匹配的特征散斑，然后，计算变形前后随机分布的离散点的拓扑位置关系，从而对变形前后的图像进行相关匹配，最终得出全场变形信息。/n

【技术特征摘要】
1.一种基于随机散点关系拓扑匹配函数的改进数字图像相关方法，其特征在于：首先使用随机分布散点图案作为相关匹配的特征散斑，然后，计算变形前后随机分布的离散点的拓扑位置关系，从而对变形前后的图像进行相关匹配，最终得出全场变形信息。


2.根据权利要求1所述的基于随机散点关系拓扑匹配函数的改进数字图像相关方法，其特征在于：具体包括步骤如下：
S1：获取变形前和变形后的两幅随机散点数字图像，标记为img1和img2，img1代表原始图像，img2代表变形后图像；然后在img1和img2中逐个匹配散点图像中的每个点，具体过程如下：
S11：设置关系点集合大小为r，在img1中取一个待匹配的关键点P1，然后取P1点周围r个点作为P1点的关系点集合，使用拓扑改进相关函数的邻接矩阵求解算法：即计算P1点及其关系点在内的所有点与点之间的欧氏距离形成一个表征该点集性质的邻接矩阵，记为M1；
S12：在img2中，按照原始P1点所在的像素坐标为中心，作为img2中的初始匹配位置；
S13：设置搜索点集大小为s，在img2的初始匹配位置周围寻找s个点作为搜索点集，记为P2_1-s，然后取点集中每个点并寻找其周边的r个点作为该点的关系点集合；
S14：使用拓扑改进相关函数的邻接矩阵求解算法计算P2_1-s点的邻接矩阵，记为M2_1-s；
S15：分别将S14中的矩阵M2_1-s同S11中得到的矩阵M1做差，然后计算做差后矩阵的特征值，最后形成一个1xS的行矩阵Eige_...

【专利技术属性】
技术研发人员：阳建宏，刘福佳，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11